一种直流故障电弧检测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905921A(43)申请公布日2023.04.04(21)申请号202211506256.0G06N3/048(2023.01)(22)申请日2022.11.28G06N3/09(2023.01)G01R31/12(2006.01)(71)申请人深圳供电局有限公司地址518000广东省深圳市罗湖区深南东路4020号电力调度通信大楼(72)发明人汪桢子赵宇明王静李国文(74)专利代理机构深圳汇智容达专利商标事务所(普通合伙)44238专利代理师潘中毅(51)Int.Cl.G06F18/24(2023.01)G06F18/213(2023.01)G06F18/10(2023.01)G06F18/25(2023.01)G06N3/0464(2023.01)权利要求书2页说明书10页附图7页(54)发明名称一种直流故障电弧检测方法及装置(57)摘要本发明公开一种直流故障电弧检测方法及装置，其中，方法包括：步骤S1，对故障电弧工况下的具有并网光伏系统故障电弧特征的检测信号进行实时采样；步骤S2，对采样得到的电流信号分别基于Rbio3.1的四层小波变换和CNN深度挖掘算法进行相应的数据挖掘，提取获得直流电弧特征数据；步骤S3，将获得的直流电弧特征数据进行融合形成多层次特征值，作为BoostedTrees模型的训练学习样本，在BoostedTrees模型学习完毕后，构建故障电弧检测模型；步骤S4，利用训练好的故障电弧检测模型对已经经过CNN深度挖掘算法的故障电弧进行检测，实时获得故障电弧检测准确率。本发明能有效地检测并网光伏系统的故障电弧事故，大幅度提高了故障电弧的检测准确率。CN115905921ACN115905921A权利要求书1/2页1.一种直流故障电弧检测方法，其特征在于,包括：步骤S1，对故障电弧工况下的具有并网光伏系统故障电弧特征的检测信号进行实时采样；步骤S2，对采样得到的电流信号分别基于Rbio3.1的四层小波变换和CNN深度挖掘算法进行相应的数据挖掘，提取获得直流电弧特征数据；步骤S3，将获得的直流电弧特征数据进行融合形成多层次特征值，作为BoostedTrees模型的训练学习样本，在BoostedTrees模型学习完毕后，构建故障电弧检测模型；步骤S4，利用训练好的故障电弧检测模型对已经经过CNN深度挖掘算法的故障电弧进行检测，实时获得故障电弧检测准确率。2.根据权利要求1所述的直流故障电弧检测方法，其特征在于，所述步骤S2中，基于Rbio3.1的四层小波变换进行相应的数据挖掘，具体包括：对产生故障电弧的起始阶段进行标记，以便后续采用标签函数进行故障电弧的记录和计算机的识别；将数据利用Rbio3.1小波进行四层分解，对(4，6)节点小波系数进行重构，将电流平方并累加，从而实现能量累积得到小波分析的特征；利用故障电弧发生记录表对数据进行标签，区分出故障电弧和正常电弧，将故障电弧状态表示为1，正常状态表示为0；其中，故障电弧记录有五个记录点：正常电流数据起始、故障电弧数据起始、故障电弧尖峰起始、故障电弧尖峰结束、故障电弧结束。3.根据权利要求1所述的直流故障电弧检测方法，其特征在于，所述步骤S2对采样信号基于Rbio3.1小波进行四层变换的(4，6)分解后，还将输出的在故障电弧段能量平均值与正常电流能量平均值相比，得出特征量提升比，根据特征量提升比提取出电弧特征，并作为BoostedTrees模型的训练学习样本。4.根据权利要求3所述的直流故障电弧检测方法，其特征在于，所述步骤S2中，基于CNN深度挖掘算法进行相应的数据挖掘，具体包括：采用时频域提取特征量的方法，基于Rbio3.1的四层的(4，6)分解得到不同状态下特征量提升比；使用CNN深度挖掘算法挖掘电流数据高维度特征量；将两种方法提取到的特征量进行融合；对光伏系统是否发生直流故障电弧进行分类，基于特征量的融合检测与诊断方式，选择在分类问题中体现出融合技术的BoostedTrees模型，并在模型不断训练中进行参数迭代优化。5.根据权利要求4所述的直流故障电弧检测方法，其特征在于，CNN深度挖掘算法中，卷积公式为：其中，f表示激活函数；表示权重系数对应于卷积过滤器的位置(ij)层；为偏差；是当前图层的特征映射，表示卷积神经网络挖掘后的特征数据；是上一层的特征映2CN115905921A权利要求书2/2页射，表示原始实验电流数据；Mj表示特征映射的集合。6.根据权利要求1所述的直流故障电弧检测方法，其特征在于，所述步骤S3具体包括：将所述步骤S2获得的基于Rbio3.1的四层小波变换和CNN深度挖掘算法所提取到的直流特征数据进行整理，得到不同条件下直流故障电弧下的多特征值样本集，并作为BoostedT