应用于直流微电网的RUSBoost孤岛检测方法技术

本发明专利技术公开了应用于直流微电网的RUSBoost孤岛检测方法，具体为：分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集；将历史数据作为训练集，并进行预处理，形成训练样本集；基于分类与回归树决策树完成孤岛弱分类器的构建，利用混淆矩阵评估模型正确性，建立基于RUSBoost的孤岛检测模型；将构建的基于RUSBoost的孤岛检测模型应用于微电网系统中，根据电压电流实时数据进行并网与孤岛状态的分类。本发明专利技术方法，将机器学习中的集成分类算法应用在直流微电网中，解决了现有检测方法检测速度慢且准确率低的问题。现有检测方法检测速度慢且准确率低的问题。现有检测方法检测速度慢且准确率低的问题。

【技术实现步骤摘要】
应用于直流微电网的RUSBoost孤岛检测方法


[0001]本专利技术属于直流微电网孤岛检测
，具体为应用于直流微电网的RUSBoost孤岛检测方法。

技术介绍

[0002]随着新能源的迅速发展，分布式发电技术也逐渐成为大电网重要的电能支撑，但光伏发电、风力发电等具有间歇和波动性，使得分布式电源在直接并网过程中存在着巨大的挑战，而微电网既可以与大电网联网运行，也可以孤立运行，极大提高配电系统对分布式电源的接纳能力，同时提高了能源利用效率。由于分布式光伏、储能装置、电动汽车、家用电器以及多数负荷都具有直流输出输入的特性，因此相比于交流微电网，直流微电网不仅可以减少系统中交直流变换环节的能量损耗，而且也提高系统效率和可靠性，同时控制复杂程度及建设成本都较低。
[0003]直流微电网的运行方式主要分为并网运行与孤岛运行。并网运行模式是指分布式电源、负载、储能装置等与大电网相连接，大电网用于平衡功率，维持母线电压的稳定；而微电网的孤岛运行模式则是指在大电网停电检修或者发生异常故障时，其他装置与大电网的连接断开，微网内仅存在分布式电源、负载和储能装置，此时母线电压受系统内部功率波动影响，而储能装置需转变工作模式维持母线电压。
[0004]孤岛运行又分为计划孤岛和非计划孤岛两种，由于需要调度断开或者人为断开主电网与微电网的连接而形成的称为计划孤岛；由于主电网发生故障或其他原因断开主电网与微电网的连接形成的称为非计划孤岛。非计划孤岛会对用户或系统造成一定危害，无论是从安全方面还是从稳定性方面考虑，微电网孤岛检测都是必要且必需的。
[0005]在直流微电网中，由于没有频率、相位等电气量，主要依靠公共耦合点(PCC)的电压幅值的变化来判断孤岛检测，因此应用于直流系统的孤岛检测方法更加稀缺且困难。目前，孤岛检测方法可以分为三类：远程法、被动法和主动法。其中远程法主要依赖通信技术，监测并传输断路器状态信息，此方法虽然准确率极高，但受限于高额的成本；被动法是基于PCC的电压阈值，超出阈值从而判定孤岛，被动法计算简单、响应速度快，但存在较大非检测区(NDZ)；而主动法则是通过注入小扰动，检测由扰动引起的电气量的变化情况，判断孤岛的发生从而减小或消除检测盲区，但扰动的注入会影响供电质量。可见传统方法对于解决检测盲区并保持良好的电能质量的需求难以同时实现，但随着机器学习和深度学习等人工智能技术的发展，针对传统孤岛检测技术存在的问题，数据挖掘中的智能孤岛检测法逐渐被提出。

技术实现思路

[0006]本专利技术的目的是提供应用于直流微电网的RUSBoost孤岛检测方法，解决了现有检测方法检测速度慢且准确率低的问题。
[0007]本专利技术所采用的技术方案是，应用于直流微电网的RUSBoost孤岛检测方法，具体
按照以下步骤进行：
[0008]步骤1、分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集；
[0009]步骤2、将历史数据作为训练集，并进行预处理，形成训练样本集；
[0010]步骤3、基于分类与回归树决策树完成孤岛弱分类器的构建，而后组成孤岛检测的强分类器，利用混淆矩阵评估模型正确性，建立基于RUSBoost的孤岛检测模型；
[0011]步骤4、将构建的基于RUSBoost的孤岛检测模型应用于微电网系统中，根据电压电流实时数据进行并网与孤岛状态的分类。
[0012]本专利技术的特点还在于，
[0013]步骤1中，具体为：
[0014]步骤1.1、直流微电网在并网运行时，分布式电源、负载及电网三者功率处于动态平衡，建立直流微电网功率平衡关系式，如式(1)所示；
[0015][0016]其中，P
L
为负载功率，P
G
为大电网输出功率，P
DG
为分布式电源输出功率，U
PCC
为PCC点电压，R
L
为负载等效电阻；
[0017]在孤岛运行且储能单元未切换工作模式时，PCC处电压随系统内功率波动而变化，此时分布式电源输出功率关系式，如式(2)所示；
[0018][0019]式(2)中，U
′
PCC
为孤岛运行时PCC点的电压，ΔU为并网运行时电压与孤岛运行时电压差值；
[0020]步骤1.2、将式(2)带入式(1)中，消去P
DG
，得到直流微电网孤岛发生前后PCC点电压变化量ΔU的关系式，如式(3)所示：
[0021][0022]则对应的电流变化量ΔI如式(4)所示：
[0023][0024]将PCC电压、负载电流、PCC电压变化率、负载电流变化率作为孤岛检测有效的特征电气量并采集相关历史数据；分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集，不平衡数据集包括多数类样本和少数类样本；并网状态下的数据为多数类样本，孤岛状态下的数据为少数类样本。
[0025]步骤2中，具体为：利用RUS方法采样不平衡数据集，通过随机删除多数类样本，从而满足多数类样本和少数类样本的比例为1：1；形成建立训练样本集G，包含特征参数X和类标签Y，其数据模型如下式所示：
[0026]G＝{X,Y}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)；
[0027]X＝{x1,x2,
…
x
i
…
,x
j
}
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0028]Y＝{y1,y2,
…
y
i
…
,y
j
}
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；
[0029]式中：x
i
为第i行样本中特征量的数值；j为训练样本集中的样本总数；y
i
为第i行样本的类别；
[0030]其中，特征参数X指所选用的孤岛特征电气量，类标签Y指微电网的运行状态，即用“0”表示并网状态，“1”表示孤岛状态。
[0031]步骤3中，具体为：
[0032]步骤3.1、构建弱分类器即CART分类器；初始化训练样本集G中每个样本的权重分布，在进行第一次迭代时，为每一个训练样本赋予同样的权值：w
1i
＝1/j，则训练样本集G的初始权重分布D1为：
[0033][0034]进行g次迭代后，使用权值分布为D
g
的训练样本集训练CART分类模型，可以得到在第g次迭代中的k个决策树分类器H
gs
(x)：
[0035]H
gs
(x):Y
→
{
‑
1,1},s＝1,2,
…
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
[0036]步骤3.2、对以上k个决策树分类器分别计算其分类误差率e
gs
，选择e
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.应用于直流微电网的RUSBoost孤岛检测方法，其特征在于，具体按照以下步骤进行：步骤1、分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集；步骤2、将历史数据作为训练集并进行预处理，形成训练样本集；步骤3、基于分类与回归树决策树完成孤岛弱分类器的构建，而后组成孤岛检测的强分类器，利用混淆矩阵评估模型正确性，建立基于RUSBoost的孤岛检测模型；步骤4、将构建的基于RUSBoost的孤岛检测模型应用于微电网系统中，根据电压电流实时数据进行并网与孤岛状态的分类。2.根据权利要求1所述的应用于直流微电网的RUSBoost孤岛检测方法，其特征在于，所述步骤1中，具体为：步骤1.1、直流微电网在并网运行时，分布式电源、负载及电网三者功率处于动态平衡，建立直流微电网功率平衡关系式，如式(1)所示；其中，P
L
为负载功率，P
G
为大电网输出功率，P
DG
为分布式电源输出功率，U
PCC
为PCC点电压，R
L
为负载等效电阻；在孤岛运行且储能单元未切换工作模式时，PCC处电压随系统内功率波动而变化，此时分布式电源输出功率关系式，如式(2)所示；式(2)中，U
P
′
CC
为孤岛运行时PCC点的电压，ΔU为并网运行时电压与孤岛运行时电压差值；步骤1.2、将式(2)带入式(1)中，消去P
DG
，得到直流微电网孤岛发生前后PCC点电压变化量ΔU的关系式，如式(3)所示：则对应的电流变化量ΔI如式(4)所示：将PCC电压、负载电流、PCC电压变化率、负载电流变化率作为孤岛检测有效的特征电气量并采集相关历史数据；分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集，不平衡数据集包括多数类样本和少数类样本；并网状态下的数据为多数类样本，孤岛状态下的数据为少数类样本。3.根据权利要求2所述的应用于直流微电网的RUSBoost孤岛检测方法，其特征在于，所述步骤2中，具体为：利用RUS方法采样不平衡数据集，通过随机删除多数类样本，从而满足多数类样本和少数类样本的比例为1：1；形成建立训练样本集G，包含特征参数X和类标签Y，其数据模型如下式所示：G＝{X,Y}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)；X＝{x1,x2,
…
x
i
…
,x
j
}
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
Y＝{y1,y2,
…
y
...

【专利技术属性】
技术研发人员：支娜，邱吉林，米晓彬，杨宇航，周红芳，张航，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：