基于注意力机制优化电弧特征的光伏直流电弧故障检测方法

doi:10.16628/j.cnki.2095-8188.2024.08.007

电器与能效管理技术 ›› 2024, Vol. 0 ›› Issue (8): 50-56.doi: 10.16628/j.cnki.2095-8188.2024.08.007

基于注意力机制优化电弧特征的光伏直流电弧故障检测方法

谢振华¹^,²^,³, 刘玉莹⁴, 侯林明¹^,²^,³, 王尧⁴, 周家旺⁴, 盛德杰⁴

1.浙江省机电产品质量检测所有限公司, 浙江杭州 310000
2.智能电器试验与检测技术浙江省工程研究中心, 浙江杭州 310051
3.浙江省低压电器智能化与新能源应用重点实验室, 浙江杭州 310051
4.河北工业大学省部共建电工装备可靠性与智能化国家重点实验室, 天津 300401

收稿日期:2024-05-21 出版日期:2024-08-30 发布日期:2024-09-13
作者简介:谢振华(1983—),男,高级工程师,主要从事低压电器检测技术的研究工作。|刘玉莹(1999—),女,硕士研究生,研究方向为电弧特征提取及识别技术。|侯林明(1995—),男,工程师,主要从事智能低压电器检测技术及检测装备的研究工作。
基金资助:
中央引导地方科技发展资金项目(226Z2102G);浙江省自然科学基金(LTGG23E070001);河北省高等学校科学技术研究项目(CXY2023006)

Photovoltaic DC Arc Fault Detection Method Based on Attention Mechanism Optimizing Arc Characteristics

XIE Zhenhua¹^,²^,³, LIU Yuying⁴, HOU Linming¹^,²^,³, WANG Yao⁴, ZHOU Jiawang⁴, SHENG Dejie⁴

1. Zhejiang Testing & Inspection Institute for Mechanical and Electrical Products Quality Co.,Ltd., Hangzhou 310000, China
2. Intelligent Electrical Testing and Testing Technology Zhejiang Engineering Research Center, Hangzhou 310051, China
3. Key Laboratory of Low Voltage Apparatus Intelligentization and New Energy Application of Zhejiang Province, Hangzhou 310051, China
4. State Key Laboratory of Reliability and Intelligence of Electrical Equipment,Hebei University of Technology, Tianjin 300401, China

Received:2024-05-21 Online:2024-08-30 Published:2024-09-13

摘要/Abstract

摘要：

光伏系统中,因绝缘老化或接线松动而出现的直流串联电弧故障极易引发电气火灾。因此,光伏系统必须安装电弧故障检测装置,而其易因阴影遮挡和逆变器启动引发的直流侧高频噪声而误跳闸。将注意力机制和一维卷积神经网络相结合,提出一种基于注意力权重优化电弧特征的电弧故障检测方法。通过可视化电弧特征贡献权重,提取8~18 kHz和28~38 kHz电弧关键特征频段,并剔除8~23 kHz频段中的干扰特征频段。经验证,使用关键电弧特征训练的电弧故障检测模型可以成功避免阴影遮挡和逆变器启动过程带来的误动,最终使电弧检测准确率提高到99.33%。

关键词: 串联电弧故障, 卷积神经网络, 注意力机制, 电弧故障识别, 光伏系统

Abstract:

The DC series arc fault in photovoltaic systems caused by insulation aging or loose wiring is highly prone to electrical fires.Therefore,the arc fault detection devices must be installed in photovoltaic systems.However,the arc fault detection devices easily malfunction due to DC-side high-frequency noise caused by shadow occlusion and inverter startup.A novel arc fault detection method is proposed based on attention weight screening of arc features by combining the attention mechanism with the 1d convolutional neural network.By visualizing the contribution weight of arc features,the critical feature bands of 8~18 kHz and 28~38 kHz are extracted,and the interference arc features bands in the 8~23 kHz frequency band are removed.It has been verified that the arc fault detection model trained with the key arc features can successfully avoid the false activation caused by shadow occlusion and inverter startup,and the an arc detection accuracy of 99.33%is ultimately achieved.

Key words: series arc fault, convolutional neural network, attention mechanism, arc fault recognition, photovoltaic system

中图分类号:

TM501.2

谢振华, 刘玉莹, 侯林明, 王尧, 周家旺, 盛德杰. 基于注意力机制优化电弧特征的光伏直流电弧故障检测方法[J]. 电器与能效管理技术, 2024, 0(8): 50-56.

XIE Zhenhua, LIU Yuying, HOU Linming, WANG Yao, ZHOU Jiawang, SHENG Dejie. Photovoltaic DC Arc Fault Detection Method Based on Attention Mechanism Optimizing Arc Characteristics[J]. LOW VOLTAGE APPARATUS, 2024, 0(8): 50-56.

图/表 14

图1

表1

表2

表3

图2

图3

图4

图5

图6

图7

图8

图9

表4

图10

参考文献 23

[1]	LU S B, PHUNG B T, ZHANG D M. A comprehensive review on DC arc faults and their diagnosis methods in photovoltaic systems[J]. Renewable and Sustainable Energy Reviews, 2018, 89(3):88-98.
[2]	吴春华, 徐文新, 李智华, 等. 光伏系统直流侧电弧故障危害分析及保护策略[J]. 太阳能学报, 2020, 41(9):198-206.
[3]	ZHAO S L, ZHANG Y F, ZHAO Y, et al. Measurement and analysis method of electromagnetic signals for DC arcing fault[C]// 2017 4th International Conference on Electric Power Equipment-Switching Technology (ICEPE-ST) 2017:833-836.
[4]	熊庆, 汲胜昌, 陆伟锋, 等. 低气压下串联直流电弧故障电磁辐射幅值及频率特性[J]. 中国电机工程学报, 2017, 37(4):1071-1079.
[5]	蓝会立, 张认成. 基于小波分析的电弧故障伴生弧声特征提取[J]. 电力系统及其自动化学报, 2008, 20(4):57-62.
[6]	王尧, 田明, 谢振华, 等. 基于电流相似度与高频能量的串联电弧故障检测方法[J]. 电测与仪表, 2022, 59(6):158-165.
[7]	李欣, 李奎秀, 李新宇, 等. 变分模态分解融合特征熵的直流微电网电弧检测[J/OL]. 电力系统及其自动化学报,1-10[2024-06-05].https://doi.org/10.19635/j.cnki.csu-epsa.001451.
[8]	白辉, 许志红. 基于小波包变换和高阶累积量的电弧故障识别方法[J]. 电力自动化设备, 2020, 40(11):195-202,224,203.
[9]	DHAR S, PATNAIK R K, DASH P K. Fault detection and location of photovoltaic based DC microgrid using differential protection strategy[J]. IEEE Transactions on Smart Grid, 2018, 9(5):4303-4312.
[10]	牟龙华, 王伊健, 蒋伟, 等. 光伏系统直流电弧故障特征及检测方法研究[J]. 中国电机工程学报, 2016, 36(19):5236-5244.
[11]	朱海. 基于鲸鱼优化算法改进随机森林的电弧故障检测方法[J]. 电器与能效管理技术, 2024(2):21-27,55.
[12]	金翠, 刘洋, 李琦, 等. 基于CatBoost的常用电器负载电弧故障识别方法[J]. 电测与仪表, 2023, 60(7):193-200.
[13]	陈欣凯, 鲍光海. 基于改进奇异值分解去噪算法的光伏系统串联电弧故障检测方法[J]. 电器与能效管理技术, 2023(10):61-69,75.
[14]	LU X, WEN Y H, XIAO S, et al. A deep learning approach for series DC arc fault diagnosing and real-time circuit behavior predicting[J]. IEEE Transactions on Electromagnetic Compatibility, 2022, 4(2):1-11.
[15]	CAI X R, WAI R J. Intelligent DC arc-fault detection of solar PV power generation system via optimized VMD-based signal processing and PSO-SVM classifier[J]. IEEE Journal of Photovoltaics, 2022, 12(4):1058-1077.
[16]	YAN J C, LI Q Q, DUAN S X. A simplified current feature extraction and deployment method for DC series arc fault detection[J]. IEEE Transactions on Industrial Electronics, 2024, 71(1):625-634.
[17]	潘广旭, 裴丽伟, 李兴玉, 等. 电动汽车充电系统串联电弧故障智能识别方法[J]. 电力系统及其自动化学报, 2023, 35(10):107-114.
[18]	WANG Y, BAI C Y, QIAN X P, et al. A DC series arc fault detection method based on a lightweight convolutional neural network used in photovoltaic system[J]. Energies, 2022, 15(8):2877-2881.
[19]	张冠英, 赵若姿, 王尧. 基于FCM算法的光伏系统电弧故障检测方法研究[J]. 高压电器, 2022, 58(5):15-22.
[20]	李晓波, 陈义刚, 陈文斌, 等. 基于小波和深度学习的配电网单相接地故障辨识[J]. 电测与仪表, 2021, 58(4):115-120.
[21]	WANG Y, HOU L M, KA P, et al. ArcNet:Series AC arc fault detection based on raw current and convolutional neural network[J]. IEEE Transactions on Industrial Informatics, 2022, 18(1):77-86.
[22]	程宏伟, 高莲, 于虹, 等. 基于注意力机制优化组合神经网络的电力缺陷等级确定方法[J]. 电测与仪表, 2024, 61(1):83-90,98.
[23]	CHAI Y, ZHOU Y, LI W, et al. An explainable multi-modal hierarchical attention model for developing phishing threat intelligence[J]. IEEE Trans Dependable Secure Compute, 2022, 19(2):790-803.

元件	参数值	元件	参数值
C₁/μF	20	L₂、L₃/μH	60
C₂、C₃/nF	22	L₄、L₅/μH	50
C₄/μF、nF	10、150	R₃、R₄/Ω	1
C₅、C₆/nF	1	R₅、R₆/Ω	1
L₁/mH	12	L₆、L₇/μH	70

电压等级/V	最小电弧电流/A	最大拉弧距离/mm	拉弧速度/ (mm·s^-1)
490	3.0	0.8	5
490	8.0	0.8	5
810	8.5	0.8	5
490	15.0	1.1	5

数据集	标签	数据量	各类数据总量
训练集	电弧	4 000	8 000
训练集	正常	4 000	8 000
验证集	电弧	1 000	2 000
验证集	正常	1 000	2 000
测试集	电弧	1 500	3 000
测试集	正常	1 500	3 000

基于注意力机制优化电弧特征的光伏直流电弧故障检测方法

Photovoltaic DC Arc Fault Detection Method Based on Attention Mechanism Optimizing Arc Characteristics

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

电弧特征	测试项目	数据量/个	测试准确率/%
电弧关键特征频段	逆变器启动	200	100
电弧关键特征频段	阴影遮挡	200	100
原始特征	逆变器启动	200	97.5
原始特征	阴影遮挡	200	100

[1]	孙益凡, 刘玉军, 张树旺, 齐东迁, 陈光华, 郭凤仪. 振动条件下三相交流电动机线路故障电弧诊断方法[J]. 电器与能效管理技术, 2024, 0(8): 69-76.
[2]	王兆锐, 何键涛, 李治彤, 鲍光海. 基于轻量型CNN和特征阈值的光伏系统串联电弧故障检测装置[J]. 电器与能效管理技术, 2024, 0(8): 77-85.
[3]	吴自然, 韩燕, 陈冲. 基于全息希尔伯特频谱分析的交流串联电弧故障电流特征研究^*[J]. 电器与能效管理技术, 2024, 0(6): 8-16.
[4]	谢彤彤, 刘颖明, 王晓东, 高兴. 基于CNN-LSTM的永磁同步风力发电机转子偏心早期故障诊断[J]. 电器与能效管理技术, 2024, 0(3): 1-6.
[5]	郑力, 鲍光海. 基于改进MobileNet的串联电弧故障检测方法[J]. 电器与能效管理技术, 2024, 0(2): 13-20.
[6]	周凯, 王晓东, 王刚, 刘光伟, 刘颖明. 基于注意力机制的永磁同步风电机组早期匝间短路故障诊断方法[J]. 电器与能效管理技术, 2023, 0(6): 1-8.
[7]	唐亮星, 李洪江, 刘鑫, 周庭栋, 李盼盼. 基于CNN的小电流接地故障多判据融合选线方法[J]. 电器与能效管理技术, 2023, 0(11): 28-34.
[8]	黄浚哲, 印宇涵, 汤明轩, 梅飞. 基于CEEMDAN与改进LSTM的短期光伏出力预测[J]. 电器与能效管理技术, 2023, 0(10): 36-43.
[9]	陈欣凯, 鲍光海. 基于改进奇异值分解去噪算法的光伏系统串联电弧故障检测方法[J]. 电器与能效管理技术, 2023, 0(10): 61-69.
[10]	高汉林, 许峰, 张涵. 光伏系统直流故障电弧特性与检测装置研究[J]. 电器与能效管理技术, 2022, 0(11): 46-53.
[11]	孙天龙. 基于卷积神经网络与特高频技术的局部放电模式识别研究[J]. 电器与能效管理技术, 2022, 0(10): 32-37.
[12]	朱洪志, 孙震, 兰巧倩, 沈亮熠, 张冲, 贺兴. 基于Faster R-CNN的电网线路常见异物检测[J]. 电器与能效管理技术, 2021, 0(1): 58-63.
[13]	刘炳南, 黄沂平, 方国标. 基于一维卷积神经网络的配电网高阻接地故障识别[J]. 电器与能效管理技术, 2020, 0(9): 99-103.
[14]	郭凤仪, 阮俊义, 刘大卫, 王智勇. 光伏系统直流故障电弧研究现状及发展趋势[J]. 电器与能效管理技术, 2018, 0(10): 1-7.
[15]	朱立春, 张跃火, 张显立. 基于光伏直流电弧故障的研究与保护技术[J]. 电器与能效管理技术, 2018, 0(10): 35-39.