阅读说明：本技术 一种基于机器学习的光伏系统直流故障电弧检测方法 (Photovoltaic system direct current fault arc detection method based on machine learning ) 是由 孙耀杰 樊宏涛 马磊 于 2019-09-03 设计创作，主要内容包括：本发明属于光伏电气故障检测领域,具体为一种基于机器学习训练的光伏系统直流故障电弧检测方法。该方法包括以下步骤：逆变器采集光伏系统直流侧的实时电流信号；分析得到其频域特征和时域特征；通过三种模型判断故障电弧是否发生；如果判定光伏系统产生了直流故障电弧,则启动报警机制。本发明采用基于机器学习的检测算法可以提高检测准确性,小电流和大电流情况下均实用；也能避免阈值设定不能适应所有情况带来的误检操作,有效降低误检率。(The invention belongs to the field of photovoltaic electrical fault detection, and particularly relates to a photovoltaic system direct-current fault arc detection method based on machine learning training. The method comprises the following steps: the method comprises the steps that an inverter collects real-time current signals of a direct current side of a photovoltaic system; analyzing to obtain frequency domain characteristics and time domain characteristics of the target; judging whether a fault arc occurs or not through the three models; and if the photovoltaic system is judged to generate the direct-current fault arc, starting an alarm mechanism. The invention adopts a detection algorithm based on machine learning, which can improve the detection accuracy and is practical under the conditions of small current and large current; the false detection operation caused by the fact that the threshold setting cannot adapt to all conditions can be avoided, and the false detection rate is effectively reduced.)

一种基于机器学习的光伏系统直流故障电弧检测方法

技术领域

本发明属于光伏电气故障检测领域，具体涉及一种基于机器学习的光伏系统直流故障电弧检测方法。

背景技术

电弧是一种气体放电现象，指电流通过某些绝缘介质(例如空气)所产生的瞬间火花，是一种气体放电现象。弧光放电是一种自持放电，区别于其他类型放电的特征是弧光放电的维持电压很低。目前很难给弧光放电下一个严格的定义，单纯从放电的电特性来说，弧光放电是一种阴极位降低，电流密度大的放电，一般来说具有负的伏安特性。

在光伏系统中，故障电弧一旦产生，若不采取及时有效的防护措施，持续的直流电弧会产生3000℃以上的高温，进而引发火灾。近年来欧美陆续发生多起由故障电弧引发的火灾事故，造成程度不一的设备损坏。2011年美国电工法规(NEC)规定光伏系统中应配备检测故障电弧的检测装置与断路器。美国保险商实验室(UL)也推出相应的开发测试方法与机制。

目前多数研究者提出的检测方法针对电弧的特性进行被动检测，其缺点在于在一些大电流情况下，电弧特征表现不是很明显，容易造成误检。误检一旦出现就会造成整个光伏系统的停运，带来不必要的损失。

发明内容

本发明的目的在于提出一种电弧特征表现明显，不易造成误检的基于机器学习的光伏系统直流故障电弧检测方法。

本发明提出的一种基于机器学习的光伏系统直流故障电弧检测方法，所述检测方法通过光伏系统实现；所述光伏系统包括光伏阵列、汇流箱、逆变器和交流电网；所述光伏阵列的输出端连接汇流箱的输入端，汇流箱的输出端连接逆变器的输入端，逆变器的输出端连接交流电网，所述汇流箱和逆变器所连电路之间设有电流采集装置，所述光伏阵列与汇流箱之间设有开关；所述检测方法包括以下步骤：

(1)：逆变器通过电流采集装置采集光伏系统直流侧的光伏阵列所得到的实时电流信号；采样时间为T1秒，相邻两次采样之间的间隔时间为T2秒；

(2)：对步骤(1)采集得到的实时电流信号进行分析，得到其频域特征和时域特征；

当所述时域特征表现为直流故障电弧发生时，电流平均值a1,会突然减小，减小的程度由具体的光伏系统功率水平决定；电流平均值a1计算公式为式中,a1为电流的平均值，A_i为采样电流值，N为采样个数；

当所述时域特征表现为直流故障电弧发生时，电流方差a2会突然增大，增大的程度由具体的光伏系统配置参数而定；电流方差a2的计算公式为式中，a2为电流方差，A_i为采样电流值，a1为电流平均值，N为采样个数；

当所述频域特征表现为直流故障电弧发生时，特定频段f_a-f_b下,小波分解的小波系数的方差a3会突然增大，增大的程度由具体的光伏系统功率水平决定；方差a3的计算公式为式中，a3为方差，d_i为电流信号小波分解后的系数，为N个采样个数的平均值，N为采样个数；f_a为选定频段区间的下限，f_b为选定频段区间的上限；

当所述频域特征表现为直流故障电弧发生时，特定频段f_a-f_b下,小波分解的小波系数的能量a4会突然增大，增大的程度由具体的光伏系统功率水平决定；能量a4的计算公式为a4＝d²，式中，d为特定频段下小波分解的系数。f_a为选定频段区间的下限，f_b为选定频段区间的上限；

当所述频域特征表现为直流故障电弧发生时，特定频段f_a-f_b下,小波分解的小波系数d的极大值减平均值的绝对值a5会突然增大，增大的程度由具体的光伏系统功率水平决定；绝对值a5的计算公式为式中，d_max为特定频段下小波分解系数的极大值，为特定频段下小波分解的系数平均值；f_a为选定频段区间的下限，f_b为选定频段区间的上限；

(3)：使用步骤(2)中故障电弧特性的时频特征和时域特征分别在随机森林、支持向量机和决策树3种模型识别是否发生了直流故障电弧。读取Flag1值，计算Flag值。

(3.1)如果flag＝0；判定本次检测直流故障电弧没有发生。

(3.2)如果flag＝1；判定本次检测直流故障电弧有可能发生，采样时间缩短。

(3.3)如果flag＝2；判定本次检测直流故障电弧发生。

(4)：如果步骤(3)判定光伏系统产生了直流故障电弧，Flag+1，并进行判断：

(4.1)如果此时Flag＝2；判定直流故障电弧发生。断路器动作，断开电路，并发出警报信息。

(4.2)如果此时Flag＝1；延时200ms进行下一次检测。

如果没有检测到直流故障电弧发生，仍然对Flag的值进行判断：

(4.3)如果此时Flag＝1；对Flag1置1，存储Flag1的值等待下一次检测；

如果此时Flag＝0；对Flag1清0,等待下一次检测。

本发明中，通过在光伏系统的汇流箱与逆变器之间设有的电流采集装置为串入线圈感应式实时电流采集装置，其用于实现步骤(1)中所述的采集光伏系统直流侧的实时电流信号。

相比于现有技术，本发明的有益效果在于：

(1)采用基于机器学习的检测方式可以提高检测准确性，小电流和大电流情况下均实用；

(2)可以适应光伏系统实际运行时的多种情况，降低误检率。

附图说明

图1是检测光伏系统直流故障电弧的实时电流采集位置示意图。

图2是基于机器学习检测的光伏系统直流故障电弧检测方法的步骤流程图。

图中标号：1为光伏阵列、2为汇流箱、3为逆变器、4为交流电网、5为实时电流采集装置。

具体实施方式

下面以具体实施例结合附图对本发明做详细说明，此示意图以及说明仅用来解释发明，但并不作为对本发明的限定。

实施例1：

本实例以某10kW屋顶光伏电站实验数据为例来进行光伏直流故障电弧检测。

如图1所示，光伏阵列1输出直流电流，多条直流支路在汇流箱2中并联汇流，将总的直流电流输入逆变器3中，逆变器将直流电转变为交流电输送至交流电网4，同时由逆变器控制发出检测信号。

如图2所示，本发明提出了一种基于机器学习检测的光伏系统直流故障电弧检测方法，主要采用以下的技术方案判定光伏系统是否存在直流故障电弧，其具体步骤如下：

(1)：采集光伏系统直流侧的光伏阵列所得到的实时电流信号；采样时间为0.1秒，两次采样之间的间隔时间为0.5秒。读取Flag1值，计算Flag值。

(2)：对步骤(2)采集得到的实时电流信号进行分析，计算时频域特征。

1)特征值1：电流平均值a1，计算公式为式中,a1为电流的平均值，A_i为采样电流值，N为采样个数,本例中N＝10000。

2)特征值2：电流方差a2，计算公式为式中，a2为电流方差，A_i为采样电流值，a1为电流平均值，N为采样个数，本例中N＝10000。

3)特征值3：40kHz-80kHz频段下,小波分解的小波系数的方差a3，计算公式为式中，a3为方差，d_i为电流信号小波分解后的系数，为N个采样个数的平均值，N为采样个数，本例中N＝10000。

4)特征值4：40kHz-80kHz频段下,小波分解的小波系数的能量a4，计算公式为a4＝d²，式中，d为下小波分解的系数。

5)特征值5：40kHz-80kHz频段下,小波分解的小波系数d的极大值减平均值的绝对值，计算公式为式中，d_max为频段40kHz-80kHz下小波分解系数的极大值，为频段40kHz-80kHz下小波分解的系数平均值。

计算结果如下表1所示。

表1故障电流和正常电流实例计算结果

	电弧电流	正常电流
			特征值1	4.0891	4.4271
特征值2	0.0024	0.0015
			特征值3	2.98E-04	2.78E-04
特征值4	0.3768	0.3521
			特征值5	0.0776	0.0543

(3)：使用步骤(2)中故障电弧特性的时频特征和时域特征分别在随机森林、支持向量机和决策树3种模型识别是否发生了直流故障电弧。读取Flag1值，计算Flag值。

1.如果flag＝0；判定本次检测直流故障电弧没有发生。

2.如果flag＝1；判定本次检测直流故障电弧有可能发生，采样时间缩短。

3.如果flag＝2；判定本次检测直流故障电弧发生。

(4)：如果步骤(3)判定光伏系统产生了直流故障电弧，Flag+1，并进行判断：

1.如果此时Flag＝2；判定直流故障电弧发生。断路器动作，断开电路，并发出警报信息。

2.如果此时Flag＝1；延时200ms进行下一次检测。

如果没有检测到直流故障电弧发生，仍然对Flag的值进行判断：

1.如果此时Flag＝1；对Flag1置1，存储Flag1的值等待下一次检测。

2.如果此时Flag＝0；对Flag1清0,等待下一次检测。