基于引入粒子群算法及相位扰动的孤岛检测方法

摘要

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系统、三相分布式并网发电系统和多台逆变器并联的分布式并网发电系统。

主权项

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系统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系统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系统公共耦合点的频率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系统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系统的状态为孤岛状态。