[发明专利]一种Adaboost融合多分类器的光伏系统故障电弧检测方法

权利要求书

1.一种光伏系统故障电弧检测方法，其特征在于：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。

2.根据权利要求1所述一种光伏系统故障电弧检测方法，其特征在于：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，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。

3.根据权利要求2所述一种光伏系统故障电弧检测方法，其特征在于：所述子模型采用监督学习方式或半监督学习方式。

4.根据权利要求2所述一种光伏系统故障电弧检测方法，其特征在于：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。

5.根据权利要求4所述一种光伏系统故障电弧检测方法，其特征在于：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。

6.根据权利要求4所述一种光伏系统故障电弧检测方法，其特征在于：所述Adaboost融合多分类器模型的训练中，Adaboost模型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。

7.根据权利要求1所述一种光伏系统故障电弧检测方法，其特征在于：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。

8.根据权利要求7所述一种光伏系统故障电弧检测方法，其特征在于：所述训练集和测试集采用k折交叉验证方法得到，k为3-7。

9.根据权利要求7所述一种Adaboost融合多分类器的光伏系统故障电弧检测方法，其特征在于：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，样本容量的取值为10000～200000000。

10.根据权利要求1所述一种光伏系统故障电弧检测方法，其特征在于：所述K为4～12。