光伏系统电弧故障检测方法探究

引言

随着化石燃料的日渐枯竭,未来新型能源必然将逐步取代化石能源成为最主要的能源。目前光伏发电已成为全球能源转型的重要领域。截至-218年底,我国光伏发电累计装机容量达到1.74亿kw,较-017年新增44-6万kw,同比增长34%。但光伏发电的快速发展也带来了一系列问题,例如,由于设备老化、松动等原因造成设备绝缘破损,引发电弧故障便是其中一个重要问题。光伏系统产生的电弧是直流电弧,具有持续燃烧的特点。此外,光伏发电受温度、光照强度等环境影响明显,系统中的逆变器会带来一定的高频干扰,使其较其他直流系统更难检测故障。光伏系统的电弧故障检测已成为国内外学者的研究热点。

1电弧故障发生的原因及类型

电弧主要是极间电动势击穿介质产生的辉光放电现象。线路以及器件破损都极有可能引发电弧故障,直流电弧一旦产生将会持续燃烧,极有可能引燃附近的易燃物造成严重的火灾。

光伏系统电弧故障主要分为串联电弧故障、并联电弧故障与接地电弧故障3种。串联电弧主要是由于设备连接头松动,产生细小间距,电流击穿间距而产生。并联电弧多发生在相线与中性线以及相线与相线之间,大多是因为线路绝缘破损等原因引起。接地电弧是指电弧电流从带电导体流入大地的电弧故障,一般是由于高压相线出现绝缘失效的问题引起。光伏系统电弧故障发生位置如图1所示,其中a为串联电弧,光伏板的连接处、多串组件的汇合接头处等都是可能发生串联电弧的位置:b为线路之间的并联电弧:c为线路对地的接地电弧。

2光伏系统电弧检测现状及展望

2011年,美国保险人实验室(UL）推出了UL标准1699B草案,即光伏直流电弧故障保护电路安全纲要,是目前唯一提出的针对光伏系统电弧检测的标准。由于光伏发电产生的是直流电,需要经过升压电路与逆变器转化成220V的交流电供用户使用。目前,在其他领域内针对故障电弧检测方案的研究已经很深入,一些方法在光伏系统的电弧故障检测中也得到了应用。对于光伏系统而言,环境变化、逆变器频繁启停等原因使其不同于其他系统的电弧故障检测。目前针对光伏系统的电弧故障检测主要分为三部分:采用声、光、电磁辐射等物理特征的方法:划定时频域故障判据阈值的检测方法:基于学习算法的故障检测方法。

2.1基于物理特征的检测方法

基于声、光、电磁辐射等物理特征的检测方法主要是利用电弧故障发生时电弧所放出的热量、弧光、噪声或电磁信号作为检测依据。文献选取降噪后故障电弧电磁辐射信号的模极大值作为故障判据,利用模糊C均值聚类方法检测电弧故障。熊庆等学者设计4阶Hilbert天线测量直流电弧电磁辐射信号,电磁辐射信号的特征频率、脉冲时间间隔以及脉冲簇持续时间等特征量可以作为故障判据。相较于其他方法,基于物理特性的检测方法需要在系统的不同位置安装检测装置,因此能够更轻易实现故障定位。

2.2划定时频域故障判据阈值的检测方法

当前主流的检测方法是选择合适的故障判据,根据故障判据在正常状态与发生电弧故障时不同的取值范围设定故障报警装置的动作阈值。文献34[选用db4小波进行小波分解,选取小波高频分量的能量值作为故障判据,设置介于正常状态与故障状态之间的可靠值作为故障报警阈值。文献35[选择标准差作为时域特征、由db5小波分解后的各频带能量作为频域特征,构建特征平面,在特征平面内划分故障分界线进行故障电弧检测。文献36[通过实验确定了信号最大值、小波细节系数的方差值和模极大值3种时频域判据,提出了一种基于时域与频域的电弧故障混合判据。多种判据方法较单一判据具有更高的准确性与可靠性,可以进一步降低检测方法的误动率与拒动率。

2.3基于机器学习算法的故障检测方法

近些年出现了使用人工神经网络、支持向量机等算法取代阈值判定是否发生电弧故障的检测方法。神经网络算法是希望通过学习得到一个模型,利用该模型可以输出一个期望的目标值。在电弧检测领域中,可以使用电弧故障数据与正常数据训练神经网络,得到一个可以判断是否发生电弧故障的模型。文献分别使用FFT得到的电弧频谱幅值和电流最大最小幅值差、小波系数的均方根、不同频域段内的能量比作为BP神经网络的输入,将训练后的BP神经网络用于判断电弧故障。文献使用了RBF神经网络判断电弧故障,但容易出现局部优化和训练过慢问题。文献使用遗传算法优化的BP神经网络判断电弧故障。除了神经网络算法,文献利用支持向量机算法,从时频域中提取电流均值、高频分量标准差等7个故障判据对模型进行训练,得到的模型可以对是否发生电弧故障进行分类。

3仿真模型及分析

当前不少学者使用simulink软件建立了带有MPPT功能的光伏系统仿真模型,并利用仿真得到与实际一致的输出特性。本文在仿真研究基础上,构建了一套完整的光伏系统电弧故障仿真模型,包含光伏电池模块、Cassie电弧模块、MPPT模块与逆变模块等,可以较为准确地仿真出不同光照强度、温度与不同位置发生电弧故障时光伏系统的特征。通过对仿真得到的数据进行处理与分析,寻找出特征明显的电弧故障判据。仿真模型如图2所示,其中MPPT模块使用扰动观察法,光照强度设为1000w/m2,温度设为25℃,仿真时间为1s,电弧故障于0.5s时发生。

仿真得到的波形如图3所示,可以看出,发生故障后的电流发生剧烈波动。时域中的方差值、频域中的高频能量都可以作为故障判据。但光伏系统中的逆变器启停、光照强度与温度变化等因素带来的干扰因素会对某些判据造成干扰,因此使用多种故障判据比单一判据具有更明显的优越性。

本文分别对800w/m2、1000w/m2光照强度下的正常工作状态与故障状态进行仿真,温度选择25℃。由不同光照下的电流波形(图4）可以看出,随着光照强度增加,电流明显增大。

小波变换是一种常用的信号分析方法,可以将原始信号分解得到不同尺度下的高频分量和低频分量,分解得到的低频分量A(k）和高频分量D(k）所包含的频带范围为:

式中,j=l,2,…,m:fs为采样频率。

调整光伏电池参数,对仿真输出的波形进行两层小波分解,选用db4小波作为小波基函数。通过计算可以得到在800w/m2、20℃与1000w/m2、25℃环境条件下的方差值与小波高频分量能量值,结果如表1所示。

通过表1数据可知,光伏系统直流侧电流的方差值与小波高频分量的能量值具有良好的区分性,可以作为检测光伏系统电弧故障的判据。

4结语

本文总结了光伏系统的直流电弧故障的原因及类型,对目前光伏系统电弧故障的研究现状与主要检测方法进行了阐述,搭建了光伏系统电弧故障仿真模型,使用该模型可以获得不同光照、温度条件下不同故障位置的电弧故障特性,并对仿真结果进行了分析,提出了以方差值与小波高频分量能量值作为故障判据,具有准确度较高的特点。