戴云霞，蘇建徽，劉 寧，張軍軍

(1．合肥工業(yè)大學電氣與自動化工程學院，安徽 合肥230009; 2．中國電力科學研究院，江蘇 南京210003)

基于諧波阻抗特征函數(shù)的分布式發(fā)電孤島識別方法研究

戴云霞1，蘇建徽1，劉 寧1，張軍軍2

(1．合肥工業(yè)大學電氣與自動化工程學院，安徽 合肥230009; 2．中國電力科學研究院，江蘇 南京210003)

研究一種新的分布式發(fā)電系統(tǒng)被動式孤島檢測方法，其主要用于檢測功率平衡狀態(tài)下發(fā)生的孤島，并由此提出虛實阻抗概念，在非孤島并網(wǎng)運行條件下，因電網(wǎng)電壓的存在，基于并網(wǎng)電流和電壓值獲得的阻抗數(shù)值實際是一種虛阻抗;孤島發(fā)生時，獲得的阻抗數(shù)值才是實際阻抗值。利用孤島發(fā)生時虛實阻抗的變化和電網(wǎng)系統(tǒng)的諧波失真，構(gòu)建一種諧波阻抗特征函數(shù)用于特征量提取，并借助BP神經(jīng)網(wǎng)絡進行孤島檢測。理論與實驗表明，根據(jù)特征函數(shù)選取的特征量孤島前后區(qū)別明顯，有助于孤島檢測，證明了該孤島檢測方法具有可行性和有效性。

分布式發(fā)電系統(tǒng);孤島檢測;特征函數(shù);BP神經(jīng)網(wǎng)絡

1 引言

近年來國內(nèi)外分布式發(fā)電系統(tǒng)(DG)的規(guī)模發(fā)展迅速，但其非計劃停電孤島運行的識別技術(shù)問題一直是難點和研究的熱點?，F(xiàn)有孤島檢測方法主要分為主動式和被動式。主動式孤島檢測需要在分布式發(fā)電裝置內(nèi)部嵌入擾動程序，并利用擾動引起的系統(tǒng)電壓、頻率和阻抗等相應變化來檢測孤島的發(fā)生，其優(yōu)點是可以有效地減少不可檢測區(qū)域(NDZ)，但可能會影響電網(wǎng)電能質(zhì)量，且對于多逆變器并聯(lián)負載條件，主動孤島方法可能的稀釋效應會影響識別的可靠性［1-3］。一般的被動式孤島檢測是通過檢測并網(wǎng)裝置的端電壓及電流信號等變量限值來檢測孤島的發(fā)生，其優(yōu)點是檢測方法易于實現(xiàn)，但存在較大的檢測盲區(qū)［3-5］。

隨著電力用戶及工業(yè)生產(chǎn)等對電能質(zhì)量要求的提高，被動式孤島檢測技術(shù)更多地受到了人們的關注。在這種檢測技術(shù)中，功率平衡狀態(tài)下的孤島檢測一直是難點。本文針對功率平衡下發(fā)生的孤島進行研究，提出了一種檢測這種孤島的被動式方法，其基本原理是基于虛實阻抗變化概念，在非孤島并網(wǎng)運行條件下，由于電網(wǎng)電壓的存在，基于并網(wǎng)電流和電壓值獲得的阻抗數(shù)值實際是一種虛阻抗;孤島發(fā)生時，測量的阻抗數(shù)值才是實際阻抗值;虛實阻抗在孤島發(fā)生前后是不同的，且電網(wǎng)系統(tǒng)一般存在諧波失真，諧波條件下的虛實阻抗會表現(xiàn)出不同的特點。利用這些特點，構(gòu)建一種諧波阻抗特征函數(shù)進行特征量提取，并借助 BP神經(jīng)網(wǎng)絡強大的學習與分類功能，進行孤島現(xiàn)象的檢測與識別。

2 基于諧波阻抗特征函數(shù)的特征量選取

2.1 諧波阻抗特征函數(shù)構(gòu)建分析

分布式并網(wǎng)發(fā)電系統(tǒng)基本拓撲如圖1所示。當孤島情況發(fā)生時，圖1中開關S斷開，系統(tǒng)穩(wěn)定時獲得的阻抗為本地負載阻抗即實阻抗，可表示為:

由于本地負載品質(zhì)因數(shù) Qf=Rω0C = R/(ω0L)，其中ω0為本地負載諧振角頻率，則實阻抗幅值可表示為:

圖1 分布式發(fā)電系統(tǒng)拓撲Fig．1 Distributed system topology

于是各次諧波實阻抗幅值可寫成:

式中，ωPCC為PCC點基波電壓角頻率;本文以上標i表示孤島情況下對應的變量，上標0表示并網(wǎng)情況下對應的變量。

由于分布式發(fā)電系統(tǒng)一般采用單位功率因數(shù)控制，于是在孤島穩(wěn)態(tài)情況下有，則式(3)可表示為:

根據(jù)式(4)可以得出關于Qf的表達式:

在電網(wǎng)正常情況下，對于圖1所示的分布式發(fā)電并網(wǎng)系統(tǒng)拓撲，根據(jù)電路KVL定律可得:

于是PCC點電壓可表示為:

則并網(wǎng)情況下獲得的阻抗即虛阻抗，可寫成:

然而，到目前為止電網(wǎng)側(cè)諧波電壓與電網(wǎng)阻抗的變化規(guī)律尚未有科學定論，但聯(lián)系實際情況可知，虛實阻抗特性一般不同，即式(16)通常不會成立，于是一般也不會成立。則可認為實阻抗和虛阻抗的諧波特征函數(shù)曲線表現(xiàn)不同。

當DG為恒功率并網(wǎng)模式時，其分析方法同DG為恒電流并網(wǎng)模式，且同樣可得虛實阻抗諧波特征函數(shù)曲線表現(xiàn)不同。

綜上所述可知，實阻抗與虛阻抗的特征函數(shù)曲線表現(xiàn)不同，且實阻抗特征函數(shù)曲線表現(xiàn)特征明顯，于是可根據(jù)孤島發(fā)生前后特征函數(shù)的變化進行功率平衡狀態(tài)下孤島現(xiàn)象的檢測。

2.2 特征量選取

電力系統(tǒng)由雙向?qū)ΨQ元件組成，這些元件產(chǎn)生的電壓電流具有半對稱性，沒有直流分量且偶次分量相互抵消。因此，在分析電力系統(tǒng)中諧波時，可以只考慮奇次諧波，忽略偶次諧波［8，9］。根據(jù)構(gòu)建的特征函數(shù)式(7)，可提取(k)(k=3，5，7，…)作為孤島檢測的特征量。然而，(k)(k=3，5，7，…)雖包含虛阻抗或?qū)嵶杩谷刻卣?，但其過高的維數(shù)使阻抗計算量大幅增加，從而大大降低了孤島檢測的實時性。為兼顧孤島檢測的準確性與實時性，需要對特征量進行優(yōu)化。通過大量實驗數(shù)據(jù)處理發(fā)現(xiàn)，分布式發(fā)電系統(tǒng)并網(wǎng)電壓和電流的高頻分量非常少，幾乎無法測出虛實阻抗值，可選擇低頻段奇次諧波分量進行研究分析。實驗分析中發(fā)現(xiàn)(k)(k= 3，5，7，9，11，13，15)在孤島發(fā)生前后差別較大，于是選擇組成孤島判別的特征向量空間，直接用于孤島檢測。

3 孤島檢測識別算法

經(jīng)特征函數(shù)提取出的特征量雖在孤島前后差異大，且在孤島情況下的特征表現(xiàn)明顯，但因電網(wǎng)本身的復雜性、本地負載的多變性、信號采集及計算等誤差因素的存在，很難通過設定閾值來鑒別分布式并網(wǎng)發(fā)電系統(tǒng)在功率平衡下的孤島與非孤島狀態(tài)，所以需借助強有力的系統(tǒng)辨識工具。人工神經(jīng)網(wǎng)絡因特有的學習能力和逼近函數(shù)的功能，可以對任何非線性系統(tǒng)具有辨識能力，而人工神經(jīng)網(wǎng)絡中 BP神經(jīng)網(wǎng)絡得到了最廣泛的關注和應用［10］，故筆者采用BP神經(jīng)網(wǎng)絡對DG系統(tǒng)的工作狀態(tài)進行模式識別?；谀Ｊ阶R別的功率平衡下的孤島檢測流程如圖2所示。然而，當DG正常并網(wǎng)時，出現(xiàn)電容器等電力設備的突然投切，會導致系統(tǒng)的各電氣量有一過渡狀態(tài)，而在此過渡狀態(tài)下獲得的特征向量空間可能與孤島狀態(tài)下獲得的特征向量空間比較相似，從而使神經(jīng)網(wǎng)絡容易對系統(tǒng)產(chǎn)生誤判斷，為了減小誤判率可以在網(wǎng)絡判定的結(jié)果是孤島情形時，經(jīng)一個延時(80ms)，再啟動神經(jīng)網(wǎng)絡進行孤島識別，以保證孤島檢測的準確性。

圖2 功率平衡狀態(tài)下孤島檢測流程圖Fig．2 Flowchart of islanding detection in power balance

BP神經(jīng)網(wǎng)絡在模式識別領域有著非常廣泛的應用，其主要思想是:輸入學習樣本，使用反向傳播算法對網(wǎng)絡的權(quán)值和閾值進行反復的調(diào)整訓練，使輸出的向量與期望向量盡可能地接近，當網(wǎng)絡輸出層的誤差平方和小于指定的誤差時訓練完成，最后保存網(wǎng)絡的權(quán)值和閾值［11］。

BP神經(jīng)網(wǎng)絡通常為三層網(wǎng)絡結(jié)構(gòu)，分別為輸入層、隱含層和輸出層，這種網(wǎng)絡可以完成任意 N維到M維映射［12］，于是設定神經(jīng)網(wǎng)絡層數(shù)為 3層。Sigmoid函數(shù)的輸出接近生物神經(jīng)元的信號輸出形式，能夠模擬生物神經(jīng)元的非線性特征，可增強神經(jīng)網(wǎng)絡的非線性映射能力［11］，選擇神經(jīng)元激勵函數(shù)為Sigmoid函數(shù)。神經(jīng)網(wǎng)絡輸入層神經(jīng)元節(jié)點數(shù)一般等于需要訓練樣本的維數(shù)，輸出層神經(jīng)元節(jié)點數(shù)在分類網(wǎng)絡中取類別數(shù)，而本文選取的特征向量空間有7個信號，輸出只有當前系統(tǒng)運行模式孤島或非孤島一項，則輸入層節(jié)點數(shù)設為7，輸出層節(jié)點數(shù)設為1。隱含層神經(jīng)元節(jié)點數(shù)設定是神經(jīng)網(wǎng)絡設計的關鍵，節(jié)點數(shù)過多會降低網(wǎng)絡訓練的收斂速度，節(jié)點數(shù)過少則會降低神經(jīng)網(wǎng)絡的容錯性，使得神經(jīng)網(wǎng)絡對樣本的識別能力下降，其節(jié)點數(shù)一般按式選取，其中，l表示隱含層神經(jīng)元節(jié)點數(shù)，n和m分別表示輸入、輸出神經(jīng)元節(jié)點數(shù)，α為經(jīng)驗常數(shù)，其大小在1～10之間［10］，由現(xiàn)有實驗樣本經(jīng)多次訓練測試結(jié)果表明，隱含層節(jié)點數(shù)為10時具有較好的訓練速度和識別效果。

4 實驗分析與驗證

為測試本孤島檢測方法的有效性，搭建了孤島實驗平臺，其結(jié)構(gòu)如圖3所示。實驗平臺并網(wǎng)逆變器采用EHE-N3KTL型單相并網(wǎng)逆變器，光伏陣列采用IV模擬器Chroma 62150H-1000S型，錄波儀采用日本橫河DL750型，孤島負載設備采用北京群菱公司 ACLT-3803H型;電網(wǎng)為實際配電網(wǎng)，電壓為220VAC/50Hz。實驗中，調(diào)節(jié)逆變器和孤島負載，使逆變器輸出有功功率Pn=1300W，并網(wǎng)有功和無功功率為0;錄波儀采樣率設置200ks/s。數(shù)據(jù)采集完畢后，運用Matlab軟件對實驗數(shù)據(jù)進行離線分析和處理。

圖3 實驗平臺結(jié)構(gòu)圖Fig．3 Experimental platform structure

表1為實驗得到的功率平衡狀態(tài)下幾組不同孤島負載時的特征量值。可以看出特征量值在孤島發(fā)生前后差異大，即虛實阻抗特征函數(shù)曲線表現(xiàn)不同，所以可利用孤島前后特征函數(shù)的變化進行孤島檢測;另外在孤島情況下，特征量值與孤島負載品質(zhì)因數(shù)Qf值很接近，如考慮檢測、計算等誤差可認為實驗結(jié)果與理論分析相符，從而驗證了理論分析的正確性。根據(jù)特征函數(shù)提取特征量并組成特征向量空間進行孤島識別，有助于 BP神經(jīng)網(wǎng)絡找出孤島與非孤島模式之間的差異，可提高孤島識別的準確性。

表1 不同孤島負載下的特征量值Tab．1 Characteristic values of different island loads

神經(jīng)網(wǎng)絡需要通過樣本訓練后才具有孤島檢測能力，在功率平衡狀態(tài)下只需通過配置孤島負載不同參數(shù)值即可得出多組樣本。筆者各選用電網(wǎng)正常情況下(非孤島模式)和孤島情況下(孤島模式)的5組樣本進行網(wǎng)絡訓練，5組樣本進行測試。當神經(jīng)網(wǎng)絡通過樣本訓練，能正確識別測試樣本時，表明網(wǎng)絡訓練結(jié)束，可進行孤島檢測方法的離線驗證。孤島方法離線驗證時，孤島負載配置值滿足 P= 1300W，Qf=2.2，該組配置沒有經(jīng)過神經(jīng)網(wǎng)絡訓練和測試，另外為進一步檢測本方法的抗干擾、防誤判能力，特設置了其他兩種事件進行測試，分別為電容器投入(電容器容量3kvar)和電容器切除(電容器容量2.86kvar)。

圖4為功率平衡狀態(tài)下孤島發(fā)生時的離線檢測波形?？梢娫?.65s電網(wǎng)側(cè)流入本地負載的電流Ig變?yōu)?，表明此時發(fā)生孤島，而孤島檢測模塊輸出信號island在0.76s由0變?yōu)?，表明此時檢測出孤島的發(fā)生。孤島檢測所用時間僅為 0.11s，檢測速度很快，滿足國標 GB/T19939-2005［11］對孤島檢測時間的要求。

圖4 孤島發(fā)生時的檢測波形Fig．4 Detected waveforms for islanding occurred

圖5為功率平衡狀態(tài)下電容器投入時的離線檢測波形?？梢娫?.73s電網(wǎng)側(cè)電流Ig突然增加且相位超前PCC點電壓UPCC相位90°，表明此時發(fā)生電容器投入。而發(fā)生電容器投入時電網(wǎng)仍然連接，由圖可知孤島檢測模塊沒有發(fā)生誤判，其輸出信號island始終為0。

圖6為功率平衡狀態(tài)下電容器切除時的離線檢測波形?？梢娫?.55s電網(wǎng)側(cè)電流Ig突然增加且相位滯后PCC點電壓UPCC相位90°，表明此時發(fā)生電容器切除。電容器切除不屬于孤島情形，且由圖可知孤島檢測模塊輸出信號island一直為0，未發(fā)生誤判。

圖7為離線驗證時得出的特征函數(shù)波形圖?？梢钥闯鲭娙萜魍度肱c電容器切除得出的特征函數(shù)波形圖與電網(wǎng)正常情況下得出的特征函數(shù)波形圖類似，而與孤島情況下得出的特征函數(shù)波形圖區(qū)別明顯，因此發(fā)生電容器投入和電容器切除時本文孤島方法都沒有發(fā)生誤判，同時也表明神經(jīng)網(wǎng)絡具有較好的泛化能力，可提高該孤島檢測法的識別能力。另外還可以把各種突發(fā)事件下得出的特征量值作為非孤島模式的樣本用于神經(jīng)網(wǎng)絡訓練，可進一步增強該孤島檢測法的抗干擾防誤判能力。

圖5 電容器投入時的檢測波形Fig．5 Detection waveforms for capacitor switching-on

圖6 電容器切除時的檢測波形Fig．6 Detected waveforms for capacitor switching-off

圖7 離線驗證時得出的特征函數(shù)波形圖Fig．7 Plots of characteristic values of off-line verification

實驗中還進行了逆變器輸出有功功率為500W和2100W的孤島實驗，其實驗結(jié)果都符合預期。

5 結(jié)論

本文研究了一種新的被動式孤島檢測方法，其主要用于檢測功率平衡狀態(tài)下發(fā)生的孤島，通過利用孤島發(fā)生時虛實阻抗的變化及電網(wǎng)系統(tǒng)通常存在的諧波失真，構(gòu)建一種諧波阻抗特征函數(shù)用于特征量提取，并借助 BP神經(jīng)網(wǎng)絡進行孤島檢測。理論與實驗表明，該方法具有可行性，可為相關研究人員提供參考。

然而，該方法也存在不足，比如當電網(wǎng)系統(tǒng)諧波失真很小，以致無法檢測到相應電壓電流諧波分量時，此方法將失效。另外，不同實驗條件都有可能影響該孤島檢測法，文中只采用了某一型號逆變器和實際配電網(wǎng)進行初步實驗，實驗數(shù)據(jù)有限，對孤島特性研究及神經(jīng)網(wǎng)絡的訓練還不夠充分，后續(xù)工作還需要在各種實驗條件下進一步測試和研究。

［1］劉方銳，康勇，張宇，等 (Liu Fangrui，Kang Yong，Zhang Yu，et al．)．帶正反饋的主動移頻孤島檢測法的參數(shù)優(yōu)化 (Parameter optimization for active frequency drift with positive feedback islanding detection strategy)［J］．電工電能新技術(shù) (Advanced Technology of Electrical Engineering and Energy)，2008，27(3):22-25．

［2］馬靜，米超，王增平 (Ma Jing，Mi Chao，Wang Zengping)．基于諧波畸變率正反饋的孤島檢測新方法 (A novel islanding detection method based on positive feedback of voltage harmonic distortion)［J］．電力系統(tǒng)自動化 (Automation of Electric Power Systems)，2012，36 (1):47-65．

［3］張興，曹仁賢 (Zhang Xing，Cao Renxian)．太陽能光伏并網(wǎng)發(fā)電及其逆變控制 (Solar photovoltaic grid connected power generation and inverter control)［M］．北京:機械工業(yè)出版社 (Beijing:China Machine Press)，2010．

［4］N Liu，A S Aljankawey，C Diduch，et al．A passive islanding detection index based on variation of signal energy［A］．3rd IEEE International Symposium on Power Electronics for Distributed Generation Systems(PEDG)［C］．2012.364-367．

［5］Khalil El-Arroudi．Data mining approach to threshold settings of islanding relays in distributed generation［J］．IEEE Transactions on Power Systems，2007，22(3): 1112-1119．

［6］Static inverter and charge controllers for use in photovoltaic systems［R］．Underwriters Laboratories Inc．，1999-05-07．

［7］IEEE Std．929-2000，IEEE recommended practice for utility interface of photovoltaic(PV)systems［S］．

［8］黨震宇，劉智銘，張曉宇 (Dang Zhenyu，Liu Zhiming，Zhang Xiaoyu)．基于HHT與BP神經(jīng)網(wǎng)絡的孤島檢測技術(shù) (Islanding detection based on Hilbert-Huang transform and BP network)［J］．電力系統(tǒng)保護與控制(PowerSystem Protection and Control)，2011，39 (17):103-108．

［9］徐政 (Xu Zheng)．電力系統(tǒng)諧波基本原理、分析方法和濾波器設計 (Basic principle，analytical method and filter design for power system harmonic)［M］．北京:機械工業(yè)出版社 (Beijing:China Machine Press)，2003. 43-47．

［10］謝東，張興，曹仁賢 (Xie Dong，Zhang Xing，Cao Renxian)．基于小波變化與神經(jīng)網(wǎng)絡的孤島檢測技術(shù)(Islanding detection based on wavelet transform and neural network)［J］．中國電機工程學報 (Proceedings of the CSEE)，2014，34(4):537-544．

［11］李永明 (Li Yongming)．人工神經(jīng)網(wǎng)絡BP學習算法的研究及在人臉識別中的應用 (The study of BP learning algorithm of artificial neural network and its application in face recognition)［D］．濟南:山東大學 (Jinan:Shandong University)，2012．

［12］于山，王海霞，馬亞杰 (Yu Shan，Wang Haixia，Ma Yajie)．三層BP神經(jīng)網(wǎng)絡地震災害人員傷亡預測模型 (Three-layer BP network model for estimation of casualties in an earthquake)［J］．地震工程與工程振動(Earthquake Engineering and Engineering Vibration)，2005，25(6):113-117．

(，cont．on p.64)(，cont．from p.42)

Research on islanding identification method for distributed generation based on harmonic impedance characteristic function

DAI Yun-xia1，SU Jian-hui1，LIU Ning1，ZHANG Jun-jun2
(1．School of Electrical Engineering and Automation，Hefei University of Technology，Hefei 230009，China; 2．China Electric Power Research Institute，Nanjing 210003，China)

A new passive islanding detection method for distributed generation(DG)is studied which is mainly used for detecting the islanding in power balance，and therefore the concept of virtual and real impedance is proposed．In non-islanding grid-connected operation conditions，due to the presence of grid voltage，the impedance value obtained by grid-connected current and voltage is actually virtual impedance;when islanding occurs，impedance values obtained is the actual impedance．The new method exploits difference between virtual and real impedance and harmonic distortion of grid system to construct harmonic impedance characteristic function which is used for extracting features and then to detect islanding operations by BP neural network．Theory and experiments show that，the features extracted from characteristic function obviously different before and after islanding are helpful for islanding detection;and the islanding detection method is feasible and effective．

DG;islanding detection;characteristic function;BP neural network

TM615

:A

:1003-3076(2015)12-0037-06

2014-10-23

國家電網(wǎng)公司科技項目 (NY71-13-036)

戴云霞(1990-)，女，江蘇籍，碩士研究生，研究方向為光伏發(fā)電技術(shù);蘇建徽(1963-)，男，安徽籍，教授，博士，研究方向為光伏發(fā)電技術(shù)。