本发明专利技术属于光伏电气故障检测技术领域，具体是公开了一种基于时频图的直流故障电弧检测方法。为了有效提取电弧微弱特征，避免噪声和逆变器启动的干扰导致的故障误判和漏判问题。提出一种自适应形态学滤波与S变换结合的时频图直流故障电弧检测方法。首先对信号进行自适应形态学滤波，其自适应机制使用粒子群算法对形态学的结构元素进行动态寻优；然后进行S变换生成时频图，有效表征微弱电弧特征；最后结合卷积神经网络进行分类得到了高达99％以上的检测精度。实验结果表明，提出的自适应形态学滤波算法可有效提升信号的信噪比，与S变换结合生成的时频图可有效表征微弱电弧特征，不受逆变器启动和噪声的干扰，可有效避免故障漏判和误判。漏判和误判。漏判和误判。
【技术实现步骤摘要】
一种基于时频图的直流故障电弧检测研究方法
[0001]本申请属于光伏电气故障检测
，是一种光伏系统直流故障电弧检测方法，可以有效地提取故障电弧特征，避免故障误判和漏判，有利于直流故障电弧的精准、有效检测。
技术介绍
[0002]随着新型电力系统的发展，光伏发电对于促进可再生能源的发展和推广具有重要意义。但随着光伏发电的快速普及，由故障电弧引起的安全问题也越来越多。据统计，每年有约70％的光伏电站火灾是由故障电弧引起的，故障电弧很容易点燃周围的可燃物质，从而引发火灾([1]李松浓,晏尧,向菲,吕小红,王毅,谭聪.光伏直流系统故障电弧检测方法研究综述[J/OL].电测与仪表:1
‑
9[2023
‑
03
‑
23].http://kns.cnki.net/kcms/detail/23.1202.TH.20230216.1525.010.html)。同时，逆变器启动时产生的干扰和微弱电弧信号淹没在系统噪声中都可能导致故障误判和漏判，这会直接影响直流故障电弧的精准有效检测。因此，精准地检测直流故障电弧意义重大。
[0003]随着人工智能的快速发展，学者们开始运用机器学习和深度学习技术来辅助故障电弧的检测。文献([2]L.Xing,Y.Wen,S.Xiao,D.Zhang and J.Zhang.A Deep LearningApproach for Series DC Arc Fault Diagnosing and Real
‑
Time Circuit Behavior Predicting[J].in IEEE Transactions on Electromagnetic Compatibility,2022,64(2):569
‑
579.[3]S.Lu,T.Sirojan,B.T.Phung,D.Zhang and E.Ambikairajah.DA
‑
DCGAN:An Effective Methodology for DC Series Arc Fault Diagnosis in Photovoltaic Systems[J].in IEEE Access,2019,7:45831
‑
45840.[4]焦治杰,李腾,王莉娜,牟龙华,Alexandra Khalyasmaa.基于卷积神经网络的光伏系统直流串联电弧故障检测[J].电工电能新技术,2019,38(07):29
‑
34.)利用卷积神经网络(Convolutional neural network，CNN)对提取到的特征进行分类，其中文献([4]焦治杰,李腾,王莉娜,牟龙华,Alexandra Khalyasmaa.基于卷积神经网络的光伏系统直流串联电弧故障检测[J].电工电能新技术,2019,38(07):29
‑
34.)利用短时傅里叶变换(ShortTime FourierTransform，STFT)提取电弧信号的时频特征，结合能量谱密度构造时频图。文献([5]孟羽,陈思磊,吴子豪,王辰曦,李兴文.基于随机共振方法增强光伏直流故障电弧检测特征的研究[J].中国电机工程学报,2022,42(06):2396
‑
2407.[6]W.Miao,Q.Xu,K.H.Lam,P.W.T.Pong and H.V.Poor.DC Arc
‑
Fault Detection Based on Empirical Mode Decomposition of Arc Signatures and Support Vector Machine[J].in IEEE Sensors Journal,2021,21(5):7024
‑
7033.)利用支持向量机(support vector machine，SVM)对电弧特征进行决策。文献([7]唐圣学,刁旭东,陈丽,张继欣,姚芳.光伏发电系统直流串联微弱故障电弧检测方法研究[J].仪器仪表学报,2021,42(03):150
‑
160.[8]刘树鑫,刘学识,李静等.基于SSA
‑
ELM的直流串联故障电弧检测方法研究[J].电器与能效管理技术,2022,No.619(10):65
‑
73.)利用极限学习机(Extreme Learning Machine，ELM)对电弧特征进行决策。文献([9]郭凤仪,
刘大卫,王智勇等.光伏系统直流故障电弧实验研究[J].电子测量与仪器学报,2018,32(06):25
‑
32.)采用经验模态分解和概率神经网络结合的直流故障电弧检测方法。文献([10]J.Yang andY.Wang,Identification and Detection ofDCArc Fault in Photovoltaic Power Generation System[C].2020International Conference on Intelligent Transportation,Big Data&Smart City(ICITBS),Vientiane,Laos,2020,pp.440
‑
444.)通过分析电弧信号的时域特征，利用Flourier变换对电弧信号的频率分量进行分析，结合BP神经网络进行直流故障电弧的检测。
[0004]综上所述，学者们都是利用时、频域等算法提取信号特征结合机器学习和深度学习进行故障电弧的检测，此类方法难以有效提取一维微弱故障电弧信号的特征，同时也难以避免噪声和逆变器启动干扰等问题，极易发生故障误判和漏判，且深度学习这类算法主要应用于图像，针对一维信号无法有效发挥其优势。仅有文献([4]焦治杰,李腾,王莉娜,牟龙华,Alexandra Khalyasmaa.基于卷积神经网络的光伏系统直流串联电弧故障检测[J].电工电能新技术,2019,38(07):29
‑
34.)利用STFT联合能量谱密度构造时频图作为CNN的输入进行训练，但STFT无法分析波形的突变信号，局部细节特征容易被忽略([11]向小民,汪杰,卢云.基于小波时频图和AlexNet网络的电弧故障诊断方法[J].国外电子测量技术,2022,41(10):170
‑
177.)。针对以上问题，本专利技术提出了基于粒子群算法对形态学结构元素进行自适应动态寻优的滤波算法，先对信号进行自适应滤波处理，再进行S变换生成时频图可有效提高微弱电弧信号和正常信号的区分度，不受噪声和逆变器启动的干扰。最后结合CNN进行直流故障电弧的分类识别，可有效避免故障误判和漏判，实现直流故障电弧的精准有效检测。
技术实现思路
[0005]在直流系统中存在微弱电弧信号淹没在系统噪声中，使得很难有效地提取微弱电弧信号的特征，同时逆变器的启动也会对其造成干扰，从而导致故障漏判和误判等问题。
...
【技术保护点】
【技术特征摘要】
1.一种基于时频图的直流故障电弧检测方法，其特征在于，包括以下步骤：S1：利用电流互感器采集线路中的串联电流信号；S2：对采集到的信号进行自适应形态学滤波，其自适应机制使用粒子群算法对形态学的结构元素的长度及其内部参数进行动态寻优；S3：使用的形态学滤波算法根据腐蚀和膨胀基本运算结合信号特征构建的开闭混合运算；S4：粒子群算法优化的目标函数为：对S变换的二维复矩阵结果取模值，然后点乘，最后求所有元素的和得到E，然后以正常和故障信号的E值差的绝对值作为目标函数；S5：对经过自适应形态学滤波处理后的信号进行S变换得到对应的时频图；S6：分别在光伏接逆变器、光伏接电阻、直流电源接逆变器和直流电源接电阻四个场景下随机采集40组数据和20组逆变器启动数据，然后生成时频图构建直流电弧数据集；S7：对构建的数据集分别采用浅化后的LeNet、AlexNet、VGG16和ResNet50四种经典的卷积神经网络在输入尺寸为64、128和256三种情况下，针对SGD、Adam和RMSProp三种优化器进行分类对比。2.如权利要求1所述方法，其特征在于，在所述步骤S1中，在实验场景下，本发明搭建了光伏接逆变器并网、光伏接阻性负载、直流电源接逆变器和直流电源接阻性负载四种场景进行直流串联故障电弧的检测研究，利用电流互感器采集线路中的电流信号以便后期的分析处理。3.如权利要求1所述方法，其特征在于，在所述步骤S2中，当采集到电流信号后，对其进行自适应形态学滤波处理，在整个动态自适应滤波过程中结合粒子群算法对形态学的结构元素的长度和内部参数进行动态优化。4.如权利要求1所述方法，其特征在于，在所述步骤S3中，提出的形态学滤波算法为根据腐蚀和膨胀基本运算结合信号特征构建的开闭混合运算。其基本运算公式由膨胀和腐蚀运算组成，如下：(xΘg)(n)＝min{x(n+m)
‑
【专利技术属性】
技术研发人员：王毅，谭聪，郑可，冯凌，肖冀，刘期烈，
申请(专利权)人：重庆邮电大学，
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。