[發(fā)明專利]一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法

有效

• 申請?zhí)枺?/td>: 201610266384.0
• 申請日: 2016-04-26
• 公開（公告）號: CN105759177B
• 公開（公告）日: 2018-06-05
• 發(fā)明（設計）人: 李艷君;柳詩涵;沈弢;王雪潔;潘樹文
• 申請（專利權）人: 浙江大學城市學院
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 趙紅英

1.一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法，其特征在于，包括以下步驟：

S1.采用六個常規(guī)電氣特征量，電壓有效值U，輸出電壓頻率f，電壓和電流的相位差以及三個特征量隨時間的變化率和

S2.獲取分布式發(fā)電系統(tǒng)的發(fā)電系統(tǒng)與電網(wǎng)的公共耦合點PCC處的電壓信號和輸出電流信號，然后采用系統(tǒng)辨識的方法，采用它們的諧波分量作為辨識系統(tǒng)的輸入和輸出，最后得到結構參數(shù)特征量；

S3.其中利用多分辨率分析算法對信號電壓信號進行7層分解，得到8個奇異熵特征值；用小波包分析對電壓信號進行3層分解，并分別獲取第三層8個能量特征值和8個奇異熵特征值；

S4.利用fisher準則和浮動后序選擇法對小波特征進行特征優(yōu)選；

S5.整個孤島檢測系統(tǒng)分成三層；

S6.第一層主要針對非平衡狀態(tài)，采取SVM算法，輸入為六個常規(guī)電氣特征量，對系統(tǒng)狀態(tài)進行預判；

S7.第二層和第三層主要針對平衡狀態(tài)下的孤島檢測；

S8.第二層由三個基分類器組成，分別為邏輯回歸、隨機森林和Adaboost，其中邏輯回歸采用系統(tǒng)結構參數(shù)，隨機森林和Adaboost采用小波分析特征；

S9.第三層采用動態(tài)權重投票機制，判斷系統(tǒng)是否進入孤島狀態(tài)。

2.如權利要求1所述的一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法，其特征在于，S2中將待辨識系統(tǒng)看成RLC并聯(lián)結構，模型離散化得到：

u(k)＝-a₁u(k-1)-a₂u(k-2)+b₀i(k)+b₁i(k-1)+b₂i(k-2)

采用帶遺忘因子遞推最小二乘法進行系統(tǒng)參數(shù)辨識，同時為解決功率平衡情況下，電壓電流變化不大，采用它們的諧波分量作為辨識系統(tǒng)的輸入和輸出，最后得到結構參數(shù)特征量a₁,a₂,b₀,b₁,b₂。

3.如權利要求1所述的一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法，其特征在于，S3中由于小波分析的時頻局部特性，過小波多分辨率分析奇異熵、小波包奇異熵以及小波包局部能量作為孤島檢測的特征量，其中利用多分辨率分析算法對電壓信號進行7層分解，得到8個奇異熵特征值：H_d1,H_d2,…,H_d7,H_a7，用小波包分析對信號進行3層分解，并分別獲取第三層8個能量特征值和8個奇異熵特征值：E_s30，E_s31,…,E_s36,E_s37和H_s30,H_s31,…,H_s37，一共提取24個特征。

4.如權利要求1或3所述的一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法，其特征在于，S4中小波分析特征共有24個，采用的是Fisher準則衡量特征量，F(xiàn)isher準則的思想是如果某個特征在同一類別里的相關性較大，在不同類別之間的相關性較小，可以認為該特征為關鍵性特征，F(xiàn)isher準則獲取前幾個較為重要的特征后，根據(jù)選取的訓練模型，利用序列浮動后向選擇法進行關鍵性特征的進一步優(yōu)選，得到特征

T＝[H_s35,H_s33,H_s36,H_s34,H_s31,E_s35,E_s33,E_s37,H_d2]。

5.如權利要求1所述的一種基于分類多模型融合的分布式電網(wǎng)孤島檢測方法，其特征在于，整個孤島檢測系統(tǒng)分成三層，第一層主要針對非平衡狀態(tài)，第二層和第三層主要針對平衡狀態(tài)下的孤島檢測，即解決孤島檢測技術中的最大難點，當?shù)谝粚訖z測結果為非孤島狀態(tài)，則進入下一層，否則停止檢測，發(fā)出孤島信號，通知系統(tǒng)采取相應措施。