基于多特征融合的光伏系統串聯直流電弧故障識別方法

胡繼新，許永新，耿鐿誠，王永強

（1. 國家電投集團東方新能源股份有限公司熱力分公司, 河北省 石家莊市 050000；2. 河北省輸變電設備安全防御重點實驗室(華北電力大學), 河北省 保定市 071003）

0 引言

全球一次能源日益減少，使得太陽能光伏發電系統得到較大規模的應用[1]。但隨著光伏系統的長時間運行以及投入環境大部分處于荒山、沙漠等多方面因素，系統極易發生直流電弧故障，導致系統發電效率降低，甚至危害系統及整個電網的安全[2-4]。因此，研究識別光伏系統直流電弧故障的方法，在電弧發展初始階段采取有效措施，預防故障電弧發生，對保障光伏系統穩定運行具有重要意義[5-9]。

目前，國內外學者針對光伏系統直流電弧故障的檢測進行了初步的研究，并提出相應的識別方法。文獻[10]提出了直流串聯電弧故障檢測和故障串識別技術，并通過實驗驗證了所述方法的有效性；文獻[11]從時域、頻域和時頻域方面對電弧信號進行分析研究，得出各種方法的適用場景；文獻[12-13]采用機器學習的方法對串聯直流電弧故障進行分析，并通過實驗驗證了方法的有效性；文獻[14-16]基于小波變換方法，提取直流電弧的時頻特性對電弧進行故障檢測，但小波變換方法不具有自適應性；文獻[17]通過采用變分模態分解的方法提取電弧故障特征，實現了故障電弧的檢測；文獻[18]通過采用擴展頻譜時域反射法實現直流電弧故障信號的檢測與定位。

雖然國內外相關學者在光伏系統串聯直流電弧故障識別方面取得了一定的成果，但仍有以下不足。第一，采用時域、頻域或小波變換后的單一特征量作為電弧識別特征時，當電弧特征不明顯時，容易造成誤判，使識別準確率下降；第二，若采用機器學習的方法需要設定深度學習方法的關鍵參數，如網絡節點數等，參數不準時也會造成識別準確率下降。綜上所述，特征量的選擇與處理對直流電弧故障模式識別具有十分重要的意義，因此文中提出一種基于多特征融合的光伏系統串聯直流電弧故障識別方法，實驗結果表明文中所提方法較現有特征識別方法具有更高的識別準確率。

1 實驗平臺搭建

光伏系統易發生由光伏板之間、光伏板與導架間、2接線盒間以及損壞的連接線間的接觸不良等原因導致的串聯電弧故障和主要由線路損壞引起的并聯電弧故障[19]。但并聯電弧故障發生概率較低，且電流較大，易被保護裝置檢測到，而發生串聯電弧故障概率較大，且故障電流較小，難以被保護裝置檢測到[20]，因此文中重點對光伏系統串聯直流電弧故障進行研究并搭建實驗平臺，該平臺結構示意圖如圖1所示。

圖1 直流電弧故障實驗平臺結構圖Fig. 1 Structural diagram of DC arc fault experiment platform

平臺中以12塊參數一致的光伏板組成光伏陣列，每6塊為一組進行串聯，兩組之間并聯，光伏組件參數如附錄A表A1所示。

電弧發生器的制作參考UL1699B標準[21]，通過步進電機控制2電極間隙大小，當達到電弧產生條件時，2極間的空氣間隙將會被擊穿發生電弧放電。電流采集模塊對電弧信號進行實時采集，并利用示波器對信號進行顯示和保存，采樣率為1MHz。由于發生直流電弧故障時，電弧對電極具有很強的灼燒作用，因此為保證每次實驗數據的準確性和一致性，在每次實驗后需要重新對電極進行打磨。如圖2所示為實驗中產生的直流電弧故障現象，圖中的亮斑即為產生的故障電弧。

圖2 直流電弧故障現象Fig. 2 The phenomenon of DC arc fault

2 基于多特征融合的直流電弧故障特性及檢測方法

2.1 時域故障特征提取方法

采集到的實驗原始信號會伴有低頻信號交流噪聲的干擾，因此對實驗結果得到的光伏系統正常及發生電弧故障狀態時的電流數據在數據處理軟件中進行小波降噪處理，得到如附錄B圖B1所示的時域信號圖，圖中的結果表明，當光伏系統處于正常狀態時，電流波形幅度變化不大，當光伏系統發生電弧故障時，其時域圖開始出現大幅度的上下抖動，因此文中以時域信號的故障特征作為判斷光伏系統串聯直流電弧故障的一種檢測參量。

文中以電流均值變化率Ivar和電流周期最值差Idiff2個特征量描述電弧故障前后電流幅值突變特性[22]，其計算公式如式（1）所示：

式（1）中，N為單個時間窗口T內的電流數據個數，其中，第n個數據點的電流幅值為I(n)T；I(n)T+1為下一個時間窗口(T+1)內第n個數據點的電流幅值；ImTax、ImTin分別為同一時間窗口T內所有采樣點電流幅值的最大值和最小值；文中取時間窗口T為1 ms，即每個窗口中包含有1000個電流數據點。

2.2 頻域故障特征提取方法

對時域信號進行快速傅里葉變換（fast Fourier transformation, FFT）得到正常及串聯電弧故障情況下的頻譜對比圖，如附錄B圖B2所示。

由附錄B圖B2可知，電弧故障發生前后諧波含量有所增加，致使發生電弧故障后頻譜能量分布不均勻。實驗中采樣頻率為1 MHz，根據采樣定律，在進行不失真情況下分析采集得到的電流數據頻率范圍為0~500 kHz。因此，為便于分析，文中通過FFT以50 kHz為間隔將信號分為10個更小的頻帶，分別記為f1、f2、…、f10，分別計算正常狀態和故障狀態下每個頻率段所對映所有點的電流幅值平方和作為該頻率段的能量，并分別記為E0i和Earci(i=1,2,…，10）。

分別求取2種狀態下對映各頻率段的能量比值βi，即：

計算結果如附錄A表A2所示，電流信號故障狀態和正常狀態的能量比值越大，說明在故障前后相對映頻率段的能量變化越明顯。由附錄A表A2各段能量比可以看出，在直流電弧故障發生后，低頻率段0~50 kHz、50~100 kHz內的能量變化比正常狀態下更加明顯，因此文中將f1、f2所對映頻段的能量Earc1、Earc2作為頻域特征檢測量。

2.3 基于EEMD的時頻域故障特征提取方法

經驗模態分解（empirical mode decomposition,EMD）方法對非線性、非平穩信號具有非常好的變換效果，它基于信號的局部特征時間尺度，將復雜信號分解為有限的本征模態函數（intrinsic mode function，IMF）之和，每一個IMF所包含的頻率成分除了與頻率相關以外，還與信號本身有較強的相關性，因此，具有很強的自適應性[23]。但EMD方法具有一定的缺點，最嚴重的就是其計算過程會導致嚴重的模態混疊，因此，有學者利用平均值的思想用白噪聲對EMD進行優化改進得到集合經驗模態分解（ensemble empirical mode decomposition, EEMD）方法，較好地解決了這一問題[24]，文中利用EEMD分解方法對電弧信號進行分解，提取得到不同的時頻分量特征，從而進行故障檢測。

EEMD方法的分解步驟為：

Step1：在原始信號x(t)中加入均值為零的隨機白噪聲序列s(t)，得到新信號xn(t)

Step2：對信號xn(t)進行EMD分解，具體過程為：

1) 確定信號xn(t)的所有局部極大值和極小值點，將局部極大值和局部極小值點用3次樣條插值方法連接起來形成信號的上下包絡線ea(t)、eb(t)；

2) 計算xn(t)的上、下包絡線的平均值，得到平均值曲線m(t)，計算得到新的序列h(t)即：

3) 判斷h(t)是否滿足IMF條件，即h(t)在整個時間范圍內，局部極值點和過零點的數目相等或最多相差一個，以及局部極大值確定的包絡線和局部極小值確定的包絡線均值為零。如果滿足則得到xn(t)的一個IMF分量di(t)，若不滿足，則將h(t)作為原始信號重復以上步驟；

4） 從xn(t)中把di(t)分離出來，得到剩余信號分量r(t)，將r(t)作為原始信號，重復以上步驟直至滿足終止條件結束。

Step3：對x(t)分別加入k組方差相等的白噪聲信號，重復以上步驟，得到k組信號的EMD分解結果；

Step4：計算k組分解結果的均值并輸出。

按上述步驟，得到如圖3所示的光伏系統在正常狀態和電弧故障狀態下電流信號EEMD算法進行分解后得到的各階IMF分量對比圖，共包括10階IMF信號和1階r(t)信號，因圖形較小，未標出的正常電流的縱坐標電流幅值變化范圍為[-0.1,0.1]A，電弧故障電流的縱坐標變化為[-0.2,0.2]A。

圖3 正常及電弧故障狀態EEMD分解結果對比Fig. 3 Comparison of EEMD decomposition results under normal and arc fault states

電流信號經EEMD分解得到了10個IMF含有不同時頻成分的分量，其中IMF的選擇也是EEMD法進行故障檢測的核心。為更好區分出在光伏系統故障前后各IMF分量變化大小，文中以余弦相似度描述正常信號與噪聲信號各階IMF信號之間的相似程度，即：

式中：j為IMF的階數；Fj(t)為j階正常信號；M(t)為j階IMF信號；N為信號的數據點量。

在故障前后余弦相似度越小，說明該IMF信號包含的故障信息越多。由附錄B圖B3可知，當發生電弧故障時，IMF5、IMF6信號與原始信號的余弦相似度均較低，低于0.15，表明該分量在發生故障前后能量變化明顯，這是由于電弧故障電流的出現導致能量在一定的頻率段內集中，使得能量分布不再均勻所造成的，所以在電流信號的低頻率段IMF5、IMF6信號分量中包含有更多電弧故障信息。在EEMD算法中，定義能量熵H來表征某種信息出現的概率，因此可求解IMF5和IMF6階信號下的能量熵作為電弧故障信號的能量熵特征，能量熵H計算公式為：

式中：Hj為j階IMF能量熵；m為IMF總階數；pj為第j個IMF信號能量占整個信號能量的比例。

2.4 直流電弧故障多維特征空間構建

得到時域、頻域以及EEMD分解后的能量熵特征后，構建電弧故障3維特征空間，其特征空間示意圖如圖4所示，其中圖4（a）為3維特征空間的示意圖，4（b）、4（c）、4（d）分別為特征空間的3視圖。

圖4 電弧故障多維特征空間示意圖Fig. 4 Schematic diagram of multi-dimensional feature space under arc fault

電弧故障特征空間分為正常、干擾和故障3個區域，電流信號在空間中的位置是由時域距離、頻域距離和基于EEMD的能量熵到原點距離確定的，即

式中：dT為電流信號在時域特征方向上的距離，由Ivar和Idiff2個時域特征量決定；dF為電流信號在頻域特征方向上的距離，由電流信號在f1、f2頻率段所對映的能量Earc1、Earc2決定；dH為電流信號在EEMD時頻特征方向上的距離，由電流信號在IMF5、IMF6分量所對應的能量熵H5、H6決定；O為各個方向上的特征原點。

Tm、Fm和Hm為正常狀態的邊界；Tn、Fn和Hn為電弧故障區域的邊界；ΔT、ΔF和ΔH分別為正常區域在時域特征、頻域特征和EEMD能量熵特征方向到電弧故障區域的距離，其值越小對電弧故障的判斷越靈敏但可靠性越差，相反干擾區越大，則對電弧故障判斷可靠性越高，但靈敏性越差。

3 實驗驗證分析

為驗證文中所述方法的準確性，文中以所搭建的光伏系統直流故障電弧試驗平臺為基礎，通過實驗測量10組光伏系統正常情況和電弧故障情況下的電流信號數據進行對比分析，得到電弧故障特征空間在時域、頻域和基于EEMD的時頻域3方面特征的參數判據。隨后進行光伏系統處于不同環境因素、負載電流、輸出功率運行狀況下和受到逆變器及光照陰影的干擾下一系列試驗，從而對本文提出的時域、頻域和EEMD時頻域特征信息多維互補的光伏系統電弧故障檢測方法進行驗證。

3.1 故障特征判據參數確定

由于所搭建的直流電弧故障平臺接近于實際光伏系統運行情況，文中所選取的參數值具有很高的參考價值。此外，由于實際光伏發電系統在運行環境和結構上都存在差異性，因此文中所述方法中的參量可以根據各自光伏系統實際運行情況進行微調，使得對電弧故障的判斷更加準確。

1）時域特征判據。

由附錄A表A3可知電弧故障狀態下的特征距離是正常狀態下的3.1~15.7倍，因此可以用電流時域特征距離區分光伏系統的運行狀態。為保證判據的可靠性，取正常電流均值變化率和周期均值分別對映的最大值0.254和0.131，將此時對映的時域特征距離的最大值0.285定為正常區域的邊界，即Tm=0.285。同時考慮到判據對故障電弧的靈敏性，通過大量試驗得到ΔT為1倍的Tm值，最終得串聯電弧故障區的邊界Tn=Tm+ΔT=0.57。

2）頻域特征判據。

在附錄A表A4中，取Earc1、Earc2所對映的最大值1.156和1.192，此時對映的頻域特征距離為1.66，因此取頻域正常區域的邊界Fm值為1.66。綜合考慮判據的可靠性和穩定性，文中ΔF取3.5倍的正常區域邊界值，因而Fn最終取值為Fm+ΔF=7.47。

3）基于EEMD的能量熵特征判據。

由附錄A表A5可知，對電流信號進行EEMD時頻域分析，提取出的特征量數值在正常狀態和故障狀態有明顯的變化，能量熵特征距離對系統的運行狀態也呈現較好的區分性。利用表A5中，IMF5、IMF6分量H5、H6的最大值為2.665和2.081時所對映的能量熵特征距離3.38作為能量熵正常區域邊界Hm的值。通過實驗數據分析，取ΔH為1倍的Hm值，故障區域邊界值Hn=Hm+ΔH=6.76。

3.2 不同影響因素下的電弧故障識別結果

為檢驗光照環境因素對直流電弧故障檢測系統的影響，文中在一天中的不同時刻，每隔0.5h分別采集光伏系統正常狀態和電弧故障狀態下的電流信號，采集時間為07:00—18:00，期間天氣狀況為多云轉晴，環境溫度為15~24℃，至18：00點已無光照。以不同電壓的變化表示環境因素對直流電弧故障檢測準確性的影響。不同電壓下正常狀態和電弧故障狀態下的時域特征距離、頻域特征距離及基于EEMD的能量熵特征距離對比如圖5所示。

從圖5中可看出，正常狀態下時域特征距離、頻域特征距離及能量熵特征距離數值較小且比較穩定，與故障狀態區分明顯。不同電壓條件下在多維特征空間中的電弧識別結果如圖6（a）所示；實驗中將光伏系統保持額定輸出電壓，通過改變系統中負載阻值進而改變負載電流，以系統電流從1~10 A，正常和電弧故障狀態下各10組試驗數據進行分析，得到正常與電弧故障的三維特征空間識別結果如圖6（b）所示；通過改變光伏系統的光照強度和光伏陣列中光伏板的個數，得到光伏系統在不同輸出功率下正常和電弧故障2種狀態的電流數據，得到不同輸出功率下的電弧故障識別結果如圖6（c）所示。

圖5 不同電壓下正常和電弧故障特征對比Fig. 5 Comparison of the characteristics of normal state and that of arc fault characteristics under different voltages

圖6 不同影響因素下電弧識別結果Fig. 6 Recognition results of the arc under different influencing factors

上述結果表明，文中所提出的基于多維特征融合的串聯直流電弧故障檢測方法在結合采集到的電流信號進行時域、頻域及能量熵特征量提取得到對映方向上的特征距離并生成多維特征空間后，針對不同情況下的故障識別均具有較高的準確性，能夠精準識別光伏系統在不同環境因素、不同負載以及不同輸出功率情況下的串聯直流電弧故障，對光伏系統的在線監測與故障診斷技術的發展具有一定的參考意義。

3.3 不同識別方法的性能對比

為驗證文中所述基于多維特征融合的串聯直流電弧故障檢測方法與單一特征量判據的性能對比，按3.2節實驗方法得到了連續5天，共100組光伏系統正常狀態和電弧故障狀態下的電流信號，分別按時域特征量、頻域特征量、能量熵特征量以及多維特征量進行對比分析，得到4種方法情況下的判斷準確率如表1所示，其中準確率計算方法為識別正確次數在總實驗次數中占的百分比。

由表1可以看出，在實際工況下，即充分考慮不同負載、不同功率和不同環境的影響下，文中所述方法較單一特征量識別方法使時域、頻域以及能量熵特征得到了優勢互補，最終使識別準確率得到了提高，因此，文中所述方法具有較高的可靠性，適用于光伏系統串聯電弧故障的識別。

表1 不同識別方法性能對比Table 1 The performance comparison of different identification methods

4 結論

本文通過搭建光伏系統串聯直流電弧故障測試平臺，采集電弧電流數據，利用統計方法提取出可識別電弧故障的特征量，即電流均值變化率和電流周期最值差，利用FFT進行頻域特征量分析，發現直流電弧故障發生后，頻率段0~50 kHz、50~100 kHz內的能量有明顯增加，運用EEMD方法進行6階處理，對比分析后提取出IMF5、IMF6所對映的能量熵H5、H6作為識別直流故障時頻域特征量。最后通過光伏系統在不同環境因素、不同負載以及不同輸出功率情況下的實驗驗證了所述方法識別電弧的準確性。

致 謝

本文得到了國網河北省電力公司科技項目支持，在此表示感謝。

（本刊附錄請見網絡版，印刷版略）

附錄 A

附表 A1 光伏組件參數Table A1 Parameters of PV module

附表 A2 各頻帶能量及能量比Table A2 Energy and energy ratio of each frequency band

附表 A3 時域特征參數Table A3 Characteristic parameters of time domain

附表 A4 頻域特征參數Table A4 Characteristic parameters of frequency domain

附表 A5 基于EEMD的能量熵特征參數Table A5 EEMD-based Characteristic parameters of energy entropy

附錄 B

附圖 B1 正常及電弧故障狀態下的時域波形對比圖Fig. B1 Contrast of time domain waveforms under normal and arc fault states

附圖 B2 正常及電弧故障狀態下頻譜對比圖Fig. B2 Contrast of frequency spectrum under normal and arc fault states

附圖 B3 各階信號的余弦相似度曲線Fig. B3 Cosine similarity curve of each order signal