[發明專利]一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法

有效

• 申請號: 201710278936.4
• 申請日: 2017-04-25
• 公開（公告）號: CN107086855B
• 公開（公告）日: 2018-10-30
• 發明（設計）人: 陳思磊;李興文;張夢瑤
• 申請（專利權）人: 西安交通大學
• 主分類號: G01R31/12
• 分類號: G01R31/12;H02S50/00;H02S50/10;H02H7/26
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 范巍

1.一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：該光伏系統故障電弧融合檢測方法包括以下步驟：

1)并網光伏系統運行中，以采樣頻率f對并網光伏系統內能顯示故障電弧特征的輸出信號逐點采樣，按照時間窗長度T_s選取采樣點，得到檢測信號x_n，轉至步驟2)；

2)對檢測信號x_n作伽柏變換，得到檢測信號x_n在時頻域內對應的方陣分布形式，對檢測信號x_n作瑞敦-魏格納變換，得到檢測信號x_n在時頻域內對應的矩陣分布形式，轉至步驟3)；

3)對步驟2)中兩個變換得到的矩陣元素分別進行時間維度的積分運算，然后分別選取頻率維度上的特定分量進行處理，得到對應的M個特征量，M>1，轉至步驟4)，所述特定分量滿足：準確指示故障電弧發生的時間窗，且能夠顯示故障電弧燃燒階段與系統類弧暫態階段的差異；

4)將當前時間窗下M個特征量的值輸入至隱式馬爾科夫模型，通過隱式馬爾科夫模型的輸出值來判斷是否存在故障電弧事件，若隱式馬爾科夫模型的輸出值為1，轉至步驟5)進行進一步分析；若隱式馬爾科夫模型的輸出值為0，判斷并網光伏系統在當前時間窗內正常運行，返回步驟1)進行下一時間窗下的檢測信號分析；

5)判斷隱式馬爾科夫模型的連續輸出高電平的個數是否滿足設定標準，如果隱式馬爾科夫模型連續輸出1的個數達到設定標準，則判定并網光伏系統內發生故障電弧；否則，判定并網光伏系統內發生類弧工況干擾，返回步驟1)繼續進行下一時間窗下的檢測信號分析。

2.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：所述采樣頻率f的取值范圍為120kHz～500MHz；所述時間窗長度與采樣頻率的關系為T_s＝N/f，其中N為時間窗內檢測信號的采樣點個數，采樣點個數N的取值范圍為800～20000；f為2N的整數倍。

3.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：所述伽柏變換所選用的時間窗類型為高斯窗；伽柏變換中的過采樣度q的取值范圍為3～6，時間系數Nh的取值范圍為30～38；在瑞敦-魏格納變換后的t-w坐標系中，任意點的極角ψ取值范圍為[π/4，3×π/4)。

4.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：所述伽柏變換在時頻域上的方陣形式和瑞敦-魏格納變換在時頻域上的矩陣形式在時間維度上的處理方式為：采用時間維度積分方式而非隨機選取某一個或幾個時間維度的特定分量構建多時頻特征量。

5.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：所述故障電弧特征頻段選為40kHz～60kHz且與采樣頻率f無關；采用累加方式處理頻率維度的特定分量，基于伽柏變換得到的時頻特征量采用頻率維度的積分方式，基于瑞敦-魏格納變換得到的時頻特征量采用頻率維度奇數行分量的累加方式。

6.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：隱式馬爾科夫模型的融合過程直接在特征層上進行，不需要對各特征量進行歸一化處理、閾值判斷處理。

7.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：所述隱式馬爾科夫模型已經完成了機器學習訓練過程，機器學習樣本總容量的取值范圍為100000～2000000，用于隱式馬爾科夫模型學習的樣本數據取總容量的1/4～1/2；學習樣本序列在輸入至隱式馬爾科夫模型進行訓練時未進行故障電弧狀態標識，機器學習的訓練方法為Baum-Welch算法。

8.根據權利要求1所述一種機器學習融合多時頻特征的光伏系統故障電弧檢測方法，其特征在于：特征量個數M的取值范圍為2～5個；構建的M個特征量中至少有一個特征量能夠在任一時間窗下給出正確的判斷結果。