CN113222067A - 基于SVM-Adaboost算法的孤岛智能检测方法 - Google Patents
基于SVM-Adaboost算法的孤岛智能检测方法 Download PDFInfo
- Publication number
- CN113222067A CN113222067A CN202110610020.0A CN202110610020A CN113222067A CN 113222067 A CN113222067 A CN 113222067A CN 202110610020 A CN202110610020 A CN 202110610020A CN 113222067 A CN113222067 A CN 113222067A
- Authority
- CN
- China
- Prior art keywords
- island
- svm
- algorithm
- characteristic
- database
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了属于电力系统分析技术领域的一种基于SVM‑Adaboost算法的孤岛智能检测方法，该检测方法包括以下步骤：1)依据光伏系统的历史数据搭建与实际相符的仿真平台，通过仿真平台采集在各种运行条件下的并网运行和孤岛运行的电气特征量，构建基本数据库；2)筛选适合作为判断系统运行状态的电气量构建特征电气量数据库，并按照比例分为训练数据库和检验数据库；3)利用智能算法形成分类识别模型，利用校验数据检验分类识别模型的准确率；(4)判断系统的运行状态。本发明将SVM算法和Adaboost算法结合到孤岛检测中，大幅提高结合算法得到识别模型的准确性。
Description
技术领域
本发明属于电力系统分析技术领域，特别涉及一种基于SVM-Adaboost算法的孤岛智能检测方法。
背景技术
大量光伏发电机组的接入并网带来了一系列安全运行问题。其中，光伏机组出现非计划孤岛运行时会对运行设备和维护人员的安全造成极大的损害，因此，可靠识别出光伏机组的非计划孤岛运行显得尤为重要。
目前，孤岛检测主要有两种方案，分别为通信式孤岛检测法和本地式孤岛检测法。通信式孤岛检测法借助通信手段实时监测系统关键设备或开关器件的投/切、开/合状态实现状态识别。由于系统结构较为复杂，无法简单的根据开关的开合状态准确分辨出系统的运行状态，同时也因为成本较高，通信式孤岛检测法难以大规模应用。本地式孤岛检测法又可分为被动式和主动式孤岛检测法。被动法的基本思路是依据孤岛前后特征电气量的变化识别系统的运行状态，根据特征电气量的不同，可分为过/欠电压法，过/欠频率法，谐波阻抗法等。被动法实现简单，无需额外安装设备，但当系统出力与负载近似相同时，孤岛前后电气量变化不明显，存在检测盲区的问题。主动法通过向系统主动注入扰动信号，并监测由扰动信号引起的特征量的变化，实现对系统运行状态的识别。主动法可分为阻抗测量法、主动频移法、功率扰动法等。由于主动注入扰动打破了功率的平衡，所以主动法理论上不存在检测盲区，但扰动信号的注入可能会对系统的电能质量产生较大影响。
孤岛检测问题是一种二分类问题，所以近年来，有文献提出借由深度学习、智能算法等方法识别孤岛的发生。该类方法利用先进的数据挖掘技术对数据分类处理，通过对数据自动寻优，结合系统自动控制，实现对系统状态的识别。目前已有的基于Adabost算法在迭代过程中会出现一定的权重错误更新问题，且单独的智能算法生成的模型精度有限，因此希望有一种结合多种智能算法的孤岛检测法可以克服或至少减轻现有技术的上述缺陷。
发明内容
本发明的目的是提出一种基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，包括以下步骤：
步骤(1)依据光伏系统的历史数据搭建与实际相符的仿真系统，通过仿真系统采集在各种运行条件下的并网运行和孤岛运行的电气特征量，构建基本数据库；
步骤(2)筛选适合作为判断系统运行状态的电气量并对相应电气量预处理，构建特征电气量数据库，并按照比例分为训练数据库和检验数据库；
步骤(3)带入训练数据训练SVM-Adaboost算法形成分类识别模型，利用校验数据检验分类识别模型的准确率；
步骤(4)采集实际系统的特征电气量，带入得到的分类识别模型，判断系统的运行状态。
所述步骤(1)中搭建符合实际的仿真系统，通过仿真系统得到各种条件下并网运行和孤岛运行的电气量，为了保证原始数据库的全面，收集数据包括并网运行时有功功率波动、无功功率波动、负荷波动以及孤岛运行下的有功功率波动、无功功率波动、负荷波动、不同检测策略下的数据。
所述步骤(2)筛选适用于判断系统运行状态的特征电气量：该特征电气量为：电压幅值变化情况、电压变化率的变化情况、频率变化情况、频率变化率的变化情况、PCC处电压与电流相角的变化情况、有功功率变化情况、有功功率变化率的变化情况、无功功率变化情况和无功功率变化率的变化情况共计9种；这9种特征电气量在孤岛前后能发生较为明显的变化，适合作为训练算法的特征量。
所述步骤(2)对采集的特征电气量预处理，处理方法为：取采集点前0.2s内的平均值作为值，取采集点前后各0.2s的平均值之商作为变化率的值，以避免干扰造成的错误对数据造成的影响，对预处理后的特征量数据库按3：1的比例分为训练数据库和校验数据库。
所述步骤(3)利用参数可变的SVM算法通过训练数据训练得到弱分类器；并在得到由SVM训练出的弱分类器后依据Adaboost算法重新更改训练特征量的权重，具体方式为：提高在上一轮中被错误分类的权重，相应降低正确分类的权重，以加强对误分类数据的关注。
所述步骤(3)中每轮迭代带入SVM算法的参数由Adaboost算法依据迭代轮数计算得出。
所述步骤(3)依据Adaboost算法规则将SVM训练得到的弱分类器按照各自权重占比相乘后相加得到最终的分类识别模型。
所述步骤(4)实时采集并计算光伏并网发电系统当前的各特征电气量，应用训练的分类识别模型对系统当前的运行状态进行分类；分类模型将输出一个表示系统当前运行状态的代码，判断系统是否是处于孤岛运行状态。
所述利用校验数据检验分类识别模型的准确率；
(1)使用过/欠电压法检测的几个典型情况，在负荷完全匹配的情况下，电压在孤岛前后变化较小，传统被动法无法判断出孤岛的发生，集成算法得到的强分类器不仅依靠两种算法的优势而且利用多种电气量作为特征量，可以准确判断出孤岛的发生；
(2)对主动式孤岛检测系统，使用Q-f反馈法检测系统运行状态，在孤岛发生后，虽然主动法通过注入扰动改变功率，但在孤岛发生后的0.2s的短时间内，频率不会越限，因此主动法无法在短时间内正确判断出完全匹配下的孤岛情况，同时扰动的注入还会影响电能质量，但集成算法得到的强分类器则可以准确迅速地判断出系统的孤岛情况。
，具有如下特点：
(1)使用多种电气量作为特征电气量，在孤岛检测盲区中不易出现交叉的情况，准确度高；
(2)在被动式的孤岛检测的基础上结合SVM-Adaboost智能算法，并未向系统注入额外扰动，对系统电能质量没有干扰；
(3)同时使用SVM算法和Adaboost算法，结合两种算法的优势，改善了单独算法在孤岛检测中出现的权重更新错误导致识别模型不准确的问题；
(4)利用智能算法作为孤岛检测的方法，无需人为整定阈值，避免了人为因素的干扰，最大限度的缩小哥哥特征量的阈值区间；
(5)对采集的特征电气量预处理，能大幅减少无序扰动，噪音对检测结果的影响。，
附图说明
图1为基于SVM-Adaboost算法的孤岛智能检测测流程图。
图2为光伏发电系统并网运行结构示意图。
图3为孤岛检测示意图。
图4为被动法典型场景仿真图，其中，(a)为系统出力与负载完全匹配时的检测结果；(b)为用本文训练完成后的强分类器的识别信号；(c)和(d)为负载有功变为90％时的实时波形和强分类器识别信号示意图。
图5为主动法典型场景仿真图；其中，(a)为系统出力与负载完全匹配时主动法检测结果，(b)为用训练完成后的强分类器的识别信号；(c)为负载有功变为90％时的实时波形，(d)为强分类器识别信号示意图。
图6为本发明算法与原始算法识别结果比较。
具体实施方式
本发明提出一种基于SVM-Adaboost算法的孤岛智能检测方法，下面将结合实施例和附图，对本发明进行更加详细的描述。
图1所示为基于SVM-Adaboost算法的孤岛智能检测测流程图。包括以下步骤：
步骤(1)依据光伏系统的历史数据搭建与实际相符的仿真系统，通过仿真系统采集在各种运行条件下的并网运行和孤岛运行的电气特征量，构建基本数据库；
步骤(2)筛选适合作为判断系统运行状态的电气量并对相应电气量预处理，构建特征电气量数据库，并按照比例分为训练数据库和检验数据库；
步骤(3)带入训练数据训练SVM-Adaboost算法形成分类识别模型，利用校验数据检验分类识别模型的准确率；
步骤(4)采集实际系统的特征电气量，带入得到的分类识别模型，判断系统的运行状态。
图2所示为光伏发电系统并网运行结构示意图。图中，由1-n个光伏系统并联组成多机并联系统；光伏并网发电系统由多机并联系统、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，此时光伏系统会与本地负荷形成孤岛。
本发明提出的基于SVM-Adaboost算法的孤岛智能检测方法，其仿真数据来源于依据图1在MATLAB/SIMULINK中搭建的仿真模型，其中考虑到光伏系统中存在多种孤岛保护策略，因此本发明在实际中可能会与其他孤岛保护策略相配合使用，所以仿真中被动法以过欠电压法为代表，主动法以无功-频率反馈法为代表。采集仿真系统在有功/无功功率波动、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为被动/主动式孤岛检测法分为两类，对采集的数据预处理，取采集时刻前0.2s平均值为取样值，前后0.2s平均值之商为变化率取样值。将预处理后的数据按3：1的比例随机分成两个部分，一部分作为学习样本，通过这些数据利用SVM-Adaboost算法生成分类识别模型。另一部分作为测试样本，用来对生成的分类识别模型进行检测。
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。本发明在筛选后选择电压幅值变化情况、电压变化率的变化情况、频率变化情况、频率变化率的变化情况、PCC处电压与电流相角的变化情况、有功功率变化情况、有功功率变化率的变化情况、无功功率变化情况、无功功率变化率的变化情况共计9中电气量作为特征量。
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(xij,yi)(i＝1,2,…,N；j＝1,2,…,K)的数据组，其中xij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)。yi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，yi＝1表示非孤岛运行，yi＝-1表示孤岛运行。
使用得到的数据组通过SVM-Adaboost算法生成分类模型的方法如下：
(1)SVM算法原理
SVM算法是一种基于统计学习理论的小样本预测和分类的机器学习方法。SVM算法根据结构风险最小化理论开发，具有优良的泛化能力。SVM目的是通过算法得到可以将目标区域二分类的超平面，假设最终超平面表达式为：
f(x)＝<w,x>+b (1)
其中w为目标区域的权重向量，b为函数的偏置量。w和b的值可以通过以下的优化问题解得：
其中ζi是松弛变量，C为惩罚因子，xi为第i个训练数据，yi为第i个训练数据对应得标签(二分类问题中以1和-1代表)。引入Lagrange函数：
式中αi为Lagrange乘子。
根据KKT最优条件，以L(w，b，ζ，α)分别对w，b，ζ，α求偏导，并令偏导为0即可求出优化问题得最优解。最终可以得到分类决策函数：
式中K(xi,x)为核函数，作用是将原样本映射到高维特征空间，以求解得最优的线性分类超平面。由于RBF(radial basis function)函数相较于其他核函数参数更少、优化效果更好，因此本文也使用RBF函数最为核函数，其表达式为：
式中σ为核函数参数。从SVM原理中可以看出σ是影响分类的参数。
(2)Adaboost算法原理
i)数据权重初始化
第一轮迭代前对原始数据集赋予初始权重：
其中w1i为第1轮迭代中第i个原始数据对应权重，N为数据总数。
ii)第m轮弱分类器形成
根据原始数据权重Dm形成本轮弱分类器Gm(x)。计算弱分类器分类的误差率
按照分类误差率的大小决定弱分类器在最终强分类器中系数占比：
iii)原始数据权重更新
依据第m轮迭代产生的弱分类器Gm(x)和数据权重Dm更新第m+1轮原始数据权重分布：
iiii)强分类器形成
最终强分类器表示为：
式中M为迭代次数
(3)SVM-Adaboost算法的集成
两种算法的集成步骤如下：
i)初始化样本权重，每个样本权重相同，如式(6)；
ii)第m轮迭代时，采用SVM训练数据，代入SVM算法的参数为：
得到第m轮弱分类器Dm(x)；
iii)根据m轮迭代结果算出分类误差率和弱分类器的权重占比；
iiii)按照式(9)更新原始数据权重；
iiiii)依据式(11)得到强分类器。
只要每轮迭代中SVM产生的弱分类器精度比原分类器精度高，那么集成后的算法准确度就会高于原始算法，原分类器仅为简单分类，不如SVM算法精确，同时通过改变σ值可以得到不同的弱分类器，因此集成算法能实现SVM算法和Adaboost算法的优势。
由于初始参数σ对SVM的分类精度有影响，为了保证在每轮迭代中有较小的分类误差，需要预先给定参数σ0和σlim。设置的原则是代入σ0后其分类误差小于原二分类器的分类误差。对于σlim设置原则为代入该参数后分类精度近似等于原分类器分类器误差。
图3是适用于并网光伏发电系统的基于SVM-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并网光伏发电系统的基于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)中生成的分类模型对系统运行状态进行分类。
(1)使用过/欠电压法检测的几个典型情况(如图4所示)，孤岛发生于0.5s。图4中(a)为系统出力与负载完全匹配时的检测结果，虚线为过/欠电压法的阈值，
图4中(b)为用本文训练完成后的强分类器的识别信号，其中0为正常运行信号，1为孤岛运行信号。可以看出，在负荷完全匹配的情况下，电压在孤岛前后变化较小，传统被动法无法判断出孤岛的发生，集成算法得到的强分类器不仅依靠两种算法的优势而且利用多种电气量作为特征量，可以准确判断出孤岛的发生。
图4中c)为负载有功变为90％时的实时波形示意图，和(d)强分类器识别信号示意图，由于负荷相对于PV出力相差不大，电气量变化情况与完全匹配下类似，因此传统被动法依旧无法识别，而集成算法能正确识别。
(2)对主动式孤岛检测系统，同样以2机主动孤岛检测为例，反馈系数取502,于1s时发生孤岛说明，使用Q-f反馈法检测系统运行状态，检测结果如图5所示。图5中(a)为系统出力与负载完全匹配时主动法检测结果，图5中(b)为用训练完成后的强分类器的识别信号，其中0为正常运行信号，1为孤岛运行信号。孤岛发生后，虽然主动法通过注入扰动改变功率，但在孤岛发生后的较短时间内(0.2s)，频率不会越限，因此主动法无法在较短时间内正确判断出完全匹配下的孤岛情况，同时扰动的注入还会影响电能质量，但集成算法得到的强分类器则可以准确迅速地判断出系统的孤岛情况。
图5中(c)为负载有功变为90％时的实时波形、(d)强分类器识别信号示意图，集成算法依旧能正确识别。
(3)为了比较集成算法和原始算法的识别效果，将原始数据分别代入对应的智能算法中训练，将智能算法识别得到的结果列在图6中，由于集成算法结合了SVM算法泛化性和Adaboost算法加权性的优势，从图6中可以看出无论是被动式还是主动式数据的识别结果，集成算法相较于原始算法均有明显的优势。
因此，通过使用本发明的基于SVM-Adaboost算法的孤岛检测智能方法，明确了所需要的特征电气量，并对采集特征量预处理；该发明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SVM-Adaboost算法中，能够针对特定系统对SVM-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。
Claims (9)
1.一种基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，包括以下步骤：
步骤(1)依据光伏系统的历史数据搭建与实际相符的仿真系统，通过仿真系统采集在各种运行条件下的并网运行和孤岛运行的电气特征量，构建基本数据库；
步骤(2)筛选适合作为判断系统运行状态的电气量并对相应电气量预处理，构建特征电气量数据库，并按照比例分为训练数据库和检验数据库；
步骤(3)带入训练数据训练SVM-Adaboost算法形成分类识别模型，利用校验数据检验分类识别模型的准确率；
步骤(4)采集实际系统的特征电气量，带入得到的分类识别模型，判断系统的运行状态。
2.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(1)中搭建符合实际的仿真系统，通过仿真系统得到各种条件下并网运行和孤岛运行的电气量，为了保证原始数据库的全面，收集数据包括并网运行时有功功率波动、无功功率波动、负荷波动以及孤岛运行下的有功功率波动、无功功率波动、负荷波动、不同检测策略下的数据。
3.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(2)筛选适用于判断系统运行状态的特征电气量：该特征电气量为：电压幅值变化情况、电压变化率的变化情况、频率变化情况、频率变化率的变化情况、PCC处电压与电流相角的变化情况、有功功率变化情况、有功功率变化率的变化情况、无功功率变化情况和无功功率变化率的变化情况共计9种；这9种特征电气量在孤岛前后能发生较为明显的变化，适合作为训练算法的特征量。
4.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(2)对采集的特征电气量预处理，处理方法为：取采集点前0.2s内的平均值作为值，取采集点前后各0.2s的平均值之商作为变化率的值，以避免干扰造成的错误对数据造成的影响，对预处理后的特征量数据库按3：1的比例分为训练数据库和校验数据库。
5.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(3)利用参数可变的SVM算法通过训练数据训练得到弱分类器；并在得到由SVM训练出的弱分类器后依据Adaboost算法重新更改训练特征量的权重，具体方式为：提高在上一轮中被错误分类的权重，相应降低正确分类的权重，以加强对误分类数据的关注。
6.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(3)中每轮迭代带入SVM算法的参数由Adaboost算法依据迭代轮数计算得出。
7.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(3)依据Adaboost算法规则将SVM训练得到的弱分类器按照各自权重占比相乘后相加得到最终的分类识别模型。
8.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述步骤(4)实时采集并计算光伏并网发电系统当前的各特征电气量，应用训练的分类识别模型对系统当前的运行状态进行分类；分类模型将输出一个表示系统当前运行状态的代码，判断系统是否是处于孤岛运行状态。
9.根据权利要求1所述的基于SVM-Adaboost算法的孤岛智能检测方法，其特征在于，所述利用校验数据检验分类识别模型的准确率；包括：
(1)使用过/欠电压法检测的几个典型情况，在负荷完全匹配的情况下，电压在孤岛前后变化较小，传统被动法无法判断出孤岛的发生，集成算法得到的强分类器不仅依靠两种算法的优势而且利用多种电气量作为特征量，可以准确判断出孤岛的发生；
(2)对主动式孤岛检测系统，使用Q-f反馈法检测系统运行状态，在孤岛发生后，虽然主动法通过注入扰动改变功率，但在孤岛发生后的0.2s的短时间内，频率不会越限，因此主动法无法在短时间内正确判断出完全匹配下的孤岛情况，同时扰动的注入还会影响电能质量，但集成算法得到的强分类器则可以准确迅速地判断出系统的孤岛情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610020.0A CN113222067B (zh) | 2021-06-01 | 2021-06-01 | 基于SVM-Adaboost算法的孤岛智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610020.0A CN113222067B (zh) | 2021-06-01 | 2021-06-01 | 基于SVM-Adaboost算法的孤岛智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222067A true CN113222067A (zh) | 2021-08-06 |
| CN113222067B CN113222067B (zh) | 2024-05-24 |
Family
ID=77082449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610020.0A Active CN113222067B (zh) | 2021-06-01 | 2021-06-01 | 基于SVM-Adaboost算法的孤岛智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222067B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565058A (zh) * | 2022-03-16 | 2022-05-31 | 广东电网有限责任公司 | 一种孤岛检测模型训练方法、装置、设备和介质 |
| CN114705947A (zh) * | 2022-03-16 | 2022-07-05 | 广东电网有限责任公司 | 一种孤岛检测模型训练方法、装置、设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
| CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
| US20170132362A1 (en) * | 2015-11-09 | 2017-05-11 | Washington State University | Novel machine learning approach for the identification of genomic features associated with epigenetic control regions and transgenerational inheritance of epimutations |
| CN107153845A (zh) * | 2017-05-25 | 2017-09-12 | 华北电力大学 | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 |
| CN109165819A (zh) * | 2018-08-03 | 2019-01-08 | 国网山东省电力公司聊城供电公司 | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 |
| CN109861278A (zh) * | 2019-01-23 | 2019-06-07 | 华北电力大学 | 光伏发电系统的智能被动式孤岛检测方法 |
| CN111950588A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 |
-
2021
- 2021-06-01 CN CN202110610020.0A patent/CN113222067B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
| US20170132362A1 (en) * | 2015-11-09 | 2017-05-11 | Washington State University | Novel machine learning approach for the identification of genomic features associated with epigenetic control regions and transgenerational inheritance of epimutations |
| CN105759177A (zh) * | 2016-04-26 | 2016-07-13 | 浙江大学城市学院 | 一种基于分类多模型融合的分布式电网孤岛检测方法 |
| CN107153845A (zh) * | 2017-05-25 | 2017-09-12 | 华北电力大学 | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 |
| CN109165819A (zh) * | 2018-08-03 | 2019-01-08 | 国网山东省电力公司聊城供电公司 | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 |
| CN109861278A (zh) * | 2019-01-23 | 2019-06-07 | 华北电力大学 | 光伏发电系统的智能被动式孤岛检测方法 |
| CN111950588A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种基于改进Adaboost算法的分布式电源孤岛检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| BILJANA MATIC-CUKA: ""Islanding Detection for Inverter-Based Distributed Generation Using Support Vector Machine Method"", 《IEEE TRANSACTIONS ON SMART GRID》 * |
| 王同文;徐靖东;邵庆祝;谢民;俞斌;李雪冬;杨畅;: "光伏发电系统非计划孤岛问题的研究", 电力系统保护与控制, no. 05 * |
| 贾科: ""基于改进的Adaboost算法的光伏发电机组智能孤岛检测方法"", 《电网技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565058A (zh) * | 2022-03-16 | 2022-05-31 | 广东电网有限责任公司 | 一种孤岛检测模型训练方法、装置、设备和介质 |
| CN114705947A (zh) * | 2022-03-16 | 2022-07-05 | 广东电网有限责任公司 | 一种孤岛检测模型训练方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222067B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107271925B (zh) | 基于深度卷积网络的模块化五电平换流器故障定位方法 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
| CN109738776A (zh) | 基于lstm的风机变流器开路故障识别方法 | |
| CN110298485A (zh) | 基于改进深度随机森林算法的变桨系统故障预测方法 | |
| CN107171315B (zh) | 一种基于rptsvm的电力系统暂态稳定评估方法 | |
| CN113222067B (zh) | 基于SVM-Adaboost算法的孤岛智能检测方法 | |
| CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
| CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
| CN110082082B (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
| CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与系统 | |
| Patil et al. | Identification of power quality disturbance using neural network | |
| CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
| Du et al. | A hierarchical power system transient stability assessment method considering sample imbalance | |
| CN111160386B (zh) | 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法 | |
| CN118035909A (zh) | 一种基于经验模态分解的台区负荷异常态势协同检测方法 | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Anggriawan et al. | Detection and identification of voltage variation events based on artificial neural network | |
| Zhou et al. | Distribution network event detection with ensembles of bundle classifiers | |
| Zare et al. | Fault diagnosis in photovoltaic modules using a straightforward voltage-current characteristics evaluation | |
| Lahiouel et al. | Photovoltaic fault diagnosis algorithm using fuzzy logic controller based on calculating distortion ratio of values |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |