CN105759177A - 一种基于分类多模型融合的分布式电网孤岛检测方法 - Google Patents

Abstract

本申请提供一种基于分类多模型融合的分布式电网孤岛检测方法。基于系统辨识和小波分析原理，分别从系统的外部结构和信号本身进行特征提取，包括系统结构参数、小波奇异熵和局部能量特征，同时获取稳态常规特征。然后分别采用机器学习中逻辑回归、支持向量机、随机森林和Adaboost四种方法，对相应的采样数据进行训练，得到对应的孤岛检测分类器。其中针对功率不平衡的情况，采用支持向量机进行分类。对于功率平衡的情况，运用动态权重投票的方式实现基于逻辑回归、随机森林和Adaboost组合模型的分类决策。最后建立多层次、多分类器、多状态的多模型融合的孤岛检测系统。

Description

一种基于分类多模型融合的分布式电网孤岛检测方法

技术领域

本发明涉及分布式发电系统领域，尤其涉及一种基于分类多模型融合的分布式电网孤岛检测方法。

背景技术

近年来，随着环境问题日益严重以及化石能源的不断减少，可再生能源的开发使用受到了越来越多的重视。由于分布式发电系统(DG,distributedgeneration)利用本地可再生能源进行发电，具有经济高效，供电可靠，清洁环保的特点，因而成为了电力系统研究和发展的热点。孤岛效应是分布式发电系统的关键问题。孤岛效应指的是当包含DG的系统发生故障或者维修等因素，大电网断开或者停止工作，不再向本地系统提供电力支持，并网设备没有有效地检测出停电状态，将分布式发电设备脱离大电网，依然向本地负载提供能量，此时，分布式发电系统与周围的负载形成了自给自足孤立的供电系统。快速有效的孤岛检测技术为系统的稳定安全运行提供了有力的保证。

大体上来说，目前的孤岛检测技术可以分为被动检测法，主动检测法以及远程检测法。被动检测法主要是在DG输出端，检测孤岛发生前后，发电系统与电网的公共耦合点处的电压、频率、相位等参数的变化来判断是否发生孤岛。但是当本地负载负荷与DG输出功率相匹配时，耦合点处的电压、频率、相位等在孤岛发生不会出现较大的变化，此时被动法将会出现一定的盲区。主动检测法则是在控制信号周期性加入很小的电压、电流、频率或者相位等干扰量。该种方法的有点在于相对被动检测法的检测盲区较小，检测精度较高，但是由于引入了一定的扰动量，可能将引起输出量的谐波增大，电网电能质量下降等不利因素。该法主要在大电网侧实现孤岛检测，主要是基于大电网与分布式发电系统之间的通信。该方法实时有效，没有盲区，且对电网不会产生干扰。但是需要较高配置的设备，实现的操作较为复杂，投入成本高。

发明内容

本发明所要解决的技术问题：提供一种基于分类多模型融合的分布式电网孤岛检测方法，并且克服已有算法的缺陷。该方法既可以有效地减小盲区，并且不引入扰动，不会影响电能质量。该方法能够有效准确及时地检测出孤岛事件。

为解决上述技术问题，基于分类多模型融合的分布式电网孤岛检测方法包括如下步骤：

S1.采用六个常规电气特征量，电压有效值U，输出电压频率f，电压和电流的相位差以及三个特征量随时间的变化率和

S2.获取分布式发电系统的PCC处的电压信号和输出电流信号。然后采用系统辨识的方法，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量；

S3.其中利用多分辨率分析算法对信号电压信号进行7层分解，得到8个奇异熵特征值；用小波包分析对电压信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值；

S4.利用fisher准则和浮动后序选择法对小波特征进行特征优选；

S5.整个孤岛检测分成三层；

S6.第一层主要针对非平衡状态，采取SVM算法，输入为六个常规电气特征量，对系统状态进行预判；

S7.第二层和第三层主要针对平衡状态下的孤岛检测；

S8.第二层由三个基分类器组成，分别为逻辑回归、随机森林和Adaboost，其中逻辑回归采用系统结构参数，随机森林和Adaboost采用小波分析特征；

S9.第三层采用动态权重投票机制，判断系统是否进入孤岛状态。

其特征在于，S2中将待辨识系统看成RLC并联结构，模型离散化得到：

u(k)＝-a₁u(k-1)-a₂u(k-2)+b₀i(k)+b₁i(k-1)+b₂i(k-2)

采用带遗忘因子递推最小二乘法进行系统参数辨识，同时为解决功率平衡情况下，电压电流变化不大，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量a₁,a₂,b₀,b₁,b₂。

S3中由于小波分析的时频局部特性，过小波多分辨率分析奇异熵、小波包奇异熵以及小波包局部能量作为孤岛检测的特征量，其中利用多分辨率分析算法对电压信号进行7层分解，得到8个奇异熵特征值：H_d1,H_d2,…,H_d7,H_a7，用小波包分析对信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值：E_s30，E_s31,…,E_s36,E_s37和H_s30,H_s31,…,H_s37。一共提取24个特征。

S4中小波分析特征共有24个，采用的是Fisher准则衡量特征量，Fisher准则的思想是如果某个特征在同一类别里的相关性较大，在不同类别之间的相关性较小，可以认为该特征为关键性特征，Fisher准则获取前几个较为重要的特征后，根据选取的训练模型，利用序列浮动后向选择法进行关键性特征的进一步优选，得到特征

T＝[H_s35,H_s33,H_s36,H_s34,H_s31,E_s35,E_s33,E_s37,H_d2]。

整个孤岛检测系统分成三层，第一层主要针对非平衡状态，第二层和第三层主要针对平衡状态下的孤岛检测，即解决孤岛检测技术中的最大难点，当第一层检测结果为非孤岛状态，则进入下一层，否则停止检测，发出孤岛信号，通知系统采取相应措施。

S8中其中逻辑回归使用PCC处的系统结构参数作为评判依据，随机森林和Adaboost则采用小波分析中经过优选的小波特征。

S9中首先为每一个基分类器创建正确分类数据集合D_LR，D_RF和D_Adaboost，然后根据待分类数据与各个数据集的相关程度动态地分配权重，其中数据d与数据集D_i的相关度可以表示为

$R_{di}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{R}_{di}\left(k\right)$

式中，R_di(k)表示数据d与分类器C_i对应的数据集D_i中第k个样本的相关系数，采用皮尔逊相关系数表示样本数据间的相关性，由于相关系数的范围是-1到1，对其进行变化，得到其中相关度越大，则数据d越接近分类器C_i的正确分类数据集，通过C_i进行分类的正确性越高；

然后对相关程度进行归一化，便得到分类器C_i对于数据d的动态权重大小；

其中除了动态权重，初始状态时为每一个分类器分配了一个静态权重ω_i，即分类器对应的预测准确率，静态权重与动态权重的乘积即分类器的判决权重；

最后经过权重投票，判断系统是否进入孤岛状态。

与现有技术相比本发明具有以下有益效果：该方法既可以有效地减小盲区，并且不引入扰动，不会影响电能质量。该方法能够有效准确及时地检测出孤岛事件。

附图说明

图1是依据本发明一实施例的分布式发电系统结构图。

图2是依据本发明一实施例的分类多模型融合的分布式电网孤岛检测系统的检测过程。

图3是依据本发明一实施例当功率不平衡度为0％时检测结果显示。

图4是依据本发明一实施例当功率不平衡度为50％时检测结果显示。

具体实施方式

下面对本发明所提供的一种基于分类多模型融合的分布式电网孤岛检测技术，结合附图和实施例详细说明。

本发明主要运用于分布式发电系统，其中直流源通过逆变系统并入电网，并向本地负载提供电能。

基于分类多模型融合的分布式电网孤岛检测方法包括如下步骤：

S1.采用六个常规电气特征量，电压有效值U，输出电压频率f，电压和电流的相位差以及三个特征量随时间的变化率和

S2.获取分布式发电系统的PCC处的电压信号和输出电流信号。然后采用系统辨识的方法，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量；

S3.其中利用多分辨率分析算法对信号电压信号进行7层分解，得到8个奇异熵特征值；用小波包分析对电压信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值；

S4.利用fisher准则和浮动后序选择法对小波特征进行特征优选；

S5.整个孤岛检测分成三层；

S6.第一层主要针对非平衡状态，采取SVM算法，输入为六个常规电气特征量，对系统状态进行预判；

S7.第二层和第三层主要针对平衡状态下的孤岛检测；

S8.第二层由三个基分类器组成，分别为逻辑回归、随机森林和Adaboost，其中逻辑回归采用系统结构参数，随机森林和Adaboost采用小波分析特征；

S9.第三层采用动态权重投票机制，判断系统是否进入孤岛状态。

其特征在于，S2中将待辨识系统看成RLC并联结构，模型离散化得到：

u(k)＝-a₁u(k-1)-a₂u(k-2)+b₀i(k)+b₁i(k-1)+b₂i(k-2)

采用带遗忘因子递推最小二乘法进行系统参数辨识，同时为解决功率平衡情况下，电压电流变化不大，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量a₁,a₂,b₀,b₁,b₂。

S3中由于小波分析的时频局部特性，过小波多分辨率分析奇异熵、小波包奇异熵以及小波包局部能量作为孤岛检测的特征量，其中利用多分辨率分析算法对电压信号进行7层分解，得到8个奇异熵特征值：H_d1,H_d2,…,H_d7,H_a7，用小波包分析对信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值：E_s30，E_s31,…,E_s36,E_s37和H_s30,H_s31,…,H_s37。一共提取24个特征。

S4中小波分析特征共有24个，采用的是Fisher准则衡量特征量，Fisher准则的思想是如果某个特征在同一类别里的相关性较大，在不同类别之间的相关性较小，可以认为该特征为关键性特征，Fisher准则获取前几个较为重要的特征后，根据选取的训练模型，利用序列浮动后向选择法进行关键性特征的进一步优选，得到特征

T＝[H_s35,H_s33,H_s36,H_s34,H_s31,E_s35,E_s33,E_s37,H_d2]。

整个孤岛检测系统分成三层，第一层主要针对非平衡状态，第二层和第三层主要针对平衡状态下的孤岛检测，即解决孤岛检测技术中的最大难点，当第一层检测结果为非孤岛状态，则进入下一层，否则停止检测，发出孤岛信号，通知系统采取相应措施。

S8中其中逻辑回归使用PCC处的系统结构参数作为评判依据，随机森林和Adaboost则采用小波分析中经过优选的小波特征。

S9中首先为每一个基分类器创建正确分类数据集合D_LR，D_RF和D_Adaboost，然后根据待分类数据与各个数据集的相关程度动态地分配权重，其中数据d与数据集D_i的相关度可以表示为

$R_{di}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{R}_{di}\left(k\right)$

式中，R_di(k)表示数据d与分类器C_i对应的数据集D_i中第k个样本的相关系数，采用皮尔逊相关系数表示样本数据间的相关性，由于相关系数的范围是-1到1，对其进行变化，得到其中相关度越大，则数据d越接近分类器C_i的正确分类数据集，通过C_i进行分类的正确性越高；

然后对相关程度进行归一化，便得到分类器C_i对于数据d的动态权重大小；

其中除了动态权重，初始状态时为每一个分类器分配了一个静态权重ω_i，即分类器对应的预测准确率，静态权重与动态权重的乘积即分类器的判决权重；

最后经过权重投票，判断系统是否进入孤岛状态。

如图1所示，为本实例分布式发电系统结构图。本实例中用MATLAB中SIMULINK建立三个分布式电源DG₁、DG₂和DG₃，并且把DG₁作为孤岛检测算法研究和检测的对象。

每一个分布式电源为单相逆变器，额定电压为800V，额定电流I_ref＝22A，采样频率f_s＝10kHz，PWM发生器载波频率f_s＝10kHz。

本地负载RLC并联组成为C＝100uF,L＝100mH,R＝10Ω。

电网端额定电压220V，频率f＝50Hz，电网阻抗R_g＝0.06Ω，L_g＝0.4mH。

本实例为分布式发电系统设置了不同的运行模式，设定初始正常运行时，DG₁和DG₂并网，即s1闭合，s2断开，s3闭合，s4断开，s5闭合。

实验共八种模式：

模式1，DG₁脱离系统，s1断开；

模式2，整个分布式发电系统DG₁和DG₂脱离电网，s5断开；

模式3，电压扰动：骤升；

模式4，电压扰动：骤降；

模式5，DG₃并入系统，s4闭合；

模式6，DG₂脱离系统，s3断开；

模式7，负载切换，LOAD1_2并入本地负载，s2闭合；

模式8，初始正常运行。

其中模式1和模式2为孤岛状态，其余都为系统并网运行。

负载LOAD1_1是可变化，通过调整负载参数，改变负载吸收功率大小，改变系统功率的不平衡度。

本实例中用来衡量系统功率的不平衡程度，其中P_load为并网时本地负载吸收的有功功率，P_gird为大电网向本地负载输送的有功功率。

本实例中考虑功率平衡情况以及功率不平衡的情况，其中不平衡度取10％到80％，间隔为5％。

如图2所示，本实例孤岛检测系统分成三个层次，检测系统建立步骤如下：

2a.第一层用稳态电气特征量，

根据不平衡程度的取值，共获取16组训练样本数据集，前15组数据由不平衡程度从10％到80％，以间隔5％依次获得，

按照系统不同的运行模式，模式1：模式2：模式3：模式4：模式5：模式6：模式7：模式8＝3:3:1:1:1:1:1:1。第15组数据为当时系统产生，由于此时稳态常规特征量在孤岛发生前后几乎没有任何变化，所以该组只获取100个并网运行时的数据。

2b.通过得到的数据训练得到SVM。

2c.第二层分别通过系统辨识和小波分析得到两类特征量，T₂＝[a₁,a₂,b₀,b₁,b₂]和T₃＝[H_d1,H_d2,…,H_d7,E_s30,E_s31,…,E_s37,H_s30,H_s31,…,H_s37]，

根据不平衡程度的取值，共获取16组训练样本数据集。

为防止误判，以间隔5％依次获得不平衡度从10％到80％的前15组数据，每组有50个并网状态样本。第16组数据在采样获得，共2800个样本，其中模式1：模式2：模式3：模式4：模式5：模式6：模式7：模式8＝4:4:1:1:1:1:1:1。

2d.对以T₂为特征向量生成的样本集进行训练，得到逻辑回归分类器。通过Fisher准则与序列浮动后向选择法从T₃特征集中获取关键特征集合，运用随机森林和Adaboost算法对样本进行训练，得到相应的分类器。

2e.第三层，针对每一个分类器，构建与第二层训练样本等量的测试样本，分别获取各个分类器的预测情况。

根据测试样本得到的测试结果，为每一个分类器分配初始权重W_RL＝0.9246，W_FR＝0.9772，W_Adaboost＝0.9767。从各个分类器的正确分类样本中抽取100个样本作为该分类器正确分类数据集合，数据集为D_LR，D_RF和D_Adaboost，完成整个孤岛检测系统。

孤岛检测过程如下：

首先获取常规电气特征量通过SVM分类器，当第一层检测结果为非孤岛状态，则进入下一层，否则停止检测，发出孤岛信号，通知系统采取相应措施。

然后获取系统辨识和小波分析得到两类特征量，其中小波特征是经过特征优选的。系统参数特征T₂＝[a₁,a₂,b₀,b₁,b₂]和小波特征量分别通过逻辑回归、随机森林和Adaboost分类器，得到各个分类器分类结果。

最后第三层采用动态权重投票机制，根据待分类数据与各个数据集的相关程度动态地分配权重，最后经过权重投票，判断系统是否进入孤岛状态。

表1为各个不平衡度检测时间

表1

当功率失衡度在10％到80％时，检测时间在23ms和36ms之间，其中平衡状态的孤岛检测时间为40ms,满足IEEE标准制定的检测时间要求。

同时本实验测试了部分负载切换、DG投切和电压扰动，检测系统没有发出孤岛检测信号。

图3和图4分别为功率不平衡度为0％和50％孤岛检测结果。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种基于分类多模型融合的分布式电网孤岛检测方法，其特征在于，包括以下步骤：

S1.采用六个常规电气特征量，电压有效值U，输出电压频率f，电压和电流的相位差以及三个特征量随时间的变化率和

S2.获取分布式发电系统的发电系统与电网的公共耦合点PCC处的电压信号和输出电流信号，然后采用系统辨识的方法，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量；

S3.其中利用多分辨率分析算法对信号电压信号进行7层分解，得到8个奇异熵特征值；用小波包分析对电压信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值；

S4.利用fisher准则和浮动后序选择法对小波特征进行特征优选；

S5.整个孤岛检测系统分成三层；

S6.第一层主要针对非平衡状态，采取SVM算法，输入为六个常规电气特征量，对系统状态进行预判；

S7.第二层和第三层主要针对平衡状态下的孤岛检测；

S8.第二层由三个基分类器组成，分别为逻辑回归、随机森林和Adaboost，其中逻辑回归采用系统结构参数，随机森林和Adaboost采用小波分析特征；

S9.第三层采用动态权重投票机制，判断系统是否进入孤岛状态。

2.如权利要求1所示的一种基于分类多模型融合的分布式电网孤岛检测方法，其特征在于，S2中将待辨识系统看成RLC并联结构，模型离散化得到：

u(k)＝-a₁u(k-1)-a₂u(k-2)+b₀i(k)+b₁i(k-1)+b₂i(k-2)

采用带遗忘因子递推最小二乘法进行系统参数辨识，同时为解决功率平衡情况下，电压电流变化不大，采用它们的谐波分量作为辨识系统的输入和输出，最后得到结构参数特征量a₁,a₂,b₀,b₁,b₂。

3.如权利要求1所示的一种基于分类多模型融合的分布式电网孤岛检测方法，其特征在于，S3中由于小波分析的时频局部特性，过小波多分辨率分析奇异熵、小波包奇异熵以及小波包局部能量作为孤岛检测的特征量，其中利用多分辨率分析算法对电压信号进行7层分解，得到8个奇异熵特征值：H_d1,H_d2,…,H_d7,H_a7，用小波包分析对信号进行3层分解，并分别获取第三层8个能量特征值和8个奇异熵特征值：E_s30，E_s31,…,E_s36,E_s37和H_s30,H_s31,…,H_s37。一共提取24个特征。

4.如权利要求1或3所示的一种基于分类多模型融合的分布式电网孤岛检测技术，其特征在于，S4中小波分析特征共有24个，采用的是Fisher准则衡量特征量，Fisher准则的思想是如果某个特征在同一类别里的相关性较大，在不同类别之间的相关性较小，可以认为该特征为关键性特征，Fisher准则获取前几个较为重要的特征后，根据选取的训练模型，利用序列浮动后向选择法进行关键性特征的进一步优选，得到特征

T＝[H_s35,H_s33,H_s36,H_s34,H_s31,E_s35,E_s33,E_s37,H_d2]。

5.如权利要求1所示的一种基于分类多模型融合的分布式电网孤岛检测技术，其特征在于，整个孤岛检测系统分成三层，第一层主要针对非平衡状态，第二层和第三层主要针对平衡状态下的孤岛检测，即解决孤岛检测技术中的最大难点，当第一层检测结果为非孤岛状态，则进入下一层，否则停止检测，发出孤岛信号，通知系统采取相应措施。

6.如权利要求1所示的一种基于分类多模型融合的分布式电网孤岛检测技术，其特征在于，S8中其中逻辑回归使用PCC处的系统结构参数作为评判依据，随机森林和Adaboost则采用小波分析中经过优选的小波特征。

7.如权利要求1所示的一种基于分类多模型融合的分布式电网孤岛检测技术，其特征在于，S9中首先为每一个基分类器创建正确分类数据集合D_LR，D_RF和D_Adaboost，然后根据待分类数据与各个数据集的相关程度动态地分配权重，其中数据d与数据集D_i的相关度可以表示为

$R_{di}=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}{R}_{di}\left(k\right)$

式中，R_di(k)表示数据d与分类器C_i对应的数据集D_i中第k个样本的相关系数，采用皮尔逊相关系数表示样本数据间的相关性，由于相关系数的范围是-1到1，对其进行变化，得到其中相关度越大，则数据d越接近分类器C_i的正确分类数据集，通过C_i进行分类的正确性越高；

然后对相关程度进行归一化，便得到分类器C_i对于数据d的动态权重大小；

其中除了动态权重，初始状态时为每一个分类器分配了一个静态权重ω_i，即分类器对应的预测准确率，静态权重与动态权重的乘积即分类器的判决权重；

最后经过权重投票，判断系统是否进入孤岛状态。