本发明专利技术实施例公开了一种光伏系统及其电弧检测方法、装置。该方法包括：采集所述直流侧电流的交流分量样本；从所述交流分量样本中提取特征参数，并为所述交流分量样本打标签；根据全部所述特征参数和所述标签，形成训练集；使用所述训练集训练机器学习算法；采用反向特征消除对所述训练集中的特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数。与现有技术相比，本发明专利技术实施例简化了机器学习模型、提高了模型预测速度。提高了模型预测速度。提高了模型预测速度。
【技术实现步骤摘要】
光伏系统及其电弧检测方法、装置
[0001]本专利技术实施例涉及光伏
，尤其涉及一种光伏系统及其电弧检测方法、装置。
技术介绍
[0002]电弧是一种气体放电现象，会产生高温、高亮度和辐射。当出现电弧现象时，若不及时灭弧处置，可能会导致线缆损坏、发电量损失，甚至是火灾。在光伏系统中，直流侧常见的电弧种类之一是串联电弧，常见于光伏组件的MC4端子处。为了在电弧出现时及时切断该支路，需要在光伏系统中增加电弧检测功能。
[0003]在现有技术中，常见的电弧检测方式是采集直流侧电流信号，并对信号进行时域或频域分析，提取特征参数后与预设的阈值对比，判断是否出现电弧。然而，在电流较大时，电弧特征不明显，通过阈值比较的方式难以有效检测出电弧。使用机器学习可以较好地融合时域和频域的多种参数，从多维度综合判断是否出现电弧，提高电弧检测的准确性。然而，现有的机器学习方法模型复杂，影响了模型训练速度和预测速度。
技术实现思路
[0004]本专利技术实施例提供一种光伏系统及其电弧检测方法、装置，以简化机器学习模型、提高模型训练速度和预测速度。
[0005]第一方面，本专利技术实施例提供了一种光伏系统的电弧检测方法，包括：
[0006]采集所述直流侧电流的交流分量样本；
[0007]从所述交流分量样本中提取特征参数，并为所述交流分量样本打标签；根据全部所述特征参数和所述标签，形成训练集；
[0008]使用所述训练集训练机器学习算法；
[0009]采用反向特征消除对所述训练集中的特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数。
[0010]可选地，所述机器学习算法为决策树。
[0011]可选地，所述采用反向特征消除对所述特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数，包括：
[0012]采用所述训练集训练决策树，得到第一交叉验证准确率；
[0013]从所述训练集中减少一个特征参数后，重新训练决策树，得到第二交叉验证准确率；
[0014]若所述第一交叉验证准确率与所述第二交叉验证准确率的差值小于或等于准确率比较阈值，则去除所述特征参数；否则更换一个所述特征参数；
[0015]重复减少特征参数重新训练决策树的步骤，直至没有可减少的所述特征参数，剩下的所述特征参数为所述降维后的特征参数。
[0016]可选地，所述特征参数包括：无量纲时域特征参数和频域特征参数；
[0017]所述无量纲时域特征参数包括：峭度、偏度、波形因子、峰值因子和脉冲因子；
[0018]所述频域特征参数包括：平均频率、重心频率、频率均方根和频率标准差；
[0019]所述降维后的特征参数包括：所述峭度、所述偏度和所述平均频率。
[0020]可选地，所述形成训练集，包括：
[0021]将一种工况下的全部所述特征参数和所述标签排列，形成特征向量；
[0022]在不同工况下，重复形成特征向量的步骤，形成所述训练集。
[0023]可选地，电弧的频率在第一频率和第二频率之间；
[0024]对所述交流分量样本的采样频率大于或等于2倍的所述第二频率；
[0025]在从所述交流分量样本中提取全部所述特征参数之前，还包括：采用截止频率小于第一频率的高通滤波器对所述交流分量样本进行滤波。
[0026]第二方面，本专利技术实施例还提供了一种光伏系统的电弧检测学习装置，包括：
[0027]样本获取模块，用于采集所述直流侧电流的交流分量样本；
[0028]训练集形成模块，用于从所述交流分量样本中提取特征参数，并为所述交流分量样本打标签；根据全部所述特征参数和所述标签，形成训练集；
[0029]机器学习算法训练模块，用于使用所述训练集训练机器学习算法；
[0030]降维模块，用于采用反向特征消除对所述训练集中的特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数。
[0031]第三方面，本专利技术实施例还提供了一种光伏系统的电弧检测方法，包括：
[0032]采集所述直流侧电流的交流分量；
[0033]从所述直流侧电流的交流分量中提取特征参数，形成特征向量；
[0034]根据所述特征向量和机器学习算法，判断是否出现电弧。
[0035]可选地，所述机器学习算法为决策树。
[0036]可选地，所述特征参数包括：峭度、偏度和平均频率。
[0037]可选地，判断出现电弧的条件还包括：
[0038]连续采集至少三个采样周期，判断出现电弧的样本数大于次数阈值，则判定所述光伏系统的直流侧出现电弧。
[0039]第四方面，本专利技术实施例还提供了一种光伏系统的电弧检测装置，包括：
[0040]采样模块，用于采集所述直流侧电流的交流分量，所述交流分量包括多种特征参数；
[0041]参数提取模块，用于从所述直流侧电流的交流分量中提取特征参数，作为降维后的特征参数，形成特征向量；
[0042]电弧判断模块，用于根据所述特征向量和机器学习算法，判断是否出现电弧。
[0043]第五方面，本专利技术实施例还提供了一种光伏系统，包括：如本专利技术任意实施例所述的检测装置，所述检测装置部署于所述光伏系统的直流侧。
[0044]本专利技术实施例采用反向特征消除的方式，对特征参数进行降维，可以大幅减少特征参数的数量，简化了机器学习模型，一方面可以缩短提取特征参数的时间；另一方面可以降低模型复杂程度，缩短训练时间和预测时间，进而加快电弧检测速度。两方面综合在一起，可以有效提升电弧检测的速度，降低电弧造成的风险。因此，本专利技术实施例有利于避免误报电弧断开支路造成的发电量损失。
附图说明
[0045]图1为本专利技术实施例提供的一种光伏系统的电弧检测方法的流程示意图；
[0046]图2为本专利技术实施例提供的一种反向特征消除的流程示意图；
[0047]图3为本专利技术实施例提供的另一种光伏系统的电弧检测方法的流程示意图；
[0048]图4为本专利技术实施例提供的一种光伏系统的电弧检测装置的结构示意图；
[0049]图5为本专利技术实施例提供的又一种光伏系统的电弧检测方法的流程示意图；
[0050]图6为本专利技术实施例提供的另一种光伏系统的电弧检测装置的结构示意图。
具体实施方式
[0051]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0052]本专利技术实施例提供了一种光伏系统的电弧检测方法，该方法由光伏系统直的电弧检测装置执行，该装置由软件和/或硬件实现。该方法通过机器学习能够训练得到用于电弧检测的降维后的特征参数，因此，该方法可作为电弧检测的前期机器学习方法。图1为本专利技术实施例提供的一种光伏系统的电弧检测方法的流程本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光伏系统的电弧检测方法，其特征在于，包括：采集直流侧电流的交流分量样本；从所述交流分量样本中提取特征参数，并为所述交流分量样本打标签；根据全部所述特征参数和所述标签，形成训练集；使用所述训练集训练机器学习算法；采用反向特征消除对所述训练集中的特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数。2.根据权利要求1所述的光伏系统的电弧检测方法，其特征在于，所述机器学习算法为决策树。3.根据权利要求2所述的光伏系统的电弧检测方法，其特征在于，所述采用反向特征消除对所述特征参数进行降维，确定降维后的所述特征参数作为电弧检测的特征参数，包括：采用所述训练集训练决策树，得到第一交叉验证准确率；从所述训练集中减少一个特征参数后，重新训练决策树，得到第二交叉验证准确率；若所述第一交叉验证准确率与所述第二交叉验证准确率的差值小于或等于准确率比较阈值，则去除所述特征参数；否则更换一个所述特征参数；重复减少特征参数重新训练决策树的步骤，直至没有可减少的所述特征参数，剩下的所述特征参数为所述降维后的特征参数。4.根据权利要求1所述的光伏系统的电弧检测方法，其特征在于，所述特征参数包括：无量纲时域特征参数和频域特征参数；所述无量纲时域特征参数包括：峭度、偏度、波形因子、峰值因子和脉冲因子；所述频域特征参数包括：平均频率、重心频率、频率均方根和频率标准差；所述降维后的特征参数包括：所述峭度、所述偏度和所述平均频率。5.根据权利要求1所述的光伏系统的电弧检测方法，其特征在于，所述形成训练集，包括：将一种工况下的全部所述特征参数和所述标签排列，形成特征向量；在不同工况下，重复形成特征向量的步骤，形成所述训练集。6.根据权利要求1所述的光伏系统的电弧检测方法，其特征在于，电弧的频率在第一频率和第二频率之间；对所述...
【专利技术属性】
技术研发人员：鲁晨鹏，
申请(专利权)人：阳光电源股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。