韩 明, 李剑波, 邵春莉, 梁利平

(合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)

基于频域能量和小波系数方差的光伏系统故障电弧判断方法

韩 明, 李剑波, 邵春莉, 梁利平

(合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)

文章通过实验采集故障电弧数据,根据故障电弧时域波形的特点进行频谱分析,确定故障电弧所在的频段和能量集中的频段;采用小波变换的方法,计算这些频段的小波系数和方差;根据能量值和方差值,判断有无故障电弧发生,以提高检测的准确性和可靠性。

故障电弧;光伏系统;电弧检测;傅里叶变换;小波变换

在光伏系统中,太阳能电池板组成的光伏阵列通过串联的方式,把产生的直流电通过逆变器转换成交流电,输送给电网。直流端输出的电压随着光伏阵列的增大而增大,一般从几十伏到上百伏,大型的光伏发电站甚至可以达到上千伏的直流高压。由于绝缘老化或者线路破损等原因,在直流侧很容易产生故障电弧,而且在光伏组件的限流特性和光照电流独立特性的共同作用下,使得故障电弧有稳定燃烧的条件。因此,一旦产生故障电弧,如果不能及时察觉并切断线路,就会引起火灾事故的发生,烧毁光伏组件和输电线路,造成巨大的经济损失[1-2]。目前的熔断器、断路器等保护装置只能对过流、短路等情况进行检测和保护,不能对故障电弧起到检测和保护的作用。因此,对故障电弧特性进行分析与研究,研制出快速、及时的故障电弧检测装置,以便切断故障线路,保护光伏系统,具有很强的工程实用价值。

影响故障电弧的因素很多,包括温度、湿度、光照强度、电流大小、线缆长度、电极间的距离以及来自逆变器及周围环境的干扰[3-5]。这些因素会降低检测的准确性和可靠性,使得故障电弧的检测变得更加困难。

目前,国外学者主要从时域和频域2个方面提出了检测方法,并设计了相应的检测装置。文献[6]根据产生故障电弧时电流幅值会发生变化的时域特性,利用同轴分流器测量逆变器输入端电流波形变化情况,实现故障电弧检测[6]。但是,由于光伏系统受光照和温度变化的影响,输出电流和电压幅值不稳定,使得该检测装置容易造成误判。文献[7]提出的电弧检测装置包含一个谐振电路,将谐振电路的频率设定为一个特定值,这个频率在光伏系统正常工作时不会出现,通过检测这个特定的频率来判断是否有电弧产生。该方法的缺点是,容易受到来自逆变器或者其他装置的噪声干扰而误触发。文献[8]提出了一种基于频率检测的智能装置,如图1所示。该装置包括一个德州仪器(TI)的C2000系列的数字信号微处理器(DSC)和一个半导体开关器件。利用分压器采集光伏组件的电压信号,将其传入DSC中,根据频率变化分析是否有故障电弧产生,控制半导体开关器件将光伏组件短路达到灭弧的效果。该方法的缺点是,需要在每个光伏组件上安装检测装置,这无疑会增加成本,并且当光伏组件短路时检测装置的供电问题也没有解决。此外,该检测装置还没有在现场进行实验,来自逆变器的噪声干扰对检测的准确性还不得而知。

图1 基于频率检测故障电弧的智能装置

目前,国内对故障电弧的研究还处在初级阶段,也没有设计出相应的检测装置。

虽然国外学者针对故障电弧设计了检测装置,但是,这些装置都存在着误判率高、成本高、判据单一等缺点,这是因为电弧燃烧是一个复杂的过程,且影响电弧的因素很多。因此,深入研究故障电弧的本质,找出其特征,对提高检测的准确性和可靠性具有重要意义。

本文在实验装置上模拟故障电弧的发生情况,采集故障电弧信号的实验数据。针对故障电弧信号在时域上非常杂乱的特点,采用频谱分析方法,找出故障电弧信号所在的频段,计算其能量在该频段的分布情况,确定故障电弧能量集中的频段。再利用小波变换时频分析的特点,对故障电弧进行小波分解,得到与能量在同一频段内的小波系数,并计算小波系数的方差。最后,综合能量和方差的分布情况,来判断故障电弧的发生。

1 故障电弧数据采集

因为故障电弧发生的随机性和不确定性,在光伏发电现场很难及时捕捉到,这给分析故障电弧带来了困难，所以需要在实验室条件下模拟故障电弧的发生。为此,本文在阳光电源股份有限公司搭建的电弧发生装置上进行了实验。

电弧发生装置由线性电源、负载电阻、开关K、电极、逆变器、电流互感器、放大电路和示波器组成。线性电源模拟太阳能电池板。开关K用于产生和熄灭电弧。当开光K打开时,两电极之间的高电压产生强电场,使空气电离,产生电弧。当开光K闭合后,电流流过开关,电弧熄灭。在两电极之间放上铁棉,可以帮助引燃电弧。负载电阻用于限制线路中电流的大小。线路中的电流经电流互感器后,再由放大电路进入示波器进行数据采集。实验前先设置示波器的采样频率为1 MHz。实验时先闭合开关K,在电极间放上少许铁棉,然后启动逆变器,打开线性电源。接着打开开关K,使电极之间产生电弧。待电弧燃烧了一段时间后,闭合开关K,熄灭电弧。实验时用示波器采集电弧从无到有,再到熄灭的整个过程,持续时间为10 s。实验装置示意图如图2所示,实验现场如图3所示。

图2 实验装置示意图

图3 实验现场

2 故障电弧数据分析

光伏现场的温度、湿度、光照强度,线缆的长度,产生电弧时电极间的距离,来自逆变器以及电网侧的干扰,都会对故障电弧产生影响。这些因素都会影响故障电弧检测的准确性和可靠性。因此,需要从多个角度对故障电弧的特性进行分析,以排除这些因素的干扰。下面将从频域、能量以及小波变换多个角度对故障电弧进行分析,找出故障电弧的特征。

(1) 频域分析。将示波器采集到的数据导入Matlab中,画出电流的时域图,如图4所示。电流波形经历过无电弧段、过渡段、电弧稳定燃烧段和无电弧段4个阶段。从图4中可以看出,在不同阶段,电流幅值是有变化的。在无电弧段,电流的幅值比较平稳。在过渡段和电弧稳定燃烧段,电流幅值出现了较大的波动,尤其是在电弧刚刚启燃的时刻,电流幅值波动更加剧烈。

图4 电流时域图

分别取无电弧数据和电弧稳定燃烧数据各10组,每组2 048个数据。分别求出每组数据的平均值,然后再用各组数据减去本组的平均值,得到的结果做2 048点的FFT。接着分别对无电弧和有电弧的10组FFT结果分别求和,再分别除以10求其均值。最后画出频谱图,频谱图的放大图如图5所示。

从图5可以看出,电弧信号主要集中在0～40 kHz的频段范围内,并且有电弧时的幅值比无电弧时的大。图5中的黑点处X为47.85 kHz，Y为2.738 mV,47.85 kHz为逆变器的开关频率。

(2) 能量分析。故障电弧信号的幅值呈递减分布,如图5所示。在30～40 kHz之间,幅值比较小,而在0～20 KHz之间,幅值比较大。因此,将0～40 kHz分成4个频段,即0～10 kHz、10～20 kHz、20～30 kHz、30～40 kHz,计算每个频段的能量。

分别取无电弧段和电弧稳定燃烧段的数据各40组,每组2 048个数据,计算每组的功率谱,然后计算每组在各个频段内的能量,最后每4组计算1次能量在各个频段内的均值。第1～4组的能量均值计算结果见表1所列。从表1可以看出,无电弧和电弧稳定燃烧时的能量主要集中在0～10 kHz,与其他频段的能量值区分度很大,并且有电弧时的能量值比无电弧时的大得多。

图5 频谱图

电弧状态 频率范围/kHz能量/V2无电弧0～1022.1010～200.9620～301.0630～400.50电弧稳定燃烧0～10103.0010～2064.8020～3010.6030～402.38

统计无电弧时和电弧稳定燃烧时0～10 kHz的能量值,如图6所示。

图6 无电弧和电弧稳定燃烧时0～10 kHz能量分布情况

从图6中可以看出,无电弧时的能量值比电弧稳定燃烧时的能量值小得多。因此可以通过设定能量阀值,判断有无电弧发生。

(3) 小波分析。当发生故障电弧时,电流幅值有突变的特性。小波变换的局部特性恰好能很好地捕捉到电流每一个突变点的信息。因此,小波变换适用于故障电弧分析。

根据国外学者基于小波变换对故障电弧的研究可知,当采样频率为1 MHz时,采用db9小波对故障电弧信号进行7尺度分解,得到的第7尺度的高频系数不仅可以清晰地看到有无电弧,而且可以看到电弧是什么时候开始燃烧的,持续的时间有多久[9]。

方差反映了一个随机变量与其均值的偏离程度,因此对小波系数做方差可以反映电弧的强烈程度。电弧越强烈,信号突变越明显,对应小波系数的脉冲越大,其方差值越大。

对采集到的电弧数据用db9小波进行7尺度分解,得到第7尺度的高频系数。该高频系数所在的频率范围为3.9～7.8 kHz,与能量所在的频段0～10 kHz基本吻合。将第7尺度的高频系数每400个数据为一组,计算其方差值,结果如图7所示。从图7中可以看出,在无电弧段,方差值比较小；在过渡段,方差值出现跳变；在电弧稳定燃烧段,方差值又回落到一个稳定水平,且比无电弧时大。因此,可以根据第7尺度高频系数的方差值变化情况,通过设定阀值,判断有无故障电弧发生。

图7 方差值分布图

3 结 论

(1) 通过频谱分析可知,故障电弧的频谱主要集中在0～40 kHz,能量集中在0～10 kHz,并且电弧燃烧时的能量比无电弧时的大。

(2) 对故障电弧采用db9小波进行7尺度分解,得到第7尺度的高频系数并计算其方差。从方差值大小的分布图可以看出,在电弧燃烧的不同阶段,方差值经历了从稳定到跳变再到稳定的过程,且电弧稳定燃烧时的方差值比无电弧时的大。

(3) 因为能量值和方差值在有无电弧时的区分度很大,所以可以通过设定阈值,使用能量值和方差值这2个判据,判断有无故障电弧发生,以提高检测的准确性和可靠性。

(4) 进一步的工作是在以DSP为核心的硬件系统上实现算法,以便实际应用。

[1] RUTSCHMANN I.20 Megawatt ausgetauscht-BP Solar beendet voraussichtlich bis Jahresende seine Rückrufaktionen[J].Photon,2008(12):112.

[2] SCHLUMBERGER A,KREUTMANN A.Brennends Problem-Schadhafte BP-Module knnen Feuer entfachen[J].Photon,2006(8):104-106.

[3] ERHARD F,SCHALLER B,BERGER F.Field test results of serial DC arc fault investigations on real photovoltaic systems[C]//Proceedings of the Universities Power Engineering Conference.[S.l.]:IEEE Computer Society,2014:1-6.

[4] JOHNSON J,ARMIJO K.Parametric study of PV arc-fault generation methods and analysis of conducted DC spectrum[C]//Photovoltaic Specialist Conference.[S.l.]:IEEE,2014:3543-3548.

[5] YAO X,JI S,HERRERA L,et al.DC arc fault:Characteristic study and fault recognition[C]//International Conference on Electric Power Equipment-Switching Technology.[S.l.]:IEEE,2011:387-390.

[6] STROBL C,MECKLER P.Arc faults in photovoltaic systems[C]//Proceedings of the 56th IEEE Holm Conference on Electrical Contacts.[S.l.:s.n.],2010:1-7.

[7] HAEBERLIN H,REAL M.Arc detector for remote detection of dangerous arcs on the DC side of PV plants arc detector for remote detection of dangerous arcs on the DC side of PV plants[J].Indret,2007,255(3):681-698.

[8] SCHIMPF F,NORUM L E.Recognition of electric arcing in the DC-wiring of photovoltaic systems[C]//Telecommunications Energy Conference,2009.Intelec 2009.International. [S.l.]:IEEE,2009:1-6.

[9] WANG Z,MCCONNELL S,BALOG R S,et al.Arc fault signal detection-Fourier transformation vs.wavelet decomposition techniques using synthesized data[C]//Photovoltaic Specialist Conference (PVSC),2014 IEEE 40th.[S.l.]:IEEE,2014:3239-3244.

(责任编辑 张 镅)

Judging method of fault arc in photovoltaic system based on power of frequency domain and variance of wavelet coefficients

HAN Ming, LI Jianbo, SHAO Chunli, LIANG Liping

(School of Electric Engineering and Automation, Hefei University of Technology, Hefei 230009, China)

The data of fault arc is collected through experiment and analyzed using Fourier transform based on its waveform feature in time domain. According to the result, the frequency distribution and power distribution of fault arc can be determined. Then the variance of wavelet coefficients is calculated using wavelet transform. Finally, the occurrence of fault arc can be judged according to the values of power and variance, thus improving the accurateness and reliability of fault arc detection.

fault arc; photovoltaic system; arc detection; Fourier transform; wavelet transform

2016-01-04；

2016-03-28

韩 明(1990-),男,江西广丰人,合肥工业大学硕士生.

10.3969/j.issn.1003-5060.2017.08.012

TM501.2

A

1003-5060(2017)08-1070-04