A Multi-feature Fusion-Based Method to Recognize Series DC Arc Fault in Photovoltaic System
-
摘要: 针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)得到各阶信号本征模态函数(intrinsic mode function,IMF),计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。Abstract: In allusion to such defects in current photovoltaic (abbr. PV) generation systems as less fault characteristic quantity of series DC arc and the difficulty to identify and locate them, a multi-feature fusion-based method to identify the series DC arc fault in PV generation system was proposed. Firstly, an experimental platform was built to collect current signals under normal operation of PV system and series DC arc fault occurred in PV system and the noise reduction was performed by wavelet transform. Secondly, for the post-noise reduction signals the change rates of the average of current and the characteristic quantity of cycle maximal difference in time-domain were extracted, and the energy and energy ratio of each frequency band in frequency domain were extracted, and by use of ensemble empirical mode decomposition (abbr. EEMD) the intrinsic mode function (abbr. IMF) of each order signal was obtained to calculate the cosine similarity between each order IMF fault signal and normal signal, and the energy entropy feature of IMF of the arc with lower similarity was extracted. Thirdly, the feature space of fault arc was built by the multi-dimensional feature vector that was constituted by the features in time domain, frequency domain and the feature of energy entropy, and the boundary parameters of fault space were determined by experiments, and then the characteristic criteria in time-domain, frequency-domain and that in energy entropy were obtained, and according to multi-dimensional characteristic criteria the DC arc fault detection could be implemented. Finally, both feasibility and accuracy of the proposed method are verified by the analysis on the results of experiments.
-
0. 引言
全球一次能源日益减少,使得太阳能光伏发电系统得到较大规模的应用[1]。但随着光伏系统的长时间运行以及投入环境大部分处于荒山、沙漠等多方面因素,系统极易发生直流电弧故障,导致系统发电效率降低,甚至危害系统及整个电网的安全[2-4]。因此,研究识别光伏系统直流电弧故障的方法,在电弧发展初始阶段采取有效措施,预防故障电弧发生,对保障光伏系统稳定运行具有重要意义[5-9]。
目前,国内外学者针对光伏系统直流电弧故障的检测进行了初步的研究,并提出相应的识别方法。文献[10]提出了直流串联电弧故障检测和故障串识别技术,并通过实验验证了所述方法的有效性;文献[11]从时域、频域和时频域方面对电弧信号进行分析研究,得出各种方法的适用场景;文献[12-13]采用机器学习的方法对串联直流电弧故障进行分析,并通过实验验证了方法的有效性;文献[14-16]基于小波变换方法,提取直流电弧的时频特性对电弧进行故障检测,但小波变换方法不具有自适应性;文献[17]通过采用变分模态分解的方法提取电弧故障特征,实现了故障电弧的检测;文献[18]通过采用扩展频谱时域反射法实现直流电弧故障信号的检测与定位。
虽然国内外相关学者在光伏系统串联直流电弧故障识别方面取得了一定的成果,但仍有以下不足。第一,采用时域、频域或小波变换后的单一特征量作为电弧识别特征时,当电弧特征不明显时,容易造成误判,使识别准确率下降;第二,若采用机器学习的方法需要设定深度学习方法的关键参数,如网络节点数等,参数不准时也会造成识别准确率下降。综上所述,特征量的选择与处理对直流电弧故障模式识别具有十分重要的意义,因此文中提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法,实验结果表明文中所提方法较现有特征识别方法具有更高的识别准确率。
1. 实验平台搭建
光伏系统易发生由光伏板之间、光伏板与导架间、2接线盒间以及损坏的连接线间的接触不良等原因导致的串联电弧故障和主要由线路损坏引起的并联电弧故障[19]。但并联电弧故障发生概率较低,且电流较大,易被保护装置检测到,而发生串联电弧故障概率较大,且故障电流较小,难以被保护装置检测到[20],因此文中重点对光伏系统串联直流电弧故障进行研究并搭建实验平台,该平台结构示意图如图1所示。
平台中以12块参数一致的光伏板组成光伏阵列,每6块为一组进行串联,两组之间并联,光伏组件参数如附录A表A1所示。
参数指标 最佳工作电压Un/V 最佳工作电流In/A 开路
电压Uoc/V短路电流Isc/A 最大功率Pm/W 数据 28.8 9.02 36 9.75 260 电弧发生器的制作参考UL1699B标准[21],通过步进电机控制2电极间隙大小,当达到电弧产生条件时,2极间的空气间隙将会被击穿发生电弧放电。电流采集模块对电弧信号进行实时采集,并利用示波器对信号进行显示和保存,采样率为1MHz。由于发生直流电弧故障时,电弧对电极具有很强的灼烧作用,因此为保证每次实验数据的准确性和一致性,在每次实验后需要重新对电极进行打磨。如图2所示为实验中产生的直流电弧故障现象,图中的亮斑即为产生的故障电弧。
2. 基于多特征融合的直流电弧故障特性及检测方法
2.1 时域故障特征提取方法
采集到的实验原始信号会伴有低频信号交流噪声的干扰,因此对实验结果得到的光伏系统正常及发生电弧故障状态时的电流数据在数据处理软件中进行小波降噪处理,得到如附录B图B1所示的时域信号图,图中的结果表明,当光伏系统处于正常状态时,电流波形幅度变化不大,当光伏系统发生电弧故障时,其时域图开始出现大幅度的上下抖动,因此文中以时域信号的故障特征作为判断光伏系统串联直流电弧故障的一种检测参量。
文中以电流均值变化率Ivar和电流周期最值差Idiff2个特征量描述电弧故障前后电流幅值突变特性[22],其计算公式如式(1)所示:
$$ \begin{cases} \begin{array}{l} {I_{{{\rm{var}}} }} = {\left[\displaystyle\sum\limits_{n = 1}^N {I{{(n)}^{{T{\text{ + }}1}}} - \displaystyle\sum\limits_{n = 1}^N {I{{(n)}^{T}}} } \right]}/ \displaystyle\sum\limits_{n = 1}^N {I(n)} \\ {I_{{\text{diff}}}} = I_{\max }^{{T}} - I_{{\min }}^{T}\\ \end{array} \end{cases} $$ (1) 式(1)中,N为单个时间窗口T内的电流数据个数,其中,第n个数据点的电流幅值为I(n)T;I(n)T+1为下一个时间窗口(T+1)内第n个数据点的电流幅值;
$I_{\max }^{{T}} $ 、$I_{\min }^{{T}} $ 分别为同一时间窗口T内所有采样点电流幅值的最大值和最小值;文中取时间窗口T为1 ms,即每个窗口中包含有1000个电流数据点。2.2 频域故障特征提取方法
对时域信号进行快速傅里叶变换(fast Fourier transformation, FFT)得到正常及串联电弧故障情况下的频谱对比图,如附录B图B2所示。
由附录B图B2可知,电弧故障发生前后谐波含量有所增加,致使发生电弧故障后频谱能量分布不均匀。实验中采样频率为1 MHz,根据采样定律,在进行不失真情况下分析采集得到的电流数据频率范围为0~500 kHz。因此,为便于分析,文中通过FFT以50 kHz为间隔将信号分为10个更小的频带,分别记为f1、f2、…、f10,分别计算正常状态和故障状态下每个频率段所对映所有点的电流幅值平方和作为该频率段的能量,并分别记为E0 i和Earc i(i=1,2,…,10)。
分别求取2种状态下对映各频率段的能量比值βi,即:
$$ {\beta _i} = {E_{{\text{arc }}i}}/{E_{{\text{0 }}i}} $$ (2) 计算结果如附录A表A2所示,电流信号故障状态和正常状态的能量比值越大,说明在故障前后相对映频率段的能量变化越明显。由附录A表A2各段能量比可以看出,在直流电弧故障发生后,低频率段0~50 kHz、50~100 kHz内的能量变化比正常状态下更加明显,因此文中将f1、f2所对映频段的能量Earc 1、Earc 2作为频域特征检测量。
频带 范围/kHz 电弧状态能量Earc i 正常状态能量E0 i 能量比βi f1 0~50 8.426 0.9451 8.915 f2 50~100 8.521 0.8342 10.215 f3 100~150 2.975 0.6157 4.832 f4 150~200 0.739 0.3124 2.366 f5 200~250 0.805 0.5298 1.519 f6 250~300 0.246 0.4231 0.581 f7 300~350 0.538 0.7261 0.741 f8 350~400 0.374 0.3439 1.088 f9 400~450 0.291 0.3726 0.781 f10 450~500 0.473 0.5327 0.887 2.3 基于EEMD的时频域故障特征提取方法
经验模态分解(empirical mode decomposition, EMD)方法对非线性、非平稳信号具有非常好的变换效果,它基于信号的局部特征时间尺度,将复杂信号分解为有限的本征模态函数(intrinsic mode function,IMF)之和,每一个IMF所包含的频率成分除了与频率相关以外,还与信号本身有较强的相关性,因此,具有很强的自适应性[23]。但EMD方法具有一定的缺点,最严重的就是其计算过程会导致严重的模态混叠,因此,有学者利用平均值的思想用白噪声对EMD进行优化改进得到集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法,较好地解决了这一问题[24],文中利用EEMD分解方法对电弧信号进行分解,提取得到不同的时频分量特征,从而进行故障检测。
EEMD方法的分解步骤为:
Step1:在原始信号x(t)中加入均值为零的随机白噪声序列s(t),得到新信号xn(t)
$$ {x_{\text{n}}}(t) = x(t) + s(t) $$ (3) Step2:对信号xn(t)进行EMD分解,具体过程为:
1) 确定信号xn(t)的所有局部极大值和极小值点,将局部极大值和局部极小值点用3次样条插值方法连接起来形成信号的上下包络线ea(t)、eb(t);
2) 计算xn(t)的上、下包络线的平均值,得到平均值曲线m(t),计算得到新的序列h(t)即:
$$ \left\{ \begin{gathered} m(t) = \frac{{[{e_{\text{a}}}(t) + {e_{\text{b}}}(t)]}}{2} \\ h(t) = {x_{\text{n}}}(t) - m(t) \\ \end{gathered} \right. $$ (4) 3) 判断h(t)是否满足IMF条件,即h(t)在整个时间范围内,局部极值点和过零点的数目相等或最多相差一个,以及局部极大值确定的包络线和局部极小值确定的包络线均值为零。如果满足则得到xn(t)的一个IMF分量di(t),若不满足,则将h(t)作为原始信号重复以上步骤;
4) 从xn(t)中把di(t)分离出来,得到剩余信号分量r(t),将r(t)作为原始信号,重复以上步骤直至满足终止条件结束。
Step3:对x(t)分别加入k组方差相等的白噪声信号,重复以上步骤,得到k组信号的EMD分解结果;
Step4:计算k组分解结果的均值并输出。
按上述步骤,得到如图3所示的光伏系统在正常状态和电弧故障状态下电流信号EEMD算法进行分解后得到的各阶IMF分量对比图,共包括10阶IMF信号和1阶r(t)信号,因图形较小,未标出的正常电流的纵坐标电流幅值变化范围为[−0.1,0.1]A,电弧故障电流的纵坐标变化为[−0.2,0.2]A。
电流信号经EEMD分解得到了10个IMF含有不同时频成分的分量,其中IMF的选择也是EEMD法进行故障检测的核心。为更好区分出在光伏系统故障前后各IMF分量变化大小,文中以余弦相似度描述正常信号与噪声信号各阶IMF信号之间的相似程度,即:
$$ {S_j} = \dfrac{{\displaystyle\sum\limits_{t = 1}^N {{F_j}(t){M_j}(t)} }}{{\sqrt {\displaystyle\sum\limits_{t = 1}^N {F_j^2(t)} } \sqrt {\displaystyle\sum\limits_{t = 1}^N {M_j^2(t)} } }} $$ (5) 式中:j为IMF的阶数;Fj(t)为j阶正常信号;M (t)为j阶IMF信号;N为信号的数据点量。
在故障前后余弦相似度越小,说明该IMF信号包含的故障信息越多。由附录B图B3可知,当发生电弧故障时,IMF5、IMF6信号与原始信号的余弦相似度均较低,低于0.15,表明该分量在发生故障前后能量变化明显,这是由于电弧故障电流的出现导致能量在一定的频率段内集中,使得能量分布不再均匀所造成的,所以在电流信号的低频率段IMF5、IMF6信号分量中包含有更多电弧故障信息。在EEMD算法中,定义能量熵H来表征某种信息出现的概率,因此可求解IMF5和IMF6阶信号下的能量熵作为电弧故障信号的能量熵特征,能量熵H计算公式为:
$$ {H_j} = - \sum\limits_{j = 1}^m {p{}_j\log } p{}_j $$ (6) 式中:Hj为j阶IMF能量熵;m为IMF总阶数;pj为第j个IMF信号能量占整个信号能量的比例。
2.4 直流电弧故障多维特征空间构建
得到时域、频域以及EEMD分解后的能量熵特征后,构建电弧故障3维特征空间,其特征空间示意图如图4所示,其中图4(a)为3维特征空间的示意图,4(b)、4(c)、4(d)分别为特征空间的3视图。
电弧故障特征空间分为正常、干扰和故障3个区域,电流信号在空间中的位置是由时域距离、频域距离和基于EEMD的能量熵到原点距离确定的,即
$$ {d_{\rm{T}}} = \sqrt {{{\left({I_{{{\rm{var}}} }} - {O_t}\right)}^2} + {{\left({I_{{\text{diff}}}} - {O_t}\right)}^2}} $$ (7) $$ {d_{\rm{F}}} = \sqrt {{{\left({E_1} - {O_f}\right)}^2} + {{\left({E_2} - {O_f}\right)}^2}} $$ (8) $$ {d_{\rm{H}}} = \sqrt {{{({H_5} - {O_s})}^2} + {{({H_6} - {O_s})}^2}} $$ (9) 式中:dT为电流信号在时域特征方向上的距离,由Ivar和Idiff2个时域特征量决定;dF为电流信号在频域特征方向上的距离,由电流信号在f1、f2频率段所对映的能量Earc 1、Earc 2决定;dH为电流信号在EEMD时频特征方向上的距离,由电流信号在IMF5、IMF6分量所对应的能量熵H5、H6决定;O为各个方向上的特征原点。
Tm、Fm和Hm为正常状态的边界;Tn、Fn和Hn为电弧故障区域的边界;ΔT、ΔF和ΔH分别为正常区域在时域特征、频域特征和EEMD能量熵特征方向到电弧故障区域的距离,其值越小对电弧故障的判断越灵敏但可靠性越差,相反干扰区越大,则对电弧故障判断可靠性越高,但灵敏性越差。
3. 实验验证分析
为验证文中所述方法的准确性,文中以所搭建的光伏系统直流故障电弧试验平台为基础,通过实验测量10组光伏系统正常情况和电弧故障情况下的电流信号数据进行对比分析,得到电弧故障特征空间在时域、频域和基于EEMD的时频域3方面特征的参数判据。随后进行光伏系统处于不同环境因素、负载电流、输出功率运行状况下和受到逆变器及光照阴影的干扰下一系列试验,从而对本文提出的时域、频域和EEMD时频域特征信息多维互补的光伏系统电弧故障检测方法进行验证。
3.1 故障特征判据参数确定
由于所搭建的直流电弧故障平台接近于实际光伏系统运行情况,文中所选取的参数值具有很高的参考价值。此外,由于实际光伏发电系统在运行环境和结构上都存在差异性,因此文中所述方法中的参量可以根据各自光伏系统实际运行情况进行微调,使得对电弧故障的判断更加准确。
1)时域特征判据。
由附录A表A3可知电弧故障状态下的特征距离是正常状态下的3.1~15.7倍,因此可以用电流时域特征距离区分光伏系统的运行状态。为保证判据的可靠性,取正常电流均值变化率和周期均值分别对映的最大值0.254和0.131,将此时对映的时域特征距离的最大值0.285定为正常区域的边界,即Tm=0.285。同时考虑到判据对故障电弧的灵敏性,通过大量试验得到ΔT为1倍的Tm值,最终得串联电弧故障区的边界Tn=Tm+ΔT=0.57。
序号 正常状态 故障状态 dT2/ dT1 Ivar Idiff dT1 Ivar Idiff dT2 1 0.131 0.125 0.181 0.627 0.465 0.781 4.315 2 0.232 0.085 0.247 0.736 0.591 0.944 3.822 3 0.254 0.063 0.262 0.753 0.484 0.895 3.146 4 0.025 0.057 0.062 0.562 0.559 0.973 15.694 5 0.163 0.038 0.167 0.553 0.535 0.769 4.605 6 0.118 0.084 0.145 0.745 0.529 0.835 5.759 7 0.062 0.048 0.078 0.781 0.483 0.918 11.769 8 0.175 0.131 0.219 0.694 0.564 0.894 4.082 9 0.073 0.127 0.146 0.523 0.542 0.753 5.159 10 0.134 0.043 0.141 0.695 0.568 0.898 6.369 2)频域特征判据。
在附录A表A4中,取Earc1、Earc2所对映的最大值1.156和1.192,此时对映的频域特征距离为1.66,因此取频域正常区域的边界Fm值为1.66。综合考虑判据的可靠性和稳定性,文中ΔF取3.5倍的正常区域边界值,因而Fn最终取值为Fm+ΔF=7.47。
序号 正常状态 故障状态 dF2/ dF1 Earc1 Earc2 dF1 Earc1 Earc2 dF2 1 0.858 0.955 1.284 6.073 8.149 10.163 7.915 2 0.911 1.064 1.401 7.616 7.565 10.734 7.662 3 1.156 0.935 1.487 8.138 8.174 11.534 7.756 4 1.063 1.028 1.479 5.954 7.652 9.479 6.409 5 1.045 1.016 1.457 6.602 7.823 10.236 7.025 6 1.015 1.145 1.530 8.689 6.932 11.115 7.265 7 0.938 1.192 1.517 7.464 6.941 10.193 6.719 8 0.993 1.089 1.474 8.961 5.865 10.709 7.265 9 1.127 0.895 1.439 8.311 8.309 11.752 8.167 10 1.084 0.947 1.439 7.588 7.485 10.658 7.407 3)基于EEMD的能量熵特征判据。
由附录A表A5可知,对电流信号进行EEMD时频域分析,提取出的特征量数值在正常状态和故障状态有明显的变化,能量熵特征距离对系统的运行状态也呈现较好的区分性。利用表A5中,IMF5、IMF6分量H5、H6的最大值为2.665和2.081时所对映的能量熵特征距离3.38作为能量熵正常区域边界Hm的值。通过实验数据分析,取ΔH为1倍的Hm值,故障区域边界值Hn=Hm+ΔH=6.76。
序号 正常状态 故障状态 dH2/ dH1 H5 H6 dH1 H5 H6 dH2 1 1.017 1.658 1.945 6.172 5.879 8.524 4.838 2 1.741 1.829 2.525 5.243 6.448 8.311 3.291 3 1.423 1.083 1.788 7.253 6.615 9.816 5.489 4 2.665 1.575 3.096 6.564 4.853 8.163 2.637 5 1.933 1.641 2.536 5.749 5.146 7.716 3.043 6 2.185 1.792 2.826 6.428 5.268 8.311 2.941 7 2.247 1.956 2.979 5.812 6.138 8.453 2.838 8 1.318 1.684 2.138 6.223 5.842 8.535 3.992 9 2.474 1.754 3.033 6.756 5.613 8.783 2.896 10 2.532 2.081 3.277 6.936 6.249 9.336 2.849 3.2 不同影响因素下的电弧故障识别结果
为检验光照环境因素对直流电弧故障检测系统的影响,文中在一天中的不同时刻,每隔0.5h分别采集光伏系统正常状态和电弧故障状态下的电流信号,采集时间为07:00—18:00,期间天气状况为多云转晴,环境温度为15~24℃,至18:00点已无光照。以不同电压的变化表示环境因素对直流电弧故障检测准确性的影响。不同电压下正常状态和电弧故障状态下的时域特征距离、频域特征距离及基于EEMD的能量熵特征距离对比如图5所示。
从图5中可看出,正常状态下时域特征距离、频域特征距离及能量熵特征距离数值较小且比较稳定,与故障状态区分明显。不同电压条件下在多维特征空间中的电弧识别结果如图6(a)所示;实验中将光伏系统保持额定输出电压,通过改变系统中负载阻值进而改变负载电流,以系统电流从1~10 A,正常和电弧故障状态下各10组试验数据进行分析,得到正常与电弧故障的三维特征空间识别结果如图6(b)所示;通过改变光伏系统的光照强度和光伏阵列中光伏板的个数,得到光伏系统在不同输出功率下正常和电弧故障2种状态的电流数据,得到不同输出功率下的电弧故障识别结果如图6(c)所示。
上述结果表明,文中所提出的基于多维特征融合的串联直流电弧故障检测方法在结合采集到的电流信号进行时域、频域及能量熵特征量提取得到对映方向上的特征距离并生成多维特征空间后,针对不同情况下的故障识别均具有较高的准确性,能够精准识别光伏系统在不同环境因素、不同负载以及不同输出功率情况下的串联直流电弧故障,对光伏系统的在线监测与故障诊断技术的发展具有一定的参考意义。
3.3 不同识别方法的性能对比
为验证文中所述基于多维特征融合的串联直流电弧故障检测方法与单一特征量判据的性能对比,按3.2节实验方法得到了连续5天,共100组光伏系统正常状态和电弧故障状态下的电流信号,分别按时域特征量、频域特征量、能量熵特征量以及多维特征量进行对比分析,得到4种方法情况下的判断准确率如表1所示,其中准确率计算方法为识别正确次数在总实验次数中占的百分比。
识别方法 误判次数 识别准确率/% 时域特征 12 88 频域特征 8 92 能量熵特征 6 94 多维特征 1 99 由表1可以看出,在实际工况下,即充分考虑不同负载、不同功率和不同环境的影响下,文中所述方法较单一特征量识别方法使时域、频域以及能量熵特征得到了优势互补,最终使识别准确率得到了提高,因此,文中所述方法具有较高的可靠性,适用于光伏系统串联电弧故障的识别。
4. 结论
本文通过搭建光伏系统串联直流电弧故障测试平台,采集电弧电流数据,利用统计方法提取出可识别电弧故障的特征量,即电流均值变化率和电流周期最值差,利用FFT进行频域特征量分析,发现直流电弧故障发生后,频率段0~50 kHz、50~100 kHz内的能量有明显增加,运用EEMD方法进行6阶处理,对比分析后提取出IMF5、IMF6所对映的能量熵H5、H6作为识别直流故障时频域特征量。最后通过光伏系统在不同环境因素、不同负载以及不同输出功率情况下的实验验证了所述方法识别电弧的准确性。
致 谢
本文得到了国网河北省电力公司科技项目支持,在此表示感谢。
(本刊附录请见网络版,印刷版略)
-
A1 光伏组件参数
A1 Parameters of PV module
参数指标 最佳工作电压Un/V 最佳工作电流In/A 开路
电压Uoc/V短路电流Isc/A 最大功率Pm/W 数据 28.8 9.02 36 9.75 260 A2 各频带能量及能量比
A2 Energy and energy ratio of each frequency band
频带 范围/kHz 电弧状态能量Earc i 正常状态能量E0 i 能量比βi f1 0~50 8.426 0.9451 8.915 f2 50~100 8.521 0.8342 10.215 f3 100~150 2.975 0.6157 4.832 f4 150~200 0.739 0.3124 2.366 f5 200~250 0.805 0.5298 1.519 f6 250~300 0.246 0.4231 0.581 f7 300~350 0.538 0.7261 0.741 f8 350~400 0.374 0.3439 1.088 f9 400~450 0.291 0.3726 0.781 f10 450~500 0.473 0.5327 0.887 A3 时域特征参数
A3 Characteristic parameters of time domain
序号 正常状态 故障状态 dT2/ dT1 Ivar Idiff dT1 Ivar Idiff dT2 1 0.131 0.125 0.181 0.627 0.465 0.781 4.315 2 0.232 0.085 0.247 0.736 0.591 0.944 3.822 3 0.254 0.063 0.262 0.753 0.484 0.895 3.146 4 0.025 0.057 0.062 0.562 0.559 0.973 15.694 5 0.163 0.038 0.167 0.553 0.535 0.769 4.605 6 0.118 0.084 0.145 0.745 0.529 0.835 5.759 7 0.062 0.048 0.078 0.781 0.483 0.918 11.769 8 0.175 0.131 0.219 0.694 0.564 0.894 4.082 9 0.073 0.127 0.146 0.523 0.542 0.753 5.159 10 0.134 0.043 0.141 0.695 0.568 0.898 6.369 A4 频域特征参数
A4 Characteristic parameters of frequency domain
序号 正常状态 故障状态 dF2/ dF1 Earc1 Earc2 dF1 Earc1 Earc2 dF2 1 0.858 0.955 1.284 6.073 8.149 10.163 7.915 2 0.911 1.064 1.401 7.616 7.565 10.734 7.662 3 1.156 0.935 1.487 8.138 8.174 11.534 7.756 4 1.063 1.028 1.479 5.954 7.652 9.479 6.409 5 1.045 1.016 1.457 6.602 7.823 10.236 7.025 6 1.015 1.145 1.530 8.689 6.932 11.115 7.265 7 0.938 1.192 1.517 7.464 6.941 10.193 6.719 8 0.993 1.089 1.474 8.961 5.865 10.709 7.265 9 1.127 0.895 1.439 8.311 8.309 11.752 8.167 10 1.084 0.947 1.439 7.588 7.485 10.658 7.407 A5 基于EEMD的能量熵特征参数
A5 EEMD-based Characteristic parameters of energy entropy
序号 正常状态 故障状态 dH2/ dH1 H5 H6 dH1 H5 H6 dH2 1 1.017 1.658 1.945 6.172 5.879 8.524 4.838 2 1.741 1.829 2.525 5.243 6.448 8.311 3.291 3 1.423 1.083 1.788 7.253 6.615 9.816 5.489 4 2.665 1.575 3.096 6.564 4.853 8.163 2.637 5 1.933 1.641 2.536 5.749 5.146 7.716 3.043 6 2.185 1.792 2.826 6.428 5.268 8.311 2.941 7 2.247 1.956 2.979 5.812 6.138 8.453 2.838 8 1.318 1.684 2.138 6.223 5.842 8.535 3.992 9 2.474 1.754 3.033 6.756 5.613 8.783 2.896 10 2.532 2.081 3.277 6.936 6.249 9.336 2.849 表 1 不同识别方法性能对比
Table 1 The performance comparison of different identification methods
识别方法 误判次数 识别准确率/% 时域特征 12 88 频域特征 8 92 能量熵特征 6 94 多维特征 1 99 -
赵冬梅, 任耀宇, 程雪婷. 低压配电网分布式光伏接纳能力分析[J]. 现代电力, 2021, 38(4): 392−401. ZHAO Dongmei, REN Yaoyu, CHENG Xueting. Analysis of distributed photovoltaic acceptance capacity in low voltage distribution network[J]. Modern Electric Power, 2021, 38(4): 392−401(in Chinese).
熊庆, 陈维江, 汲胜昌, 等. 低压直流系统故障电弧特性、检测和定位方法研究进展综述[J]. 中国电机工程学报, 2020, 40(18): 6015−6027. XIONG Qing, CHEN Weijiang, JI Shengchang, et al. Review of research progress on characteristics, detection and localization approaches of fault arc in low voltage DC system[J]. Proceedings of the CSEE, 2020, 40(18): 6015−6027(in Chinese).
贾科, 施志明, 朱瑞, 等. 基于边界谐振识别的光伏直流升压汇集系统的故障处理[J]. 中国电机工程学报, 2021, 41(6): 2144−2156. JIA Ke, SHI Zhiming, ZHU Rui, et al. Fault processing of photovoltaic DC boost integration system based on boundary resonance identification[J]. Proceedings of the CSEE, 2021, 41(6): 2144−2156(in Chinese).
GAO Yuan, ZHANG Junjun, LIN Yandan, et al. An innovative photovoltaic DC arc fault detection method through multiple criteria algorithm based on a new arc initiation method[C]// 40th IEEE Photovoltaic Specialist Conference (PVSC). Colorado, USA, 2014: 3188-3192.
祝令瑜, 由志勋, 刘源, 等. 低压串联直流电弧检测方法的研究现状及发展[J]. 绝缘材料, 2015, 48(5): 1−5. doi: 10.3969/j.issn.1009-9239.2015.05.001 ZHU Lingyu, YOU Zhixun, LIU Yuan, et al. Research status and development of detection methods of low voltage series DC arc[J]. Insulating Materials, 2015, 48(5): 1−5(in Chinese). doi: 10.3969/j.issn.1009-9239.2015.05.001
熊庆, 刘小军, 郭自清, 等. 基于电流频谱积分差值的光伏系统电弧故障检测和定位[J]. 高电压技术, 2021, 47(5): 1625−1633. XIONG Qing, LIU Xiaojun, GUO Ziqing, et al. Arc fault detection and localization for photovoltaic system based on spectrum integration difference of currents[J]. High Voltage Engineering, 2021, 47(5): 1625−1633(in Chinese).
马健凯. 光伏发电系统的电弧故障检测技术研究[D]. 济南: 山东建筑大学, 2020. MA Jiankai. Research on arc fault detection technology of photovoltaic power generation system[D]. Jinan: Shandong Jianzhu University, 2020(in Chinese).
郭凤仪, 刘大卫, 王智勇, 等. 光伏系统直流故障电弧实验研究[J]. 电子测量与仪器学报, 2018, 32(6): 25−32. GUO Fengyi, LIU Dawei, WANG Zhiyong, et al. Experimental research on DC arc fault in PV system[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(6): 25−32(in Chinese).
熊小伏, 王尉军, 于洋, 等. 多气象因素组合的输电线路风险分析[J]. 电力系统及其自动化学报, 2011(6): 11−15. doi: 10.3969/j.issn.1003-8930.2011.06.003 XIONG Xiaofu, WANG Weijun, YU Yang, et al. Risk analysis method for transmission line combining of various meteorological factors[J]. Proceedings of the CSU-EPSA, 2011(6): 11−15(in Chinese). doi: 10.3969/j.issn.1003-8930.2011.06.003
KANEMARU M, KOKURA K, MORI M, et al. Identification technique of DC series arc-fault strings in photovoltaic systems[J]. Electrical Engineering in Japan, 2019, 207(2): 12−19. doi: 10.1002/eej.23204
HUANG Xiaoxiao, WU Chunhua, LI Zhihua, et al. Comparison of DC arc fault detection methods for photovoltaic system[J]. Acta Energiae Solaris Sinica, 2020, 41(8): 204−214.
LU Shibo, SAHOO A, MA Rui, et al. DC series arc fault detection using machine learning in photovoltaic systems: recent developments and challenges [C]//Proceeding - 8th International Conference on Condition Monitoring and Diagnosis (CMD2020), 2020: 416-421.
JIAO Zhijie, LI Teng, WANG Lina, et al. DC series arc-fault detection of photovoltaic system based on convolutional neural network [J]. Advanced Technology of Electrical Engineering and Energy, 2019, 38(7): 29-34.
王志斌, 曹红伟, 刘佳佳. 基于小波包去噪与EMD的故障电弧检测算法研究[J]. 电测与仪表, 2019, 56(6): 117−121. WANG Zhibin, CAO Hongwei, LIU Jiajia. Research on fault arc detection algorithm based on wavelet packet de-noise and EMD decomposition[J]. Electrical Measurement & Instrumentation, 2019, 56(6): 117−121(in Chinese).
XIA Kun, HE Sheng, TAN Yuan, et al. Wavelet packet and support vector machine analysis of series DC ARC fault detection in photovoltaic system [J]. IEEJ Transactions on Electrical and Electronic Engineering, 2019, 14(2): 192-200.
AHN J B, JO H B, LEE J H, et al. Separation inverter noise and detection of DC series arc in PV system based on discrete wavelet transform and high frequency noise component analysis [J]. The Transactions of the Korean Institute of Power Electronics, 2021, 26(4): 271-276.
LIU Shengyang, DONG Lei, LIAO Xiaozhong, et al. Application of the variational mode decomposition-based time and time-frequency domain analysis on series DC arc fault detection of photovoltaic arrays[J]. IEEE Access, 2019, 7: 126177−126190. doi: 10.1109/ACCESS.2019.2938979
吴春华, 胡雅, 李智华, 等. 基于SSTDR的光伏系统直流母线电弧故障在线检测与定位[J]. 中国电机工程学报, 2020, 40(8): 2725−2735. WU Chunhua, HU Ya, LI Zhihua, et al. On-line detection and location of DC bus arc faults in PV systems based on SSTDR[J]. Proceedings of the CSEE, 2020, 40(8): 2725−2735(in Chinese).
张冠英, 张艳娇, 赵远, 等. 基于高斯过程分类的串联直流电弧故障检测[J]. 高压电器, 2020, 56(4): 1−7,14. ZHANG Guanying, ZHANG Yanjiao, ZHAO Yuan, et al. Detection method of series DC arc fault based on gaussian process classification[J]. High Voltage Apparatus, 2020, 56(4): 1−7,14(in Chinese).
焦治杰, 李腾, 王莉娜, 等. 基于卷积神经网络的光伏系统直流串联电弧故障检测[J]. 电工电能新技术, 2019, 38(7): 29−34. JIAO Zhijie, LI Teng, WANG Lina, et al. Detection of DC series arc fault in photovoltaic system based on convolutional neural network[J]. Advanced Technology of Electrical Engineering and Energy, 2019, 38(7): 29−34(in Chinese).
Standard for Photovoltaic (PV) DC Arc-fault Circuit Protection: UL 1699B [S]. 2018.
李长伟. 直流故障电弧检测方法及其装置的研究[D]. 天津: 河北工业大学, 2016. LI Changwei. Research on the method and device of DC arc fault detection[D]. Tianjin: Hebei University of Technology, 2016(in Chinese).
苏晶晶, 许志红. 基于EMD和PNN的故障电弧多变量判据诊断方法[J]. 电力自动化设备, 2019, 39(4): 106−113. SU Jingjing, XU Zhihong. Fault arc multivariate criterion diagnosis method based on EMD and PNN[J]. Electric Power Automation Equipment, 2019, 39(4): 106−113(in Chinese).
赵会茹, 张士营, 赵一航, 等. 基于自适应噪声完备经验模态分解−样本熵−长短期记忆神经网络和核密度估计的短期电力负荷区间预测[J]. 现代电力, 2021, 38(2): 138−146. ZHAO Huiru, ZHANG Shiying, ZHAO Yihang, et al. Short-term power load interval prediction based on CEEMDAN-SE-LSTM and KDE[J]. Modern Electric Power, 2021, 38(2): 138−146(in Chinese).
-
期刊类型引用(3)
1. 宋振宇,邢晨,李明,张文煜,才鸿飞,乔颖,姚芳. 光伏直流配电故障诊断及火灾风险评估技术. 全球能源互联网. 2024(01): 46-54 . 百度学术 2. 王尧,盛德杰,李腾,刘玉莹,兰天乐,包志舟,朱彤威. 低压直流串联故障电弧研究综述. 电器与能效管理技术. 2024(08): 11-20 . 百度学术 3. 梅朵央金. 基于多特征融合的中波发射机故障位置判定研究. 西部广播电视. 2023(12): 225-227 . 百度学术 其他类型引用(1)