CN104638671B - 基于引入粒子群算法及相位扰动的孤岛检测方法 - Google Patents

Abstract

本发明公开了一种基于引入粒子群算法及相位扰动的孤岛检测方法，它于第一阶段通过检测一个周期内公共耦合点上的电压信号并进行小波变换，重构后得到尺度上信号的幅值，然后以此计算得到各尺度能量作为粒子群与BP神经网络的输入信号，最后运用BP神经网络进行模式识别；于第二阶段加入相位扰动，使公共耦合点电压的频率发生变化，并通过频率检测来确定是否真正发生了孤岛现象。它通过在第一阶段加入粒子群算法和第二阶段加入相位扰动措施大大地提高了孤岛检测的准确性和可靠性；使其可广泛地用于包括太阳能发电、风力发电等分布式能源单元的并网逆变器，以及单相分布式并网发电***、三相分布式并网发电***和多台逆变器并联的分布式并网发电***。

Description

基于引入粒子群算法及相位扰动的孤岛检测方法

技术领域

本发明涉及一种孤岛检测方法，尤其是一种基于引入粒子群算法及相位扰动的孤岛检测方法。

背景技术

当前，由于燃料能源的不断减少及其对环境危害的日益严重，人们已把目光投向了太阳能、风能等清洁且储量巨大的可再生能源。基于可再生能源的分布式发电技术是电力行业今后发展的一个重要方向，由其也引发出了一个新的问题——孤岛现象。所谓孤岛，是指主电网因故障或进行检修而处于失电状况时，分布式发电***仍可能持续工作，并与本地负载连接处于独立运行状态。孤岛现象发生后，会威胁到电网维修人员的安全，影响配电***的保护开关动作程序，在重合闸时可能对用电设备造成损害。因此，孤岛检测是分布式发电装置必须具备的一项功能，如中国发明专利CN 102611140 B于2014年4月30日公告的一种基于小波变换与神经网络的并网逆变器孤岛检测方法。该发明首先采集分布式并网发电***在孤岛状态与非孤岛状态下位于公共耦合点处的电压值及逆变器输出电流值，然后对其进行小波变换并提取高频分量小波系数进行处理，最后将处理后的信号作为神经网络的输入信号，并将所对应的孤岛状态与非孤岛状态作为输出信号，对神经网络进行训练，使得***获得孤岛状态与非孤岛状态的识别能力，从而在分布式并网发电***处于孤岛状态时采取相应的孤岛保护措施。这种检测方法虽在一定程度上提高了孤岛检测的性能，然其检测的成功率不高，尤为当电网存在高次谐波时会导致孤岛检测的误判。

发明内容

本发明要解决的技术问题为克服现有技术中的欠缺之处，提供一种具有较高准确性和可靠性的基于引入粒子群算法及相位扰动的孤岛检测方法。

为解决本发明的技术问题，所采用的技术方案为：基于引入粒子群算法及相位扰动的孤岛检测方法包括对分布式并网发电***公共耦合点信号的采集，特别是完成步骤如下：

步骤1，先实时采集分布式并网发电***公共耦合点的电压信号，得到一个电压周期内耦合点的电压信号u_PCC(i)，其中的i为采样次数，再对电压信号u_PCC(i)进行3个尺度的小波变换，得到第i次采样的第j尺度的高频分量小波系数d_j(i)，其中的j＝1,2,3；

步骤2，先对高频分量小波系数d_j(i)按照下式

计算出其在一个周期内的小波系数能量，得到E₁、E₂和E₃，再将E₁、E₂和E₃的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号、对应的孤岛状态作为BP神经网络的输出信号，以作为BP神经网络的训练样本；

步骤3，先以小波系数能量的特征向量E作为EBP神E经网E络的输入信号，通过粒子群算法对BP神经网络进行优化，得到BP神经网络的最优权值和阈值，再将训练样本输入BP神经网络进行计算，若BP神经网络输出的结果为低电平，则将相位扰动Δθ置零并返回步骤1，若结果为高电平，则实时采集分布式并网发电***公共耦合点的频率f_PCC信号；

步骤4，先比较公共耦合点的频率f_PCC和电网额定频率f_N，当f_PCC≥f_N时，则设相位扰动Δθ＝2π×(f_PCC+Δf)×T_S，否则设Δθ＝2π×(f_PCC-Δf)×T_S，式中的Δf为给定的频率因子、T_S为采样周期，再将相位扰动Δθ加入逆变器的控制信号中；

步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电***公共耦合点的新的频率f_PCC’信号，再判断新的频率f_PCC’是否满足f_min≤f_PCC’≤f_max，式中的f_min为公共耦合点电压的最小频率，f_max为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电***的状态为孤岛状态。

作为基于引入粒子群算法及相位扰动的孤岛检测方法的进一步改进：

优选地，分布式并网发电***为单相分布式并网发电***，或三相分布式并网发电***，或多台逆变器并联的分布式并网发电***。

优选地，对一个电压周期内耦合点的电压信号u_PCC(i)的采样次数i≥100。

优选地，粒子群算法对BP神经网络进行优化的过程为，

步骤a，先设置BP神经网络的输入层、输出层，以及隐层的节点数，并将小波系数能量的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号，再设置种群规模N、惯性权重w、最大迭代次数t_max、学习因子c₁和c₂，以及每个粒子的初始化速度和位置，并将各粒子初始化位置设为个体极值P_best，P_best中的最优值设为全局最优值G_best；

步骤b，先按照公式计算每个粒子的适应度值，式中的N为种群规模、Y_i,j为第i个样本的第j个理想输出值、y_i,j为第i个样本的第j个实际输出值、m为网络输出节点数，再对每个粒子将其当前的适应度值和上一次的个体极值P_best进行比较，若其当前适应度值优于P_best，则令P_best取当前的适应度值，否则，个体极值仍为原来的P_best；

步骤c，先比较当前每个粒子的个体极值P_best，找出当前迭代中的全局最优值后与历史全局最优值G_best比较，若其优于G_best，则令G_best取当前迭代中的全局最优值，否则，全局最优值G_best取原来值，再按照下式更新每个粒子的位置和速度

$\left\{\begin{array}{c}{v}_i(t+1)=w\×v_i\left(t\right)+c_1\×r_1\×(P_{\mathrm{best}}\left(t\right)-x_i\left(t\right))+c_2\×r_2\×(G_{\mathrm{best}}\left(t\right)-x_i\left(t\right))\\ x_i(t+1)=x_i\left(t\right)+v_i(t+1)\end{array}\right.,$

式中的t为当前迭代次数、w为惯性权重、c₁和c₂为学习系数、r₁和r₂为[0,1]区间的随机数、x为粒子的位置、v为粒子的速度、P_best为个体极值、G_best为全局的最优值，i＝1,2,...,N，N为种群规模；

步骤d，先按照公式计算出算法的误差，式中的t为当前迭代次数、fun(G_best(i))为第i次迭代的全局最优值的适应度值，再当算法的误差ε_err达到预先设定的误差要求或者当前迭代次数t达到最大迭代次数t_max时，则得出BP神经网络的最优权值和阈值，否则返回步骤a。

优选地，步骤4中的给定的频率因子Δf的调节范围为整数[1,10]。

优选地，步骤5中的公共耦合点电压的最小频率f_min设定为49.5Hz、最大频率f_max设定为50.5Hz。

相对于现有技术的有益效果是：

1.本发明充分地利用了粒子群算法与BP神经网络算法特有的学习和辨识能力，其中的学习过程由两部分组成，即“信息的顺传播”和“误差的逆传播”，并采用上述两个过程反复的训练，求得了BP神经网络的最佳权值和最优阈值。当逆变器输出功率与负载功率完全匹配时，本发明也能快速、准确地检测出孤岛现象，与现有技术相比，其准确性得到了极大的提高。

2.本发明加入的相位扰动措施，有效地解决了当电网存在高次谐波时产生的误判难题，避免了对孤岛现象的误判，大大地提高了孤岛检测的可靠性。

3.本发明可广泛地用于包括太阳能发电、风力发电等分布式能源单元的并网逆变器，以及应用于单相分布式并网发电***、三相分布式并网发电***和多台逆变器并联的分布式并网发电***。

附图说明

图1为本发明的一种基本流程示意图。

图2为本发明的BP神经网络结构图。

图3为本发明应用于分布式并网***的一种仿真示意框图。

图4为本发明在负载为阻性时的仿真波形。

图5为本发明在负载为感性时的仿真波形。

图6为本发明在负载为容性时的仿真波形。

图7为本发明在电网存在高次谐波情况下的仿真波形。

具体实施方式

下面结合附图对本发明的优选方式作进一步详细的描述。

本实施例采用分布式并网***来验证本发明的实施效果，***包括全桥逆变器、L滤波、负载、电网和控制器模块；其中，S1、S2分别为电网掉电开关和孤岛切断信号开关，其控制算法是通过锁相环检测获得电网电压相位θ，由直流电流给定，并由sinθ^*、的乘积获得瞬时输出电流的参考信号电流内环采用简单的P调节器，电流内环的输出与电网电压的前馈信号叠加后经过SPWM控制后输出驱动开关管。***的具体参数设定如下表所示：

参见图1、图2和图3，基于引入粒子群算法及相位扰动的孤岛检测方法的施行过程如下：

为简化说明，本实施例的分布式并网发电***为单相分布式并网发电***。同样，本发明也可用于三相分布式并网发电***，或多台逆变器并联的分布式并网发电***。

步骤1，先实时采集分布式并网发电***公共耦合点的电压信号，得到一个电压周期内耦合点的电压信号u_PCC(i)，其中的i为采样次数，本实施例中的采样次数为200次。

再对电压信号u_PCC(i)进行3个尺度的小波变换，得到第i次采样的第j尺度的高频分量小波系数d_j(i)，其中的j＝1,2,3。

步骤2，先对高频分量小波系数d_j(i)按照下式

计算出其在一个周期内的小波系数能量，得到E₁、E₂和E₃。

再将E₁、E₂和E₃的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号、对应的孤岛状态作为BP神经网络的输出信号，以作为BP神经网络的训练样本。

步骤3，先以小波系数能量的特征向量E作为EBP神E经网E络的输入信号，通过粒子群算法对BP神经网络进行优化，具体的过程为：

步骤3.1，先设置BP神经网络的输入层、输出层，以及隐层的节点数，并将小波系数能量的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号。

基于BP网络输入层节点数一般等于要训练的样本向量维数，输出层节点数在分类网络中取类别数。所以，本实施例中选取输入层节点数为3个和输出层节点数为1个。

使用参考公式式中l为隐层节点数、n为输入节点数、m为输出节点数、a为1～10之间常数，根据多次训练与测试实验，最终选定隐层节点数为8个。

选取隐层和输出层的传递函数为分别选S型正切函数和S型对数函数，学习函数选tranlm。并且选取训练次数为2000次，预先设定的误差小于10^-4，学习速率为0.001。

再对粒子群算法的参数进行初始化，即

设置种群规模N、惯性权重w、最大迭代次数t_max、学习因子c₁和c₂，以及每个粒子的初始化速度和位置，并将各粒子初始化位置设为个体极值P_best，P_best中的最优值设为全局最优值G_best。

本实施例中设置种群规模N为30、最大迭代次数t_max为200步、学习因子c₁和c₂为1.5。

设置惯性权重w按下式

$w=w_{\min }+(w_{\max }-w_{\min })\frac{t_{\max }-t}{t_{\max }},$

式中的w_min和w_max分别为惯性权重的最小值和最大值、t_max为最大迭代次数、t为当前迭代次数。本实施例中选取w_min为0.25，w_max为0.95。

步骤3.2，先按照公式计算每个粒子的适应度值，式中的N为种群规模、Y_i,j为第i个样本的第j个理想输出值、y_i,j为第i个样本的第j个实际输出值、m为网络输出节点数。

再判断每个粒子的个体极值

对每个粒子将其当前的适应度值和上一次的个体极值P_best进行比较，若其当前适应度值优于P_best，则令P_best取当前的适应度值，否则，个体极值仍为原来的P_best。

步骤3.3，先判断整个粒子群的全局最优值

比较当前每个粒子的个体极值P_best，找出当前迭代中的全局最优值后与历史全局最优值G_best比较，若其优于G_best，则令G_best取当前迭代中的全局最优值，否则，全局最优值G_best取原来值。

再按照下式更新每个粒子的位置和速度

$\left\{\begin{array}{c}{v}_i(t+1)=w\×v_i\left(t\right)+c_1\×r_1\×(P_{\mathrm{best}}\left(t\right)-x_i\left(t\right))+c_2\×r_2\×(G_{\mathrm{best}}\left(t\right)-x_i\left(t\right))\\ x_i(t+1)=x_i\left(t\right)+v_i(t+1)\end{array}\right.,$

式中的t为当前迭代次数、w为惯性权重、c₁和c₂为学习系数、r₁和r₂为[0,1]区间的随机数、x为粒子的位置、v为粒子的速度、P_best为个体极值、G_best为全局的最优值，i＝1,2,...,N，N为种群规模。

步骤3.4，先按照公式计算出算法的误差，式中的t为当前迭代次数、fun(G_best(i))为第i次迭代的全局最优值的适应度值。

再检验算法迭代的停止条件

当算法的误差ε_err达到预先设定的误差要求或者当前迭代次数t达到最大迭代次数t_max时，则得出BP神经网络的最优权值和阈值，否则返回步骤3.1。

再将训练样本输入BP神经网络进行计算，若BP神经网络输出的结果为低电平，则将相位扰动Δθ置零并返回步骤1，若结果为高电平，说明可能发生了孤岛现象，则实时采集分布式并网发电***公共耦合点的频率f_PCC信号。

步骤4，先比较公共耦合点的频率f_PCC和电网额定频率f_N，当f_PCC≥f_N时，则设相位扰动Δθ＝2π×(f_PCC+Δf)×T_S，否则设Δθ＝2π×(f_PCC-Δf)×T_S，式中的Δf为给定的频率因子、T_S为采样周期。

本实施例中给定的频率因子Δf设定为5Hz，采样周期T_S选用为0.0001s。

再将相位扰动Δθ加入逆变器的控制信号中。

步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电***公共耦合点的新的频率f_PCC’信号。

再判断新的频率f_PCC’是否满足f_min≤f_PCC’≤f_max，式中的f_min为公共耦合点电压的最小频率，现设定为49.5Hz，f_max为公共耦合点电压的最大频率，现设定为50.5Hz；若满足则返回步骤1，否则确认分布式并网发电***的状态为孤岛状态。

经实际检验，当将本发明应用于不同类型的负载和当电网存在高次谐波时，本发明均具有极好的检测实时性和获得了极高的检测准确性。如：

当负载为阻性时，参见图4，图中的第一组波形为公共耦合点电压和逆变器输出电流(放大20倍)波形，第二组波形为电网电流波形，第三组波形为孤岛判断信号，第四组波形为公共耦合点电压的频率波形。由图4可见，在0.2s时发生了孤岛现象，所以电网电流在0.2s后降为0A，0.22s时图4中的孤岛判断信号由低电平变高电平。此时加入相位扰动进而使公共耦合点电压频率随着电流的变化而变化，若检测到电压频率的频率偏移量超出了50.5Hz，就可以判断此时真正发生了孤岛状态，需进行孤岛保护。孤岛检测时间为73ms，完全满足了国标NB/T 32004-2013规定的保护时间。

当负载为感性时，图5中的波形顺序与图4相同。由图5可见在0.2s时发生了孤岛现象，所以电网电流在0.2s后降为0A，0.22s时图5中的孤岛判断信号由低电平变高电平。此时加入相位扰动进而使公共耦合点电压频率随着电流的变化而变化，若检测到电压频率的频率偏移量超出了50.5Hz，就可以判断此时真正发生了孤岛状态，需进行孤岛保护。孤岛检测时间为55ms，也完全满足了国标NB/T 32004-2013规定的保护时间。

当负载为容性时，图6中的波形顺序与图4相同。由图6可见在0.2s时发生了孤岛现象，所以电网电流在0.2s后降为0A，0.22s时图6中的孤岛判断信号由低电平变高电平。此时加入相位扰动进而使公共耦合点电压频率随着电流的变化而变化，若检测到电压频率的频率偏移量超出了49.5Hz，就可以判断此时真正发生了孤岛状态，需进行孤岛保护。孤岛检测时间为58ms，也完全满足了国标NB/T 32004-2013规定的保护时间。

当电网存在高次谐波时，图7中的波形顺序与图4相同。由图7可见，于0.2至0.24s期间，在电网电压中注入高次谐波分量4％pu的7次谐波后，电网电流在0.2s后有一定的畸变，在0.22s时图7中的孤岛判断信号由低电平变高电平。如果仅使用BP神经网络来检测孤岛就会错误地判断为孤岛发生，但是采用本发明的方法就不会产生误判断问题，本发明明显地提高了孤岛检测的准确度。

显然，本领域的技术人员可以对本发明的基于引入粒子群算法及相位扰动的孤岛检测方法进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于引入粒子群算法及相位扰动的孤岛检测方法，包括对分布式并网发电***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***公共耦合点的电压信号，得到一个电压周期内公共耦合点的电压信号u_PCC(i)，其中的i为采样次数，再对电压信号u_PCC(i)进行3个尺度的小波变换，得到第i次采样的第j尺度的高频分量小波系数d_j(i)，其中的j＝1,2,3；

步骤2，先对高频分量小波系数d_j(i)按照下式

计算出其在一个电压周期内的小波系数能量，得到E₁、E₂和E₃，再将E₁、E₂和E₃的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号、对应的孤岛状态作为BP神经网络的输出信号，以作为BP神经网络的训练样本，式中i＝1,2,3,……，n；

步骤3，先以小波系数能量的特征向量E作为BP神经网络的输入信号，通过粒子群算法对BP神经网络进行优化，得到BP神经网络的最优权值和阈值，再将训练样本输入BP神经网络进行计算，若BP神经网络输出的结果为低电平，则将相位扰动Δθ置零并返回步骤1，若结果为高电平，则实时采集分布式并网发电***公共耦合点的频率f_PCC信号；

步骤4，先比较公共耦合点的频率f_PCC和电网额定频率f_N，当f_PCC≥f_N时，则设相位扰动Δθ＝2π×(f_PCC+Δf)×T_S，否则设Δθ＝2π×(f_PCC-Δf)×T_S，式中的Δf为给定的频率因子、T_S为采样周期，再将相位扰动Δθ加入逆变器的控制信号中；

步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电***公共耦合点的新的频率f_PCC’信号，再判断新的频率f_PCC’是否满足f_min≤f_PCC’≤f_max，式中的f_min为公共耦合点的最小频率，f_max为公共耦合点的最大频率，若满足则返回步骤1，否则确认分布式并网发电***的状态为孤岛状态。

2.根据权利要求1所述的基于引入粒子群算法及相位扰动的孤岛检测方法，其特征是分布式并网发电***为单相分布式并网发电***，或三相分布式并网发电***，或多台逆变器并联的分布式并网发电***。

3.根据权利要求1所述的基于引入粒子群算法及相位扰动的孤岛检测方法，其特征是对一个电压周期内公共耦合点的电压信号u_PCC(i)的采样次数i≥100。

4.根据权利要求1所述的基于引入粒子群算法及相位扰动的孤岛检测方法，其特征是粒子群算法对BP神经网络进行优化的过程为，

步骤a，先设置BP神经网络的输入层、输出层，以及隐层的节点数，并将小波系数能量的特征向量E＝[E₁,E₂,E₃]作为BP神经网络的输入信号，再设置种群规模N、惯性权重w、最大迭代次数t_max、学习因子c₁和c₂，以及每个粒子的初始化速度和位置，并将各粒子初始化位置设为个体极值P_best，P_best中的最优值设为全局最优值G_best；

步骤b，先按照公式计算每个粒子的适应度值，式中的N为种群规模、Y_i,j为第i个训练样本的第j个理想输出值、y_i,j为第i个训练样本的第j个实际输出值、m为网络输出节点数，再对每个粒子将其当前的适应度值和上一次的个体极值P_best进行比较，若其当前适应度值优于P_best，则令P_best取当前的适应度值，否则，个体极值仍为原来的P_best；

步骤c，先比较当前每个粒子的个体极值P_best，找出当前迭代中的全局最优值后与历史全局最优值G_best比较，若其优于G_best，则令G_best取当前迭代中的全局最优值，否则，全局最优值G_best取原来值，再按照下式更新每个粒子的位置和速度

$\left\{\begin{array}{c}{v}_i(t+1)=w\×v_i\left(t\right)+c_1\×r_1\×\left(P_{best}\right(t)-x_i(t\left)\right)+c_2\×r_2\×\left(G_{best}\right(t)-x_i(t\left)\right)\\ x_i(t+1)=x_i\left(t\right)+v_i(t+1)\end{array}\right.,$

式中的t为当前迭代次数、w为惯性权重、学习因子c₁和c₂、r₁和r₂为[0,1]区间的随机数、x为粒子的位置、v为粒子的速度、P_best为个体极值、G_best为全局的最优值，i＝1,2,...,N，N为种群规模；

步骤d，先按照公式计算出粒子群算法的误差，式中的t为当前迭代次数、fun(G_best(i))为第i次迭代的全局最优值的适应度值，再当粒子群算法的误差ε_err达到预先设定的误差要求或者当前迭代次数t达到最大迭代次数t_max时，则得出BP神经网络的最优权值和阈值，否则返回步骤a。

5.根据权利要求1所述的基于引入粒子群算法及相位扰动的孤岛检测方法，其特征是步骤4中的给定的频率因子Δf的调节范围为整数[1,10]。

6.根据权利要求1所述的基于引入粒子群算法及相位扰动的孤岛检测方法，其特征是步骤5中的公共耦合点的最小频率f_min设定为49.5Hz、最大频率f_max设定为50.5Hz。