基于輕量型CNN和特征閾值的光伏系統(tǒng)串聯(lián)電弧故障檢測裝置

摘"要：為保證光伏發(fā)電系統(tǒng)的安全穩(wěn)定運(yùn)行，提出一種基于輕量型卷積神經(jīng)網(wǎng)絡(luò)（CNN）和特征閾值的光伏串聯(lián)電弧故障檢測算法。為了應(yīng)對逆變器異常工況和光伏陣列時變性對信號特征的影響，以及不同弧長（0.05～10.00 mm）導(dǎo)致的信號特征差異，利用高頻耦合信號為特征信號，并結(jié)合神經(jīng)網(wǎng)絡(luò)算法和特征閾值方法，檢測光伏線路上的串聯(lián)電弧故障。最后，制作光伏串聯(lián)電弧故障檢測裝置樣機(jī)。經(jīng)實(shí)驗(yàn)測試，樣機(jī)切斷電弧故障的平均時間為177.1 ms，且在逆變器異常工況的干擾下不會發(fā)生誤判。

關(guān)鍵詞： 光伏系統(tǒng); 串聯(lián)電弧故障; 卷積神經(jīng)網(wǎng)絡(luò); 電弧檢測裝置

中圖分類號： TM501+.2

文獻(xiàn)標(biāo)志碼： A

文章編號： 2095-8188（2024）08-0077-09

DOI： 10.16628/j.cnki.2095-8188.2024.08.010

Design of Photovoltaic Series Arc Fault Detection Device Based on Lightweight CNN and Feature Threshold

WANG Zhaorui1，"HE Jiantao1，"LI Zhitong2，"BAO Guanghai1

（1.College of Electrical Engineering and Automation，F(xiàn)uzhou University， Fuzhou 350108， China;

2.College of Physics and Information Engineering，College of Microelectronics， Fuzhou University，

Fuzhou 350108， China）

Abstract：

To ensure the safe and stable operation of photovoltaic （PV） systems，a PV series arc fault detection algorithm based on a lightweight convolutional neural network combined with feature threshold methods is proposed.To addresses the impacts of inverter abnormal conditions and the time-varying nature of PV arrays on signal characteristics，as well as the signal characteristic differences caused by varying arc lengths （0.05～10.00 mm），by utilizing high-frequency coupled signals as feature signals and combining neural network algorithms with feature threshold methods，the algorithm detects series arc faults in PV circuits.Finally，a prototype of a PV series arc fault detection device is created.The experimental tests show that the prototype cuts off arc faults in an average time of 177.1 ms and does not produce 1 positives under the inverter abnormal conditions.

Key words：

photovoltaic system; series arc fault; convolutional neural network（CNN）; arc detection device

0"引"言

隨著光伏產(chǎn)業(yè)的快速發(fā)展，光伏發(fā)電系統(tǒng)的累計裝機(jī)容量不斷上升，其安全性和穩(wěn)定性受到了廣泛關(guān)注［1］。光伏組件的連續(xù)串聯(lián)使光伏組串回路往往具有高電壓，且光伏系統(tǒng)直流側(cè)存在大量線路和連接點(diǎn)，一旦發(fā)生故障，極易引起直流電?。?］。由于直流電弧沒有零休現(xiàn)象且光伏組件會持續(xù)輸出電流，導(dǎo)致直流電弧不易熄滅，易引發(fā)光伏系統(tǒng)火災(zāi)事故。光伏直流電弧故障可分為串聯(lián)型、并聯(lián)型及接地型，其中串聯(lián)型因難以通過傳統(tǒng)過電流保護(hù)裝置檢測到而尤為危險［3-4］。因此，研發(fā)高效可靠的光伏串聯(lián)電弧故障檢測裝置（AFDD），對于提高光伏系統(tǒng)的安全性具有重要意義。

目前，國內(nèi)外學(xué)者在光伏直流電弧故障檢測的研究中主要采取2種方式選取電弧故障特征。一是利用電弧燃燒時伴隨產(chǎn)生的聲、光及電磁輻射等物理特征進(jìn)行檢測。文獻(xiàn)［5］選取光伏系統(tǒng)電弧故障的電磁輻射信號的模極大值作為電弧故障特征量之一，實(shí)現(xiàn)光伏系統(tǒng)電弧故障的識別。但是，物理特征的采集需要安裝的傳感器位置固定，且易受到外界干擾，實(shí)際應(yīng)用到AFDD上比較困難。二是提取線路中電壓、電流信號的時頻域特征［6-7］。文獻(xiàn)［8］利用改進(jìn)奇異值分解算法去除信號噪聲后，以快速傅里葉變換（FFT）和小波變換提取信號中的諧波幅值之和以及小波分量為特征量，通過線性支持向量機(jī)（LSVM）實(shí)現(xiàn)電弧檢測。文獻(xiàn)［9］對比不同功率逆變器在發(fā)生電弧時的頻率段差異，提出循環(huán)采集累加法實(shí)現(xiàn)電弧故障檢測。文獻(xiàn)［10］基于信息熵自適應(yīng)選取窗長獲取故障信號中的頻域信息，實(shí)現(xiàn)電弧故障檢測。盡管這些方法提高了故障檢測的效率和準(zhǔn)確性，但通常需要手動選擇和設(shè)計輸入特征，這限制了其在變化環(huán)境下的適應(yīng)性和應(yīng)用范圍。

隨著神經(jīng)網(wǎng)絡(luò)在自動特征提取方面的優(yōu)勢日益明顯，各種深度學(xué)習(xí)模型被廣泛應(yīng)用于電弧故障檢測領(lǐng)域［11-15］。這些模型能夠自主學(xué)習(xí)信號中的復(fù)雜特征，無須人工干預(yù)即可有效識別電弧故障。為了提升檢測精度，模型通常會與信號分解算法相結(jié)合或者增加深度。文獻(xiàn)［16］對特征信號構(gòu)造Hankel矩陣，并進(jìn)行奇異值分解，將去噪后的特征量提供給卷積神經(jīng)網(wǎng)絡(luò)（CNN），對電弧進(jìn)行判別。這種方式對算力要求較高，使得網(wǎng)絡(luò)模型難以部署在AFDD上。因此，目前應(yīng)用于AFDD上的電弧故障檢測算法仍以閾值檢測為主［17-19］。

針對上述問題，本文提出一種基于輕量型CNN和特征閾值的光伏串聯(lián)電弧故障檢測算法。首先，通過大量實(shí)驗(yàn)采集逆變器各種工況及不同光照條件下的高頻耦合信號，分析線路電流變化引起的各種弧長的電弧故障。研究發(fā)現(xiàn)，逆變器的異常工況主要發(fā)生在小電流情況下。此時如果發(fā)生電弧故障，電弧通常較短且非常不穩(wěn)定，會使高頻耦合信號中出現(xiàn)幅值很大的高頻毛刺，非常適合使用特征閾值檢測來規(guī)避逆變器異常工況對信號的干擾，避免神經(jīng)網(wǎng)絡(luò)誤判;其次，將該算法移植到K210芯片上，結(jié)合外圍電路制作AFDD樣機(jī)，并依據(jù)UL 1699B2018《光伏直流電弧故障保護(hù)電器》進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1"電弧故障實(shí)驗(yàn)及特征分析

1.1"實(shí)驗(yàn)方案

本文依據(jù)UL 1699B2018搭建光伏系統(tǒng)直流串聯(lián)電弧故障實(shí)驗(yàn)平臺。實(shí)驗(yàn)采集平臺如圖1所示。該平臺由并網(wǎng)逆變器、光伏陣列、電弧發(fā)生裝置、示波器、AFDD樣機(jī)和信號采集裝置組成。

圖1（a）的光伏陣列由3組光伏組串并聯(lián)組成，每組由22塊型號為TSM-275PD05的光伏組件連續(xù)串聯(lián)而成。光伏發(fā)電系統(tǒng)配置三相逆變器GCI-3P。光伏組件及并網(wǎng)逆變器的主要參數(shù)如表1所示。本文選取其中1組光伏組串，并將其連接到并網(wǎng)逆變器，作為光伏串聯(lián)電弧故障實(shí)驗(yàn)對象。

圖1（b）中，電弧發(fā)生裝置用來模擬光伏組件間發(fā)生的串聯(lián)電弧故障，通過調(diào)節(jié)旋鈕改變電極間的距離來調(diào)節(jié)燃弧間隙。將正極和負(fù)極線同時穿過高頻電流互感器，線路中的高頻特征會通過雙線結(jié)構(gòu)耦合到互感器二次回路，然后獲取采樣電阻上的電壓信號作為電弧故障檢測的特征信號。采集卡將采集到的特征信號發(fā)送給計算機(jī)進(jìn)行分析和處理，隨后在計算機(jī)上訓(xùn)練檢測模型并編寫樣機(jī)固件，完成AFDD的軟件移植。AFDD通過自身的采樣電路采集特征信號，并將其傳遞給K210芯片上運(yùn)行的算法模型，以實(shí)現(xiàn)電弧故障實(shí)時檢測。使用霍爾電流互感器采集電流幅值信號，并分析高頻電流信號與真實(shí)電流的對應(yīng)關(guān)系，實(shí)現(xiàn)2種信號的換算。這使得AFDD可以僅通過高頻耦合信號的幅值判斷電路中的電流大小，避免了在AFDD上使用霍爾電流互感器及其采樣電路，從而有效降低了硬件成本。

光伏組串的輸出電流具有時變性，會隨著光照條件的改變而變化，正常工作時電流也會因天氣變化、云層遮蓋等因素產(chǎn)生波動。因此，考慮到線路電流和并網(wǎng)逆變器對特征信號的干擾，通過實(shí)驗(yàn)采集和分析不同天氣條件下白天各時段的特征信號。設(shè)置采集卡的采樣率為100 kHz，與AFDD的采樣頻率相同。

1.2"電弧故障特征分析

當(dāng)光伏組串中發(fā)生不同弧長的串聯(lián)電弧故障時，高頻耦合信號會表現(xiàn)出顯著的差異。基于這種特征信號上的差異，本文將光伏串聯(lián)電弧故障根據(jù)電弧弧長和燃弧時的物理現(xiàn)象分為3類：① 微弱起弧，弧長＜1 mm;② 穩(wěn)定燃弧，弧長在1～3 mm;③ 劇烈燃弧，弧長＞3 mm。

發(fā)生電弧故障時高頻耦合信號波形如圖2所示。3類故障的發(fā)生時刻均在第3 s。通過信號分析可知，當(dāng)光伏組串中未發(fā)生電弧故障時，高頻耦合信號的波形雖然會隨著并網(wǎng)逆變器功率的變化出現(xiàn)幅值波動，但相比于故障時的波形顯得十分平滑。此外，正常信號中幾乎不含紋波噪聲，環(huán)境和并網(wǎng)逆變器的開關(guān)頻率噪聲對特征信號的干擾并不明顯，有利于電弧故障的準(zhǔn)確判別。當(dāng)光伏組串中發(fā)生電弧故障后，高頻耦合信號波形中會充斥著大量的不規(guī)則高頻毛刺，而且3類電弧故障的故障特征信號并不一致。

3類電弧故障的高頻耦合波形具有以下特點(diǎn)。① 光伏組串中發(fā)生微弱起弧時，電弧的弧長很小且燃弧非常不穩(wěn)定，導(dǎo)致高頻耦合信號中出現(xiàn)幅值很大的高頻毛刺。與線路正常運(yùn)行情況下相比，耦合信號中的故障特征十分明顯，使用特征閾值法和神經(jīng)網(wǎng)絡(luò)模型都能準(zhǔn)確進(jìn)行檢測。② 光伏組串中發(fā)生穩(wěn)定燃弧時，電弧的弧柱較粗且十分穩(wěn)定，此時的耦合信號中雖然也存在大量的高頻毛刺，但其幅值與正常信號相近，使用特征閾值法難以確定。③ 光伏組串中發(fā)生劇烈燃弧時，因電弧的弧長較長且燃弧十分不穩(wěn)定，引起弧隙電阻顯著增加并劇烈波動。這種情況下，高頻耦合信號中雖然仍然含有大量高頻毛刺，但其幅值小于正常信號且波動較大，導(dǎo)致使用特征閾值法難以有效檢測。

串聯(lián)光伏直流電弧故障的弧長與光伏組串的輸出電流大小直接相關(guān)。當(dāng)輸出電流＜1.5 A時，過小的電流不足以支持光伏組串中產(chǎn)生穩(wěn)定的電弧，只能發(fā)生微弱起弧。隨著輸出電流的減少，光伏組串的輸出功率可能低于并網(wǎng)逆變器的最低有效功率閾值，導(dǎo)致逆變器進(jìn)入非標(biāo)準(zhǔn)工作狀態(tài)。在這種情況下，正常時的高頻耦合信號可能會受到影響，表現(xiàn)出波形畸變，從而增加神經(jīng)網(wǎng)絡(luò)模型的誤判風(fēng)險。逆變器異常工況下高頻耦合信號波形如圖3所示。當(dāng)光伏組串輸出電流為1 A時，逆變器的工作狀態(tài)已較不穩(wěn)定，此時正常的耦合信號中會夾雜著如圖3（a）的畸變信號;輸出電流＜1 A后，逆變器進(jìn)入非標(biāo)準(zhǔn)工作狀態(tài)，對直流側(cè)電流造成嚴(yán)重干擾，此時正常的耦合信號波形發(fā)生嚴(yán)重畸變，如圖3（b）。

逆變器在初始低功率時接入電網(wǎng)，并在并網(wǎng)成功后逐漸增大功率至光伏組串的當(dāng)前最大輸出功率。在并網(wǎng)過程中，逆變器需要調(diào)整其輸出以匹配電網(wǎng)的電壓、頻率和相位。但該調(diào)節(jié)過程涉及逆變器功率電子組件的快速切換操作，會在直流側(cè)產(chǎn)生瞬時電壓波動或干擾，導(dǎo)致信號波形發(fā)生畸變。逆變器并網(wǎng)過程的高頻耦合信號如圖4所示。

以上3種逆變器的異常工況均會在直流側(cè)引起波動和干擾，使高頻耦合信號發(fā)生畸變，易造成網(wǎng)絡(luò)模型的誤判。在這些情況發(fā)生時，光伏組串的輸出電流通常＜1 A，這使得電弧故障的發(fā)生只能是微弱起弧。微弱起弧發(fā)生時，即使電流很小，也能產(chǎn)生幅值很大的高頻毛刺，因此可以使用特征閾值法規(guī)避逆變器異常工況的干擾。

2"串聯(lián)電弧故障檢測模型的構(gòu)建和測試

2.1"輕量化電弧故障檢測模型設(shè)計

CNN通過卷積層、池化層、激活層和全連接層的層疊配置，模擬視覺系統(tǒng)工作機(jī)制，實(shí)現(xiàn)數(shù)據(jù)特征的自動提取，并通過這些特征進(jìn)行有效的圖像識別和分類。

CNN的卷積層由若干個卷積單元組成，這些單元執(zhí)行卷積運(yùn)算以提取輸入數(shù)據(jù)的特征。每個卷積單元都配備有專門的權(quán)重和偏置參數(shù)，這些參數(shù)通過反向傳播（BP）算法進(jìn)行優(yōu)化，是CNN的核心組成部分。為了減少模型的權(quán)重參數(shù)、縮短檢測時間并緩解模型在嵌入式設(shè)備上的部署壓力，本文采用深度可分離卷積（DSConv）代替?zhèn)鹘y(tǒng)的標(biāo)準(zhǔn)卷積（Conv）來處理多通道輸入數(shù)據(jù)。DSConv通過將標(biāo)準(zhǔn)卷積分解為深度卷積（DWConv）和逐點(diǎn)卷積（PWConv）2個步驟，在保持精度基本不變的前提下，有效地減輕了模型的計算負(fù)擔(dān)。

高頻耦合信號是一維時間序列信號。在卷積核尺寸等參數(shù)一致的情況下，在使用深度可分離卷積與標(biāo)準(zhǔn)卷積處理該信號的計算量之比為

L·F·M+L·M·NL·F·M·N=1N+1F（1）

式中："L——某一層輸入的特征長度;

F——卷積核尺寸;

M——輸入通道數(shù);

N——輸出通道數(shù)。

為確保AFDD在實(shí)際運(yùn)行中的可靠性，選擇10 000個數(shù)據(jù)點(diǎn)作為單個樣本的大小，以提高模型的精確度和泛化性。輕量型卷積神經(jīng)網(wǎng)絡(luò)模型如圖5所示。相較于普通CNN，輕量型CNN模型不僅將整體的模型維度維持在較低水平，而且使用較大的池化尺寸，減少了模型整體計算成本。針對輸入尺寸較大的樣本數(shù)據(jù)，第一層卷積使用尺寸為16、步長為2的卷積核進(jìn)行初步特征提取，并通過尺寸為16的最大池化層大幅降低數(shù)據(jù)長度，從而在保證較大感受野的同時提高計算效率。為進(jìn)一步減少計算成本，接下來的2層標(biāo)準(zhǔn)卷積均采用DSConv替代，以減少模型對高維度數(shù)據(jù)的計算量。

為了在不影響檢測時間的同時增加模型的深度，本文在模型中嵌入了2個反向殘差塊。該結(jié)構(gòu)首先通過擴(kuò)展通道數(shù)實(shí)現(xiàn)升維，隨后利用深度卷積精準(zhǔn)提取特征，最終通過逐點(diǎn)卷積實(shí)現(xiàn)降維。殘差連接有助于防止在深層網(wǎng)絡(luò)訓(xùn)練中梯度消失的問題，確保模型在深層結(jié)構(gòu)中的學(xué)習(xí)效果和泛化表現(xiàn)。

2.2"數(shù)據(jù)集構(gòu)建和模型訓(xùn)練

經(jīng)實(shí)驗(yàn)測試，光伏組串在傍晚和雨天時輸出電流通常不足以支持電弧裝置產(chǎn)生連續(xù)的電弧，或僅能維持微弱起弧。因此，選擇在晴天和陰天2種天氣條件下，在每天08∶00—17∶00的時間段內(nèi)使用采集卡進(jìn)行數(shù)據(jù)采集。每小時正常和故障樣本各采集100 s，即各采集1 000個樣本。針對不同弧長的電弧故障的差異性，在采集故障樣本時隨機(jī)改變電弧發(fā)生裝置的間隙。將2天采集的總計40 000個數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理后，按照4∶1的比例劃分訓(xùn)練集和驗(yàn)證集，用于模型訓(xùn)練。

為驗(yàn)證模型的泛化能力和精確度，另外挑選一天使用AFDD上的AD采樣電路以同樣的方式采集20 000個樣本。為測試逆變器異常工況對耦合信號中故障特征的影響，本文額外采集了3 000個逆變器異常工況下的電弧故障樣本。以上23 000個樣本數(shù)據(jù)通過USB接口實(shí)時傳輸至計算機(jī)，生成離線測試集1。

采用相同的方法采集3 000個逆變器異常工況下的樣本，生成總計3 000個樣本的離線測試集2，用以評估模型在面對正常信號發(fā)生畸變時的誤判情況。

模型訓(xùn)練使用的批次大小為512，迭代次數(shù)設(shè)定為200次，采用交叉熵?fù)p失函數(shù)進(jìn)行優(yōu)化。學(xué)習(xí)率根據(jù)訓(xùn)練精度進(jìn)行調(diào)整，初始學(xué)習(xí)率設(shè)置為0.01，并在準(zhǔn)確度達(dá)到98%和99%時分別將學(xué)習(xí)率下調(diào)至原來的1/10，以加速模型的收斂。訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為99.6%，對離線測試集1的識別準(zhǔn)確率為99.5%，但對離線測試集2的識別準(zhǔn)確率為53%。離線測試集1的識別混淆矩陣如圖6所示。

以上結(jié)果表明，檢測模型具備良好的泛化性能，并且逆變器的異常工況并不干擾耦合信號中的故障特征，不影響模型的故障識別能力。但逆變器異常引起的正常耦合信號畸變易導(dǎo)致模型發(fā)生誤判，因此需要設(shè)計其他算法規(guī)避這種誤判。

2.3"檢測算法框架

當(dāng)光伏組串的輸出電流＜1.5 A時，為防止逆變器在異常工況下引起的高頻耦合信號畸變導(dǎo)致模型誤判，采用特征閾值法替代神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電弧故障檢測。電弧故障檢測算法流程圖如圖7所示。

首先需要把采集到的高頻耦合信號樣本數(shù)據(jù)換算為電流幅值信號，判斷使用哪種檢測方式。鑒于耦合信號的均值通常接近于0，本研究通過計算信號的絕對值均值進(jìn)行換算。經(jīng)實(shí)驗(yàn)測試，正常時的耦合信號絕對值均值與電流幅值呈明顯線性關(guān)系;在穩(wěn)定燃弧和微弱起弧狀態(tài)下，耦合信號的絕對值均值明顯高于正常信號的;在劇烈燃弧狀態(tài)下，盡管耦合信號的絕對值均值低于正常信號的，但該狀態(tài)下的線路電流較大，換算后的電流通常＞3 A。因此，特征閾值法只會針對微弱起弧進(jìn)行檢測。另外，檢測模型能準(zhǔn)確識別逆變器異常工況下發(fā)生的電弧故障，因此無須考慮故障信號換算誤差。

在微弱起弧時，無論逆變器處于何種運(yùn)行狀態(tài)，故障信號樣本中高頻毛刺的絕對值均值通常是樣本絕對值均值的10倍以上，但正常信號樣本的相應(yīng)值均為3倍以下。因此，算法通過統(tǒng)計每個樣本中超出樣本絕對值均值的10倍以上的高頻毛刺數(shù)量來進(jìn)行故障判定，并設(shè)定閾值為50個毛刺，超過此數(shù)量即認(rèn)定為故障狀態(tài)。使用該閾值檢測法對2個離線測試集中總計6 000個逆變器異常工況下的正常和故障樣本進(jìn)行檢測時，準(zhǔn)確率達(dá)到了100%，說明其能有效規(guī)避模型對逆變器異常引起的正常耦合信號畸變產(chǎn)生的誤判。

將該算法移植到AFDD上，通過計算機(jī)USB接口將離線測試集1和測試集2中的樣本逐一發(fā)送至AFDD進(jìn)行檢測，其反饋檢測結(jié)果與計算機(jī)上的結(jié)果完全一致。

3"光伏串聯(lián)電弧故障檢測裝置的工程實(shí)現(xiàn)

3.1"軟件設(shè)計與模型移植

光伏串聯(lián)電弧故障檢測裝置采用K210芯片的雙核處理器，并行執(zhí)行控制AD采集特征信號和運(yùn)行故障檢測算法的任務(wù)。當(dāng)故障檢測算法處理單個數(shù)據(jù)樣本所需的時間小于AD采樣時間時，該裝置即可實(shí)現(xiàn)故障的實(shí)時檢測。檢測裝置的軟件設(shè)計主要包括系統(tǒng)初始化、雙核并行處理、特征數(shù)據(jù)采集、神經(jīng)網(wǎng)絡(luò)模型初始化、數(shù)據(jù)處理、算法故障檢測、故障報警及數(shù)據(jù)上傳等部分。主程序流程如圖8所示。

核心處理器1通過設(shè)定定時器間隔10 μs中斷來控制AD采樣電路，從而實(shí)現(xiàn)采樣率為100 kHz的數(shù)據(jù)采集。當(dāng)采集的數(shù)據(jù)點(diǎn)數(shù)達(dá)到樣本點(diǎn)數(shù)時，這些數(shù)據(jù)會被存入線程共享變量中，實(shí)現(xiàn)數(shù)據(jù)雙核共享。核心處理器2負(fù)責(zé)維持故障檢測算法、神經(jīng)網(wǎng)絡(luò)模型與數(shù)據(jù)處理程序等運(yùn)行。在檢測到故障后，系統(tǒng)通過485模塊向終端發(fā)出報警并上傳故障樣本數(shù)據(jù)。這一過程用于判斷是否誤判，并通過收集數(shù)據(jù)擴(kuò)充數(shù)據(jù)集，從而優(yōu)化故障檢測模型。

訓(xùn)練好的深度學(xué)習(xí)模型需要先利用開放神經(jīng)網(wǎng)絡(luò)交換模型（ONNX）進(jìn)行簡化，然后利用第三方庫nncase進(jìn)一步轉(zhuǎn)化為Kmodel模型。Kmodel模型為二進(jìn)制格式，在被寫入Flash存儲器后，可被K210芯片加載并運(yùn)行。程序使用C語言編寫，并利用K210芯片的SDK工具包與交叉編譯器Toolchain進(jìn)行編譯，生成的固件程序隨后被燒寫到芯片內(nèi)部。

當(dāng)檢測算法在AFDD樣機(jī)上運(yùn)行時，電流幅值換算處理一個樣本數(shù)據(jù)耗時為1.2 ms，特征閾值法檢測耗時為0.2 ms，而神經(jīng)網(wǎng)絡(luò)算法需要先對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，再輸入模型進(jìn)行檢測，總耗時為82 ms。因此，電弧故障檢測算法中2個檢測方式處理一個樣本的時間分別為1.4 ms和83.2 ms，均小于采樣所需的100 ms，表明本文設(shè)計的電弧檢測檢測算法部署到電弧檢測裝置上后能夠?qū)崿F(xiàn)電弧故障的實(shí)時檢測。

3.2"硬件設(shè)計

電弧檢測裝置的硬件部分主要包括數(shù)據(jù)采集與處理模塊、通信模塊、主控模塊和電源模塊等。硬件設(shè)計框圖如圖9所示。

高頻電流互感器首先將主回路中的高頻耦合信號轉(zhuǎn)換為電壓信號，然后傳輸?shù)叫盘栒{(diào)理模塊。該模塊根據(jù)ADCS7476芯片以及主控芯片的電壓識別范圍和精度要求對信號進(jìn)行處理，進(jìn)而送入主控芯片。在調(diào)試和程序燒寫階段，系統(tǒng)通過USB接口進(jìn)行供電并與計算機(jī)進(jìn)行通信。在實(shí)際應(yīng)用中，電源模塊直接從逆變器的交流側(cè)取電，并通過電壓調(diào)整電路提供給各個芯片所需的電壓。

3.3"樣機(jī)實(shí)驗(yàn)測試

本文在晴天、陰天、雨天3種天氣條件下使用電弧故障發(fā)生裝置模擬3類電弧故障，以測試AFDD樣機(jī)在實(shí)際工作環(huán)境中的性能。雨天時光伏組串的輸出電流較小，而導(dǎo)致逆變器的異常工況在樣機(jī)運(yùn)行期間會頻繁出現(xiàn)，這為測試樣機(jī)在面對逆變器異常情況下的可靠性提供良好的檢驗(yàn)條件。電弧故障檢測裝置樣機(jī)實(shí)物圖如圖10所示。

首先檢驗(yàn)樣機(jī)在正常運(yùn)行狀態(tài)下是否會誤報警。在3種天氣條件下，樣機(jī)均持續(xù)運(yùn)行30 min，并檢測了5次逆變器在啟動時的并網(wǎng)過程，樣機(jī)并未通過485模塊發(fā)出報警信號。

然后進(jìn)行電弧故障實(shí)驗(yàn)。通過電弧發(fā)生裝置模擬電弧故障，將3類電弧故障各模擬生成200次。樣機(jī)在檢測到故障后會通過485模塊報警，并同時向示波器輸出高電平信號使其觸發(fā)邊沿捕捉。通過比較示波器上故障報警信號的電平變化時間與高頻耦合信號中電弧特征首次出現(xiàn)的時間差，可以確定樣機(jī)的故障檢測反應(yīng)時間。樣機(jī)電弧故障檢測時序圖如圖11所示。

樣機(jī)對電弧故障的檢測時間包括采樣時間tc和模型檢測時間tr，因此模型檢測1個故障樣本所需的時間為183.2 ms。由于核心1采集第2個樣本與核心2對第1個樣本的檢測是同步進(jìn)行的，若第1個檢測樣本漏判，那么故障檢測時間將增加1個采樣時間tc，即增加100 ms。

由于電弧發(fā)生時刻ta1是隨機(jī)的，所以包含故障發(fā)生時刻的數(shù)據(jù)樣本中只有部分是故障。這種情況對于特征較明顯的電弧故障類型（如微弱起?。?，即使故障占信號的一小部分，模型仍能準(zhǔn)確識別，實(shí)際檢測時間可能＜183.2 ms。但對于穩(wěn)定燃弧和劇烈燃弧而言，模型識別這類樣本的概率較低，檢測時間會略大。AFDD樣機(jī)對電弧故障的檢測時間如表2所示。

表2中，AFDD樣機(jī)對光伏串聯(lián)電弧故障的最快檢測時間均是通過檢測出上述只有部分含有電弧故障的數(shù)據(jù)樣本得到的，因此均小于理論檢測時間183.2 ms。其中，最快檢測時間54.5 ms是通過閾值檢測法得到的。

AFDD的最大檢測時間為347.9 ms，說明AFDD對電弧故障發(fā)生漏檢情況，但檢測時間滿足UL 1699B2018中規(guī)定的2.5 s檢測時間要求［20］。因此，該電弧故障檢測樣機(jī)能夠快速、有效檢測出電弧故障并且有著良好的抗干擾性能。

3.4"同現(xiàn)有光伏電弧故障檢測裝置的對比

為進(jìn)一步驗(yàn)證本文設(shè)計的AFDD在光伏電弧故障檢測的優(yōu)勢，將其與一些近幾年文獻(xiàn)中的AFDD進(jìn)行比較。不同的AFDD對光伏直流電弧的檢測時間如表3所示。文獻(xiàn)［21］采用基于小波變換與特征閾值的電弧故障識別算法，根據(jù)示范工程和相關(guān)標(biāo)準(zhǔn)的分析進(jìn)行了軟硬件設(shè)計，樣機(jī)在逆變器負(fù)載條件下可在約0.85 s切斷電弧。文獻(xiàn)［22］首先利用改進(jìn)奇異值分解去噪算法去除信號噪聲，然后利用FFT和小波變換對信號進(jìn)行分析并選取故障特征，最后通過LSVM實(shí)現(xiàn)電弧檢測。但因使用了過多的信號處理算法，導(dǎo)致AFDD在進(jìn)行故障檢測時消耗了過多時間。文獻(xiàn)［23］使用離散FFT分析得到信號的頻域信息，去除低頻范圍（f＜41 kHz）和高頻范圍（f＞102.5 kHz）分量后，將中頻范圍用于反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）進(jìn)行電弧故障檢測。最終得到的AFDD樣機(jī)對光伏直流電弧故障的平均檢測時間為200 ms。相比之下，本文提出的電弧故障檢測方法在對光伏直流電弧故障的檢測速度上更具優(yōu)勢。

4"結(jié)"語

本文通過搭建光伏串聯(lián)直流電弧故障實(shí)驗(yàn)平臺，分析了逆變器異常工況和光伏陣列時變性對信號特征的影響。針對不同弧長導(dǎo)致的信號特征差異，提出了一種基于輕量型CNN和特征閾值的電弧故障檢測方法，并結(jié)合外圍電路制成AFDD樣機(jī)進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，面對光照條件的變化與逆變器異常工況的影響，所設(shè)計的AFDD樣機(jī)能精確的檢測出電弧故障且沒有誤判，最大檢測時間為347.9 ms，滿足UL 1699B2018中規(guī)定的2.5 s檢測時間的要求。

【參 考 文 獻(xiàn)】

［1］"姚玉璧，鄭紹忠，楊揚(yáng)，等.中國太陽能資源評估及其利用效率研究進(jìn)展與展望［J］.太陽能學(xué)報，2022，43（10）：524-535.

［2］"王堯，張彥風(fēng)，李奎.光伏直流電弧故障檢測方法研究綜述［J］.電器與能效管理技術(shù)，2018（24）：1-6，37.

［3］"XIONG Q， JI S C， ZHU L Y， et al.A novel DC Arc fault detection method based on electromagnetic radiation signal［J］.IEEE Transactions on Plasma Science，2017，45（3）：472-478.

［4］"熊慶，陳維江，汲勝昌，等.低壓直流系統(tǒng)故障電弧特性、檢測和定位方法研究進(jìn)展綜述［J］.中國電機(jī)工程學(xué)報，2020，40（18）：6015-6027.

［5］"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.

［6］"趙雙樂，劉志峰，侯曉鑫，等.逆變器啟動工況下光伏直流串聯(lián)電弧故障識別方法［J/OL］.高電壓技術(shù)，1-12［2024-06-18］.https：//doi.org/10.13336/j.1003-6520.hve.20230645.

［7］"孟羽，陳思磊，吳子豪，等.基于隨機(jī)共振方法增強(qiáng)光伏直流故障電弧檢測特征的研究［J］.中國電機(jī)工程學(xué)報，2022，42（6）：2396-2407.

［8］"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.

［9］"唐圣學(xué)，刁旭東，陳麗，等.光伏發(fā)電系統(tǒng)直流串聯(lián)微弱故障電弧檢測方法研究［J］.儀器儀表學(xué)報，2021，42（3）：150-160.

［10］"張國軍，李浩文，葛群，等.基于信息熵的自適應(yīng)窗長光伏系統(tǒng)直流串聯(lián)電弧故障識別研究［J］.電源學(xué)報，2021，19（5）：214-223.

［11］"鄭力，鮑光海.基于改進(jìn)MobileNet的串聯(lián)電弧故障檢測方法［J］.電器與能效管理技術(shù)，2024（2）：13-20.

［12］"PATIL D， BINDU S， SUSHILTHALE.Arc fault detection in DC microgrid using deep neural network［C］//2021 4th Biennial International Conference on Nascent Technologies in Engineering （ICNTE），2021：1-6.

［13］"YANG J， WANG Y.Identification and detection of DC arc fault in photovoltaic power generation system［C］// 2020 International Conference on Intelligent Transportation，Big Data amp; Smart City （ICITBS），2020：440-444.

［14］"李巖，劉鑫月，喬俊杰，等.基于1DCNN和D-S多信息融合的光伏系統(tǒng)直流母線串聯(lián)電弧故障檢測［J］.電工電能新技術(shù)，2024，43（5）：58-67.

［15］"王天澤，徐永海，于榮躍，等.基于熵特征融合的光伏組串直流電弧故障辨識方法［J/OL］.華北電力大學(xué)學(xué)報（自然科學(xué)版），1-11［2024-06-18］.http：//kns.cnki.net/kcms/detail/13.1212.TM.20231124.1259.002.html.

［16］"CHEN X Q， GAO W， HONG C， et al.A novel series arc fault detection method for photovoltaic system based on multi-input neural network［J］.International Journal of Electrical Power and Energy Systems，2022，140：108018.

［17］"曾澤宇.光伏系統(tǒng)直流電弧故障的特性和在線監(jiān)測系統(tǒng)研究［D］.重慶：重慶大學(xué)，2019.

［18］"孫春來.光伏發(fā)電系統(tǒng)直流串聯(lián)電弧故障檢測方法研究及裝置設(shè)計［D］.秦皇島：燕山大學(xué)，2019.

［19］"AHMADI M， SAMET H， GHANBARI T.Series arc fault detection in photovoltaic systems based on signal -to-noise ratio characteristics using cross-correlation function［J］.IEEE Transactions on Industrial Informatics，2020，16（5）：3198-3209.

［20］"錢廣遠(yuǎn).UL1699B《光伏直流電弧故障保護(hù)電器》標(biāo)準(zhǔn)解析［J］.電器與能效管理技術(shù)，2019（9）：71-75.

［21］"高漢林，許峰，張涵.光伏系統(tǒng)直流故障電弧特性與檢測裝置研究［J］.電器與能效管理技術(shù)，2022（11）：46-53.

［22］"陳欣凱.光伏系統(tǒng)直流串聯(lián)電弧故障檢測方法研究［D］.福州：福州大學(xué)，2023.

［23］"ZHANG W， XU P， WANG Y， et al.A DC arc detection method for photovoltaic （PV） systems［J］.Results in Engineering，2024，21：101807.

收稿日期： 20240529