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

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

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
- 基于Time-GAN的串联电弧电流超分辨率重建
- 太阳能学报 2025年第11期页码：260-271
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1199
  中图分类号： M616
- 网络出版：2025-12-04，
  
  纸质出版：2025-12-04
- 稿件说明：
移动端阅览
龙葵, 牟炜淇, 李秋惠, 等. 基于Time-GAN的串联电弧电流超分辨率重建[J]. 太阳能学报, 2025,(11):260-271.

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

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.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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