本公开涉及电弧故障检测，具体涉及一种光伏直流电弧故障检测方法及装置。
背景技术：
1、光伏发电并网系统中串联的光伏组件存在很多个串联连接点，这些串联连接点若因安装不可靠、发生碰撞或长期使用老化等原因造成松脱或接触不良时，就可能在不良连接点处产生直流电弧。直流电弧会产生高温明火，轻则烧毁连接端子，造成光伏发电系统故障，影响发电收益，重则可能造成严重火灾和人员伤亡，危害非常严重。直流电弧分串联电弧和并联电弧两种，其中，串联电弧的危害更大。
2、传统的光伏直流电弧故障检测方法准确率较低，例如，基于阈值的检测方法，虽然在特定的情况下能够达到较好的准确率，但是当环境发生一定的变化时，或者系统受到一定的扰动的状况下，该阈值可能就会失效，导致准确率迅速降低。该方法不能较好地适应环境地变化，灵活性较差。一些基于机器学习的故障检测方法采用单一的机器学习算法，所挖掘的故障信息有限，并且有时容易陷入局部最优点，导致过拟合，因此，当数据集变化时其准确率将迅速下降，模型泛化能力不强，鲁棒性能较差。另外，现有的光伏直流电弧故障检测模型中，输入的用于故障检测的数据量过于庞大，导致模型消耗的运算资源过大，例如一些技术基于图像识别的神经网络进行故障检测，但是图像作为二维信息，其包含的数据量过大，且需要通过不断地迭代训练来达到较高的准确率，因此，所需要耗费的运算资源较大，且消耗的检测时间较长。
技术实现思路
1、本公开实施例的目的在于提供一种光伏直流电弧故障检测方法及装置，以至少解决现有技术中存在的光伏直流电弧故障检测方法准确率较低，检测模型泛化能力不强、鲁棒性能较差，消耗的运算资源过大、检测效率低等技术问题。
2、为了解决上述技术问题，本公开的实施例采用了如下技术方案：
3、第一方面，本公开实施例提供一种光伏直流电弧故障检测方法，包括：
4、获取光伏发电并网系统中待检测的电流信号；
5、从所述电流信号中提取时域特征和频域特征，其中，所述时域特征和频域特征分别包含多个特征量；
6、将所述时域特征和频域特征进行融合，得到融合特征；
7、将所述融合特征输入stacking模型中进行电弧故障检测，其中，所述stacking模型的初级分类器包括决策树、支持向量机、k近邻模型中的至少一种，所述stacking模型的次级分类器为逻辑回归模型。
8、在一些实施例中，从所述电流信号中提取时域特征和频域特征，包括：
9、对所述电流信号进行加窗，提取时域波形特征；
10、对所述电流信号进行快速傅里叶变换，提取频域特征。
11、在一些实施例中，将所述时域特征和频域特征进行融合，得到融合特征，包括：
12、对各所述特征量分别进行归一化处理；
13、将归一化后的各所述特征量横向合并，得到合并特征数据；
14、利用主成分分析法对所述合并特征数据进行降维，得到检测特征数据。
15、在一些实施例中，所述stacking模型的训练包括：
16、对所述光伏发电并网系统中不同运行状态下的电流数据进行采样，获取采样数据集，其中，所述运行状态包括正常状态、干扰状态和故障状态；
17、从所述采样数据集中提取所述时域特征和频域特征，构建特征数据集；
18、从所述特征数据集中提取训练集；
19、将所述训练集输入所述stacking模型中，对所述stacking模型进行训练。
20、在一些实施例中，所述方法还包括：
21、利用带交叉验证的网格搜索法对所述stacking模型的模型参数进行寻优；
22、其中，所述决策树的寻优参数包括最大深度和最大子叶节点数；所述支持向量机的寻优参数包括参数惩罚系数、核函数和核函数参数；所述k近邻模型的寻优参数包括参考“邻居”标签值的个数；所述逻辑回归模型的寻优参数包括正则化系数λ的倒数。
23、在一些实施例中，所述方法还包括：
24、从所述特征数据集中提取测试集；
25、将所述测试集输入具有最优参数的所述stacking模型中，检测所述测试集中的电弧故障；
26、根据所述测试集的电弧故障检测结果，对所述stacking模型进行评价。
27、在一些实施例中，所述stacking模型的评价指标包括准确率、精确率、召回率和f1分数，
28、所述准确率的计算公式为：
29、
30、所述精确率的计算公式为：
31、
32、所述召回率的计算公式为：
33、
34、所述f1分数的计算公式为：
35、
36、式中，tp表示实际为正样本被判定为负样本，tn表示实际为负样本被判定为负样本，fp表示实际为负样本被判定为正样本，fn表示实际为负样本被判定为正样本。
37、在一些实施例中，所述时域特征的特征量包括电流峰峰值、电流方差、电流峰值因子、电流波形因子；所述频域特征的特征量包括各频段的能量比例、高低频段幅值标准差之比、频谱平均值、频谱标准差。
38、在一些实施例中，对所述光伏发电并网系统中不同运行状态下的电流数据进行采样，获取采样数据集，包括：
39、获取不同环境条件下流经检测电路的正常电流数据和故障电流数据，其中，所述环境条件包括温度和光照；
40、将所述环境条件突变后流经所述检测电路的电流数据作为干扰电流数据，获取不同突变环境条件下的所述干扰电流数据。
41、第二方面，本公开实施例提供一种光伏直流电弧故障检测装置，包括：
42、获取模块，配置为获取光伏发电并网系统中待检测的电流信号；
43、提取模块，配置为从所述电流信号中提取时域特征和频域特征，其中，所述时域特征和频域特征分别包含多个特征量；
44、融合模块，配置为将所述时域特征和频域特征进行融合，得到融合特征；
45、故障检测模块，配置为将所述融合特征输入stacking模型中进行电弧故障检测，其中，所述stacking模型的初级分类器包括决策树、支持向量机、k近邻模型中的至少一种，所述stacking模型的次级分类器为逻辑回归模型。
46、第三方面，本公开实施例提供一种电子设备，至少包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的光伏直流电弧故障检测方法。
47、第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的光伏直流电弧故障检测方法。
48、本公开实施例提供的一种光伏直流电弧故障检测方法及装置，通过获取光伏发电并网系统中待检测的电流信号；从所述电流信号中提取时域特征和频域特征，其中，所述时域特征和频域特征分别包含多个特征量；然后，将所述时域特征和频域特征进行融合，得到融合特征；之后，将所述融合特征输入融合多种机器学习模型得到的stacking模型中进行电弧故障检测，能够综合时域和频域的多方面电流信息对电弧故障进行准确检测，并提高检测效率，同时，在一定程度上有效地避免检测模型过拟合现象发生，增强检测模型的泛化能力和鲁棒性。
1.一种光伏直流电弧故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，从所述电流信号中提取时域特征和频域特征，包括：
3.根据权利要求2所述的方法，其特征在于，将所述时域特征和频域特征进行融合，得到融合特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述stacking模型的训练包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述stacking模型的评价指标包括准确率、精确率、召回率和f1分数，
8.根据权利要求1所述的方法，其特征在于，所述时域特征的特征量包括电流峰峰值、电流方差、电流峰值因子、电流波形因子；所述频域特征的特征量包括各频段的能量比例、高低频段幅值标准差之比、频谱平均值、频谱标准差。
9.根据权利要求4所述的方法，其特征在于，对所述光伏发电并网系统中不同运行状态下的电流数据进行采样，获取采样数据集，包括：
10.一种光伏直流电弧故障检测装置，其特征在于，包括：
