基于支持向量机的光伏系统电弧检测方法

2020-06-06马健凯石嘉川刘林李树静

山东建筑大学学报 2020年2期

马健凯石嘉川刘林李树静

(1.山东建筑大学信息与电气工程学院，山东济南250101；2.山东省智能建筑技术重点实验室，山东济南250101；3.山东电力高等专科学校电气工程系，山东济南250002)

0 引言

随着太阳能光伏发电产业的快速发展，光伏系统的安全问题也日益显现，其中电气火灾隐患尤为突出。光伏发电设备在长期使用中受外力侵袭等因素影响，可能发生绝缘破损、线路连接松动等隐患，进而可发展为故障电弧并持续燃烧，甚至引燃周边可燃物造成火灾。因此，准确检测故障电弧是防范电气火灾、提高光伏系统安全性的关键。

与航空设备、电动汽车和常规直流供电系统相比，光伏系统的运行工况更为复杂[1-3]。除了光伏电池板的电气特性受光照强度、温度等环境因素变化的影响，系统运行状态还受到逆变器工况和最大功率追踪的影响。因此，传统直流系统中常用的能量比值、电压突变等方法不完全适用于光伏系统。

目前，光伏系统故障电弧的检测方法主要有时域特征检测方法[4]、频域特性的检测方法[5-7]、基于电弧物理特征[8-10]以及基于小波分解的时频域特征检测方法[11-14]。

时域特征检测方法依据电弧故障发生前后电流电压波形的变化进行判断。Braun等[4]提出了一种基于I-V曲线的检测方法，若光伏系统的工作点明显偏离正常的I-V曲线，则判定为发生电弧故障。频域特征检测方法根据各频段信号的变化判断是否发生故障。吴春华等[5]采用基于频率特性的检测方法，对直流侧电流信号进行快速傅里叶变换，将得到的电流频谱幅值作为反向传播BP (Back Propagation)神经网络的输入，利用BP 神经网络判断电弧故障。韩明等[6]筛选出故障电弧的特征频段，利用小波分量的能量值和方差值判断故障电弧是否发生。赵尚程等[7]统计时间窗内局部能量构成电弧故障事件作为判据，通过电弧故障事件个数的累计判断是否发生电弧故障。对电弧发出的电磁波、紫外光和声波等能量形式，可采取基于相应物理量特征的检测方法。王尧等[8]通过检测电磁辐射脉冲，实现故障电弧检测。有的电弧在线检测装置通过检测开关柜中的紫外光，实现对电弧的准确识别[9]。此外，Miao等[10]以电弧产生的粉红噪声作为依据对光伏系统电弧故障进行了检测。上述物理特征信号具有较好的针对性，但受限于信号分布和外部干扰等因素，适用场合有限。小波分析是一类常用的时频域分析方法。在交流电弧方面，段培永等[11]运用Mallat算法进行多尺度分解，将重构后的小波高频系数的均值及差值作为判据。谭秋秋等[12]运用小波阈值降噪方法对实测电流波形进行去噪处理，以小波高频分量周期方差值作为判据，0.6 s内有8.5个周期电弧超过设定阈值就认为产生了故障电弧。这些交流电弧检测的方法思路为光伏系统电弧故障检测提供了借鉴。针对光伏系统的电弧故障，牟龙华等[13]通过分析故障电弧波形，基于信号最大值、小波细节系数方差值和模极大值3种故障判据，提出了一种电弧故障混合判据。张国军等[14]选择电流峰峰值以及小波细节分量的均值判断电弧发生。但这些研究并未分析不同位置和不同故障类型的故障电弧。

文章在构建光伏系统电弧故障仿真模型的基础上，获取不同光照和温度条件下不同故障位置发生电弧故障前后的电流波形数据，通过对比，筛选出小波高频分量能量和模极大值作为故障判据，并构成样本数据集，对支持向量机分类器进行训练和测试。

1 光伏系统电弧故障仿真模型

1.1 最大功率点跟踪模块

在Simulink环境下搭建了光伏系统电弧故障的仿真模型。光伏系统受光照与温度等因素变化的影响，输出的电压与电流时刻波动，会造成能量损耗。当达到某一输出电压值时，光伏电池的输出功率达到最大值。最大功率点跟踪MPPT (Maximum Power Point Tracking)可以算出太阳能阵列的输出功率，实现对最大功率点的追踪，使光伏系统始终输出最大功率。

目前，实现最大功率点跟踪的方法包括恒定电压控制法、扰动观察法、电导增量法等[15]。其中，扰动观察法具有精确度较高、计算量小、易于实现等优点，因此选用扰动观察法对MPPT 系统进行仿真。根据输入的电流与电压值计算出光伏阵列的输出功率，并计算前后两次采样的误差，判断误差的大小。当误差＞0时，减小占空比；当误差＜0时，增加占空比。每次占空比调节步长为0.001，并输入到脉冲宽度调制PWM(Pulse Width Modulation)模块中生成PWM信号。利用该PWM信号控制Boost 电路，调节光伏电池的输出电压，使光伏电池始终工作在最大功率点，从而获得最大功率输出。

1.2 电弧模块

Cassie模型是目前常用的电弧模型[16]，其动态方程由式(1)表示为

式中：Rc为电弧的动态电阻，Ω；τc为电弧时间常数，设为10-6s；uc为电压常数，设为20 V；u为瞬时电压，V。

1.3 仿真模型建立

利用光伏电池模块、MPPT 控制器模块、Cassie电弧模块、LCL 型滤波电路、升压逆变及其控制模块搭建光伏系统电弧故障仿真模型，如图1所示。Idc、Vdc分别为光伏电池输出电流与输出电压；Igrid、Vgrid分别为系统的并网电流与并网电压。

假设电弧故障发生在光伏电池与升压器之间，光伏电池工作在25℃、1 000 W/m2环境条件下，仿真步长为10μs，仿真时间设为0.4 s，电路在0.2 s时发生电弧故障，得到的电流波形如图2所示，故障发生前后电流波形有明显的变化。正常与故障状态下局部的电流时频特性分别如图3和4所示。可以看出，故障电流的波动幅度相较无故障时更大，且谐波幅值也明显增大，因此可用线路中电流的时频域特征来检测故障电弧。

图1 光伏系统电弧故障仿真模型图

图2 故障前后电流波形图

图3 正常电流时频特性图

图4 故障电流时频特性图

2 光伏系统电弧故障特征值选取

选取电流标准差、小波高频分量模极大值和能量值3个电弧故障判据，并对不同光照强度、温度下的系统分别进行仿真，验证不同环境下故障判据的准确性。

2.1 电弧故障特征值

在电弧故障检测中，标准差主要反映了工作电流与平均电流值的偏离程度。当系统中发生电弧故障时，电流的波动会明显增强，标准差也会发生变化。标准差σ计算公式由式(2)表示为

式中：N为数据个数，取20 000；xi为第i个数据值；μ为N个数据的平均值。

小波变换是一种时间窗和频率窗可以改变的时频局部化分析方法，具有良好的局部化特征。原始信号通过小波分解可以得到不同尺度下的低频分量系数和高频分量系数。在进行小波分解与重构中，选择的小波基函数不同，获得的结果也不同。相比于其他小波，Daubechies小波对不规则信号更为灵敏。其中，db4小波的小波细节系数的能量比最大[13]，因此选用db4 小波作为小波基函数。

小波高频分量模极大值是将信号进行小波分解后，所得小波细节系数的极值。使用db4小波对信号进行两层分解，求取小波细节系数d2的模极大值。

电弧故障发生前后，电流信号各频段能量值发生显著变化[17]。电弧在燃烧过程中，电流信号的高频细节增多，高频能量也会随之增加。在db4小波两层分解的基础上，计算得到小波高频分量的能量值作为特征值。

2.2 典型条件下故障前后的判据分析

对不同光照强度与温度下的电弧故障进行仿真实验，计算3种故障判据的取值，结果见表1。当发生电弧故障时，3种故障判据的值比正常时更高，具有较明显的差别。其中，光照强度的改变对判据的影响较温度变化更为明显；随着光照强度的提升，3种故障判据在正常与故障状态下的数值均有提升。可以看出，800 W/m2故障状态和1 200 W/m2正常状态的标准差值较为接近；在光照强度较强时的正常状态与光照强度较弱时的故障状态下的标准差判据可能会出现混叠。因此，小波高频分量模极大值与能量值相比于电流标准差具有更好的区分性。

表1 正常与故障状态下的判据对比表

2.3 不同故障类型及位置对判据的影响

电弧故障可能发生在光伏系统中的不同位置，如图5所示。其中，a、b分别为组串内线路的串联电弧和并联电弧，c、d分别为发生汇流后线路上的串联电弧和并联电弧。不同位置和类型的电弧故障，对故障电流的影响各异，容易导致误判、漏判。

图5 不同位置发生故障电弧示意图

以每组串联6 块光伏板，两组并联搭建仿真实验模型。其中每块光伏板的开路电压为64.2 V，短路电流为5.96 A，在标准光照强度和环境温度下，模拟在组串内和汇流后线路的不同位置处发生串联电弧和并联电弧。在温度25℃、光照强度1 000 W/m2环境下，3个故障判据计算结果见表2。

表2 1 000(25℃)/(W·m-2)下不同位置处数据表

由表2 可知，电弧故障发生在不同位置或者类型不同时，各特征值也会有不同的取值。汇流箱处的电弧故障较光伏板间的电弧故障特征更为明显，串联电弧的故障特征较并联电弧的故障特征也更为明显。这是由于并联电弧故障通常会引起光伏系统的电流和电压下降，而串联电弧故障或辐照度变化的影响不会产生类似情形[18]。

故障发生位置与故障类型对电流标准差判据的准确性有一定的影响，此时的电流标准差并不具有良好的区分性，存在误动作的可能性。而小波高频分量的模极大值和能量值两个故障判据依然具有良好的区分性，可用于构造数据集，作为支持向量机的分类特征。

3 基于支持向量机的电弧检测结果

支持向量机是一种有监督学习模型，适用于解决数据分类问题。通过将每项特征数据表示为空间中的点，找出最佳的边界线，可达到尽可能明显地区分不同类别特征点的目的。

对500 ～1 500 W/m2、10 ～35℃环境下的不同位置、不同故障类型的电弧故障进行仿真实验。从部分典型环境下不同位置的故障和正常电流数据中随机截取若干段0.02 s电流波形，计算得到故障和正常的判据数据，构成30组训练集；以同样的方法随机选取其他光照强度及温度下的故障和正常判据数据构成130组测试集，正常数据与故障数据比例为1∶1；最终得到的故障判据数据集箱线图如图6和7所示。各故障点的高频分量能量值与模极大值较正常状态均有大幅度的增加，呈现出良好的区分性。在PyCharm平台上对数据集进行取对数做归一化处理，并利用支持向量机算法对特征平面进行分割。支持向量机选用线性核函数，惩罚因子C＝1。使用训练集对支持向量机进行训练，得到可以区分正常电流与故障电弧电流的二分类模型；使用测试集对分类模型进行测试。测试集的分类准确率达到100%，说明故障分类性能较好，可以达到令人满意的电弧故障检测效果。

图6 不同故障位置能量值箱线图

故障判据分类结果如图8所示，坐标轴采用对数坐标系，“×”代表测试集的正常点，三角代表测试集的故障点，星形代表训练集的数据点，圆点为支持向量。可以看出，汇流箱处的正常特征点与并联故障电弧的特征点较为接近，是可能影响分类准确率的主要原因。考虑到光照强度较弱时，电压会低于逆变器的门槛电压，系统停止工作，因此在实际运行中通过设置逆变器的门槛电压值可以避免该问题的发生。