《International Transactions on Electrical Energy Systems》:Applying Machine Learning–Based Approaches Using Experimental Data to Model DC Series Arc Fault in Photovoltaic Systems
编辑推荐:
本研究首次利用真实数据,提出了一种基于机器学习(ML)算法的光伏(PV)系统中直流串联电弧故障(DC SAF)建模技术。考虑到此类电弧的不可预测性和非线性特性,以及机器学习在解决非线性和复杂问题中的应用,研究人员采用多层感知器(MLP)、径向基函数(RBF)和
本研究首次利用真实数据,提出了一种基于机器学习(ML)算法的光伏(PV)系统中直流串联电弧故障(DC SAF)建模技术。考虑到此类电弧的不可预测性和非线性特性,以及机器学习在解决非线性和复杂问题中的应用,研究人员采用多层感知器(MLP)、径向基函数(RBF)和支持向量机(SVM)算法对光伏系统中的DC SAF进行建模。所提出的基于ML的方法与已知的传统模型进行了比较,通过使用测试数据集计算误差指标来评估其性能。最后,建模的综合评估和结果表明,基于ML方法的所提模型在DC SAF建模中显著提高了建模精度和泛化能力。
# 基于机器学习的光伏系统直流串联电弧故障建模研究解读
## 研究背景与问题
全球电力需求持续增长,国际能源署(IEA)报告2021年电力需求增长超过6%,并预测2022年至2024年年均增长2.7%。光伏(PV)产业因其低资源消耗、清洁和安装简便而受到广泛关注,但光伏系统的安全问题也日益凸显。光伏阵列长期暴露于恶劣环境中,易受老化、风化等因素影响,导致各种故障,其中电弧故障是最危险的类型之一,可能引发火灾。美国国家电气规范(NEC)要求直流工作电压超过80V的光伏系统必须安装电弧故障断路器(AFCI)。
光伏系统电弧故障主要分为三类:并联电弧故障(PAF)、串联电弧故障(SAF)和接地电弧故障(GAF)。由于直流系统的电流不存在过零点现象,光伏组件将持续提供高电压,导致电弧持续燃烧,火灾风险显著增加。PAF和GAF发生时,电气信号通常伴随明显突变,可通过传统故障诊断设备精确定位。然而,SAF引起的电气信号变化相对微弱,难以用传统方法检测,因此成为研究重点。
现有的电弧建模方法包括经验模型、物理模型和启发式模型。自1902年起,已提出多种经验模型,如Nottingham模型、Oppenlander和Stokes模型、Paukert模型等。物理模型方面,Mayr和Cassie基于能量转换概念提出了经典电弧模型,Schwarz对其进行了改进以适应光伏阵列SAF建模。然而,初步评估表明,这些传统模型在利用光伏组件的实际电弧数据进行SAF建模时存在显著误差。SAF信号波形显示出电弧的随机性和非线性特性,因此需要基于电弧特性开发新的DC SAF建模方法。
随着智能技术在解决复杂非线性问题中的广泛应用,引入机器学习(ML)方法进行DC SAF建模具有重要意义。传统方法在考虑DC电弧的所有细节和特性方面能力有限,而基于ML的方法能够处理具有复杂性和特性的DC电弧故障建模。本研究首次将ML方法应用于光伏系统DC SAF建模。
## 研究主要内容
研究人员在实验室环境下构建了符合UL-1699B标准的电弧发生器装置,使用两个不同规格的光伏组件(HN-20/36和YL10C-18b),通过串联配置获得100V、200V和300V的终端电压,并设置多种并联组合以产生不同容量的光伏阵列。数据采集使用200MHz带宽的GPS-1204C数字示波器和基于霍尔效应的ACS712线性电流传感器,采样频率为100kHz(采样时间10μs),每次记录时长0.5秒。研究人员在不同故障位置(与逆变器串联或与组件串联)、不同电极间距(0.8、1、1.1、1.5、2、2.5mm)、不同终端电压(100、200、300V)和不同输出电流(1、2、4、8、16A)下采集了超过160组数据,每组包含19,722个样本,同时考虑了污染、湿度、光照强度和温度变化等因素。
## 关键技术与方法
研究人员采用了三种机器学习算法进行DC SAF建模:
**1. 多层感知器(MLP)**:采用前馈架构,基于Levenberg–Marquardt(LM)算法更新权重以最小化输出误差。网络结构包含输入层、一个或两个隐藏层(使用Log-Sigmoid和Tan-Sigmoid传递函数)和输出层。输入变量包括电压和电流的一阶和二阶导数、电流平方等7个特征。
**2. 径向基函数(RBF)**:一种前馈神经网络,包含输入层、单一隐藏层(使用高斯函数作为径向基函数)和输出层。通过计算输入向量与中心点的欧氏距离进行非线性变换,再经线性变换得到输出。
**3. 支持向量机(SVM)**:采用ε-不敏感损失函数的支持向量回归(SVR)方法,使用高斯核函数将低维输入映射到高维特征空间,通过结构化风险最小化原则优化回归函数。
研究人员将数据集按60%训练、20%验证、20%测试的比例划分,使用五折交叉验证防止过拟合,并采用精度(Accuracy)、召回率(Recall)、精准率(Precision)、F1分数(F1-score)和回归值(Regression)五个指标评估模型性能。
## 研究结果
### 训练阶段结果
三种ML模型在60%训练数据集上的表现均超过阈值(0.80):MLP模型(精度0.911,召回率0.924,精准率0.886,F1-score 0.904,回归0.874),RBF模型(0.928/0.940/0.897/0.918/0.894),SVR模型(0.949/0.966/0.913/0.939/0.923)。SVR模型在所有指标上表现最优。
### 验证阶段结果
在20%验证数据集上,模型经过超参数优化后性能进一步提升:MLP(0.917/0.928/0.882/0.904/0.871),RBF(0.931/0.938/0.899/0.918/0.899),SVR(0.952/0.969/0.918/0.943/0.920)。SVR模型的最佳超参数为ε=0.1、C=200、σ=0.5,对应的电压误差指数(EIv)为0.0408,电流误差指数(EIi)为0.0233。
### 测试阶段结果
在20%未参与训练和验证的测试数据集上,模型最终性能:MLP(0.856/0.887/0.855/0.871/0.845),RBF(0.869/0.890/0.863/0.876/0.857),SVR(0.897/0.907/0.895/0.901/0.893)。所有模型指标均高于阈值,说明ML方法可有效建模DC SAF。SVR模型在测试集上表现最佳,其有效性和成功率最高。
### 波形拟合结果
研究人员展示了实际电弧电压和电流波形与三种模型模拟波形的对比,SVR模型模拟的波形与实测数据吻合最佳,MLP和RBF模型虽也能较好拟合,但精度略逊于SVR。
## 与传统模型比较
研究人员将所提ML模型与四种经典电弧模型(Nottingham模型、Cassie模型、Mayr模型、Schwarz模型)进行定量比较,使用32个测试记录计算误差指数。结果显示:
- Nottingham模型:EIv=0.5365,EIi=—(仅电压)
- Cassie模型:EIv=0.4196,EIi=0.2976
- Mayr模型:EIv=0.4736,EIi=0.3158
- Schwarz模型:EIv=0.3968,EIi=0.2785
- MLP模型:EIv=0.0939,EIi=0.0617
- RBF模型:EIv=0.0817,EIi=0.0489
- SVR模型:EIv=0.0408,EIi=0.0233
ML方法(特别是SVR)的误差指数远低于传统模型,表明其在DC SAF建模中具有更高精度。此外,ML方法在遇到新测试数据时能够预测电弧行为,而传统模型缺乏此能力;但ML方法的计算负担高于传统方法。
## 总结与讨论
### 研究结论
本研究利用实际记录数据,提供了三种基于ML方法的DC SAF模型。MLP模型作为首个基于ML的DC SAF模型,相比传统电弧模型提高了建模能力;RBF模型因高斯函数特性比传统模型更高效;SVR模型具有高精度和低操作风险,进一步降低了误差指数并提高建模精度。与经典电弧模型的比较结果表明,所提ML模型(特别是SVR模型)能够准确跟踪实际波形,在电压和电流误差指数上均为最优值。因此,所提出的ML方法,尤其是SVR模型,适用于光伏系统中DC SAF的建模。