[发明专利]光伏发电系统的智能被动式孤岛检测方法

权利要求书

1.一种引入电气量相互关系的光伏发电系统的智能被动式孤岛检测方法，其特征在于，包括以下步骤：

步骤1：通过历史运行数据和模拟仿真，获取光伏发电系统在并网运行和孤岛运行状态下并网点的三相电压和电流数据；

步骤2：根据获取的电压和电流数据来筛选、计算出能够判断光伏发电系统并网或孤岛运行状态的特征电气量；

步骤3：使用Adaboost算法，根据特征电气量数据生成判断光伏发电系统运行状态的分类模型；

步骤4：结合分类模型中使用的各特征电气量之间的电气关系对生成的分类模型进行优化调整，并检验其准确率；

步骤5：实时采集并计算光伏发电系统当前的各特征电气量，应用优化调整过的分类模型对系统当前的运行状态进行分类。

2.根据权利要求1所述方法，其特征在于，所述步骤1还包括利用Matlab仿真软件根据实际光伏系统建立仿真模型，并通过模拟仿真采集不同运行条件下光伏系统并网和孤岛运行的数据，其中包括不同的有功、无功功率匹配度以及系统采用的不同的孤岛检测策略。

3.根据权利要求1所述方法，其特征在于，所述步骤1还包括：分别在被动式孤岛检测法和主动式孤岛检测策略下进行模拟，采集系统在不同有功、无功匹配程度、光伏电源并联机组数、频率-无功反馈法不同反馈系数的运行状态下并网和孤岛运行时的电气特征量；模拟的运行状态中包含了被动式和频率-无功反馈法孤岛检测系统的死区，也包含了正常运行时系统的扰动导致的有功、无功功率变化情况。

4.根据权利要求1所述方法，其特征在于，所述特征电气量包括电压、电压对时间的变化率、频率、频率对时间的变化率、频率与有功功率之积、电压与电流的相位差、有功功率、有功功率对时间的变化率、无功功率、无功功率对时间的变化率。

5.根据权利要求1所述方法，其特征在于，所述特征电气量在不同运行条件下的每个时刻提取为一组特征量并和运行状态代码组成一组作为Adaboost算法学习的数据组，所有的特征量构成特征电气量数据库；数据库被随机均分成两组，一组是学习样本集，用于智能算法学习以生成分类模型；另一组是测试样本集，用于测试所生成模型对系统运行状态分类的准确程度。

6.根据权利要求1所述方法，其特征在于，所述Adaboost算法为一种迭代算法，每轮迭代中利用学习样本集生成一个准确率相对较低的弱分类模型，被本轮弱分类模型错误分类样本在下一轮迭代中所受到的关注度会提高，后一轮迭代生成的弱分类模型对这些样本的判断结果会更加明显的影响到该轮模型的权重，迭代结束各弱分类模型加权组合成一个强分类模型，各弱分类模型在最终复合的强分类模型中的权重由其自身的分类准确程度决定。

7.根据权利要求1所述方法，其特征在于，所述步骤3具体包括：

步骤301：初始化训练数据的权值分布：

步骤302：使用具有当前权值分布的训练数据集学习，利用每种电气量分别得到一个分类模型；

步骤303：在第m轮学习过程中，根据当前轮次中学习样本的权值，每种电气量生成一个分类误差率最小的模型；

步骤304：计算分类模型在训练数据集上的分类误差率，将本轮生成的所有分类模型的误差率中的最小值记为本轮的分类误差率，将对应的弱分类模型作为本轮迭代生成的弱分类模型，同时记录相对应的电气量种类；

步骤305：计算弱分类模型的权重；

步骤306：更新训练数据集的权值分布，每轮学习输出一个弱分类模型，附带两个参数：权重和对应电气量种类；

步骤307：学习过程结束后，各弱分类模型加权并相加，取其符号生成强分类模型。

8.根据权利要求1所述方法，其特征在于，所述步骤4对已生成的强分类模型中各弱分类模型的权重进行进一步的调整，使强分类模型能够更好的适应特定的系统运行状态，获得更高的判断准确度；并用检验样本集中不同组的数据多次检测所生成模型的准确率，并调节迭代次数，直至其准确率的期望值达到预期值。