CN112821448B - 一种将深度学习应用于微电网孤岛检测方法 - Google Patents

Abstract

本发明公开了一种将深度学习应用于微电网孤岛检测方法。首先，根据孤岛发生时微电网并网点电压、频率发生变化，提出采用电压波形作为孤岛检测判定依据。其次，建立光伏电池阵列模型、建立储能系统等效模型、确定并网逆变器控制模式，在MATLAB软件上建立微电网模型，仿真出并网点电压波形。最后，建立了深度前馈网络模型，确定了激活函数、损失函数及优化算法，并搭建实验环境，分析实验结果，模型可以准确的检测出孤岛。

Description

一种将深度学习应用于微电网孤岛检测方法

技术领域

本发明涉及适用于微电网孤岛检测控制方法，属于微电网控制领域。

背景技术

光伏电源分布于用户周围，可以直接与大电网相连，具有环保、节能、易操作等优点。在光伏并网发电系统中、孤岛问题是指大电网断电时，光伏电源仍向负载供电，形成大电网系统无法控制的系统。非计划孤岛会导致输出电能质量不达标、造成负载损坏；造成电网设备损坏；导致用电设备漏电，给维修人员带来意外的伤害。而孤岛检测存在盲区，因此，孤岛检测的准确性成为一个基本问题。采用深度前馈网络的孤岛检测方法可以提高孤岛状态的准确性。

发明内容

发明目的

为解决上述问题。搭建微电网模型、在MATLAB平台下仿真了不同工况下并网点电压的波形。搭建了深度前馈网络模型，确定了激活函数和损失函数，实验验证孤岛检测准确率可达100％，具有应用价值。

技术方案

根据被动式孤岛检测方法存在检测盲区的特点。首先，根据孤岛发生时微电网并网点电压、频率发生变化，提出采用电压波形作为孤岛检测判定依据。其次，建立光伏电池阵列模型、建立储能系统等效模型、确定并网逆变器控制模式，在MATLAB软件上建立微电网模型，仿真出并网点电压波形。最后，建立了深度前馈网络模型，确定了激活函数、损失函数及优化算法，并搭建实验环境，分析实验结果，模型可以准确的检测出孤岛。

一种将深度学习应用于微电网孤岛检测方法所包含的步骤如下：

步骤1、孤岛检测基本原理分析

/>

式中，P_Load和Q_Load为负载消耗有功和无功，P_New和Q_New为光伏系统向负载输出有功和无功，P_Grid和Q_Grid为电网向负载提供有功和无功。ω为角速度，C为系统总电容，L为系统总电感，R为系统总电阻。V_PCC为公共耦合点的电压，可根据公共并网点的电压、频率扰动情况判断孤岛是否产生。

步骤2、光伏发电系统具有运行可靠、对环境污染少等特点。

步骤2-1、光伏电池阵列模型：

光伏电池阵列输出电流为：

式中，m_p为光伏阵列中电池单体的串联组数、m_s为并联组数；U_PV为光伏电池阵列输出电压，I_ph为电池单体的光生电流,I_d为通过二极管的电流；R_s和R_P分别为光伏电池的串联内阻、并联内阻；q为电子电荷，1.602×10^-19C；C为PN节发射系数；k为玻尔兹曼常数，1.38×10_- ²³J/K；T为热力学温度，单位K。

步骤2-2、控制器及并网逆变器模型建立：

逆变器通过阻抗为R+jωL的电抗器并入电网，电压方程为：

式中，u_a，u_b，u_c分别为三项交流电相电压的电压值；i_a,i_b,i_c分别为a，b，c三项交流电相电流的电流值；u_sa,u_sb,u_sb分别为逆变器通过阻抗为R+jωL的电抗器并入电网后三项电压值。

对上式做旋转变换，DC/AC逆变电路的数学模型可表示为:

公式进一步简化为

式中，P、Q分别为系统有功功率和无功功率的输出。

通过改变i_d的值改变系统的有功功率输出、改变i_q的值改变系统的无功功率输出。从而实现有功功率、无功功率的解耦控制。光伏阵列发出的功率由增量电导法来控制。当dP/dV＝0时，光伏发电输出在最大功率点。其中P＝VI，功率最大跟踪的目标推导成为min(I/V+dI/dV)，光电转换效率最大。

步骤3、储能系统在孤岛运行时，作为主电源执行V/F控制策略，在整个微电网运行中起到重要作用，直接影响微电网运行稳定性。

步骤3-1、储能系统等效模型：

锂电池模型以电压源和内阻形式建立。电池的电压为：

式中，E₀为电压常数项；K和A分别为电压线性项系数和指数项系数；Q为电池容量；B为指数系数；i_b为通过锂电池的电流。

电池组剩余电量为：

E₀为电压常数项；K和A分别为电压线性项系数和指数项系数；Q为电池容量；B为指数系数。

步骤3-2、储能系统并网逆变器控制策略：

储能系统并网逆变器功率控制模式，PWM整流器数学模型在同步旋转dq轴系下为：

式中，e_d、e_q分别为电动势矢量的d、q轴分量；V_d、V_q分别为电压矢量的d、q轴分量；i_d、i_q分别为电流矢量的d、q轴分量。

系统电流内环的设计为

三相功率在dq坐标下表达式为

储能系统并网逆变器电压控制模式，P-f和Q-U下垂特性为

式中，f_n、U_n为输出电压的额定频率和幅值；f、U为逆变器两端电压的频率和幅值；P_n、Q_n为输出额定有功功率和无功功率；k_p、k_q为下垂特性的斜率。

步骤4、通过MATLAB平台，在各单位建模基础上，搭建了微电网模型。

步骤5、孤岛数据提取、在MATLAB搭建的微电网模型上，仿真并网点电压的波形。仿真分以下两种情况：

(1)负载消耗功率与光伏输出相同，功率范围从75.5kW到125kW，每隔0.5kW进行一次仿真。共进行100组仿真。

(2)负载消耗功率与光伏输出不同，光伏输出选取100kW保持不变，负载功率范围75.5kW到125kW，每隔1kW做一次仿真，共进行50组仿真实验。仿真流程如下：

仿真开始，运行储能系统、大电网及负载；在1s时、光伏发电系统启动；在2s时、电容器组投入，3s时退出；在4s时、大电网系统退出，微电网运行在孤岛状态。

步骤6、搭建深度前馈网络模型，深度前馈神经网络是应用最为广泛的一种深度神经网络模型。

步骤6-1、深度前馈网络预测模型架构：

结构构建主要是确定隐含层的层数，因为含有多个隐含层，它的学习能力更强。目标h与输入变量x之间的关系为

h＝g(x,ω) (13)

第一层和第二层表达式为：

式中，h为输出变量目标，x为输入变量，g⁽¹⁾,h⁽¹⁾,b⁽¹⁾,g⁽²⁾,h⁽²⁾,b⁽²⁾为分别为第一层和第二层的偏执函数关系、目标函数及偏差值。

按照这种链式结构发展下去就是深层神经网络结构。前馈神经网络构建选取并网电压值作为模型的输入，预测的微电网状态作为输出。隐藏层个数为3个。

步骤6-2、激活函数选择：

激活函数选取ReLU函数，公式表达式为：

式中，x为输入。

步骤6-3、损失函数选择。

损失函数小表示模型效果越优。损失函数表达式如下：

式中，L(θ)是真实值与预测值的误差，θ是迭代求解的值，n是样本个数。选取softmax loss为损失函数，该函数具有效果显著且用于分类、计算简单等优点。

步骤6-4、超参数调整策略

超参数根据深度前馈网络不同而不同，我们需要根据搭建的深度学习模型选择最合适的超参数。

为得到合适的权重及各个参数，就需要优化算法来达到这个目的。Adam优化算法能通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果。

步骤6-5、Adam优化算法：

Adam优化算法通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果。

输入：步长ε；n个样本；指数衰减速率μ₁和μ₂并位于区间0到1间；常数ζ以及参数θ

输出：更新后的θ。

步骤6-5、Adam优化算法：

Adam优化算法通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果。

输入：步长ε；n个样本；指数衰减速率μ₁和μ₂并位于区间0到1间；常数ζ以及参数θ。

输出：更新后的θ。

(1)初始化一阶s＝0、二阶矩变量r＝0、时间步t＝0；

(2)循环到结束条件；

(3)取n个样本从训练集中，以及样本对应目标值；

(4)用下面公式计算梯度：

L(·)是真实值与预测值的误差，g为目标函数的梯度，/>

为参数θ的梯度；x^j、y^j为x，y方向的参量。

(5)t＝t+1；s＝μ₁s+(1-μ₁)g；r＝μ₂s+(1-μ₂)g；

(6)修正

以及/>

为s的偏置矫正；

(7)计算更新

Δθ更新参数θ的变量。

(8)应用更新θ＝θ+Δθ；

(9)条件结束。

步骤7、实验验证

通过使用pycharm与TensorFLow搭建基于深度前馈网络的孤岛检测模型，分别在并网运行、光伏启动、电容器投入与孤岛发生四种情况进行实验验证。

优点及效果

本发明的优点与积极效果如下：

(1)搭建微电网模型、并进行了仿真。提取了并网点电压的数据。

(2)本发明搭建了基于深度前馈网络的孤岛检测模型、并合理的选择了模型中的激活函数、损失函数和优化函数等。使用pycharm与TensorFLow搭建实验平台、对并网运行、光伏启动、电容器投入与孤岛发生四种情况进行实验验证，检测准确率已达100％

附图说明

图1微电网模型图

图2三隐层DFN网络的孤岛检测模型示意图

具体实施方式：

结合附图对本发明作详细描述。

本发明提出一种将深度学习应用于微电网孤岛检测方法，微电网模型如附图1，光伏系统模型确定了光伏阵列输出电流、电压的数学描述、及最大功率跟踪算法。储能系统包含等效模型及并网逆变器控制策略。微电网中的并网电压值作为前馈神经网络孤岛检测模型的输入。搭建了深度前馈网络模型，前馈神经网络孤岛检测模型主要确定隐含层数量，3隐层网络孤岛检测模型示意图如附图2所示、选取ReLU函数作为激活函数，选取softmaxloss为损失函数、选取Adam作为优化算法。进行实验验证表明，孤岛检测准确率可达100％。

一种将深度学习应用于微电网孤岛检测方法控制方法，步骤具体为：

步骤1、孤岛检测基本原理分析

式中，P_Load和Q_Load为负载消耗有功和无功，P_New和Q_New为光伏系统向负载输出有功和无功，P_Grid和Q_Grid为电网向负载提供有功和无功。V_PCC为公共耦合点的电压，可根据公共并网点的电压、频率扰动情况判断孤岛是否产生。

步骤2、光伏发电系统具有运行可靠、对环境污染少等特点。

步骤2-1、光伏电池阵列模型：

光伏电池阵列输出电流为：

式中，m_p为光伏阵列中电池单体的串联组数、m_s为并联组数；U_PV为光伏电池阵列输出电压，I_ph为电池单体的光生电流,I_d为通过二极管的电流.R_s和R_P分别为光伏电池的串联内阻、并联内阻。q为电子电荷，1.602×10^-19C；A为PN节发射系数；k为玻尔兹曼常数，1.38×10^-23J/K；T为热力学温度，单位K。

步骤2-2、控制器及并网逆变器模型建立：

逆变器通过阻抗为R+jωL的电抗器并入电网，电压方程为：

/>

对上式做旋转变换，DC/AC逆变电路的数学模型可表示为:

公式进一步简化为

通过改变i_d的值改变系统的有功功率输出、改变i_q的值改变系统的无功功率输出。从而实现有功功率、无功功率的解耦控制。光伏阵列发出的功率由增量电导法来控制。当dP/dV＝0时，光伏发电输出在最大功率点。其中P＝VI，功率最大跟踪的目标推导成为min(IV+dIdV)，光电转换效率最大。

步骤3、储能系统在孤岛运行时，作为主电源执行V/F控制策略，在整个微电网运行中起到重要作用，直接影响微电网运行稳定性。

步骤3-1、储能系统等效模型：

锂电池模型以电压源和内阻形式建立。电池的电压为：

电池组剩余电量为：

E₀为电压常数项；K和A分别为电压线性项系数和指数项系数；Q为电池容量；B为指数系数。

步骤3-2、储能系统并网逆变器控制策略：

储能系统并网逆变器功率控制模式，PWM整流器数学模型在同步旋转dq轴系下为：

系统电流内环的设计为

三相功率在dq坐标下表达式为

储能系统并网逆变器电压控制模式，P-f和Q-U下垂特性为

式中，f_n、U_n为输出电压的额定频率和幅值；P_n、Q_n为输出额定有功功率和无功功率；k_p、k_q为下垂特性的斜率。

步骤4、通过MATLAB平台，在各单位建模基础上，搭建了微电网模型。

步骤5、孤岛数据提取、在MATLAB搭建的微电网模型上，仿真并网点电压的波形。仿真分以下两种情况：

(1)负载消耗功率与光伏输出相同，功率范围从75.5kW到125kW，每隔0.5kW进行一次仿真。共进行100组仿真。

(2)负载消耗功率与光伏输出不同，光伏输出选取100kW保持不变，负载功率范围75.5kW到125kW，每隔1kW做一次仿真，共进行50组仿真实验。仿真流程如下：

仿真开始，运行储能系统、大电网及负载；在1s时、光伏发电系统启动；在2s时、电容器组投入，3s时退出；在4s时、大电网系统退出，微电网运行在孤岛状态。

步骤6、搭建深度前馈网络模型，深度前馈神经网络是应用最为广泛的一种深度神经网络模型。

步骤6-1、深度前馈网络预测模型架构：

结构构建主要是确定隐含层的层数，因为含有多个隐含层，它的学习能力更强。目标h与输入变量x之间的关系为

h＝g(x,ω) (13)

第一层和第二层表达式为：

式中、h为输出变量目标，x为输入变量。按照这种链式结构发展下去就是深层神经网络结构。前馈神经网络构建选取并网电压值作为模型的输入，预测的微电网状态作为输出。隐藏层个数为3个。

步骤6-2、激活函数选择：

激活函数选取ReLU函数，公式表达式为：

式中，x为输入。

步骤6-3、损失函数选择

损失函数小表示模型效果越优。损失函数表达式如下：

式中，L(θ)是真实值与预测值的误差，θ是迭代求解的值，n是样本个数。选取softmax loss为损失函数，该函数具有效果显著且用于分类、计算简单等优点。

步骤6-4、超参数调整策略

超参数根据深度前馈网络不同而不同，我们需要根据搭建的深度学习模型选择最合适的超参数。

为得到合适的权重及各个参数，就需要优化算法来达到这个目的。Adam优化算法能通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果。

步骤6-5、Adam优化算法：

Adam优化算法通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果。

输入：步长ε；n个样本；指数衰减速率μ₁和μ₂并位于区间0到1间；常数ζ以及参数θ

输出：更新后的θ。

(1)初始化一阶s＝0、二阶矩变量r＝0、时间步t＝0；

(2)循环到结束条件；

(3)取n个样本从训练集中，以及样本对应目标值。

(4)用下面公式计算梯度：

(5)t＝t+1；s＝μ₁s+(1-μ₁)g；r＝μ₂s+(1-μ₂)g

(6)修正

以及/>

(7)计算更新

(8)应用更新θ＝θ+Δθ

(9)条件结束。

步骤7、实验环境确定，数据计算工具库选择TensorFlow,Python IDE选择PyCharm。因深度学习算法结构较为复杂、使用者调用相应的函数时需要可以通过调用语言直接从数据库中获取计算公式，TensorFlow为从事深度学习的科研人员带来便捷。对比于传统的Python,PyCharm使用更为简洁。使用者可以利用PyCharm方便的编写深度学习算法。

步骤8、实验分为两种，第一种实验将仿真数据分为并网运行、光伏启动、电容器投入与孤岛发生四种情况，并网点电压采样周期为5×10^-5s,10个半波为一组数据，仿真150次得到150组数据。前100种情况用来训练，后50种情况用来测试模型准确性。第二种实验将并网运行、光伏启动、电容器投入这三种工况归为一种情况、，孤岛运行归为另一种情况。设置深度前馈网络各个超参数，参数值可能随实验进行变化。

步骤9、实验结果分析，当分为并网运行、光伏启动、电容器投入与孤岛四种工况时，模型准确率达不到100％；当分为孤岛和非孤岛两种情况时，实验结果表明：当模型内部结构为隐含层三层，每层神经元个数为700,300,100，采样周期为50μs，模型在75ms内检测出孤岛，理论上准确率100％；模型内部结构为隐含层五层，每层神经元个数为2000，1000，500,200,200，采样周期为100μs，模型在120ms内检测出孤岛，理论上准确率100％。

Claims (1)

1.一种将深度学习应用于微电网孤岛检测方法，其特征在于，包括的步骤为：

步骤1、孤岛检测基本原理分析；

式中，P_Load和Q_Load为负载消耗有功和无功，P_New和Q_New为光伏系统向负载输出有功和无功，P_Grid和Q_Grid为电网向负载提供有功和无功；ω为角速度，C为系统总电容，L为系统总电感，R为系统总电阻；V_PCC为公共耦合点的电压，可根据公共并网点的电压、频率扰动情况判断孤岛是否产生；

步骤2、光伏发电系统具有运行可靠、对环境污染少；

步骤2-1、光伏电池阵列模型：

光伏电池阵列输出电流为：

式中，m_p为光伏阵列中电池单体的串联组数、m_s为并联组数；U_PV为光伏电池阵列输出电压，I_ph为电池单体的光生电流,I_d为通过二极管的电流，R_s和R_P分别为光伏电池的串联内阻、并联内阻，q为电子电荷，1.602×10^-19C，l₁为PN节发射系数，k为玻尔兹曼常数，1.38×10^{- 23}J/K，T为热力学温度，单位K；

步骤2-2、控制器及并网逆变器模型建立：

逆变器通过阻抗为R+jωL的电抗器并入电网，电压方程为：

式中，u_a，u_b，u_c分别为三相交流电相电压的电压值；i_a,i_b,i_c分别为a，b，c三相交流电相电流的电流值；u_sa,u_sb,u_sb分别为逆变器通过阻抗为R+jωL的电抗器并入电网后三相电压值；

对上式做旋转变换，DC/AC逆变电路在dq坐标系下的数学模型可表示为:

式中，u_sd,u_sq分别为DC/AC逆变电路在dq坐标系下电压值；i_d、i_q分别为电流矢量的d、q轴分量；u_d、u_q分别为逆变器通过阻抗为R+jωL的电抗器并入电网后d、q轴电压值；

公式进一步简化为：

式中，P、Q分别为系统有功功率和无功功率的输出；

通过改变i_d的值改变系统的有功功率输出、改变i_q的值改变系统的无功功率输出；从而实现有功功率、无功功率的解耦控制；光伏阵列发出的功率由增量电导法来控制；当dP/dV＝0时，光伏发电输出在最大功率点；其中P＝UI，功率最大跟踪的目标推导成为min(I/V+dI/dV)，光电转换效率最大；

步骤3、储能系统在孤岛运行时，作为主电源执行V/F控制策略，在整个微电网运行中起到重要作用，直接影响微电网运行稳定性；

步骤3-1、储能系统等效模型：

锂电池模型以电压源和内阻形式建立；电池的电压为：

式中，E₀为电压常数项；K和A分别为电压线性项系数和指数项系数；E_ESS为电池容量；B为指数系数；i_b为通过锂电池的电流；

电池组剩余电量为：

式中，SOC为电池组剩余电量；

步骤3-2、储能系统并网逆变器控制策略：

储能系统并网逆变器功率控制模式，PWM整流器数学模型在同步旋转dq轴系下为：

式中，e_d、e_q分别为电动势矢量的d、q轴分量；V_d、V_q分别为逆变器交流侧电压矢量的d、q轴分量；i_d、i_q分别为电流矢量的d、q轴分量；

系统电流内环的设计为：

式中，

分别为逆变器交流侧电压d、q轴分量的参考值；K_dp、K_dp分别为电流内环比例、积分环节增益；/>

分别为d、q轴电流参考值；

三相功率在dq坐标下表达式为：

式中：i_d、i_q分别为电流矢量的d、q轴分量；u_d、u_q分别为逆变器通过阻抗为R+jωL的电抗器并入电网后d、q轴电压值；

储能系统并网逆变器电压控制模式，P-f和Q-U下垂特性为：

式中，f_n、U_n为输出电压的额定频率和幅值；f、U为逆变器两端电压的频率和幅值；P_n、Q_n为输出额定有功功率和无功功率；k_p、k_q为下垂特性的斜率；

步骤4、通过MATLAB平台，在各单位建模基础上，搭建了微电网模型；

步骤5、孤岛数据提取、在MATLAB搭建的微电网模型上，仿真并网点电压的波形；仿真分以下两种情况：

(1)负载消耗功率与光伏输出相同，功率范围从75.5kW到125kW，每隔0.5kW进行一次仿真；共进行100组仿真；

(2)负载消耗功率与光伏输出不同，光伏输出选取100kW保持不变，负载功率范围75.5kW到125kW，每隔1kW做一次仿真，共进行50组仿真实验；仿真流程如下：

仿真开始，运行储能系统、大电网及负载；在1s时，光伏发电系统启动；在2s时，电容器组投入；在3s时，电容器退出；在4s时，大电网系统退出，微电网运行在孤岛状态；

步骤6、搭建深度前馈网络模型，深度前馈神经网络是应用最为广泛的一种深度神经网络模型；

步骤6-1、深度前馈网络预测模型架构：

结构构建主要是确定隐含层的层数，因为含有多个隐含层，它的学习能力更强；目标h与输入变量x之间的关系为：

h＝g(x,β) (13)

式中，β为权重系数；

第一层和第二层表达式为：

式中，h为输出变量目标，x为输入变量，g⁽¹⁾,h⁽¹⁾,b⁽¹⁾分别为第一层的偏执函数关系、目标函数及偏差值，g⁽²⁾,h⁽²⁾,b⁽²⁾分别为第二层的偏执函数关系、目标函数及偏差值；

按照这种链式结构发展下去就是深层神经网络结构；前馈神经网络构建选取并网电压值作为模型的输入，预测的微电网状态作为输出；隐藏层个数为3个；

步骤6-2、激活函数选择：

激活函数选取ReLU函数，公式表达式为：

式中，x为输入；

步骤6-3、损失函数选择：

损失函数小表示模型效果越优；损失函数表达式如下：

式中，L(θ)是真实值与预测值的误差，hⁱ为真实值，h_θ(xⁱ)为预测值；θ是迭代求解的值，n是样本个数；选取softmax loss为损失函数，该函数具有效果显著且用于分类、计算简单的优点；

步骤6-4、超参数调整策略：

超参数根据深度前馈网络不同而不同，我们需要根据搭建的深度学习模型选择最合适的超参数；

为得到合适的权重及各个参数，就需要优化算法来达到这个目的；Adam优化算法能通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果；

步骤6-5、Adam优化算法：

Adam优化算法通过缩放学习率，动态改变学习率的大小，使模型具有更好的识别效果；

输入：步长ε；n个样本；指数衰减速率μ₁和μ₂并位于区间0到1间；常数ζ以及参数θ；

输出：更新后的θ；

(1)初始化一阶s＝0、二阶矩变量r＝0、时间步t＝0；

(2)循环到结束条件；

(3)取n个样本从训练集中，以及样本对应目标值；

(4)用下面公式计算梯度：

L(θ)是真实值与预测值的误差，g为目标函数的梯度，/>

为参数θ的梯度；x^j、y^j为x，y方向的参量；

(5)t＝t+1；s＝μ₁s+(1-μ₁)g；r＝μ₂s+(1-μ₂)g；

(6)修正

以及/>

为s的偏置矫正；/>

(7)计算更新

Δθ更新参数θ的变量；

(8)应用更新θ＝θ+Δθ；

(9)条件结束；

步骤7、实验验证；

通过使用pycharm与TensorFLow搭建基于深度前馈网络的孤岛检测模型，分别在并网运行、光伏启动、电容器投入与孤岛发生四种情况进行实验验证。

Images