CN109861278A - 光伏发电系统的智能被动式孤岛检测方法 - Google Patents

Abstract

本发明属于光伏电站并网发电技术领域，尤其涉及一种引入电气量相互关系的光伏发电系统的智能被动式孤岛检测方法，包括：通过历史运行数据和模拟仿真，获取光伏发电系统在并网运行和孤岛运行状态下并网点的三相电压和电流数据；根据获取的电压和电流数据来筛选、计算出能够判断光伏发电系统并网或孤岛运行状态的特征电气量；使用Adaboost算法，根据特征电气量数据生成判断光伏发电系统运行状态的分类模型；结合分类模型中使用的各特征电气量之间的电气关系对生成的分类模型进行优化调整，并检验其准确率；实时采集并计算光伏发电系统当前的各特征电气量，应用优化调整过的分类模型对系统当前的运行状态进行分类。

Description

光伏发电系统的智能被动式孤岛检测方法

技术领域

本发明属于光伏电站并网发电技术领域，尤其涉及一种引入电气量相互关系的光伏发电系统的智能被动式孤岛检测方法。

背景技术

随着能源节约型、环境友好型社会的发展，光伏并网发电系统日益受到重视，装机量日渐提高。光伏并网发电系统的非计划孤岛运行会给系统设备和相关人员带来极大的危害，因此必须具备孤岛检测能力。根据孤岛检测机理的不同，光伏并网发电系统的孤岛检测方法主要分通信式、被动式和主动式三类。

基于通信的孤岛检测方法依靠信号发生装置，通过无线电通信实现孤岛检测。通信式孤岛检测法需要额外增设检测设备，高昂的成本使其应用受到一定的限制。被动检测法检测孤岛后由于光伏系统输出功率与本地负荷不匹配导致的并网点电气量变化，包括有过/欠电压法、过/欠频率法、相位跳变法、电压谐波检测法等，这类方法不需要额外附加设备，实现较为容易，但存在明显的检测盲区。主动检测法通过向电网注入扰动信号，并利用扰动信号引起的电气量变化来判断孤岛的发生，常见的方法有移频法、阻抗测量法、有/无功功率扰动法等，此类方法有效的减小了检测盲区，但会不可避免地对电能质量造成影响。

被动式孤岛检测方法在无需注入扰动信号的情况下进行孤岛检测，对电能质量不产生负面影响，但在分布式系统的出力和本地负载匹配度较高时存在检测盲区。有文献提出利用数据挖掘技术，结合多种特征电气量的智能被动式孤岛检测方法，利用多电气量特征共同识别孤岛，仅对并联机组数固定的网络进行了讨论，结论存在一定的局限性，应用于不同控制策略的多逆变器光伏并网系统或系统并联的光伏发电单元数发生改变时，检测准确度会明显降低。

发明内容

针对上述技术问题，本发明提出一种引入电气量相互关系的光伏发电系统的智能被动式孤岛检测方法，包括以下步骤：

步骤1：通过历史运行数据和模拟仿真，获取光伏发电系统在并网运行和孤岛运行状态下并网点的三相电压和电流数据；

步骤2：根据获取的电压和电流数据来筛选、计算出能够判断光伏发电系统并网或孤岛运行状态的特征电气量；

步骤3：使用Adaboost算法，根据特征电气量数据生成判断光伏发电系统运行状态的分类模型；

步骤4：结合分类模型中使用的各特征电气量之间的电气关系对生成的分类模型进行优化调整，并检验其准确率；

步骤5：实时采集并计算光伏发电系统当前的各特征电气量，应用优化调整过的分类模型对系统当前的运行状态进行分类。

所述步骤1还包括利用Matlab仿真软件根据实际光伏系统建立仿真模型，并通过模拟仿真采集不同运行条件下光伏系统并网和孤岛运行的数据，其中包括不同的有功、无功功率匹配度以及系统采用的不同的孤岛检测策略。

所述步骤1还包括：分别在被动式孤岛检测法和主动式孤岛检测策略下进行模拟，采集系统在不同有功、无功匹配程度、光伏电源并联机组数、频率-无功反馈法不同反馈系数的运行状态下并网和孤岛运行时的电气特征量；模拟的运行状态中包含了被动式和频率-无功反馈法孤岛检测系统的死区，也包含了正常运行时系统的扰动导致的有功、无功功率变化情况。

所述特征电气量包括电压、电压对时间的变化率、频率、频率对时间的变化率、频率与有功功率之积、电压与电流的相位差、有功功率、有功功率对时间的变化率、无功功率、无功功率对时间的变化率。

所述特征电气量在不同运行条件下的每个时刻提取为一组特征量并和运行状态代码组成一组作为Adaboost算法学习的数据组，所有的特征量构成特征电气量数据库；数据库被随机均分成两组，一组是学习样本集，用于智能算法学习以生成分类模型；另一组是测试样本集，用于测试所生成模型对系统运行状态分类的准确程度。

所述Adaboost算法为一种迭代算法，每轮迭代中利用学习样本集生成一个准确率相对较低的弱分类模型，被本轮弱分类模型错误分类样本在下一轮迭代中所受到的关注度会提高，后一轮迭代生成的弱分类模型对这些样本的判断结果会更加明显的影响到该轮模型的权重，迭代结束各弱分类模型加权组合成一个强分类模型，各弱分类模型在最终复合的强分类模型中的权重由其自身的分类准确程度决定。

所述步骤3具体包括：

步骤301：初始化训练数据的权值分布：

步骤302：使用具有当前权值分布的训练数据集学习，利用每种电气量分别得到一个分类模型；

步骤303：在第m轮学习过程中，根据当前轮次中学习样本的权值，每种电气量生成一个分类误差率最小的模型；

步骤304：计算分类模型在训练数据集上的分类误差率，将本轮生成的所有分类模型的误差率中的最小值记为本轮的分类误差率，将对应的弱分类模型作为本轮迭代生成的弱分类模型，同时记录相对应的电气量种类；

步骤305：计算弱分类模型的权重；

步骤306：更新训练数据集的权值分布，每轮学习输出一个弱分类模型，附带两个参数：权重和对应电气量种类；

步骤307：学习过程结束后，各弱分类模型加权并相加，取其符号生成强分类模型。

所述步骤4对已生成的强分类模型中各弱分类模型的权重进行进一步的调整，使强分类模型能够更好的适应特定的系统运行状态，获得更高的判断准确度；并用检验样本集中不同组的数据多次检测所生成模型的准确率，并调节迭代次数，直至其准确率的期望值达到预期值。

本发明的有益效果：

(1)明确了基于Adaboost算法的智能被动式孤岛检测法所需要的特征电气量，可以根据系统特性智能地对各电气量的阈值进行整定，缩小了人工整定阈值造成的检测盲区；

(2)将各特征电气量之间的电气关系引入到Adaboost算法中，能够针对特定系统对Adaboost算法生成的分类模型进行进一步调整，有效的提高了分类模型的判断准确程度；

(3)同时使用多种电气量进行孤岛检测，各电气量的检测盲区不易出现交叉，理论上可以实现系统运行状态的无盲区检测；

(4)算法在判断系统运行状态时不需要注入扰动信号，对系统的电能质量不产生影响，能够与其他传统孤岛检测方法配合使用，普适性强。

附图说明

图1为光伏发电系统并网运行结构示意图。

图2为各特征电气量调整关系示意图。

图3为优化调整过程流程图。

图4为调整前被动法和主动法数据的预测误差率结果图。

图5为调整前混合数据的预测误差率结果图。

图6为引入电气量相互关系的光伏并网发电系统的智能被动式孤岛检测法的流程图。

具体实施方式

下面结合附图，对实施例作详细说明。

光伏并网发电系统结构示意如图1所示，由光伏系统、本地负荷和电网构成，其中光伏系统可以单机运行也可多机并联运行。正常运行时，光伏系统、负荷与电网相连，出现故障或系统发生较大扰动时，断路器动作将光伏系统和电网断开，此时光伏系统会与就近负荷形成孤岛。

本发明提出的引入电气量相互关系的光伏并网发电系统的智能被动式孤岛检测法，其仿真数据来源于在Matlab中基于实际光伏并网发电系统参数搭建的多机并联光伏系统仿真模型，模型结构如图1所示。考虑到本发明提出的方法可以与其他类型的孤岛检测方法配合使用，各光伏系统可以不采用其他孤岛检测方法(即采用被动式孤岛检测方法)或采用主动式孤岛检测方法(模拟中以频率-无功反馈法为代表)。分别在被动式孤岛检测法和主动式孤岛检测策略下进行模拟，采集系统在不同有功/无功匹配程度、光伏电源并联机组数、频率-无功反馈法不同反馈系数等运行状态下并网和孤岛运行时的电气特征量。模拟的运行状态中包含了被动式和频率-无功反馈法孤岛检测系统的死区，也包含了正常运行时系统的扰动导致的有功、无功功率变化情况。将采集到的数据按系统被动/主动式孤岛检测法分为两类，并将每类数据随机分成数据量相同两个部分，一部分作为学习样本，通过这些数据利用Adaboost算法生成强分类模型。另一部分作为测试样本，用来对生成的强分类模型进行检测。

利用Adaboost算法生成分类模型时，需要选择具有以下特征的特征电气量：1)特征电气量在孤岛前后的差异足够明显；2)系统扰动对特征电气量的影响较小；3)所选的特征电气量能够提升分类模型的准确度。下面对本发明中选择的十种电气特征量进行详述。

(1)电压

如图1所示的光伏系统在并网运行时，光伏并网逆变器输出的功率为P+jQ，电网向负载输送的功率为ΔP+jΔQ，负载吸收的功率为P_load+jQ_load。并网运行状态PCC点的电压由电网决定，不会产生波动。在进入孤岛运行状态的瞬间，如果ΔP≠0，即光伏电源输出的有功功率和负载的有功功率不匹配，PCC点的电压幅值将产生变化。故可以将PCC点电压幅值及其对时间的变化率作为识别孤岛运行的电气特征量。

(2)频率

图1所示的光伏系统在并网运行时PCC点的频率由电网决定。在电网正常的情况下应为50Hz。在电网断开的瞬间，如果ΔQ≠0，即光伏电源输出的无功功率和负载的无功功率不匹配，PCC点的电压频率将产生变化。事实上，由于光伏电源几乎不输出无功功率，所以只要负载中存在无功成份，PCC点的频率一定会发生变化。故可以将PCC点频率及其对时间的变化率作为识别孤岛运行与否的特征量。

(3)电压与电流的相角差

并网运行时，为实现单位功率因数运行，并网逆变器总是控制其输出电流与电网电压同频同相。此时负载的无功全部由电网提供，并网点电压也与电网电压同频同相。

孤岛前后逆变器输出的电流不发生变化，但孤岛时并网点电压会发生相位跳变，跳变的相位与本地负载的阻抗角相等。此时PCC点电压和电流之间会产生与本地负载阻抗角相等的相位差。故在本地负载阻抗角不为零时，电压与电流的相位差可以作为识别孤岛运行与否的特征量。

(4)有功功率及无功功率

当ΔP与ΔQ较小时，孤岛后系统的电压、频率不会越限，系统仍能继续运行。由于光伏电源输出的有功、无功功率与本地负载存在一定的差额，在并网逆变器的作用下PCC点的有功、无功功率将会产生较大的波动，因此可以通过检测PCC点的有功、无功功率及其对时间的变化率来判断是否发生了孤岛。

(5)有功功率与频率的乘积

当光伏系统采用有功注入或无功注入的主动孤岛检测方法时，在并网运行的情况下PCC点的有功、无功功率仍然会产生一定的波动，可能对孤岛检测造成影响。考虑到这种情况下无法将有功或无功功率作为孤岛特征量，引入有功功率与电压的乘积作为补充。有功功率与电压的乘积可以表示为：

式中q为系统的品质因数。可见，该表达式能够同时反映有功和无功功率的波动情况，当系统采用有功注入的主动式孤岛检测法时，并网时有功功率的波动将被无功功率稀释、减小，反之亦然。所以有功功率与频率的乘积能够反映出孤岛前后系统的变化，可以作为识别孤岛运行状态的特征量。

综上所述，选择v(电压的幅值)、dv/dt(电压对时间的变化率)、f(频率的幅值)、df/dt(频率对时间的变化率)、P×f(频率与有功功率之积)、(电压与电流的相位差)、P(有功功率)、dP/dt(有功功率对时间的变化率)、Q(无功功率)、dQ/dt(无功功率对时间的变化率)这十种特征电气量。

使用所选择的特征电气量及其对应的系统运行状态组成形如(x_ij,y_i)(i＝1,2,…,N；j＝1,2,…,K)的数据组，其中x_ij为i行j列的电气量数据矩阵，横坐标i为数据组编号，具有相同横坐标的一组电气量取自同一系统的同一运行时刻；纵坐标j代表不同电气量种类，具有相同纵坐标的电气量为同一种电气量(如电压、电流、频率等)。y_i代表测量横坐标为i的一组电气量时对应系统的运行状态，y_i＝1表示非孤岛运行，y_i＝-1表示孤岛运行。

使用得到的数据组通过Adaboost算法生成分类模型的过程如下：

(1)第一轮迭代开始前，初始化训练数据的权值分布：

(2)在第m轮迭代中：

(a)使用具有当前权值分布D_m的训练数据集学习，利用每列数据(每种电气量)分别得到一个分类模型y_mj(x)：

y_mj(x):X→{-1,1} (3)

在第m轮迭代(学习)过程中，根据当前轮次中学习样本的权值，每种电气量生成一个分类误差率最小的模型，共得到j个分类模型。

(b)计算y_mj(x)在训练数据集上的分类误差率：

将本轮生成的所有分类模型y_mj(x)的误差率e_mj中的最小值记为本轮的分类误差率e_m，将对应的弱分类模型简记为y_m作为本轮迭代生成的弱分类模型，同时记录相应的j_m即e_m对应的电气量种类。

(c)计算y_m(x)的权重：

(d)更新训练数据集的权值分布：

至此第m轮迭代结束，转入m+1轮继续进行迭代直至第M轮迭代结束。每轮迭代输出一个弱分类模型y_m(x)，它具有两个附加参数：权重α_m和对应电气量种类j_m。

(3)迭代过程结束，生成强分类模型

各弱分类模型加权并相加：

取其符号生成强分类模型：

y(x)＝sign(f(x)) (8)

在利用强分类模型进行检测时，输入的检测数据集应包含与学习数据集完全相同的j种电气量，第m轮迭代生成的弱分类模型只选择j_m对应的电气量列数据进行判断。每个弱分类模型判断的答案(-1或+1)乘以其权重即为该弱分类模型的预测结果，所有弱分类模型预测结果之和取其符号即为强分类模型预测的结果。

强分类模型生成后，根据各特征电气量在实际系统中对孤岛运行的反映能力，结合特征电气量之间的电气关系，对强分类模型中各弱分类模型的权重进行调整，具体调整关系和调整过程如下：

(1)各电气量之间的调整关系

以判断电压v的弱分类模型为例对调整的过程和方法进行叙述。孤岛前后电压的变化由有功功率的变化造成，显然，判断电压v的弱分类模型的准确率可以反映判断dv/dt、P以及P*f的弱分类模型的准确程度。电压v在孤岛前后的差异主要表现为以下两点：

(a)并网运行时由于电网的稳压作用，PPC点电压波动极小，电网断开后PCC点电压呈现出较大的波动；

(b)当系统本地有功负载与光伏系统有功输出不匹配时，孤岛前后电压幅值存在一定的偏差。

电压的波动和偏差，究其原因是有功功率的波动和偏差，所以当判断电压的弱分类模型准确率较高时，可以相应提高判断有功功率P以及P*f的弱分类模型的权重。而电压随时间的变化率dv/dt只与电压的波动有关，电压准确率高时无法判断是因为电压波动量还是因为电压幅值在孤岛前后存在显著差异，因此不对dv/dt的权重进行调整。电压准确率较低时，孤岛前后电压波动与电压幅值偏差均较小，因此应降低判断P、P*f和dv/dt的弱分类模型的权重。

出于相似的原因，在判断dv/dt的弱分类模型准确率较高时提高判断v的弱分类模型的权重，而判断dv/dt的弱分类模型准确率较低不调整判断v的弱分类模型的权重。

频率f与df/dt、Q以及P*f之间，有功功率P与dP/dt、v以及P*f之间，无功功率Q与dQ/dt、f以及P*f之间的调整关系均与上述电压v与dv/dt、P以及P*f之间的调整关系相似。

对于判断电压与电流的相位差的弱分类模型，本地负载为非纯阻性负载时其准确率较高，此时孤岛前后PCC点无功功率将会出现显著偏差，因此应相应提高判断Q以及判断f的弱分类模型的权重。本地负载为纯阻性负载时其准确率较低，此时系统的无功功率匹配度较高，但是该条件不足以佐证其他特征电气量的准确程度，因此此时不进行任何调整。

对于有功功率与频率乘积P*f的弱分类模型，由于P*f包含了有功功率和无功功率的信息，同时受到品质因数影响，其准确与否不能直接归因于某种特定的电气量，因此不以判断P*f的弱分类模型的准确程度为根据调整其他电气量的权重。同时为了避免出现对此种弱分类模型权重调整的方向不一致的情况，设定只有当v与f或P与Q的准确率同时较高或同时较低时才调整P*f的弱分类模型的权重。

将上述各电气量间的调整关系总结为如图2所示的示意图，图中红色箭头表示起点电气量准确率高时提高终点电气量对应弱分类模型的权重，蓝色箭头表示起点电气量准确率低时降低终点电气量对应弱分类模型的权重，黑色箭头表示根据起点电气量的准确程度提高或降低终点电气量对应弱分类模型的权重。

(2)强分类模型的优化调整方法

整个调整过程的流程图如图3所示。在第n轮迭代后，强分类模型由n个弱分类模型及其权重α组成，各弱分类模型的权重α与判断的准确率成正相关，且生成的权重总和为1。因此对于具有n个弱分类模型的强分类模型，可以认为权重高于1/n的弱分类模型准确率高，反之则认为其准确率低。

为了避免同方向过度调整，先分别求出每种电气量对应弱分类模型的平均权重，再以平均权重为基准判断各种弱分类模型的准确率高低。以判断电压v的弱分类模型的调整过程为例说明。对判断v的弱分类模型权重有影响的是判断dv/dt和P的弱分类模型的准确程度。

dv/dt的准确程度对v的调整为单向调整。当dv/dt的权重高于1/n时，生成调整系数K_v1＝n*α_dvdt,该系数大于一，将使判断v的弱分类模型权重提高；低于1/n生成调整系数K_v1＝1，即不进行调整。P的权重对v的调整是双向调整，直接生成调整系数K_v2＝n*α_p。之后将所有电压的弱分类模型的权值调整为α_v*Kv1*Kv2，其中α_v为所有检测电压的弱分类模型的平均权重。当全部n个弱分类模型都经过上述调整之后需要对权值重新进行归一化处理。

图6是适用于光伏并网发电系统的基于Adaboost算法的孤岛检测法的流程图。以下用更加具体的示例来说明本发明一种适用于光伏并网发电系统的基于Adaboost算法的孤岛检测法的技术效果，在示例中使用步骤(2)中生成的数据库作为学习样本集和检验样本集，使用步骤(3)中生成的分类模型和步骤(4)中生成的经过优化调整的分类模型。

(1)在未经优化调整的情况下分别使用被动法系统和主动法系统的测试样本对每一次迭代之后的强分类模型模型进行检测，检测结果如图4所示。由被动检测法系统采集的数据生成的强分类模型，对被动法数据的预测误差率在3次迭代后降低至0～2％区间，对主动法数据的预测误差率在经过26次迭代后稳定在25％～28％之间。由主动检测法系统采集的数据生成的强分类模型，对被动法数据的预测误差率在16次迭代后稳定在至32％～36％附近，对主动法数据的预测误差率在经过6次迭代后稳定在9％。图4中四种情况对比可知，Adaboost算法利用某类数据生成的强分类模型能够较精确的判断对应系统的运行状态，而对另一类系统的运行状态判断能力较差。这是因为采用被动式孤岛检测法的系统孤岛前后特征电气量的变化只与有功、无功功率的匹配程度有关，而在采用主动式孤岛检测法的系统中，还与注入的扰动信号种类以及扰动方式有关，从而导致这两种系统孤岛前后电气量的变化模式存在一定的差异。

(2)在未经优化调整的情况下使用主、被动法混合数据生成的强分类模型对混合数据的检测效果进行了检测，检测结果如图5所示。在三次迭代后由混合数据生成的强分类模型对混合数据的预测误差率稳定在3.8％。混合数据综合了主、被动检测系统特征量的特性，所以由混合数据生成的分类模型能够较为准确的判断采用不同检测方法的系统的运行状态，相比于主动法数据生成强分类模型判断被动法系统或被动法数据生成强分类模型判断主动法系统，准确度都有所提高。

(3)对上述各强分类模型进行优化调整，并使用对应的测试样本对经过优化调整的强分类模型进行检测。对强分类模型的有效调整需要多个弱分类模型之间的相互配合，当弱分类模型数量少时调整效果较差，因此只选取中20～40轮迭代后生成的强分类模型进行优化调整。结果表明无论学习数据集与检测数据集是否对应，强分类模型经过调整后，检测误差率均有所降低，其中调整后使用被动法系统生成的模型对被动法系统进行检测的误差率降低至0，使用被动法系统生成的模型对主动法系统进行检测的误差率降低至18％，使用主动法系统生成的模型对被动法系统进行检测的误差率降低至2％，使用主动法系统生成的模型对主动法系统进行检测的误差率降低至4.5％，使用混合数据生成的模型对混合数据进行检测的误差率降低至0，被动式孤岛检测法系统和以频率-无功反馈法为代表的主动式孤岛检测法系统之间所有的Adaboost判断组合，在使用本专利中提出算法进行优化后，其判断准确程度均得到了进一步提高。

因此，通过使用本发明的引入电气量相互关系的光伏并网发电系统的智能被动式孤岛检测法，明确了基于Adaboost算法的智能被动式孤岛检测法所需要的特征电气量，可以根据系统特性智能地对各电气量的阈值进行整定，缩小了人工整定阈值造成的检测盲区；将各特征电气量之间的电气关系引入到Adaboost算法中，能够针对特定系统对Adaboost算法生成的分类模型进行进一步调整，有效的提高了分类模型的判断准确程度；同时使用多种电气量进行孤岛检测，各电气量的检测盲区不易出现交叉，理论上可以实现系统运行状态的无盲区检测；算法在判断系统运行状态时不需要注入扰动信号，对系统的电能质量不产生影响，能够与其他传统孤岛检测方法配合使用，普适性强。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种引入电气量相互关系的光伏发电系统的智能被动式孤岛检测方法，其特征在于，包括以下步骤：

步骤1：通过历史运行数据和模拟仿真，获取光伏发电系统在并网运行和孤岛运行状态下并网点的三相电压和电流数据；

步骤2：根据获取的电压和电流数据来筛选、计算出能够判断光伏发电系统并网或孤岛运行状态的特征电气量；

步骤3：使用Adaboost算法，根据特征电气量数据生成判断光伏发电系统运行状态的分类模型；

步骤4：结合分类模型中使用的各特征电气量之间的电气关系对生成的分类模型进行优化调整，并检验其准确率；

步骤5：实时采集并计算光伏发电系统当前的各特征电气量，应用优化调整过的分类模型对系统当前的运行状态进行分类。

2.根据权利要求1所述方法，其特征在于，所述步骤1还包括利用Matlab仿真软件根据实际光伏系统建立仿真模型，并通过模拟仿真采集不同运行条件下光伏系统并网和孤岛运行的数据，其中包括不同的有功、无功功率匹配度以及系统采用的不同的孤岛检测策略。

3.根据权利要求1所述方法，其特征在于，所述步骤1还包括：分别在被动式孤岛检测法和主动式孤岛检测策略下进行模拟，采集系统在不同有功、无功匹配程度、光伏电源并联机组数、频率-无功反馈法不同反馈系数的运行状态下并网和孤岛运行时的电气特征量；模拟的运行状态中包含了被动式和频率-无功反馈法孤岛检测系统的死区，也包含了正常运行时系统的扰动导致的有功、无功功率变化情况。

4.根据权利要求1所述方法，其特征在于，所述特征电气量包括电压、电压对时间的变化率、频率、频率对时间的变化率、频率与有功功率之积、电压与电流的相位差、有功功率、有功功率对时间的变化率、无功功率、无功功率对时间的变化率。

5.根据权利要求1所述方法，其特征在于，所述特征电气量在不同运行条件下的每个时刻提取为一组特征量并和运行状态代码组成一组作为Adaboost算法学习的数据组，所有的特征量构成特征电气量数据库；数据库被随机均分成两组，一组是学习样本集，用于智能算法学习以生成分类模型；另一组是测试样本集，用于测试所生成模型对系统运行状态分类的准确程度。

6.根据权利要求1所述方法，其特征在于，所述Adaboost算法为一种迭代算法，每轮迭代中利用学习样本集生成一个准确率相对较低的弱分类模型，被本轮弱分类模型错误分类样本在下一轮迭代中所受到的关注度会提高，后一轮迭代生成的弱分类模型对这些样本的判断结果会更加明显的影响到该轮模型的权重，迭代结束各弱分类模型加权组合成一个强分类模型，各弱分类模型在最终复合的强分类模型中的权重由其自身的分类准确程度决定。

7.根据权利要求1所述方法，其特征在于，所述步骤3具体包括：

步骤301：初始化训练数据的权值分布：

步骤302：使用具有当前权值分布的训练数据集学习，利用每种电气量分别得到一个分类模型；

步骤303：在第m轮学习过程中，根据当前轮次中学习样本的权值，每种电气量生成一个分类误差率最小的模型；

步骤304：计算分类模型在训练数据集上的分类误差率，将本轮生成的所有分类模型的误差率中的最小值记为本轮的分类误差率，将对应的弱分类模型作为本轮迭代生成的弱分类模型，同时记录相对应的电气量种类；

步骤305：计算弱分类模型的权重；

步骤306：更新训练数据集的权值分布，每轮学习输出一个弱分类模型，附带两个参数：权重和对应电气量种类；

步骤307：学习过程结束后，各弱分类模型加权并相加，取其符号生成强分类模型。

8.根据权利要求1所述方法，其特征在于，所述步骤4对已生成的强分类模型中各弱分类模型的权重进行进一步的调整，使强分类模型能够更好的适应特定的系统运行状态，获得更高的判断准确度；并用检验样本集中不同组的数据多次检测所生成模型的准确率，并调节迭代次数，直至其准确率的期望值达到预期值。