基于小波包对数能量熵及遗传算法优化的孤岛检测方法

摘要

本发明公开了一种基于小波包对数能量熵及遗传算法优化的孤岛检测方法。它引入遗传算法对BP神经网络进行优化，并引入对数能量熵作为遗传算法优化BP神经网络的输入信号；具体为首先采集公共耦合点电压信号进行适当的小波包分解，得到三尺度下8个频带内的小波包系数，然后通过重构及归一化处理得到对数能量熵，最后通过遗传算法优化的BP神经网络对孤岛及非孤岛现象进行模式识别。它克服了传统被动式孤岛检测法在负载匹配时存在检测盲区的缺陷，利用遗传算法来优化BP神经网络的权值和阈值，使其具有了全局的搜索能力，能够在负载突变、电网电压谐波扰动时都不出现误动作，且当逆变器输出功率与负载不匹配和匹配时也能快速、准确地检测出孤岛。

主权项

一种基于小波包对数能量熵及遗传算法优化的孤岛检测方法，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u_PCC(t)，式中的t为时间，再采用小波包变换对电压信号u_PCC(t)进行3层多分辨分解，得到三尺度下8个频带内的小波包系数x_3j(k)，式中的j＝0,1,...,7,k＝1,2,...,n；步骤2，先按照计算在一个电网电压周期内的三尺度下小波包对数能量熵E_3j，再对其进行归一化处理，得到规划化后的对数能量熵H_3λ(λ＝0,1,...,7)，之后，选取H₃₀～H₃₅或H₃₀～H₃₃作为遗传算法优化BP神经网络的输入信号P，并将对应的孤岛和非孤岛状态作为输出信号T，用于作为遗传算法优化BP神经网络的训练样本；步骤3，使用遗传算法对BP神经网络权值和阈值进行选择优化步骤3.1，先确定BP神经网络的输入层R、隐层节点数S1、输出层的节点数S2、训练函数和节点传递函数，并设定训练误差精度goal≤0.0001，再确定最大迭代次数G、种群规模M、随机生成M个个体的初始种群W，采用实数编码对生成种群中的个体W_i编码，然后将种群中个体W_i的一个实数向量[w₁,w₂,...,w_S]作为遗传算法的一个染色体，式中的S＝R*S₁+S₁*S₂+S₁+S₂为遗传算法编码长度；步骤3.2，先确定个体的适应度函数，给定BP神经网络进化参数E，将得到的染色体对BP神经网络权值和阈值进行赋值,并以训练误差平方和作为初始种群W中个体W_i的适应度，再基于适应度比例的选择策略对每一代种群中的染色体进行选择，选择概率式中的f_i为适应度值倒数、M为种群规模；步骤3.3，先采用实数交叉法，按设定概率从种群中随机选择两个个体相互交换，第p个基因w_p和第q个基因w_q在r位的交叉操作分别为$\begin{array}{c}{w}_{\mathrm{pr}}=w_{\mathrm{pr}}(1-b)+w_{\mathrm{qr}}b\\ w_{\mathrm{qr}}=w_{\mathrm{qr}}(1-b)+w_{\mathrm{pr}}b\end{array},$式中的b为[0,1]间的随机数，再选取第i个个体的第l个基因按照下式进行变异操作，$w_{\mathrm{il}}=\left\{\begin{array}{c}{w}_{\mathrm{il}}+(w_{\mathrm{il}}-w_{\max })f\left(g\right),r_1\ge 0.5\\ w_{\mathrm{il}}+(w_{\min }-w_{\mathrm{il}})f\left(g\right),r_1<0.5\end{array}\right.$式中的w_max和w_min分别为基因f(g)＝r₂(1‑g/G)，w_il取值的上下界、r₁为[0,1]间的随机数、r₂为一个随机数、g为当前迭代次数；步骤3.4，先重复步骤3.2～3.3，直至得到具有最大适应度的个体，再将其分解为BP神经网络的连接权值和阈值，以作为遗传算法优化BP神经网络的初始权值和阈值；步骤4，先将初始权值和阈值输入输入信号P和输出信号T的数据矩阵，计算出遗传算法优化BP神经网络的误差，再更新遗传算法优化BP神经网络的权值和阈值；步骤5，先判断训练误差精度goal是否≤0.0001，若>0.0001，则返回步骤4，若≤0.0001，则得到遗传算法优化BP神经网络的最优权值和阈值，再将训练样本数据输入遗传算法优化BP神经网络进行计算，若输出的结果为高电平，则为孤岛状态，若输出的结果为低电平，则为非孤岛状态。