基于注意力機(jī)制優(yōu)化電弧特征的光伏直流電弧故障檢測方法

摘"要：光伏系統(tǒng)中，因絕緣老化或接線松動(dòng)而出現(xiàn)的直流串聯(lián)電弧故障極易引發(fā)電氣火災(zāi)。因此，光伏系統(tǒng)必須安裝電弧故障檢測裝置，而其易因陰影遮擋和逆變器啟動(dòng)引發(fā)的直流側(cè)高頻噪聲而誤跳閘。將注意力機(jī)制和一維卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于注意力權(quán)重優(yōu)化電弧特征的電弧故障檢測方法。通過可視化電弧特征貢獻(xiàn)權(quán)重，提取8～18 kHz和28～38 kHz電弧關(guān)鍵特征頻段，并剔除8～23 kHz頻段中的干擾特征頻段。經(jīng)驗(yàn)證，使用關(guān)鍵電弧特征訓(xùn)練的電弧故障檢測模型可以成功避免陰影遮擋和逆變器啟動(dòng)過程帶來的誤動(dòng)，最終使電弧檢測準(zhǔn)確率提高到99.33%。

關(guān)鍵詞： 串聯(lián)電弧故障; 卷積神經(jīng)網(wǎng)絡(luò); 注意力機(jī)制; 電弧故障識(shí)別; 光伏系統(tǒng)

中圖分類號(hào)： TM501+.2

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 2095-8188（2024）08-0050-07

DOI： 10.16628/j.cnki.2095-8188.2024.08.007

Photovoltaic DC Arc Fault Detection Method Based on Attention Mechanism Optimizing Arc Characteristics

XIE Zhenhua1，2，3，"LIU Yuying4，"HOU Linming1，2，3，"WANG Yao4，"ZHOU Jiawang4，"SHENG Dejie4

（1.Zhejiang Testing amp; Inspection Institute for Mechanical and Electrical Products Quality Co.，Ltd.， Hangzhou 310000， China;

2.Intelligent Electrical Testing and Testing Technology Zhejiang Engineering Research Center， Hangzhou 310051， China;

3.Key Laboratory of Low Voltage Apparatus Intelligentization and New Energy Application of Zhejiang Province， Hangzhou 310051， China;

4.State Key Laboratory of Reliability and Intelligence of Electrical Equipment，Hebei University of Technology， Tianjin 300401， China）

Abstract：

The DC series arc fault in photovoltaic systems caused by insulation aging or loose wiring is highly prone to electrical fires.Therefore，the arc fault detection devices must be installed in photovoltaic systems.However，the arc fault detection devices easily malfunction due to DC-side high-frequency noise caused by shadow occlusion and inverter startup.A novel arc fault detection method is proposed based on attention weight screening of arc features by combining the attention mechanism with the 1d convolutional neural network.By visualizing the contribution weight of arc features，the critical feature bands of 8～18 kHz and 28～38 kHz are extracted，and the interference arc features bands in the 8～23 kHz frequency band are removed.It has been verified that the arc fault detection model trained with the key arc features can successfully avoid the 1 activation caused by shadow occlusion and inverter startup，and the an arc detection accuracy of 99.33%is ultimately achieved.

Key words：

series arc fault; convolutional neural network; attention mechanism; arc fault recognition; photovoltaic system

0"引"言

隨著全球氣候變暖所引發(fā)的海平面上升等危害日益嚴(yán)峻，“碳達(dá)峰”和“碳中和”成為全球發(fā)展目標(biāo)。為減少二氧化碳排放量，人們需要擺脫對(duì)化石燃料的依賴。光伏發(fā)電的能量來自太陽能，在發(fā)電過程中造成環(huán)境污染小，且發(fā)電量可觀，因此成為分布式電力系統(tǒng)的重要組成部分［1］。光伏系統(tǒng)直流電弧故障會(huì)產(chǎn)生20 000 K的高溫，極易引發(fā)電氣火災(zāi)，這使得電弧故障成為光伏系統(tǒng)安全的主要威脅［2］。

根據(jù)電弧燃燒時(shí)產(chǎn)生的光、熱和電磁輻射等物理現(xiàn)象可以檢測電弧故障［3-5］。但是，基于電弧物理特征的電弧檢測方法易受周圍環(huán)境噪聲的干擾，無法大范圍應(yīng)用。

基于電弧電流信號(hào)的電弧故障檢測方法主要根據(jù)電弧電流的時(shí)頻域特征設(shè)置故障檢測閾值［6-10］。牟龍華等［10］利用快速傅里葉變換提取光伏發(fā)電系統(tǒng)直流電弧故障的特征頻率，再利用特征頻帶選定最優(yōu)小波函數(shù)，分別提出基于電弧電流最大值、小波系數(shù)方差和模極大值的檢測判據(jù)?；陔娀‰娏鲿r(shí)頻域特征的檢測方法，依賴人為設(shè)定的電弧故障識(shí)別閾值。閾值設(shè)置過大會(huì)降低電弧故障識(shí)別準(zhǔn)確率，閾值設(shè)置過小又易使電弧故障保護(hù)裝置誤動(dòng)。

為解決電弧檢測閾值依賴人為經(jīng)驗(yàn)的問題，許多學(xué)者使用人工智能的方法識(shí)別電弧故障［11-14］。文獻(xiàn)［14］使用時(shí)頻域特征網(wǎng)絡(luò)提取電源側(cè)電流特征，結(jié)合長短期記憶神經(jīng)網(wǎng)絡(luò)捕捉特征中的動(dòng)態(tài)時(shí)變特征，最后使用全連接網(wǎng)絡(luò)實(shí)現(xiàn)提取特征與預(yù)測輸出之間的映射關(guān)系，從而有效識(shí)別串聯(lián)直流電弧故障。使用人工智能方法進(jìn)行電弧故障識(shí)別前，需要將人工提取的電弧特征作為機(jī)器學(xué)習(xí)算法的輸入?yún)⒘?，電弧特征的選取直接決定了機(jī)器學(xué)習(xí)算法的最終準(zhǔn)確率［15］。目前，機(jī)器學(xué)習(xí)方法的特征選擇主要基于現(xiàn)場經(jīng)驗(yàn)，不能保證選取的電弧特征與所用人工智能算法相匹配，導(dǎo)致電弧檢測算法在逆變器啟動(dòng)等工況容易誤動(dòng)。

為解決電弧特征選取問題，本文提出了一種基于注意力權(quán)重自動(dòng)提取電弧特征的電弧故障檢測方法，通過提取算法內(nèi)嵌的注意力權(quán)重選擇關(guān)鍵電弧特征，剔除不敏感的冗余特征進(jìn)行電弧故障識(shí)別，并進(jìn)行抗干擾測試，結(jié)果表明了所提方法的有效性。

1"電弧故障實(shí)驗(yàn)數(shù)據(jù)采集與特征分析

1.1"實(shí)驗(yàn)平臺(tái)

為采集電弧故障電流數(shù)據(jù)，根據(jù)美國UL 1699B2018《光伏直流電弧故障保護(hù)電器》標(biāo)準(zhǔn)搭建試驗(yàn)平臺(tái)。光伏直流電弧故障試驗(yàn)平臺(tái)如圖1所示。該平臺(tái)由光伏陣列模擬電源、電弧發(fā)生器和逆變器負(fù)載組成。UL 1699B2018規(guī)定，當(dāng)以光伏陣列模擬電源為試驗(yàn)線路電源時(shí)，為避免電源噪聲或其他線路影響系統(tǒng)信號(hào)，需要設(shè)置解耦網(wǎng)絡(luò)以消除干擾。光伏陣列線路阻抗網(wǎng)絡(luò)用來模擬光伏陣列以及線路阻抗對(duì)電弧特性衰減作用。光伏直流電弧故障試驗(yàn)平臺(tái)線路阻抗參數(shù)如表1所示。

為使電弧故障檢測算法部署于嵌入式端，使用電流互感器采集電弧電流信號(hào)，其位置如圖1。信號(hào)采集電路主要為了采集線路電流中的電弧特征信號(hào)。電弧特征信號(hào)的頻率主要分布在100 kHz以下，根據(jù)奈奎斯特定理，信號(hào)采樣率需大于信號(hào)頻率的2倍，設(shè)置系統(tǒng)采樣率為250 kS/s。為滿足電弧采樣帶寬，采集線路選用寧波希磁STK-CTS/P5電流互感器，STK-CTS/P5帶寬為500 kHz，可以滿足電弧信號(hào)采集要求。根據(jù)UL 1699B2018中光伏電弧試驗(yàn)項(xiàng)目規(guī)定，光伏直流電弧故障試驗(yàn)條件如表2所示。

1.2"數(shù)據(jù)處理

光伏電池易受光照強(qiáng)度和溫度的影響，其電流信號(hào)隨機(jī)性強(qiáng)，無周期性特征。發(fā)生電弧故障與系統(tǒng)正常工作時(shí)，電流信號(hào)僅靠時(shí)域特征難以分辨，因此需要對(duì)電弧電流進(jìn)行頻域特征分析。

離散傅里葉變換（DFT）可以在頻域中離散化直流電弧故障電流信號(hào)。DFT可以將直流電弧故障信號(hào)通過時(shí)間窗分割成幾個(gè)長度相等的小信號(hào)，從而有效區(qū)分電弧和非電弧特征。

假設(shè)信號(hào)x（n）為一個(gè)長度為N的有限長序列。使用離散傅里葉變換對(duì)信號(hào)x（n）進(jìn)行分析，得到的X（k）仍為長度為N的有限長序列，變換過程可表示為

X（k）=∑N-1n=0x（n）e-j2πNkn=""""""""∑N-1n=0x（n）WknN，"k∈［0，N-1］（1）

為準(zhǔn)確分析采集到的電弧電流信號(hào)，在頻域特征分析之前，需要將數(shù)據(jù)劃分為特定大小的時(shí)間窗口。如果時(shí)間窗口太小，雖然頻譜結(jié)果的時(shí)間分辨率更好，但可能會(huì)使硬件處理器的計(jì)算能力過載;如果時(shí)間窗口太大，將給處理器帶來很大壓力，并影響其在時(shí)域中的分辨率，可能會(huì)降低檢測方案的實(shí)時(shí)性能。為平衡電弧檢測任務(wù)的實(shí)時(shí)要求和電弧特性在頻域中的分辨率，結(jié)合文獻(xiàn)［16］中AR模型分析，本文選擇的時(shí)間窗口為10 ms。最終根據(jù)上述方法制作電弧電流數(shù)據(jù)庫。電弧數(shù)據(jù)庫樣本信息如表3所示。電弧電流數(shù)據(jù)庫分為4個(gè)電流等級(jí)：3.0 A、8.0 A、8.5 A和15.0 A，共13 000條數(shù)據(jù)。

1.3"電弧特征分析

電弧故障特征頻帶的選擇對(duì)于電弧故障識(shí)別至關(guān)重要［15-17］。電弧和正常狀態(tài)電流頻譜對(duì)比如圖2所示，光伏系統(tǒng)電弧故障特征信號(hào)主要分布在3～125 kHz頻率范圍內(nèi)。然而，在20 kHz之后的頻率范圍內(nèi)，電弧狀態(tài)和正常操作狀態(tài)的能譜在某些頻帶中具有高度混疊。混疊頻帶的能譜對(duì)于電弧故障識(shí)別貢獻(xiàn)小，甚至可能降低電弧檢測算法的精度。因此，需要從3～125 kHz電弧特征中提取有利于電弧故障識(shí)別的關(guān)鍵電弧特征。

雖然在30 kHz之前頻段的能量譜中，電弧和正常狀態(tài)可以通過幅值的大小來進(jìn)行區(qū)分，但是系統(tǒng)中的干擾使得閾值難以設(shè)置，并且卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的是信號(hào)變化規(guī)律而不是信號(hào)大小，因此無法直接通過能量譜幅值準(zhǔn)確地進(jìn)行電弧故障識(shí)別和選取電弧故障關(guān)鍵特征頻段。

2"電弧故障檢測算法原理

2.1"一維卷積神經(jīng)網(wǎng)絡(luò)原理

卷積神經(jīng)網(wǎng)絡(luò)是以卷積計(jì)算為主要手段，具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于自然語言處理、圖像識(shí)別和目標(biāo)檢測等各項(xiàng)任務(wù)，具有良好的學(xué)習(xí)能力［18-20］。

卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和激活函數(shù)組成，由多層卷積組成的特征提取層通過多次前向傳播和反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)。在前向傳播過程中，輸入特征通過卷積層并由每層的激活函數(shù)產(chǎn)生輸出特征;在反向傳播過程中，通過誤差函數(shù)計(jì)算輸出和訓(xùn)練標(biāo)簽的誤差，并將誤差函數(shù)反向傳遞回各層，最終通過梯度下降公式更新網(wǎng)絡(luò)參數(shù)。如果一維卷積向量f的長度為l，卷積核k的長度為r，則第i個(gè)卷積中第j個(gè)卷積核的結(jié)果（f×k）可表示為

（f×K）（i）=∑rj=1k（j）fi-j+r2（2）

激活函數(shù)ReLU可表示為

ReLU（x）=Max（0，x）（3）

交叉熵?fù)p失函數(shù)可表示為

Categorical Cross Entropy=-1N∑jyj·log（y^j）（4）

式中："N——訓(xùn)練數(shù)據(jù)總數(shù);

yj——訓(xùn)練樣本真實(shí)標(biāo)簽;

y^j——網(wǎng)絡(luò)預(yù)測標(biāo)簽。

2.2"注意力機(jī)制原理

注意力機(jī)制不僅可以模擬人眼聚焦功能，使網(wǎng)絡(luò)模型更加關(guān)注關(guān)鍵特征;而且可以幫助模型選擇有效、適當(dāng)規(guī)模的特征，進(jìn)而讓模型有效、高效地完成任務(wù)［21］。將注意力機(jī)制引入電弧故障識(shí)別模型，在識(shí)別電弧故障時(shí)可以可視化模型電弧特征貢獻(xiàn)權(quán)重，最終完成電弧關(guān)鍵特征頻段的提取。電弧故障識(shí)別模型引入的注意力模塊如圖3所示。

首先通過全連接層獲得輸入x的原始計(jì)算分值E，表達(dá)式為

E=wx+b（5）

然后利用softmax函數(shù)將原始計(jì)算分值E整理成所有元素之和為1的權(quán)重W，表達(dá)式為

W=exp（ei）∑Ti=1exp（ei）（6）

最后將原始輸入x與權(quán)重W相乘，得到注意力模塊輸出y，表達(dá)式為

y=Wx（7）

2.3"基于注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)的電弧故障識(shí)別模型

為使電弧識(shí)別模型更準(zhǔn)確地提取電弧特征，首先把數(shù)據(jù)輸入注意力模塊中，再把由注意力模塊處理后的特征輸入一維卷積、最大池化層以及全連接層。本文提出的電弧故障識(shí)別模型如圖4所示。該模型由1個(gè)注意力模塊、3個(gè)一維卷積層、3個(gè)最大池化層和3個(gè)全連接層組成。注意力模塊由全連接層和乘積層組成，輸入數(shù)據(jù)會(huì)經(jīng)過一個(gè)激活函數(shù)為softmax的全連接層獲取每個(gè)輸入點(diǎn)的權(quán)重，再經(jīng)過乘積層將原始輸入數(shù)據(jù)與全連接層得到的權(quán)重相乘，最終得到經(jīng)過注意力的電弧特征。注意力模塊輸出的數(shù)據(jù)傳遞給卷積層，每個(gè)卷積層后執(zhí)行ReLU操作且連接一個(gè)最大池化層。第1個(gè)和第3個(gè)卷積層各擁有96個(gè)濾波器，第2個(gè)卷積層擁有128個(gè)濾波器。卷積層的濾波器大小都為5×1，最大池化層大小為2×1，步長為1。在最后的最大池化層之后執(zhí)行Flatten操作將數(shù)據(jù)降維，在Flatten操作后神經(jīng)元數(shù)量分別為64、32和2的3個(gè)全連接層。輸出層為分類層，2個(gè)神經(jīng)元分別對(duì)應(yīng)光伏系統(tǒng)的電弧和正常運(yùn)行狀態(tài)，并使用softmax函數(shù)將分?jǐn)?shù)轉(zhuǎn)化為總和為1的概率，取概率大的那一類作為最終分類狀態(tài)。

3"基于注意力權(quán)重的電弧特征選取

3.1"電弧檢測模型結(jié)果分析

訓(xùn)練電弧檢測模型時(shí)，使用自適應(yīng)學(xué)習(xí)率策略，設(shè)置訓(xùn)練epochs為200，batch size為100，初始學(xué)習(xí)率為0.000 01。電弧故障檢測模型輸出混淆矩陣如圖5所示。結(jié)果表明，電弧故障檢測模型識(shí)別電弧故障的精確率為98.08%，驗(yàn)證了電弧故障檢測模型可以勝任電弧故障識(shí)別任務(wù)。

線路阻抗中的電感會(huì)衰減電流信號(hào)的高頻分量，選取的部分?jǐn)?shù)據(jù)集電弧故障高頻特征微弱，甚至小于系統(tǒng)正常工作狀態(tài)下電流頻譜幅值，導(dǎo)致無電弧故障時(shí)模型誤判為電弧故障。無電弧故障誤判頻譜如圖6所示。

3.2"基于可解釋性的關(guān)鍵頻段選取

光伏系統(tǒng)電弧特征頻帶的選擇對(duì)于電弧故障識(shí)別至關(guān)重要［6］。由圖2可知，光伏系統(tǒng)電弧故障特征信號(hào)主要分布在3～125 kHz頻率范圍內(nèi)，在20 kHz之后的頻率范圍內(nèi)，電弧狀態(tài)、正常操作狀態(tài)、逆變器啟動(dòng)和陰影遮擋4種工況能量譜在某些頻帶高度混疊?；殳B頻帶能量譜對(duì)電弧故障檢測模型決策無積極作用，甚至可能降低模型的精度。因此，需要從3～125 kHz全頻段電弧特征中提取對(duì)電弧故障識(shí)別模型決策過程貢獻(xiàn)權(quán)重高的關(guān)鍵電弧特征頻段。

電弧故障識(shí)別模型引入的注意力機(jī)制，可以可視化電弧識(shí)別模型決策時(shí)電弧特征貢獻(xiàn)權(quán)重［22-23］。根據(jù)電弧特征頻段的注意力權(quán)重，可以分析不同電弧特征頻段對(duì)模型決策過程的貢獻(xiàn)，提取對(duì)模型決策過程重要的關(guān)鍵電弧故障特征，剔除易受干擾影響的干擾特征頻段。

為分析電弧特征頻段的重要性，用重采樣法將3～125 kHz頻段以5 kHz為步長，以10 kHz為窗口，分成24個(gè)10 kHz大小的子頻段，并計(jì)算每個(gè)子頻段內(nèi)的注意力權(quán)重之和。正常工況特征注意力權(quán)重如圖7所示;電弧工況特征注意力權(quán)重如圖8所示。由圖7和圖8可知，電弧故障識(shí)別模型在識(shí)別電弧數(shù)據(jù)時(shí)，主要關(guān)注8～18 kHz子頻段能量譜特征;在識(shí)別正常工況數(shù)據(jù)時(shí)，在關(guān)注8～18 kHz子頻段的同時(shí)，還會(huì)關(guān)注28～38 kHz子頻段的能量譜特征。并且，電弧故障數(shù)據(jù)的關(guān)鍵特征主要集中在23 kHz以下，而正常工況的關(guān)鍵特征則分布在更廣泛的范圍內(nèi)。因此，為提高電弧故障識(shí)別準(zhǔn)確率，提取電弧數(shù)據(jù)最高權(quán)重子頻段8～18 kHz和無弧數(shù)據(jù)重要權(quán)重子頻段28～38 kHz作為聯(lián)合能量譜特征頻段，并重新訓(xùn)練電弧故障識(shí)別模型。

3.3"基于電弧關(guān)鍵特征的識(shí)別結(jié)果驗(yàn)證

根據(jù)3.2節(jié)分析，以8～18 kHz和28～38 kHz頻段為電弧關(guān)鍵特征頻段，并作為電弧故障識(shí)別模型輸入數(shù)據(jù)，重新處理電弧數(shù)據(jù)制作電弧數(shù)據(jù)庫。使用關(guān)鍵電弧特征數(shù)據(jù)庫訓(xùn)練電弧故障檢測模型，并使用測試集對(duì)其進(jìn)行準(zhǔn)確率驗(yàn)證。模型輸出的測試集混淆矩陣如圖9所示。為了評(píng)估模型性能，計(jì)算模型識(shí)別準(zhǔn)確率、召回率以及精確率。由圖5和圖9實(shí)驗(yàn)結(jié)果對(duì)比可知，基于注意力權(quán)重提取的電弧關(guān)鍵特征頻段電弧故障識(shí)別模型準(zhǔn)確率提升到99.33%，大幅提高了電弧故障識(shí)別模型效果。

3.4"抗干擾測試

光伏電站一般安裝在屋頂開放環(huán)境，陰影遮擋光伏板和逆變器的啟動(dòng)過程會(huì)使直流側(cè)電流波動(dòng)，進(jìn)而造成光伏電弧檢測誤判。每種情況都取200組樣本組成測試集進(jìn)行測試?？垢蓴_測試驗(yàn)證結(jié)果如表4所示。由測試結(jié)果可知，基于電弧關(guān)鍵特征的優(yōu)化模型可以避免上述2種干擾。特征優(yōu)化前的電弧檢測模型在逆變器啟動(dòng)干擾測試中，有5組數(shù)據(jù)發(fā)生誤判，導(dǎo)致準(zhǔn)確率只有97.5%。這是因?yàn)殡m然逆變器啟動(dòng)和陰影遮擋都

會(huì)改變光伏系統(tǒng)直流側(cè)電流大小，而電流在時(shí)域上的突變也會(huì)影響其頻域特征，使得干擾特征與電弧特征重疊，最終導(dǎo)致網(wǎng)絡(luò)模型誤判。相比于陰影遮擋，逆變器啟動(dòng)期間電流變化更快，并且逆變器中的電力電子器件也會(huì)產(chǎn)生開關(guān)噪聲從而影響電弧故障的識(shí)別，使得沒有經(jīng)過特征優(yōu)化的電弧檢測模型對(duì)逆變器啟動(dòng)過程的抗干擾能力不強(qiáng)?；谧⒁饬?quán)重優(yōu)化后的電弧關(guān)鍵特征頻段針對(duì)網(wǎng)絡(luò)模型選取對(duì)電弧識(shí)別貢獻(xiàn)最大的特征頻段，避開干擾頻段，提高抗干擾能力。

3.5"與其他神經(jīng)網(wǎng)絡(luò)模型對(duì)比

為進(jìn)一步驗(yàn)證基于注意力權(quán)重提取電弧關(guān)鍵特征頻段和本文提出的加入注意力機(jī)制的一維卷積電弧故障檢測模型準(zhǔn)確率，采用模型層數(shù)和規(guī)模相近的全連接神經(jīng)網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)2種神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。不同電弧檢測模型準(zhǔn)確率對(duì)比如圖10所示。由驗(yàn)證結(jié)果可知，使用電弧關(guān)鍵特征訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率普遍高于使用原始數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，因此基于注意力權(quán)重提取電弧關(guān)鍵特征頻段可以更好地表示電弧故障。本文提出的加入注意力機(jī)制的一維卷積電弧故障檢測模型在卷積的基礎(chǔ)上加入了注意力機(jī)制，使得神經(jīng)網(wǎng)絡(luò)可以更好地專注于有效特征，準(zhǔn)確率高于普通的卷積神經(jīng)網(wǎng)絡(luò)。

4"結(jié)"語

本文提出了一種基于注意力機(jī)制的電弧故障識(shí)別模型和基于注意力機(jī)制權(quán)重篩選電弧關(guān)鍵特征頻段的特征選擇方法，可以解決電弧故障特征提取困難問題。主要研究成果如下：

（1） 根據(jù)UL 1699B2018標(biāo)準(zhǔn)搭建了光伏電弧故障試驗(yàn)平臺(tái)，采集了光伏系統(tǒng)不同工況下的電流數(shù)據(jù)，并使用離散傅里葉變換對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，建立了光伏直流電弧故障數(shù)據(jù)庫。

（2） 搭建了基于注意力機(jī)制的電弧故障識(shí)別模型，該模型嵌入的注意力機(jī)制可使神經(jīng)網(wǎng)絡(luò)專注于電弧有效特征，并且可依據(jù)注意力權(quán)重篩選電弧關(guān)鍵特征頻段，解決了電弧特征選取問題。

（3） 電弧故障檢測模型準(zhǔn)確率和抗干擾實(shí)驗(yàn)驗(yàn)證結(jié)果表明，使用電弧關(guān)鍵特征頻段訓(xùn)練的網(wǎng)絡(luò)模型可以有效避免光影遮擋和逆變器啟動(dòng)過程干擾，識(shí)別準(zhǔn)確率可達(dá)99.33%，高于相同層數(shù)和參數(shù)規(guī)模的其他深度學(xué)習(xí)模型的識(shí)別準(zhǔn)確率。

【參 考 文 獻(xiàn)】

［1］"LU S B， PHUNG B T， ZHANG D M.A comprehensive review on DC arc faults and their diagnosis methods in photovoltaic systems［J］.Renewable and Sustainable Energy Reviews，2018，89（3）：88-98.

［2］"吳春華，徐文新，李智華，等.光伏系統(tǒng)直流側(cè)電弧故障危害分析及保護(hù)策略［J］.太陽能學(xué)報(bào)，2020，41（9）：198-206.

［3］"ZHAO S L， ZHANG Y F， ZHAO Y， et al.Measurement and analysis method of electromagnetic signals for DC arcing fault［C］//2017 4th International Conference on Electric Power Equipment-Switching Technology （ICEPE-ST）2017：833-836.

［4］"熊慶，汲勝昌，陸偉鋒，等.低氣壓下串聯(lián)直流電弧故障電磁輻射幅值及頻率特性［J］.中國電機(jī)工程學(xué)報(bào)，2017，37（4）：1071-1079.

［5］"藍(lán)會(huì)立，張認(rèn)成.基于小波分析的電弧故障伴生弧聲特征提?。跩］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2008，20（4）：57-62.

［6］"王堯，田明，謝振華，等.基于電流相似度與高頻能量的串聯(lián)電弧故障檢測方法［J］.電測與儀表，2022，59（6）：158-165.

［7］"李欣，李奎秀，李新宇，等.變分模態(tài)分解融合特征熵的直流微電網(wǎng)電弧檢測［J/OL］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，1-10［2024-06-05］.https：//doi.org/10.19635/j.cnki.csu-epsa.001451.

［8］"白輝，許志紅.基于小波包變換和高階累積量的電弧故障識(shí)別方法［J］.電力自動(dòng)化設(shè)備，2020，40（11）：195-202，224，203.

［9］"DHAR S， PATNAIK R K， DASH P K.Fault detection and location of photovoltaic based DC microgrid using differential protection strategy［J］.IEEE Transactions on Smart Grid，2018，9（5）：4303-4312．

［10］"牟龍華，王伊健，蔣偉，等.光伏系統(tǒng)直流電弧故障特征及檢測方法研究［J］.中國電機(jī)工程學(xué)報(bào)，2016，36（19）：5236-5244．

［11］"朱海.基于鯨魚優(yōu)化算法改進(jìn)隨機(jī)森林的電弧故障檢測方法［J］.電器與能效管理技術(shù)，2024（2）：21-27，55.

［12］"金翠，劉洋，李琦，等.基于CatBoost的常用電器負(fù)載電弧故障識(shí)別方法［J］.電測與儀表，2023，60（7）：193-200.

［13］"陳欣凱，鮑光海.基于改進(jìn)奇異值分解去噪算法的光伏系統(tǒng)串聯(lián)電弧故障檢測方法［J］.電器與能效管理技術(shù)，2023（10）：61-69，75.

［14］"LU X， WEN Y H， XIAO S， et al.A deep learning approach for series DC arc fault diagnosing and real-time circuit behavior predicting［J］.IEEE Transactions on Electromagnetic Compatibility，2022，4（2）：1-11.

［15］"CAI X R， WAI R J.Intelligent DC arc-fault detection of solar PV power generation system via optimized VMD-based signal processing and PSO-SVM classifier［J］.IEEE Journal of Photovoltaics，2022，12（4）：1058-1077.

［16］"YAN J C， LI Q Q， DUAN S X.A simplified current feature extraction and deployment method for DC series arc fault detection ［J］.IEEE Transactions on Industrial Electronics，2024，71（1）：625-634.

［17］"潘廣旭，裴麗偉，李興玉，等.電動(dòng)汽車充電系統(tǒng)串聯(lián)電弧故障智能識(shí)別方法［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2023，35（10）：107-114.

［18］"WANG Y， BAI C Y， QIAN X P， et al.A DC series arc fault detection method based on a lightweight convolutional neural network used in photovoltaic system［J］.Energies，2022，15（8）：2877-2881.

［19］"張冠英，趙若姿，王堯.基于FCM算法的光伏系統(tǒng)電弧故障檢測方法研究［J］.高壓電器，2022，58（5）：15-22.

［20］"李曉波，陳義剛，陳文斌，等.基于小波和深度學(xué)習(xí)的配電網(wǎng)單相接地故障辨識(shí)［J］.電測與儀表，2021，58（4）：115-120.

［21］"WANG Y， HOU L M， KA P， et al.ArcNet：Series AC arc fault detection based on raw current and convolutional neural network［J］.IEEE Transactions on Industrial Informatics，2022，18（1）：77-86.

［22］"程宏偉，高蓮，于虹，等.基于注意力機(jī)制優(yōu)化組合神經(jīng)網(wǎng)絡(luò)的電力缺陷等級(jí)確定方法［J］.電測與儀表，2024，61（1）：83-90，98.

［23］"CHAI Y， ZHOU Y， LI W， et al.An explainable multi-modal hierarchical attention model for developing phishing threat intelligence［J］.IEEE Trans Dependable Secure Compute，2022，19（2）：790-803.

收稿日期： 20240521