一种Adaboost融合多分类器的光伏系统故障电弧检测方法

技术领域

本发明属于光伏电气故障检测技术领域，涉及利用Adaboost的机器学习复合模型进行光伏系统故障电弧检测，具体通过使用多种分类器对进行k折交叉处理的数据进行学习，并使用Adaboost算法对学习得到的多维数组经迭代获得最优解，从而建立用于光伏系统故障电弧检测的Adaboost融合多分类器模型。

背景技术

太阳能具有清洁、安全的特点，已经成为规模发展最快的可再生能源。光伏电站通常建立在不适宜居住的地区，如荒山、荒地、沙漠以及滩涂等，其光伏系统相当于一个直流电源系统，由于光伏电站的直流端输出电压高，直流端会在任何位置出现电子元器件接触不良或氧化腐蚀等现象，所形成的间隙易产生电弧。根据光伏电池板的伏安特性，电弧一旦产生，就容易形成稳定的燃烧，并使电压进一步上升，导致电弧的温度骤升，引起附近可燃物及导体的燃烧，不仅危及电源及电路的安全，甚至至引发火灾，从而造成财产损失甚至人员伤亡事故。尽管光伏电站故障的发生大部分归因于直流侧故障电弧，但现有的保护装置只能对电路过电流引起的故障起到保护作用，而无法检测到此类电弧，导致光伏电站的发电效率降低，并且存在火灾等安全隐患。

故障电弧检测技术的发展对于保障光伏系统安全、可靠、经济运行至关重要，该类技术一般根据电弧特性在电路中检测到故障电弧的发生并主动产生输出故障信号，从而启动分段器对电路进行保护，其主要作用是防止由故障电弧引起的有害电击或火灾，是有效规避故障电弧所造成的组件损坏和经济损失的重要手段，同时，通过在排除人为干预监测的情形下自动获取系统运行参数并辨识故障，从而减少人为维护次数，是提高系统运行性能的重要途径，有利于提升系统的智能化运行程度。

中国专利CN112180312A公开了一种电流传感器复合故障诊断方法，其将待测电流传感器样本输入到组合模型，组合模型以最优化参数提取待测样本的故障特征并进行诊断，该专利从多个时域特征值的角度提取故障特征，避免故障信息的遗漏；对精确物理模型的依赖度低；能够更加准确地诊断出电流传感器中发生增益故障、偏置故障以及二者的复合故障，但是该专利无法区别故障电弧和类弧工况。中国专利CN107086855A公开的机器学习融合多时频特征的光伏系统故障电弧检测方法，通过融合多个有效时频特征准确辨识并网光伏系统内多种故障电弧形式，加快故障电弧动作的同时还能确保多种类弧工况不误动。但是，该专利仅使用单一隐式马尔科夫模型，误判率高。中国专利CN109560770A公开的基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法，通过提取多个特征值输入至训练好的朴素贝叶斯模型，判断当前时段内的光伏系统状态，在利用多个有效的时频特征准确辨识光伏系统内故障电弧的同时还能确保多种类弧工况下不误动。但是，该专利需要人工对特征量进行定性定量的分析，以达到较高的准确率，当环境发生变化，准确率可能随之改变。

Adaboost算法能很容易融合新的模型并易于修改，针对未来可能出现的更准确的检测方法和检测模型，融合多分类器的方法相对通用，能够用以极低的代码量融入新的高精度模型，从而随着时间推移融合模型精度会随着子模型的更新而逐渐优化，并以最低的成本融入更好的模型。但目前的故障电弧检测方法更注重于检测前期特征的选择，并未在已经公开的报道中见到用于光伏系统故障电弧检测的Adaboost融合多分类器模型。

发明内容

为解决并网光伏系统内故障电弧与类弧工况的准确、可靠、快速辨识问题，本发明提供了一种Adaboost融合多分类器的光伏系统故障电弧检测方法。

为达到上述目的，本发明采用了以下技术方案：

该光伏系统故障电弧检测方法包括以下步骤：

对光伏系统电量检测信号进行采样，将当前时间窗内的采样信号的特征进行量化后输入Adaboost融合多分类器模型，并根据Adaboost融合多分类器模型的输出判断光伏系统的实时状态；若Adaboost融合多分类器模型在连续K个时间窗输出与故障电弧事件相应的值，则判断光伏系统内发生故障电弧；否则，判断光伏系统运行正常。

优选的，所述Adaboost融合多分类器模型包括多种经过训练并作为分类器的子模型(所述子模型个数可依据实际检测算法需要作出变更)，根据光伏系统电流检测信号采样数据进行特征量的计算，将计算得到的特征量的值分别输入至训练完成的对应子模型中，将各子模型输出的判断结果输入至训练完成的Adaboost模型中进行融合计算，得到用于指示光伏系统状态的高电平或低电平输出。

优选的，所述子模型采用监督学习方式或半监督学习方式。

优选的，所述Adaboost融合多分类器模型包括支持向量机模型、随机森林模型、决策树模型三种监督学习方式的分类器。

优选的，所述支持向量机模型的两种核函数类型为radial和basis，参数C为38-44，核函数的gamma参数为2-3；随机森林模型的子树个数为1000-1500；决策树模型的最大深度为40-60，叶子节点数为2。

优选的，所述Adaboost融合多分类器模型的训练中，Adaboost采用的迭代模型为神经网络NN，其中神经元个数为128-256，遗忘率为0.15-0.4，输出神经元个数为2，迭代次数为500-1000。

优选的，所述Adaboost融合多分类器模型的训练中，对不同类弧和故障电弧工况下的系统输出电流信号进行特征量的计算，将计算得到的特征量的值，作为Adaboost融合多分类器模型的学习样本，并利用学习样本生成训练集和测试集。

优选的，所述训练集和测试集采用k折交叉验证方法得到，k的取值为3-7。

优选的，用于Adaboost融合多分类器模型训练的数据为样本容量的1/2～2/3，剩余的样本数据则用于模型检测，样本容量的取值为10000～200000000，令Adaboost模型在短时间内得到充分的训练。

优选的，所述K的取值为4～12。

本发明的有益效果体现在：

本发明提出的Adaboost融合多分类器的光伏系统故障电弧检测方法，能更灵敏地识别出光伏系统内的故障电弧，尤其是待检测信号变化不明显的情况下，通过融合多分类器的方法，能达到更高的灵敏度，能有效地检测出单分类器模型下无法检测出的故障电弧。

该方法能快速地识别出光伏系统内的故障电弧，对于大部分的分类器模型都需要较长输入的问题，通过融合多分类器，整个系统可以更早地从子模型中接收到中间信号，从而更快地反映出可能的故障电弧，加快动作故障电弧工况下的相应故障支路。

该方法能更准确地识别出光伏系统内的故障电弧，在很多故障电弧和类弧相似的情况下，通过融合多分类器的方法，误判的可能性被降至最低，能够有效避免单分类器模型下易发的误判，确保多种类弧工况不发生误动作，提升了直流光伏系统安全稳定运行的能力。

该方法有效地解决了类不平衡问题，有效地提高了数据处理效率，提高了对复杂故障电弧的识别能力；同时能更好地适应临界数据，提高算法抗干扰能力。

以上几个方面的有益效果还表明，该方法可以用于可靠、快速动作多种故障电弧工况。

另外，本发明的光伏系统故障电弧检测方法允许在不修改源代码的情况下快速编辑模型结构，通过合理的复合方式复合为一个机器学习模型，使得整个模型效果更优，也可通过变更学习样本数据应用到不同逆变器负载下的直流光伏系统中，实现对故障电弧和类弧工况的准确识别。

本发明进一步取得的技术效果：

1)该方法针对直流光伏故障电弧检测，根据分类器的学习准确度及收敛速度，采用监督或半监督学习方式，例如，支持向量机、随机森林、决策树三种子模型，进行学习。针对实际光伏系统内可能产生多种多样的故障电弧，产生不同的检测信号，Adaboost融合多分类器的使用，大大增加了故障电弧工况检测的正确率，解决了因所发生故障电弧工况的未知性而产生的拒动问题，有效防止了故障电弧给直流光伏系统运行、人身财产带来的安全威胁。

2)该方法不需要弱分类器(支持向量机、随机森林、决策树)的先验知识，最后得到的强分类器的分类精度依赖于所有弱分类器，无论是应用于模拟数据还是真实数据，该方法都能显著的提高学习精度。

3)该方法不需要预先知道子模型中弱分类器(支持向量机、随机森林、决策树)的错误率上限，且最后得到的复合模型的分类精度依赖于所有弱分类器的分类精度，可以深挖分类器的能力，也可以根据弱分类器的反馈，自适应地调整假定的错误率，执行的效率高。

4)为了区分辨别故障电弧与类弧工况，切断故障电弧的标准为连续K个周期内Adaboost模型均输出高电平，K值的选定可以实现快速切除故障电弧同时不误动地切除类弧工况。

附图说明

图1为光伏系统故障电弧检测方法原理框图。

图2a为Adaboost融合多分类器模型训练流程图。

图2b为光伏系统故障电弧检测方法流程图。

图3a为直流光伏系统故障电弧的输出电流信号。

图3b为应用支持向量机模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图3c为应用随机森林模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图3d为应用决策树模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图3e为应用本发明的Adaboost融合多分类器模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图4a为直流光伏系统类弧的输出电流信号。

图4b为应用支持向量机模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图4c为应用随机森林模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图4d为应用决策树模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

图4e为应用本发明的Adaboost融合多分类器模型进行直流光伏系统故障电弧检测的系统状态实时判断输出信号。

具体实施方式

下面结合附图和实施例对本发明进行进一步详细说明。所述实施例仅用于解释本发明，而非对本发明保护范围的限制。

参见图1，本发明的光伏系统故障电弧检测方法的原理为：首先对不同类弧和故障电弧工况下的具有直流光伏系统故障电弧特征的检测信号(此处取电流信号)，进行实时采样，对采样信号进行时域的平均值、方差、偏度、峰度，以及时频域的短时傅里叶和小波变换计算，提取得到相应的特征向量组，并与工况标签一起作为三个子模型(支持向量机、随机森林、决策树)和Adaboost模型的训练学习样本，在三个子模型和Adaboost模型学习完毕后(得到Adaboost融合多分类器模型)，便可融合多个故障电弧特征对输入时间窗内的系统采样信号辨识出正确的状态判断结果(类弧、故障电弧或正常)。实际检测并网光伏系统内是否发生故障电弧时，只需将待识别时间窗内系统电流实时采样，进行一系列特征计算，得到多个特征值，输入至训练好的Adaboost融合多分类器模型中，通过输出值进行辨识即可。Adaboost融合多分类器模型可实时输出直流光伏系统内是否发生故障电弧的0/1判定结果，判断系统发生故障电弧时输出1(对应高电平)，判断系统正常运行时输出0(对应低电平)。只有在Adaboost融合多分类器模型输出1时，才进行故障电弧切除信号触发条件的判断，否则便认为直流光伏系统正常运行，直接进行下一时间窗的直流光伏系统故障电弧判断，有利于光伏故障电弧检测算法对故障电弧检测速度的提升。若Adaboost融合多分类器模型在连续多个时间窗的检测周期连续输出多个1，在未达到既定输出1的一个检测周期前，只要有一个低电平0输出，则认为此时的系统状态是类弧工况的干扰引发的，而不是真正的故障电弧工况，不发出切断信号。在一个既定周期中均输出高电平时，此时便确认系统发生故障电弧，同时满足切断故障电弧的触发条件，检测算法可以发出切断故障电弧支路信号，保障直流光伏系统免受故障电弧工况的危害。

参见图2a，Adaboost融合多分类器模型采用融合型学习方法，必须在通过样本学习后才能掌握特征层所反映的直流光伏系统故障电弧区别于类弧的统计规律及核心特征，之后才能用于并网光伏系统故障电弧的辨识。

首先采集所需的直流光伏系统输出电流信号，进行一系列特征量计算，获取多个特征量的值，作为Adaboost融合多分类器模型的学习样本，并利用学习样本生成训练集和测试集(即将学习样本先拆分成切片集，将每份切片集再分成子集，组成子集阵列，在子集阵列中逐行选取训练集和测试集)。Adaboost融合多分类器模型的具体训练和测试过程如下：

1)对采样得到的光伏系统电流数据进行特征计算，将特征计算结果按样本数平均拆分成k份切片集；

2)将每份切片集按样本数再平均分成k份子集，组成一k×k的子集阵列，选定子集阵列的每一行中列序号与该行行序号相同的子集为测试集，该行其余子集为训练集；

3)选择支持向量机、随机森林、决策树三种算法，依次对子集阵列每行的训练集进行学习，得到3×k个模型，将子集阵列每行的测试集输入相对应的模型，将同一种算法的测试结果拼接为一列，拼接后得到三列测试结果；

4)将三列测试结果输入至Adaboost模型进行训练学习，根据分类器的准确率，得到上述三种算法对系统状态判定结果的影响大小。

Adaboost融合多分类器模型的训练过程中，切片集采用k折交叉验证方法得到，通过无重复抽样技术将数据集分为k堆，选取一堆作为测试集，另外k-1堆作为训练集，重复以上步骤k次，每次选取的训练集不同；基于模型调优分析方法，找到使得模型泛化性能最优的超参值。

为了尽快投入使用Adaboost融合多分类器模型，学习训练Adaboost融合多分类器模型的速度必须加快，通过给出一定的训练精度标准，学习训练过程一直进行直至训练精度能准确区分故障状态和正常状态为止，因而在模型多次训练后无法区分状态时，必须通过初始化参数设定在能接受的训练精度下结束Adaboost融合多分类器模型学习训练过程。对于得到的大量并网光伏系统故障电弧和类弧工况下多特征值样本集，样本容量取为15000，用于Adaboost融合多分类器模型学习的数据取样本容量的1/2～2/3，剩余的样本数据则用于模型测试，明确所提出的光伏系统故障电弧检测算法的检测效果。

Adaboost融合多分类器模型的最优超参值：支持向量机模型的两种核函数类型为radial和basis，其参数C设置为42.2243，核函数的gamma参数为2.639；随机森林模型的子树个数为1000；决策树模型最大深度为50，叶子节点数为2；Adaboost采用的迭代模型为神经网络NN，其中神经元个数为128，遗忘率为0.23，输出神经元个数为2，迭代次数为500，该迭代模型具有较高的准确率和较快的收敛速度。

结合图2b，对本发明所述的Adaboost融合多分类器的直流光伏系统故障电弧检测方法的步骤进行具体说明：

步骤一、参数设置过程包括设定检测信号装置对电流信号的采样频率f(例如，取值为0.5-3MHz)、时间窗点数N(例如，取值为4000-12000)、故障电弧触发条件、对采集信号进行特征计算等。直流光伏系统运行中，以频率f对并网光伏系统输出电流信号逐点取样，以设定的时间窗长度T

步骤二、采用支持向量机、随机森林和决策树三种模型对上述特征量进行检测，输出子模型分类结果，组合成为一个三维数组，转至步骤三对该三维数组进行融合处理。

步骤三、将该三维数组输入至训练好的Adaboost模型，以机器学习的方式去融合上述三维数组，通过训练好的Adaboost模型的输出值来判断是否存在故障电弧，其中，Adaboost模型输出0代表该时间窗内直流光伏系统处于正常运行状态，输出1代表该时间窗内直流光伏系统内可能发生了故障电弧，转至步骤四进行具体判断。

步骤四、以训练好的Adaboost模型输出值初步判断此时直流光伏系统的运行状态，若输出0，则判断该时间窗内直流光伏系统处于正常运行状态，返回至步骤一进行下一时间窗内直流光伏系统输出电流信号的状态检测；若输出1，则判断该时间窗内直流光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期是否达到切断故障电弧的周期数触发标准，如果达到触发标准(即连续K个时间窗输出1，K为5)，则确定直流光伏系统内发生了故障电弧，发出切断故障电弧支路信号；如果未达到触发标准，则判定是由直流光伏系统类弧工况形成了不足数量的连续1输出，返回步骤一进行下一时间窗内直流光伏系统输出电流信号的状态检测。

依据本发明提出的检测模型(Adaboost融合多分类器模型)具有较强的故障电弧识别能力，避免了偶然因素引起直流故障电弧检测装置的误动作，减少了因模型误判切断支路引起的损失。将本发明的光伏系统故障电弧检测方法应用于直流光伏系统，其内对故障电弧和类弧的辨识效果展示如下。

如图3a所示，以采样频率f＝200kHz获取直流光伏系统输出电流检测信号。在5.4s以前，直流光伏系统处于正常运行状态，此时直流光伏系统输出电流为18A。在5.4s以后，直流光伏系统出现故障，相应的直流光伏系统输出电流迅速下降。

如图4a所示，以采样频率f＝200kHz获取直流光伏系统输出电流检测信号。1.1s以前，直流光伏系统未开启，电流为零。此后开启系统，电流每4.7s攀升一次，电流增值为2.7A，直至直流光伏系统输出正常工作电流为18A。

通过特征计算，应用支持向量机、随机森林、决策树三种模型对系统状态进实时判断，结果表明(如图3b～3d和图4b～4d所示)，这三种模型对故障电弧和类弧的实时判断存在误判情况。而将三种模型的实时判断结果输入至训练好的Adaboost模型进行判断，得到的实时判断结果，检测算法面对正常工作电流能够给出正确的低电平指示，对所有的故障态电流信号能够给出正确的高电平指示，如图3e和4e所示。由图3e和4e所示的结果可以看出，本发明的光伏系统故障电弧检测方法面对正常启动电流能够给出正确的低电平指示，对所有的故障态电流信号能够给出正确的高电平指示，因而该检测方法较为准确地区分了直流光伏系统内的故障电弧和类弧工况，避免了偶然因素引起直流故障电弧检测装置的误动作，减少了因模型误判切断支路引起的损失。

总之，结合本发明的光伏系统故障电弧检测方法于直流光伏系统内对故障电弧形式辨识，以及类弧工况的辨识结果，证明本发明的检测方法能够较为准确地区分直流光伏系统内的故障电弧和多种类弧工况，同时，本发明提出的直流光伏故障电弧检测方法可以帮助相应开关器材对直流故障电弧的发生进行准确、快速、可靠、灵敏地主动保护，从而有效提升系统的智能化运行程度，显著改善光伏系统直流端故障电弧检测、保护的能力，保障光伏系统安全、可靠、经济运行。