CN102253283B - 一种基于小波包能量谱的分布式微网并网孤岛检测方法 - Google Patents

Abstract

本发明涉及一种基于小波包能量谱的孤岛检测方法，它应用小波理论，将信号分解为不同频率成分，可以明显地显示出故障信息。它分为信号处理和孤岛识别两个阶段，具体步骤如下：1)直接测量PCC点电压信号，并对检测的电压信号进行小波包分解处理；2)对小波包分解系数进行重构，提取各频带范围的信号；3)按下式所示的能量表达式求各个频带信号的能量特征值；4)以各频带信号的能量为元素构造维数为2^j的故障特征向量T；5)建立样本模式，然后根据样本空间的统计平均值确定故障特征向量P；6)建立能量特征向量到故障状态的映射关系，将各种故障状况与参数变化量之间的对应关系制成故障查询表并存储，以此进行故障识别，同时显示诊断结果。

Description

一种基于小波包能量谱的分布式微网并网孤岛检测方法

技术领域

本发明涉及一种分布式微网并网孤岛监测方法，尤其涉及一种基于小波包能量谱的孤岛检测方法。

背景技术

随着能源问题的日益突出，光伏发电、风力发电等新能源发电系统得到了快速的发展。如图1所示，分布式发电系统(DG)一般位于区域电力系统的配电线路上，通过区域电力系统的公共耦合点(PCC)连接到大电网。DG与大电网的并列运行将引起一系列需要解决的问题，其中最重要的一个问题即为孤岛运行状态的检测。孤岛检测是DG并网时必须解决的技术问题。它指在电网突然停止供电后，光伏发电装置能及时检测出电网的失电状态，并停止向失压的电网供电。而意外的干扰可能会影响孤岛检测的可靠性，造成错误的判断，将电网扰动的情况认为是孤岛情况而退出运行。所以孤岛检测应该能够具备区分孤岛和无关干扰的能力。这个问题近两年在国外和台湾得到了一些关注。鉴于孤岛与非孤岛信号具有时域相似的特点，需要进一步分析信号的内在特征才能够将二者分开。孤岛检测分为两类：被动检测法和主动扰动法。常用的被动检测法是电压/频率检测法，该方法的优点是实现简单，缺点是当发生孤岛后公共耦合点电压处于非检测区内时，存在无法识别问题。由于上述被动式孤岛检测方法的检测盲区较大，为了满足系统安全标准的要求，通常还需引入主动扰动方法，因此将被动式和主动式结合起来是最常用的检测方法。主动扰动方法一般是通过定时改变输出信号，来达到对电网的扰动效果。根据逆变输出电流公式I_inv=I_msin(2πft+θ)可知，对幅值I_m、频率f或初始相位θ进行扰动，促使处于孤岛状态下的系统公共耦合点电压的参数幅值、频率或谐波含量等超出正常范围，从而达到检测孤岛效应的目的。主动频率偏移法（AFD）作为常用的主动扰动法，虽然已经在很多欧美国家的产品中应用，但是该方法针对非检测区内负载角与扰动角度相匹配情况，则无法识别孤岛现象。对于有功功率和无功功率协调扰动方法，同样存在一定的非检测区问题。

电压谐波孤岛检测方法监视分布式电源端电压中总谐波畸变(THD)，如果THD超过设定的阀值即说明检测到孤岛。这是因为分布式电源正常运行时，配电网为一个低阻抗的电压源，能够维持分布式电源端电压谐波畸变很低，当孤岛产生时，两个因素使分布式电源输出电压的THD增强。首先，分布式电源的输出端的阻抗增大，因为低阻抗的配电网被断开，孤岛系统中只有本地负荷，因此分布式电源输出电流的电流谐波将使端电压的电压谐波增大；其次，孤岛中的非线性负荷，尤其是配电变压器，将通过分布式电源的输出电流励磁，非线性负荷的电压响应在励磁电流的作用下出现高度失真。一般来说，负荷的非线性特性会产生巨大的三次谐波。电力系统中负荷的谐波成分将随着负荷类型的不同而变化，由于孤岛形成前后系统中负荷的类型和数量都将发生变化，因此孤岛形成时系统中谐波模式的变化为孤岛检测提供了非常重要的信息，某些频率成分被抑制，而另外一些被增强。因此，与正常运行相比，相同频带内信号的能量有较大差别，这意味着各频带信号的能量包含了丰富的故障信息，某种或某几种频带能量的改变即代表了一种故障情况。

发明内容

本发明的目的就是为解决孤岛检测易受到电网扰动干扰，而错误地将电网扰动情况误判为孤岛情况，导致DG系统退出运行问题，提供一种基于小波包能量谱的孤岛检测方法，它应用小波理论，将信号分解为不同频率成分，可以明显地显示出故障信息。小波包分析则是将小波分析中提取出来的细节部分进一步细分，从而可以实现任意分辨率的频带划分，进一步确定了各频带信号的能量特征值，更能够展现孤岛和电网扰动内在的不同特征。试验表明，所提方法具有分类准确率高，是孤岛检测的有效方法。

为实现上述目的，本发明采用如下技术方案：

一种基于小波包能量谱的孤岛检测方法，它分为信号处理和孤岛识别两个阶段，具体步骤如下：

1）直接测量PCC点电压信号，并对检测的电压信号进行小波包分解处理；

2）对小波包分解系数进行重构，提取各频带范围的信号；

3）按下式所示的能量表达式求各个频带信号的能量特征值，

$E_{2^j}^k=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|e_k\left(i\right)\right|}^2,k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

式中：e_k(i)表示重构信号的离散点的幅值；k为小波包序列，i为频带序号，j为小波包分解的层数；

4）以各频带信号的能量为元素构造维数为2^j的故障特征向量T：

$T=[E_{2^j}^0,E_{2^j}^1,\·\·\·\·\·\·,E_{2^j}^{2^{j-1}}]$

，对特征向量T进行改造，计各频带信号的总能量为：

$E=\underset{k=0}{\overset{2^j-1}{\mathrm{\Σ}}}{E}_{2^j}^k$

选取新的特征值：

$s_k=\frac{E_{2^j}^k}{E},k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

据此构造新的特征向量T’：

$T^{,}=[s_0,s_1,\·\·\·\·\·\·,s_{2^j-1}];$

5）建立样本模式也称故障档案，然后根据样本空间的统计平均值确定故障特征向量P；P的元素为T’中特征值s_k的统计平均值，是映射量，意义相同，为同一矩阵；

6）建立能量特征向量到故障状态的映射关系，在上一步所求得的故障特征向量P的基础上，计算其变化量，将各种故障状况与参数变化量之间的对应关系制成故障查询表并存储，以此进行故障识别，同时显示诊断结果。

所述步骤1）中，对直接测量PCC点电压信号，对归一化的电压采样信号进行小波包分解，分解层数为j，提取第j分解层上各频带的小波系数。

所述步骤2）中，对小波包分解系数进行重构，提取各频带范围的信号；表示第j层的第k个小波包序列，表示经过j层小波包分解后得到的重构信号；假设电压信号的采样频率为f_s，则信号的最高分析频率等于奈奎斯特频率f_N＝f_s/2。

所述步骤5）中，建立误差判别向量，设特征向量P的元素为T’中特征值s_k的统计平均值：

$C_k=\frac{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{s}_k\left(l\right)}{x},k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

式中：x为试验次数，x的取值与实验数据的重复性或稳定性成正比；其中，C_k为统计平均值，l为样本个数，n为样本空间元素的个数范围；S_k（l）为特征值。

误差判别向量△P的元素是表征C_k容差范围的参数：

${\mathrm{\ΔC}}_k=K_T\mathrm{\σ}=K_T{\left(\frac{1}{x}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(s_k\left(l\right)-C_k)}^2\right)}^{\frac{1}{2}}$

式中：σ为样本标准差，K_T为容差系数，一般取为3～5。ΔC_k容差范围参数。

本发明的有益效果是：通过直接测量PCC点电压信号，不用注入和分析其它信号，通过小波包分解，构成各频带的能量特征值，能准确检测出孤岛的运行方式，克服了孤岛检测存在的盲区问题。

附图说明

图1为分布式发电系统与电力系统连接的结构图；

图2为微电网典型结构；

图3为逆变器孤岛检测原理图；

图4为电网电压波形和PCC的电压波形图；

图5a为各频带的小波包重构电压信号中第一类故障图；

图5b为各频带的小波包重构电压信号孤岛运行状态图；

图6a为重构信号的误差曲线中第一类故障状态图；

图6b为重构信号的误差曲线中孤岛运行状态图；

图7为孤岛检测试验系统图；

图8为重构信号的频带能量统计图；

图9孤岛检测装置构成框图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

微电网典型结构如图1所示。其中，光伏、燃料电池等微源通过电力电子装置和储能设备实现功率变换，既可以为本地负载供电，也可以通过静态开关连接大电网并网运行。当大电网出现故障时，微电网可以通过切断静态开关与大电网隔离，避免电网故障影响微电网内负载正常运行。电网故障一般可分为短路故障和断路故障两类。由于电网短路将导致线路和负载电压迅速跌落，因此很容易检测到短路故障状态。而电网断路后，微电网持续供电，线路和负载电压将由微电网提供，从而形成孤岛。根据IEEE Std.1547可知，电网断路故障后，当微电网功率和负载功率匹配时，电压将维持在正常运行范围内，因此无法检测到电网断路故障，即孤岛检测失败。在分布式发电系统的无源孤岛检测中，电压谐波孤岛检测方法监视分布式电源端电压中总谐波频带能量谱检测到孤岛。这是因为分布式电源正常运行时，配电网为一个低阻抗的电压源，能够维持分布式电源端电压谐波畸变很低。当孤岛产生时，两个因素使分布式电源输出电压的谐波能量增强。首先，分布式电源的输出端的阻抗增大，因为低阻抗的配电网被断开，孤岛系统中只有本地负荷，因此分布式电源输出电流的电流谐波将使端电压的电压谐波增大，其次，孤岛中的非线性负荷，尤其是配电变压器，将通过分布式电源的输出电流励磁，非线性负荷的电压响应在励磁电流的作用下出现高度失真。一般来说，负荷的非线性特性会产生巨大的三次谐波。

由图2可知，微电网中的微源通过DC/AC逆变器与电网并接，因此，微电网孤岛检测问题的基础是逆变器孤岛检测。为便于分析，首先研究单个逆变器孤岛检测，原理如图3所示。其中，直流侧电压Udc由微源通过电力电力装置变换后提供，逆变器和负载连接于公共耦合点(PCC)，开关Sa、Sb和Sc用来模拟电网断路故障。

根据IEEE Std.1547标准中定义的最恶劣情况进行验证。仿真中根据图3建立主电路结构，将开关Sa、Sb和Sc断开，DG进入孤岛运行状态，电网电压波形和公共耦合点PCC的电压波形如图4所示。

以图4所示的电压信号为诊断对象，孤岛检测中的信号处理和孤岛识别这两个阶段可具体分解为以下六个步骤进行分析：

（1）对归一化的电压采样信号进行小波包分解，分解层数为j，提取第j分解层上各频带的小波系数；

（2）对小波包分解系数进行重构，提取各频带范围的信号。表示第j层的第k个小波包序列，表示经过j层小波包分解后得到的重构信号。假设电压信号的采样频率为f_s，则信号的最高分析频率等于奈奎斯特频率f_N＝f_s/2。以5层分解为例，则提取的16个频带所代表的频率范围见表4.1，由于存在频带交错现象，子频带的频率不是随着小波包序列单调递增，而是与子波基函数的振荡次数成正比。图4.7表示整流电路正常和故障状况下，采用5层小波包分析所提取的各频带的重构电压信号其模近似反映了原始信号在对应频带上的能量大小，根据频率范围从低到高按列排序（以[5,k]为序号），横坐标为时间轴t/×20μs，纵坐标为电压值U/V。

图5为实测电压信号与小波包分解后的重构信号的比较，两者几乎重合，误差很小，说明小波包分析结果具有较高的精确性，能够为后级的故障识别环节提取可靠的故障特征值。

表4.1五层小波包分解后各个频段的带宽

序列

（3）按下式所示的能量表达式求各个频带信号的能量特征值，

$E_{2^j}^k=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|e_k\left(i\right)\right|}^2,k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

式中：e_k(i)表示重构信号的离散点的幅值。

（4）以各频带信号的能量为元素构造维数为2^j的故障特征向量T：

$T=[E_{2^j}^0,E_{2^j}^1,\·\·\·\·\·\·,E_{2^j}^{2^{j-1}}]$

当能量较大时，通常是个很大的数值，不便于数据分析。另外，通过上述方法构造的特征向量受电压信号幅值的影响较大，不具有普遍意义。所以，应对特征向量T进行改造，计各频带信号的总能量为：

$E=\underset{k=0}{\overset{2^j-1}{\mathrm{\Σ}}}{E}_{2^j}^k$

选取新的特征值：

$s_k=\frac{E_{2^j}^k}{E},k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

据此构造新的特征向量T’：

$T^{,}=[s_0,s_1,\·\·\·\·\·\·,s_{2^j-1}]$

（5）建立样本模式（也称故障档案）。样本模式的建立需要收集大量的实验数据样本，然后根据样本空间的统计平均值确定故障特征向量。这一步是整个诊断过程的核心，为此，建立误差判别向量，力求使诊断误差最小化。

设特征向量P的元素为T’中特征值s_k的统计平均值：

$C_k=\frac{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{s}_k\left(l\right)}{x},k=\mathrm{0,1},\·\·\·\·\·\·,2^j-1$

式中：x为试验次数，x的取值与实验数据的重复性（或稳定性）成正比。

误差判别向量△P的元素是表征C_k容差范围的参数：

${\mathrm{\ΔC}}_k=K_T\mathrm{\σ}=K_T{\left(\frac{1}{x}\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(s_k\left(l\right)-C_k)}^2\right)}^{\frac{1}{2}}$

式中：σ为样本标准差，KT为容差系数，一般取为3～5。

（6）建立能量特征向量到故障状态的映射关系。在上一步所求得的故障模式参数估计值P的基础上，计算其变化量，将各种故障状况与参数变化量之间的对应关系制成故障查询表，并存储在DSP控制器中，以此进行故障识别，同时显示诊断结果。

基于图7所示的微网发电机群直接连接在变电站10KV母线上，孤岛检测系统，模拟各类运行状态，进行检测试验。母线上的负载既有一般的阻性和感性负载，也包含整流和高频电磁炉等负载。系统中分布式微网电源由直流电源、逆变器、滤波器和控制器组成，如图3所示。这种DC一AC逆变的分布式发电结构普遍存在于太阳能光伏发电、燃料电池、微型涡轮发电机和现代风力发电系统中，微网系统本身接有RLC负载。

整流电压采样频率f_s=25kHz，样本长度N=2500，重复采样10次。按照上述诊断方法，选用db3小波作为小波基对七类故障状态下的信号进行小波包分析，构造出各自的特征向量，建立“特征向量-故障状态”的对应关系即样本模式。小波包分解层数j的取值取决于故障电压信号的特征频率。随着j的增大，将使频率窗口得到充分细化，便于准确捕捉到电压信号在不同频带上的故障特征信息。但为了避免频率混迭现象，j的取值也不能太大，折衷考虑，取j=5。

为了更加直观地区分孤岛运行状态，根据能量特征值的统计数据，绘制各类各类运行状态下的频带能量分布图，见图8，由图可知，孤岛运行状态其第3频带的信号能量特征值最大，它的频率范围是刚好包含了实际PCC点电压的三次谐波频率；第二类电网故障运行状态下，第3频带的信号能量仍然最大，但是由于第0、1频带的能量显著增加，削弱了第3频带能量；第0频带的信号能量占统治地位，但是它们之间又有明显的高低差别，各类故障状态下提取的能量特征值具有很高的区分度，因此能够实现较正确的孤岛检测。

经试验验证，当发电机整流电路发生故障时，对采样的电压信号进行小波包分析，所提取的实际特征向量90％以上都与以上确定的特征向量一致。然后根据已经建立的“特征向量-故障状态”的对应关系，就能确定孤岛运行状态。

根据上述理论推导和应用背景，研制出了孤岛检测装置，由信号采集、信号预处理、A/D转换、DSP数字信号处理、显示构成，如图9所示。

Claims (1)

1.一种基于小波包能量谱的分布式微网并网孤岛检测方法，其特征是，它分为信号处理和孤岛识别两个阶段，具体步骤如下：

1)直接测量PCC点电压信号，并对检测的电压信号进行小波包分解处理；所述步骤1)中，对直接测量PCC点电压信号，对归一化的电压采样信号进行小波包分解，分解层数为j，提取第j分解层上各频带的小波系数；

2)对小波包分解系数进行重构，提取各频带范围的信号；

表示第j层的第k个小波包序列系数的重构信号，表示经过j层小波包分解后得到的重构信号的总信号；假设电压信号的采样频率为f_s，则信号的最高分析频率等于奈奎斯特频率f_N＝f_s/2；

3)按下式所示的能量表达式求各个频带信号的能量特征值，

$E_{2^j}^k=\underset{i=1}{\overset{N}{\Σ}}{\left|e_k\left(i\right)\right|}^2,k=0,1,......,2^j-1$

式中：e_k(i)表示重构信号的离散点的幅值；k为小波包序列，i为频带序号，j为小波包分解的层数；

4)以各频带信号的能量为元素构造维数为2^j的能量特征向量T：

$T=\[E_{2^j}^0,E_{2^j}^1,......,E_{2^j}^{2^{j-1}}\]$

，对能量特征向量T进行改造，计各频带信号的总能量为：

$E=\underset{k=0}{\overset{2^j-1}{\Σ}}{E}_{2^j}^k$

选取新的特征值：

$s_k=\frac{E_{2^j}^k}{E},k=0,1,......,2^j-1$

据此构造新的能量特征向量T’：

$T^{,}=\[s_0,s_1,......,s_{2^j-1}\];$

5)建立样本模式也称故障档案：根据样本空间的统计平均值确定故障特征向量P；故障特征向量P的元素为新的能量特征向量T’中特征值s_k的统计平均值，故障特征向量P是新的能量特征向量T’的映射量；

其中故障特征向量P的元素为新的能量特征向量T’中特征值s_k的统计平均值C_k：

$C_k=\frac{\underset{l=1}{\overset{n}{\Σ}}{s}_k\left(l\right)}{x},k=0,1,......,2^j-1$

式中：x为试验次数，x的取值与实验数据的重复性或稳定性成正比；其中，C_k为统计平均值，l为样本个数，n为样本空间元素的个数范围；

S_k(l)为特征值；

6)建立误差判别向量ΔP到故障状态的映射关系：在上一步所求得的故障特征向量P的基础上，计算故障特征向量P的变化量ΔP，也就是误差判别向量ΔP，将各种故障状况与误差判别向量ΔP之间的对应关系制成故障查询表并存储，以此进行故障识别，同时显示诊断结果；

误差判别向量ΔP的元素是表征C_k容差范围的参数：

${\mathrm{\ΔC}}_k=K_T\mathrm{\σ}=K_T{\left(\frac{1}{x}\underset{l=1}{\overset{n}{\Σ}}{\left(s_k\right(l)-C_k)}^2\right)}^{\frac{1}{2}}$

式中：σ为样本标准差，K_T为容差系数，取为3～5，ΔC_k容差范围参数。