基于小波變換和神經網絡的光伏發(fā)電孤島效應檢測方法

郗忠梅，張世恒，朱瑞婷，李勝杰，劉雙喜*，彭宏

1.山東農業(yè)大學機械與電子工程學院，山東泰安271018

2.山東農業(yè)大學山東省園藝機械與裝備重點實驗室，山東泰安271018

3.國網西寧供電公司，青海西寧810008

4.上海電力學院電氣工程學院，上海200090

5.國網山東茌平縣供電公司，山東茌平252100

6.國網天津市電力公司城東供電分公司，天津300250

基于小波變換和神經網絡的光伏發(fā)電孤島效應檢測方法

郗忠梅1，2，張世恒3，朱瑞婷4，李勝杰5，劉雙喜1，2*，彭宏6

1.山東農業(yè)大學機械與電子工程學院，山東泰安271018

2.山東農業(yè)大學山東省園藝機械與裝備重點實驗室，山東泰安271018

3.國網西寧供電公司，青海西寧810008

4.上海電力學院電氣工程學院，上海200090

5.國網山東茌平縣供電公司，山東茌平252100

6.國網天津市電力公司城東供電分公司，天津300250

針對分布式發(fā)電系統(tǒng)的孤島現(xiàn)象檢測，本文提出了基于小波分析和神經網絡的孤島效應檢測方法。該方法對公共耦合點的電壓采樣，并經小波分解后得到電壓變化的細節(jié)分量，將其輸入神經網絡進行學習、訓練。測試結果表明，小波神經網絡的檢測方法正確率可達98%以上。當孤島效應發(fā)生時，該方法能夠快速準確地檢測出來，既解決了對電網造成諧波污染的問題，又減小了不可檢測域的存在。

光伏逆變；孤島效應；小波變換；神經網絡

傳統(tǒng)觀念認為，由于光伏并網逆變器一般工作在電流控制模式，當運行在孤島運行模式下，系統(tǒng)內的電壓無法控制，給用戶和光伏發(fā)電設備的運行帶來安全隱患；當電網處于故障情況下，如果光伏并網逆變器系統(tǒng)檢測不到故障，仍舊運行在原有的并網情況，會損壞并網設備，如并網逆變器等，由于光伏電源的繼續(xù)通電也會威脅電力檢修人員的人身安全，所以，電力規(guī)程UL1741有了明確的規(guī)定，“光伏電源必須在電網發(fā)生故障時停止運行，才能夠確保孤島的安全保護”

1　光伏微網的孤島檢測基本原理

光伏并網發(fā)電的基本原理圖如圖l所示，系統(tǒng)正常工作時，斷路器處于閉合狀態(tài)，系統(tǒng)此時屬并網運行，電網和光伏發(fā)電系統(tǒng)同時向負載供電；當電網由于電氣故障或誤操作等原因停電時，即斷路器處于斷開的狀態(tài)時，光伏系統(tǒng)沒能及時的檢測到，還是持續(xù)的將電能供給負載，所以孤島效應就產生了，自給負載供電。

通過圖1可以看出，光伏微電網中的光伏電池會在光照條件下蓄能并最終輸出直流電流，輸出的直流經過DC/AC逆變器并聯(lián)接到電網上對用戶進行供電，所以若要分析微電網孤島檢測，逆變器孤島檢測就是其基礎，處于分析方便考慮，我們首先要分析單個逆變器工作的問題。

圖1中，當光伏逆變器處于并網運行狀態(tài)時，運用電流型控制方法，功率因數(shù)為1，輸出電流波形為正弦波，該正弦波和電網是同頻同相位的。在測試反孤島狀態(tài)的時候，局部負載用IEEE.std 1547規(guī)定的“并聯(lián)RLC諧振負載”來代替，以期模擬孤島狀態(tài)的最嚴重情況，并且負載品質因數(shù)Qf等于2.5。

當電網在正常情況下運行時，逆變器向負載提供有功功率和無功功率，分別用P、Q表示；用△P表示電網向負載提供的有功功率，用△Q表示為電網向負載提供的無功功率，負載產生的無功功率、有功功率分別用Qload、Pload來表示。其功率的表達式為：

若負載的功率等于逆變器輸出的功率，即Pload=P、Qload=Q，當電網一側斷路器斷開時，負載將由光伏系統(tǒng)繼續(xù)供電，同時，逆變器的輸出電壓是由并聯(lián)RLC負載決定的，逆變器的輸出電流可以保持同端電壓處于同一頻率下，從而電流頻率和負載的諧振頻率可以保持一致。

在并網發(fā)電處于運行狀態(tài)時，由于光伏系統(tǒng)一般工作于單位功率因數(shù)，那么Q=0，Qload=△Q。在圖1中，可以得出，對于RLC負載，其有功功率與無功功率的計算公式為：

其中，節(jié)點a處的電壓值用Ua表示。逆變器在并網運行過程中，電網始終控制著電壓的幅值和頻率。如果發(fā)生非計劃孤島效應時，也就是電網斷路器斷開時，假如△P或者△Q的值非常大，由于負載功率同PV系統(tǒng)輸出的功率不匹配，使PV系統(tǒng)輸出頻率或電壓會發(fā)生非常大的變化。

2　孤島效應的傳統(tǒng)檢測方法

孤島檢測有兩類方法：無源和有源式。無源式檢測方法，即被動檢測法，它利用電壓幅值、頻率、相位或諧波等變化特征來判斷孤島現(xiàn)象發(fā)生與否，但是，當出現(xiàn)逆變器輸出和負載功率相平衡的狀況時，就會有檢測盲區(qū)存在。而主動孤島檢測方法是通過將頻率、電流或者相位干擾信號加在并網逆變器的輸出側，這樣在電網發(fā)生斷電時，線路電壓會發(fā)生變化，因為擾動信號的干擾，在線路電壓上就會表現(xiàn)出來，而這種現(xiàn)象會不斷積累，以檢測是否發(fā)生了孤島現(xiàn)象，雖然這種方法能減小檢測盲區(qū)，但是這種檢測方法可能會對電網造成一定的諧波污染，會造成光伏電源端口電壓幅值或者頻率越限，具有破壞性，容易引起光伏電源并網和離網模式切換過程中的過電流或過電壓，不利于兩種模式的平滑切換。

為了避免傳統(tǒng)檢測方法可能引發(fā)的問題，本文設計了基于小波分析和神經網絡的小波神經網絡孤島效應檢測方法。當孤島效應的發(fā)生時，該方法能夠快速準確地檢測出來，這種檢測方法既解決了可能對電網造成諧波污染的問題，又減小了不可檢測域的存在，并且對于檢測的速度也有一定的優(yōu)化，不影響電壓和頻率的質量，還能夠完成孤島效應發(fā)生后能“無縫轉換”到孤島運行模式。

3　基于小波神經網絡的孤島檢測

3.1基于小波神經網絡的孤島檢測原理

對于分析瞬變信號，小波變換尤其有效，因此可以把小波變換用于檢測孤島是否產生的瞬變信號。當電網處于斷電狀態(tài)下時，必然會影響公共耦合點PCC電壓，此時PCC處電壓發(fā)生的變化，很大程度上是由于引入了大量的高頻分量。由于電壓或頻率的數(shù)值在時域上的變化并不顯著，用傅里葉分析無法捕捉到高頻分量的出現(xiàn)，在時域分析層面上，不能滿足分析的需求，因此，本文提出的基于小波神經網絡的孤島檢測的思想是：對公共耦合點的的電壓進行采樣，并進行小波分解，小波分解后便可得到電壓變化的細節(jié)分量，用分解出的細節(jié)分量就可判斷出孤島效應發(fā)生與否，只是靠人的肉眼無法分辨出它們，因此引入了神經網絡的理論。神經網絡的輸入是以大量數(shù)據為前提的，數(shù)據越多，輸出結果就會有越大的可信度。本文神經網絡的輸入值為小波分解得到的細節(jié)分量，經BP神經網絡系統(tǒng)處理判別后確定當前電力系統(tǒng)所處的運行狀態(tài)，以便確定是否控制相應的保護裝置來改變當前的工作狀態(tài)模式，從而確保電網的穩(wěn)定運行。

3.2基于小波神經網絡的孤島效應檢測方法

考慮到如果發(fā)生了孤島現(xiàn)象，往往伴隨著電壓幅值或頻率的變化，必將引入某些高頻分量，本文中采樣電壓值選自光伏系統(tǒng)與本地負載連接的公共耦合點PCC處，由于公共連接點電壓的被檢測值是模擬電壓信息，需先把模擬電壓量轉變成數(shù)字量信息，出于對采樣信號準確性的考慮，采樣頻率采用高頻64000 Hz，也就是采樣速率為1280點每周波，然后對數(shù)字量信息進行數(shù)字低通濾波、降噪處理；最后對已經過數(shù)字處理后的數(shù)據量進行小波分解，本文采用四階小波分解。

對于對信號分析進行小波分析時母小波的選取，會直接影響到孤島檢測的準確率。母小波的緊支性“能把相鄰分解級間信號能量的滲漏減少”，突出了小波分析的局部分析能力。而當母小波越大時，其能提供的信號的精確性和完整性就越能得到保證，母小波特性中的正交性能允許原始信號的重構。由于DBN小波系（N為小波序號）具有小波的緊支性、消失矩、正交性等所有特性，使其非常適用于分析瞬態(tài)信號。其中db4小波是DBN小波系中具有最緊湊的特點的小波，經其處理的信號特征量差異最明顯，故選擇db4小波作為本次孤島檢測用的母小波。公共耦合點PCC點電壓通過小波變換的多分辨分析獲取了電壓的四組離散小波分解序列，分別與不同尺度下的小波序列相對應，電壓信號的特征能在不同的尺度下被反映出來。由于根據分解后的小波細節(jié)系數(shù)，PCC點電壓值的高階分量可以實時地被捕捉到，因此本文的方法對小波細節(jié)系數(shù)的幅值進行檢測。當孤島效應發(fā)生瞬間，公共耦合點PCC電壓會發(fā)生突然的變化，電壓突變是由于引入了高頻分量，而這些高頻分量會使小波系數(shù)發(fā)生明顯變化，通過仿真實驗得出，一、二、三階小波系數(shù)的變化最為明顯。由香農定理，“在基波頻率以上最多可進行7層分解，每層高頻分量（細節(jié)分量）為d1～d7”，由于孤島檢測電壓值小波分解后的第七層高頻系數(shù)d7的細節(jié)分量已很不顯著，所以下面僅僅將電壓值小波分解到第六層。

神經網絡的復雜程度越低，其實時性的進行孤島檢測的準確性越高。為了使神經網絡的分析過程得到簡化，神經網絡的輸入量個數(shù)不宜過多，因此，對于識別分辨率很小的特征量將不作為神經網絡的輸入量，因識別分辨率很小的特征量對結果影響較小，這樣準確率不會受到較大影響。通過分析孤島與非孤島狀態(tài)下6個尺度的小波系數(shù)，也是出于對準確率的考慮，本文只選擇了d1、d2和d3的小波系數(shù)輸入到神經網絡進行識別。經過小波分解后得到的特征量，通過設定閾值很難通過人眼或工具鑒別出光伏發(fā)電系統(tǒng)的孤島與非孤島狀態(tài)，需借助BP神經網絡這一強有力的系統(tǒng)辨識工具。本文將電壓信號經過小波分解后得到的第一層高頻系數(shù)d1、第二層高頻系數(shù)d2、第三層高頻系數(shù)d3作為神經網絡中輸入層的三個特征值，輸入到神經網絡系統(tǒng)，進行學習、訓練。當電網輸入檢測到的實際電壓值時，小波神經網絡就可以分辨出孤島效應發(fā)生與否，然后給分布式并網系統(tǒng)的控制裝置部分發(fā)送信號，通過儲能單元的協(xié)調作用保持孤島安全穩(wěn)定可靠的運行，如果孤島內的電壓和頻率超出規(guī)程所規(guī)定的范圍，需要停止孤島運行。

在實踐中，一般要求BP神經網絡輸入層節(jié)點數(shù)等于訓練的樣本向量維數(shù)，訓練樣本的類別數(shù)作為輸出層節(jié)點數(shù)。在本文中，BP神經網絡特征向量是3個信號，因此我們設定本神經網絡輸入層節(jié)點個數(shù)為3個。由于我們使用神經網絡輸出的目的是對光伏系統(tǒng)的當前工作狀態(tài)進行分類，即檢測系統(tǒng)處于孤島狀態(tài)或非孤島狀態(tài)，所以設定輸出層節(jié)點個數(shù)為2個。因此，神經網絡采用選擇Tansig函數(shù)，此函數(shù)是兩層BP網絡訓練函數(shù)。根據以上討論，神經網絡輸入層為3個輸入單元，輸出層為2個輸出單元，而隱層節(jié)點個數(shù)則需根據經驗公式（5）進行選擇，本文選擇為6個。

式中：n為隱層節(jié)點個數(shù)；ni為輸入節(jié)點數(shù)；n0為輸出節(jié)點數(shù)；a為1～10之間的任意常數(shù)。

由于本文設計神經網絡的目的是將光伏微網的孤島和非孤島狀態(tài)進行分類，因此可以將BP神經網絡的輸出值限定在［0，1］范圍內，理想網絡輸出向量與孤島識別分類對應關系如表1所示。

表1　理想網絡輸出向量與孤島分類對應關系Table 1 Corresponding relationship between network output vector and classification for island

3.3仿真實驗

基于小波神經網絡將孤島和非孤島狀態(tài)進行分類的思想是：小波變換首先對采集來經過模數(shù)轉換的電壓值進行多尺度分解，將提取的幾個變化明顯的分解尺度小波系數(shù)組成特征向量送入BP神經網絡進行訓練，最后利用訓練好的BP神經網絡就能夠判別出是發(fā)生了孤島效應還是非孤島。

為了驗證本文提出的方法，先采集發(fā)生孤島后的2000個電壓值進行小波分解，所得圖形來解釋發(fā)生孤島效應是電壓信號高頻分量的變化。

從圖2看出，由于檢修或故障造成電網停電時，PCC點電壓的第一、二、三階小波細節(jié)系數(shù)發(fā)生了明顯波動，而隨后變化趨于正常。電網斷電瞬間，PCC點電壓信號突然引入了很多的高頻分量，小波分析可以迅速地感應并反映出由于電網脫離而帶來的高頻分量的變化。當光伏電源足以提供負載所需的功率時，頻率變化很小，因此孤島效應的發(fā)生利用被動檢測法無法識別，而下面的基于小波神經網絡的孤島檢測方法可以快速準確的識別孤島效應的發(fā)生。

圖3　孤島與非孤島識別BP網絡結構圖Fig.3 Identification BP network of island and anti-island

圖4　隱含層節(jié)點為6時誤差收斂曲線Fig.4 Error convergence curve of hidden layer at nodes 6

下面分別取2000組經小波分解后的孤島效應發(fā)生時刻的公共點電壓信號的d1、d2、d3數(shù)據和當電網正常運行時的d1、d2、d3數(shù)據分別輸入神經網絡進行學習、訓練。圖3為孤島與非孤島識別BP網絡結構圖。孤島效應發(fā)生時刻的d1、d2、d3輸入神經網絡后，設定輸出為1，孤島效應發(fā)生前（即電網正常）的d1、d2、d3輸入神經網絡后，設定輸出為0。

算法訓練網絡的誤差演化曲線如圖4所示，縱坐標為網絡均方誤差，橫坐標為迭代次數(shù)。由圖可以看出，用BP算法訓練神經網絡，在規(guī)定迭代次數(shù)內，均可以使網絡誤差迅速降到0.001以下，有較好的收斂效率。

從隱含層神經元的選擇結果來看，合適的神經元個數(shù)為6，因此，用于孤島與非孤島的BP神經網絡結構為輸入層節(jié)點數(shù)為3，隱含層節(jié)點數(shù)為6，輸出層節(jié)點數(shù)為2，激活函數(shù)為S形對數(shù)函數(shù)Logsig。

圖5　BP神經網絡目標等級混淆矩陣Fig.5 Confusion matrices of BP neural network

圖6　BP神經網絡仿真實驗誤差直方圖Fig.6 Simulation error histogram of BP neural network

表2　小波神經網絡仿真結果Table 2 The simulation results of wavelet neural network

在驗證算法識別率時，再分別取2000個正常電壓數(shù)據和孤島發(fā)生時刻的電壓數(shù)據進行小波分解后輸入到神經網絡進行測試、驗證。當這2000組d1、d2、d3輸入神經網絡后，若輸出為0，則判為電網正常即非孤島狀態(tài)；若輸出數(shù)據中為1，則判為電網發(fā)生孤島效應。在Matlab界面中，驗證網絡目標等級混淆矩陣圖5所示。

圖6即為神經神經網絡形成的實驗誤差直方圖，由仿真結果圖可知此次仿真實驗誤差直方圖分布，仿真結果的正確率如表2所示。

由表2得知，基于小波神經網絡的孤島效應檢測方法可以檢測出孤島效應的發(fā)生，準確率較高。

4　小結

上述仿真結果說明，基于小波變換和人工神經網絡的技術，具有能有效的對電壓信號進行提取，并能將孤島和非孤島辨識出來，系統(tǒng)的正常運行不會被破壞等優(yōu)點。在提取電壓信號特征量過程中，采用小波變換，基于各尺度小波變換系數(shù)能量的提取特征量方法，提取出的特征向量不僅具有平移不變的特性，還能較細致準確地反映信號的時頻局部特征，增強了孤島檢測的實時性控制。采用新興的具有強大的模式識別能力的三層BP神經網絡，能準確有效地辨識孤島和非孤島狀態(tài)。當孤島效應發(fā)生時，該方法能夠快速準確地檢測出來，這種檢測方法既解決了可能對電網造成諧波污染的問題，又減小了不可檢測域的存在，并且提高了孤島效應的檢測速度。這種無破壞性的基于小波神經網絡的孤島檢測方法當檢測到電網停電或發(fā)生故障時，為保障逆變器所帶負載正常安全供電，啟動孤島保護，脫離電網，轉為孤島運行。

［1］曹海燕，田悅新.并網逆變器孤島控制技術［J］.電力系統(tǒng)保護與控制，2010，38（9）：72-74

［2］高金輝，李迎迎，蘇軍英.一種新穎的孤島檢測方法研究［J］.電力系統(tǒng)保護與控制，2010，38（19）：122-124

［3］IEEE SCC21.1547-2003-IEEE Standard for Interconnecting Distributed Resources with Electric Power Systems［S］. New York：Institute of Electrical&Electronics Engineers Inc，2003

［4］IEEE SCC21.IEEE Std.1547.1-2005-Standard Conformance Test Procedures for Equipment Interconnecting Distributed Resources with Electric Systems［S］.New York：Institute of Electrical&Electronics Engineers Inc，2005

［5］任碧瑩，鐘彥儒，孫向東，等.基于周期交替電流擾動的孤島檢測方法［J］.電力系統(tǒng)自動化，2008，32（19）：81-84

［6］Jones RA，Sims TR，Imece AF.Investigation of potential island of self commutated static power converter in photovoltaic systems［J］.IEEE Transactions on Energy Conversion，1990，5：624-631

［7］John V，Ye Z，Kolwalkar A.Investigation of anti-islanding protection of power converter based distributed generators using frequency domain analysis［C］.IEEE：Power Engineering Society General Meeting，2003

［8］Morsi WG，Diduch CP，Chang L.A new islanding detection approach using wavelet packet transform for wind-based distributed generation［C］//2010 2nd IEEE International Symposium on Power Electronics for Distributed Generation Systems.Hefei，China：IEEE，2010：495-500

［9］丁磊，潘貞存，叢偉.基于有根樹的分布式發(fā)電孤島搜索［J］.中國電機工程學報，2008，28（25）：62-67

［10］Hsieh CT，Lin JM，Huang SH.Enhancement of islanding-detection of distributed generation systems via wavelet transform-based approaches［J］.International Journal of Electrical Power&Energy Systems，2008，30（10）：575-580

［11］Pigazo A，Liserre M，Mastromauro RA，et al.Wavelet-based islanding detection in grid-connected PV systems［J］. IEEE Transactions on Industrial Electronics，2009，56（11）：4445-4455

［12］Yu B，Matsui M，So J，et al.A high power quality anti-islanding method using effective power variation［J］.Solar Energy，2008，82：368-378

［13］Hsieh CT，Lin JM，Huang SJ.Enhancement of islanding-detection of distributed generation systems via wavelet transform-based approaches［J］.Electrical Power and Energy Systems，2008，30：575-580

［14］Hashemi F，Ghadimi N，Sobhani B.Islanding detection for inverter-based DG coupled with using an adaptive neuro-fuzzy inference system［J］.Electrical Power and Energy Systems，2013，45：443-455

［15］Yu B，Matsui M，Jung Y，et al.A combined active anti-islanding method for photovoltaic systems［J］.Renewable Energy，2008，33：979-985

［16］林明耀，顧娟，單竹杰，等.一種實用的組合式光伏并網系統(tǒng)孤島效應檢測方法［J］.電力系統(tǒng)自動化，2009，33（23）：85-89

［17］許頗，張崇巍，張興.三相并網逆變器控制機器反孤島效應［J］.合肥工業(yè)大學學報，2006，9：1139-1143

［18］郭小強，趙清林，鄔偉揚.光伏并網發(fā)電系統(tǒng)孤島檢測技術［J］.電工技術學報，2007，4：157-161

［19］Yu B，Matsui M，Jung Y，et al.Modeling and design of phase shift anti-islanding method using non-detection zone［J］. Solar Energy，2007，81（11）：1333-1339

［20］鄭詩程，丁明，蘇建徽，等.光伏發(fā)電系統(tǒng)及其孤島效應的仿真與實驗研究［J］.系統(tǒng)仿真學報，2005，17（12）：3085-3088

A Method Detecting the Island Effect of the Photovoltaic Power Generation Based on the Wavelet Transform and Neural Network

XIZhong-mei1，2，ZHANGShi-heng3，ZHURui-ting4，LISheng-jie5，LIUShuang-xi1，2*PENGHong6
1.College of Mechanical&Electronic Engineering/Shandong Agricultural University，Taian 271018，China
2.Shandong Provincial Key Laboratory of Horticultural Machinery and Equipment/Shandong Agricultural University，Taian271018，China
3.State Grid Xining Electric Power Company，Qinghai 810008，China
4.College of Electrical Engineering/Shanghai University of Electric Power，Shanghai 200090，China
5.Chi-ping County Power Supply Bureau of Shandong Grid，Chiping 252100，China
6.East City Power Supply Bureau of State Grid Tianjin Municipal Electric Power Company，Tianjin 300250，China

Based on the wavelet analysis and neural network，a method detecting the island effect is presented in this paper to detect the island phenomenon for distributed power generation system.The method first involves sampling the common coupling point voltage and decomposing the wavelet，then the detailed weight of the voltage change could be obtained and input into the neural network for learning and training.The results proves that the accuracy of detection method of wavelet neural network could be more than 98%.The occurrence of island effect can be detected duly and precisely，thus tackling the problem of harmonic pollution to power network and removing the undetectable domain.

Photovoltaic inverter；island effect；wavelet transform；neural network

TM615

A

1000-2324（2016）02-0254-05

2015-06-15

2015-07-03

郗忠梅（1971-），女，副教授，博士，主要從事電氣工程及新能源研究.E-mail：xizhongmei@126.com

Author for correspondence.E-mail：lentree@sdau.edu.cn