CN115498956B 一种光伏阵列串联电弧故障诊断方法 （福州大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115498956B(45)授权公告日2025.01.10

(21)申请号202211160934.2

(22)申请日2022.09.22

(65)同一申请的已公布的文献号申请公布号CN115498956A

(43)申请公布日2022.12.20

(73)专利权人福州大学

地址350108福建省福州市闽侯县福州大

学城乌龙江北大道2号福州大学

(72)发明人高伟金辉洪翠郭谋发

(74)专利代理机构福州元创专利商标代理有限公司35100

专利代理师郭东亮蔡学俊

(51)Int.CI.

HO2S50/00(2014.01)

HO2S50/10(2014.01)

GO6F18/214(2023.01)

GO6F18/213(2023.01)

GO6F18/241(2023.01)

GO6F18/15(2023.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/0475(2023.01)

GO6N3/094(2023.01)

(56)对比文件

CN108075728A,2018.05.25CN109873610A,2019.06.11审查员陈雅萍

权利要求书3页说明书9页附图7页

(54)发明名称

一种光伏阵列串联电弧故障诊断方法

(57)摘要

CN115498956B本发明提出一种光伏阵列串联电弧故障诊断方法，包括以下步骤；步骤S1、按预设采样率采集采集光伏阵列直流母线处电流信号，形成故障时序信号，并计算预设时长时间窗内电流信号X的裕度因子C;步骤S2、将一维故障时序信号编码为二维特征图像以放大电弧故障的内在特征，形成二维特征图像的数据集；步骤S3、以二维特征图像的数据集训练深度卷积生成对抗网络DCGAN;深度卷积生成对抗网络利用数据增强方法增扩电弧故障样本；步骤S4、以二维特征图像的数据集和增扩后的电弧故障样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定，以辨识是

CN115498956B

开始

开始

S1电弧故障数据获取

S2电弧GASF特征图像生成

S3训练改进的DCGAN与增扩故障GASF特征图像

S4训练CNN分类器

电弧故障辨识

结束

CN115498956B权利要求书1/3页

2

1.一种光伏阵列串联电弧故障诊断方法，其特征在于：所述诊断方法包括以下步骤；

步骤S1、按预设的采样率采集光伏阵列直流母线处电流信号，并计算预设时长时间窗内电流信号X的裕度因子C,进一步得到相邻两时间窗的裕度因子绝对差分值Ca,从而获取故障时序信号；

步骤S2、将一维故障时序信号编码为GASF特征图像以放大电弧故障的内在特征，形成GASF图像数据集；

步骤S3、以GASF图像数据集训练改进的深度卷积生成对抗网络；改进的深度卷积生成对抗网络用以增扩电弧故障样本；

步骤S4、以增扩后的故障GASF特征图像样本与正常GASF图像样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定，以辨识是否存在电弧故障；

所述步骤S1为数据采集步骤，包括以下步骤；

步骤S11:以预设的采样率采集光伏阵列直流母线处电流信号，并计算每个预设时长的

时间窗内电流信号X的裕度因子C,其具体定义以公式表述为

公式一；

其中max、min分别表示对电流信号X求最大值与最小值，N为X的时间长度，X;为电流信号X中的单一数据值；

步骤S12:以步骤S11预设时长的时间窗为步长，滑动采集并计算下一个窗口的裕度因子Ci+1,进一步，计算相邻两个时间窗口的裕度因子的绝对差分值Ca,以公式表述为；

Ca=|C?-Ci+1I公式二；

其中C为当前窗口的裕度因子值，Ci+1为下一个时间窗口的裕度因子值；

步骤S13:将每次计算的Ca与故障判定阈值Z相比较，若C≥Z,则判定出现了疑似电弧故障，此时启动采集设备截取包括该时间窗在内的前M个数据点与后N个数据点，作为需要进一步判别的疑似故障样本；若Ca小于Z,则继续以步骤S11的预设时长为时间窗滑