光伏系統(tǒng)直流故障電弧識別方法研究

林方圓，蘇建徽，賴紀(jì)東

(合肥工業(yè)大學(xué)教育部光伏系統(tǒng)工程研究中心，安徽 合肥 230009)

光伏系統(tǒng)直流故障電弧識別方法研究

林方圓，蘇建徽，賴紀(jì)東

(合肥工業(yè)大學(xué)教育部光伏系統(tǒng)工程研究中心，安徽 合肥 230009)

故障電弧已成為引起光伏產(chǎn)品發(fā)生火災(zāi)的最常見原因，研究光伏系統(tǒng)中直流故障電弧特性及檢測方法對保障光伏系統(tǒng)運行的安全性和可靠性有重要意義。本文設(shè)計了光伏系統(tǒng)直流故障電弧測試系統(tǒng)，在光伏電池板不同的工作點下，采集不同電極間隙，不同位置處發(fā)生電弧時的電弧電壓、電流信號，在研究電弧特性基礎(chǔ)上，提取有利于故障電弧模式識別的電流信號的時頻特征，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障電弧的檢測。理論分析和實驗結(jié)果表明了該方法的可行性和有效性。

光伏系統(tǒng);直流電弧檢測;電弧特性;BP神經(jīng)網(wǎng)絡(luò)

1 引言

隨著光伏發(fā)電的大規(guī)模應(yīng)用，特別是光伏電池板在建筑物屋頂和外墻的大規(guī)模使用，多處多地發(fā)生了光伏系統(tǒng)火災(zāi)意外。對這類事故調(diào)查發(fā)現(xiàn)，多數(shù)電氣火災(zāi)的原因都指向故障電弧;故障電弧還可使裝置帶電，威脅操作人員安全［1，2］。為解決這些重要的安全問題，2011年美國電工法規(guī)?(NEC?)規(guī)定光伏系統(tǒng)中應(yīng)配備故障電弧檢測裝置與斷路器，美國保險商實驗室(UL)也推出了相應(yīng)的開發(fā)測試方法與機(jī)制［3］。

目前國內(nèi)外對光伏系統(tǒng)直流故障電弧識別方法的研究處于萌芽狀態(tài)，由于光伏系統(tǒng)中的直流電弧與交流電弧有很大不同，最明顯的就是直流電弧不存在因相位改變造成的間歇性周期現(xiàn)象且一旦發(fā)生不容易熄滅，基于電流波形的檢測方法不再適用［4］。直流電弧故障發(fā)生時間和地點難以確定，傳統(tǒng)依據(jù)電弧放電時伴隨的聲、光、電磁輻射現(xiàn)象判定電弧發(fā)生的方法過度依賴傳感器，檢測范圍有限，也不再適用［5，6］。一些研究者提出的針對電弧的一個或多個電氣特性進(jìn)行閾值檢測的方法易誤判［7］。本文在研究光伏系統(tǒng)直流故障電弧特性基礎(chǔ)上，綜合提取電弧發(fā)生時有明顯變化的時頻域特征，借助BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)與分類功能有效地進(jìn)行了光伏系統(tǒng)直流故障電弧的檢測。

2 光伏系統(tǒng)直流電弧實驗及特性分析

電弧分為串聯(lián)型和并聯(lián)型，當(dāng)一條有負(fù)載的電流導(dǎo)線在未預(yù)期的情況下扯斷或斷裂，在其斷裂處即會產(chǎn)生串聯(lián)故障電弧，如圖1所示，用S表示;當(dāng)一個未預(yù)期的路徑剛好通過兩個極性相反的導(dǎo)體之間，則在此路徑所發(fā)生的意外即為并聯(lián)故障電弧，如圖1所示，用 P表示［8］，接地故障電弧是一種并聯(lián)故障電弧的典型形態(tài)。

圖1 光伏系統(tǒng)直流故障電弧分類Fig．1 Different arc fault types in PV systems

2.1 光伏系統(tǒng)直流電弧實驗

現(xiàn)有的光伏發(fā)電系統(tǒng)利用的大多是長串的高壓直流光伏電源，而光伏電池系統(tǒng)又有成千上萬個接點，因此一般常見的起火源為串聯(lián)故障電弧［9］。由于直流電弧的隨機(jī)性和復(fù)雜性，尚無精確的電弧模型可以仿真電弧特性［10，11］，故本文直接通過實驗數(shù)據(jù)研究光伏系統(tǒng)直流串聯(lián)型故障電弧特性，實驗裝置示意圖如圖2所示。其中光伏電源是由12個單晶硅光伏組件組成的一個光伏組串，模塊參數(shù)如表1所示。

圖2 實驗裝置示意圖Fig．2 Schematic diagram of experimental device

表1 光伏電源參數(shù)Tab．1 Parameters of photovoltaic panels

數(shù)據(jù)采集和分析采用研華PCI-1742U采集卡配合上位機(jī)Labview軟件實現(xiàn)，采集卡具有多個16位高速高精度AD采樣通道，最高采樣率可達(dá)1MS/s，實驗中采樣頻率為200kHz，采樣時間為10s，該時間足以包含電弧發(fā)生到穩(wěn)定時的信息。電弧發(fā)生器采用與UL1699B標(biāo)準(zhǔn)相符的樣本，如圖3所示，銅電極直徑6mm，塑料管直徑略大，填充的鐵絨絲用來觸發(fā)電弧，兩者配合模擬實際光伏系統(tǒng)中發(fā)生在導(dǎo)線斷裂處或連接點接觸不良時的串聯(lián)電弧。實驗時一個電極固定，調(diào)整另一個移動電極產(chǎn)生固定電極間隙，在電路穩(wěn)定時斷開短路開關(guān)產(chǎn)生電弧，此過程為燃弧動作。

圖3 電弧發(fā)生裝置Fig．3 Arc generator device

為研究光伏電源輸出電壓電流不同時對直流電弧的影響，固定電極間隙，保持電弧發(fā)生位置不變，調(diào)整負(fù)載使光伏電源穩(wěn)定工作在不同電壓電流工作點，分別進(jìn)行燃弧動作，采集該過程電弧電壓和電流數(shù)據(jù)進(jìn)行分析［12］。為研究電弧特性與電極間隙的關(guān)系，在同一工作點，保持電弧發(fā)生位置不變，設(shè)置多個電極間隙進(jìn)行燃弧動作，獲取數(shù)據(jù)進(jìn)行分析［13］。為研究電弧特性與電弧發(fā)生位置的關(guān)系，在同一工作點，相同電極間隙條件下，在光伏電源內(nèi)不同組件之間連接的位置處進(jìn)行燃弧動作，獲取數(shù)據(jù)進(jìn)行分析;表2給出了光伏電源工作在A、B、C三個工作點時不同位置、不同間隙發(fā)生電弧時的典型實驗結(jié)果。圖4為電弧電壓和電流的典型波形。

表2 不同工作點下不同位置和不同間隙發(fā)生電弧時的數(shù)據(jù)結(jié)果Tab．2 Data results under different working point position and electrode gap

圖4 電弧電壓電流波形Fig．4 Waveforms of arc fault voltage and current

由于整個實驗電路為串聯(lián)，電弧電流即為回路電流，回路各處電流具有相同特征，而實際應(yīng)用中由于電弧發(fā)生的時間、位置具有不確定性，想通過檢測電弧電壓特性進(jìn)而進(jìn)行故障電弧的判定很困難。所以本實驗中重點對電弧發(fā)生時的電流變化進(jìn)行分析，并以電流的變化特征作為故障電弧檢測的依據(jù)［14］，而采集的電弧電壓信號只作為故障電弧發(fā)生時刻的參考點。

參照表2數(shù)據(jù)，通過大量的實驗數(shù)據(jù)分析可知，若光伏電源工作在小于最大功率點電壓Vmpp的區(qū)域內(nèi)，如圖5中A、B點所示，在發(fā)生電弧時，電流平均值幾乎不變;當(dāng)光伏電源工作點電壓在大于Vmpp的范圍內(nèi)如圖5中C點所示，在發(fā)生電弧時，電流平均值減小;同一工作點同一電極間隙，不同位置發(fā)生電弧時，電流平均值幾乎不變;同一工作點相同位置，不同電極間隙發(fā)生電弧時，電流平均值沒有明顯變化。而無論哪種情況下，在發(fā)生電弧時，電流波動加劇，在采集到的電流數(shù)據(jù)集上表現(xiàn)為數(shù)據(jù)的離散度增加即電流標(biāo)準(zhǔn)差σ變大，標(biāo)準(zhǔn)差是方差的算術(shù)平方根［15］，其計算公式為:

式中，x1，x2，…，xN為采樣值;μ為其平均值。故筆者認(rèn)為電流平均值突變時未必是故障電弧所致，可能是負(fù)載或電源工作點突變，不能作為電弧發(fā)生的依據(jù)，電流標(biāo)準(zhǔn)差可作為判定故障電弧發(fā)生的特征。

2.2 電流頻域特性分析

在2.1節(jié)實驗的基礎(chǔ)上對各種實驗條件下電弧發(fā)生前后采集到的電流信號應(yīng)用 FFT轉(zhuǎn)換到頻域進(jìn)行分析［16］。由于本實驗測量系統(tǒng)采樣頻率 fs= 200kHz，電流信號為實信號，經(jīng) FFT算法所得頻譜以頻率fs/2為界左右對稱，故只能對100kHz以下的頻率與幅值關(guān)系進(jìn)行研究。圖6和圖7分別給出了正常狀態(tài)下和電弧狀態(tài)下電流時域和頻域變化。

圖5 光伏電源工作點示意圖Fig．5 Work point schematic diagram of PV power

圖6 正常狀態(tài)下電流時頻特性圖Fig．6 Time-frequency of current under normal state

由圖6和圖7可見，電弧發(fā)生后，在時域上電流波動加劇，結(jié)合表2數(shù)據(jù)可知電流標(biāo)準(zhǔn)差明顯變大，在頻譜中1Hz～100kHz范圍內(nèi)的諧波幅值增加，即電弧發(fā)生時伴隨著電流頻域諧波分量的增加。

基于以上討論，筆者認(rèn)為電弧發(fā)生時電流時域標(biāo)準(zhǔn)差的改變和頻域諧波分量的增加可作為光伏系統(tǒng)直流故障電弧識別的指紋。由于電弧產(chǎn)生具有隨機(jī)性和不確定性，特征量的閾值難以確定，本文借助BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)與分類功能對電弧的發(fā)生進(jìn)行模式識別。

3 光伏系統(tǒng)直流電弧模式識別算法

本文采用的模式識別算法是通過大量樣本訓(xùn)練找出電弧與非電弧模式之間的差異進(jìn)行電弧識別的，可避免傳統(tǒng)電弧檢測法采用某個固定閾值大小判定電弧涉及到的可靠性問題。基于模式識別的電弧檢測程序流程如圖8所示。為了降低系統(tǒng)噪聲、開關(guān)切換、負(fù)載突變或其他誤動作引起的神經(jīng)網(wǎng)絡(luò)識別誤判率，在首次判定為故障電弧時，經(jīng)過一個50ms的延時再次啟動電弧檢測算法。

圖7 電弧狀態(tài)下電流時頻特性圖Fig．7 Time-frequency of current under arc fault state

圖8 電弧檢測流程算法Fig．8 Algorithm for detecting arc fault

3.1 特征向量空間選取

采集到的電流數(shù)據(jù)以移動時間窗的形式進(jìn)入神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，每個檢測周期中時間窗的長度為0.1s，即數(shù)據(jù)點數(shù)N=20000，經(jīng)過FFT處理后得到的頻譜數(shù)據(jù)量很大，不能直接作為神經(jīng)網(wǎng)絡(luò)的輸入信號，因為大量的輸入數(shù)據(jù)不僅會增加其規(guī)模，降低聚類性，達(dá)不到分類效果，而且延長電弧檢測周期［16］。為兼顧電弧檢測的準(zhǔn)確性與實時性，需要對特征向量空間進(jìn)行優(yōu)化。本文將時間窗內(nèi)的數(shù)據(jù)頻譜在歸一化頻率100kHz以下均分為5個頻段，每個頻段長度為20kHz，求取每個頻段內(nèi)諧波能量和Wj(j=1，2，…，5)，Wj用該頻段內(nèi)各頻率點處幅值的平方和表示，然后將Wj和標(biāo)準(zhǔn)差 σ作為模式識別輸入特征量，降低其維數(shù)。由數(shù)字信號處理知識［16］可知經(jīng) FFT后所得電流頻譜分辨率為 Δf=fs/N= 10Hz，諧波能量和Wj計算方法為:

式中，k次諧波頻率為 fk=kΔf，且20(j－1)kHz＜fk＜20jkHz;|A(fk)|表示在頻率點 fk處諧波分量幅值。最終選擇σ、W1～W5組成判別電弧發(fā)生的特征向量空間。

3.2 BP神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)在模式識別中應(yīng)用廣泛，是一種有監(jiān)督學(xué)習(xí)的多層前饋網(wǎng)絡(luò)。其主要思想是:輸入學(xué)習(xí)樣本，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成，最后保存網(wǎng)絡(luò)的權(quán)值和偏差［17］。BP神經(jīng)網(wǎng)絡(luò)隱含層和輸出層節(jié)點輸出模型分別為:

式中，φ、ψ為非線性作用函數(shù);θ、a為神經(jīng)單元閾值;w為神經(jīng)單元之間的權(quán)值。典型BP網(wǎng)絡(luò)結(jié)構(gòu)模型如圖9所示。

本電弧檢測方法中由6個特征量組成特征向量空間，則BP網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點設(shè)6個;輸出只有電弧或非電弧狀態(tài)中的一個模式，所以輸出層神經(jīng)元節(jié)點數(shù)為1;隱含層神經(jīng)元節(jié)點數(shù)設(shè)定是神經(jīng)網(wǎng)絡(luò)設(shè)計的關(guān)鍵，節(jié)點數(shù)過多會降低網(wǎng)絡(luò)訓(xùn)練的收斂速度，而節(jié)點數(shù)過少則會降低神經(jīng)網(wǎng)絡(luò)的容錯性，使得神經(jīng)網(wǎng)絡(luò)對樣本的識別能力下降，其節(jié)點數(shù)一般按式選?。?8］，其中，l表示隱含層神經(jīng)元節(jié)點數(shù)，n和m分別表示輸入、輸出神經(jīng)元節(jié)點數(shù)，a為經(jīng)驗常數(shù)，其大小在1～10之間。經(jīng)多次訓(xùn)練測試的結(jié)果表明，隱含層節(jié)點數(shù)為9時具有較好的訓(xùn)練速度和識別效果。

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig．9 BP neural network structure model

3.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試

BP神經(jīng)網(wǎng)絡(luò)需要通過樣本訓(xùn)練才具有孤島識別能力，考慮電弧檢測的實際效果，在2.1節(jié)實驗系統(tǒng)上，設(shè)計4種事件:①不同工作點時發(fā)生電弧，②不同電極間隙發(fā)生電弧，③不同位置發(fā)生電弧，④負(fù)載突變，進(jìn)行樣本采集;BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和樣本測試情況如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和樣本測試情況Tab．3 BP neural network training and testing

經(jīng)過訓(xùn)練和測試的神經(jīng)網(wǎng)絡(luò)可作為圖8電弧檢測算法中神經(jīng)網(wǎng)絡(luò)模式識別模塊應(yīng)用。調(diào)整負(fù)載使系統(tǒng)穩(wěn)定工作在圖5中B點，分別采集電弧發(fā)生和負(fù)載突增時的電流信號對電弧檢測算法進(jìn)行離線驗證。該算法模塊對電弧判定的結(jié)果分別如圖10和圖11所示。

由圖10可知，在0.4s時電流波動變大，方差變大，電弧發(fā)生，而在0.65s時電弧檢測算法給出電弧判定結(jié)果，電弧信號由0變?yōu)?，電弧檢出，電弧檢測所用時間僅為 0.25s，檢測速度很快，滿足UL1699B標(biāo)準(zhǔn)對電弧檢測時間的要求。

由圖11可知，在0.35s時電流突然變小，表明此時負(fù)載突增。電弧檢測模塊沒有發(fā)出電弧信號，即負(fù)載突然增加時沒有出現(xiàn)誤判。

圖10 電弧發(fā)生時檢測算法響應(yīng)結(jié)果Fig．10 Detection results when arc fault occurs

圖11 負(fù)載突增時檢測算法響應(yīng)結(jié)果Fig．11 Detection results when load suddenly increases

4 結(jié)論

本文搭建了電弧試驗系統(tǒng)，在分析光伏系統(tǒng)直流故障電弧特性的基礎(chǔ)上，針對串聯(lián)型電弧發(fā)生時電流信號時頻域特征的變化，研究了一種基于電流標(biāo)準(zhǔn)差和頻域頻段諧波能量特征的模式識別方法。該方法提取電流頻譜多個頻段諧波特征，既能有效捕獲電弧發(fā)生時區(qū)別于其他動作的頻域變化信息，又降低了模式識別特征向量空間的維數(shù)，增強(qiáng)了算法的聚類性和識別能力。為光伏系統(tǒng)直流電弧故障斷路器的研制提供了借鑒。

光伏陣列規(guī)模有大有小，負(fù)載可為逆變器、DC/ DC變換器和蓄電池等，影響故障電弧識別的因素很多［19］。本文只在一個光伏組串電源、純阻性負(fù)載條件下進(jìn)行初步實驗，且實驗數(shù)據(jù)有限，對電弧特性研究及神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不夠充分，所以后續(xù)工作還需要在各種類型光伏系統(tǒng)中進(jìn)一步測試。

［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］孫鵬，鄭志成，閆榮妮，等 (Sun Peng，Zheng Zhicheng，Yan Rongni，et al．)．采用小波熵的串聯(lián)型故障電弧檢測方法 (Detection method of arc fault in series with wavelet entropy)［J］．中國電機(jī)工程學(xué)報 (Proceedings of the CSEE)，2010，30(Suppl．):232-236．

［5］楊建紅，張 認(rèn)成，房懷 英 (Yang Jianhong，Zhang Rencheng，F(xiàn)ang Huaiying)．Lyapunov指數(shù)法在故障電弧早期探測中的應(yīng)用 (Early detecting of fault arcs using Lyapunov exponents)［J］．電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy)，2008，27(2):55-58．

［6］楊建紅，張 認(rèn)成，房懷 英 (Yang Jianhong，Zhang Rencheng，F(xiàn)ang Huaiying)．基于Duffing振子信號檢測的故障電弧短路監(jiān)測系統(tǒng) (Monitor system of arcing faults based on Duffing oscillator signal detection) ［J］．電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy)，2007，26(1):64-67．

［7］姚秀，汲 勝 昌， Luis Herrera，等 (Yao Xiu， Ji Shengchang，Luis Herrera，et al．)．串聯(lián)直流電弧特性及其在故障診斷中的應(yīng)用 (Series DC arc characteristic study and the application in fault recognition) ［J］．高壓電器 (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中隔離開關(guān)電弧模型對快速暫態(tài)過電壓的影響 (Influence of arcing model of GIS switching to VFTO)［J］．電工電能新技術(shù) (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］汲勝昌，劉源，朱葉葉，等 (Ji Shengchang，Liu Yuan，Zhu Yeye，et al．)．直流串聯(lián)電弧故障的檢測方法研究 (Study on the detection methods of DC series arc fault)［J］．高電壓技術(shù) (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)．?dāng)?shù)字信號處理 (Digital signal processing)［M］．西安:西安電子科技大學(xué)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］許國根，賈瑛 (Xu Guogen，Jia Ying)．模式識別與智能計算的MATLAB實現(xiàn) (Implementation of pattern recognition and intelligent computing with MATLAB)［M］．北京:北京航空航天大學(xué)出版社 (Beijing:Beihang University Press)，2012．

［18］傅蕓璇，趙紅 (Fu Yunxuan，Zhao Hong)．MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計 (Application of MATLAB neural network design) ［M］．北京:機(jī)械工業(yè)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

青海省光伏發(fā)電并網(wǎng)技術(shù)重點實驗室項目(2014-Z-Y34A)

林方圓 (1988-)，女，河南籍，碩士研究生，研究方向為光伏發(fā)電技術(shù);

蘇建徽 (1963-)，男，安徽籍，教授，博士生導(dǎo)師，研究方向為光伏發(fā)電技術(shù)。