Ermittlung und Analyse von Fehlerstromsignaturen von Photovoltaik-Systemen bei Lichtbogenereignissen mit Hilfe eines frequenzsensitiven Differenzstrommonitors und Evaluierung des Detektionspotentials mit Hilfe von Machine Learning-basierten Algorithmen

Abstract

Diese Masterarbeit untersucht serielle Lichtbogenereignisse in Hinblick auf ihre Charakteristik im Differenzstrom auf der Gleichspannungs- und auf der Wechselspannungsseite einer Photovoltaik-Anlage, sowie auf dessen DC-Laststrom. Dabei wird ein Lichtbogengenerator und ein Power Hardware in the Loop-Teststand entwickelt, in dem der Einfluss unterschiedlicher Faktoren auf die Lichtbogencharakteristik untersucht wird. Weiterhin wird die Erkennbarkeit von Lichtbogenereignissen mit Hilfe eines frequenzsensitiven Differenzstrommonitors im DC-Laststrom und DC-Differenzstrom in diesem Teststand analysiert. Die damit gemessenen Daten dienen als Eingangsdaten für Machine Learning Algorithmen, deren Fähigkeit zur Detektion von Lichtbögen betrachtet wird. Die untersuchten Faktoren wirken sich auf die spektrale Rauschleistung des Lichtbogens im Laststrom aus. Im Gleichstrom (DC)-Differenzstrom erhöht sich die Stromamplitude im Bereich der Taktfrequenz des Wechselrichters während des Lichtbogens. Die Stromänderung wird vom Differenzstrommonitor im Laststrom gemessen und vom Machine Learning Algorithmus "Mustererkennung" als Anomalie detektiert.