一种将深度学习应用于微电网孤岛检测方法技术

本发明专利技术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。确的检测出孤岛。确的检测出孤岛。

【技术实现步骤摘要】
一种将深度学习应用于微电网孤岛检测方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]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。
[0004]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。
[0005]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：
[0006]步骤1、孤岛检测基本原理分析
[0007][0008]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。
[0009]步骤2、光伏发电系统具有运行可靠、对环境污染少等特点。
[0010]步骤2
‑
1、光伏电池阵列模型：
[0011]光伏电池阵列输出电流为：
[0012][0013]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
‑
19
C；A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。
[0014]步骤2
‑
2、控制器及并网逆变器模型建立：
[0015]逆变器通过阻抗为R+jωL的电抗器并入电网，电压方程为：
[0016][0017]对上式做旋转变换，DC/AC逆变电路的数学模型可表示为:
[0018][0019]公式进一步简化为
[0020][0021][0022]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。
[0023]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。
[0024]步骤3
‑
1、储能系统等效模型：
[0025]锂电池模型以电压源和内阻形式建立。电池的电压为：
[0026][0027]电池组剩余电量为：
[0028][0029]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。
[0030]步骤3
‑
2、储能系统并网逆变器控制策略：
[0031]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：
[0032][0033]系统电流内环的设计为
[0034][0035]三相功率在dq坐标下表达式为
[0036][0037]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
[0038][0039]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。
[0040]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。
[0041]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：
[0042](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。
[0043](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：
[0044]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。
[0045]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。
[0046]步骤6
‑
1、深度前馈网络预测模型架构：
[0047]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
[0048]h＝g(x,ω)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0049]第一层和第二层表达式为：
[0050][0051]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。
[0052]步骤6
‑
2、激活函数选择：
[0053]激活函数选取ReLU函数，公式表达式为：
[0054][0055]式中，x为输入。
[0056]步骤6
‑
3、损失函数选择
本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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
‑
19
C；A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：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(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：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

【专利技术属性】
技术研发人员：张明理，窦文雷，穆永强，佟俊达，陈明丰，李剑锋，高靖，李芳，宋坤，潘霄，商文颖，吉星，候依昕，刘禹彤，李纯正，满林坤，杨朔，温明，颜宁，马少华，任哲辰，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：