周皓, 李維剛, 童朝南, 李偉力, 茆美琴

(1.北京科技大學(xué) 自動化學(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)

針對傳統(tǒng)被動式孤島檢測法存在檢測時間長、盲區(qū)大,而主動式孤島檢測法影響電能質(zhì)量的缺點,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方法。該方法首先采集逆變器輸出的電流信號和公共耦合點處的電壓信號,再將該電流信號和電壓信號分別進行小波變換,然后通過對各尺度上的細節(jié)信號進行算法處理來獲取適合于孤島檢測的特征向量,最后該特征向量通過模糊神經(jīng)網(wǎng)絡(luò)進行模式識別來判斷系統(tǒng)是否發(fā)生孤島現(xiàn)象。仿真與實驗結(jié)果表明,該方法在并網(wǎng)逆變器功率與本地負載功率匹配及失配的多種條件下均能有效識別,具有檢測速度快,盲區(qū)小,對電能質(zhì)量無影響等優(yōu)點,并且適合于單相、三相光伏并網(wǎng)系統(tǒng)。

孤島檢測; 小波變換; 模糊神經(jīng)網(wǎng)絡(luò); 細節(jié)信號; 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,系統(tǒng)仍有可能向本地負載供電,這樣形成電力公司無法掌控的一個自給供電孤島,這種現(xiàn)象稱為孤島(islanding)效應(yīng)[1-2]。其危害性在于:因為逆變器工作在電流控制模式,沒有大電網(wǎng)的支撐而無法控制孤島中的電壓和頻率,會給用戶的設(shè)備正常運行帶來安全隱患;并且孤島運行使線路處于帶電狀態(tài),會對用戶、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方法[3-4]。

目前,孤島檢測分為被動式檢測、主動式檢測和基于電力線載波通信(power line carrier communication,PLCC)檢測[5-6]。其中被動式檢測通過對公共耦合點(point of common coupling,PCC)的電壓幅值、頻率等進行檢測來判斷是否發(fā)生孤島,其優(yōu)點是檢測容易實現(xiàn),對系統(tǒng)的穩(wěn)定性和電能質(zhì)量無影響,但檢測時間長、盲區(qū)大(non-detection zone,NDZ)等缺點[7-8]。主動式檢測方法通過在控制信號中加入很小的電壓、頻率或相位等擾動信號,同時檢測輸出,其優(yōu)點是能夠快速檢測出孤島,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孤島,其優(yōu)點是檢測盲區(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]。

針對被動式和主動式檢測方法的不足,文獻[12]通過小波變換(wavelet transform, WT)從逆變器輸出的電流信號以及PCC點的電壓信號中提取特征量,再通過BP神經(jīng)網(wǎng)絡(luò)進行模式識別判斷是否發(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)練和測試相關(guān)數(shù)據(jù)。為此,本文在現(xiàn)有文獻的基礎(chǔ)上對孤島檢測方法進行了更深入研究,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)用到孤島檢測中,提出以逆變器輸出電流信號和PCC點電壓信號經(jīng)4個尺度小波分解后獲得的細節(jié)信號的絕對平均值作為特征向量,同時將模糊推理與神經(jīng)網(wǎng)絡(luò)結(jié)合起來的模糊神經(jīng)網(wǎng)絡(luò)進行孤島檢測模式識別。仿真與實驗結(jié)果表明,該方法具有孤島檢測精確度高,檢測速度快、盲區(qū)小等優(yōu)點。

1 基于小波ANFIS的孤島檢測方法

基于模糊神經(jīng)網(wǎng)絡(luò)與小波變換的孤島檢測步驟如下:1)采集逆變器輸出電流信號和PCC點的電壓信號;2)對電流信號和電壓信號分別進行小波分解得到各尺度上的小波分量(細節(jié)信號);3)對小波分量進行數(shù)學(xué)處理;4)將處理后的信號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)信號或具有奇異性特變信號的最有效方法,適合于孤島檢測這種產(chǎn)生瞬態(tài)突變信號的場合。因此本文采用離散小波變換常用的Mallat算法實現(xiàn)小波分解,其數(shù)學(xué)表達式[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分別稱為原始信號在分辨率2-j下的逼近信號和細節(jié)信號。各層逼近信號和細節(jié)信號是原始信號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的對偶算子。采用重構(gòu)算法式(2)對小波分解后的信號進行重構(gòu)可以增加信號的點數(shù)。對d1,d2, …,dJ和cJ分別進行重構(gòu)得到D1,D2, …,DJ和CJ,它們和原始信號X的點數(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)對逆變器輸出電流、PCC點電壓信號進行幾個分辨率的分解時,其實質(zhì)是將一組包含多組信息綜合的信號分解到不同的信息子空間上,得到不同頻率的分解信號。之后,可以對分量序列進行各種算法處理,得到用于ANFIS網(wǎng)絡(luò)進行模式識別用的特征向量。

1.2 特征向量的選取及處理

選取逆變器輸出電流和PCC點電壓作為特征量,當(dāng)電流或電壓信號中只要有一個信號的特征量有較高的辨識度時,ANFIS網(wǎng)絡(luò)就能有效識別出孤島狀態(tài)發(fā)生。為了減少ANFIS網(wǎng)絡(luò)輸入信號個數(shù),本文計算細節(jié)信號的絕對平均值作為特征量,在保證識別準(zhǔn)確率較高的前提下,只保留對識別結(jié)果影響較大的特征,因此,選擇小波分解獲得的細節(jié)信號D1～D4的絕對平均值作為特征向量。處理過程如下:對采集到的逆變器輸出電流與PCC點電壓信號進行4尺度的小波分解,提取D1～D4細節(jié)信號,對每個細節(jié)信號在一個電壓周期內(nèi)先取絕對值再求其平均值(后文稱為“絕對平均值”),將電流、電壓信號細節(jié)信號的絕對平均值分別記為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

經(jīng)小波變換與算法處理后的特征量,在不同負載條件下會發(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,需借助強有力的模式識別工具。

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)有機結(jié)合起來,同時具有模糊邏輯易于表達人類知識和神經(jīng)網(wǎng)絡(luò)的分布式信息存儲以及學(xué)習(xí)能力的優(yōu)點,對于復(fù)雜系統(tǒng)的建模控制與模式識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。因此,本文采用ANFIS網(wǎng)絡(luò)對孤島狀態(tài)的模式進行識別。

一般地,ANFIS網(wǎng)絡(luò)輸入層節(jié)點數(shù)等于要訓(xùn)練的樣本向量維數(shù),輸出層節(jié)點數(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個信號,所以輸入層節(jié)點數(shù)設(shè)為8個;輸出只對孤島工作狀態(tài)進行分類,即孤島狀態(tài)與非孤島狀態(tài),所以輸出層節(jié)點數(shù)設(shè)定為1個。

2 孤島檢測仿真建模實例

搭建如圖1所示的仿真電路示意圖來驗證本文提出的孤島檢測方法。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)運行時逆變器輸送到電網(wǎng)的電流、有功功率、無功功率分別為igrid、P1、Q1,通過調(diào)節(jié)本地負載Z使逆變器輸出的有功功率、無功功率與本地負載消耗的有功功率、無功功率近似相等(即P1≈0,Q1≈0)時,模擬在最惡劣的情況下來驗證孤島檢測情況。

圖1 孤島檢測仿真電路示意圖

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,仿真實例共設(shè)計了孤島與非孤島兩種模式下的15種代表性情況以驗證孤島檢測的效果,其中孤島狀態(tài)模式:1)在某一時刻斷開斷路器S,電網(wǎng)電流信號在第2個周期末消失,逆變器電流隨之在第4個周期末消失,孤島產(chǎn)生,PCC點電壓信號在第5個周期末消失,如圖2所示。以下均以此為基準(zhǔn)進行適當(dāng)變化。2)電網(wǎng)電流信號幅值增大30%,并增加18度相位角;電網(wǎng)電壓信號幅值增大20%。3)電網(wǎng)電流信號不變;電網(wǎng)電壓信號添加3次諧波。4)電網(wǎng)電流信號不變;電網(wǎng)電壓信號添加5次諧波。5)電網(wǎng)電流信號添加3次諧波;電網(wǎng)電壓信號不變。6)電網(wǎng)電流信號添加3次諧波;電網(wǎng)電壓信號添加3次諧波。7)電網(wǎng)電流信號幅值從第2個周期末增大9 A;電網(wǎng)電壓信號添加3次諧波。8)電網(wǎng)電流信號幅值在第2個周期末增大9 A;電網(wǎng)電壓信號添加3次諧波,并在第4個周期末開始按指數(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、電壓信號如圖2中發(fā)生孤島前的狀態(tài),一直延續(xù)到第8個周期,以下均以此為基準(zhǔn)進行適當(dāng)變化。2)電網(wǎng)電流信號幅值增大30%,并增加18度相位角;電網(wǎng)電壓信號不變。3)電網(wǎng)電流信號幅值增大50%,并增加36度相位角;電網(wǎng)電壓信號幅值增大30%。4)電網(wǎng)電流信號不變;電網(wǎng)電壓信號添加3次諧波。5)電網(wǎng)電流信號不變;電網(wǎng)電壓信號添加3次諧波,并提前一個周期短路;6)電網(wǎng)電流信號不變;電網(wǎng)電壓信號幅值從第4個周期末開始按指數(shù)函數(shù)衰減。7)電網(wǎng)電流信號幅值從第2個周期末開始增大9 A;電網(wǎng)電壓信號不變。

圖2是斷路器S在0.4 s(對應(yīng)時間0.4 s,即橫坐標(biāo)400處,以下相同)斷開時逆變器輸出電流、PCC點電壓、電網(wǎng)電壓、電網(wǎng)電流4個信號的波形。因為發(fā)生了孤島,所以逆變器輸出電流在0.8 s時降為0,PCC點電壓在1 s時降為0。

選擇合適的小波函數(shù)進行信號分析,對孤島檢測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間信號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[15],故本文采用db4小波。

下面通過一個具體的電流信號進行小波分解來舉例說明。對圖2中孤島模式下的逆變器輸出電流信號進行4個尺度的小波分解,得到各尺度上的小波分量信號如圖3所示,其中s為原始信號,a4為尺度4上的逼近信號,d1～d4分別為尺度1～4上的細節(jié)信號。

圖3 孤島模式下電流信號經(jīng)小波分解得到的分量信號

由圖可見:1)當(dāng)孤島發(fā)生時,細節(jié)信號d1～d4在逆變器輸出電流信號變?yōu)?位置(對應(yīng)時間0.8 s,即橫坐標(biāo)800處)均出現(xiàn)尖峰脈沖信號,表明電流信號發(fā)生突變;2)細節(jié)信號頻率越高(d1頻率最高),脈沖信號持續(xù)時間越短,且幅值越小;細節(jié)信號頻率越低(d4頻率最低),脈沖信號持續(xù)時間越長,且幅值越大。

圖4除各尺度的逼近信號、細節(jié)信號外,還給出細節(jié)信號對應(yīng)的小波系數(shù),圖中用顏色的深淺變化表示出4個尺度細節(jié)信號對應(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,顯示電流信號在該位置處發(fā)生了突變。這是因為小波分析具有“數(shù)學(xué)顯微鏡”的特點,可以捕捉原始信號的尖銳變換。

圖4 小波分解得到的分量信號及對應(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仿真模型,包括信號產(chǎn)生、小波變換、特征向量計算、ANFIS建模等模塊。要通過小波變換與ANFIS網(wǎng)絡(luò)進行孤島檢測,需要先對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、PCC點電壓信號進行小波分解,再對各級細節(jié)信號進行數(shù)據(jù)處理得到各個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)對孤島、非孤島模式下的共15種最常見的情況分別采集多個周期的逆變器輸出電流和PCC點電壓信號,再對電流與電壓信號進行小波變換,并對獲得的4個尺度上的細節(jié)信號進行絕對平均值處理,獲得每個電壓周期上的特征向量,共計75組樣本數(shù)據(jù)。

從總樣本中隨機抽取75%的樣本作為訓(xùn)練樣本,其余作為測試樣本,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、電壓信號的各個特征量一般比非孤島模式下特征量大,這為ANFIS網(wǎng)絡(luò)進行模式識別提供了方便。

表1 訓(xùn)練樣本舉例

2.2 ANFIS網(wǎng)絡(luò)識別結(jié)果討論

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

(5)

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

由于訓(xùn)練樣本是從總樣本集中按75%的概率隨機抽取出來的,表2給出了5次實驗的孤島檢測的準(zhǔn)確率。從表2可看出:1)訓(xùn)練過程的準(zhǔn)確率較高,5次實驗的綜合準(zhǔn)確率達到99.3%,且測試過程的綜合準(zhǔn)確率也達到94.7%,總體預(yù)測效果較好,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)測試過程的準(zhǔn)確率相對于訓(xùn)練過程要低一些,這個因為部分測試樣本并沒有在ANFIS網(wǎng)絡(luò)中得到訓(xùn)練,ANFIS網(wǎng)絡(luò)不能識別。

下面通過與文獻[12]對比來對本文提出的孤島檢測原理做一些討論,主要針對特征向量的選取及ANFIS網(wǎng)絡(luò)的運用。文獻[12]選用2個電壓、電流信號小波系數(shù)的絕對平均值,以及對應(yīng)的差值作為特征向量,即其特征向量空間為

(6)

表2 運用ANFIS網(wǎng)絡(luò)進行孤島檢測的準(zhǔn)確率

對相同的樣本集合,采用文獻[12]相同的特征向量做了5次實驗,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[12]的特征向量,其區(qū)別在于:

1)文獻[12]是對獲得小波系數(shù)進行數(shù)學(xué)處理,而本文是對獲得的小波分量進行數(shù)學(xué)處理,兩者差異在于:小波分量信號的分辨率比小波系數(shù)更高,更能反映孤島發(fā)生時電流、電壓信號的突變情況;因此,本文選用小波分量而沒有采用小波系數(shù),可以進一步提高孤島檢測的精確度。

表3 運用ANFIS網(wǎng)絡(luò)進行孤島檢測的準(zhǔn)確率(采用文獻[12]的特征向量)

2)文獻[12]僅考慮電流、電壓信號2個尺度上的小波分解信息,最后2個差值本身不是獨立變量,而本文考慮了電流、電壓信號4個尺度上的小波分解信息,信息量更加豐富、全面。為了驗證該方法的可靠性,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)進行模式識別做了5次實驗,實驗結(jié)果見表4,雖然文獻[12]沒有具體給出神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測試相關(guān)數(shù)據(jù),但由本次實驗結(jié)果可見:在訓(xùn)練過程的綜合準(zhǔn)確率達到100%,但測試過程的綜合準(zhǔn)確率僅為83.33%,遠遠低于表2的綜合準(zhǔn)確率(94.7%),這是因為BP網(wǎng)絡(luò)的建模能力雖然很強,但其外推能力有限,存在過擬合等問題,而ANFIS網(wǎng)絡(luò)同時具有模糊邏輯易于表達人類知識和神經(jīng)網(wǎng)絡(luò)的分布式信息存儲以及學(xué)習(xí)能力的優(yōu)點,為孤島檢測模式識別問題提供了強有力的工具。

表4 運用BP網(wǎng)絡(luò)進行孤島檢測的準(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載突變、諧波擾動、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原理依然能較準(zhǔn)確地識別出孤島發(fā)生與否,綜合準(zhǔn)確率超過94%。另外,通過與文獻[12]對比,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問題的要求。

3 實驗結(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)逆變器裝置來驗證本文所采用孤島檢測方法。電子負載采用群菱ACLT-3803H防孤島實驗檢測裝置,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 孤島檢測實驗裝置

圖6是本地負載瞬間增大2 kW時的實驗波形。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,在負載突變時電網(wǎng)電流突然增大,由于系統(tǒng)處于非孤島狀態(tài),孤島保護不起作用,所以逆變器輸出電流、PCC點電壓和電網(wǎng)電壓基本保持不變。

圖6 本地負載突變時波形圖

圖7是電網(wǎng)電壓諧波擾動時的實驗波形。圖中4種波形與圖6相同,實驗時向電網(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)諧波擾動時,逆變器輸出電流、PCC點電壓、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)電壓諧波擾動時波形圖

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載所需功率不匹配和匹配狀況。在負載匹配實驗時通過調(diào)整本地RLC負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載功率完全匹配。

圖8 逆變器發(fā)生孤島時的波形

圖中4種波形與圖6相同,首先電網(wǎng)與負載均接在PCC點處穩(wěn)定運行,當(dāng)斷路器S斷開時切除電網(wǎng)進入孤島狀態(tài),由此開始計時直至逆變器檢測到故障并停機。匹配與不匹配狀況下孤島運行時間分別為134.7 ms和152.8 ms,均滿足NB/T32004-2013規(guī)定的保護時間(小于2 s),且在穩(wěn)定運行時對并網(wǎng)電流無明顯影響。

以上實驗結(jié)果說明,本文所述方法能夠在負載突變、電網(wǎng)電壓諧波擾動時都沒出現(xiàn)誤動作,且當(dāng)逆變器輸出功率與負載不匹配和匹配時也能快速、準(zhǔn)確地檢測出孤島,并成功實施保護,克服了傳統(tǒng)被動式孤島檢測法在負載匹配時存在檢測盲區(qū)的缺點。

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,通過對逆變器輸出電流信號與PCC點電壓信號進行小波分解,獲得各尺度上的細節(jié)信號,再對電流、電壓細節(jié)信號分別進行絕對平均值處理,從而得到輸入ANFIS網(wǎng)絡(luò)的特征向量,最后運用ANFIS網(wǎng)絡(luò)對孤島現(xiàn)象進行模式識別。仿真和實驗結(jié)果表明,由于小波分析在提取孤島發(fā)生瞬態(tài)特征時的優(yōu)良特性以及ANFIS網(wǎng)絡(luò)強大的模式識別能力,在并網(wǎng)逆變器與本地負載功率匹配及失配的多種條件下的實驗結(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),避免因本地負載變化和電網(wǎng)諧波擾動等可能造成的干擾而產(chǎn)生誤判。

[1] 劉方銳,段善旭,康勇,等.多機光伏并網(wǎng)逆變器的孤島檢測技術(shù)[J].電工技術(shù)學(xué)報,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,井天軍,楊明皓.基于周期性無功電流擾動的孤島檢測新方法[J].電工技術(shù)學(xué)報, 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)孤島檢測研究[J].中國電機工程學(xué)報, 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.主動移相式孤島檢測的一種改進的算法[J].電工技術(shù)學(xué)報,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. 主動移頻法在光伏并網(wǎng)逆變器并聯(lián)運行下的孤島檢測機理研究[J].中國電機工程學(xué)報, 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)的孤島檢測技術(shù)[J].中國電機工程學(xué)報, 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

國家自然科學(xué)基金(51205018)

周 皓(1978—)，男，博士，研究方向為光伏并網(wǎng)發(fā)電技術(shù)，光伏儲能技術(shù)；

李維剛(1977—)，男，博士，高級工程師，研究方向為工業(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，研究方向為生產(chǎn)過程控制、自動化技術(shù)及計算機仿真、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，研究方向為新型清潔能源機電轉(zhuǎn)換裝備研究，特種電機理論與控制研究；

茆美琴(1961—)，女，教授，博士生導(dǎo)師，研究方向為電力電子技術(shù)在可再生能源發(fā)電系統(tǒng)中的應(yīng)用。