

Tässä kirjoituksessa käsittelemme turvatoimintoa, jota kutsutaan valokaaren tunnistukseksi. Se yleistyy markkinoilla, ja yhä useammat sekä tilaajat että asentajat ovat kiinnostuneet sen toiminnallisuudesta. Turvallisuuden parantamiseen kohdistuu yhä enemmän vaatimuksia, erityisesti paloturvallisuuden osalta.
Mitä valokaaren tunnistus sitten tarkoittaa? Se on toiminto, jota käytetään valokaarien havaitsemiseen aurinkosähköasennuksissa. Mikä valokaari sitten on? Se on ilman läpi kulkeva ”salama” (läpilyönti tai jatkuva purkaus), jossa sähköjännite on ionisoinut ilman ja tehnyt siitä johtavaa. Valokaaren tunnistuksesta käytetään englanninkielisessä kirjallisuudessa usein nimityksiä AFC (Arc Fault Current) tai AFCI (Arc Fault Current Interrupter).
Koska aurinkopaneeleita ei voi kytkeä pois päältä ja niissä on aina jännite, kun ne ovat alttiina auringonvalolle, turvallisuus on keskeinen kysymys sekä asennuksessa että käytössä. Jos valokaari syntyy, aurinkopaneeli ei kytkeydy automaattisesti pois päältä. Tämä on ongelmallista asennuksen aikana, sillä asentajan on aina oltava valppaana ja käsiteltävä paneeliketjujen kaapeleita jännitteisinä. Sama koskee mahdollista tulipaloa, sillä pelastuslaitos pitää aurinkosähköjärjestelmää aina jännitteisenä.
Vaihtojännite vaihtelee positiivisesta negatiiviseen yleensä 50 kertaa sekunnissa (50 Hz). Vaihtojännite kulkee luonnostaan nollan kautta. Tämän ansiosta siinä on luonnollinen sammutusmekanismi, sillä jännitteen ollessa 0 energiaa ei siirry, mikä sammuttaa valokaaren itsestään.

Tasavirralla tilanne on erilainen: jännite on vakio ja aina nollan yläpuolella, eikä se luonnollisesti koskaan käy nollassa. Valokaari voidaan tällöin sammuttaa vain ulkoisen laitteen avulla.

Aurinkosähköasennuksessa voi syntyä erilaisia valokaaria. Yleisin syy valokaarien syntymiseen on huono tai virheellinen asennus. Itse asiassa monet viat tapahtuvat tasavirtapuolella, jossa liittimet on asennettu virheellisesti tai on käytetty yhteensopimattomia liittimiä (katso Teknikbloggenin julkaisu 1, jossa käsitellään MC4-liittimiä).

On myös syytä korostaa, että valokaaren tunnistus on mahdollista vain sarjavalokaarille. Rinnakkaisvalokaarien kohdalla asennus ja kaapelointi ovat ratkaisevan tärkeitä (kuten blogissa toistuvasti muistutetaan esimerkiksi julkaisuissa 4 & 8). Oikea asennus on aina ensisijaisen tärkeää, eivätkä mitkään tekniset toimenpiteet maailmassa korvaa sitä!
Järjestelmän omistajalle turvallisuus ja toimintavarmuus ovat aurinkosähköjärjestelmään tehtävältä investoinnilta vaadittavia perusasioita. Aurinkoenergian parissa päivittäin työskentelevien asentajien on tärkeää pysyä ajan tasalla uusista ominaisuuksista ja tekniikoista sekä siitä, miten ne sisällytetään markkinoille tarjottaviin ratkaisuihin. Valokaaren tunnistaminen on tällainen ominaisuus, josta myyntitapaamisissa ei juuri puhuta, vaikka se voi olla ratkaiseva ero täysimittaisen tulipalon ja huoltotyön välillä.
AFCI vaihe vaiheelta. Katso video Huaweilta (LINKKI)
Valokaaren tunnistus tuo turvaa järjestelmän omistajalle, olipa kyse maatilan, asunto-osakeyhtiön, teollisuuskiinteistön tai omakotitalon asennuksesta! Tekniikka on nyt niin toimivaa ja kypsää, että sitä pitäisi kysyä useammin ja edellyttää tarjouspyyntöasiakirjoissa ja hankinnoissa.
Valokaaren tunnistuksen tuoma turvallisuus ei tarkoita vain sitä, että yöunet ovat rauhallisemmat. Mahdollisen vian sattuessa esimerkiksi Huawein uusi vaihtosuuntaajasarja pystyy näyttämään tarkasti, missä valokaari on syntynyt, ja lähettämään heti hälytyksen järjestelmän omistajalle ja asentajalle.

| Kennotyyppi | Edut | Haitat | Esimerkkejä sähköautovalmistajista |
|---|---|---|---|
| Pouch |
|
|
|
| Sylinterimäinen |
|
|
|
| Prismaattinen |
|
|
|
Kaikille teille blogia seuraaville ”tekniikkanörteille” tässä on ylimääräinen osio, jossa Teknikbloggen selittää (melko yksinkertaistetusti), miten valokaaren tunnistus toimii käytännössä.
Fourier-analyysi on matemaattinen teoria siitä, miten funktioita voidaan esittää tai approksimoida summien tai integraalien avulla. Fourier-analyysin avulla voimme muuntaa monimutkaisen signaalin (esimerkiksi aurinkosähköjärjestelmän tasajännitteen) ja erottaa sen osatekijöihin, jolloin näemme useita päällekkäisiä signaaleja. Nämä signaalit ovat päällekkäin, ja kokonaisuus voi näyttää hyvin monimutkaiselta. Fourier-analyysin avulla signaali voidaan kuitenkin erottaa osatekijöihinsä (”osasignaaleihin”).
Otetaan esimerkiksi mehu. Jos analysoimme lasillista trooppista mehua, näemme, että mehu on väriltään punertavan oranssia, mutta emme juuri muuta. Fourier-analyysin avulla voimme kuitenkin nähdä, että se koostuu appelsiinista, mansikoista ja kiivistä. Näin saamme yhteyden ”kokonaisuuden” ja ”osatekijöiden” välille.
Fourier-analyysin avain on siinä, että hyödynnämme osasignaalien taajuuksista saatavaa tietoa. Nämä taajuudet ovat hyvin tunnusomaisia silloin, kun syntyy valokaari. Tällöin kaapeliin välittyy muita taajuuksia, joita siellä ei muuten ole. Ne voidaan tulkita signaalinkäsittelyn avulla.

Tekoälyn alalla on koneoppimiseksi (en: machine learning) kutsuttu osa-alue. Se on menetelmä, jonka avulla tietokoneet/ohjelmat voivat oppia asioita esimerkeistä. Menetelmä myös kehittyy kokemuksen (lisääntyvän datan) myötä. Käytännössä tekoälylle annetaan runsaasti erilaisia esimerkkejä ratkaistavasta ongelmasta. Jos esimerkiksi halutaan luokitella kuvasta, onko siinä koira vai kissa, algoritmille annetaan paljon esimerkkejä kissoista ja koirista ja sen annetaan luokitella kuvia. Näin tekoäly oppii, mikä erottaa koiran kissasta esimerkiksi ääriviivojen, väriyhdistelmien tai muiden merkittävien erojen perusteella.
Algoritmi koulutetaan luokittelemaan. Esimerkiksi valokaaren tunnistuksessa vaihtoehdot ovat valokaari tai ei valokaarta, ja luokittelu perustuu Fourier-analyysin dataan. Mitä enemmän dataa on ja mitä jatkuvammin tekoälylle annetaan mahdollisuus päivittyä, sitä paremmaksi se kehittyy. Tekoäly oppii tunnistamaan malleja ja yhdistelmiä sekä tekemään päätelmiä datansa perusteella. Miljoonien malliyhdistelmien samanaikainen testaaminen ja monenlaiset esimerkit mahdollistavat sen, että algoritmi voi tehdä yleisiä päätelmiä myös datasta, jota se ei ole koskaan aiemmin nähnyt!
Esimerkiksi neuroverkkojen ja syväoppimisen tekniikoiden avulla on saavutettu erittäin hyviä tuloksia. Algoritmi toimii taustalla invertterissä, ja valokaaren tunnistus tapahtuu jatkuvasti paikallisesti invertterissä muutamassa sadassa millisekunnissa (paljon nopeammin kuin voimassa oleva standardi edellyttää). Näin valokaaret tunnistetaan nopeasti ja oikein ilman, että hälytyksiä annetaan liian usein tai liian harvoin. AFCI on tekniikka, joka tuo tietotekniikan huipputeknologiaa uusiutuvan energian maailmaan!

Valokaaren tunnistus on arvokas toiminto, joka ei maksa maltaita. Useampien pitäisi kiinnostua valokaaren tunnistuksen tuomasta paremmasta turvallisuudesta, ja sekä loppuasiakkaiden, asentajien että vaatimusten asettajien tulisi tämän blogikirjoituksen jälkeen harkita toiminnallisuutta entistä enemmän!
Tiedämme, ettei aina ole helppoa tietää, mikä tuote tai ratkaisu sopii parhaiten. Olipa sinulla kysyttävää valikoimastamme, tarvitset opastusta tai haluat apua juuri sinun tarpeisiisi sopivan ratkaisun löytämisessä, olemme täällä sinua varten. Tietämyksemme ja kokemuksemme avulla autamme sinua tekemään oikean valinnan.


