基于Time-GAN的串联电弧电流超分辨率重建

龙葵; 牟炜淇; 李秋惠; 刘嘉威; 陈旭凯; 苏盛

doi:doi:10.19912/j.0254-0096.tynxb.2024-1199

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于Time-GAN的串联电弧电流超分辨率重建

更新时间：2025-12-10

- 基于Time-GAN的串联电弧电流超分辨率重建
- Issue 11, Pages: 260-271(2025)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1199
  CLC： M616
- Published Online：04 December 2025，
  
  Published：04 December 2025
- 稿件说明：
移动端阅览
龙葵, 牟炜淇, 李秋惠, et al. 基于Time-GAN的串联电弧电流超分辨率重建[J]. 2025, (11): 260-271.
DOI：

龙葵, 牟炜淇, 李秋惠, et al. 基于Time-GAN的串联电弧电流超分辨率重建[J]. 2025, (11): 260-271. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1199.

摘要

针对串联电弧高频数据提取困难的问题

提出基于时间序列生成对抗网络（Time-GAN）的串联电弧电流超分辨率重建方法

旨在对时域采样的电流信号进行超分辨率处理

以获取更高频的电流信号。首先搭建光伏系统下低压电弧故障真型实验平台

用不同采样率采集相关数据;然后分析不同采样率对数据时频域采集的影响;再对低采样率的时序数据进行超分辨率重构

生成高频的电流采集数据;最后与高采样率电流信号对比。实验结果表明

基于Time-GAN的超分辨率算法能有效提升电弧电流的采样频率。

Abstract

Extracting high-frequency data related to series arc faults presents considerable challenges.To solve this problem

we propose a super-resolution reconstruction method for series arc current based on Time-GAN （Time-Generative Adversarial Network）. This method aims to perform super-resolution processing on time-domain sampled current signals to obtain higher frequency time-domain signals

thereby achieving higher frequency domain signals. Firstly

a true-scale experimental platform for low-voltage arc faults in photovoltaic systems was established

and relevant data were collected at different sampling rates. Secondly

we analyzed the impact of different sampling rates on time-frequency domain data collection. Then

we applied the super-resolution algorithm to the low sampling rate time series data to generate high sampling rate time-frequency domain data

and compared it with the original high sampling rate time-frequency domain data. Experimental results demonstrate that the Time-GAN-based time super-resolution algorithm significantly enhances the sampling frequency of current signals.

关键词

Keywords

references

牟龙华, 王伊健, 蒋伟, 等. 光伏系统直流电弧故障特征及检测方法研究[J]. 中国电机工程学报, 2016, 36(19): 5236-5244, 5405.

吴春华, 徐文新, 李智华, 等. 光伏系统直流侧故障电弧危害分析及保护策略[J]. 太阳能学报, 2020, 41(9): 198-206.

蔡志远, 鲍洁秋. 电弧故障识别及保护的新技术[J]. 电器与能效管理技术, 2014(10): 24-27.

李智华, 钟杰人, 吴春华, 等. 光伏电站中故障电弧信号的传输行为研究[J]. 太阳能学报, 2021, 42(7): 152-160.

朱晖. 民用建筑电气火灾原因调查及防范策略[J]. 工程建设与设计, 2023(12): 40-42.

LEZAMA J, SCHWEITZER P, WEBER S, et al.Frequency analysis to arcing detection and prototyping FPGA approach[C]//2013 IEEE 59th Holm Conference on Electrical Contacts (Holm 2013), Newport, RI, USA, 2013: 1-6.

陈永辉, 熊兰, 范禹邑, 等. 基于互感器电压信号的光伏电弧故障检测方法[J]. 太阳能学报, 2021, 42(10): 68-75.

杨艺, 董爱华, 付永丽. 低压故障电弧检测概述[J]. 低压电器, 2009(5): 1-4, 27.

刘璇, 熊兰, 王韵, 等. 光伏电站串联型直流电弧的检测算法与保护实验研究[J]. 太阳能学报, 2022, 43(1): 348-355.

张杰, 马宏伟. 矿用高压开关柜的弧光监测与保护系统[J]. 电力系统保护与控制, 2013, 41(11): 141-145.

熊庆, 汲胜昌, 陆伟锋, 等. 低气压下串联直流电弧故障电磁辐射幅值及频率特性[J]. 中国电机工程学报, 2017, 37(4): 1071-1080.

王尧, 马桐桐, 赵宇初, 等. 基于电磁辐射时延估计的串联光伏直流电弧故障定位方法[J]. 电工技术学报, 2023, 38(8): 2233-2243.

王尧, 韦强强, 葛磊蛟, 等. 基于电弧电流高频分量的串联交流电弧故障检测方法[J]. 电力自动化设备, 2017, 37(7): 191-197.

PARISE G, MARTIRANO L, LAURINI M.Simplified arc-fault model: the reduction factor of the arc current[J]. IEEE transactions on industry applications, 2013, 49(4): 1703-1710.

吴建明, 杨广亮, 黄文涛. 开口式电流互感器在低压配电系统中的应用[J]. 电气技术, 2012, 13(8): 154-156.

MIRANDA V, KRSTULOVIC J, KEKO H, et al.Reconstructing missing data in state estimation with autoencoders[J]. IEEE transactions on power systems, 2012, 27(2): 604-611.

GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al.Generative adversarial nets[J]. Advances in neural information processing systems, 2014, 27: 2672-2680.

RADFORD A, METZ L, CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

ZHU J Y, PARK T, ISOLA P, et al.Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017: 2242-2251.

ARJOVSKY M, CHINTALA S, BOTTOU L.Wasserstein generative adversarial networks[C]//Proceedings of the 34th International Conference on Machine Learning, Sydney, Australia, 2017: 214-223.

YOON J, JARRETT D, VAN DER SCHAAR M. Time-series generative adversarial networks[J]. Advances in neural information processing systems, 2019, 32.

LIU G L, GU J J, ZHAO J H, et al.Super resolution perception for smart meter data[J]. Information sciences, 2020, 526: 263-273.

GU J, CHEN H, LIU G, et al. Super-resolution perception for industrial sensor data[J]. arXiv preprint arXiv:1809.06687, 2018.

杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2): 1-6, 26.

王鑫, 吴际, 刘超, 等. 基于LSTM循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报, 2018, 44(4): 772-784.

杨茂, 杨琼琼, 苏欣. 基于风电场等效平均风速的风电功率日前预测研究[J]. 太阳能学报, 2020, 41(2): 85-92.

张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.

陈亮, 王震, 王刚. 深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 电力信息与通信技术, 2017, 15(5): 8-11.

刘洋. 基于GRU神经网络的时间序列预测研究[D]. 成都: 成都理工大学, 2017.

赵兵, 王增平, 纪维佳, 等. 基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 电网技术, 2019, 43(12): 4370-4376.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

太阳能富集区光伏余电蓄热系统优化配置研究

光伏阵列拓扑结构在不同故障下的特性分析

基于蒙特卡洛法的光伏系统老化评估及发电量预测方法研究

Related Author

肖智睿

陈耀文

王登甲

高萌

樊建华

邓通

张彦

唐若笠

Related Institution

General Research Institute oj Non-ferrous Metals

上海电力学院上海200090

Shanghai University of Electric Power

北京交通大学电气工程学院北京 100044

School of Electrical Engineering, Beijing Jiaotong University

AI问答

⁰