摘"要：直流串聯(lián)故障電弧發(fā)生時隱蔽性較高、檢測難度大，是低壓直流系統(tǒng)發(fā)生火災的重要原因。主要從低壓直流串聯(lián)故障電弧模型、電弧特征及其檢測方法、檢測標準及裝置等3個方面進行綜述。基于電弧仿真模型了解電弧演化過程，分析常用故障電弧模型的原理、適用范圍和局限性;基于故障電弧的物理、電氣信號特征構建及檢測方法，闡述不同特征檢測方法的優(yōu)缺點;最后對直流串聯(lián)故障電弧相關標準進行解讀，并討論試驗平臺及產(chǎn)品的研究現(xiàn)狀和不足，展望未來低壓直流故障電弧相關領域的研究方向。

關鍵詞： 低壓直流電弧; 串聯(lián)故障電弧; 電弧模型; 電弧檢測算法; 電弧試驗裝置

中圖分類號： TM501+.2

文獻標志碼： A

文章編號： 2095-8188（2024）08-0011-10

DOI： 10.16628/j.cnki.2095-8188.2024.08.002

Review of Research on Low Voltage DC Series Fault Arc

WANG Yao1，"SHENG Dejie1，"LI Teng1，"LIU Yuying1，"LAN Tianle1，"BAO Zhizhou2，"ZHU Tongwei3

［1.State Key Laboratory of Reliability and Intelligence of Electrical Equipment

（Hebei University of Technology）， Tianjin 300401， China;

2.Zhejiang PEOPLE Electric Appliance Co.，Ltd.， Wenzhou 325600， China;

3.Zhejiang CHINT Electrics Co.，Ltd.， Wenzhou 325600， China］

Abstract：

DC series fault arc has high concealment and difficult detection，which is an important cause of fire in low voltage DC system.The model of low voltage DC series fault arc，arc characteristics and detection methods，detection standards and devices are reviewed mainly.Based on the arc simulation model is used to understand the arc evolution process，the principle，application range and limitations of the common fault arc model are analyzed.Based on the physical and electrical signal features geuerated by fault arc，construction and detection methods the advantages and disadvantages of different feature detection methods are exponded.Finally，the relevant standards of DC series fault arc are interpreted，and the current research status and shortcomings of the test platform and products are discussed.The future research direction of low voltage DC fault arc is prospected.

Key words：

low voltage DC arc; series fault arc; arc model; arc detection algorithm; arc test device

0"引"言

“碳達峰、碳中和”目標的實現(xiàn)必須依托新能源開發(fā)，其中以光伏發(fā)電的開發(fā)尤為重要。我國光伏發(fā)電開發(fā)潛力預計超50億kW［1］，光伏發(fā)電的開發(fā)對我國踐行能源安全大戰(zhàn)略具有重大意義。截至2024年3月底，全國光伏發(fā)電裝機容量達到6.59億kW，其中集中式光伏3.79億kW、分布式光伏2.80億kW。隨著光伏發(fā)電系統(tǒng)的發(fā)展，電氣火災事故頻繁發(fā)生，光伏系統(tǒng)連接處長期老化容易發(fā)生串聯(lián)故障電弧，其溫度可達數(shù)千攝氏度，極易引燃周圍易燃物［2］。因此，必須對串聯(lián)故障電弧進行檢測，并及時動作，防止其造成災難性后果。

本文對直流故障電弧的仿真模型、電弧特征以及相應的檢測方法進行總結和討論，對直流串聯(lián)故障電弧的相關標準進行解讀，并闡述試驗平臺及產(chǎn)品的研究現(xiàn)狀和不足［3-4］。

1"低壓直流串聯(lián)故障電弧仿真模型

電弧模型主要通過數(shù)學方程式來描述電弧的動態(tài)演化過程。直流故障電弧模型分類如圖1所示。

國內外提出的直流故障電弧模型主要有4種：磁流體動力學模型、黑盒模型、U-I模型和電弧噪聲模型［5-7］。磁流體動力學模型主要針對故障電弧的發(fā)生機理，研究電弧等離子體的放電演化過程，利用麥克斯韋方程組和有限元分析方法獲得電弧的電磁、溫度等物理特征，對電路仿真并不適用。黑盒模型、U-I模型和電弧噪聲模型主要針對電弧的電壓、電流、阻抗等電氣信號進行分析與建模，適合電路仿真［8-9］。

1.1"黑盒模型

黑盒模型將故障電弧看作是一個“黑盒”，忽略電弧內部的物理量演變過程，利用實驗的方法研究電弧的外部特性，進而確定故障電弧內部的特性參數(shù)在不同條件下的變化規(guī)律［10］。Mayr模型和Cassie模型為故障電弧兩大經(jīng)典黑盒模型。Mayr模型是基于熱平衡原理建立的動態(tài)電弧模型，適用于電弧剛發(fā)生時的小電流階段;Cassie模型依據(jù)基礎的弧隙能量平衡理論，假設電弧溫度恒定，電弧能量耗散速度與弧柱的橫截面積成正比，適用于小電阻、高電流等級下電弧的模擬，是現(xiàn)有直流故障電弧仿真中常用的電弧模型。雖然黑盒模型在一定程度上可以實現(xiàn)基于時域與頻域特征的故障電弧仿真，但很難與直流配電系統(tǒng)強干擾條件下故障電弧真實時頻域信息準確對應，不利于分析帶有高頻噪聲的系統(tǒng)強干擾對故障電弧的影響。

何鋆等［11］提出適用于爆炸開關設計過程中的黑盒電弧模型，應用參數(shù)掃描策略，研究電弧模型中參數(shù)取值規(guī)律，并結合試驗驗證該模型的可行性。文獻［12］基于Cassie模型建立光伏直流電弧動態(tài)仿真模型，提取故障特征頻帶以增強特征信息。文獻［13］基于Habedank模型提出光伏直流串聯(lián)故障電弧模型，在改變運行工況時模型參數(shù)可以動態(tài)調整。江潤等［14］提出Mayr改進模型，認為電弧在穩(wěn)定燃弧階段可等效為一個穩(wěn)定的電阻，而燃弧起始階段則等效為時變電阻，彌補了經(jīng)典電弧模型在阻性負載和阻感性負載下丟失一些原本電弧特征的不足。丁培等［15］利用KEMA模型將氣體電弧分為3個子電弧串聯(lián)的形式，綜合了Mayr模型和Cassie模型的特點，但缺乏電弧隨機特性的表征。文獻［16］在Mayr模型中加入隨機系數(shù)，改進后的模型考慮了電弧熄滅和再燃的隨機發(fā)生時間。黑盒模型仿真電弧電流、電壓波形與實際電弧電流、電壓波形的對比如圖2所示。t0時刻表示故障電弧發(fā)生，tm時刻表示母線電流降低到最小。

1.2"U-I模型

隨著電流的增大，直流電弧電壓逐漸減小，呈負阻性。學者們通過實驗研究直流電弧的伏安特性，采用數(shù)據(jù)擬合的方法得到了體現(xiàn)直流故障電弧的伏安特性模型，即U-I模型。U-I模型反映了電弧的靜態(tài)特性，對探索電弧的穩(wěn)態(tài)特性更為有效。

1902年至今，關于U-I模型提出許多經(jīng)驗模型，如Nottingham模型、Stokes模型、Paukert模型等［17］。Nottingham模型描述的故障電弧通過的電流等級＞10 A，不適合描述小電流等級下故障電弧特性［18］。Stokes模型描述的故障電弧模型涵蓋電弧間隙長度＞5 mm的故障電弧，在小電弧間隙下故障電弧模型特性模擬上存在一定的限制［19］。Paukert模型涵蓋0.3～100 000 A的電流范圍及1～200 mm的間隙長度［20］，可應用于模擬銅電極條件的空氣電弧。文獻［21］采用雙曲線函數(shù)逼近電弧的伏安特性，建立了用于微電網(wǎng)分析的串聯(lián)直流電弧模型，可用于故障電弧的瞬態(tài)模擬。U-I模型可以很好地反映故障電弧產(chǎn)生前后的低頻電流幅度，但在頻域上對故障電弧的表征有較大的誤差。

1.3"電弧噪聲仿真模型

直流故障電弧的時域信息和頻域信息受到系統(tǒng)各方面因素的影響，單一的故障電弧模型無法完整地表征故障電弧特性。直流故障電弧電流的時域信息受電弧間隙和電流等級的影響，頻域信息受直流變壓系統(tǒng)開關噪聲的影響，最大功率點跟蹤（MPPT）調節(jié)對故障電弧電流的時域和頻域信息均有影響［22］。因此，只有從時域和頻域2個角度共同模擬故障電弧的特性，從時域角度描述故障電弧電壓、電流等外特性與電流等級和電弧間隙的關系，從頻域角度建立故障電弧的噪聲頻率分布模型，同時考慮MPPT調節(jié)對故障電弧電流時域、頻域的影響，才能得到準確的故障電弧時頻域特性，為明確故障電弧典型特征和開發(fā)故障電弧檢測算法提供足夠的理論基礎。

電弧放電過程中，帶電粒子的隨機碰撞導致局部電場發(fā)生變化，因此直流故障電弧的阻抗具有隨機性［23］。電弧噪聲模型主要為了描述故障電弧的隨機行為，2種導體間接觸點電導的隨機漲落會產(chǎn)生電弧噪聲，從而會引發(fā)直流故障電弧頻域特性的改變［24-25］。文獻［26］采用零均值高斯噪聲表征電弧的隨機性行為，研究發(fā)現(xiàn)電弧高頻噪聲分布與電弧電流的直流分量水平有關，然而電弧噪聲模型在故障電弧時域變化描述維度仍存在不足。

文獻［27］分析直流故障電弧電流的頻譜后，提出按照轉折頻率前后不同的頻譜分布規(guī)律建立分段噪聲模型，對故障電弧電流高頻噪聲進行仿真。高小慶等［28］提出考慮故障電弧電流高頻特征的阻抗電弧模型，將電弧電流看成由低頻電流和高頻電流2部分組成，分別由低頻通路和高頻通路產(chǎn)生。該模型下仿真得到的電弧電流與實際電流波形的高頻特征近似。孟羽等［29］將表征故障電弧電流低頻分量的Nottingham模型與表征故障電弧電流高頻特性的白噪聲模型結合，從而建立同時表示低頻特性和高頻特性的復合模型。文獻［30］融合不同故障電弧模型的優(yōu)勢，提出基于U-I模型和粉紅噪聲的復合仿真模型，實現(xiàn)故障電弧時域、頻域的模擬。

雖然國內外的研究人員提出很多改進直流電弧模型的措施，但在表征串聯(lián)直流電弧燃弧特性方面都不理想，尤其是串聯(lián)直流電弧的高頻特征。每種改進的模型都有其適用范圍，不具備通用性。未來研究人員將對現(xiàn)有的電弧模型進一步改進，通過融合不同類型模型優(yōu)勢等方法增強模型的普適性，滿足對電弧仿真的需要。

2"直流故障電弧特征及檢測方法

直流故障電弧是一種涵蓋電、磁、熱、光等多物理場的氣體放電現(xiàn)象，伴隨而生的故障特征也在多個不同維度均有體現(xiàn)。學者對直流故障電弧的特征和檢測方法進行了大量的研究，依據(jù)特征種類和檢測方法的不同，大致可以分為基于電弧物理特征的檢測方法、基于電弧電流特征的檢測方法以及基于人工智能的特征提取及故障檢測方法。

2.1"基于電弧物理特征的檢測方法

低壓直流故障電弧的發(fā)生通常伴隨著明顯的物理特征，主要包括弧光、弧聲、電磁輻射等。文獻［31］利用電弧發(fā)生前的間歇性放電或火花現(xiàn)象來判斷電弧的產(chǎn)生。勾欣陽等［32］針對開關柜場景提出小波包分解和反向傳播（BP）神經(jīng)網(wǎng)絡相結合的方法，得到純凈的聲音信號，進而判斷有無電弧產(chǎn)生。王堯等［33-36］利用分形天線對光伏系統(tǒng)的電弧電磁輻射進行測量，并對電磁輻射信號進行包括小波變換在內的不同方法的數(shù)據(jù)處理，當特征值達到設定閾值后即認為存在電弧。

低壓配電網(wǎng)故障電弧的物理特征可以明確直觀地表征故障電弧的發(fā)生，且物理特征發(fā)生迅速，能夠支持快速檢測。但是由于弧光、弧聲、電磁輻射等物理特征的傳播范圍有限，其更適用于開關柜或電氣設備內部等密閉空間［32］中故障電弧的檢測。低壓直流配電系統(tǒng)分布范圍較廣且拓撲結構復雜，配電系統(tǒng)故障電弧的發(fā)生位置較為隨機［37］，故障電弧物理量測量裝置的有效測量范圍和部署安裝位置均會影響故障電弧的感應靈敏度和檢測效果［38］。

2.2"基于電弧電流特征的檢測方法

低壓直流配電網(wǎng)中，電弧電壓的檢測同樣受到故障發(fā)生位置的限制，檢測不受位置影響的電流信息受到了更多的關注。

故障電弧檢測的時域方法主要是將采集到的某一時間窗的電流時域特征值與預先設置的閾值進行比較，當其大于閾值時，認為故障電弧產(chǎn)生。文獻［39］提出一種基于分解開閉交替序列的故障電弧檢測方法，經(jīng)該方法處理后的電弧電流數(shù)據(jù)為隨機尖峰，尖峰幅值與電流變化率成正比。時域特征方法的優(yōu)點是數(shù)據(jù)處理簡單，但極易受到逆變器啟動、云層遮擋等干擾而出現(xiàn)誤判。當使用多個時間窗進行判斷時，算法抗干擾能力提高，但實時性較差。

故障電弧檢測的頻域方法的依據(jù)是故障電弧產(chǎn)生時電流信號中會包含高頻分量這一特征。文獻［40-41］利用快速傅里葉變換對電流進行頻域分析，當高頻部分的幅值超過預定閾值時，認為存在直流故障電弧。文獻［42］以直流串聯(lián)故障電弧為研究對象，得出該類電弧的特征頻帶為30～50 kHz。文獻［43］通過MATLAB仿真和電弧試驗研究不同電弧發(fā)生位置的電流頻譜特征差異，得出電弧不同發(fā)生位置的頻譜特征。相較于時域法，頻域法的抗干擾性更強，電弧檢測準確率也更高，對正常情況下電流突變的誤動率更低。但是頻域法只分析頻域特性，并不反映時域信息，無法找到電弧的起始發(fā)生時間［44］。

文獻［45］提出一種時域和時頻域相結合以增強抗干擾性能的電弧檢測方法。魏渠渠等［46］采用時域和頻域相統(tǒng)一的分數(shù)階傅里葉變換，觀察到電弧在時域及頻域的全景特性。文獻［47］研究直流微電網(wǎng)中負載切換對直流故障電弧檢測的干擾，利用短時傅里葉變換法研究負載切換過程中以及線路產(chǎn)生電弧時的特征向量，以提高故障電弧檢測準確率。文獻［48］利用快速傅里葉變換法和短時傅里葉變換法分別進行光伏系統(tǒng)電弧電流數(shù)據(jù)處理，并判斷有無電弧。故障電弧檢測的時頻域方法［49］綜合時域和頻域信息，抗干擾能力強，導致其算法運算量大、運行時間長、實時性稍差等。

2.3"基于人工智能的特征提取及檢測方法

近年來，基于人工智能的故障電弧檢測方法得到越來越多學者的關注。人工智能方法利用大量電弧數(shù)據(jù)進行模型訓練，自動生成電弧檢測的邊界條件，憑借閾值設置擺脫對人工經(jīng)驗的依賴，以高準確率的優(yōu)勢得到青睞?；谌斯ぶ悄艿墓收想娀z測方法主要依靠神經(jīng)網(wǎng)絡和機器學習算法。

在輸入機器學習算法之前，電弧數(shù)據(jù)需要先進行特征提取。林靖怡等［50］采用主成分分析法對故障電弧產(chǎn)生時電流的8種時域特征參數(shù)降維處理。邱婷婷等［51］提出一種多時間尺度小波和長短時記憶自編碼器故障電弧檢測方法，改善準確率。高海洋［52］以故障特征倍數(shù)與熵值波動方差為核心參數(shù)，在Haar、Db、Sym等16種小波基以及1～6分解層數(shù)中選取最優(yōu)算法參數(shù)，完成算法優(yōu)化。高海洋等［53］從選擇最優(yōu)小波分解層數(shù)與小波基函數(shù)出發(fā)，提出一種利用小波能譜熵的故障電弧檢測方法。胡繼新等［54］利用集合經(jīng)驗模態(tài)分解得到各階信號本征模態(tài)函數(shù)，并提取相似度較低電弧的本征模態(tài)函數(shù)（IMF）能量熵特征。王瑋等［55］從不同角度探討模態(tài)分解算法在電弧電流特征提取和故障檢測中的優(yōu)勢與不足。

目前，用于故障電弧檢測的機器學習算法包括K-近鄰算法、支持向量機和隨機森林等。吳泳恩等［56］提出一種基于改進自適應噪聲完備集合經(jīng)驗模態(tài)分解和模糊K均值聚類相結合的直流串聯(lián)故障電弧檢測方法。桑益芹等［57］提出以電弧能量為時域特征、以電弧電流為頻域特征的組合加權隨機森林故障電弧分類方法。文獻［58］介紹一種綜合考慮整個系統(tǒng)信息的串聯(lián)故障電弧診斷方法，通過隨機森林實現(xiàn)特征選擇，通過結構功能評估（SAF）診斷實現(xiàn)故障電弧的精確檢測。文獻［59］利用變分模態(tài)分解從光伏系統(tǒng)直流側電流信號中提取故障特征，通過自適應特征調整對各頻段信號的統(tǒng)計信息進行篩選，提出了一種基于優(yōu)化變分模態(tài)分解和支持向量機的智能故障電弧檢測算法。

基于神經(jīng)網(wǎng)絡的故障電弧檢測算法，主要利用神經(jīng)網(wǎng)絡的特征提取能力來提取電弧特征并進行任務分類。文獻［60］利用BP神經(jīng)網(wǎng)絡對故障電弧進行識別，并根據(jù)不同電極材料產(chǎn)生的不同電弧顏色進行電極材料識別。李長江［61］在BP神經(jīng)網(wǎng)絡的基礎上利用哈里斯鷹優(yōu)化（HHO）算法對標準BP神經(jīng)網(wǎng)絡進行優(yōu)化，建立HHO-BP神經(jīng)網(wǎng)絡模型。文獻［62］利用具有對抗性數(shù)據(jù)增強作用的輕型傳遞卷積神經(jīng)網(wǎng)絡進行光伏系統(tǒng)電弧檢測。文獻［63］結合數(shù)據(jù)增強神經(jīng)網(wǎng)絡技術，處理來自只有2個檢測點的數(shù)據(jù)并提高估計的準確性和魯棒性。文獻［64］提出一種基于擠壓激勵起始多輸入卷積神經(jīng)網(wǎng)絡的方法，用于快速檢測光伏系統(tǒng)中的串聯(lián)故障電弧。白嘎力等［65］提出基于卷積神經(jīng)網(wǎng)絡圖像識別方法與故障電弧診斷理論的電弧檢測方法。張蓬鶴等［66］基于廣義S變換對故障電弧特征進行研究，并利用二維卷積神經(jīng)網(wǎng)絡對樣本進行訓練及分類。蘇晶晶等［67］利用經(jīng)驗模態(tài)分解分析法對電弧電流進行時頻分析，結合概率神經(jīng)網(wǎng)絡實現(xiàn)故障電弧檢測與故障支路定位。張婷［68］依據(jù)深度學習理論研究基于殘差神經(jīng)網(wǎng)絡的串聯(lián)故障電弧檢測方法。張婷等［69］使用自適應非對稱卷積、多通道離散注意力機制改進殘差神經(jīng)網(wǎng)絡，所提方法對串聯(lián)故障電弧的識別率達到99.95%。王天澤等［70］通過門控循環(huán)神經(jīng)網(wǎng)絡進行不同光伏組串直流故障電弧類型辨識。唐海龍等［71］提出一種基于輕量級卷積神經(jīng)網(wǎng)絡的光伏系統(tǒng)直流串聯(lián)故障電弧檢測方法，采用Efficientnet-B1模型和注意力機制，實現(xiàn)高效準確的故障電弧檢測。輕量化卷積神經(jīng)網(wǎng)絡模型結構如圖3所示。其中，C、W、H分別卷積神經(jīng)網(wǎng)絡的3個維度。

基于人工智能的檢測方法得益于在特征提取上的優(yōu)越性，在檢測精度上有著優(yōu)異的表現(xiàn)。未來，模型泛化性將是人工智能算法的研究方向之一，現(xiàn)有模型大多數(shù)是在實驗室環(huán)境或者是較為固定的電路拓撲結構下訓練的，下一步應增加其在低壓直流系統(tǒng)真實場景下的性能驗證，證明模型的適應能力以及實際應用價值。此外，現(xiàn)有人工智能模型大多是黑盒模型，可解釋性能力較差，不利于模型的錯誤分析以及優(yōu)化改進，這也是值得進一步研究的方向。

3"直流故障電弧檢測標準及裝置

直流故障電弧發(fā)生的隨機性，導致故障數(shù)據(jù)難以采集，相關故障檢測保護產(chǎn)品的驗證測試也面臨同樣問題。因此，提出和完善相關直流故障電弧檢測標準以及建設涵蓋標準要求的直流故障電弧試驗平臺，對于提升直流故障電弧保護技術以及減小直流故障電弧的危害具有重要意義。

3.1"直流故障電弧相關標準分析

現(xiàn)實光伏場景下會有眾多因素影響直流串聯(lián)故障的電弧特征，相關標準需要明確如何在試驗環(huán)境下還原故障電弧。目前直流故障電弧檢測參考的主要標準有UL 1699B2018《光伏直流電弧故障保護電器》、IEC 63027：2023以及GB/T 39750—2021《光伏發(fā)電系統(tǒng)直流電弧保護技術要求》［72-73］。

直流電弧故障保護電器（AFDD）產(chǎn)品的應用場景復雜，包括逆變器、匯流箱、整流器等，也存在獨立形式的AFDD產(chǎn)品，相關標準中制定了不同的試驗電路。串聯(lián)組串線路結構圖如圖4所示。

在試驗過程中，需要記錄電弧電流、電弧電壓和電弧持續(xù)時間，并計算電弧能量。相關標準中要求，AFDD產(chǎn)品需要在電弧能量＞750 J或者電弧持續(xù)時間＞2.5 s之前檢測到故障電弧并做出動作。UL 1699B2018中，根據(jù)故障電弧的危害程度將試品表現(xiàn)劃分為A、B、C共3個區(qū)域。其中，A區(qū)域要求電弧持續(xù)時間＜2.5 s、電弧能量＜200 J，表示即使電弧附近有可燃材料，依然沒有火災風險;B區(qū)域要求電弧持續(xù)時間＜2.5 s且電弧能量介于200～750 J，750 J表示故障電弧不造成火災的最高能量等級;C區(qū)域表示電弧持續(xù)時間＞2.5 s或者電弧能量＞750 J，此區(qū)域已經(jīng)存在火災風險。AFDD的目的在于防止串聯(lián)故障電弧引起的火災事故，其動作必須在故障電弧造成火災風險前完成，因此表現(xiàn)處于C區(qū)域的產(chǎn)品判定為不合格。

在試驗測試中，主要參數(shù)包括最小電弧電流、最大工作電流、最大工作電壓、開路電壓、拉弧速度和拉弧間距等。圖4試驗電路中，多個故障電弧位置都必須進行測試，每種試驗工況重復3次。同時，標準規(guī)定2種阻抗網(wǎng)絡中的寄生電容參數(shù)，代表2種不同的試驗工況，都需要進行3次試驗。由于試驗工況較多會導致試驗次數(shù)較多、試驗耗時長，相關標準中也規(guī)定在測試相關方都同意的條件下，可以只在最不利的電弧位置進行測試。記錄每個拉弧位置各5個測量值，平均跳閘時間最長的拉弧位置即為最不利的電弧位置。

在UL 1699B2018、IEC 63027：2023以及GB/T 39750—2021中，試驗要求基本相同，部分試驗線路及拉弧位置和部分參數(shù)存在差異［74］。在UL 1699B2018和IEC 63027：2023中，每項試驗對于寄生電容有2組參數(shù)，GB/T 39750—2021中只規(guī)定1組參數(shù)，其目的是簡化試驗環(huán)節(jié)，經(jīng)過試驗驗證設置了1組在大多數(shù)場景下都能較為有效還原真實場景的參數(shù)。

3.2"直流故障電弧試驗平臺及相關產(chǎn)品

符合相關標準的試驗平臺主要由直流電源、解耦網(wǎng)絡、阻抗網(wǎng)絡、拉弧裝置、線路阻抗和逆變器等組成。為保證試驗工況的可重復性，采用直流電源為試驗線路提供穩(wěn)定可靠的試驗電源，而非實際光伏陣列。解耦網(wǎng)絡用于消除不同陣列之間的耦合關系，主要由共模電感、寄生電容和電感組成。在實際光伏直流場景下，光伏線纜所帶來的線路阻抗會嚴重影響AFDD檢測的準確率。試驗線路中的阻抗網(wǎng)絡用于模擬實際光伏直流場景下的線路阻抗，主要包含寄生電感和電容。相關標準中給出不同試驗線路的元件參數(shù)。目前相關標準中為了獲得穩(wěn)定自持的故障電弧，采用拉開電極的方式產(chǎn)生電弧。拉弧裝置結構如圖5所示。2種電弧發(fā)生器的主要區(qū)別為電極結構一采用2根金屬棒產(chǎn)生電弧，電極結構二采用金屬球和金屬圓環(huán)產(chǎn)生電弧。試驗過程中，控制電極以規(guī)定速度分離以產(chǎn)生電?。?5］。

電弧發(fā)生器的位置也會對AFDD的準確率造成較大影響，不同的拉弧位置與故障電弧檢測位置之間距離不同，同時會耦合不同的干擾信號，導致檢測難度差別較大。相關標準也在試驗線路中設置不同的拉弧位置，用于模擬真實光伏直流場景下不同位置發(fā)生的串聯(lián)故障電弧。

現(xiàn)有的試驗平臺集成化、自動化水平較低，拓展性較差，一定程度上制約光伏直流故障電弧檢測產(chǎn)品的發(fā)展［76］。標準中試驗線路種類較多，同時有拉弧位置、阻抗參數(shù)的區(qū)別，試驗平臺如果不能達到較高的自動化水平，不同試驗工況的切換會十分煩瑣，影響試驗進程。

為了能夠測試不同形式的光伏直流故障電弧檢測產(chǎn)品，如集成在逆變器內部的、斷路器形式的產(chǎn)品，試驗平臺應具有足夠的兼容性。線路長度會嚴重影響故障電弧的識別，目前相關企業(yè)、單位也在進行更長線路的故障電弧檢測的研究。同時，光伏發(fā)電場景下的直流故障電弧主要為低壓場景，但隨著近些年的發(fā)展，電壓等級逐漸提高，故障電弧檢測算法也應當對高壓工況做出相應的測試與優(yōu)化。試驗平臺也應具有相關的前瞻性和拓展性，以達到新趨勢的要求。

目前，光伏相關企業(yè)正處于光伏直流故障電弧檢測產(chǎn)品的開發(fā)測試階段。某公司直流故障電弧斷路器樣機如圖6所示。市面上較為成熟的產(chǎn)品不多，其中華為帶有故障電弧檢測功能的逆變器已經(jīng)具備實際應用的價值，不僅滿足UL 1699B2018要求，還可以實現(xiàn)更寬范圍的高精度檢測。為應對蓬勃發(fā)展的光伏產(chǎn)業(yè)，國家層面不斷加強政策引導，光伏企業(yè)也在主動聯(lián)合相關部門完善法規(guī)標準。隨著低壓直流供配電系統(tǒng)尤其是光伏發(fā)電系統(tǒng)的迅猛發(fā)展，直流故障電弧檢測與保護設備市場更加廣闊，相關企業(yè)應促進直流故障電弧標準的繼續(xù)完善，試驗平臺的持續(xù)發(fā)展，加速利用人工智能算法等新技術推動直流故障電弧斷路器的不斷更新迭代，促進光伏產(chǎn)業(yè)長期可持續(xù)發(fā)展。

4"結"語

光伏系統(tǒng)的發(fā)展關系到我國“碳中和、碳達峰”進程，對我國能源安全具有重大意義。為了應對隨之而來的直流故障電弧危害，必須采取有效的檢測和保護手段。本文針對電弧模型、電弧特征及其檢測算法、檢測標準及裝置等方面進行了綜述。就研究現(xiàn)狀而言，低壓直流串聯(lián)故障電弧領域仍有很多問題亟待解決。

（1） 電弧模型層面，本文對常用的黑盒模型、U-I模型和電弧噪聲模型的適用范圍、原理及其不足之處進行了討論。目前電弧模型的主要問題在于通用性差，未來研究應當結合現(xiàn)有不同類型電弧模型的優(yōu)勢，實現(xiàn)對電弧時頻域特征，尤其是串聯(lián)直流故障電弧的高頻特征的精準模擬，擴大電弧模型適用范圍。

（2） 檢測算法層面，本文對故障電弧產(chǎn)生的不同特征進行分類，并對包括時域特征、頻域特征、時頻域特征以及人工智能算法在內的檢測算法進行了總結和優(yōu)缺點討論。人工智能的檢測方法已經(jīng)初步證明其優(yōu)越性，模型的泛化性、模型的輕量化以滿足低成本硬件實現(xiàn)值得深入研究，模型可解釋性能力較差，不利于模型的錯誤分析以及優(yōu)化改進，這也是很值得進一步研究的方向。

（3） 檢測標準及裝置層面，本文對直流串聯(lián)故障電弧相關標準進行了解讀，并對直流故障電弧檢測產(chǎn)品、試驗平臺研究現(xiàn)狀及不足進行了討論。大電流、長線路以及電壓等級的提高是當前光伏系統(tǒng)發(fā)展趨勢，相關標準及試驗平臺應滿足發(fā)展所需，針對直流故障電弧的檢測裝置也應從實際使用的角度出發(fā)，在滿足檢測精度的前提下，提高經(jīng)濟性與高效性。

【參 考 文 獻】

［1］"李暉，劉棟，姚丹陽.面向碳達峰碳中和目標的我國電力系統(tǒng)發(fā)展研判［J］.中國電機工程學報，2021，41（18）：6245-6259.

［2］"QU N， WANG J， LIU J.An arc fault detection method based on current amplitude spectrum and sparse representation［J］.IEEE Transactions on Instrumentation and Measurement，2019，68（10）：3785-3792.

［3］"陳思磊，李興文，屈建宇.直流故障電弧研究綜述［J］.電器與能效管理技術，2015（15）：1-6，45.

［4］"高少彬，竺紅衛(wèi).直流故障電弧檢測技術綜述［J］.電器與能效管理技術，2018（10）：20-24.

［5］"GAMMON T， LEE W J， ZHANG Z Y， et al.A review of commonly used DC arc models［J］.IEEE Transactions on Industry Applications，2015，51：1398-1407.

［6］"晏坤，馬尚，王偉，等.基于小波分析和 Cassie 模型的低壓串聯(lián)電弧放電檢測及故障保護仿真研究［J］.電器與能效管理技術，2019（18）：48-67.

［7］"曲娜，王建輝，劉金海，等.基于Cassie模型和L3/4范數(shù)的串聯(lián)電弧故障檢測方法［J］.電網(wǎng)技術，2018，42（12）：3992-3997.

［8］"劉宗杰，王成全，徐國強，等.對于Cassie電弧模型爆炸氣體滅弧時間的研究［J］.高電壓技術，2020，28（20）：162-166.

［9］"康樂，田云博，楊騉，等.串聯(lián)故障電弧電流時頻域特性的仿真與實驗研究［J］.高壓電器，2023，59（2）：104-112.

［10］"吳春華，黃宵宵，李智華，等.光伏系統(tǒng)直流微弱電弧信號檢測研究［J］.中國電機工程學報，2019，39（20）：6025-6033.

［11］"何鋆，王科.用黑盒電弧模型的爆炸開關中直流電弧的仿真［J］.計算機仿真，2023，40（5）：323-328.

［12］"XU W K， YAO L Z， QI J S， et al.Extraction of fault characteristic frequency band of photovoltaic DC series arc based on wavelet packet transform and Tsallis entropy［C］//2023 5th Asia Energy and Electrical Engineering Symposium （AEEES），2023：551-558.

［13］"LI X R， PAN C Y， LUO D M， et al.Series DC arc simulation of photovoltaic system based on habedank model［J］.Energies，2020，13（6）：1-16.

［14］"江潤，方艷東，鮑光海，等.適用于低壓串聯(lián)故障電弧的Mayr改進模型［J］.電器與能效管理技術，2019（21）：14-18.

［15］"丁培，劉志遠，羅金輝，等.基于KEMA電弧模型的SF6斷路器直流分量開斷能力研究［J］.高壓電器，2020，56（12）：75-82.

［16］"WEI M， SHI F， ZHANG H， et al.High impedance arc fault detection based on the harmonic randomness and waveform distortion in the distribution system［J］.IEEE Transactions on Power Delivery，2020，35（2）：837-850.

［17］"AMMERMAN R F， GAMMON T， SEN P K， et al.DC-arc models and incident-energy calculations［J］.IEEE Transactions on Industry Applications，2010，46（5）：1810-1819.

［18］"NOTTINGHAM W.A new equation for the static characteristic of the normal electric arc［J］.Journal of the American Institute of Electrical Engineers，1923，42（1）：12-19.

［19］"STOKES A D， OPPENLANDER W T.Electric arcs in open air［J］.Journal of Physics D：Applied Physics，1991，24（1）：26-35.

［20］"PAUKERT J.The arc voltage and arc resistance of LV fault arcs［C］//1993 7th International Conference on Switching Arc Phenomena （SAP），1993：49-52.

［21］"URIARTE F M， GATTOZZI A L， HERBST J D， et al.A DC arc model for series faults in low voltage microgrids［J］.IEEE Transactions on Smart Grid，2012，3（4）：2063-2070.

［22］"JOHNSON J， PAHL B， LUEBKE C， et al.Photovoltaic DC arc fault detector testing at Sandia national laboratories［C］//2011 37th IEEE Photovoltaic Specialists Conference，2012：003614-003619.

［23］"于雷，李勁彬，袁佳歆，等.基于電弧模型的直流開關振蕩回路參數(shù)研究［J］.電工技術學報，2023，38（S1）：187-195，213.

［24］"周靈鋒，楊善水，王莉，等.阻性負載下含分段噪聲的間歇性直流電弧阻抗模型［J］.電力系統(tǒng)保護與控制，2023，51（14）：85-94.

［25］"呂鵬，周強，譚雅麗.生成粉紅噪聲的ARMA模型［J］.數(shù)據(jù)采集與處理，2011，26（6）：728-732.

［26］"TERZIJA V V， POPOV M， STANOJEVIC V， et al.EMTP simulation and spectral domain features of a long arc in free air［C］//2005 18th International Conference and Exhibition on Electricity Distribution，2005：1-4.

［27］"PARK K H，LEE H Y，ASIF M.Parameter identification of DC black-box arc model using non-linear least squares［J］.The Journal of Engineering，2019（16）：2202-2206.

［28］"高小慶，陳曉軍，鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型［J］.電器與能效管理技術，2021（3）：6-12.

［29］"孟羽，李興文，吳子豪，等.光伏系統(tǒng)直流故障電弧時頻域特性及其復合模型研究［J］.高壓電器，2022，58（5）：23-30，40.

［30］"CHEN S， LI X，XIE Z， et al.Time-frequency distribution characteristic and model simulation of photovoltaic series arc fault with power electronic equipment［J］.IEEE Journal of Photovoltaics，2019，9（4）：1128-1137.

［31］"LU Y， LE V， YANG Z， et al.A novel series arc fault detection method using sparks in DC microgrids with buck converter interface［C］// 2018 IEEE Energy Conversion Congress and Exposition （ECCE），2018：492-496.

［32］"勾欣陽，胡茜婷，張朔.開關柜電弧聲音檢測系統(tǒng)研究［J］.機電信息，2020（32）：5-6.

［33］"王堯，張彥風，牛峰，等.光伏直流電弧電磁輻射特性分析與測量方法［J］.電工技術學報，2019，34（14）：2913-2921.

［34］"黎鵬，蔣建紅，吳泳聰，等.基于分形天線的輸電線路等電位帶電作業(yè)電位轉移電弧電磁輻射特性測量［J］.電機與控制學報，2022，26（6）：53-61.

［35］"ZHAO S， WANG Y， NIU F， et al.A series DC arc fault detection method based on steady pattern of high-frequency electromagnetic radiation［J］.IEEE Transactions on Plasma Science，2019，47（9）：4370-4377.

［36］"黃凱，鮑光海，劉德軍.基于電磁輻射的交直流電弧故障檢測研究［J］.電器與能效管理技術，2018（14）：1-6，12

［37］"ZHAO S， YOU G， HOU X， et al.A spatial location method for DC series arc faults based on RSSI and bayesian regularization neural network［J］.IEEE Sensors Journal，2021，21（24）：27868-27877.

［38］"YIN Z， WANG L， ZHANG B， et al.An integrated DC series arc fault detection method for different operating conditions［J］.IEEE Transactions on Industrial Electronics，2021，68（12）：12720-12729.

［39］"KAVI M， MISHRA Y， VILATHGAMUWA M.DC arc fault detection for grid-connected large-scale photovoltaic systems［J］.IEEE Journal of Photovoltaics，2020，10（5）：1489-1502.

［40］"GU J C， LAI D S， WANG J M， et al.Design of a DC series arc fault detector for photovoltaic system protection［J］.IEEE Transactions on Industry Applications，2019，55（3）：2464-2471.

［41］"邸振國，熊慶，張琛，等.基于加權差分電流的直流故障電弧檢測方法［J］.西安交通大學學報，2022，56（5）：141-148.

［42］"CHO C G， AHN J B， LEE J H， et al.DC series arc fault characteristic comparision of a fast fourier transform result［C］// 2020 8th International Conference on Condition Monitoring and Diagnosis （CMD），2020：218-221.

［43］"NASHRULLOH M， PRASETYONO E， ANGGRIAWAN D O.Mapping detection of DC series arc fault based on fast fourier transform［C］// 2021 International Electronics Symposium （IES），2021：582-587.

［44］"LU S， PHUNG B T， ZHANG D.A comprehensive review on DC arc faults and their diagnosis methods in photovoltaic systems［J］.Renewable and Sustainable Energy Reviews，2018，89：88-98.

［45］"LIU S， DONG L， LIAO X， et al.Application of the variational mode decomposition-based time and time-frequency domain analysis on series DC arc fault detection of photovoltaic arrays［J］.IEEE Access，2019，7：126177-126190.

［46］"魏渠渠，王莉.基于分數(shù)階傅里葉變換的直流電弧特征分析［J］.電器與能效管理技術，2015（7）：7-11.

［47］"MAQSOOD A， OSLEBO D， CORZINE K， et al.STFT cluster analysis for DC pulsed load monitoring and fault detection on naval shipboard power systems［J］.IEEE Transactions on Transportation Electrification，2020，6（2）：821-830.

［48］"BALAMURUGAN R， AL-JANAHI F， BOUHALI O， et al.Fourier transform and short-time fourier transform decomposition for photovoltaic arc fault detection［C］//2020 IEEE 47th Photovoltaic Specialists Conference （PVSC），2020：2737-2742.

［49］"黃躍杰，周笛青.光伏系統(tǒng)直流串聯(lián)電弧故障時-頻域檢測方法［J］.電器與能效管理技術，2018（10）：25-34.

［50］"林靖怡，武建文，李奎，等.基于主成分分析和決策樹的故障電弧識別方法［J］.電器與能效管理技術，2023（4）：1-7.

［51］"邱婷婷，曹文平，劉孝宇，等.多時間尺度小波變換和LSTM自編碼器電弧故障檢測方法［J］.電機與控制學報，2024，28（4）：139-148.

［52］"高海洋.基于負載端電壓特征的串聯(lián)型電弧故障檢測及定位方法研究［D］.淄博：山東理工大學，2023.

［53］"高海洋，王瑋，尚同同，等.基于小波能譜熵的串聯(lián)型故障電弧檢測方法［J］.電工電能新技術，2022，41（12）：63-71.

［54］"胡繼新，許永新，耿鐿誠，等.基于多特征融合的光伏系統(tǒng)串聯(lián)直流電弧故障識別方法［J］.現(xiàn)代電力，2022，39（5）：529-536.

［55］"王瑋，徐丙垠，鄒國鋒，等.基于模態(tài)分解的低壓串聯(lián)電弧故障特征提取方法比較［J］.科學技術與工程，2023，23（17）：7355-7367.

［56］"吳泳恩，王賓.基于改進經(jīng)驗模態(tài)分解的直流串聯(lián)電弧故障檢測［J］.濟南大學學報（自然科學版），2024，38（1）：106-114

［57］"桑益芹，葛紅娟，李靜，等.航空電弧故障的組合加權隨機森林分類方法［J］.航空計算技術，2022，52（2）：77-81.

［58］"YIN Z， WANG L， YANG S.A series arc fault diagnosis method in DC distribution systems based on multiscale features and random forests［J］.IEEE Sensors Journal，2023，23（3）：2605-2617.

［59］"CAI X， 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.

［60］"LI T， XIONG Q， LI R， et al.DC arc fault risk degree evaluation based on back propagation neural network［C］//2021 Power System and Green Energy Conference（PSGEC）.2021：655-659.

［61］"李長江.低壓串聯(lián)故障電弧檢測方法研究［D］.銀川：寧夏大學，2022.

［62］"LU S， MA R， SIROJAN T， et al.Lightweight transfer nets and adversarial data augmentation for photovoltaic series arc fault detection with limited fault data［J］.International Journal of Electrical Power amp; Energy Systems，2021，130：1-12.

［63］"LI K， ZHAO S L， WANG Y.A planar Location method for DC arc faults using dual radiation detection points and DANN［J］.IEEE Transactions on Instrumentation and Measurement，2020，69（8）：5478-5487.

［64］"CHEN X Q， GAO W， HONG C， et al.A novel series arc fault detection method for photovoltaic system based on multi-input neural network［J］.International Journal of Electrical Power and Energy Systems，2022，140（9）：108018.

［65］"白嘎力，蔣慧靈，李坦，等.本質安全型防爆電氣設備故障電弧識別技術［J］.中國人民警察大學學報，2023，39（8）：52-57.

［66］"張蓬鶴，秦譯為，宋如楠，等.廣義S變換下串聯(lián)故障電弧的時頻分析及識別研究［J/OL］.電網(wǎng)技術，1-11［2024-04-05］.https：//doi.org/10.13335/j.1000-3673.pst.2023.1129.

［67］"蘇晶晶，許志紅.基于EMD和PNN的故障電弧多變量判據(jù)診斷方法［J］.電力自動化設備，2019，39（4）：106-113.

［68］"張婷.基于殘差神經(jīng)網(wǎng)絡的串聯(lián)電弧故障識別算法研究［D］.泉州：華僑大學，2022.

［69］"張婷，張認成，楊凱.基于非對稱卷積神經(jīng)網(wǎng)絡的電弧故障檢測系統(tǒng)［J］.電子測量與儀器學報，2022，36（11）：116-125.

［70］"王天澤，徐永海，于榮躍，等.基于熵特征融合的光伏組串直流電弧故障辨識方法［J/OL］.華北電力大學學報（自然科學版），1-11［2024-04-05］.http：//kns.cnki.net/kcms/detail/13.1212.TM.20231124.1259.002.html.

［71］"唐海龍，熊蘭，吳淑牛，等.光伏系統(tǒng)直流母線電弧故障的固有頻率法測距［J］.太陽能學報，2022，43（9）：30-37.

［72］"王堯，張彥風，李奎.光伏直流電弧故障檢測方法研究綜述［J］.電器與能效管理技術，2018（24）：1-6，37.

［73］"高漢林，許峰，張涵.光伏系統(tǒng)直流故障電弧特性與檢測裝置研究［J］.電器與能效管理技術，2022（11）：46-53.

［74］"AMEEN R， ABDULMAWJOOD K， ABBAS S， et al..Mechatronics arc generator for photovoltaic arc fault detector testing［C］// 2019 IEEE 46th Photovoltaic Specialists Conference （PVSC），2019：235942850.

［75］"Al-JANAHI F.An automated testbed for PV arcs analysis［C］// 2024 4th International Conference on Smart Grid and Renewable Energy （SGRE），2024：1-6.

［76］"Putzke J L， Michels L， Bellinaso L V.Electric arcs in photovoltaic systems：A comparative analysis of IEC 63027，UL 1699B，and GB/T 39750 Standards［C］// 2023 IEEE 8th Southern Power Electronics Conference and 17th Brazilian Power Electronics Conference （SPEC/COBEP），2023：1-5.

收稿日期： 20240521