一种光伏系统直流拉弧的检测方法与流程

本发明涉及新能源，尤其涉及一种光伏系统直流拉弧的检测方法。

背景技术：

1、现有技术中，检测电弧故障的方法一般可以分为基于电弧产生的弧光、发热、噪声、电磁辐射等电学、物理特性，以及基于电弧电流或电压数据进行检测两大类。但对于光伏系统来说，光伏逆变器本身就是开关电源，会对电流信号产生频率干扰，而现场环境又非常复杂，容易产生各种不确定的噪声信号，这些信号不仅会对电弧信号产生干扰，有些信号还可能与电弧信号非常相似，这些都增加了检测的难度，仅通过电弧电流和/或电压的时域或频域特征进行检测还是容易产生误判。

2、此外，现有技术中，

3、专利cn117148049b公开了一种直流拉弧故障检测方法，采集直流电流并根据其值计算修正的比例系数，然后将修正后的高频交流信号放入基于fft的神经网络中进行拉弧检测判断。此种处理仅优化电流绝对值大小的影响，并且最终检测仅基于fft结果，判据单一。

4、专利cn104092440b公开了一种光伏系统直流电弧故障检测方法、装置、处理器及其系统，其方法仅使用电流频谱离散点的幅值特征，判据单一，检测精度低；为了提高准确率，设定了六级阈值进行判断，但增加了操作复杂度；仅使用少量的运行参数设置不同阈值，对复杂工况的适应性不强。

5、专利cn103913663b公开了一种直流系统电弧故障在线检测方法和保护装置，针对不同直流系统工况进行针对性处理以提高各类工况下的识别率。其方法虽然考虑了不同工况的噪声影响，但是需要针对不同的噪声进行不同的计算处理例如滤除不同的开关频率点等、同时还需要设定不同的阈值，不仅特征量的计算过程复杂，不同场景的可迁移性也比较差。

6、专利cn107340459b公开了一种直流故障电弧检测方法及系统，其方法结合了时域和频域特征，但是将时域和频域特征分开处理和检测，并且快速傅里叶变换仅适用于平稳信号的处理，而拉弧特征信号是一种非平稳信号，仅用快速傅里叶变换的结果作为神经网络的特征检测拉弧，容易造成误判；没有考虑不同环境和工况的影响，适应性不强。

7、专利cn107086855b公开了一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其方法结合时频特征放入机器学习模型，但是在进行数据处理时需要使用到两个变换以及积分操作，计算时间长；同时隐马尔可夫模型假设状态空间是有限的，其有限的表达能力不能很好地适应非常复杂的光伏系统运行环境和不同工况，导致其检测精度和可迁移性较弱。

8、综上，现有技术存在一定的缺陷/问题，本发明提出了一种光伏系统直流拉弧的检测方法，以解决前述现有技术存在的缺陷/问题。

技术实现思路

1、本发明的目的在于解决现有技术中存在的缺点，而提出一种光伏系统直流拉弧的检测方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种光伏系统直流拉弧的检测方法，具体包括以下步骤：

4、步骤1：训练数据采集与处理；

5、步骤1.1：采集无弧到拉弧连续过程的与拉弧检测有关的物理量，进行模数转换后分帧，获得离散训练数据集；

6、步骤1.2：对步骤1.1所述训练数据进行滤波处理，得到时序上连续的多帧信号；

7、步骤1.3：对步骤1.2所述多帧信号进行变换获得相应时频谱；

8、步骤2：直流拉弧检测模型训练；

9、步骤2.1：使用频域特征网络，提取频域特征；

10、步骤2.2：使用时域特征网络或时序模型，提取频域特征的时序变化。

11、步骤3：直流拉弧在线检测。

12、进一步地，所述物理量为电流或电压。

13、进一步地，所述电流指直流电流中的交流分量。

14、进一步地，所述滤波采用基于直方图统计的阈值滤波方式。

15、进一步地，所述步骤3包括：

16、步骤3.2：采集实时数据，所述数据为拉弧检测有关的物理量；

17、步骤3.3：对所述实时数据进行滤波并计算时频谱；

18、步骤3.4：将时频谱输入至训练好的直流拉弧检测模型，进行实时数据拉弧概率计算。

19、进一步地，所述步骤3还包括步骤3.1，所述步骤3.1在步骤3.2之前，所述步骤3.1为，将训练好的直流拉弧检测模型部署到嵌入式平台。

20、进一步地，所述变换为短时傅里叶变换或小波变换。

21、进一步地，所述频域特征网络为卷积神经网络或前馈神经网络。

22、进一步地，所述时域特征网络为长短时记忆网络，或者，简单循环神经网络，或者门控循环单元。

23、进一步地，所述卷积神经网络为一维卷积神经网络或二维卷积神经网络。

24、进一步地，所述步骤3.4包括，对每帧实时数据进行拉弧判断，当前帧拉弧概率大于第一阈值时判定为当前帧拉弧，当前帧拉弧概率小于或等于第一阈值时判定为当前帧正常运行；拉弧帧数大于第二阈值时，判定为所述光伏系统拉弧。

25、进一步地，所述第一阈值范围为[50%，60%]，所述第二阈值范围为[n/2，n]，其中，n为检测帧的帧数，n为正整数，n的取值范围为（n/2，n]。

26、本发明提供的一种光伏系统直流拉弧的检测方法，与现有技术相比：

27、本发明的光伏系统直流拉弧检测方法，采集光伏系统从正常运行到拉弧这整个时序上连续的过程的测试数据，此数据反映系统拉弧前后的变化趋势，在不同外界环境和工况的影响下变化趋势基本保持一致，达到减弱外部干扰的影响的效果，实现检测方案在不同环境和工况下的可迁移性。

28、本发明在获取连续数据的基础上提出基于时频信息的拉弧检测框架，一方面额外考虑了拉弧频谱特征在时序上非平稳的特性，为拉弧检测提供了更加丰富的检测依据；另一方面提出了专门针对时频域结合信息的处理流程和模型组合架构，首先基于时频分析方法获取时频信息，再使用级联的两个模型串行处理频域特征、频域特征的时序变化，最终得到高准确性的拉弧检测结果。

技术特征：

1.一种光伏系统直流拉弧的检测方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述物理量为电流或电压。

3.根据权利要求2所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述电流指直流电流中的交流分量。

4.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述滤波采用基于直方图统计的阈值滤波方式。

5.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述步骤3包括：

6.根据权利要求5所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述步骤3还包括步骤3.1，所述步骤3.1在步骤3.2之前，所述步骤3.1为，将训练好的直流拉弧检测模型部署到嵌入式平台。

7.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述变换为短时傅里叶变换或小波变换。

8.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述频域特征网络为卷积神经网络或前馈神经网络。

9.根据权利要求1所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述时域特征网络为长短时记忆网络，或者，简单循环神经网络，或者门控循环单元。

10.根据权利要求8所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述卷积神经网络为一维卷积神经网络或二维卷积神经网络。

11.根据权利要求5或6所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述步骤3.4包括，对每帧实时数据进行拉弧判断，当前帧拉弧概率大于第一阈值时判定为当前帧拉弧，当前帧拉弧概率小于或等于第一阈值时判定为当前帧正常运行；拉弧帧数大于第二阈值时，判定为所述光伏系统拉弧。

12.根据权利要求11所述的一种光伏系统直流拉弧的检测方法，其特征在于，所述第一阈值范围为[50%，60%]，所述第二阈值范围为[n/2，n]，其中，n为检测帧的帧数，n为正整数，n的取值范围为（n/2，n]。

技术总结本发明公开了一种光伏系统直流拉弧的检测方法，采集光伏系统从正常运行到拉弧这整个时序上连续的过程的测试数据，此数据反映系统拉弧前后的变化趋势，在不同外界环境和工况的影响下变化趋势基本保持一致，达到减弱外部干扰的影响的效果，实现检测方案在不同环境和工况下的可迁移性；此外，本发明在获取连续数据的基础上提出基于时频信息的拉弧检测框架，一方面额外考虑了拉弧频谱特征在时序上非平稳的特性，为拉弧检测提供了更加丰富的检测依据；另一方面提出了专门针对时频域结合信息的处理流程和模型组合架构，首先基于时频分析方法获取时频信息，再使用级联的两个模型串行处理频域特征、频域特征的时序变化，最终得到高准确性的拉弧检测结果。技术研发人员：胡文贵,高赛男,王飞飞,吴良材,丁永强受保护的技术使用者：深圳古瑞瓦特新能源有限公司技术研发日：技术公布日：2024/11/18