光伏系统直流故障电弧识别方法研究

林方圆，苏建徽，赖纪东

(合肥工业大学教育部光伏系统工程研究中心，安徽 合肥 230009)

光伏系统直流故障电弧识别方法研究

林方圆，苏建徽，赖纪东

(合肥工业大学教育部光伏系统工程研究中心，安徽 合肥 230009)

故障电弧已成为引起光伏产品发生火灾的最常见原因，研究光伏系统中直流故障电弧特性及检测方法对保障光伏系统运行的安全性和可靠性有重要意义。本文设计了光伏系统直流故障电弧测试系统，在光伏电池板不同的工作点下，采集不同电极间隙，不同位置处发生电弧时的电弧电压、电流信号，在研究电弧特性基础上，提取有利于故障电弧模式识别的电流信号的时频特征，通过BP神经网络进行故障电弧的检测。理论分析和实验结果表明了该方法的可行性和有效性。

光伏系统;直流电弧检测;电弧特性;BP神经网络

1 引言

随着光伏发电的大规模应用，特别是光伏电池板在建筑物屋顶和外墙的大规模使用，多处多地发生了光伏系统火灾意外。对这类事故调查发现，多数电气火灾的原因都指向故障电弧;故障电弧还可使装置带电，威胁操作人员安全［1，2］。为解决这些重要的安全问题，2011年美国电工法规®(NEC®)规定光伏系统中应配备故障电弧检测装置与断路器，美国保险商实验室(UL)也推出了相应的开发测试方法与机制［3］。

目前国内外对光伏系统直流故障电弧识别方法的研究处于萌芽状态，由于光伏系统中的直流电弧与交流电弧有很大不同，最明显的就是直流电弧不存在因相位改变造成的间歇性周期现象且一旦发生不容易熄灭，基于电流波形的检测方法不再适用［4］。直流电弧故障发生时间和地点难以确定，传统依据电弧放电时伴随的声、光、电磁辐射现象判定电弧发生的方法过度依赖传感器，检测范围有限，也不再适用［5，6］。一些研究者提出的针对电弧的一个或多个电气特性进行阈值检测的方法易误判［7］。本文在研究光伏系统直流故障电弧特性基础上，综合提取电弧发生时有明显变化的时频域特征，借助BP神经网络强大的学习与分类功能有效地进行了光伏系统直流故障电弧的检测。

2 光伏系统直流电弧实验及特性分析

电弧分为串联型和并联型，当一条有负载的电流导线在未预期的情况下扯断或断裂，在其断裂处即会产生串联故障电弧，如图1所示，用S表示;当一个未预期的路径刚好通过两个极性相反的导体之间，则在此路径所发生的意外即为并联故障电弧，如图1所示，用 P表示［8］，接地故障电弧是一种并联故障电弧的典型形态。

图1 光伏系统直流故障电弧分类Fig．1 Different arc fault types in PV systems

2.1 光伏系统直流电弧实验

现有的光伏发电系统利用的大多是长串的高压直流光伏电源，而光伏电池系统又有成千上万个接点，因此一般常见的起火源为串联故障电弧［9］。由于直流电弧的随机性和复杂性，尚无精确的电弧模型可以仿真电弧特性［10，11］，故本文直接通过实验数据研究光伏系统直流串联型故障电弧特性，实验装置示意图如图2所示。其中光伏电源是由12个单晶硅光伏组件组成的一个光伏组串，模块参数如表1所示。

图2 实验装置示意图Fig．2 Schematic diagram of experimental device

表1 光伏电源参数Tab．1 Parameters of photovoltaic panels

数据采集和分析采用研华PCI-1742U采集卡配合上位机Labview软件实现，采集卡具有多个16位高速高精度AD采样通道，最高采样率可达1MS/s，实验中采样频率为200kHz，采样时间为10s，该时间足以包含电弧发生到稳定时的信息。电弧发生器采用与UL1699B标准相符的样本，如图3所示，铜电极直径6mm，塑料管直径略大，填充的铁绒丝用来触发电弧，两者配合模拟实际光伏系统中发生在导线断裂处或连接点接触不良时的串联电弧。实验时一个电极固定，调整另一个移动电极产生固定电极间隙，在电路稳定时断开短路开关产生电弧，此过程为燃弧动作。

图3 电弧发生装置Fig．3 Arc generator device

为研究光伏电源输出电压电流不同时对直流电弧的影响，固定电极间隙，保持电弧发生位置不变，调整负载使光伏电源稳定工作在不同电压电流工作点，分别进行燃弧动作，采集该过程电弧电压和电流数据进行分析［12］。为研究电弧特性与电极间隙的关系，在同一工作点，保持电弧发生位置不变，设置多个电极间隙进行燃弧动作，获取数据进行分析［13］。为研究电弧特性与电弧发生位置的关系，在同一工作点，相同电极间隙条件下，在光伏电源内不同组件之间连接的位置处进行燃弧动作，获取数据进行分析;表2给出了光伏电源工作在A、B、C三个工作点时不同位置、不同间隙发生电弧时的典型实验结果。图4为电弧电压和电流的典型波形。

表2 不同工作点下不同位置和不同间隙发生电弧时的数据结果Tab．2 Data results under different working point position and electrode gap

图4 电弧电压电流波形Fig．4 Waveforms of arc fault voltage and current

由于整个实验电路为串联，电弧电流即为回路电流，回路各处电流具有相同特征，而实际应用中由于电弧发生的时间、位置具有不确定性，想通过检测电弧电压特性进而进行故障电弧的判定很困难。所以本实验中重点对电弧发生时的电流变化进行分析，并以电流的变化特征作为故障电弧检测的依据［14］，而采集的电弧电压信号只作为故障电弧发生时刻的参考点。

参照表2数据，通过大量的实验数据分析可知，若光伏电源工作在小于最大功率点电压Vmpp的区域内，如图5中A、B点所示，在发生电弧时，电流平均值几乎不变;当光伏电源工作点电压在大于Vmpp的范围内如图5中C点所示，在发生电弧时，电流平均值减小;同一工作点同一电极间隙，不同位置发生电弧时，电流平均值几乎不变;同一工作点相同位置，不同电极间隙发生电弧时，电流平均值没有明显变化。而无论哪种情况下，在发生电弧时，电流波动加剧，在采集到的电流数据集上表现为数据的离散度增加即电流标准差σ变大，标准差是方差的算术平方根［15］，其计算公式为:

式中，x1，x2，…，xN为采样值;μ为其平均值。故笔者认为电流平均值突变时未必是故障电弧所致，可能是负载或电源工作点突变，不能作为电弧发生的依据，电流标准差可作为判定故障电弧发生的特征。

2.2 电流频域特性分析

在2.1节实验的基础上对各种实验条件下电弧发生前后采集到的电流信号应用 FFT转换到频域进行分析［16］。由于本实验测量系统采样频率 fs= 200kHz，电流信号为实信号，经 FFT算法所得频谱以频率fs/2为界左右对称，故只能对100kHz以下的频率与幅值关系进行研究。图6和图7分别给出了正常状态下和电弧状态下电流时域和频域变化。

图5 光伏电源工作点示意图Fig．5 Work point schematic diagram of PV power

图6 正常状态下电流时频特性图Fig．6 Time-frequency of current under normal state

由图6和图7可见，电弧发生后，在时域上电流波动加剧，结合表2数据可知电流标准差明显变大，在频谱中1Hz～100kHz范围内的谐波幅值增加，即电弧发生时伴随着电流频域谐波分量的增加。

基于以上讨论，笔者认为电弧发生时电流时域标准差的改变和频域谐波分量的增加可作为光伏系统直流故障电弧识别的指纹。由于电弧产生具有随机性和不确定性，特征量的阈值难以确定，本文借助BP神经网络强大的学习与分类功能对电弧的发生进行模式识别。

3 光伏系统直流电弧模式识别算法

本文采用的模式识别算法是通过大量样本训练找出电弧与非电弧模式之间的差异进行电弧识别的，可避免传统电弧检测法采用某个固定阈值大小判定电弧涉及到的可靠性问题。基于模式识别的电弧检测程序流程如图8所示。为了降低系统噪声、开关切换、负载突变或其他误动作引起的神经网络识别误判率，在首次判定为故障电弧时，经过一个50ms的延时再次启动电弧检测算法。

图7 电弧状态下电流时频特性图Fig．7 Time-frequency of current under arc fault state

图8 电弧检测流程算法Fig．8 Algorithm for detecting arc fault

3.1 特征向量空间选取

采集到的电流数据以移动时间窗的形式进入神经网络进行识别，每个检测周期中时间窗的长度为0.1s，即数据点数N=20000，经过FFT处理后得到的频谱数据量很大，不能直接作为神经网络的输入信号，因为大量的输入数据不仅会增加其规模，降低聚类性，达不到分类效果，而且延长电弧检测周期［16］。为兼顾电弧检测的准确性与实时性，需要对特征向量空间进行优化。本文将时间窗内的数据频谱在归一化频率100kHz以下均分为5个频段，每个频段长度为20kHz，求取每个频段内谐波能量和Wj(j=1，2，…，5)，Wj用该频段内各频率点处幅值的平方和表示，然后将Wj和标准差 σ作为模式识别输入特征量，降低其维数。由数字信号处理知识［16］可知经 FFT后所得电流频谱分辨率为 Δf=fs/N= 10Hz，谐波能量和Wj计算方法为:

式中，k次谐波频率为 fk=kΔf，且20(j－1)kHz＜fk＜20jkHz;|A(fk)|表示在频率点 fk处谐波分量幅值。最终选择σ、W1～W5组成判别电弧发生的特征向量空间。

3.2 BP神经网络原理与结构设计

BP神经网络在模式识别中应用广泛，是一种有监督学习的多层前馈网络。其主要思想是:输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，最后保存网络的权值和偏差［17］。BP神经网络隐含层和输出层节点输出模型分别为:

式中，φ、ψ为非线性作用函数;θ、a为神经单元阈值;w为神经单元之间的权值。典型BP网络结构模型如图9所示。

本电弧检测方法中由6个特征量组成特征向量空间，则BP网络输入层神经元节点设6个;输出只有电弧或非电弧状态中的一个模式，所以输出层神经元节点数为1;隐含层神经元节点数设定是神经网络设计的关键，节点数过多会降低网络训练的收敛速度，而节点数过少则会降低神经网络的容错性，使得神经网络对样本的识别能力下降，其节点数一般按式选取［18］，其中，l表示隐含层神经元节点数，n和m分别表示输入、输出神经元节点数，a为经验常数，其大小在1～10之间。经多次训练测试的结果表明，隐含层节点数为9时具有较好的训练速度和识别效果。

图9 BP神经网络结构模型Fig．9 BP neural network structure model

3.3 神经网络训练和测试

BP神经网络需要通过样本训练才具有孤岛识别能力，考虑电弧检测的实际效果，在2.1节实验系统上，设计4种事件:①不同工作点时发生电弧，②不同电极间隙发生电弧，③不同位置发生电弧，④负载突变，进行样本采集;BP神经网络训练和样本测试情况如表3所示。

表3 BP神经网络训练和样本测试情况Tab．3 BP neural network training and testing

经过训练和测试的神经网络可作为图8电弧检测算法中神经网络模式识别模块应用。调整负载使系统稳定工作在图5中B点，分别采集电弧发生和负载突增时的电流信号对电弧检测算法进行离线验证。该算法模块对电弧判定的结果分别如图10和图11所示。

由图10可知，在0.4s时电流波动变大，方差变大，电弧发生，而在0.65s时电弧检测算法给出电弧判定结果，电弧信号由0变为1，电弧检出，电弧检测所用时间仅为 0.25s，检测速度很快，满足UL1699B标准对电弧检测时间的要求。

由图11可知，在0.35s时电流突然变小，表明此时负载突增。电弧检测模块没有发出电弧信号，即负载突然增加时没有出现误判。

图10 电弧发生时检测算法响应结果Fig．10 Detection results when arc fault occurs

图11 负载突增时检测算法响应结果Fig．11 Detection results when load suddenly increases

4 结论

本文搭建了电弧试验系统，在分析光伏系统直流故障电弧特性的基础上，针对串联型电弧发生时电流信号时频域特征的变化，研究了一种基于电流标准差和频域频段谐波能量特征的模式识别方法。该方法提取电流频谱多个频段谐波特征，既能有效捕获电弧发生时区别于其他动作的频域变化信息，又降低了模式识别特征向量空间的维数，增强了算法的聚类性和识别能力。为光伏系统直流电弧故障断路器的研制提供了借鉴。

光伏阵列规模有大有小，负载可为逆变器、DC/ DC变换器和蓄电池等，影响故障电弧识别的因素很多［19］。本文只在一个光伏组串电源、纯阻性负载条件下进行初步实验，且实验数据有限，对电弧特性研究及神经网络的训练不够充分，所以后续工作还需要在各种类型光伏系统中进一步测试。

［1］B Liu，S Duan，T Cai．Photovoltaic DC-building-module-based BIPV system— Concept and design considerations［J］．IEEE Transactions on Power Electronics，2011，26(5):1418-1429．

［2］Strobl C，Meckler P．Arc faults in photovoltaic systems［A］．2010 Proceedings of the 56th IEEE Holm Conference on Electrical Contacts(HOLM)［C］．Charleston，SC，USA，2010.1-7．

［3］Tim Zgonena，Liang Ji，Dave Dini．Photovoltaic DC arcfault circuit protection and UL Subject 1699B［A］．Photovoltaic Module Reliability Workshop［C］．Golden，CO，USA，2011.1-18．

［4］孙鹏，郑志成，闫荣妮，等 (Sun Peng，Zheng Zhicheng，Yan Rongni，et al．)．采用小波熵的串联型故障电弧检测方法 (Detection method of arc fault in series with wavelet entropy)［J］．中国电机工程学报 (Proceedings of the CSEE)，2010，30(Suppl．):232-236．

［5］杨建红，张 认成，房怀 英 (Yang Jianhong，Zhang Rencheng，Fang Huaiying)．Lyapunov指数法在故障电弧早期探测中的应用 (Early detecting of fault arcs using Lyapunov exponents)［J］．电工电能新技术 (Advanced Technology of Electrical Engineering and Energy)，2008，27(2):55-58．

［6］杨建红，张 认成，房怀 英 (Yang Jianhong，Zhang Rencheng，Fang Huaiying)．基于Duffing振子信号检测的故障电弧短路监测系统 (Monitor system of arcing faults based on Duffing oscillator signal detection) ［J］．电工电能新技术 (Advanced Technology of Electrical Engineering and Energy)，2007，26(1):64-67．

［7］姚秀，汲 胜 昌， Luis Herrera，等 (Yao Xiu， Ji Shengchang，Luis Herrera，et al．)．串联直流电弧特性及其在故障诊断中的应用 (Series DC arc characteristic study and the application in fault recognition) ［J］．高压电器 (High Voltage Apparatus)，2012，48(5):6-10．

［8］Johnson J，Montoya M，McCalmont S，et al．Differentiating series and parallel photovoltaic arc-faults［A］．2012 38th IEEE Photovoltaic Specialists Conference(PVSC)［C］．Austin，TX，USA，2012.720-726．

［9］Dini D A，Brazis P W，Yen K H．Development of arcfault circuit-interrupter requirements for photovoltaic systems［A］．2011 37th IEEE Photovoltaic Specialists Conference(PVSC)［C］．Seattle，WA，USA，2011.1790-1794．

［10］王娜，林莘，徐建源，等 (Wang Na，Lin Xin，Xu Jianyuan，et al．)．GIS中隔离开关电弧模型对快速暂态过电压的影响 (Influence of arcing model of GIS switching to VFTO)［J］．电工电能新技术 (Advanced Technology of Electrical Engineering and Energy)，2013，32(1):85-88．

［11］Meng Zhen，Wang Li，Sun Qiangang．The characteristics of DC arc faults current［A］．2013 15th European Conference on Power Electronics and Applications(EPE)［C］．2013.1-9．

［12］Yao Xiu，Luis Herrera，Ke Zou，et al．Characteristic study and time-domain discrete wavelet transform based hybrid detection of series DC arc faults［J］．IEEE Transactions on Power Electronics，2014，29 (6):3103-3115．

［13］汲胜昌，刘源，朱叶叶，等 (Ji Shengchang，Liu Yuan，Zhu Yeye，et al．)．直流串联电弧故障的检测方法研究 (Study on the detection methods of DC series arc fault)［J］．高电压技术 (High Voltage Engineering)，2013，39(9):2131-2137．

［14］M Naidu，T Schoepf，S Gopalakrishnan．Arc fault detection scheme for 42-V automotive DC networks using current shunt［J］．IEEE Transactions on Power Electronics，2006，21(3):633-638．

［15］高西全，丁玉美 (Gao Xiquan，Ding Yumei)．数字信号处理 (Digital signal processing)［M］．西安:西安电子科技大学出版社 (Xi’an:Xi’an Electronic and Science University Press)，2011．

［16］Momoh J A，Button R．Design and analysis of aerospace DC arcing faults using fast Fourier transformation and artificial neural network［A］．Power Engineering Society General Meeting［C］．2003.2:788-793．

［17］许国根，贾瑛 (Xu Guogen，Jia Ying)．模式识别与智能计算的MATLAB实现 (Implementation of pattern recognition and intelligent computing with MATLAB)［M］．北京:北京航空航天大学出版社 (Beijing:Beihang University Press)，2012．

［18］傅芸璇，赵红 (Fu Yunxuan，Zhao Hong)．MATLAB神经网络应用设计 (Application of MATLAB neural network design) ［M］．北京:机械工业出版社 (Beijing:China Machine Press)，2010．

［19］Jay Johnson，Birger Pahl，Charles Luebke，et al．Photovoltaic DC arc fault detector testing at Sandia National Laboratories［A］．2011 37th IEEE Photovoltaic Specialists Conference［C］．Seattle，WA，USA，2011.19-24．

Study on detection method of DC arc fault in PV systems

LIN Fang-yuan，SU Jian-hui，LAI Ji-dong
(Research Center of Photovoltaic Systems Engineering of Ministry of Education，Hefei University of Technology，Hefei 230009，China)

Arc fault has been the main reason for causing fire in the photovoltaic products．Understanding the behaviors and finding a method to detect the DC arc fault are of great importance to ensure the safety and reliability of the PV systems．In this paper，an arc fault testing device was designed．A variety of tests were conducted in order to study the influence of different factors to the arc fault by measuring the voltage and current of the DC arc fault，such as putting the photovoltaic panels under different working points to study the relations between the arc fault and the working points，setting a series of gas length of the electrodes to study the influence on the current of arc fault，setting the arc fault occurring at various locations etc．Then based on the experiment results，features of the current both in the time and frequency domain were extracted as fingerprint recognition for the artificial neural network to detect the arc fault．Analysis and experimental results show this method is workable．

PV systems;DC arc fault detection;arc fault features;BP neural network

TM315

:A

:1003-3076(2015)12-0007-07

2014-09-25

青海省光伏发电并网技术重点实验室项目(2014-Z-Y34A)

林方圆 (1988-)，女，河南籍，硕士研究生，研究方向为光伏发电技术;

苏建徽 (1963-)，男，安徽籍，教授，博士生导师，研究方向为光伏发电技术。