[发明专利]一种基于极限学习机的微电网孤岛检测方法

说明书

技术领域：

本发明涉及一种基于极限学习机的微电网孤岛检测方法。

背景技术：

微电网解决了分布式电网孤岛运行问题，其中重要的一个方面是并网和孤网相互转化问题，如何进行孤岛检测是关键。国内外的学者提出了多种孤岛检测方法，可分为电网端孤岛检测和逆变器端孤岛检测，逆变器端的检测法又分为被动和主动两类检测法。

被动式孤岛检测方法监测盲区大、门槛值难以确定；主动式孤岛检测方法会在一定程度上引起电力系统电能质量下降，而且检测方法稀释性差，在多个分布式电源存在的情况下，可能由于扰动信号不同步而发生相互抵消的情况，影响检测效率。这些方法各有优缺点，一般根据需要选择不同的检测方法。鉴于主动检测法和被动检测法都存在各自的缺点，现提出一种新的基于极限学习机（Extremelearningmachine（ELM））分类算法的微电网孤岛检测方法。

计算智能技术已经得到广泛应用，其中神经网络（neuralnetworks）和支持向量机（supportvectormachines（SVMs））占据主导地位。但是，我们已经知道无论是神经网络还是SVMs都面临诸多挑战：（1）学习速度慢；（2）琐碎的人类干预；（3）计算稳定性差等。鉴于传统的神经网络和SVMs的不足，而极限学习机可以在很大程度上解决上述不足，我们提出采极限学习机分类算法进行孤岛检测。

极限学习机算法由于其可以克服其他算法的不足之处，一经提出便受到了很多科研人员的关注。极限学习机是一种广义单隐层前馈神经网络（single-hiddenlayerfeed-forwardnetworks（SLFNs）），极限学习机的核心在于SLFNs的隐含层在计算过程中不需要调整。与传统的智能计算方法相比，极限学习机计算速度快，人为干扰小，泛化能力强。

发明内容

本发明为了解决上述问题，提出了一种基于极限学习机的微电网孤岛检测方法，本方法通过建立基于特征提取和极限学习机分类算法的微电网孤岛检测模型，并对本模型进行了详细描述；选取部分历史数据作为初始数据，根据实际情况适当选取算法特征用于极限学习机分类器训练，孤岛检测效果良好，监测盲区小。

所谓孤岛运行是分布式电源（DG）在发生大电网故障的情况下，与大电网断开并继续向本地负载RL供电、独立运行的情况称为孤岛运行。

为了实现上述目的，本发明采用如下技术方案：

一种基于极限学习机的微电网孤岛检测方法，其特征是：包括以下步骤：

选取历史数据作为初始数据，对数据进行预处理，提取微电网参数特征量，表示原始电气量；

给定训练样本集、隐含层输出函数和隐含层节点数，建立极限学习机网络训练模型，根据随机生成的隐含层节点参数，计算隐含层输出矩阵和输出权重，根据限学习机网络的计算结果，对给定测试数据进行分类；

利用极限学习机分类算法对提取的微电网参数特征进行参数寻优，求取最优参数值，基于最优种群的生存原则，利用遗传算法，进行参数的优选，构建包含离线参数寻优与在线孤岛检测的微电网孤岛检测模型；

采集在线数据，对其进行特征提取，利用微电网孤岛检测模型判断其是否为孤岛，如果是，则判定为发生孤岛，如果不是，则重新采集在线数据。

所述步骤（1）中，所提取的微电网参数特征量满足以下条件：

1）反映微电网运行状态的电气量；

2）在微电网发生孤岛前后应有所变化；

3）特征容易提取，直接提取或经过简单计算即可提取，避免复杂运算。

所述步骤（1）中，采集的原始电气量表示为：

式中，表示所采集的原始样本集合，表示第a个原始样本的第b个原始电气量，A表示原始样本集的样本数，B表示每个样本集所包含的的原始电气量个数；

用于极限学习机分类器训练的样本集表示为：

式中，表示训练样本集，表示第a个训练样本的第m个特征，M表示由原始电气量提取的用于极限学习机分类器训练的负荷特征数。

所述步骤（2）中，极限学习机网络训练模型采用前向单隐层结构，建立其的具体方法为：

给定训练样本集、隐含层输出函数和隐含层节点数L，表示具有L个隐含层节点的极限学习机的输出函数，随机生成隐含层节点参数，根据其计算隐含层输出矩阵H和输出权重，给定测试数据，根据极限学习机的输出结果进行分类；