CN104316786B - 一种混合孤岛检测方法 - Google Patents

Abstract

本发明公开了一种混合孤岛检测方法，本方法基于决策树的人工智能与电压，频率正反馈的混合，基于决策树的人工智能的方法测量并存储选定的目标位置的预设事件的特征量指标，并提取和分析数据集的信息来训练DT分类器，通过与预先规定发生事件时的数据集进行比较，从而判断出DG的运行状态是联网运行还是孤岛运行。本发明在DT法的基础上进一步结合基于逆变器控制的正反馈方法，具有较强的互补性与兼容性，本发明通过引入正反馈扰动，特征量指标在系统孤岛运行和并网运行时将会有明显的区分，有助于DT法判断孤岛，通过增加特征变量参数在孤岛和非孤岛运行条件时的差异性，从而降低孤岛检测错误率，提高孤岛检测可靠性。

Description

一种混合孤岛检测方法

技术领域

本发明涉及孤岛检测技术领域，特别是涉及一种混合孤岛检测方法。

背景技术

分布式发电(Distributed Generation，DG)，通常是指发电功率在几千瓦至数百兆的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。主要包括：以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电(光伏电池、光热发电)、风力发电、生物质能发电等。

分布式电源通常接入中压或低压配电系统，其运行状态包括孤岛运行和并网运行[文献1]。DG孤岛运行指的是分布式电源与主网断开，单独带本地负荷运行。由于设备故障，系统扰动或误操作等因素，引起DG进入非计划孤岛运行时，会对DG系统产生一些不利影响，包括：电压、频率的异常扰动，降低电能质量；容易导致用电设备发生故障和损坏；可能造成人身安全问题等[文献2]。并且，DG和含DG的配电网与微网，在孤岛情况下的运行策略不同于并网情况的运行策略[文献3]。因此，快速与准确的孤岛检测对DG和含DG的配电网与微网的运行控制具有十分重要的意义。基于决策树(Decision Tree,DT)的智能化孤岛检测方法是指在目标位置(一般设定为公共连接点，Point of Common Coupling,PCC)监测若干参数的变化，通过提取和分析数据集的特征，并模拟预先设定发生事件时的数据集训练决策树分类器，从而确定出当前DG的运行状态[文献4,5]。

1.决策树数学模型

1)特征量(独立变量)：由目标位置所监测的若干参数值组成，X_i＝{x_i1,x_i2,...,x_im}表示第i个事件下的一组特征量，{x_i1,x_i2,...,x_im}为输入的m个检测变量的取值，X＝{X₁,X₂,...,X_n}^T表示n个事件的特征量集合。

2)类变量(因变量)：y_i为类型输出值，表示第i个事件时系统状态所属类型，取值与X_i相关，y_i＝1表示当前为孤岛运行状态，y_i＝0表示为非孤岛运行状态，组成Y＝{y₁,y₂,...,y_n}表示n个事件时的类向量。

3)数据集的训练：表示为{X,Y}，记录预先规定事件时所有因变量和与之对应特征变量的取值，并采用分类与回归树法(Classification and Regression Tree,CART)形成决策树。

4)数据集的测试：即输入某个状态下的特征量，采用分类器进行孤岛的判断。

5)分类错误的成本：待测数据进行错误分类有关的固有成本。

2.DT法流程

1)选择合适的目标位置，并选择合适的特征量指标。

2)模拟预设事件，测量与存储各个预设事件，例如第i个事件下的特征量向量为与对应的DG运行状态Y_i，利用得到的数据集{X,Y}训练决策树分类器，提高分类器判断孤岛的准确率。

3)测量实际目标位置实时特征向量作为决策树分类器的输入，其输出Y_t为DT法判断的DG运行状态，Y_t＝1表示检测结果为孤岛运行，Y_t＝0表示检测结果为并网运行。

3.决策树的结构设计

根据不同决策树构成方法，都会形成对应的决策树，例如：图1为二维空间的特征量指标样本分布示意图，根据图1特征量指标的分布与边界设计的决策树结构如图2所示，其实线边界构成(a)和虚线边界构成(b)，图1中：X₁，X₂表示特征量指标，样本可分为x，ο，+三类，实线和虚线分别表示两种决策树的边界。在选择最优决策树时可根据具体目标，比如节点数最少，节点杂质率最低等目标进行选择[6]。

该方法在一些特殊条件下，所选择的特征量指标灵敏度较低。例如DG输出功率与负载消耗功率平衡时，电压偏移、频率偏移等指标在DG孤岛运行和并网运行时区别不够明显，因而导致孤岛检测判断错误。为了确保孤岛检测的准确性，单独采用DT法需要选取的特征量指标繁多，而且某些指标可能与最后的结果相关性不大。该方法对特征量指标的检测需要一定的响应时间，特别当DG输出功率与负载消耗功率平衡时，响应时间可能较长，因此孤岛检测的速度将受到较大影响。

基于电压、频率正反馈的孤岛检测方法是一种主动式的孤岛检测方法[7,8]，其基本原理是根据DG运行时电压，频率与额定电压，额定频率的偏差大小改变引入扰动的有功，无功功率大小。当DG并网运行时，由于电网的钳制作用，电压和频率的偏移不会随扰动的引入而扩大，DG依旧能够在额定范围内运行。一旦DG孤岛运行，正反馈的作用将不断增加电压与频率的偏差，直到检测出孤岛。系统电压，频率与DG与负荷之间有功功率与无功功率差额的关系为：

其中P，Q分别表示额定有功，无功功率；ΔP，ΔQ表示DG与负载的有功无功差额；V_inv，ω_inv表示逆变器输出的电压与角频率；V_g，ω_g为系统并网时额定电压与角频率；Q_c表示电容谐振时的无功功率。

图3所示为电压正反馈原理图，实时检测和测量逆变器端口的三相电压V_a，V_b，V_c，采用锁相环作用并对其进行dp变换，并与额定电压值V_rate进行比较。若测量的电压值大于额定电压值，在逆变器参考输出电流I_dref的基础上增加相应Δi_d的输出电流，通过电流补偿器的作用后增加了逆变器的功率输出。当DG并网运行时，由于电网的支撑作用，逆变器功率扰动不会进一步引起电压发生变化。若DG孤岛运行时，由公式(1)(2)可知逆变器的功率输出增加会明显提高逆变器输出。而这种电压的增加又会进一步引起逆变器输出功率的增加，从而形成正反馈，直至电压超出一定的阈值范围，检测出孤岛。相反若测量的电压值小于额定电压值时，逆变器输出电流减小，输出功率减少。当DG孤岛运行时，逆变器的输出电压将明显减小，引起逆变器功率输出进一步减小，直至电压幅值小于阈值检测出孤岛。

图4所示为频率正反馈原理图，与电压正反馈的原理相似，频率正反馈方法则是通过比较检测的ω与额定角频率ω_rate。若ω高于ω_rate，在逆变器参考输出电流I_qref的基础上增加Δi_q的扰动。若DG并网运行时，同样由于电网的支撑作用，DG的输出频率不发生变化。若DG孤岛运行，DG输出的频率将会发生相对应的偏移，引起逆变器控制电流进一步产生扰动，从而形成正反馈。

该方法在DG输出功率与负荷消耗功率平衡时仍可存在检测盲区。该方法仅选择电压偏移，频率偏移作为检测指标，在一定条件下可能造成孤岛检测的错误。当选择电压，频率阈值时，受外电网的运行条件或者分布式发电系统的运行条件等影响较大，因此选择合适的阈值比较困难。电压正反馈方法电压下限与上限一般设定为0.88p.u和1.1p.u。当外电网运行电压与标准值存在一定的电压偏移时，例如系统电压为0.9p.u，由于离阈值较为接近，当DG系统负荷产生扰动或者突然增加一定量的负荷时，可造成该方法出现孤岛检测的误判。另一方面，该方法需要时时刻刻对DG系统注入一定量的扰动，无法完全消除对电能质量的影响。

发明内容

本发明的目的在于克服上述现有技术的不足，即电压幅值，频率正反馈方法仅选择电压偏移，频率偏移作为判断孤岛的指标，通常存在较大的检测盲区，并且错误地检测出由系统扰动引起的非孤岛的可能性大；仅采用DT法，孤岛发生时，如果DG系统内的发电功率与负载的消耗功率平衡，此时主网与分布式电网之间的功率传输基本为0，由公式(1)、(2)可知DG系统进入孤岛运行后的特征量参数偏移或变化不够明显，导致孤岛检测出现错误，而提供一种能够检测参数所隐藏的特征、增加特征量指标的灵敏度、提高孤岛检测的准确率的基于决策树的人工智能与电压，频率正反馈的混合孤岛检测方法。

为实现上述目的，本发明采用以下技术方案：一种混合孤岛检测方法，本方法基于决策树的人工智能与电压，频率正反馈的混合，基于决策树的人工智能的方法测量并存储选定的目标位置(例如PCC)的预设事件的特征量指标，并提取和分析数据集的信息来训练DT分类器，通过与预先规定发生事件时的数据集进行比较，从而判断出DG的运行状态是联网运行还是孤岛运行。

为了更有效地结合电压，频率正反馈的孤岛检测方法，通常情况下选取目标位置的一些受反馈影响灵敏度较高的参数作为特征量指标,本发明所选择的特征量指标主要由电压幅值偏移，频率偏移，电压和频率变化率，有功与无功功率变化率组成，

x_i1＝ΔV_i 表示第i个事件时的电压幅值(p.u)偏移；

x_i2＝Δf_i 表示第i个事件时的频率偏移(Hz)；

x_i3＝(ΔV/Δt)_i 表示第i个事件时的电压变化率(p.u/s)；

x_i4＝(Δf/Δt)_i 表示第i个事件时的频率变化率(Hz/s)；

x_i5＝(ΔP/Δt)_i 表示第i个事件时的有功功率变化率(p.u/s)；

x_i6＝(ΔQ/Δt)_i 表示第i个事件时的无功功率变化率(p.u/s)。

通过分析所选特征量指标的特征并进行分类，判断DG运行状态，同时引入电压与频率的正反馈，在尽量减轻对系统扰动的条件下提高特征量指标的灵敏度。当DG并网运行时，不管是电压还是频率正反馈的引入，受到电网的钳制作用，特征量指标变化不明显。当DG孤岛运行时，扰动的引入将造成电压和频率较大的变化，引起特征量指标发生明显变化，特征量指标在DG并网运行和孤岛运行时区别明显，有利于对孤岛进行判断。

一旦DG进入孤岛运行时，引入正反馈后，DG输出变化对电压和频率正反馈的影响，如图5所示，由公式(1)、(2)可知功率的扰动会引起逆变器输出电压和频率的变化，而这种变化的正反馈又会再次改变DG的功率输出，增加DG与负载的不平衡，由于功率平衡被打破，电压与频率将会不断发生偏移，电压与频率变化率也会发生变化。由于正反馈的作用，DG的功率输出也会随之发生变化。本发明提出的特征量指标在DG孤岛运行时，包括电压偏移，频率偏移，电压幅值变化率，频率变化率，有功功率变化率，无功功率变化率都会发生较大变化，与DG并网运行时的特征量指标有明显差异，因此，人工智能DT法与电压、频率正反馈方法的混合可有效地检测出孤岛。

基于逆变器DG的电压，频率的正反馈方案可通过反孤岛(Anti Islanding,AI)补偿器实现，其电压与频率正反馈的Matlab Simulink应用模型，如图6所示，对于电压正反馈，当逆变器的电压感知器检测到电压幅值变化时，AI补偿器同时会控制逆变器有功功率输出。同样对于频率正反馈，当逆变器频率感知器检测频率发生变化时，AI补偿器同时会控制逆变器无功功率的输出。由于同时所施加的电压和频率的正反馈，受到负载特性的影响，目标位置的电压频率值将发生变化。基于DT的智能法通过分析目标位置所选取的特征变量参数的变化规律，认定以上变化是否由孤岛引起的。

基于DT法构建的决策树，每个节点由若干组数据集构成，表示特征变量，Y表示类变量(对于孤岛检测类变量Y通常只存在两个值，即Y＝0表示非孤岛，Y＝1表示孤岛)，即所属的类，若决策树节点包含不同类的数据集，则表明其存在杂质，有必要分支来降低杂质，节点t的杂质度函数表示为i(t)，其定义是:

p(u|t)表示节点t所包含的特征变量属于u类的概率分布。

分支后的杂质度下降可表示为：

Δi(S,t)＝i(t)-i(t_L)p_L-i(t_R)p_R (4)

其中p_L，p_R表示分支后左子树与右子树节点所占比例，i(t_L)和i(t_R)分别表示左子树和右子树的杂质度，S表示一种决策树的分支规则。

因此，每次对节点t进行分支时，选择Δi(S,t)最大的S进行分支，最大可能地提高子节点的纯度，当杂质度越低时，DT法检测的准确率越高，DT法误判率可表示为：

其中p表示概率函数，其中为决策函数，表示由特征向量到Y的函数，因此当节点t存在杂质时，由i(t)定义可知存在不属于Y_i的特征变量并且杂质度越大时，节点t包含的不属于Y类的特征向量组越多，R(d)值越大，因此误判率越高。

为了降低决策树节点的杂质率，提高孤岛检测的准确率，本发明采用引入正反馈扰动的方法实现，未引入正反馈与引入正反馈时目标位置所检测的特征量指标向量分别为和DG并网运行时由于电网钳制作用，即使引入一定的扰动，特征变量指标变化不明显，因此：

|X_i|≈|X_PFi|≈0,1≤i≤n (6)

当DG孤岛运行时，同样分别表示未引入正反馈与引入正反馈时的特征量指标向量，由公式(1)和图2可知特征量指标在引入正反馈后变化更加明显，因此：

|X_PFi'|＞|X_PFi|且|X_PFi'|＞|X_i'|,1≤i≤n (7)

相反未引入正反馈扰动，在特殊情形下，例如DG与负荷功率平衡，即ΔP，ΔQ趋于零，由公式(1)得出：

V_g≈V_inv,ω_g≈ω_inv (8)

此时，

|X_i'|≈|X_i|≈0,1≤i≤n (9)

由式(7)，(9)可知，未引入正反馈与引入正反馈两种条件下，DT法在同一节点n确定第i个特征变量的阈值m进行节点的分支后，可知：

p(|X_PFi'|＜m)＜p(|X'|＜m) (10)

p(|X_PFi|＞m)＜p(|X|＞m) (11)

因此子代节点杂质率满足如下公式：

分支后杂质度下降如下：

Δi(S,t)_PF＞Δi(S,t) (13)

引入正反馈后能提高特征量指标的灵敏度，改变特征量指标在孤岛运行后的分布，使其在孤岛运行和并网运行时的区别更加明显。因此本发明提出的混合法，可进一步提高孤岛检测的准确率。

一种混合孤岛检测方法，本方法基于决策树的人工智能与电压，频率正反馈的混合，该检测方法的具体检测步骤如下：

a.选择检测特征量指标的目标位置，一般选择PCC处或者待检测DG处；

b.对DG系统内的分布式电源的逆变器引入电压和频率的正反馈，即将逆变器的三相输出电压和电流分别变换为横轴的I_d和纵轴的I_q，然后，检测DG的电压与频率标准值的偏移，并根据偏移量的大小给逆变器输出电流引入扰动Δi，电压偏移将引起I_d变化，频率偏移将引起I_q变化，相对应引起逆变器有功功率和无功功率输出变化，导致电压和频率产生进一步偏移，形成正反馈，随着正反馈的引入，若DG并网运行，由于电网的支撑作用扰动对DG系统影响不大；若DG孤岛运行，正反馈引入扰动将引起特征量指标产生显著变化；

c.模拟各个系统条件下的预设事件，检测特征量指标在各个预设事件下的测量值；

d.存储特征量指标数据和与之对应的DG运行状态Y，若预设事件未全部模拟完成则返回步骤c，若全部模拟完成则进入下一步骤；

e.训练数据集，产生DT分类器，并通过训练提高分类器的准确率；

f.输入实时特征量指标，并采用DT分类器判断孤岛，对于所选目标位置的DG，输出Y＝1判断DG为孤岛运行，输出Y＝0判断DG为非孤岛运行。

本发明所述特征量指标，主要包括电压偏移，频率偏移，电压幅值变化率，频率变化率，有功功率变化率，无功功率变化率。

本发明所采用的技术方案具有以下有益效果：

本发明在DT法的基础上进一步结合基于逆变器控制的正反馈方法，具有较强的互补性与兼容性。相比于仅采用基于正反馈的孤岛检测方法，引入DT法可增加孤岛检测的指标。当外电网运行的电压或频率等特征量指标与标准值存在一定偏差时，很容易引起基于正反馈孤岛检测方法发生误判，仅通过判断电压幅值和频率不足以可靠地检测孤岛。本发明增加了电压变化率，频率变化率等灵的指标作为判断孤岛的依据，提高孤岛检测可靠性。同样单独采用DT法，在DG系统内功率平衡，系统扰动很小的情形下，即使DG系统进入孤岛运行状态，特征量指标在DG并网至孤岛状态的转换中变化不够明显，DT法难以对其进行有效地区分。一旦引入正反馈扰动，这些特征量指标在系统孤岛运行和并网运行时将会有明显的区分，有助于DT法判断孤岛。通过增加特征量指标在孤岛和非孤岛运行条件时的差异性，从而降低孤岛检测错误率。

附图说明

图1为二维空间的特征量指标样本示意图；

图2为根据图1特征量指标的分布与边界设计的决策树结构；

图3为电压正反馈原理图；

图4为频率正反馈原理图；

图5为DG输出变化对电压和频率正反馈的影响示意图；

图6为电压与频率正反馈的Matlab Simulink应用模型示意图；

图7为分布式发电系统simulink仿真图；

图8为本发明检测步骤流程图示意图。

具体实施方式

下面结合附图及具体实施方式对本发明作进一步的详细描述。然而可以理解的是，下述具体实施方式仅仅是本发明的优选技术方案，而不应该理解为对本发明的限制。

一种混合孤岛检测方法，本方法基于决策树的人工智能与电压，频率正反馈的混合，基于决策树的人工智能的方法测量并存储选定的目标位置(例如PCC)的规定的事件的特定特征，并提取和分析数据集的信息来训练DT分类器，通过与预先规定发生事件时的数据集进行比较，从而判断出DG的运行状态是联网运行还是孤岛运行。

为了更有效地结合电压，频率正反馈的孤岛检测方法，通常情况下选取目标位置的一些受反馈影响灵敏度较高的参数作为特征量指标,本发明所选择的特征量指标主要由电压幅值偏移，频率偏移，电压和频率变化率，有功与无功功率变化率组成，

x_i1＝ΔV_i 表示第i个事件时的电压幅值(p.u)偏移；

x_i2＝Δf_i 表示第i个事件时的频率偏移(Hz)；

x_i3＝(ΔV/Δt)_i 表示第i个事件时的电压变化率(p.u/s)；

x_i4＝(Δf/Δt)_i 表示第i个事件时的频率变化率(Hz/s)；

x_i5＝(ΔP/Δt)_i 表示第i个事件时的有功功率变化率(p.u/s)；

x_i6＝(ΔQ/Δt)_i 表示第i个事件时的无功功率变化率(p.u/s)。

一种混合孤岛检测方法，本方法基于决策树的人工智能与电压，频率正反馈的混合，如图8所示，该检测方法的具体检测步骤如下：

a.选择检测特征量指标的目标位置，一般选择PCC处或者待检测DG处；

b.对DG系统内的分布式电源的逆变器引入电压和频率的正反馈，即将逆变器的三相输出电压和电流分别变换为横轴的I_d和纵轴的I_q，然后，检测DG的电压与频率标准值的偏移，并根据偏移量的大小给逆变器输出电流引入扰动Δi，电压偏移将引起I_d变化，频率偏移将引起I_q变化，相对应引起逆变器有功功率和无功功率输出变化，导致电压和频率产生进一步偏移，形成正反馈，随着正反馈的引入，若DG并网运行，由于电网的支撑作用扰动对DG系统影响不大；若DG孤岛运行，正反馈引入扰动将引起特征量指标产生显著变化；

c.模拟各个系统条件下的预设事件，检测特征量指标在各个预设事件下的测量值；

d.存储特征量指标数据和与之对应的DG运行状态Y，若预设事件未全部模拟完成则返回步骤c，若全部模拟完成则进入下一步骤；

e.训练数据集，产生DT分类器，并通过训练提高分类器的准确率；

f.输入实时特征量指标，并采用DT分类器判断孤岛，对于所选目标位置的DG，输出Y＝1判断DG为孤岛运行，输出Y＝0判断DG为非孤岛运行。

实施例

针对参考文献[4]算例所提出的分布式发电系统，采用本发明对类似系统进行孤岛检测，图7所示为分布式发电系统simulink仿真图，其中P_grid表示主电网，Breaker表示断路器，Load表示负载，PCC表示公共连接点，该分布式发电系统包含2个100kVA/480V的DG，Load 2,Load 4分别为DG 1，DG 2所带本地负荷，Load 3为DG系统内负荷，Load 4为PCC母线所带负载，经Breaker 6与PCC母线相连，P_grid为480V仿真主电网，经Breaker 7与DG系统母线相连。具体电力系统参数(PARAMETERS OF ELECTRIC POWER SYSTEMS)如表2所示：

表2

采用DT法对一系列预先事件的数据集进行训练，例如第i个事件的数据集包括特征量以及当前状态所属的类Y_i。预先的事件可以由在不同的负载条件下，例如重载，正常和轻载时发生断路器断开，短路或者设备故障等组成。通过选择模拟相同的预设事件，并与参看文献中结果进行对比，能够更加清楚的显示本发明的性能优势。

选取分布式发电系统中目标位置于图4所示处，共模拟六种预设事件，获得DT法所需数据集，它们分别是：

SET1：Breaker 7断开，模拟DG带PCC母线的Load 1进入孤岛运行状态。

SET2：Breaker 6断开，可模拟PCC母线负载扰动的影响。

SET3：Breaker 5断开，模拟DG不带PCC母线Load 1进入孤岛运行状态。

SET4：S处发生三相短路故障后，模拟DG孤岛运行状态。

SET5：减少DG1所带负荷Load 240％的负荷。

SET6：切除DG2，模拟切除其余DG扰动的影响。

以上模拟的六种预设事件中，SET1，SET3，SET4属于模拟孤岛运行，SET2，SET5，SET6属于模拟并网运行时系统内扰动产生的影响。

每一个事件都将在不同的系统条件下进行模拟，电力系统的负载状态包括正常负荷，最小负荷和最大负荷；同样地，DG的负载状态可分为正常PCC母线负荷，最小和最大PCC母线负荷。其具体可定义为：

系统带正常负载：Z_R＝0.012Ω，Z_L＝0.3056mH

系统带轻载：Z_R＝0.03Ω，Z_L＝0.764mH

系统带重载：Z_R＝0.006Ω，Z_L＝0.1528mH

PCC母线正常负载：P＝100kW，Q＝35kVar

PCC母线轻载：P＝66.7kW，Q＝23.3kVar

PCC母线重载：P＝125kW，Q＝44kVar

每一个系统负载状态和一个PCC母线带负载状况可组成一组系统负载状态，因此每个事件均需要在这九种条件下进行模拟，例如Eab表示第b种系统运行状态发生了预设事件SETa。最终DT法可训练54组数据集。

本算例选择36组数据集用于DT法的训练，选取18组数据集作为孤岛检测的样本，表3所示为引入正反馈后DT法特征量指标实际值，实际系统运行状态(0表示非孤岛运行，1表示孤岛运行)，以及DT法的孤岛检测结果。

表3

本发明提出的混合法孤岛检测结果准确率如表4所示：

表4

文献[4]提出的仅采用DT法的算例中，同样选取36组数据集训练决策树，18组孤岛和非孤岛条件时数据集作为测试样本，其孤岛检测结果准确率如表5所示：

表5

其发生错误检测的事件为E32，E34，E35，其原因是SET3预设事件时的特征量指标与SET1和SET4的特征量指标区别不够明显，从而引起检测结果的错误。

文献[9]提出的采用数据挖掘技术优化选择阈值的决策树方法，其在非孤岛条件下的误判率为0，在孤岛条件下仅1个事件未被检测出孤岛，其准确率如表6所示：

表6

若仅采用电压，频率正反馈的方法，根据IEEE 1547标准，V＜0.88p.u或者V＞1.1p.u为电压阈值，因此检测结果如表7所示：

表7

由结果可知其准确率受电网运行条件影响较大，例如电网在重载或轻载条件下本身与额定电压有一定差值，即使DG并网运行时其电压与阈值较为接近，因此仅通过电压偏移判断孤岛，准确率受到较大的影响。

文献[10]提出的ANN与电压，频率正反馈混合方法，选择27组数据集进行训练，27组数据集作为测试样本，其中三组事件(E18，E33，E65)出现检测错误，其错误率为11.1％。

最终各个方法准确率对比如表8所示：

表8

由上表可知，本发明提出的混合孤岛检测方法能够进一步提高孤岛检测的准确率，特别是能够消除检测盲区，避免出现DG处于孤岛运行而无法检测出孤岛的情形，本发明在缩短孤岛检测时间方面也有一定改进，基于逆变器DG的正反馈需要响应时间不超过30ms，DT法运算处理时间约为45-50ms(using Pentium 4,1.60GHz processor)，因此该方法检测时间不超过80ms。Data-mining approach of relay threshold settings to DT法检测时间不超过0.125s，而正反馈孤岛检测方法检测时间一般需要0.5s，最快也需要7个周期的检测时间。

以上显示和描述了本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

参考文献

[1]W.Chiang,H.Jou,J.Wu,“Active islanding detection method forinverter-based distribution generation power system,”Electrical Power andEnergy Systems,vol.42,no.1,pp.158-166,Nov.2012.

[2]M.A.Eltawil,Z.Zhao,“Grid-connected photovoltaic power systems:Technical and potential problems—A review,”Renewable and Sustainable EnergyReviews,vol.14,no.1,pp.112-129,Jan.2010.

[3]C.Li,C.Cao,Y.Cao,Y.Kuang,L.Zeng,B.Fang,“A review of islandingdetection methods for microgrid,”Renewable and Sustainable Energy Reviews,vol.35,pp.211-220,July 2013.

[4]K.El-Arroudi,G.Joós,I.Kamwa,D.T.McGillis,“Intelligent-basedapproach to islanding detection in distributed generation,”IEEE Trans.PowerDelivery,vol.22,no.2,pp.828-835,Apr.2007.

[5]N.W.A.Lidula,A.D.Rajapakse,“A pattern recognition approach fordetecting power islands using transient signals—Part I:Design andimplementation,”IEEE Trans.Power Delivery,vol.25,no.4,pp.3070-3077,Oct.2010.

[6]S.R.Safavian,D.Landgrebe,“A survey of decision tree classifiermethodology,”IEEE Trans.Systems.Man.And Cybernetics,vol.21,no.3,pp.660-674,May/June 1993.

[7]P.Du,Z.Ye,E.E.Aponte,J.K.Nelson,L.Fan,“Positive-feedback-basedactive anti-islanding schemes for inverter-based distributed generators:Basicprinciple,design guideline and performance analysis,”IEEE Trans.PowerElectronics,vol.25,no.12,pp.2941-2948,Dec.2010.

[8]Z.Ye,R.Walling,L.Garces,R.Zhou,L.Li,T.Wang,“Study and developmentof anti-islanding control for grid-connected inverters,”Rep.NREL/SR-560-36243,May.2004.

[9]K.E-Arroudi,G.Joós,“Data mining approach to threshold settings ofislanding relays in distributed generation,”IEEE Trans.Power Systems,vol.22,no.3,pp.1112-1119,Aug.2007.

[10]R.Ghazi,N.Lotfi,“A new hybrid intelligent based approach toislanding detection in distributed generation,”in proc.2010Universities PowerEngineering Conference,pp.1-5.

Claims (1)

1.一种混合孤岛检测方法，其特征在于：该方法基于决策树的人工智能与电压，频率正反馈的混合，该检测方法的具体检测步骤如下：

a.选择检测特征量指标的目标位置，所述特征量指标主要包括电压偏移、频率偏移、电压幅值变化率、频率变化率、有功功率变化率、无功功率变化率,选择PCC处或者待检测DG处；

b.对DG系统内的分布式电源的逆变器引入电压和频率的正反馈，即将逆变器的三相输出电压和电流分别变换为横轴的I_d和纵轴的I_q，然后，检测DG的电压与频率标准值的偏移，并根据偏移量的大小给逆变器输出电流引入扰动Δi，电压偏移将引起I_d变化，频率偏移将引起I_q变化，相对应引起逆变器有功功率和无功功率输出变化，导致电压和频率产生进一步偏移，形成正反馈，随着正反馈的引入，若DG并网运行，由于电网的支撑作用扰动对DG系统影响不大；若DG孤岛运行，正反馈引入扰动将引起特征量指标产生显著变化；

c.模拟各个系统条件下的预设事件，检测特征量指标在各个预设事件下的测量值；

d.存储特征量指标数据和与之对应的DG运行状态Y，若预设事件未全部模拟完成则返回步骤c，若全部模拟完成则进入下一步骤；

e.训练数据集，产生DT分类器，并通过训练提高分类器的准确率；

f.输入实时特征量指标，并采用DT分类器判断孤岛，对于所选目标位置的DG，输出Y＝1判断DG为孤岛运行，输出Y＝0判断DG为非孤岛运行。