一种基于机器学习的自适应并网光伏系统的孤岛检测法技术方案

本发明专利技术公开了一种基于机器学习的自适应并网光伏系统的孤岛检测法，所述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，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；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，判断系统是否处于孤岛运行状态。

An islanding detection method for adaptive grid connected photovoltaic system based on machine learning

The invention discloses a method for islanding detection based on machine learning adaptive grid connected photovoltaic system, the detection method comprises the following steps: (1) simulation data historical operating data acquisition of photovoltaic system and photovoltaic system according to the actual model, the basic database of three-phase voltage and current of PV system and grid connected operation the island under various conditions; (2) processing steps of three-phase voltage and current signals in the database, select and extract the electrical features, and operation status of feature database; step (3) using Adaboost algorithm analysis feature database, establish two to determine the classification model of photovoltaic system islanding and grid operation state the use of the test set and test two classification model to determine the accuracy rate of the running state of the system; step (4) acquisition system running under the current step A two classification model generated by an electrical characteristic quantity input step (3) to determine whether the system is in an isolated state of operation (2).

【技术实现步骤摘要】
一种基于机器学习的自适应并网光伏系统的孤岛检测法
本专利技术涉及电力系统分析
，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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
一种基于机器学习的自适应并网光伏系统的孤岛检测法，其特征在于，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准确率大于或等于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。

【技术特征摘要】
1.一种基于机器学习的自适应并网光伏系统的孤岛检测法，其特征在于，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准确率大于或等于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。2.如权利要求1所述的基于机器学习的自适应并网光伏系统的孤岛检测法，其特征在于：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。3.如权利要求1所述的基于机器学习的自适应并网光伏系统的孤岛检测法，其特征在于：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。4.如权利要求3所述的基于机器学习的自适应并网光伏系统的孤岛检测法，其特征在于：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...

【专利技术属性】
技术研发人员：贾科，李晨曦，魏宏升，宣振文，李论，林瑶琪，
申请(专利权)人：华北电力大学，中国电力科学研究院，国网宁夏电力公司，
类型：发明
国别省市：北京,11