基于小波包对数能量熵及遗传算法优化的孤岛检测方法
【技术领域】
[0001] 本发明设及一种孤岛检测方法,尤其是一种基于小波包对数能量滴及遗传算法优 化的孤岛检测方法。
【背景技术】
[0002] 分布式并网发电系统由于本身实时并网的优势,相较离网系统在太阳能转化到电 能的过程中利用率更高,但由于其直接将分布式发电系统所发电能经并网逆变器后馈送到 电网,因此为确保系统安装和维护人员的人身安全和电网的稳定可靠运行,要求光分布式 发电系统在工作时必须满足并网的技术要求。通常情况下,系统运行时可能出现的故障状 态,如电网过/欠电压或频率,功率器件过电流和过热等较容易通过软硬件结合被检测到, 从而采取相应的处理措施。但对于分布式发电系统来说,其还可能出现一种特殊故障状态, 分布式发电系统在并网模式下运行时,电网突然断电,发电系统未能及时脱离电网从而和 负载形成一个电力公司无法掌控的自给供电孤岛,从而产生孤岛效应。孤岛现象会对电气 设备和检修人员带来很大的危险,因而针对并网系统,所有并网逆变器必须具有防孤岛的 功能。
[0003] 分布式发电系统中孤岛检测技术可W简单地分成本地孤岛检测和远程孤岛检测 技术两大类。远程孤岛检测方法大多依赖于连接系统侧的每条馈线上安装的外部通信设 备。而本地方法主要依赖于逆变器输出端系统参数的测量来识别孤岛。现有分布式发电系 统逆变器的孤岛检测主要有主动式和被动式两类方法。
[0004] 主动式检测方法通过在控制信号中加入很小的电压、频率或相位等扰动信号,同 时检测输出,其优点是能够快速检测出孤岛,减小检测盲区,但影响系统的供电质量化及稳 定运行,且实现复杂,所W对被动式检测方法的研究是很有必要性的。
[0005] 被动式检测方法是利用电网断网时逆变器输出端电压、频率、相位或是谐波的变 化进行孤岛检测,传统的被动式检测方法存在检测盲区大,检测时间长。
[0006] 为了利用被动式检测法的优点,减小检测盲区,目前孤岛检测中常用的PCC点基 波电压、频率提取方法主要有S种:电压过零检测法、反Park变换型数字锁相环法,FFT频 谱分析法W及小波变换与神经网络相结合的方法。电压过零检测法、反Park变换型数字锁 相环法在信号中含有谐波时,提取到的电压幅值和频率不准确,FFT频谱分析法的实时性比 较差,该法在使用时常会出现频谱泄漏和栅栏效应等问题,影响检测结果的正确性。
[0007] 为了解决上述信号提取不准确性,小波分析的方法被应用于孤岛检测领域。文 献1发明专利申请《一种采用小波变换进行孤岛检测的分布式发电系统》(公布号CN 103050990A)通过小波变换得到小波系数最终计算出对应的小波功率,通过与所设定的阀 值进行比较,判断孤岛和非孤岛状态,该方法能有效的检测到孤岛发生的时刻,减小被动式 检测的盲区,但是对其小波功率阀值设定较为困难,特别是在本地负载变化的情况下。
[0008] 文献 2《Neuro-Wavelet Based Islanding Detection Technique》2010IE邸 Electrical Power&Energy Conference.(《基于神经小波孤岛效应检测技术》,2010IE邸电 力与能源会议)通过提取不同频带的小波变换系数能量为特征向量作为人工神经网络训 练样本的特征量,该方法是一种新的孤岛检测技术,能够快速识别出孤岛,此方法有效的解 决阀值较难设定带来误判的问题,但W系数能量为特征向量使得网络输入神经元接受的信 号值过大,易造成神经元输出饱和W及Qf某些特定值时,在孤岛和非孤岛状态下特征量的 差值较小。
[0009] 文献3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CN 102611140B)首先采集分布式发电系统在孤岛和非孤岛条件下公共禪合点电压值和逆变器 输出电流值,将采集的电压值和电流值进行小波变换提取高频分量进行相关处理,将处理 后的信号作为神经网络的输入信号,此方法改善了 Qf在某些特定值时,孤岛和非孤岛状态 下特征量的差值较小可能会出现的模态混淆,但在电网高次谐波注入情况下,小波变换得 到特征量与孤岛状态特征量相似,再加上BP算法存在局部优化问题,使得孤岛非孤岛模式 识别性能不够高,容易造成误判。
【发明内容】
[0010] 本发明要解决的技术问题为克服上述各种技术方案的局限性,提供一种在电网存 在高次谐波干扰的情况下对瞬时微弱信号变化的提取有很好效果,且在相同外界条件下非 孤岛和孤岛条件下特征量的差值得到显著提高,有效提高神经网络的训练速度和孤岛非孤 岛模式识别性能的基于小波包对数能量滴及遗传算法优化的孤岛检测方法。
[0011] 为解决本发明的技术问题,所采用的技术方案为:基于小波包对数能量滴及遗传 算法优化的孤岛检测方法包括对分布式并网发电系统公共禪合点信号的采集,特别是完成 步骤如下:
[0012] 步骤1,先实时采集分布式并网发电系统公共禪合点的电压信号Uwe(t),式中的t 为时间,再采用小波包变换对电压信号Uwe(t)进行3层多分辨分解,得到=尺度下8个频 带内的小波包系数化),式中的j = 0, 1,. . .,7, k = 1,2,. . .,n ;
[001引步骤2,先按照馬=ilog b., Wf计算在一个电网电压周期内的立尺度下小 k=l 波包对数能量滴Esj.,再对其进行归一化处理,得到规划化后的对数能量滴( A = 0, 1,. . .,7),之后,选取或H 3。-&3作为遗传算法优化BP神经网络的输入信号P,并 将对应的孤岛和非孤岛状态作为输出信号T,用于作为遗传算法优化BP神经网络的训练样 本;
[0014] 步骤3,使用遗传算法对BP神经网络权值和阔值进行选择优化
[0015] 步骤3. 1,先确定BP神经网络的输入层R、隐层节点数S1、输出层的节点数S2、训 练函数和节点传递函数,并设定训练误差精度goal《0. 0001,再确定最大迭代次数G、种群 规模M、随机生成M个个体的初始种群W,采用实数编码对生成种群中的个体Wi编码,然后 将种群中个体Wi的一个实数向量[W 1,W,,. . .,ws]作为遗传算法的一个染色体,式中的S = R*Si+Si巧2+S1+S2为遗传算法编码长度;
[0016] 步骤3. 2,先确定个体的适应度函数,给定BP神经网络进化参数E,将得到的染 色体对BP神经网络权值和阔值进行赋值,并W训练误差平方和作为初始种群W中个体 Wi的适应度,再基于适应度比例的选择策略对每一代种群中的染色体进行选择,选择概率
【主权项】
1. 一种基于小波包对数能量熵及遗传算法优化的孤岛检测方法,包括对分布式并网发 电系统公共耦合点信号的采集,其特征在于完成步骤如下: 步骤1,先实时采集分布式并网发电系统公共耦合点的电压信号Up。。(t),式中的t为时 间,再采用小波包变换对电压信号ura(t)进行3层多分辨分解,得到三尺度下8个频带内 的小波包系数x3j (k),式中的j= 0, 1,. . .,7,k= 1,2,. ..,n; 步骤2,先按照\ = 1>+,/幻|2计算在一个电网电压周期内的三尺度下小波包对数能 量摘E3j,再对其进行归一化处理,得到规划化后的对数能量j:商H3x(A= 〇, 1, . . . , 7),之后, 选取H3(l?H35或H3(|?H33作为遗传算法优化BP神经网络的输入信号P,并将对应的孤岛和 非孤岛状态作为输出信号T,用于作为遗传算法优化BP神经网络的训练样本; 步骤3,使用遗传算法对BP神经网络权值和阈值进行选择优化 步骤3. 1,先确定BP神经网络的输入层R、隐层节点数S1、输出层的节点数S2、训练函 数和节点传递函数,并设定训练误差精度goal< 0. 0001,再确定最大迭代次数G、种群规 模M、随机生成M个个体的初始种群W,采用实数编码对生成种群中的个体I编码,然后将 种群中个体1的一个实数向量[wpw2,. . .,ws]作为遗传算法的一个染色体,式中的S= 遗传算法编码长度; 步骤3. 2,先确定个体的适应度函数,给定BP神经网络进化参数E,将得到的染色体 对BP神经网络权值和阈值进行赋值,并以训练误差平方和作为初始种群W中个体I 的适应度,再基于适应度比例的选择策略对每一代种群中的染色体进行选择,选择概率
式中的&为适应度值倒数、M为种群规模; 步骤3. 3,先采用实数交叉法,按设定概率从种群中随机选择两个个体相互交换,第p个基因wn和第q个基因w"在r位的交叉操作分别为
〔中的b为[0, 1]间的随机数,再选取第i个个体的第1个基因 按照下式讲行?异操作,
丈中的《_和《_分别为基因 f(g) =r2(l-g/G), wn取值的上下界、:r [0, 1]间的随机数、1~2为一个随机数、g为当前迭代次数; 步骤3. 4,先重复步骤3. 2?3. 3,直至得到具有最大适应度的个体,再将其分解为BP神经网络的连接权值和阈值,以作为遗传算法优化BP神经网络的初始权值和阈值; 步骤4,先将初始权值和阈值输入输入信号P和输出信号T的数据矩阵,计算出遗传算 法优化BP神经网络的误差,再更新遗传算法优化BP神经网络的权值和阈值; 步骤5,先判断训练误差精度goal是否< 0. 0001,若>0. 0001,则返回步骤4,若 < 0. 0001,则得到遗传算法优化BP神经网络的最优权值和阈值,再将训练样本数据输入遗 传算法优化BP神经网络进行计算,若输出的结果为高电平,则为孤岛状态,若输出的结果 为低电平,则为非孤岛状态。
2. 根据权利要求1所述的基于小波包对数能量熵及遗传算法优化的孤岛检测方法,其 特征是步骤1中的小波包为离散小波包,选用的母小波为Daubechies小波系列的db4小 波。
3. 根据权利要求1所述的基于小波包对数能量熵及遗传算法优化的孤岛检测方法,其 特征是步骤3. 1中的隐层节点数S1 = 8、输出层的节点数S2 = 1、训练函数为trainlm、节 点传递函数为purelin和logsig。
4. 根据权利要求1所述的基于小波包对数能量熵及遗传算法优化的孤岛检测方法,其 特征是步骤3. 1中的最大迭代次数G= 200、种群规模M= 100、随机生成M个个体的初始 种群W= [W1,W2,...,Wm]t。
5. 根据权利要求1所述的基于小波包对数能量熵及遗传算法优化的孤岛检测方法,其 特征是步骤3. 2中的BP神经网络进化参数E= 6或E= 4。
【专利摘要】本发明公开了一种基于小波包对数能量熵及遗传算法优化的孤岛检测方法。它引入遗传算法对BP神经网络进行优化,并引入对数能量熵作为遗传算法优化BP神经网络的输入信号;具体为首先采集公共耦合点电压信号进行适当的小波包分解,得到三尺度下8个频带内的小波包系数,然后通过重构及归一化处理得到对数能量熵,最后通过遗传算法优化的BP神经网络对孤岛及非孤岛现象进行模式识别。它克服了传统被动式孤岛检测法在负载匹配时存在检测盲区的缺陷,利用遗传算法来优化BP神经网络的权值和阈值,使其具有了全局的搜索能力,能够在负载突变、电网电压谐波扰动时都不出现误动作,且当逆变器输出功率与负载不匹配和匹配时也能快速、准确地检测出孤岛。
【IPC分类】G06N3-02, G06Q50-06, G06N3-12
【公开号】CN104616061
【申请号】CN201510044852
【发明人】张兴, 王涛, 杜成孝, 王付胜, 谢震
【申请人】合肥工业大学
【公开日】2015年5月13日
【申请日】2015年1月28日