周皓, 李維剛, 童朝南, 李偉力, 茆美琴

(1.北京科技大學(xué) 自動(dòng)化學(xué)院, 北京 100083; 2.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,湖北 武漢430081;3.北京交通大學(xué) 電氣工程學(xué)院, 北京 100044; 4.合肥工業(yè)大學(xué) 教育部光伏系統(tǒng)工程中心, 安徽 合肥 230009)

?

WT-ANFIS在孤島檢測(cè)中的應(yīng)用研究

周皓1,3, 李維剛2, 童朝南1, 李偉力3, 茆美琴4

(1.北京科技大學(xué) 自動(dòng)化學(xué)院, 北京 100083; 2.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,湖北 武漢430081;3.北京交通大學(xué) 電氣工程學(xué)院, 北京 100044; 4.合肥工業(yè)大學(xué) 教育部光伏系統(tǒng)工程中心, 安徽 合肥 230009)

針對(duì)傳統(tǒng)被動(dòng)式孤島檢測(cè)法存在檢測(cè)時(shí)間長(zhǎng)、盲區(qū)大,而主動(dòng)式孤島檢測(cè)法影響電能質(zhì)量的缺點(diǎn),提出一種新的基于模糊神經(jīng)網(wǎng)絡(luò)與小波變換的孤島檢測(cè)方法。該方法首先采集逆變器輸出的電流信號(hào)和公共耦合點(diǎn)處的電壓信號(hào),再將該電流信號(hào)和電壓信號(hào)分別進(jìn)行小波變換,然后通過對(duì)各尺度上的細(xì)節(jié)信號(hào)進(jìn)行算法處理來獲取適合于孤島檢測(cè)的特征向量,最后該特征向量通過模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別來判斷系統(tǒng)是否發(fā)生孤島現(xiàn)象。仿真與實(shí)驗(yàn)結(jié)果表明,該方法在并網(wǎng)逆變器功率與本地負(fù)載功率匹配及失配的多種條件下均能有效識(shí)別,具有檢測(cè)速度快,盲區(qū)小,對(duì)電能質(zhì)量無影響等優(yōu)點(diǎn),并且適合于單相、三相光伏并網(wǎng)系統(tǒng)。

孤島檢測(cè); 小波變換; 模糊神經(jīng)網(wǎng)絡(luò); 細(xì)節(jié)信號(hào); 特征向量

0 引 言

在正常情況下,光伏系統(tǒng)聯(lián)接在電網(wǎng)上并向其輸送電能。當(dāng)電網(wǎng)由于電氣故障或其它原因造成供電中斷時(shí),系統(tǒng)仍有可能向本地負(fù)載供電,這樣形成電力公司無法掌控的一個(gè)自給供電孤島,這種現(xiàn)象稱為孤島(islanding)效應(yīng)[1-2]。其危害性在于:因?yàn)槟孀兤鞴ぷ髟陔娏骺刂颇Ｊ?沒有大電網(wǎng)的支撐而無法控制孤島中的電壓和頻率,會(huì)給用戶的設(shè)備正常運(yùn)行帶來安全隱患;并且孤島運(yùn)行使線路處于帶電狀態(tài),會(huì)對(duì)用戶、檢修人員的人身安全構(gòu)成威脅。因此,必須采取合適的孤島檢測(cè)方法[3-4]。

目前,孤島檢測(cè)分為被動(dòng)式檢測(cè)、主動(dòng)式檢測(cè)和基于電力線載波通信(power line carrier communication,PLCC)檢測(cè)[5-6]。其中被動(dòng)式檢測(cè)通過對(duì)公共耦合點(diǎn)(point of common coupling,PCC)的電壓幅值、頻率等進(jìn)行檢測(cè)來判斷是否發(fā)生孤島,其優(yōu)點(diǎn)是檢測(cè)容易實(shí)現(xiàn),對(duì)系統(tǒng)的穩(wěn)定性和電能質(zhì)量無影響,但檢測(cè)時(shí)間長(zhǎng)、盲區(qū)大(non-detection zone,NDZ)等缺點(diǎn)[7-8]。主動(dòng)式檢測(cè)方法通過在控制信號(hào)中加入很小的電壓、頻率或相位等擾動(dòng)信號(hào),同時(shí)檢測(cè)輸出,其優(yōu)點(diǎn)是能夠快速檢測(cè)出孤島,減小NDZ,但影響系統(tǒng)的供電質(zhì)量[9-10]。PLCC是基于通信手段檢測(cè)孤島,其優(yōu)點(diǎn)是檢測(cè)盲區(qū)較小,但結(jié)構(gòu)復(fù)雜、投入成本高,尚未得到廣泛應(yīng)用[11]。

針對(duì)被動(dòng)式和主動(dòng)式檢測(cè)方法的不足,文獻(xiàn)[12]通過小波變換(wavelet transform, WT)從逆變器輸出的電流信號(hào)以及PCC點(diǎn)的電壓信號(hào)中提取特征量,再通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別判斷是否發(fā)生孤島,但文中沒有給出小波分析過程與神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測(cè)試相關(guān)數(shù)據(jù)。為此,本文在現(xiàn)有文獻(xiàn)的基礎(chǔ)上對(duì)孤島檢測(cè)方法進(jìn)行了更深入研究,將小波變換與模糊神經(jīng)網(wǎng)絡(luò)(adaptive network based fuzzy inference system, ANFIS)相結(jié)合應(yīng)用到孤島檢測(cè)中,提出以逆變器輸出電流信號(hào)和PCC點(diǎn)電壓信號(hào)經(jīng)4個(gè)尺度小波分解后獲得的細(xì)節(jié)信號(hào)的絕對(duì)平均值作為特征向量,同時(shí)將模糊推理與神經(jīng)網(wǎng)絡(luò)結(jié)合起來的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行孤島檢測(cè)模式識(shí)別。仿真與實(shí)驗(yàn)結(jié)果表明,該方法具有孤島檢測(cè)精確度高,檢測(cè)速度快、盲區(qū)小等優(yōu)點(diǎn)。

1 基于小波ANFIS的孤島檢測(cè)方法

基于模糊神經(jīng)網(wǎng)絡(luò)與小波變換的孤島檢測(cè)步驟如下:1)采集逆變器輸出電流信號(hào)和PCC點(diǎn)的電壓信號(hào);2)對(duì)電流信號(hào)和電壓信號(hào)分別進(jìn)行小波分解得到各尺度上的小波分量(細(xì)節(jié)信號(hào));3)對(duì)小波分量進(jìn)行數(shù)學(xué)處理;4)將處理后的信號(hào)作為特征向量空間提供給模糊神經(jīng)網(wǎng)絡(luò)(選用其中的ANFIS網(wǎng)絡(luò))的輸入層,由ANFIS根據(jù)輸入的特征向量判斷是否發(fā)生孤島。

1.1 小波變換及其Mallat算法

小波變換是分析非平穩(wěn)信號(hào)或具有奇異性特變信號(hào)的最有效方法,適合于孤島檢測(cè)這種產(chǎn)生瞬態(tài)突變信號(hào)的場(chǎng)合。因此本文采用離散小波變換常用的Mallat算法實(shí)現(xiàn)小波分解,其數(shù)學(xué)表達(dá)式[13]為

(1)

式中H和G分別為低通濾波器和高通濾波器[14]。將c0定義為原始信號(hào)X,通過式(1)可以將X分解為d1,d2, …,dJ和cJ(J為最大分解層數(shù)),其中cj和dj分別稱為原始信號(hào)在分辨率2-j下的逼近信號(hào)和細(xì)節(jié)信號(hào)。各層逼近信號(hào)和細(xì)節(jié)信號(hào)是原始信號(hào)X在相鄰不同頻率段上的成分。

Mallat的塔式重構(gòu)算法為

Cj=H*Cj+1+G*Dj+1,j=J-1,J-2,…,0。

(2)

其中H*和G*分別是H和G的對(duì)偶算子。采用重構(gòu)算法式(2)對(duì)小波分解后的信號(hào)進(jìn)行重構(gòu)可以增加信號(hào)的點(diǎn)數(shù)。對(duì)d1,d2, …,dJ和cJ分別進(jìn)行重構(gòu)得到D1,D2, …,DJ和CJ,它們和原始信號(hào)X的點(diǎn)數(shù)一樣,并且有

X=D1+D2+…+DJ+CJ。

(3)

由小波分解與重構(gòu)的原理可知,當(dāng)我們利用尺度函數(shù)和小波函數(shù)對(duì)逆變器輸出電流、PCC點(diǎn)電壓信號(hào)進(jìn)行幾個(gè)分辨率的分解時(shí),其實(shí)質(zhì)是將一組包含多組信息綜合的信號(hào)分解到不同的信息子空間上,得到不同頻率的分解信號(hào)。之后,可以對(duì)分量序列進(jìn)行各種算法處理,得到用于ANFIS網(wǎng)絡(luò)進(jìn)行模式識(shí)別用的特征向量。

1.2 特征向量的選取及處理

選取逆變器輸出電流和PCC點(diǎn)電壓作為特征量,當(dāng)電流或電壓信號(hào)中只要有一個(gè)信號(hào)的特征量有較高的辨識(shí)度時(shí),ANFIS網(wǎng)絡(luò)就能有效識(shí)別出孤島狀態(tài)發(fā)生。為了減少ANFIS網(wǎng)絡(luò)輸入信號(hào)個(gè)數(shù),本文計(jì)算細(xì)節(jié)信號(hào)的絕對(duì)平均值作為特征量,在保證識(shí)別準(zhǔn)確率較高的前提下,只保留對(duì)識(shí)別結(jié)果影響較大的特征,因此,選擇小波分解獲得的細(xì)節(jié)信號(hào)D1～D4的絕對(duì)平均值作為特征向量。處理過程如下:對(duì)采集到的逆變器輸出電流與PCC點(diǎn)電壓信號(hào)進(jìn)行4尺度的小波分解,提取D1～D4細(xì)節(jié)信號(hào),對(duì)每個(gè)細(xì)節(jié)信號(hào)在一個(gè)電壓周期內(nèi)先取絕對(duì)值再求其平均值(后文稱為“絕對(duì)平均值”),將電流、電壓信號(hào)細(xì)節(jié)信號(hào)的絕對(duì)平均值分別記為dbi1～dbi4、dbu1～dbu4,共同組成ANFIS網(wǎng)絡(luò)的特征向量空間:

(4)

1.3 ANFIS模型的結(jié)構(gòu)設(shè)計(jì)

經(jīng)小波變換與算法處理后的特征量,在不同負(fù)載條件下會(huì)發(fā)生顯著變化,很難通過設(shè)定閾值來判定孤島發(fā)生與否,需借助強(qiáng)有力的模式識(shí)別工具。

模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network, FNN)將模糊推理(fuzzy system, FS)與神經(jīng)網(wǎng)絡(luò)(neural network, NN)有機(jī)結(jié)合起來,同時(shí)具有模糊邏輯易于表達(dá)人類知識(shí)和神經(jīng)網(wǎng)絡(luò)的分布式信息存儲(chǔ)以及學(xué)習(xí)能力的優(yōu)點(diǎn),對(duì)于復(fù)雜系統(tǒng)的建?？刂婆c模式識(shí)別提供了有效的工具。模糊神經(jīng)網(wǎng)絡(luò)主要包括3種:基于模糊化神經(jīng)網(wǎng)絡(luò)與模糊算子的FNN,和模糊推理網(wǎng)絡(luò),其中模糊推理網(wǎng)絡(luò)是模糊模型的神經(jīng)網(wǎng)絡(luò)的一種實(shí)現(xiàn),是一種多層前向網(wǎng)絡(luò),它將模糊系統(tǒng)表示為一類神經(jīng)系統(tǒng)的1/0關(guān)系,模糊推理網(wǎng)絡(luò)的可調(diào)參數(shù)一般是非線性的,具有非常強(qiáng)大的自學(xué)習(xí)功能。Jang在1993年將T-S模糊模型與5層神經(jīng)元網(wǎng)絡(luò)結(jié)合而成的ANFIS,能夠快速完成高度的非線性映射,T-S型模糊神經(jīng)網(wǎng)絡(luò)在系統(tǒng)建模上有特殊優(yōu)勢(shì)。因此,本文采用ANFIS網(wǎng)絡(luò)對(duì)孤島狀態(tài)的模式進(jìn)行識(shí)別。

一般地,ANFIS網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)等于要訓(xùn)練的樣本向量維數(shù),輸出層節(jié)點(diǎn)數(shù)為分類網(wǎng)絡(luò)中的類別數(shù)。本文選取的特征向量空間有8個(gè)信號(hào),所以輸入層節(jié)點(diǎn)數(shù)設(shè)為8個(gè);輸出只對(duì)孤島工作狀態(tài)進(jìn)行分類,即孤島狀態(tài)與非孤島狀態(tài),所以輸出層節(jié)點(diǎn)數(shù)設(shè)定為1個(gè)。

2 孤島檢測(cè)仿真建模實(shí)例

搭建如圖1所示的仿真電路示意圖來驗(yàn)證本文提出的孤島檢測(cè)方法。其中逆變器輸出電流、有功功率、無功功率分別為iinv、P、Q,電網(wǎng)電壓Vgrid,系統(tǒng)運(yùn)行時(shí)逆變器輸送到電網(wǎng)的電流、有功功率、無功功率分別為igrid、P1、Q1,通過調(diào)節(jié)本地負(fù)載Z使逆變器輸出的有功功率、無功功率與本地負(fù)載消耗的有功功率、無功功率近似相等(即P1≈0,Q1≈0)時(shí),模擬在最惡劣的情況下來驗(yàn)證孤島檢測(cè)情況。

圖1 孤島檢測(cè)仿真電路示意圖

2.1 樣本數(shù)據(jù)獲取及小波分解

根據(jù)電網(wǎng)電流、電壓的各種典型變化,仿真實(shí)例共設(shè)計(jì)了孤島與非孤島兩種模式下的15種代表性情況以驗(yàn)證孤島檢測(cè)的效果,其中孤島狀態(tài)模式:1)在某一時(shí)刻斷開斷路器S,電網(wǎng)電流信號(hào)在第2個(gè)周期末消失,逆變器電流隨之在第4個(gè)周期末消失,孤島產(chǎn)生,PCC點(diǎn)電壓信號(hào)在第5個(gè)周期末消失,如圖2所示。以下均以此為基準(zhǔn)進(jìn)行適當(dāng)變化。2)電網(wǎng)電流信號(hào)幅值增大30%,并增加18度相位角;電網(wǎng)電壓信號(hào)幅值增大20%。3)電網(wǎng)電流信號(hào)不變;電網(wǎng)電壓信號(hào)添加3次諧波。4)電網(wǎng)電流信號(hào)不變;電網(wǎng)電壓信號(hào)添加5次諧波。5)電網(wǎng)電流信號(hào)添加3次諧波;電網(wǎng)電壓信號(hào)不變。6)電網(wǎng)電流信號(hào)添加3次諧波;電網(wǎng)電壓信號(hào)添加3次諧波。7)電網(wǎng)電流信號(hào)幅值從第2個(gè)周期末增大9 A;電網(wǎng)電壓信號(hào)添加3次諧波。8)電網(wǎng)電流信號(hào)幅值在第2個(gè)周期末增大9 A;電網(wǎng)電壓信號(hào)添加3次諧波,并在第4個(gè)周期末開始按指數(shù)函數(shù)衰減。

圖2 孤島模式下的電流和電壓波形

非孤島模式:1)電流、電壓信號(hào)如圖2中發(fā)生孤島前的狀態(tài),一直延續(xù)到第8個(gè)周期,以下均以此為基準(zhǔn)進(jìn)行適當(dāng)變化。2)電網(wǎng)電流信號(hào)幅值增大30%,并增加18度相位角;電網(wǎng)電壓信號(hào)不變。3)電網(wǎng)電流信號(hào)幅值增大50%,并增加36度相位角;電網(wǎng)電壓信號(hào)幅值增大30%。4)電網(wǎng)電流信號(hào)不變;電網(wǎng)電壓信號(hào)添加3次諧波。5)電網(wǎng)電流信號(hào)不變;電網(wǎng)電壓信號(hào)添加3次諧波,并提前一個(gè)周期短路;6)電網(wǎng)電流信號(hào)不變;電網(wǎng)電壓信號(hào)幅值從第4個(gè)周期末開始按指數(shù)函數(shù)衰減。7)電網(wǎng)電流信號(hào)幅值從第2個(gè)周期末開始增大9 A;電網(wǎng)電壓信號(hào)不變。

圖2是斷路器S在0.4 s(對(duì)應(yīng)時(shí)間0.4 s,即橫坐標(biāo)400處,以下相同)斷開時(shí)逆變器輸出電流、PCC點(diǎn)電壓、電網(wǎng)電壓、電網(wǎng)電流4個(gè)信號(hào)的波形。因?yàn)榘l(fā)生了孤島,所以逆變器輸出電流在0.8 s時(shí)降為0,PCC點(diǎn)電壓在1 s時(shí)降為0。

選擇合適的小波函數(shù)進(jìn)行信號(hào)分析,對(duì)孤島檢測(cè)效果具有非常大的影響。由于db4小波具有良好的緊支性,并且可以減少相鄰分解級(jí)間信號(hào)能量的滲漏以保證其局部化能力;通過db4小波變換所提取的信號(hào)精確性與完整性較好,且db4小波具備正交性允許重構(gòu)原始信號(hào)[15],故本文采用db4小波。

下面通過一個(gè)具體的電流信號(hào)進(jìn)行小波分解來舉例說明。對(duì)圖2中孤島模式下的逆變器輸出電流信號(hào)進(jìn)行4個(gè)尺度的小波分解,得到各尺度上的小波分量信號(hào)如圖3所示,其中s為原始信號(hào),a4為尺度4上的逼近信號(hào),d1～d4分別為尺度1～4上的細(xì)節(jié)信號(hào)。

圖3 孤島模式下電流信號(hào)經(jīng)小波分解得到的分量信號(hào)

由圖可見:1)當(dāng)孤島發(fā)生時(shí),細(xì)節(jié)信號(hào)d1～d4在逆變器輸出電流信號(hào)變?yōu)?位置(對(duì)應(yīng)時(shí)間0.8 s,即橫坐標(biāo)800處)均出現(xiàn)尖峰脈沖信號(hào),表明電流信號(hào)發(fā)生突變;2)細(xì)節(jié)信號(hào)頻率越高(d1頻率最高),脈沖信號(hào)持續(xù)時(shí)間越短,且幅值越小;細(xì)節(jié)信號(hào)頻率越低(d4頻率最低),脈沖信號(hào)持續(xù)時(shí)間越長(zhǎng),且幅值越大。

圖4除各尺度的逼近信號(hào)、細(xì)節(jié)信號(hào)外,還給出細(xì)節(jié)信號(hào)對(duì)應(yīng)的小波系數(shù),圖中用顏色的深淺變化表示出4個(gè)尺度細(xì)節(jié)信號(hào)對(duì)應(yīng)的小波系數(shù)的大小,由圖可見:在逆變器輸出電流信號(hào)變?yōu)?位置,不同尺度的顏色圖上均出現(xiàn)一條亮帶,顯示電流信號(hào)在該位置處發(fā)生了突變。這是因?yàn)樾〔ǚ治鼍哂小皵?shù)學(xué)顯微鏡”的特點(diǎn),可以捕捉原始信號(hào)的尖銳變換。

圖4 小波分解得到的分量信號(hào)及對(duì)應(yīng)的小波系數(shù)

根據(jù)上述過程,在Matlab軟件中建立孤島檢測(cè)仿真模型,包括信號(hào)產(chǎn)生、小波變換、特征向量計(jì)算、ANFIS建模等模塊。要通過小波變換與ANFIS網(wǎng)絡(luò)進(jìn)行孤島檢測(cè),需要先對(duì)孤島模式與非孤島模式各種情況下的逆變器輸出電流信號(hào)、PCC點(diǎn)電壓信號(hào)進(jìn)行小波分解,再對(duì)各級(jí)細(xì)節(jié)信號(hào)進(jìn)行數(shù)據(jù)處理得到各個(gè)電壓周期上的特征向量,特征向量再與孤島、非孤島模式結(jié)果組合成一個(gè)完整的樣本數(shù)據(jù),具體過程如下:

1)將孤島狀態(tài)定為模式1,非孤島狀態(tài)定為模式0。

2)對(duì)孤島、非孤島模式下的共15種最常見的情況分別采集多個(gè)周期的逆變器輸出電流和PCC點(diǎn)電壓信號(hào),再對(duì)電流與電壓信號(hào)進(jìn)行小波變換,并對(duì)獲得的4個(gè)尺度上的細(xì)節(jié)信號(hào)進(jìn)行絕對(duì)平均值處理,獲得每個(gè)電壓周期上的特征向量,共計(jì)75組樣本數(shù)據(jù)。

從總樣本中隨機(jī)抽取75%的樣本作為訓(xùn)練樣本,其余作為測(cè)試樣本,表1為部分訓(xùn)練樣本,分析特征向量數(shù)據(jù)發(fā)現(xiàn):孤島模式下的電流、電壓信號(hào)的各個(gè)特征量一般比非孤島模式下特征量大,這為ANFIS網(wǎng)絡(luò)進(jìn)行模式識(shí)別提供了方便。

表1 訓(xùn)練樣本舉例

2.2 ANFIS網(wǎng)絡(luò)識(shí)別結(jié)果討論

訓(xùn)練樣本與測(cè)試樣本得到后,可利用訓(xùn)練樣本對(duì)ANFIS網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用測(cè)試樣本檢驗(yàn)ANFIS網(wǎng)絡(luò)的預(yù)測(cè)效果。要注意的是,在檢驗(yàn)ANFIS網(wǎng)絡(luò)建模與預(yù)測(cè)效果時(shí),要對(duì)ANFIS網(wǎng)絡(luò)的輸出結(jié)果Y進(jìn)行如下的模糊化處理:

(5)

當(dāng)Y取-1時(shí),表示ANFIS網(wǎng)絡(luò)不能識(shí)別該樣本,檢測(cè)失敗。

由于訓(xùn)練樣本是從總樣本集中按75%的概率隨機(jī)抽取出來的,表2給出了5次實(shí)驗(yàn)的孤島檢測(cè)的準(zhǔn)確率。從表2可看出:1)訓(xùn)練過程的準(zhǔn)確率較高,5次實(shí)驗(yàn)的綜合準(zhǔn)確率達(dá)到99.3%,且測(cè)試過程的綜合準(zhǔn)確率也達(dá)到94.7%,總體預(yù)測(cè)效果較好,說明本文選取的特征向量非常有效,且ANFIS網(wǎng)絡(luò)也能抓住孤島模式與非孤島模式下特征向量的差異;2)測(cè)試過程的準(zhǔn)確率相對(duì)于訓(xùn)練過程要低一些,這個(gè)因?yàn)椴糠譁y(cè)試樣本并沒有在ANFIS網(wǎng)絡(luò)中得到訓(xùn)練,ANFIS網(wǎng)絡(luò)不能識(shí)別。

下面通過與文獻(xiàn)[12]對(duì)比來對(duì)本文提出的孤島檢測(cè)原理做一些討論,主要針對(duì)特征向量的選取及ANFIS網(wǎng)絡(luò)的運(yùn)用。文獻(xiàn)[12]選用2個(gè)電壓、電流信號(hào)小波系數(shù)的絕對(duì)平均值,以及對(duì)應(yīng)的差值作為特征向量,即其特征向量空間為

(6)

表2 運(yùn)用ANFIS網(wǎng)絡(luò)進(jìn)行孤島檢測(cè)的準(zhǔn)確率

對(duì)相同的樣本集合,采用文獻(xiàn)[12]相同的特征向量做了5次實(shí)驗(yàn),結(jié)果如表3所示,可見:訓(xùn)練過程的綜合準(zhǔn)確率為97.5%,測(cè)試過程的綜合準(zhǔn)確率為91.2%,兩者均低于表2中的準(zhǔn)確率,也就是說本文選用的特征向量要優(yōu)于文獻(xiàn)[12]的特征向量,其區(qū)別在于:

1)文獻(xiàn)[12]是對(duì)獲得小波系數(shù)進(jìn)行數(shù)學(xué)處理,而本文是對(duì)獲得的小波分量進(jìn)行數(shù)學(xué)處理,兩者差異在于:小波分量信號(hào)的分辨率比小波系數(shù)更高,更能反映孤島發(fā)生時(shí)電流、電壓信號(hào)的突變情況;因此,本文選用小波分量而沒有采用小波系數(shù),可以進(jìn)一步提高孤島檢測(cè)的精確度。

表3 運(yùn)用ANFIS網(wǎng)絡(luò)進(jìn)行孤島檢測(cè)的準(zhǔn)確率(采用文獻(xiàn)[12]的特征向量)

2)文獻(xiàn)[12]僅考慮電流、電壓信號(hào)2個(gè)尺度上的小波分解信息,最后2個(gè)差值本身不是獨(dú)立變量,而本文考慮了電流、電壓信號(hào)4個(gè)尺度上的小波分解信息,信息量更加豐富、全面。為了驗(yàn)證該方法的可靠性,取相同的樣本集合,利用本文提出的特征向量,采用BP神經(jīng)網(wǎng)絡(luò)代替本文的ANFIS網(wǎng)絡(luò)進(jìn)行模式識(shí)別做了5次實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果見表4,雖然文獻(xiàn)[12]沒有具體給出神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測(cè)試相關(guān)數(shù)據(jù),但由本次實(shí)驗(yàn)結(jié)果可見:在訓(xùn)練過程的綜合準(zhǔn)確率達(dá)到100%,但測(cè)試過程的綜合準(zhǔn)確率僅為83.33%,遠(yuǎn)遠(yuǎn)低于表2的綜合準(zhǔn)確率(94.7%),這是因?yàn)锽P網(wǎng)絡(luò)的建模能力雖然很強(qiáng),但其外推能力有限,存在過擬合等問題,而ANFIS網(wǎng)絡(luò)同時(shí)具有模糊邏輯易于表達(dá)人類知識(shí)和神經(jīng)網(wǎng)絡(luò)的分布式信息存儲(chǔ)以及學(xué)習(xí)能力的優(yōu)點(diǎn),為孤島檢測(cè)模式識(shí)別問題提供了強(qiáng)有力的工具。

表4 運(yùn)用BP網(wǎng)絡(luò)進(jìn)行孤島檢測(cè)的準(zhǔn)確率

從以上仿真結(jié)果可以看出,盡管在樣本集合中包含了負(fù)載突變、諧波擾動(dòng)、短路、電壓突變等各種工作條件下的電流、電壓波形,但本文所提出的孤島檢測(cè)原理依然能較準(zhǔn)確地識(shí)別出孤島發(fā)生與否,綜合準(zhǔn)確率超過94%。另外,通過與文獻(xiàn)[12]對(duì)比,說明了本文選取的特征向量、ANFIS網(wǎng)絡(luò)很好地滿足了孤島檢測(cè)問題的要求。

3 實(shí)驗(yàn)結(jié)果及分析

搭建如圖5所示功率為10 kW的三電平光伏并網(wǎng)逆變器裝置來驗(yàn)證本文所采用孤島檢測(cè)方法。電子負(fù)載采用群菱ACLT-3803H防孤島實(shí)驗(yàn)檢測(cè)裝置,AC側(cè)采用Chroma的6590交流源,DC側(cè)采用功率為32kW的Regatron直流源。

圖5 孤島檢測(cè)實(shí)驗(yàn)裝置

圖6是本地負(fù)載瞬間增大2 kW時(shí)的實(shí)驗(yàn)波形。圖中波形1為逆變器A相輸出電流波形,波形2為PCC點(diǎn)電壓波形,波形3為電網(wǎng)A相電壓波形,波形4為電網(wǎng)A相電流波形。由圖可見,在負(fù)載突變時(shí)電網(wǎng)電流突然增大,由于系統(tǒng)處于非孤島狀態(tài),孤島保護(hù)不起作用,所以逆變器輸出電流、PCC點(diǎn)電壓和電網(wǎng)電壓基本保持不變。

圖6 本地負(fù)載突變時(shí)波形圖

圖7是電網(wǎng)電壓諧波擾動(dòng)時(shí)的實(shí)驗(yàn)波形。圖中4種波形與圖6相同,實(shí)驗(yàn)時(shí)向電網(wǎng)電壓中注入0.05 pu的3次諧波和0.03 pu的5次諧波。由圖可見,當(dāng)電網(wǎng)電壓出現(xiàn)諧波擾動(dòng)時(shí),逆變器輸出電流、PCC點(diǎn)電壓、電網(wǎng)電壓、電網(wǎng)電流都有非常明顯的畸變,但系統(tǒng)處于非孤島狀態(tài),孤島保護(hù)不起作用,所以逆變器輸出電流經(jīng)過短暫的畸變后保持原來波形。

圖7 電網(wǎng)電壓諧波擾動(dòng)時(shí)波形圖

圖8是逆變器孤島產(chǎn)生的波形,其中圖8(a)、圖8(b)分別為NB/T32004-2013規(guī)定的逆變器輸出功率與本地負(fù)載所需功率不匹配和匹配狀況。在負(fù)載匹配實(shí)驗(yàn)時(shí)通過調(diào)整本地RLC負(fù)載使逆變器輸送到電網(wǎng)的有功、無功功率P1≈0,Q1≈0。從而使逆變器輸出功率與負(fù)載功率完全匹配。

圖8 逆變器發(fā)生孤島時(shí)的波形

圖中4種波形與圖6相同,首先電網(wǎng)與負(fù)載均接在PCC點(diǎn)處穩(wěn)定運(yùn)行,當(dāng)斷路器S斷開時(shí)切除電網(wǎng)進(jìn)入孤島狀態(tài),由此開始計(jì)時(shí)直至逆變器檢測(cè)到故障并停機(jī)。匹配與不匹配狀況下孤島運(yùn)行時(shí)間分別為134.7 ms和152.8 ms,均滿足NB/T32004-2013規(guī)定的保護(hù)時(shí)間(小于2 s),且在穩(wěn)定運(yùn)行時(shí)對(duì)并網(wǎng)電流無明顯影響。

以上實(shí)驗(yàn)結(jié)果說明,本文所述方法能夠在負(fù)載突變、電網(wǎng)電壓諧波擾動(dòng)時(shí)都沒出現(xiàn)誤動(dòng)作,且當(dāng)逆變器輸出功率與負(fù)載不匹配和匹配時(shí)也能快速、準(zhǔn)確地檢測(cè)出孤島,并成功實(shí)施保護(hù),克服了傳統(tǒng)被動(dòng)式孤島檢測(cè)法在負(fù)載匹配時(shí)存在檢測(cè)盲區(qū)的缺點(diǎn)。

4 結(jié) 論

本文提出將小波變換與模糊神經(jīng)網(wǎng)絡(luò)用于孤島檢測(cè),通過對(duì)逆變器輸出電流信號(hào)與PCC點(diǎn)電壓信號(hào)進(jìn)行小波分解,獲得各尺度上的細(xì)節(jié)信號(hào),再對(duì)電流、電壓細(xì)節(jié)信號(hào)分別進(jìn)行絕對(duì)平均值處理,從而得到輸入ANFIS網(wǎng)絡(luò)的特征向量,最后運(yùn)用ANFIS網(wǎng)絡(luò)對(duì)孤島現(xiàn)象進(jìn)行模式識(shí)別。仿真和實(shí)驗(yàn)結(jié)果表明,由于小波分析在提取孤島發(fā)生瞬態(tài)特征時(shí)的優(yōu)良特性以及ANFIS網(wǎng)絡(luò)強(qiáng)大的模式識(shí)別能力,在并網(wǎng)逆變器與本地負(fù)載功率匹配及失配的多種條件下的實(shí)驗(yàn)結(jié)果證明,該方法均能準(zhǔn)確、有效地判斷出是否存在孤島狀態(tài),避免因本地負(fù)載變化和電網(wǎng)諧波擾動(dòng)等可能造成的干擾而產(chǎn)生誤判。

[1] 劉方銳,段善旭,康勇,等.多機(jī)光伏并網(wǎng)逆變器的孤島檢測(cè)技術(shù)[J].電工技術(shù)學(xué)報(bào),2010,25(1):167-171.

LIU Fangrui,DUAN Shanxu,KANG Yong,et al.Islanding detection methods for multiple PV converters system[J].Transactions of China Electro-technical Society,2010,25(1):167-171.

[2] 鐘誠(chéng),井天軍,楊明皓.基于周期性無功電流擾動(dòng)的孤島檢測(cè)新方法[J].電工技術(shù)學(xué)報(bào), 2014,29(3):270-276.

ZHONG Cheng,JING Tianjun,YANG Minghao.A new islanding detection method with periodic reactive current disturbance [J]. Transactions of China Electro-technical Society,2014,29(3):270-276.

[3] 劉寶其,陳昌松,段善旭,等.三相并聯(lián)式功率調(diào)節(jié)系統(tǒng)孤島檢測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào), 2013,33(13):127-134.

LIU Baoqi, CHEN Changsong, DUAN Shanxu, et al. Islanding detection for three-phase paralleling power conditioning systems [J]. Proceedings of the CSEE, 2013,33(13):127-134.

[4] 丁明,張穎媛,茆美琴.微網(wǎng)研究中的關(guān)鍵技術(shù)[J].電網(wǎng)技術(shù),2009,33(11): 6-11.

DING Ming,ZHANG Yingyuan,MAO Meiqin. Key technologies for microgrids being researched [J]. Power System Technology, 2009, 33(11): 6-11.

[5] REIGOSA D, BRIZ F, BLANCO C, et al. Active islanding detection for multiple parallel-connected inverter-based distributed generators using high-frequency signal injection [J]. IEEE Transactions on Power Electronics, 2014,29(3): 1192-1199.

[6] ZHANG J, XU D H, SHEN G Q, et al. An improved islanding detection method for a grid-connected inverter with intermittent bilateral reactive power variation [J]. IEEE Transactions on Power Electronics, 2013, 28(1): 268-278.

[7] 劉芙蓉,康勇,王輝,等.主動(dòng)移相式孤島檢測(cè)的一種改進(jìn)的算法[J].電工技術(shù)學(xué)報(bào),20l0,25 (3):172-176.

LIU Furong,KANG Yong,WANG Hui,et a1.An improved active phase-shift method for islanding detection [J].Transactions of China Electro-technical Society,2010,25(3):172-176.

[8] 劉方銳, 余蜜, 張宇, 等. 主動(dòng)移頻法在光伏并網(wǎng)逆變器并聯(lián)運(yùn)行下的孤島檢測(cè)機(jī)理研究[J].中國(guó)電機(jī)工程學(xué)報(bào), 2009,29(12):47-51.

LIU Fangrui, YU Mi, ZHANG Yu, et al. Islanding detection evaluation for active frequency drifting methods in multiple photovoltaic grid-connected converters [J]. Proceedings of the CSEE， 2009,29(12):47-51.

[9] YU B Y, MATSUI M, YU G J. A correlation-based islanding-detection method using current-magnitude disturbance for PV system[J]. IEEE Transactions on Industrial Electronics, 2011, 58(7): 2935-2943.

[10] CAI W, LIU B Y, DUAN S X, et al. An islanding detection method based on dual-frequency harmonic current injection under grid impedance unbalanced condition[J]. IEEE Transactions on Industrial Informatics, 2013,9(2): 1178-1187.

[11] ZHU Y, XU D H, HE N, et al. A novel RPV (reactive-power-variation) anti-islanding method based on adapted reactive power perturbation[J]. IEEE Transactions on Power Electronics, 2013, 28(11): 4998-5012.

[12] 謝東,張興,曹仁賢. 基于小波變換與神經(jīng)網(wǎng)絡(luò)的孤島檢測(cè)技術(shù)[J].中國(guó)電機(jī)工程學(xué)報(bào), 2014,34(4): 537-544.

XIE Dong, ZHANG Xing, CAO Renxian. Islanding detection based on wavelet transform and neural network [J].Proceedings of the CSEE, 2014,34(4): 537-544.

[13] STEPHANE G Mallat. A theory for multiresolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

[14] INGRID Daubechies. Orthonormal bases of compactly supported wavelets [J]. Communication on Pure and Applied Mathematics, 1988, 41(11): 909-996.

[15] PIGAZO A,LISERRE M,MASTROMAURO R,et al. Wavelet-based islanding detection in grid-connected PV systems[J].IEEE Transactions on Industrial Electronics,2009,56(11):4445-4455.

(編輯：劉琳琳)

Applied research of WT-ANFIS in islanding detection

ZHOU Hao1,3, LI Wei-gang2, TONG Chao-nan1, LI Wei-li3, MAO Mei-qin4

(1.School of Automation & Electronic Engineer, University of Science and Technology Beijing, Beijing 100083, China;2.College of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China;3.School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044, China;4.Research Center for PV System Engineering Ministry of Education, Hefei University of Technology, Hefei 230009, China)

The detecting time is long and non-detection zone (NDZ) is large for traditional passive islanding detection methods, while active methods have some negative effects on power quality. A novel islanding detection method was proposed based on wavelet transform (WT) and adaptive network based fuzzy inference system (ANFIS). Firstly, output current of inverter and the voltage of point of common coupling (PCC) were gathered, and then WT was adopted to analyze the current signal and the voltage signal. Secondly, the detail signals on all levels were used to extract characteristic vectors. Lastly, ANFIS used these characteristic vectors to pattern recognition and determine whether there was an island phenomenon. The simulation and experiment results show that the proposed method has the advantages that detecting time is short and non-detection zone (NDZ) is small and effectively identify all kinds of load conditions such as the power of grid-connected inverter match and mismatch the one of local loads,and can be used for single-phase and three-phases photovoltaic grid-connected system.

islanding detection; wavelet transform (WT); adaptive network based fuzzy inference system (ANFIS); detail signals; characteristic vectors

2014-07-16

國(guó)家自然科學(xué)基金(51205018)

周 皓(1978—)，男，博士，研究方向?yàn)楣夥⒕W(wǎng)發(fā)電技術(shù)，光伏儲(chǔ)能技術(shù)；

李維剛(1977—)，男，博士，高級(jí)工程師，研究方向?yàn)楣I(yè)過程控制，復(fù)雜系統(tǒng)仿真與建模；

李維剛

10.15938/j.emc.2016.01.006

TM 615

A

1007-449X(2016)01-0035-08

童朝南(1955—)，男，教授，博士生導(dǎo)師，研究方向?yàn)樯a(chǎn)過程控制、自動(dòng)化技術(shù)及計(jì)算機(jī)仿真、大型過程控制系統(tǒng)集成；

李偉力(1962—)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)樾滦颓鍧嵞茉礄C(jī)電轉(zhuǎn)換裝備研究，特種電機(jī)理論與控制研究；

茆美琴(1961—)，女，教授，博士生導(dǎo)師，研究方向?yàn)殡娏﹄娮蛹夹g(shù)在可再生能源發(fā)電系統(tǒng)中的應(yīng)用。