本發(fā)明涉及電力系統(tǒng)分析技術領域，特別是涉及基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法。

背景技術：

太陽能光伏發(fā)電技術對于節(jié)約常規(guī)能源、保護環(huán)境、促進經濟發(fā)展都有著極為重要的意義，近年來在國際上受到廣泛重視并獲得了飛速發(fā)展，目前我國光伏裝機容量已居全球首位。光伏系統(tǒng)孤島檢測現(xiàn)在已經成為并網新能源系統(tǒng)保護關注的重點之一，國際能源機構(internationalenergyagency,iea)和《光伏發(fā)電系統(tǒng)接入配電網技術規(guī)定》(gb/t29319-2012)規(guī)定：光伏發(fā)電系統(tǒng)應該具備快速監(jiān)測孤島并且立即斷開與電網連接的能力，防孤島保護動作時間不大于2s。

目前，并網光伏發(fā)電系統(tǒng)的孤島檢測方法主要分為通信式、主動式和被動式三類。

通信式孤島檢測法利用信號發(fā)生裝置發(fā)出特定檢測信號或者檢測系統(tǒng)開關狀態(tài)判斷系統(tǒng)運行狀態(tài)來實現(xiàn)孤島檢測，需要建立較為完備的信號收發(fā)裝置和信號傳輸通道等，成本較高，實現(xiàn)困難，目前并沒有得到廣泛的應用。

主動式孤島檢測法主要是向光伏逆變器的輸出引入一定的擾動信號，孤島運行后擾動信號通過放大并網點電氣量的變化來判斷孤島。應用于多機并聯(lián)并網系統(tǒng)時，由于控制策略的不同，主動法可能因為擾動信號相互抵消或者稀釋導致孤島檢測失效，也可能因為擾動信號可能相互激勵放大導致系統(tǒng)電能質量惡化。同時，考慮到與低電壓穿越等系統(tǒng)保護的配合，擾動信號的強度和投入時間可能會受到限制，可能會導致孤島檢測的失敗。

傳統(tǒng)的被動式孤島檢測法是利用功率不匹配造成的并網點壓幅值、頻率、相位、諧波及其變化率的變化情況識別孤島，這類方法實現(xiàn)簡單，但在存在較大的檢測死區(qū)。

傳統(tǒng)的主動式孤島檢測法和被動式孤島檢測法，最終都是利用電壓幅值、頻率等特征量的異常變化來識別孤島。然而，目前并沒有明確的標準對他們的閾值進行限定，導致孤島檢測存在誤動和拒動的情況。近年來提出的智能被動式孤島檢測法是利用多電氣量特征共同識別孤島，采用先進數(shù)據(jù)挖掘技術獲取相應特征量，同時利用智能模式識別方法來檢測孤島。但是其生成的判斷模型的精度有限，且其精度只是在特定樣本下多次檢驗結果準確度的平均值，無法有效提升檢測精度，因此其判斷孤島的可靠性值得懷疑。

因此希望有一種基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法可以克服或至少減輕現(xiàn)有技術的上述缺陷。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法。

本發(fā)明提供一種基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法，包括以下步驟：

步驟(1)采集光伏系統(tǒng)的歷史運行數(shù)據(jù)和根據(jù)實際光伏系統(tǒng)所建模型的仿真數(shù)據(jù)，建立光伏系統(tǒng)在各種條件下并網運行和孤島運行的三相電壓和電流的基本數(shù)據(jù)庫；

步驟(2)處理基本數(shù)據(jù)庫中的三相電壓和電流信號，選擇并提取可判斷光伏系統(tǒng)并網運行和孤島運行兩種狀態(tài)的電氣特征量，與運行狀態(tài)組成特征量數(shù)據(jù)庫；

步驟(3)利用adaboost算法分析特征量數(shù)據(jù)庫，通過設定各電氣特征量的閾值和判據(jù)，建立判斷光伏系統(tǒng)孤島運行和并網運行狀態(tài)的二分類模型，并利用檢驗樣本集檢驗二分類模型判斷系統(tǒng)運行狀態(tài)的準確率，如果二分類模型準確率低于95％，則重新選擇電氣特征量，直至生成二分類模型的大于或者等于95％；

步驟(4)采集系統(tǒng)當前運行狀態(tài)下的步驟(2)的電氣特征量輸入步驟(3)生成的二分類模型，根據(jù)二分類模型輸出的分類結果判斷系統(tǒng)是否處于孤島運行狀態(tài)。

優(yōu)選地，所述步驟(1)中的所述基本數(shù)據(jù)庫含有并網運行和孤島運行兩類數(shù)據(jù)；并網運行數(shù)據(jù)包括不同有功功率匹配度、不同無功功率匹配度、負載不同程度突變和采用不同孤島檢測策略情形下的數(shù)據(jù)；孤島運行數(shù)據(jù)包括采用不同孤島檢測策略、不同功率匹配度和不同運行參數(shù)條件下的孤島檢測成功和失敗情形下的數(shù)據(jù)。

優(yōu)選地，所述步驟(2)中的所述電氣特征量包括從每一組電流和電壓數(shù)據(jù)中計算出的所有電氣特征量。

優(yōu)選地，從所述每一組電氣特征量中提取6個電氣特征量和其系統(tǒng)的運行狀態(tài)代碼組成可被學習的特征量組；6個電氣特征量包括：電壓幅值變化情況、頻率變化情況、頻率變化率的變化情況、電壓變化率的變化情況、有功功率變化率的變化情況和頻率對有功變化率的變化情況；所有的所述特征量組構成特征量數(shù)據(jù)庫，所述特征量數(shù)據(jù)庫根據(jù)3:1的比例分成學習樣本集和所述測試樣本集，學習樣本集用于智能算法學習以生成所述判斷系統(tǒng)運行狀態(tài)的二分類模型，所述測試樣本集用于測試所生成模型對系統(tǒng)運行狀態(tài)分類的準確率。

優(yōu)選地，所述步驟(3)中的adaboost算法利用所述學習樣本集通過學習并組合分類精度低的弱分類模型構成一個復合的分類精度高的強分類模型，所述強分類模型根據(jù)弱分類模型的預測精度設定其在所述強分類模型中的權重，所述adaboost算法利用各個弱分類模型的分類能力，具有較強的適用性和較高的計算效率。

優(yōu)選地，所述生成每一個弱分類模型過程中的學習樣本集中不同組中同一個電氣特征量權值是變化的，adaboost算法提高該弱分類模型在前一輪中錯誤分類樣本的特征量的權值，加大其受到后一輪的所述弱分類模型的關注度以實現(xiàn)正確分類。

優(yōu)選地，所述adaboost算法對各個弱分類模型組合成強分類模型的策略是采取加權表決的方法，分類精度越高的弱分類模型設定的權重越大，以確定每個所述弱分類模型在組合成所述強分類模型時的權重，所有弱分類模型的分類結果的加權之和即是最終的分類結果，可充分利用各個所述弱分類器的效能。

優(yōu)選地，所述步驟(3)利用所述檢驗樣本集檢驗所述二分類模型的準確率，如果所述二分類模型的準確率不符合預期，使用以下兩種方法之一進行調節(jié),方法一:增加所述弱分類模型的數(shù)量，利用更多的弱分類模型組合以提高模型的分類精確度；方法二：調整替換所選取的電氣特征量類型，選用不同的電氣特征量組合并檢驗模型的分類效能，選擇最優(yōu)的組合以取得最好的分類效能，用以上兩種方法之一提高所述二分類模型的精度，直至獲取的所述二分類模型準確率達到預期值。

優(yōu)選地，所述步驟(4)將所述特征量組輸入步驟(3)所生成的所述二分類模型，所述二分類模型輸出表示系統(tǒng)當前運行狀態(tài)的代碼，通過代碼判斷系統(tǒng)是否處于孤島運行狀態(tài)。

本發(fā)明基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法具有以下有益效果：

(1)系統(tǒng)不需要擾動信號，對系統(tǒng)任何運行狀態(tài)下的電能質量都無影響，適用于任何類型電源的分布式和集中式新能源系統(tǒng)的孤島檢測；

(2)用智能算法根據(jù)系統(tǒng)自身特性獲取各電氣量的閾值，避免了人工設定閾值區(qū)間(檢測盲區(qū))，最大限度的縮小了各個特征量的閾值區(qū)間；

(3)利用多個電氣量同時判斷系統(tǒng)運行狀態(tài)，多個電氣量之間的檢測盲區(qū)不易交叉，理論上不存在孤島檢測死區(qū)；

(4)adaboost算法通過組合數(shù)個弱分類模型構成一個復合的強分類模型，可以調節(jié)迭代次數(shù)和提取的電氣量以增加模型的分類精度。

附圖說明

圖1為光伏發(fā)電系統(tǒng)并網運行結構示意圖。

圖2為多機并聯(lián)光伏發(fā)電系統(tǒng)結構示意圖。

圖3為統(tǒng)計學習算法邏輯示意圖。

圖4為第1類數(shù)據(jù)生成的預測模型對其他類數(shù)據(jù)的預測誤差率結果圖。

圖5為第5類數(shù)據(jù)生成的預測模型對其他類數(shù)據(jù)的預測誤差率結果圖。

圖6為多類數(shù)據(jù)生成的預測模型對其他類數(shù)據(jù)的預測誤差率結果圖。

圖7為多類數(shù)據(jù)生成的預測模型對不同控制策略系統(tǒng)的預測誤差率結果圖。

圖8為基于機器學習的自適應并網光伏系統(tǒng)的孤島檢測法的流程圖。

具體實施方式

為使本發(fā)明實施的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行更加詳細的描述。在附圖中，自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。下面結合附圖對本發(fā)明的實施例進行詳細說明。

適用于并網光伏發(fā)電系統(tǒng)的孤島檢測法，包括以下步驟：

步驟(1)采集光伏系統(tǒng)的歷史運行數(shù)據(jù)和根據(jù)實際光伏系統(tǒng)所建模型的仿真數(shù)據(jù)，建立光伏系統(tǒng)在各種條件下并網運行和孤島運行的三相電壓和電流的基本數(shù)據(jù)庫；

步驟(2)處理基本數(shù)據(jù)庫中的三相電壓和電流信號，選擇并提取可判斷光伏系統(tǒng)并網運行和孤島運行兩種狀態(tài)的電氣特征量，與運行狀態(tài)組成特征量數(shù)據(jù)庫；

步驟(3)利用adaboost算法分析特征量數(shù)據(jù)庫，通過設定各電氣特征量的閾值和判據(jù)，建立判斷光伏系統(tǒng)孤島運行和并網運行狀態(tài)的二分類模型，并利用檢驗樣本集檢驗二分類模型判斷系統(tǒng)運行狀態(tài)的準確率，如果二分類模型準確率低于95％，則重新選擇電氣特征量，直至生成二分類模型的大于或者等于95％；

步驟(4)采集系統(tǒng)當前運行狀態(tài)下的步驟(2)的電氣特征量輸入步驟(3)生成的二分類模型，根據(jù)二分類模型輸出的分類結果判斷系統(tǒng)是否處于孤島運行狀態(tài)。

如圖1所示，分布式發(fā)電并網系統(tǒng)結構由光伏系統(tǒng)、本地負荷和電網構成。分布式發(fā)電并網系統(tǒng)正常運行時，光伏系統(tǒng)和負荷與主網相連；分布式發(fā)電并網系統(tǒng)發(fā)生故障或擾動較大時，斷路器動作，光伏系統(tǒng)與主網脫離，與就近負荷形成孤島。

本發(fā)明提出的適用于并網光伏發(fā)電系統(tǒng)的基于adaboost算法的孤島檢測法，其仿真數(shù)據(jù)來源于依據(jù)圖2在matlab/simulink中搭建的仿真模型。

如圖2所示，在matlab中基于實際光伏系統(tǒng)搭建的多機并聯(lián)光伏系統(tǒng)仿真模型，光伏發(fā)電系統(tǒng)可以由單機并聯(lián)至多機，光伏系統(tǒng)分為采用被動式孤島檢測法和采用頻率-無功反饋的主動式孤島檢測法兩種情況。單個光伏系統(tǒng)輸出功率為500kw，多機并聯(lián)后經過兩級升壓并入220kv的大電網中，對不同的運行情況進行仿真和數(shù)據(jù)記錄，建立仿真數(shù)據(jù)庫，主要按照并聯(lián)機組數(shù)量的不同和采用主動或被動式孤島檢測法的區(qū)別分別進行7大類的仿真：

1～4類仿真采用被動式孤島檢測策略的1至4個并網光伏系統(tǒng)在不同功率匹配度下，孤島運行和并網運行時負荷消耗有功或無功功率躍變的情況。孤島運行功率不匹配度：有功負載0.8ppv～1.2ppv，以0.02ppv為間隔進行取樣；無功負載0.9qpv～1.06qpv，以0.01qpv為間隔進行取樣；并網運行負載功率躍變：有功負載0.4ppv～1.6ppv，以0.1ppv為間隔進行取樣；無功負載0.8qpv～1.2qpv，以0.05qpv為間隔進行取樣。

5～7類仿真采用頻率-無功反饋法的2至4個并網光伏系統(tǒng)在不同的反饋系數(shù)下，孤島運行檢測成功或失敗的情況，反饋系數(shù)從5²到100²，取20組數(shù)據(jù)；在特定反饋系數(shù)下，非孤島運行時負載消耗有功或無功功率躍變的情況：反饋系數(shù)分別取10²、50²和100²，有功或無功負載分別躍變至0.2～2倍，以0.2倍為間隔。

7類數(shù)據(jù)包含單機至多機各種可能出現(xiàn)的孤島和非孤島運行狀況，包含被動式和主動式孤島檢測的死區(qū)和正常運行時系統(tǒng)的擾動。

對數(shù)據(jù)庫中的7類數(shù)據(jù)中的電壓和電流信號進行數(shù)學處理，對每組數(shù)據(jù)分別提取如步驟(2)所述的特征量作為輸入的x1～x6。輸出的類別設定為{1,0},1表示為孤島運行，0表示為非孤島運行。經過處理后的數(shù)據(jù)為輸入是{x1～x6}、輸出是{1,0}的可以被adaboost學習的新的7類特征量數(shù)據(jù)。

如圖3所示，統(tǒng)計學習算法邏輯示意圖，其中(xi,yi)i＝1,2,…,n為樣本點，xi∈x是輸入的觀測值，即系統(tǒng)不同運行狀態(tài)下獲取的電氣特征量，yi∈y是輸出的觀測值，即系統(tǒng)的孤島/非孤島運行狀態(tài)。學習過程中，學習系統(tǒng)利用給定的包含有孤島運行和非孤島運行特征量的訓練數(shù)據(jù)集，通過學習得到一個預測系統(tǒng)運行狀態(tài)的模型。在預測過程中，以系統(tǒng)當前運行狀態(tài)下的特征量為輸入xn+1，利用生成的預測模型得相應的輸出yn+1，即得出系統(tǒng)當前的運行狀態(tài)。

adaboost算法是統(tǒng)計學習算法的一種，其生成預測模型的步驟如下：

(1)初始化訓練數(shù)據(jù)的權值分布：

ω1i為第一輪迭代中第i組學習樣本的權值，一般第一輪迭代是每組樣本的初始權值為1/n，n為樣本組的總數(shù)，同一組學習數(shù)據(jù)在不同輪次迭代中的權值可能不相同。

(2)對m＝1,2,…,m

(a)使用具有當前權值分布dm的訓練數(shù)據(jù)集學習，得到基本分類器：

ym(x):x→{-1,+1}(2)

在第m輪迭代(學習)過程中，根據(jù)當前輪次中學習樣本的權值，得出一個當前輪次的最優(yōu)分類模型，即第m個弱分類模型。

(b)計算gm(x)在訓練數(shù)據(jù)集上的分類誤差率：

當前輪次中所有誤分類的學習數(shù)據(jù)的權值之和即為當前輪次中所生成模型的分類誤差率。

(c)計算gm(x)的系數(shù)(權值)：

根據(jù)當前輪次獲得模型的分類誤差率計算該弱分類模型在最終的強分類模型中的權重，分類誤差率越小，權重越大。

(d)更新訓練數(shù)據(jù)集的權值分布：

根據(jù)當前輪次中每組樣本(xi)的分類正誤決定下一輪次迭代時各組樣本的權值，提高分類錯誤樣本的權值，以使其在下一輪迭代中受到更大的關注，后一輪模型在設定閾值時會優(yōu)先考慮這些高權重的樣本，它們更大概率會被正確分類，并沒有哪一個模型的閾值或者分類結果是完全正確的，他們的分類結果之和才是準確的，改變權值是為了充分學習每一個樣本已獲取不同的若分類模型，zm是規(guī)范化因子，為了保證權值之和為1。

(3)構建基本分類器的線性組合：

得到最終分類器：

y(x)＝sign(f(x))(7)

最終將m個弱分類器組合成一個強分類器，將系統(tǒng)運行狀態(tài)下特征量輸入后，每個弱分類器預測的結果乘以其權重即為該弱分類器的預測結果，所有弱分類器預測結果之和即為強分類器預測的結果。

圖8是適用于并網光伏發(fā)電系統(tǒng)的基于adaboost算法的孤島檢測法的流程圖，以下用更加具體的示例來說明本發(fā)明一種適用于并網光伏發(fā)電系統(tǒng)的基于adaboost算法的孤島檢測法的技術效果，在示例中使用步驟(2)中生成的特征量數(shù)據(jù)庫作為學習樣本集和檢驗樣本集，使用步驟(3)中生成的分類模型對系統(tǒng)運行狀態(tài)進行分類。

1.adaboost算法學習第1類特征量數(shù)據(jù)的情景

用adaboost算法學習第1類(單機被動法)特征量數(shù)據(jù)的學習樣本集生成預測模型，模型迭代次數(shù)為20次(20個弱分類模型組成一個強分類模型)；用第1、4、5、7類(單/多機被動法、多機主動法)數(shù)據(jù)的測試樣本集檢驗預測模型分類的準確性。由圖4可知，第1類學習數(shù)據(jù)生成的預測模型對第1、4類測試數(shù)據(jù)的預測錯誤率在迭代5次(5個弱分類模型組成的強分類模型)之后即為0，該模型預測第5、7類測試數(shù)據(jù)的錯誤率將近50％。這說明利用adaboost算法學習采用被動式孤島檢測法的單機系統(tǒng)的運行數(shù)據(jù)集后生成的預測模型，可以準確的預測采用被動式孤島檢測法的單機和多機系統(tǒng)的運行情況，而預測采用主動式孤島檢測法的多機系統(tǒng)的運行情況時準確率很差。這是由于采用不同孤島檢測策略的系統(tǒng)，影響孤島后電氣量變化的因素不同，數(shù)據(jù)特性有明顯差異。

2.adaboost算法學習第5類特征量數(shù)據(jù)的情景

用adaboost算法學習第5類(兩機主動法)特征量數(shù)據(jù)的學習樣本集生成預測模型，模型迭代次數(shù)為20次；用第1、3、6、7類(單/多機被動法、多機主動法)數(shù)據(jù)的測試樣本集檢驗預測模型分類的準確性。由圖5可知，第5類學習數(shù)據(jù)生成的預測模型對第1、3類測試數(shù)據(jù)的預測錯誤率超過50％，該模型對于第6、7類測試數(shù)據(jù)的預測錯誤率為0。這說明利用adaboost算法學習采用主動式孤島檢測法的多機系統(tǒng)的運行數(shù)據(jù)集生成的預測模型，預測采用被動式孤島檢測法的單機和多機系統(tǒng)運行情況的準確率很差，而可以準確預測采用主動式孤島檢測法的多機系統(tǒng)的運行情況。這同樣是由于采用不同孤島檢測策略的系統(tǒng)，影響孤島后電氣量變化的因素不同，數(shù)據(jù)特性有明顯差異。

3.用adaboost算法學習混合類特征量數(shù)據(jù)的情景

用adaboost算法學習第1、3、5、6類(單/多機被動法、多機主動法)特征量數(shù)據(jù)的學習樣本集生成預測模型，模型迭代次數(shù)為20次；用第1、4、5、7類(單/多機被動法、多機主動法)數(shù)據(jù)的測試樣本集檢驗預測模型分類的準確性。由圖6可知，1、3、5、6類混合數(shù)據(jù)的學習樣本集生成預測模型對于對第1、4類測試數(shù)據(jù)的預測錯誤率在迭代5次之后即為0，該模型對于對第5、7類測試數(shù)據(jù)的預測錯誤率在迭代5(10)次之后即為0(接近于0)。這說明利用adaboost算法學習多類混合數(shù)據(jù)集生成的預測模型，可以準確/高精度預測采用被動式/主動式孤島檢測法的單機和多機系統(tǒng)的運行情況。這是因為混合數(shù)據(jù)模糊了兩種孤島檢測法的數(shù)據(jù)特征量的差異，提高了所生成模型的兼容性。同時，由于主動法的孤島運行數(shù)據(jù)占的比例較小，生成模型時被動法和主動法并網運行數(shù)據(jù)起了更大的作用，因此生成的預測模型對于預測主動法的孤島運行狀態(tài)存在較小的誤差。

4.用adaboost算法預測不同控制策略系統(tǒng)的情景

利用步驟(2)采集采用不同控制策略系統(tǒng)的單機被動式系統(tǒng)孤島/非孤島運行數(shù)據(jù)，利用1～7類的混合數(shù)據(jù)生成預測模型，預測其運行情況。由圖7可知，在迭代4次以后，混合數(shù)據(jù)生成的預測模型對于預測采用不同控制策略的單機被動式系統(tǒng)的運行狀態(tài)具有較好的準確率，約為96.15％。生成預測模型時沒有加入新學習數(shù)據(jù)，這說明采用不同的控制策略，對于預測的準確度存在一定的影響。

因此，通過使用本發(fā)明的適用于并網光伏發(fā)電系統(tǒng)的基于adaboost算法的孤島檢測法，系統(tǒng)不存在擾動信號，對系統(tǒng)任何運行狀態(tài)下的電能質量都無影響，適用于任何類型電源的分布式和集中式新能源系統(tǒng)的孤島檢測；用智能算法根據(jù)系統(tǒng)自身特性獲取各電氣量的閾值，避免了人工設定閾值區(qū)間(檢測盲區(qū))，最大限度的縮小了各個特征量的閾值區(qū)間，多個電氣量之間的檢測盲區(qū)不易交叉，在數(shù)據(jù)庫完備時，理論上不存在孤島檢測死區(qū)，可以高精度的檢測出系統(tǒng)的運行狀態(tài)。

最后需要指出的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制。盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。