CN110866366A

CN110866366A - 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法

Info

Publication number: CN110866366A
Application number: CN201911171803.2A
Authority: CN
Inventors: 李军; 张威; 张玉琼; 刘小壮; 殷永杰; 郝思鹏; 吕干云
Original assignee: Nanjing Institute of Technology
Current assignee: Nanjing Institute of Technology
Priority date: 2019-11-26
Filing date: 2019-11-26
Publication date: 2020-03-06

Abstract

本发明公开了一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，包括如下步骤：建立含有PHEV的光伏微网仿真模型；设计仿真状态：考虑光伏微网系统在运行过程中遇见的状况，仿真出多种运行状态；采集运行数据：对模型进行仿真运行，采集公共耦合点处相关电气特征量的数值，划分训练样本集和测试样本集；训练模型：根据训练样本集，采用XGBoost算法训练生成预测模型；模型检验与结果分析：将测试样本集带入模型中，对生成的模型进行检验及分析。本发明在不影响电能质量的前提下，缩小检测盲区，减少误判，从而有效提高孤岛划分准确率。

Description

一种基于XGBoost算法的含PHEV光伏微网孤岛检测法

技术领域

本发明属于微电网运行与控制领域，尤其涉及一种基于XGBoost算法的含PHEV光伏微网孤岛检测法。

背景技术

目前，常见的孤岛检测方法主要可以分为通信式检测法、被动式检测法和主动式检测法三大类。通信式孤岛检测方法主要是采用无线通信手段来检测断路器的开断状态，检测结果准确可靠，但是需要加装额外设备，实现成本较高，操作复杂，因此未能得到广泛的应用。被动式孤岛检测方法是利用孤岛状态发生时由于功率不匹配而造成公共耦合点处电气量的变化情况来识别孤岛运行状态，此类方法实现容易且不会影响电能质量，但检测精度和准确性受阈值设定的影响较大，在系统参数处于功率平衡状态附近时往往会存在着较大的检测盲区。主动式检测方法主要是向系统中注入扰动信号，并利用扰动信号引起的电气量变化来判断孤岛是否发生，这类方法在一定程度上减小了检测盲区，但是会对电能质量造成影响。

近年来，随着节能高效的插电式混合电动汽车(以下简称PHEV)的大规模使用，越来越多的充电站并入光伏微网，而PHEV普遍采用的快速充电方式表现为直流侧的低阻抗短路，使得电网侧的功率瞬变，对传统孤岛检测方法的准确性造成了一定的影响。

发明内容

发明目的：针对现有技术中PHEV快速充电影响传统光伏微网孤岛检测准确性的问题，本发明公开了一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，在不影响电能质量的前提下，缩小检测盲区，从而有效提高孤岛划分准确率。

技术方案：本发明采用如下技术方案：一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，包括如下步骤：

步骤(1)、根据含有PHEV的光伏微网结构，建立对应的含有PHEV的光伏微网仿真模型；

步骤(2)、设计仿真状态：考虑光伏微网系统在运行过程中遇见的状况，设计出多种运行状态；

步骤(3)、采集运行数据：由所述步骤(2)中确定的多种状态对模型进行仿真运行，采集公共耦合点处相关电气特征量的数值，将测量得到的不同状态下的仿真数据样本集按照比例随机分为两部分，数据较多的是训练样本集，数据较少的是测试样本集；

步骤(4)、训练模型：根据所述步骤(3)中的训练样本集，采用XGBoost算法训练生成预测模型；

步骤(5)、模型检验与结果分析：将所述步骤(3)中的测试样本集带入步骤(4)训练好的模型中，对生成的模型进行检验及分析。

优选的，所述步骤(1)中仿真模型忽略充电服务策略，功率管理和充电过程损耗情况。

优选的，所述步骤(1)中仿真模型负载选取的是IEEE-33节点配电系统。

优选的，所述步骤(2)中仿真状态包括：在不同负载情况下系统并网或孤岛运行、接入PHEV进行快速充电时系统处于并网或孤岛运行、大容量负载的接入与接出、白噪声干扰、模拟系统产生各种相间短路和对地短路故障。

优选的，所述步骤(2)中，当系统处于功率匹配状态附近时，负载变化步长减小。

优选的，所述步骤(3)中采集的相关电气特征量包括：电压幅值u、电压变化率du/dt、频率f、频率变化率df/dt、有功功率P、有功功率变化率dP/dt、无功功率Q、无功功率变化率dQ/dt。

优选的，所述步骤(3)中采集的相关电气特征量的数值为5个连续周期内的均值。

优选的，所述步骤(4)中XGBoost算法流程如下：

步骤(41)、初始化XGBoost分类回归树集成模型；

步骤(42)、采用贪婪算法寻找最佳分支，确定出最佳树结构，生成一棵决策树；

步骤(43)、将所述步骤(42)中生成的决策树添加到集成模型中；

步骤(44)、重复步骤(42)、步骤(43)直到所有决策树被添加到集成模型中，算法停止。

优选的，所述步骤(42)中寻找最佳分支流程如下：

步骤(421)、利用目标函数定义结构的优劣；

步骤(422)、计算分支前后的信息熵之差，即增益；

步骤(423)、选择增益最大的特征分支点进行分支；

步骤(424)、当增益小于某个阈值时，树停止生长。

有益效果：本发明具有如下有益效果：

(1)、本发明综合考虑PHEV快速充电的工况，减少了传统孤岛检测方法对此类情况的误判；

(2)、本发明由智能算法根据系统自身特性智能整定各电气量的阈值，相较于人工设定区间更为精确，且同时采集多个电气特征量，使得各特征量不易同时处于检测盲区，提高了检测准确率；

(3)、本发明相较于常见的主动式检测方法，并未引入其他主动扰动，对电能质量不会产生影响；

(4)、光伏系统历史运行数据和实验测量数据并不可能完全包含所有可能的运行状况，本发明通过搭建仿真模型可以建立更为完备的训练数据集，使得数据库更为完备，能进一步提高预测的准确率；

(5)、与其他智能算法相比，本发明所用XGBoost算法在目标函数优化时引入二阶泰勒级数，迭代速度快，同时加入正则化项来控制模型的复杂度，在保证建模速率、正确率的同时提升模型的泛化能力。

附图说明

图1为本发明的流程图；

图2为本发明含有PHEV的光伏微网的结构示意图；

图3为本发明XGBoost算法的流程图；

图4为本发明含有PHEV的多机并联光伏微网的结构示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明涉及一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其主要思想是利用统计学习的思想：首先采集系统运行的历史数据(或仿真数据)，生成可供算法学习的数据库，接着由智能算法根据给定的数据库进行分析生成对应的模型，再利用该模型即可对测试样本进行预测并输出系统的运行状态。如图1所示，本发明包括如下步骤：

步骤(1)、根据含有PHEV的光伏微网结构，建立对应的含有PHEV的光伏微网仿真模型，以便于后续对于多种运行情况的模拟及相关运行参数的采集。

若要智能算法能够输出较为精确的预测模型，则需要建立较为完备的训练数据集，由于历史运行数据和实验测量数据并不可能包含光伏微网系统所有可能的运行情况，因此可以选用仿真实验数据来建立训练数据集。

按照图2和图4所示的含有PHEV的光伏微网结构图搭建对应的仿真模型，由于仿真模型中负载选取的是IEEE-33节点配电系统，设置的负载数量较多，在仿真时根据样本设置改变负载数值时操作较为不便，因此对原配电系统进行了等效简化。除此之外，设置PHEV快速充电站，根据蓄电池快速充电电流曲线，建立对应的时变模型。本发明不考虑充电服务策略，功率管理及充电过程损耗等情况。

步骤(2)、设计仿真状态。

由于建立的预测模型精度受学习样本数量和结构影响较大，这就要求在建立训练数据集时要尽可能涵盖所有的运行情况，并且采集的样本数量不能过少，同时控制光伏系统出力恒定，进行模拟运行并采集公共耦合点处的相关电气量数据。

考虑光伏微网系统在运行过程中遇见的状况，仿真出多种运行状态，包括：在不同负载情况下系统并网或孤岛运行、接入PHEV进行快速充电时系统并网或孤岛运行、大容量负载的接入与接出、白噪声干扰、模拟系统产生各种相间短路和对地短路故障。其中，针对不同负载情况，当系统处于功率匹配状态附近时，负载变化步长减小，提高采样精度，共计采集502个仿真样本。

步骤(3)、采集运行数据。

由步骤(2)中确定的多种状态对模型进行仿真运行，采集公共耦合点处相关电气特征量的数值，采集的相关电气特征量包括：电压幅值u、电压变化率du/dt、频率f、频率变化率df/dt、有功功率P、有功功率变化率dP/dt、无功功率Q、无功功率变化率dQ/dt。

以上电气特征量需要实时同步进行测量或计算，根据国家标准可知防孤岛动作时间不大于2s，极端情况下的最大分闸时间不大于0.2s，同时为了避免系统暂态扰动对数据值的影响，各电气量取值为5个连续周期内的均值。

将测量得到的不同状态下的仿真数据样本集按照3∶1比例随机分为两部分，数据较多的部分整合成为训练样本集，用于预测模型的生成；数据较少的部分整合成为测试样本集，用于检测预测模型的分类准确率。

步骤(4)、训练模型，如图3所示，流程如下：

步骤(41)、初始化XGBoost分类回归树集成模型；

XGBoost由多个分类回归树(Classification And Regression Tree，CART)集成，从最开始建立一棵树(弱分类器)，然后进行迭代，每次迭代过程中都加入一棵树，最终得到多棵树模型集成的强分类器。

设D＝{(x_i，y_i)}(|D|＝n，x_i∈R，y_i∈R)为一个含有n个样本，每个样本有m个特征的数据集。对XGBoost而言，每个叶子节点上都会得到一个预测分数，即叶子权重。它就是所有在这个叶子节点上的样本在这一棵树上的取值，用f_k(x_i)表示。其中f_k表示第k棵决策树，x_i表示样本i对应的特征向量。假设集成模型中共有K棵决策树，则样本i经模型得到的最终预测结果为：

XGBoost算法主要由目标函数设计、最佳树结构搜寻、最佳分支搜寻三个部分构成。

A、目标函数

在统计学习算法当中，损失函数通常用于衡量模型的泛化能力，即模型在未知数据上的预测的准确与否。常见的损失函数，如错误率、均方误差等，仅能够衡量模型的预测准确度，无法对模型的复杂度进行评价，在数据量过大或含有特殊样本时可能会导致运算时间过长以及过拟合等情况出现。XGBoost通过引入了模型复杂度来衡量算法的运算效率，实现了模型表现和运算速度的平衡，其目标函数表示如下：

式中，i代表数据集中的第i个样本；m表示导入第k个树的数据总量；K表示所建立的树的总量。

目标函数中的第一项为损失函数，衡量真实值与预测值之间的差异，通常采用logistic函数。第二项代表模型的复杂度，用于防止过拟合情况出现，其值越小则复杂度越低，泛化能力越强。每一棵树的迭代过程中，在实现L(φ)最小化来获取

最优值的同时，降低模型的错误率和复杂度。

对目标函数进行求解的目的是为了求得某次迭代中最优的树，而XGBoost算法的思想是每次迭代形成的新决策树都会叠加到之前形成的模型中，因此目标函数中的第一项损失函数与已经建立好的所有树结构均具有一定的相关性，相关公式如下：

目标函数的第二项树的复杂度则是由叶子数目与正则项相加而得，其公式为：

式中：T表示叶子节点的个数，ω_j表示各个叶子节点的分数，γ和λ分别为控制叶子节点个数和分数的系数。

B、寻找最佳树结构

传统的GBDT在求解目标函数的过程中只运用了一阶导数的信息，而XGBoost对损失函数进行二阶泰勒展开，使得求解的精度更高。

当进行第t次迭代时，由于前面已经产生t-1棵树，此时加入的决策树为f_t，式(2)可改写为：

其一阶导数和二阶导数分别为：

将目标函数在

处进行二阶泰勒级数展开，并忽略三阶及以上高次项，同时略去常数项

后得：

定义I_j＝{i|q(x_i)＝j}作为叶子节点j的实例集，同时定义

则式(8)可改写为：

式中，ω_j表示叶子节点j的分数，令上式导函数为零，求得最优预测分数为：

回代可得对应的最小目标函数为：

式(11)是一个评价树结构优劣的函数，L值越小代表树结构越好。算法通过构造不同的树结构，根据L值进行最优解的筛选。

C、寻找最佳分支

XGBoost作为树的集成模型，求解过程通常采用决策树计算中最常用的贪婪算法进行计算。当每一片叶子都是最优，则生成的树的整体结构也是最优，这样就可以避免枚举所有可能的树结构，从而简化过程。

为了获取最优分割，通过计算分裂后的值减去分裂前的值，从而得到增益。定义I_L和I_R分别为划分后左右叶子节点的集合，即I＝I_L∪I_R，则增益公式如下：

寻找最佳分支的过程如下：

①利用目标函数定义结构的优劣；

②计算分支前后的信息熵之差；

③选择增益最大的特征分支点进行分支；

④当增益小于某个阈值时，树停止生长。

综上，由最优分支确定出最佳树结构，从而生成一棵决策树，进行多次迭代后最终形成有多个树模型组成的强分类器，即最终模型。

步骤(5)、模型检验与结果分析：将步骤(3)中采集的相关电气特征量测试样本集输入已建立的模型中，通过模型输出的正负类别来判断含PHEV光伏微网系统是否处于孤岛运行状态，对生成的模型进行检验及分析。

为了使得模型能够达到较好的预期效果，并且防止出现过拟合等情况，需要对算法相关参数进行调试。除此之外，再与其他常见的分类算法进行对比，以验证本发明所述算法的合理性与可行性。此次选取了决策树、支持向量机(SVM)、随机森林、AdaBoost、K近邻(KNN)及XGBoost共六种分类算法进行模型的建立，并对分类结果进行分析对比。

首先对各个算法相关参数进行调试，选用分类准确率最高的参数作为最终模型的设置参数，并记录其调试运行总时间和最终准确率，再利用二分类问题的评价指标对以上6种算法进行性能对比，分别计算它们的精确率P，召回率R以及二者的调和平均值F₁。除此之外，为了进一步对算法模型的性能进行分析，同时考虑到不同算法之间是否存在着预测互补性，因此将各个算法模型的误判样本的分布进行汇总。

通过对结果分析可知，决策树算法和SVM由于其原理简单，均在4s内就完成了参数调试和模型建立，但是对处于功率匹配运行状态和噪声扰动等特殊样本的处理能力较差，精确率、召回率以及二者的调和平均值均在93.5％左右；KNN算法调试时间为13.58s，其预测评价指标仅有90％；而随机森林算法和AdaBoost算法在特殊样本处理方面表现较好，其预测准确率也较高，达到了97％，但是参数寻优和算法运行速度较慢，用时分别为22.12s和115.79s。本发明所选取的XGBoost算法在进行多个参数调试的基础上，能够同时兼顾运行速度和预测准确率，仅用11.61s就完成参数调试和模型建立，同时其精确率P为100％，召回率R为94.7％，二者的调和平均值F₁为97.3％，具有较大的优势。

由结果可以看出本发明所用算法的预测效果较好，能较好地将PHEV快速充电情况准确归类为非孤岛运行状态。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(1)中仿真模型忽略充电服务策略，功率管理和充电过程损耗情况。

3.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(1)中仿真模型负载选取的是IEEE-33节点配电系统。

4.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(2)中仿真状态包括：在不同负载情况下系统并网或孤岛运行、接入PHEV进行快速充电时系统并网或孤岛运行、大容量负载的接入与接出、白噪声干扰、模拟系统产生各种相间短路和对地短路故障。

5.根据权利要求4所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(2)中，当系统处于功率匹配状态附近时，负载变化步长减小。

6.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(3)中采集的相关电气特征量包括：电压幅值u、电压变化率du/dt、频率f、频率变化率df/dt、有功功率P、有功功率变化率dP/dt、无功功率Q、无功功率变化率dQ/dt。

7.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(3)中采集的相关电气特征量的数值为5个连续周期内的均值。

8.根据权利要求1所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(4)中XGBoost算法流程如下：

步骤(41)、初始化XGBoost分类回归树集成模型；

9.根据权利要求8所述的一种基于XGBoost算法的含PHEV光伏微网孤岛检测法，其特征在于，所述步骤(42)中寻找最佳分支流程如下：

步骤(421)、利用目标函数定义结构的优劣；

步骤(422)、计算分支前后的信息熵之差，即增益；

步骤(423)、选择增益最大的特征分支点进行分支；

步骤(424)、当增益小于某个阈值时，树停止生长。