一种孤岛检测方法，尤其是一种基于小波神经网络与sms相结合的混合孤岛检测方法。
背景技术：
随着人类社会对电能需求的增大和电力工业技术的进步，分布式发电dg(distributedgeneration)技术在世界各国得到了广泛的关注和深入的研究。以光伏发电、风力发电等为代表的dg系统不仅清洁环保、能源可再生，而且与传统集中式发电相比，还具有投资小，发电方式灵活等特点。但大量分布式发电并网后.产生了一系列新的问题，孤岛效应就是严重的问题之一.因此孤岛检测是分布式发电并网的必要功能。孤岛现象发生后，孤岛效应发生后可能会引起电网频率和电压的变化，影响电能传输质量，严重时可能造成用电设备的损坏，同时也可能会危及电网线路维修人员的安全，因此，孤岛检测是分布式发电装置必须具备的一项功能。文献1发明专利《基于小波变换和神经网络并网逆变器孤岛检测方法》(公告号cn102611140b)，该发明选用2个电压、电流信号小波系数的绝对平均值，以及对应的差值作为特征向量但该方法由于仅考虑电流、电压信号2个尺度上的小波分解信息，并且2个差值本身不是独立变量，使得检测的成功率不高。文献2发明专利《基于引入粒子群算法及相位扰动的孤岛检测方法》(公告号cn104638671a)，该发明采用粒子群小波神经网络以及相位扰动两种方法相结合，但由于粒子群引入增加了计算的复杂以及检测的时间，尤其随着负载品质因数qf的增大，传统的sms相位扰动检测速度会减慢甚至会导致孤岛检测失败的缺陷。
技术实现要素：
为了解决上述技术问题，本发明提供一种基于小波神经网络与sms相结合的混合孤岛检测方法。
为了实现本发明的目的，本发明采用了以下技术方案：
一种基于小波神经网络与sms相结合的混合孤岛检测方法，其特征在于包括如下步骤：
步骤1，实时采集分布式并网发电系统公共耦合点的电压值upcc(i)，其中的i为采样次数；
步骤2，将采集的电压值upcc(i)进行如下处理：
将采集的公共耦合点电压值upcc(i)进行4尺度的小波变换，提取第i次采样的第j尺度的细节信号dj(i)，按
步骤3，通过bp神经网络对所述训练样本进行计算，获得分布式并网发电系统孤岛状态以及非孤岛状态下的模式识别能力；当bp神经网络判断系统与主电网断开时，即bp神经网络输出的结果为高电平，则实时采集分布式并网发电系统公共耦合点的频率fpcc信号；当神经网络判断系统与主电网连接时，即bp神经网络输出的结果为低电平，将相位扰动δθ置零并返回步骤1；
步骤4，先比较公共耦合点的频率fpcc和分布式并网发电系统的额定频率fn，当fpcc≥fn时，则设相位扰动
步骤5，先实时采集加入相位扰动δθ后的分布式并网发电系统公共耦合点的新的频率fpcc’信号，再判断新的频率fpcc’是否满足fmin≤fpcc’≤fmax，式中的fmin为公共耦合点电压的最小频率，fmax为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电系统的状态为孤岛状态。
进一步的，所述分布式并网发电系统为单相分布式并网发电系统或三相分布式并网发电系统或多台逆变器并联的分布式并网发电系统。
进一步的，所述的小波变换为离散小波变换，母小波为db4。
进一步的，所述r＝0.253。
进一步的，所述的神经网络为三层前馈bp神经网络。
进一步的，所述公共耦合点电压的最小频率fmin设定为49.5hz、最大频率fmax设定为50.5hz。
本发明的有益效果在于：
(1)本发明充分利用小波变换与bp神经网络对非平稳系统中信号的提取和辨识能力，提高了孤岛检测的可靠性。
(2)本发明将传统sms算法的正弦型相位偏移曲线修改为圆型相位偏移曲线，有效地解决了负载品质因数qf的过大，传统的相位扰动检测速度会减慢甚至会导致孤岛检测失败的缺陷，而本发明大大地提高了孤岛检测的可靠性。
(3)本发明可广泛地用于包括太阳能发电、风力发电等分布式能源单元的并网逆变器，以及应用于单相分布式并网发电系统、三相分布式并网发电系统和多台逆变器并联的分布式并网发电系统。本发明在保证孤岛识别率的前提下，大大降低了检测方法对分布式并网发电系统电能质量的影响。
附图说明
图1为本发明基本流程示意图。
图2为现有技术(文献2)中不同qf对应的θload与θsms随频率变化的曲线。
图3为本发明中不同qf对应的θload与θsms随频率变化的曲线。
图4为本发明在不同参数下改进的sms算法的检测盲区图。
图5为本发明在qf＝1时的仿真波形。
图6为本发明在qf＝2.5时的仿真波形。
具体实施方式
下面结合实施例对本发明技术方案做出更为具体的说明：
一种基于小波神经网络与sms相结合的混合孤岛检测方法，包括如下步骤：
步骤1，实时采集分布式并网发电系统在孤岛以及非孤岛状态下公共耦合点的电压值upcc(i)，其中的i为采样次数。
步骤2，将采集的电压值upcc(i)进行如下处理：
将采集的公共耦合点电压值upcc(i)进行4尺度的离散小波变换，提取第i次采样的第j尺度的细节信号dj(i)，按
daubechies小波系是由法国学者daubechies提出的一系列二进制小波的总称，在matlab中记为dbn，n为小波的序号，n值取2，3，…，10。
步骤3，通过神经网络对学习样本进行训练，获得分布式并网发电系统孤岛状态以及非孤岛状态下的模式识别能力；当神经网络判断系统与主电网断开时，即bp神经网络输出的结果为高电平，则实时采集分布式并网发电系统公共耦合点的频率fpcc信号；当神经网络判断系统与主电网连接时，即bp神经网络输出的结果为低电平，将相位扰动δθ置零并返回步骤1；
步骤4，先比较公共耦合点的频率fpcc和电网额定频率fn，当fpcc≥fn时，则设相位扰动
步骤5，先实时采集加入相位扰动δθ后的分布式并网发电系统公共耦合点的新的频率fpcc’信号，再判断新的频率fpcc’是否满足fmin≤fpcc’≤fmax，式中的fmin为公共耦合点电压的最小频率，fmax为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电系统的状态为孤岛状态。
本实施例中所述分布式并网发电系统为单相分布式并网发电系统，当然所述分布式并网发电系统也可以是三相分布式并网发电系统或多台逆变器并联的分布式并网发电系统。
通过比较传统sms算法和改进后的本发明的sms算法，在不同qf条件下对应的相位随频率变化的曲线，由图2、图3可知，本发明的sms算法在断网时刻g点处的斜率为无穷大，避免当qf不断增大时，θload与θsms两曲线的斜率在g点处的逐渐接近。当系统发生断网时，在微小的相位偏移下，会很快的从g点向新的工作点移动，从而使系统频率偏离允许范围而触发孤岛保护功能。所述θload是本地负载的相角，所述θsms为相位扰动的移相角。
由于参数r的取值对孤岛检测盲区以及检测速度有影响，如图4所示，半径r越大，对应的孤岛检测盲区越小，因此合理的选择r，能在保证快速无盲区的检测孤岛发生的前提下，减少r对相位扰动的影响，从而降低了对电网电能质量的影响。根据《光伏系统并网技术要求》规定，在满足条件下，能消除检测盲区，对应的情况最优。
经实际检验，当将本发明应用于不同类型品质因数负载时，本发明均具有极好的检测实时性和获得了极高的检测准确性。如：
当qf＝1.0时，参见图5，图中的第一组波形为公共耦合点电压波形，第二组波形为逆变器输出电流，第三组波形为并网开关信号，第四组波形为神经网络波形，第五组波形公共耦合点电压频率波形。由图5可见，神经网络输出一直为0，误判为非孤岛状态，经过一个电网电压周期后，滑膜频率偏移扰动加入系统，经过五个电压周期后，检测到电压频率的频率偏移量超出了阈值范围，孤岛保护动作。孤岛检测时间为0.08s，完全满足了国标gb/t19939-2005对孤岛检测时间的要求。
当qf＝2.5时，参见图6，图中的第一组波形为公共耦合点电压波形，第二组波形为逆变器输出电流，第三组波形为并网开关信号，第四组波形为神经网络波形，第五组波形公共耦合点电压频率波形。由图6可见，神经网络输出一直为0，误判为非孤岛状态，经过一个电网电压周期后，滑膜频率偏移扰动加入系统，经过五个电压周期后，检测到电压频率的频率偏移量超出了阈值范围，孤岛保护动作。孤岛检测时间为0.1s，完全满足了国标gb/t19939-2005对孤岛检测时间的要求。