摘"要：光伏系統(tǒng)中，因絕緣老化或接線松動而出現(xiàn)的直流串聯(lián)電弧故障極易引發(fā)電氣火災。因此，光伏系統(tǒng)必須安裝電弧故障檢測裝置，而其易因陰影遮擋和逆變器啟動引發(fā)的直流側高頻噪聲而誤跳閘。將注意力機制和一維卷積神經網絡相結合，提出一種基于注意力權重優(yōu)化電弧特征的電弧故障檢測方法。通過可視化電弧特征貢獻權重，提取8～18 kHz和28～38 kHz電弧關鍵特征頻段，并剔除8～23 kHz頻段中的干擾特征頻段。經驗證，使用關鍵電弧特征訓練的電弧故障檢測模型可以成功避免陰影遮擋和逆變器啟動過程帶來的誤動，最終使電弧檢測準確率提高到99.33%。

關鍵詞： 串聯(lián)電弧故障; 卷積神經網絡; 注意力機制; 電弧故障識別; 光伏系統(tǒng)

中圖分類號： TM501+.2

文獻標志碼： A

文章編號： 2095-8188（2024）08-0050-07

DOI： 10.16628/j.cnki.2095-8188.2024.08.007

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 amp; 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）

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 1 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

0"引"言

隨著全球氣候變暖所引發(fā)的海平面上升等危害日益嚴峻，“碳達峰”和“碳中和”成為全球發(fā)展目標。為減少二氧化碳排放量，人們需要擺脫對化石燃料的依賴。光伏發(fā)電的能量來自太陽能，在發(fā)電過程中造成環(huán)境污染小，且發(fā)電量可觀，因此成為分布式電力系統(tǒng)的重要組成部分［1］。光伏系統(tǒng)直流電弧故障會產生20 000 K的高溫，極易引發(fā)電氣火災，這使得電弧故障成為光伏系統(tǒng)安全的主要威脅［2］。

根據電弧燃燒時產生的光、熱和電磁輻射等物理現(xiàn)象可以檢測電弧故障［3-5］。但是，基于電弧物理特征的電弧檢測方法易受周圍環(huán)境噪聲的干擾，無法大范圍應用。

基于電弧電流信號的電弧故障檢測方法主要根據電弧電流的時頻域特征設置故障檢測閾值［6-10］。牟龍華等［10］利用快速傅里葉變換提取光伏發(fā)電系統(tǒng)直流電弧故障的特征頻率，再利用特征頻帶選定最優(yōu)小波函數，分別提出基于電弧電流最大值、小波系數方差和模極大值的檢測判據。基于電弧電流時頻域特征的檢測方法，依賴人為設定的電弧故障識別閾值。閾值設置過大會降低電弧故障識別準確率，閾值設置過小又易使電弧故障保護裝置誤動。

為解決電弧檢測閾值依賴人為經驗的問題，許多學者使用人工智能的方法識別電弧故障［11-14］。文獻［14］使用時頻域特征網絡提取電源側電流特征，結合長短期記憶神經網絡捕捉特征中的動態(tài)時變特征，最后使用全連接網絡實現(xiàn)提取特征與預測輸出之間的映射關系，從而有效識別串聯(lián)直流電弧故障。使用人工智能方法進行電弧故障識別前，需要將人工提取的電弧特征作為機器學習算法的輸入參量，電弧特征的選取直接決定了機器學習算法的最終準確率［15］。目前，機器學習方法的特征選擇主要基于現(xiàn)場經驗，不能保證選取的電弧特征與所用人工智能算法相匹配，導致電弧檢測算法在逆變器啟動等工況容易誤動。

為解決電弧特征選取問題，本文提出了一種基于注意力權重自動提取電弧特征的電弧故障檢測方法，通過提取算法內嵌的注意力權重選擇關鍵電弧特征，剔除不敏感的冗余特征進行電弧故障識別，并進行抗干擾測試，結果表明了所提方法的有效性。

1"電弧故障實驗數據采集與特征分析

1.1"實驗平臺

為采集電弧故障電流數據，根據美國UL 1699B2018《光伏直流電弧故障保護電器》標準搭建試驗平臺。光伏直流電弧故障試驗平臺如圖1所示。該平臺由光伏陣列模擬電源、電弧發(fā)生器和逆變器負載組成。UL 1699B2018規(guī)定，當以光伏陣列模擬電源為試驗線路電源時，為避免電源噪聲或其他線路影響系統(tǒng)信號，需要設置解耦網絡以消除干擾。光伏陣列線路阻抗網絡用來模擬光伏陣列以及線路阻抗對電弧特性衰減作用。光伏直流電弧故障試驗平臺線路阻抗參數如表1所示。

為使電弧故障檢測算法部署于嵌入式端，使用電流互感器采集電弧電流信號，其位置如圖1。信號采集電路主要為了采集線路電流中的電弧特征信號。電弧特征信號的頻率主要分布在100 kHz以下，根據奈奎斯特定理，信號采樣率需大于信號頻率的2倍，設置系統(tǒng)采樣率為250 kS/s。為滿足電弧采樣帶寬，采集線路選用寧波希磁STK-CTS/P5電流互感器，STK-CTS/P5帶寬為500 kHz，可以滿足電弧信號采集要求。根據UL 1699B2018中光伏電弧試驗項目規(guī)定，光伏直流電弧故障試驗條件如表2所示。

1.2"數據處理

光伏電池易受光照強度和溫度的影響，其電流信號隨機性強，無周期性特征。發(fā)生電弧故障與系統(tǒng)正常工作時，電流信號僅靠時域特征難以分辨，因此需要對電弧電流進行頻域特征分析。

離散傅里葉變換（DFT）可以在頻域中離散化直流電弧故障電流信號。DFT可以將直流電弧故障信號通過時間窗分割成幾個長度相等的小信號，從而有效區(qū)分電弧和非電弧特征。

假設信號x（n）為一個長度為N的有限長序列。使用離散傅里葉變換對信號x（n）進行分析，得到的X（k）仍為長度為N的有限長序列，變換過程可表示為

X（k）=∑N-1n=0x（n）e-j2πNkn=""""""""∑N-1n=0x（n）WknN，"k∈［0，N-1］（1）

為準確分析采集到的電弧電流信號，在頻域特征分析之前，需要將數據劃分為特定大小的時間窗口。如果時間窗口太小，雖然頻譜結果的時間分辨率更好，但可能會使硬件處理器的計算能力過載;如果時間窗口太大，將給處理器帶來很大壓力，并影響其在時域中的分辨率，可能會降低檢測方案的實時性能。為平衡電弧檢測任務的實時要求和電弧特性在頻域中的分辨率，結合文獻［16］中AR模型分析，本文選擇的時間窗口為10 ms。最終根據上述方法制作電弧電流數據庫。電弧數據庫樣本信息如表3所示。電弧電流數據庫分為4個電流等級：3.0 A、8.0 A、8.5 A和15.0 A，共13 000條數據。

1.3"電弧特征分析

電弧故障特征頻帶的選擇對于電弧故障識別至關重要［15-17］。電弧和正常狀態(tài)電流頻譜對比如圖2所示，光伏系統(tǒng)電弧故障特征信號主要分布在3～125 kHz頻率范圍內。然而，在20 kHz之后的頻率范圍內，電弧狀態(tài)和正常操作狀態(tài)的能譜在某些頻帶中具有高度混疊?；殳B頻帶的能譜對于電弧故障識別貢獻小，甚至可能降低電弧檢測算法的精度。因此，需要從3～125 kHz電弧特征中提取有利于電弧故障識別的關鍵電弧特征。

雖然在30 kHz之前頻段的能量譜中，電弧和正常狀態(tài)可以通過幅值的大小來進行區(qū)分，但是系統(tǒng)中的干擾使得閾值難以設置，并且卷積神經網絡識別的是信號變化規(guī)律而不是信號大小，因此無法直接通過能量譜幅值準確地進行電弧故障識別和選取電弧故障關鍵特征頻段。

2"電弧故障檢測算法原理

2.1"一維卷積神經網絡原理

卷積神經網絡是以卷積計算為主要手段，具有深度結構的前饋神經網絡。卷積神經網絡廣泛應用于自然語言處理、圖像識別和目標檢測等各項任務，具有良好的學習能力［18-20］。

卷積神經網絡主要由卷積層、池化層和激活函數組成，由多層卷積組成的特征提取層通過多次前向傳播和反向傳播優(yōu)化網絡參數。在前向傳播過程中，輸入特征通過卷積層并由每層的激活函數產生輸出特征;在反向傳播過程中，通過誤差函數計算輸出和訓練標簽的誤差，并將誤差函數反向傳遞回各層，最終通過梯度下降公式更新網絡參數。如果一維卷積向量f的長度為l，卷積核k的長度為r，則第i個卷積中第j個卷積核的結果（f×k）可表示為

（f×K）（i）=∑rj=1k（j）fi-j+r2（2）

激活函數ReLU可表示為

ReLU（x）=Max（0，x）（3）

交叉熵損失函數可表示為

Categorical Cross Entropy=-1N∑jyj·log（y^j）（4）

式中："N——訓練數據總數;

yj——訓練樣本真實標簽;

y^j——網絡預測標簽。

2.2"注意力機制原理

注意力機制不僅可以模擬人眼聚焦功能，使網絡模型更加關注關鍵特征;而且可以幫助模型選擇有效、適當規(guī)模的特征，進而讓模型有效、高效地完成任務［21］。將注意力機制引入電弧故障識別模型，在識別電弧故障時可以可視化模型電弧特征貢獻權重，最終完成電弧關鍵特征頻段的提取。電弧故障識別模型引入的注意力模塊如圖3所示。

首先通過全連接層獲得輸入x的原始計算分值E，表達式為

E=wx+b（5）

然后利用softmax函數將原始計算分值E整理成所有元素之和為1的權重W，表達式為

W=exp（ei）∑Ti=1exp（ei）（6）

最后將原始輸入x與權重W相乘，得到注意力模塊輸出y，表達式為

y=Wx（7）

2.3"基于注意力機制和卷積神經網絡的電弧故障識別模型

為使電弧識別模型更準確地提取電弧特征，首先把數據輸入注意力模塊中，再把由注意力模塊處理后的特征輸入一維卷積、最大池化層以及全連接層。本文提出的電弧故障識別模型如圖4所示。該模型由1個注意力模塊、3個一維卷積層、3個最大池化層和3個全連接層組成。注意力模塊由全連接層和乘積層組成，輸入數據會經過一個激活函數為softmax的全連接層獲取每個輸入點的權重，再經過乘積層將原始輸入數據與全連接層得到的權重相乘，最終得到經過注意力的電弧特征。注意力模塊輸出的數據傳遞給卷積層，每個卷積層后執(zhí)行ReLU操作且連接一個最大池化層。第1個和第3個卷積層各擁有96個濾波器，第2個卷積層擁有128個濾波器。卷積層的濾波器大小都為5×1，最大池化層大小為2×1，步長為1。在最后的最大池化層之后執(zhí)行Flatten操作將數據降維，在Flatten操作后神經元數量分別為64、32和2的3個全連接層。輸出層為分類層，2個神經元分別對應光伏系統(tǒng)的電弧和正常運行狀態(tài)，并使用softmax函數將分數轉化為總和為1的概率，取概率大的那一類作為最終分類狀態(tài)。

3"基于注意力權重的電弧特征選取

3.1"電弧檢測模型結果分析

訓練電弧檢測模型時，使用自適應學習率策略，設置訓練epochs為200，batch size為100，初始學習率為0.000 01。電弧故障檢測模型輸出混淆矩陣如圖5所示。結果表明，電弧故障檢測模型識別電弧故障的精確率為98.08%，驗證了電弧故障檢測模型可以勝任電弧故障識別任務。

線路阻抗中的電感會衰減電流信號的高頻分量，選取的部分數據集電弧故障高頻特征微弱，甚至小于系統(tǒng)正常工作狀態(tài)下電流頻譜幅值，導致無電弧故障時模型誤判為電弧故障。無電弧故障誤判頻譜如圖6所示。

3.2"基于可解釋性的關鍵頻段選取

光伏系統(tǒng)電弧特征頻帶的選擇對于電弧故障識別至關重要［6］。由圖2可知，光伏系統(tǒng)電弧故障特征信號主要分布在3～125 kHz頻率范圍內，在20 kHz之后的頻率范圍內，電弧狀態(tài)、正常操作狀態(tài)、逆變器啟動和陰影遮擋4種工況能量譜在某些頻帶高度混疊。混疊頻帶能量譜對電弧故障檢測模型決策無積極作用，甚至可能降低模型的精度。因此，需要從3～125 kHz全頻段電弧特征中提取對電弧故障識別模型決策過程貢獻權重高的關鍵電弧特征頻段。

電弧故障識別模型引入的注意力機制，可以可視化電弧識別模型決策時電弧特征貢獻權重［22-23］。根據電弧特征頻段的注意力權重，可以分析不同電弧特征頻段對模型決策過程的貢獻，提取對模型決策過程重要的關鍵電弧故障特征，剔除易受干擾影響的干擾特征頻段。

為分析電弧特征頻段的重要性，用重采樣法將3～125 kHz頻段以5 kHz為步長，以10 kHz為窗口，分成24個10 kHz大小的子頻段，并計算每個子頻段內的注意力權重之和。正常工況特征注意力權重如圖7所示;電弧工況特征注意力權重如圖8所示。由圖7和圖8可知，電弧故障識別模型在識別電弧數據時，主要關注8～18 kHz子頻段能量譜特征;在識別正常工況數據時，在關注8～18 kHz子頻段的同時，還會關注28～38 kHz子頻段的能量譜特征。并且，電弧故障數據的關鍵特征主要集中在23 kHz以下，而正常工況的關鍵特征則分布在更廣泛的范圍內。因此，為提高電弧故障識別準確率，提取電弧數據最高權重子頻段8～18 kHz和無弧數據重要權重子頻段28～38 kHz作為聯(lián)合能量譜特征頻段，并重新訓練電弧故障識別模型。

3.3"基于電弧關鍵特征的識別結果驗證

根據3.2節(jié)分析，以8～18 kHz和28～38 kHz頻段為電弧關鍵特征頻段，并作為電弧故障識別模型輸入數據，重新處理電弧數據制作電弧數據庫。使用關鍵電弧特征數據庫訓練電弧故障檢測模型，并使用測試集對其進行準確率驗證。模型輸出的測試集混淆矩陣如圖9所示。為了評估模型性能，計算模型識別準確率、召回率以及精確率。由圖5和圖9實驗結果對比可知，基于注意力權重提取的電弧關鍵特征頻段電弧故障識別模型準確率提升到99.33%，大幅提高了電弧故障識別模型效果。

3.4"抗干擾測試

光伏電站一般安裝在屋頂開放環(huán)境，陰影遮擋光伏板和逆變器的啟動過程會使直流側電流波動，進而造成光伏電弧檢測誤判。每種情況都取200組樣本組成測試集進行測試?？垢蓴_測試驗證結果如表4所示。由測試結果可知，基于電弧關鍵特征的優(yōu)化模型可以避免上述2種干擾。特征優(yōu)化前的電弧檢測模型在逆變器啟動干擾測試中，有5組數據發(fā)生誤判，導致準確率只有97.5%。這是因為雖然逆變器啟動和陰影遮擋都

會改變光伏系統(tǒng)直流側電流大小，而電流在時域上的突變也會影響其頻域特征，使得干擾特征與電弧特征重疊，最終導致網絡模型誤判。相比于陰影遮擋，逆變器啟動期間電流變化更快，并且逆變器中的電力電子器件也會產生開關噪聲從而影響電弧故障的識別，使得沒有經過特征優(yōu)化的電弧檢測模型對逆變器啟動過程的抗干擾能力不強?；谧⒁饬嘀貎?yōu)化后的電弧關鍵特征頻段針對網絡模型選取對電弧識別貢獻最大的特征頻段，避開干擾頻段，提高抗干擾能力。

3.5"與其他神經網絡模型對比

為進一步驗證基于注意力權重提取電弧關鍵特征頻段和本文提出的加入注意力機制的一維卷積電弧故障檢測模型準確率，采用模型層數和規(guī)模相近的全連接神經網絡和一維卷積神經網絡2種神經網絡進行對比。不同電弧檢測模型準確率對比如圖10所示。由驗證結果可知，使用電弧關鍵特征訓練的神經網絡模型準確率普遍高于使用原始數據訓練的神經網絡，因此基于注意力權重提取電弧關鍵特征頻段可以更好地表示電弧故障。本文提出的加入注意力機制的一維卷積電弧故障檢測模型在卷積的基礎上加入了注意力機制，使得神經網絡可以更好地專注于有效特征，準確率高于普通的卷積神經網絡。

4"結"語

本文提出了一種基于注意力機制的電弧故障識別模型和基于注意力機制權重篩選電弧關鍵特征頻段的特征選擇方法，可以解決電弧故障特征提取困難問題。主要研究成果如下：

（1） 根據UL 1699B2018標準搭建了光伏電弧故障試驗平臺，采集了光伏系統(tǒng)不同工況下的電流數據，并使用離散傅里葉變換對數據進行了預處理，建立了光伏直流電弧故障數據庫。

（2） 搭建了基于注意力機制的電弧故障識別模型，該模型嵌入的注意力機制可使神經網絡專注于電弧有效特征，并且可依據注意力權重篩選電弧關鍵特征頻段，解決了電弧特征選取問題。

（3） 電弧故障檢測模型準確率和抗干擾實驗驗證結果表明，使用電弧關鍵特征頻段訓練的網絡模型可以有效避免光影遮擋和逆變器啟動過程干擾，識別準確率可達99.33%，高于相同層數和參數規(guī)模的其他深度學習模型的識別準確率。

【參 考 文 獻】

［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］"吳春華，徐文新，李智華，等.光伏系統(tǒng)直流側電弧故障危害分析及保護策略［J］.太陽能學報，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］"熊慶，汲勝昌，陸偉鋒，等.低氣壓下串聯(lián)直流電弧故障電磁輻射幅值及頻率特性［J］.中國電機工程學報，2017，37（4）：1071-1079.

［5］"藍會立，張認成.基于小波分析的電弧故障伴生弧聲特征提?。跩］.電力系統(tǒng)及其自動化學報，2008，20（4）：57-62.

［6］"王堯，田明，謝振華，等.基于電流相似度與高頻能量的串聯(lián)電弧故障檢測方法［J］.電測與儀表，2022，59（6）：158-165.

［7］"李欣，李奎秀，李新宇，等.變分模態(tài)分解融合特征熵的直流微電網電弧檢測［J/OL］.電力系統(tǒng)及其自動化學報，1-10［2024-06-05］.https：//doi.org/10.19635/j.cnki.csu-epsa.001451.

［8］"白輝，許志紅.基于小波包變換和高階累積量的電弧故障識別方法［J］.電力自動化設備，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］"牟龍華，王伊健，蔣偉，等.光伏系統(tǒng)直流電弧故障特征及檢測方法研究［J］.中國電機工程學報，2016，36（19）：5236-5244．

［11］"朱海.基于鯨魚優(yōu)化算法改進隨機森林的電弧故障檢測方法［J］.電器與能效管理技術，2024（2）：21-27，55.

［12］"金翠，劉洋，李琦，等.基于CatBoost的常用電器負載電弧故障識別方法［J］.電測與儀表，2023，60（7）：193-200.

［13］"陳欣凱，鮑光海.基于改進奇異值分解去噪算法的光伏系統(tǒng)串聯(lián)電弧故障檢測方法［J］.電器與能效管理技術，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］"潘廣旭，裴麗偉，李興玉，等.電動汽車充電系統(tǒng)串聯(lián)電弧故障智能識別方法［J］.電力系統(tǒng)及其自動化學報，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］"張冠英，趙若姿，王堯.基于FCM算法的光伏系統(tǒng)電弧故障檢測方法研究［J］.高壓電器，2022，58（5）：15-22.

［20］"李曉波，陳義剛，陳文斌，等.基于小波和深度學習的配電網單相接地故障辨識［J］.電測與儀表，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］"程宏偉，高蓮，于虹，等.基于注意力機制優(yōu)化組合神經網絡的電力缺陷等級確定方法［J］.電測與儀表，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.

收稿日期： 20240521