CN106998076A - 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法 - Google Patents

一种基于稀疏编码和人工神经网络的光伏孤岛检测方法 Download PDF

Info

Publication number
CN106998076A
CN106998076A CN201611218093.0A CN201611218093A CN106998076A CN 106998076 A CN106998076 A CN 106998076A CN 201611218093 A CN201611218093 A CN 201611218093A CN 106998076 A CN106998076 A CN 106998076A
Authority
CN
China
Prior art keywords
neural network
sparse
matrix
change
isolated island
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611218093.0A
Other languages
English (en)
Inventor
余运俊
衷国瑛
万晓凤
夏永洪
尹君怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201611218093.0A priority Critical patent/CN106998076A/zh
Publication of CN106998076A publication Critical patent/CN106998076A/zh
Pending legal-status Critical Current

Links

Classifications

    • H02J3/383
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for AC mains or AC distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/388Islanding, i.e. disconnection of local power supply from the network
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/56Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Inverter Devices (AREA)

Abstract

一种基于稀疏编码和BP神经网络的孤岛检测法,包括如下步骤:(1)采集足够的正常状态和孤岛状态的样本,一个样本包含一个周期内逆变输出电压变化率,逆变输出电流变化率,逆变输出频率变化率,一个周内采样10个值,形成共3行10列的观测矩阵;(2)将采集到的3行10列的观测矩阵通过稀疏编码成1行10列的稀疏矩阵;(3)建立单隐含层BP神经网络;(4)将稀疏矩阵作为输入导入BP神经网络,进行训练,得到训练好的BP神经网络模型;(5)将训练好的BP神经网络模型导入simulink中,建立孤岛检测模型,进行孤岛检测。本发明的技术效果:(1)实现几乎没有盲区。(2)不会增加系统的谐波含量。(3)检测速度快。

Description

一种基于稀疏编码和人工神经网络的光伏孤岛检测方法
技术领域
本发明属于光伏发电技术领域。
背景技术
孤岛运行是指当电网由于电气故障、误操作或者自然因素等原因中断供电时,光伏微网供电系统作为独立的电源继续向电网输出电能和向本地负载供电,从而形成一 个电网无法控制的自给供电孤岛。在分布式光伏发电系统处于孤岛运行状态时,可能 会影响电能质量甚至损坏电气设备,严重时可能会危及维护人员的人身安全。因此, 无论是从安全方面还是从可靠性方面考虑,都应该及时有效地检测出孤岛运行状态, 并将光伏逆变器从公共连接点(PCC)处断开,这就是孤岛检测。
孤岛检测方法分为三大类,被动法,主动法和远程检测法。被动法主要对电路中的一些电气量直接测量,变化量超过阈值则判断孤岛发生。被动法实现简单,不会对 系统电能质量造成影响,但当逆变器输出功率和负载功率相匹配时,被动法存在很大 的检测盲区。主动法通过向系统内添加扰动,使得电网参数快速偏离阈值来对系统状 态进行检测。主动法缩小了检测盲区,加快了检测速度,但添加的扰动信号会对电能 质量产生影响。远程检测法远程通信和计算机处理技术来进行孤岛检测,这种检测法 检测成功率高,不会对系统产生影响,但这种方法成本高,尤其不适用于一些微小系 统。
发明内容
本发明的目的是为了解决被动法盲区大,主动法会造成系统电能质量的影响,远程法成本太高,提出一种基于稀疏编码和Back Propagation(BP)神经网络的光伏孤 岛检测法。
本发明是通过以下技术方案实现的。
本发明是所述的一种基于稀疏编码和BP神经网络的孤岛检测法,包括如下步骤:
(1)采集足够的正常状态和孤岛状态的样本,一个样本包含一个周期内逆变输出电压变化率,逆变输出电流变化率,逆变输出频率变化率,一个周内采样10个值,形 成共3行10列的观测矩阵。
(2)将采集到的3行10列的观测矩阵通过稀疏编码成1行10列的稀疏矩阵。
(3)建立单隐含层BP神经网络。
(4)将稀疏矩阵作为输入导入BP神经网络,进行训练,得到训练好的BP神经 网络模型。
(5)将训练好的BP神经网络模型导入simulink中,建立孤岛检测模型,进行孤 岛检测。
进一步,所述的步骤(2)将采集到的3行10列的观测矩阵通过稀疏编码成1行 10列的稀疏矩阵为:
(2-1)稀疏编码模型可以用一个结合基函数和噪声量的线性模型来表示:
X=[x1,x2,...xM]T为输入特征量,D为M*K的稀疏字典矩阵,它的元素dk为特征基函数。s=[s1,s1,...sK]T为输入量X的稀疏表示,ε为高斯白噪声。
(2-2)稀疏表示s的稀疏求解用s的最大后验估计:
(2-3)第一项P(s|x,D)为满足公式(1)条件下的概率分布,给定公式(1)的噪 声为高斯白噪声,这个概率分布可表示为
σ2为噪声方差。
(2-4)公式(2)的第二项为s的先验概率分布,s独立于D,所以P(s|D)=P(s), 为了强化系数的稀疏性,P(SK)选择拉布拉斯分布,即P(sk)∝exp(-θ|sk|),这些系数又 是独立分布的,即所以s的最大后验估计可以表示为:
(2-5)稀疏字典D用最大似然估计表示:
(2-6)<·>x为X的平均值,因为样本之间是独立分布的,所以概率函数P(X|D)可表示为:
(2-7)同时,每个样本的概率分布可表示为:
P(xi|D)=∫P(xi,s|D)ds=∫P(xi|D,s)P(s)ds (7)
(2-8)引用公式(3)并且假设先验分布为拉布拉斯分布,公式(7)可表示为:
进一步,所述的步骤(3)建立双隐含层BP神经网络为:
(3-1)在matlab中建立单隐含层BP神经网络。
(3-2)输入层为10个节点,输出层为两个节点,隐含神经元的个数为12。
(3-3)第一层的传递函数设置为tansig,第二层的传递函数为logsig,训练函数设置为traingdx。
进一步,所述的步骤(5)将训练好的BP神经网络模型导入simulink中,建立孤 岛检测模型,进行孤岛检测为:
(5-1)在线采集一周期内逆变电压变化率,逆变电流变化率,频率变化率,形成 3行10列的观测矩阵。
(5-2)对观测矩阵进行在线稀疏形成稀疏矩阵。
(5-3)将稀疏矩阵导入训练好的BP神经网络模型得到两个输出。
(5-4)如果两个输出为10,判断为正常状态。如果两个输出为01,判断为孤岛 状态,启动孤岛状态,断开逆变输出。
本发明的特点及有益效果:(1)实现几乎没有盲区。(2)不会增加系统的谐波含量。(3)检测速度快。
附图说明
附图1为本发明的系统结构图。
附图2为BP神经网络架构图。
附图3为训练测试结果图。
附图4为在线孤岛检测图。
附图5为在线稀疏结果图。
附图6孤岛检测输出波形图。
具体实施方式
下面结合附图和工作原理对本发明的具体实施方式进行详细说明。
如附图1所示,本发明是基于稀疏编码和BP神经网络的光伏孤岛检测法。主要 是在光伏并网系统中,实时采样逆变输出电压变化率,逆变输出电流变化率,逆变输 出频率变化率组成三行十列的观测矩阵,将观测矩阵进行稀疏编码后作为BP神经网 络的输入,训练得到训练好的BP神经网络。将训练好的BP神经网络模型导入simulink 中的光伏并网系统中,进行在线孤岛检测。
本发明实施的控制方法包括如下步骤:
(1)采集480组正常状态样本和350组孤岛状态样本,每一组样本包含一周期内 逆变电压变化率,逆变电流变化率,逆变输出频率变化率,采样频率为2*10-3,组成 三行十列的观测矩阵。
(2)将830组三行十列观测矩阵稀疏成一行十列的稀疏矩阵。表格1选取了4 组正常状态和4组孤岛状态的稀疏矩阵。
(3)将稀疏矩阵导入到BP神经网络中,BP神经网络的输入节点数为10,输出 节点数为2,隐含神经元数为12。第一层的传递函数设置为tansig,第二层的传递函 数为logsig,训练函数设置为traingdx。随机选取580组样本为训练样本,250组样本 为测试样本。附图3为训练测试结果图。蓝线为实际运行状态,红线为预测运行状态, 如果预测状态和实际状态相同,红线和蓝线重合,显示出蓝色,否则,显示出红色。
(4)将训练好的神经网络导入光伏并网系统中,附图4为在线孤岛检测图,在线 采集和训练样本相同的观测矩阵,然后进行在线稀疏编码,附图5为在线稀疏结果图。 各种不同颜色的线表示10个不同的稀疏系数。
(5)将10个稀疏系数导入BP神经网络模型中,得到一个预测结果,如果预测 结果为10,则不改变系统状态。如果预测结果为01,则启动孤岛保护,断开逆变输出。
(6)设置0.5S断开大电网,附图6为逆变输出电压和电流波形图。
附表1为观测量稀疏结果。
表1观测量稀疏结果
-0.2390 -0.2386 0.23851 -0.2356 -2.81012 -3.18191 3.260615 -1.11269
0.0738 -0.0734 0.07345 -0.0726 -0.17581 -0.12753 0.133896 -0.48098
-0.0262 -0.0260 0.02608 -0.0258 -0.11564 -0.1648 0.014013 -0.41619
0.04392 0.04373 -0.0437 0.04322 0.06683 0.04887 -0.03043 0.248074
3.17676 3.17739 -3.1770 3.17938 0.28824 0.26902 -0.09553 0.285883
0.17334 0.17265 -0.1726 0.17079 1.38269 0.52349 -0.38924 2.829219
0.06394 0.06368 -0.0638 0.06298 0.35200 0.22500 -0.14516 0.657568
0.0262 0.02609 -0.0260 0.02579 0.00764 0.15904 -0.01819 0.27697
-0.0424 -0.0422 0.04226 -0.0418 -0.08185 -0.09679 0.056297 0.059287
-0.6418 -0.6399 0.64127 -0.6350 -0.37867 -0.15944 0.13729 -0.32526
1 1 1 1 2 2 2 2

Claims (4)

1.一种基于稀疏编码和BP神经网络的孤岛检测法,其特征是包括如下步骤:
(1)采集足够的正常状态和孤岛状态的样本,一个样本包含一个周期内逆变输出电压变化率,逆变输出电流变化率,逆变输出频率变化率,一个周内采样10个值,形成共3行10列的观测矩阵;
(2)将采集到的3行10列的观测矩阵通过稀疏编码成1行10列的稀疏矩阵;
(3)建立单隐含层BP神经网络;
(4)将稀疏矩阵作为输入导入BP神经网络,进行训练,得到训练好的BP神经网络模型;
(5)将训练好的BP神经网络模型导入simulink中,建立孤岛检测模型,进行孤岛检测。
2.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法,其特征是所述的步骤(2)为:
(2-1)稀疏编码模型可以用一个结合基函数和噪声量的线性模型来表示:
X=[x1,x2,...xM]T为输入特征量,D为M*K的稀疏字典矩阵,它的元素dk为特征基函数;s=[s1,s1,...sK]T为输入量X的稀疏表示,ε为高斯白噪声;
(2-2)稀疏表示s的稀疏求解用s的最大后验估计:
(2-3)第一项P(s|x,D)为满足公式(1)条件下的概率分布,给定公式(1)的噪声为高斯白噪声,这个概率分布可表示为
σ2为噪声方差;
(2-4)公式(2)的第二项为s的先验概率分布,s独立于D,所以P(s|D)=P(s),为了强化系数的稀疏性,P(SK)选择拉布拉斯分布,即P(sk)∝exp(-θ|sk|),这些系数又是独立分布的,即所以s的最大后验估计可以表示为:
(2-5)稀疏字典D用最大似然估计表示:
(2-6)<·>x为X的平均值,因为样本之间是独立分布的,所以概率函数P(X|D)可表示为:
(2-7)同时,每个样本的概率分布可表示为:
P(xi|D)=∫P(xi,s|D)ds=∫P(xi|D,s)P(s)ds (7)
(2-8)引用公式(3)并且假设先验分布为拉布拉斯分布,公式(7)可表示为:
3.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法,其特征是所述的步骤(3)为:
(3-1)在matlab中建立单隐含层BP神经网络;
(3-2)输入层为10个节点,输出层为两个节点,隐含神经元的个数为12;
(3-3)第一层的传递函数设置为tansig,第二层的传递函数为logsig,训练函数设置为traingdx。
4.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法,其特征是所述的步骤(5)为:
(5-1)在线采集一周期内逆变电压变化率,逆变电流变化率,频率变化率,形成3行10列的观测矩阵;
(5-2)对观测矩阵进行在线稀疏形成稀疏矩阵;
(5-3)将稀疏矩阵导入训练好的BP神经网络模型得到两个输出;
(5-4)如果两个输出为10,判断为正常状态;如果两个输出为01,判断为孤岛状态,启动孤岛状态,断开逆变输出。
CN201611218093.0A 2016-12-26 2016-12-26 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法 Pending CN106998076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611218093.0A CN106998076A (zh) 2016-12-26 2016-12-26 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611218093.0A CN106998076A (zh) 2016-12-26 2016-12-26 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法

Publications (1)

Publication Number Publication Date
CN106998076A true CN106998076A (zh) 2017-08-01

Family

ID=59431877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611218093.0A Pending CN106998076A (zh) 2016-12-26 2016-12-26 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法

Country Status (1)

Country Link
CN (1) CN106998076A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802570A (zh) * 2018-06-15 2018-11-13 贵州电网有限责任公司 一种用于交直流混联微电网的故障检测系统及检测方法
CN112398312A (zh) * 2019-08-14 2021-02-23 群光电能科技股份有限公司 电源装置及其控制方法
US11515702B2 (en) * 2019-05-01 2022-11-29 University Of Tennessee Research Foundation Methods, systems, and computer readable media for protecting and controlling a microgrid with a dynamic boundary

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
CN105787500A (zh) * 2014-12-26 2016-07-20 日本电气株式会社 基于人工神经网络的特征选择方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
CN105787500A (zh) * 2014-12-26 2016-07-20 日本电气株式会社 基于人工神经网络的特征选择方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万晓凤等: ""基于独立量分析的NPC 光伏逆变器故障诊断"", 《电子测量与仪器学报》 *
苗中华等: ""基于稀疏编码的振动信号特征提取算法与实验研究"", 《振动与冲击》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802570A (zh) * 2018-06-15 2018-11-13 贵州电网有限责任公司 一种用于交直流混联微电网的故障检测系统及检测方法
CN108802570B (zh) * 2018-06-15 2020-06-09 贵州电网有限责任公司 一种用于交直流混联微电网的故障检测系统及检测方法
US11515702B2 (en) * 2019-05-01 2022-11-29 University Of Tennessee Research Foundation Methods, systems, and computer readable media for protecting and controlling a microgrid with a dynamic boundary
CN112398312A (zh) * 2019-08-14 2021-02-23 群光电能科技股份有限公司 电源装置及其控制方法

Similar Documents

Publication Publication Date Title
CN104316786B (zh) 一种混合孤岛检测方法
Ogunjuyigbe et al. Impact of distributed generators on the power loss and voltage profile of sub-transmission network
CN104009484B (zh) 一种基于潮流计算的电网降损评估方法
CN107292481B (zh) 一种基于节点重要度的电网关键节点评估方法
CN110034581A (zh) 风电并网下电力系统的区间电气介数脆弱性评估方法
CN105182189B (zh) 基于电压频率和测量阻抗结合的逆变器扰动式孤岛检测法
CN108493998B (zh) 考虑需求响应与n-1预想故障的鲁棒输电网规划方法
CN106998076A (zh) 一种基于稀疏编码和人工神经网络的光伏孤岛检测方法
CN107947151A (zh) 一种电力系统关键节点的识别方法
CN106684855A (zh) 一种基于关键支路识别的暂态稳定紧急控制方法
Suvire et al. Wind farm: Dynamic model and impact on a weak power system
CN104485661B (zh) 一种基于节点类型转换的潮流自动调整方法
CN105762816A (zh) 一种抑制次同步相互作用的方法
Wang et al. Learning picturized and time-series data for fault location with renewable energy sources
Laghari et al. Artificial neural network based islanding detection technique for mini hydro type distributed generation
Xu et al. Vulnerability assessment of power grid based on complex network theory
CN103675562A (zh) 检测孤岛效应的方法及装置
CN104967151B (zh) 电力系统pmu布点、及对应母线选取发电机方法和系统
CN105356508A (zh) 基于psd-bpa的电网风电接入评价系统及其方法
Mahela et al. A protection scheme for distribution utility grid with wind energy penetration
CN107196307A (zh) 一种变压器故障后电网有功潮流快速估算的方法
Naik et al. Identification of coherent generator groups in power system networks with windfarms
CN107169644A (zh) 一种配电网安全运行管控方法
TWI462419B (zh) 類神經式靜態開關
El-Sehiemy et al. An ant colony optimization algorithm-based emergency control strategy for voltage collapse mitigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170801