一种基于机器学习的自适应并网光伏系统的孤岛检测法的制作方法

本发明涉及电力系统分析技术领域，特别是涉及基于机器学习的自适应并网光伏系统的孤岛检测法。

背景技术：

太阳能光伏发电技术对于节约常规能源、保护环境、促进经济发展都有着极为重要的意义，近年来在国际上受到广泛重视并获得了飞速发展，目前我国光伏装机容量已居全球首位。光伏系统孤岛检测现在已经成为并网新能源系统保护关注的重点之一，国际能源机构(internationalenergyagency,iea)和《光伏发电系统接入配电网技术规定》(gb/t29319-2012)规定：光伏发电系统应该具备快速监测孤岛并且立即断开与电网连接的能力，防孤岛保护动作时间不大于2s。

目前，并网光伏发电系统的孤岛检测方法主要分为通信式、主动式和被动式三类。

通信式孤岛检测法利用信号发生装置发出特定检测信号或者检测系统开关状态判断系统运行状态来实现孤岛检测，需要建立较为完备的信号收发装置和信号传输通道等，成本较高，实现困难，目前并没有得到广泛的应用。

主动式孤岛检测法主要是向光伏逆变器的输出引入一定的扰动信号，孤岛运行后扰动信号通过放大并网点电气量的变化来判断孤岛。应用于多机并联并网系统时，由于控制策略的不同，主动法可能因为扰动信号相互抵消或者稀释导致孤岛检测失效，也可能因为扰动信号可能相互激励放大导致系统电能质量恶化。同时，考虑到与低电压穿越等系统保护的配合，扰动信号的强度和投入时间可能会受到限制，可能会导致孤岛检测的失败。

传统的被动式孤岛检测法是利用功率不匹配造成的并网点压幅值、频率、相位、谐波及其变化率的变化情况识别孤岛，这类方法实现简单，但在存在较大的检测死区。

传统的主动式孤岛检测法和被动式孤岛检测法，最终都是利用电压幅值、频率等特征量的异常变化来识别孤岛。然而，目前并没有明确的标准对他们的阈值进行限定，导致孤岛检测存在误动和拒动的情况。近年来提出的智能被动式孤岛检测法是利用多电气量特征共同识别孤岛，采用先进数据挖掘技术获取相应特征量，同时利用智能模式识别方法来检测孤岛。但是其生成的判断模型的精度有限，且其精度只是在特定样本下多次检验结果准确度的平均值，无法有效提升检测精度，因此其判断孤岛的可靠性值得怀疑。

因此希望有一种基于机器学习的自适应并网光伏系统的孤岛检测法可以克服或至少减轻现有技术的上述缺陷。

技术实现要素：

本发明的目的在于提供一种基于机器学习的自适应并网光伏系统的孤岛检测法。

本发明提供一种基于机器学习的自适应并网光伏系统的孤岛检测法，包括以下步骤：

步骤(1)采集光伏系统的历史运行数据和根据实际光伏系统所建模型的仿真数据，建立光伏系统在各种条件下并网运行和孤岛运行的三相电压和电流的基本数据库；

步骤(2)处理基本数据库中的三相电压和电流信号，选择并提取可判断光伏系统并网运行和孤岛运行两种状态的电气特征量，与运行状态组成特征量数据库；

步骤(3)利用adaboost算法分析特征量数据库，通过设定各电气特征量的阈值和判据，建立判断光伏系统孤岛运行和并网运行状态的二分类模型，并利用检验样本集检验二分类模型判断系统运行状态的准确率，如果二分类模型准确率低于95％，则重新选择电气特征量，直至生成二分类模型的大于或者等于95％；

步骤(4)采集系统当前运行状态下的步骤(2)的电气特征量输入步骤(3)生成的二分类模型，根据二分类模型输出的分类结果判断系统是否处于孤岛运行状态。

优选地，所述步骤(1)中的所述基本数据库含有并网运行和孤岛运行两类数据；并网运行数据包括不同有功功率匹配度、不同无功功率匹配度、负载不同程度突变和采用不同孤岛检测策略情形下的数据；孤岛运行数据包括采用不同孤岛检测策略、不同功率匹配度和不同运行参数条件下的孤岛检测成功和失败情形下的数据。

优选地，所述步骤(2)中的所述电气特征量包括从每一组电流和电压数据中计算出的所有电气特征量。

优选地，从所述每一组电气特征量中提取6个电气特征量和其系统的运行状态代码组成可被学习的特征量组；6个电气特征量包括：电压幅值变化情况、频率变化情况、频率变化率的变化情况、电压变化率的变化情况、有功功率变化率的变化情况和频率对有功变化率的变化情况；所有的所述特征量组构成特征量数据库，所述特征量数据库根据3:1的比例分成学习样本集和所述测试样本集，学习样本集用于智能算法学习以生成所述判断系统运行状态的二分类模型，所述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率。

优选地，所述步骤(3)中的adaboost算法利用所述学习样本集通过学习并组合分类精度低的弱分类模型构成一个复合的分类精度高的强分类模型，所述强分类模型根据弱分类模型的预测精度设定其在所述强分类模型中的权重，所述adaboost算法利用各个弱分类模型的分类能力，具有较强的适用性和较高的计算效率。

优选地，所述生成每一个弱分类模型过程中的学习样本集中不同组中同一个电气特征量权值是变化的，adaboost算法提高该弱分类模型在前一轮中错误分类样本的特征量的权值，加大其受到后一轮的所述弱分类模型的关注度以实现正确分类。

优选地，所述adaboost算法对各个弱分类模型组合成强分类模型的策略是采取加权表决的方法，分类精度越高的弱分类模型设定的权重越大，以确定每个所述弱分类模型在组合成所述强分类模型时的权重，所有弱分类模型的分类结果的加权之和即是最终的分类结果，可充分利用各个所述弱分类器的效能。

优选地，所述步骤(3)利用所述检验样本集检验所述二分类模型的准确率，如果所述二分类模型的准确率不符合预期，使用以下两种方法之一进行调节,方法一:增加所述弱分类模型的数量，利用更多的弱分类模型组合以提高模型的分类精确度；方法二：调整替换所选取的电气特征量类型，选用不同的电气特征量组合并检验模型的分类效能，选择最优的组合以取得最好的分类效能，用以上两种方法之一提高所述二分类模型的精度，直至获取的所述二分类模型准确率达到预期值。

优选地，所述步骤(4)将所述特征量组输入步骤(3)所生成的所述二分类模型，所述二分类模型输出表示系统当前运行状态的代码，通过代码判断系统是否处于孤岛运行状态。

本发明基于机器学习的自适应并网光伏系统的孤岛检测法具有以下有益效果：

(1)系统不需要扰动信号，对系统任何运行状态下的电能质量都无影响，适用于任何类型电源的分布式和集中式新能源系统的孤岛检测；

(2)用智能算法根据系统自身特性获取各电气量的阈值，避免了人工设定阈值区间(检测盲区)，最大限度的缩小了各个特征量的阈值区间；

(3)利用多个电气量同时判断系统运行状态，多个电气量之间的检测盲区不易交叉，理论上不存在孤岛检测死区；

(4)adaboost算法通过组合数个弱分类模型构成一个复合的强分类模型，可以调节迭代次数和提取的电气量以增加模型的分类精度。

附图说明

图1为光伏发电系统并网运行结构示意图。

图2为多机并联光伏发电系统结构示意图。

图3为统计学习算法逻辑示意图。

图4为第1类数据生成的预测模型对其他类数据的预测误差率结果图。

图5为第5类数据生成的预测模型对其他类数据的预测误差率结果图。

图6为多类数据生成的预测模型对其他类数据的预测误差率结果图。

图7为多类数据生成的预测模型对不同控制策略系统的预测误差率结果图。

图8为基于机器学习的自适应并网光伏系统的孤岛检测法的流程图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

适用于并网光伏发电系统的孤岛检测法，包括以下步骤：

步骤(1)采集光伏系统的历史运行数据和根据实际光伏系统所建模型的仿真数据，建立光伏系统在各种条件下并网运行和孤岛运行的三相电压和电流的基本数据库；

步骤(2)处理基本数据库中的三相电压和电流信号，选择并提取可判断光伏系统并网运行和孤岛运行两种状态的电气特征量，与运行状态组成特征量数据库；

步骤(3)利用adaboost算法分析特征量数据库，通过设定各电气特征量的阈值和判据，建立判断光伏系统孤岛运行和并网运行状态的二分类模型，并利用检验样本集检验二分类模型判断系统运行状态的准确率，如果二分类模型准确率低于95％，则重新选择电气特征量，直至生成二分类模型的大于或者等于95％；

步骤(4)采集系统当前运行状态下的步骤(2)的电气特征量输入步骤(3)生成的二分类模型，根据二分类模型输出的分类结果判断系统是否处于孤岛运行状态。

如图1所示，分布式发电并网系统结构由光伏系统、本地负荷和电网构成。分布式发电并网系统正常运行时，光伏系统和负荷与主网相连；分布式发电并网系统发生故障或扰动较大时，断路器动作，光伏系统与主网脱离，与就近负荷形成孤岛。

本发明提出的适用于并网光伏发电系统的基于adaboost算法的孤岛检测法，其仿真数据来源于依据图2在matlab/simulink中搭建的仿真模型。

如图2所示，在matlab中基于实际光伏系统搭建的多机并联光伏系统仿真模型，光伏发电系统可以由单机并联至多机，光伏系统分为采用被动式孤岛检测法和采用频率-无功反馈的主动式孤岛检测法两种情况。单个光伏系统输出功率为500kw，多机并联后经过两级升压并入220kv的大电网中，对不同的运行情况进行仿真和数据记录，建立仿真数据库，主要按照并联机组数量的不同和采用主动或被动式孤岛检测法的区别分别进行7大类的仿真：

1～4类仿真采用被动式孤岛检测策略的1至4个并网光伏系统在不同功率匹配度下，孤岛运行和并网运行时负荷消耗有功或无功功率跃变的情况。孤岛运行功率不匹配度：有功负载0.8ppv～1.2ppv，以0.02ppv为间隔进行取样；无功负载0.9qpv～1.06qpv，以0.01qpv为间隔进行取样；并网运行负载功率跃变：有功负载0.4ppv～1.6ppv，以0.1ppv为间隔进行取样；无功负载0.8qpv～1.2qpv，以0.05qpv为间隔进行取样。

5～7类仿真采用频率-无功反馈法的2至4个并网光伏系统在不同的反馈系数下，孤岛运行检测成功或失败的情况，反馈系数从5²到100²，取20组数据；在特定反馈系数下，非孤岛运行时负载消耗有功或无功功率跃变的情况：反馈系数分别取10²、50²和100²，有功或无功负载分别跃变至0.2～2倍，以0.2倍为间隔。

7类数据包含单机至多机各种可能出现的孤岛和非孤岛运行状况，包含被动式和主动式孤岛检测的死区和正常运行时系统的扰动。

对数据库中的7类数据中的电压和电流信号进行数学处理，对每组数据分别提取如步骤(2)所述的特征量作为输入的x1～x6。输出的类别设定为{1,0},1表示为孤岛运行，0表示为非孤岛运行。经过处理后的数据为输入是{x1～x6}、输出是{1,0}的可以被adaboost学习的新的7类特征量数据。

如图3所示，统计学习算法逻辑示意图，其中(xi,yi)i＝1,2,…,n为样本点，xi∈x是输入的观测值，即系统不同运行状态下获取的电气特征量，yi∈y是输出的观测值，即系统的孤岛/非孤岛运行状态。学习过程中，学习系统利用给定的包含有孤岛运行和非孤岛运行特征量的训练数据集，通过学习得到一个预测系统运行状态的模型。在预测过程中，以系统当前运行状态下的特征量为输入xn+1，利用生成的预测模型得相应的输出yn+1，即得出系统当前的运行状态。

adaboost算法是统计学习算法的一种，其生成预测模型的步骤如下：

(1)初始化训练数据的权值分布：

ω1i为第一轮迭代中第i组学习样本的权值，一般第一轮迭代是每组样本的初始权值为1/n，n为样本组的总数，同一组学习数据在不同轮次迭代中的权值可能不相同。

(2)对m＝1,2,…,m

(a)使用具有当前权值分布dm的训练数据集学习，得到基本分类器：

ym(x):x→{-1,+1}(2)

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，得出一个当前轮次的最优分类模型，即第m个弱分类模型。

(b)计算gm(x)在训练数据集上的分类误差率：

当前轮次中所有误分类的学习数据的权值之和即为当前轮次中所生成模型的分类误差率。

(c)计算gm(x)的系数(权值)：

根据当前轮次获得模型的分类误差率计算该弱分类模型在最终的强分类模型中的权重，分类误差率越小，权重越大。

(d)更新训练数据集的权值分布：

根据当前轮次中每组样本(xi)的分类正误决定下一轮次迭代时各组样本的权值，提高分类错误样本的权值，以使其在下一轮迭代中受到更大的关注，后一轮模型在设定阈值时会优先考虑这些高权重的样本，它们更大概率会被正确分类，并没有哪一个模型的阈值或者分类结果是完全正确的，他们的分类结果之和才是准确的，改变权值是为了充分学习每一个样本已获取不同的若分类模型，zm是规范化因子，为了保证权值之和为1。

(3)构建基本分类器的线性组合：

得到最终分类器：

y(x)＝sign(f(x))(7)

最终将m个弱分类器组合成一个强分类器，将系统运行状态下特征量输入后，每个弱分类器预测的结果乘以其权重即为该弱分类器的预测结果，所有弱分类器预测结果之和即为强分类器预测的结果。

图8是适用于并网光伏发电系统的基于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)中生成的特征量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.adaboost算法学习第1类特征量数据的情景

用adaboost算法学习第1类(单机被动法)特征量数据的学习样本集生成预测模型，模型迭代次数为20次(20个弱分类模型组成一个强分类模型)；用第1、4、5、7类(单/多机被动法、多机主动法)数据的测试样本集检验预测模型分类的准确性。由图4可知，第1类学习数据生成的预测模型对第1、4类测试数据的预测错误率在迭代5次(5个弱分类模型组成的强分类模型)之后即为0，该模型预测第5、7类测试数据的错误率将近50％。这说明利用adaboost算法学习采用被动式孤岛检测法的单机系统的运行数据集后生成的预测模型，可以准确的预测采用被动式孤岛检测法的单机和多机系统的运行情况，而预测采用主动式孤岛检测法的多机系统的运行情况时准确率很差。这是由于采用不同孤岛检测策略的系统，影响孤岛后电气量变化的因素不同，数据特性有明显差异。

2.adaboost算法学习第5类特征量数据的情景

用adaboost算法学习第5类(两机主动法)特征量数据的学习样本集生成预测模型，模型迭代次数为20次；用第1、3、6、7类(单/多机被动法、多机主动法)数据的测试样本集检验预测模型分类的准确性。由图5可知，第5类学习数据生成的预测模型对第1、3类测试数据的预测错误率超过50％，该模型对于第6、7类测试数据的预测错误率为0。这说明利用adaboost算法学习采用主动式孤岛检测法的多机系统的运行数据集生成的预测模型，预测采用被动式孤岛检测法的单机和多机系统运行情况的准确率很差，而可以准确预测采用主动式孤岛检测法的多机系统的运行情况。这同样是由于采用不同孤岛检测策略的系统，影响孤岛后电气量变化的因素不同，数据特性有明显差异。

3.用adaboost算法学习混合类特征量数据的情景

用adaboost算法学习第1、3、5、6类(单/多机被动法、多机主动法)特征量数据的学习样本集生成预测模型，模型迭代次数为20次；用第1、4、5、7类(单/多机被动法、多机主动法)数据的测试样本集检验预测模型分类的准确性。由图6可知，1、3、5、6类混合数据的学习样本集生成预测模型对于对第1、4类测试数据的预测错误率在迭代5次之后即为0，该模型对于对第5、7类测试数据的预测错误率在迭代5(10)次之后即为0(接近于0)。这说明利用adaboost算法学习多类混合数据集生成的预测模型，可以准确/高精度预测采用被动式/主动式孤岛检测法的单机和多机系统的运行情况。这是因为混合数据模糊了两种孤岛检测法的数据特征量的差异，提高了所生成模型的兼容性。同时，由于主动法的孤岛运行数据占的比例较小，生成模型时被动法和主动法并网运行数据起了更大的作用，因此生成的预测模型对于预测主动法的孤岛运行状态存在较小的误差。

4.用adaboost算法预测不同控制策略系统的情景

利用步骤(2)采集采用不同控制策略系统的单机被动式系统孤岛/非孤岛运行数据，利用1～7类的混合数据生成预测模型，预测其运行情况。由图7可知，在迭代4次以后，混合数据生成的预测模型对于预测采用不同控制策略的单机被动式系统的运行状态具有较好的准确率，约为96.15％。生成预测模型时没有加入新学习数据，这说明采用不同的控制策略，对于预测的准确度存在一定的影响。

因此，通过使用本发明的适用于并网光伏发电系统的基于adaboost算法的孤岛检测法，系统不存在扰动信号，对系统任何运行状态下的电能质量都无影响，适用于任何类型电源的分布式和集中式新能源系统的孤岛检测；用智能算法根据系统自身特性获取各电气量的阈值，避免了人工设定阈值区间(检测盲区)，最大限度的缩小了各个特征量的阈值区间，多个电气量之间的检测盲区不易交叉，在数据库完备时，理论上不存在孤岛检测死区，可以高精度的检测出系统的运行状态。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。