CN102611140B - 基于小波变换与神经网络的并网逆变器孤岛检测方法 - Google Patents

Abstract

本发明公开了一种基于小波变换与神经网络的并网逆变器孤岛检测方法，其特征在于：首先采集分布式并网发电系统在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值；然后将采集到的电压值及逆变器输出电流值进行小波变换并提取高频分量小波系数进行处理；最后将处理后的信号作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛的状态作为输出信号，对神经网络进行训练，使得系统获得孤岛状态与非孤岛状态的识别能力，从而在分布式并网发电系统处于孤岛状态时采取相应的孤岛保护措施。本发明既能克服现有被动式孤岛检测方法检测盲区大、检测时间长的缺点，又能解决主动式孤岛检测方法影响分布式发电系统供电质量的问题，快速完成孤岛检测及孤岛保护。

Description

基于小波变换与神经网络的并网逆变器孤岛检测方法

技术领域

本发明属于分布式并网发电系统的孤岛检测技术领域，具体涉及一种基于小波变换与神经网络的并网逆变器孤岛检测方法。

背景技术

随着能源危机的加剧和环保意识的增强，以太阳能、风能等可再生能源为基础的分布式发电系统受到人们越来越多的关注。这些可再生能源，通常先转换为电能，再通过并网逆变器输送到电网。孤岛效应是分布式并网发电系统可能出现的一种现象。所谓孤岛现象，是指电网因故中断供电时逆变器仍向电网传输电能，和本地负载形成一个公共电网系统无法控制的自给供电孤岛。孤岛的发生会威胁到电网维修人员的安全，影响配电系统的保护开关动作程序，在重合闸时可能对用电设备造成损坏。所以，孤岛检测是并网逆变器必须具备的一项功能。

基于并网逆变器的分布式并网发电系统孤岛检测方法主要分为被动式与主动式两类。被动式孤岛检测法包括过/欠电压(OVR/UVR)保护法、过/欠频率(OFR/UFR)保护法、电压谐波检测法、电压相位突变法等。主动检测法包括功率扰动法、频率扰动法、相位偏移法等。

被动式检测方法易于实现，对系统的电能质量和稳定性都没有影响，但此类方法的阈值较难确定，且对逆变器的输出功率与负载的功率是否匹配有严格要求，存在着较大的检测盲区(Non-Detection Zone NDZ)，检测时间较长。主动式检测方法克服了被动式方法的缺点，缩小了孤岛检测盲区，加快了孤岛检测时间。但主动式方法由于在逆变器控制信号中加入相应的扰动，引起了逆变器输出电流波形畸变，影响了分布式发电系统的供电质量。

发明内容

本发明目的是针对上述技术存在的不足之处，提供一种基于小波变换与神经网络的并网逆变器孤岛检测方法，既能克服现有被动式孤岛检测方法检测盲区大、检测时间长的缺点，又能解决主动式孤岛检测方法影响分布式发电系统供电质量的问题；在不影响分布式发电系统供电质量的前提下，快速完成孤岛检测及孤岛保护，以限制甚至消除孤岛检测盲区。

本发明为解决技术问题采用如下技术方案：

本发明一种基于小波变换与神经网络的并网逆变器孤岛检测方法按如下过程进行：

(1)采集分布式并网发电系统在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值；

(2)将采集到的电压值及逆变器输出电流值按如下方式进行处理：

将所述电压值与所述逆变器输出电流值分别进行两个尺度的小波变换，分别得到所述电压值与所述逆变器输出电流值的两个尺度的高频分量的小波系数；对所述电压值的两个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbu1和dbu2；对所述逆变器输出电流值的两个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbi1和dbi2；将所述dbu1、dbu2、dbi1和dbi2以及差值(dbu1-dbi1)和(dbu2-dbi2)作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛状态作为输出信号，所述输入信号和所述输出信号作为神经网络的学习样本；

或将所述电压值与所述逆变器输出电流值分别进行四个尺度小波变换，分别得到所述电压值与所述逆变器输出电流值的四个尺度的高频分量的小波系数，对所述电压值的四个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbu1、dbu2、dbu3和dbu4；对所述逆变器输出电流值的四个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbi1、dbi2、dbi3和dbi4，将所述dbu1、dbu2、dbu3和dbu4以及所述dbi1、dbi2、dbi3和dbi4作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛状态作为输出信号，所述输入信号和所述输出信号作为神经网络的学习样本；

(3)通过神经网络对所述学习样本进行训练，获得孤岛状态与非孤岛状态的识别能力，当神经网络检测出分布式发电系统的主电网断开时，则判断为孤岛状态；当神经网络检测出分布式发电系统处于正常、短路、负载突变、电网电压突变或电网电压出现谐波干扰时，则判断为非孤岛状态。

本发明基于小波变换与神经网络的并网逆变器孤岛检测方法的特点也在于所述小波变换为离散小波变换，使用的母小波为db 4小波；所述神经网络为BP神经网络；所述分布式并网发电系统为单相分布式并网发电系统、三相分布式并网发电系统或多逆变器并联的分布式并网发电系统。

与已有技术相比，本发明有益效果体现在：

1、本发明由于采集从小到大多种本地RLC并联负载参数条件下的学习样本对神经网络进行训练，所以可以准确的判断出不同负载条件下分布式并网发电系统的各种工作状态，孤岛检测盲区很小甚至可以消除，提高了孤岛检测的准确率。

2、本发明方法中神经网络根据一个电网电压周期内获得的高频分量的小波系数的绝对值的平均值，即可判断系统工作状态，即使对已经判断出的孤岛状态进行二次判断，也只需要两个电网电压周期就能检测出是否有孤岛状态发生，孤岛检测所用的时间短、效率高，同时避免了常规被动式孤岛检测方法需要设定阈值的麻烦；

3、本发明中的孤岛检测方法属于被动式孤岛检测方法，未在逆变器控制信号中加入相应的扰动，不影响分布式并网发电系统的供电质量；

4、本发明利用小波变换同时获取公共耦合点处的电压值及逆变器输出电流值这两种信号的高频瞬态特性提供给神经网络进行模式识别，提高了孤岛状态与非孤岛状态神经网络输入信号的辨识度，减少了神经网络判断的失误率，避免了单独获取电压信号的高频瞬态特性或单独获取电流信号的高频瞬态特性提供给神经网络进行模式识别时，在某些负载条件下易产生模态混淆，从而造成神经网络误判的情况。

5、本发明利用神经网络特有的学习能力和对非线性系统强大的辨识能力，准确判断分布式并网发电系统的工作状态，孤岛检测效果准确可靠。

6、本发明可用于包括风力发电、太阳能发电、燃料电池等分布式能源单元的并网逆变器，包括应用于单相分布式并网发电系统、三相分布式并网发电系统，以及应用于多逆变器并联的分布式并网发电系统，应用范围广泛。

附图说明：

图1为本发明原理图；

图2为本发明基于小波变换与神经网络的并网逆变器孤岛检测方法的单相仿真电路；

图3为单相仿真电路在电路正常情况下的仿真波形；

图4为单相仿真电路在发生孤岛情况下的仿真波形；

图5为单相仿真电路在负载突变情况下的仿真波形；

图6为单相仿真电路在电网电压突变情况下的仿真波形；

图7为单相仿真电路在电路短路情况下的仿真波形；

图8为单相仿真电路在谐波干扰情况下的仿真波形；

图9为单相仿真电路在电网电压非过零点突变情况下的仿真波形；

图10为一次判断单相仿真电路在电网电压非过零点突变情况下的仿真波形。

具体实施方式

参见图1，本实施例中基于小波变换与神经网络的并网逆变器孤岛检测方法是按如下过程进行：

步骤1、采集分布式并网发电系统在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值；

步骤2、将采集到的电压值及逆变器输出电流值按以下方式一或方式二进行处理：

方式一、对于单相分布式发电系统，将电压值与逆变器输出电流值分别进行两个尺度的小波变换，分别得到电压值与逆变器输出电流值的两个尺度的高频分量的小波系数；对电压值的两个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbu1和dbu2；对逆变器输出电流值的两个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbi1和dbi2；将dbu1、dbu2、dbi1和dbi2以及差值(dbu1-dbi1)和(dbu2-dbi2)作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛的状态作为输出信号，将输入信号和输出信号作为神经网络的学习样本；

方式二、对于三相分布式发电系统，将电压值与逆变器输出电流值分别进行四个尺度小波变换，分别得到电压值与逆变器输出电流值的四个尺度的高频分量的小波系数，对电压值的四个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbu1、dbu2、dbu3和dbu4；对逆变器输出电流值的四个尺度的高频分量的小波系数分别求出在一个电压周期内的绝对值的平均值，记为dbi1、dbi2、dbi3和dbi4，将dbu1、dbu2、dbu3和dbu4以及dbi1、dbi2、dbi3和dbi4作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛的状态做为输出信号，将输入信号和输出信号作为神经网络的学习样本；

步骤3、通过神经网络对学习样本进行训练，获得孤岛状态与非孤岛状态的识别能力，当神经网络检测出分布式发电系统的主电网断开时，则判断为孤岛状态，采取孤岛保护措施。当神经网络检测出分布式发电系统处于正常、短路、负载突变、电网电压突变或电网电压出现谐波干扰时，则判断为非孤岛状态。

具体实施中，小波变换采用离散小波变换，使用的母小波为db 4小波，即Daubechie’s 4小波；神经网络为BP神经网络。

BP神经网络按如下方式进行训练：

a、将孤岛状态定为模式一，将正常运行、电路短路、负载突变、电网电压突变以及电网电压出现谐波干扰等非孤岛状态定为模式二；

b、设置好本地RLC并联负载的参数值，对模式一的孤岛状态及模式二的各个非孤岛状态分别采集五组信号经小波变换处理后作为BP神经网络的训练样本；

c、为使神经网络在不同负载情况下均能准确进行模式识别，按从小到大的顺序改变多次本地RLC并联负载的参数值，每次都按步骤b重新获取系统各种状态的五组训练样本；

d、重新设置本地RLC并联负载的参数值，对模式一的孤岛状态及模式二的各非孤岛状态分别采集五组样本作为测试样本；

e、利用步骤b与步骤c获得的所有训练样本对神经网络进行训练，并利用步骤d获得的测试样本对训练好的神经网络进行测试，当测试结果表明神经网络能准确识别孤岛模式与非孤岛模式时，即得到仿真所需要的神经网络模块。

利用所得到的神经网络模块对系统进行孤岛检测，如果系统判断出现孤岛状态时，为了减小信号采集量，提高检测准确度，采用经相同学习样本训练的神经网络模块对系统状态进行二次判断，如果二次判断的结果为非孤岛状态，则不产生孤岛保护控制信号。这样有效地避免了主电网连网时突变情况发生在电网电压非过零点时产生的电压或电流强扰动信号使神经网络判断失误，提高了检测准确度；同时只需采集突变情况发生在电网电压过零点时产生的电压与电流信号，减小了信号采集量。

本实施例中方法适应于分布式并网发电系统为单相分布式并网发电系统、三相分布式并网发电系统，以及多逆变器并联的分布式并网发电系统。

以下是针对单相分布式并网发电系统进行孤岛检测的具体实施：

首先采集单相分布式并网发电系统在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值，采样频率为10000Hz，每个电网电压周期为0.02秒，一个电网电压周期内共采集电压值与电流值各200个点；将采集到的离散的电压值与电流值分别通过离散小波变换得到相应的高频分量的小波系数，离散小波变换式如式(1)所示：

$\mathrm{DWT}(m,n)=\frac{1}{\sqrt{a_0^m}}\underset{k=1}{\overset{200}{\mathrm{\Σ}}}x\left(k\right)\mathrm{\ψ}\left(\frac{k-{\mathrm{na}}_0^m}{a_0^m}\right)---\left(1\right)$

式(1)中，

是母小波函数，是尺度因子(其中，a₀为扩展步长，取值为2；m在两尺度变换中取值为1或2)，n是时移因子(n为正整数)，DWT(m，n)即表示为离散函数x(k)的离散小波变换后得到的小波系数，再由高通滤波器提取高频分量的小波系数。由于Daubechie’s 4小波在提取电力系统瞬态特性上有良好表现，本实施例中即采用该Daubechie’s 4小波为母小波函数。

然后，对变换后的高频分量的小波系数按以上步骤2的方式一得到神经网络的输入信号，由神经网络进行模式识别；

最后，根据神经网络模式识别的结果，判断出系统工作状态，当检测出系统处于孤岛状态并经神经网络二次判断确认系统出现孤岛状态时，通过使断路器跳闸实现孤岛保护。

图2所示为一单相孤岛检测仿真电路，其中本地RLC并联负载L1的参数设置为P＝1000W，QL＝QC＝1540Var，并网逆变器采用电流控制，给定电流值为25A。图2中的“孤岛保护1”模块即为实施基于小波变换与神经网络的孤岛检测模块，其内部结构如图1所示。图2中的“孤岛保护2”模块与“孤岛保护1”模块中神经网络的结构相同，用于对系统状态进行二次判断。利用图2所示仿真电路，测试六种不同状态下的孤岛检测效果：

1、正常工作状态，图2中的S1闭合且没有其它事故出现；

2、孤岛状态，图2中的S1在0.06秒断开，分布式系统脱离电网形成孤岛；

3、负载突变状态，图2中的S3在0.06秒由断开突然转为闭合，将负载L2加入电路；

4、电压突变状态，将电网电压在0.06秒突然降为原来的50％；

5、短路状态，将图2中S4在0.06秒由断开转为闭合，使PCC点对地短路；

6、谐波扰动状态，0.06秒时在电网电压中加入基波分量4％pu的3次谐波和2％pu的5次谐波，对电路实施扰动。不同状态下的仿真波形分别如图3-图8所示，图3-图8中横轴表示时间，单位为秒，纵轴电流的单位为安培，电压的单位为伏特。

图3中因电路处于正常工作状态，孤岛保护不动作，所以各电压、电流信号保持不变；

图4中因0.06秒时产生孤岛，所以电网电流0.06秒时降为0安，0.10秒时图2中的孤岛保护断路器S2跳闸，逆变器输出电流降为0，PCC点电压也随之降为0伏，说明能正确检测出孤岛状态，孤岛检测时间为0.04秒，满足国标GB/T 19939-2005对孤岛检测时间的要求；

图5中因0.06秒时负载突变，所以电网电流0.06秒时开始发生变化，由于是非孤岛状态，孤岛保护不动作，所以PCC点电压、逆变器输出电流保持不变；

图6中因0.06秒时电网电压下降50％，所以图中电网电压及PCC点电压在0.06秒时有明显变化，由于是非孤岛状态，孤岛保护不动作，所以逆变器输出电流保持不变；

图7中因0.06秒时电路发生短路，所以图中电网电流在0.06秒时明显增大，PCC点电压则有明显减小，由于是非孤岛状态，孤岛保护不动作，所以逆变器输出电流保持不变；

图8中因0.06秒时电网电压出现谐波扰动，所以0.06秒后电网电流有一定的畸变，由于是非孤岛状态，孤岛保护不动作，所以逆变器输出电流保持不变；

为了说明神经网络采用二次判断孤岛模式比只进行一次判断准确度提高，利用本发明的图2所示两个孤岛保护模块的仿真电路与去掉图2中“孤岛保护2”模块只进行一次判断的仿真电路比较，两者同时检测电网电压在非过零点时刻(这里取为0.061秒)突降50％后系统工作状态，得出了不同的检测结果。

图9为采用神经网络二次判断的孤岛检测结果，没有将电压突降误判断为孤岛发生；图10为采用神经网络一次判断的孤岛检测结果，将电压突降误判断为孤岛发生。图9与图10表明，电网电压在非过零点时刻产生突变，会形成很大的冲击电流，使得公共耦合点处的电压信号及逆变器输出电流信号包含的瞬态信息与孤岛状态时包含的瞬态信息相似，很可能使神经网络错误地判断为孤岛发生。由于不同瞬间电路发生突变的情况各不相同，而神经网络不可能对每一个瞬间的突变情况进行训练，所以容易导致误判断，采用一个电网电压周期后进行二次判断，则突变信号形成的冲击电流已经消逝，这样再次检测孤岛状态时一般不会产生误判断，明显提高了神经网络模式识别的准确度。同时，只需采集突变情况发生在电网电压过零点时产生的电压与电流信号，减少了数据的采集量与计算量。

Claims (4)

1.一种基于小波变换与神经网络的并网逆变器孤岛检测方法，其特征在于：

（1）采集分布式并网发电系统在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值；

（2）将采集到的电压值及逆变器输出电流值按如下方式进行处理：

将所述电压值与所述逆变器输出电流值分别进行两个尺度的小波变换，分别得到所述电压值与所述逆变器输出电流值的两个尺度的高频分量的小波系数；对所述电压值的两个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbu1和dbu2；对所述逆变器输出电流值的两个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbi1和dbi2；将所述dbu1、dbu2、dbi1和dbi2以及差值dbu1－dbi1和dbu2－dbi2作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛状态作为输出信号，所述输入信号和所述输出信号作为神经网络的学习样本；

或将所述电压值与所述逆变器输出电流值分别进行四个尺度小波变换，分别得到所述电压值与所述逆变器输出电流值的四个尺度的高频分量的小波系数，对所述电压值的四个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbu1、dbu2、dbu3和dbu4；对所述逆变器输出电流值的四个尺度的高频分量的小波系数分别求出在一个电网电压周期内的绝对值的平均值，记为dbi1、dbi2、dbi3和dbi4，将所述dbu1、dbu2、dbu3和dbu4以及所述dbi1、dbi2、dbi3和dbi4作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛状态作为输出信号，所述输入信号和所述输出信号作为神经网络的学习样本；

（3）通过神经网络对所述学习样本进行训练，获得孤岛状态与非孤岛状态的识别能力，当神经网络检测出分布式发电系统的主电网断开时，则判断为孤岛状态；当神经网络检测出分布式发电系统处于正常、短路、负载突变、电网电压突变或电网电压出现谐波干扰时，则判断为非孤岛状态。

2.权利要求1所述基于小波变换与神经网络的并网逆变器孤岛检测方法，其特征是所述小波变换为离散小波变换，使用的母小波为db4小波。

3.权利要求1所述基于小波变换与神经网络的并网逆变器孤岛检测方法，其特征是所述神经网络为BP神经网络。

4.权利要求1所述基于小波变换与神经网络的并网逆变器孤岛检测方法，其特征是所述分布式并网发电系统为单相分布式并网发电系统、三相分布式并网发电系统或多逆变器并联的分布式并网发电系统。

Images