一種基于極限學(xué)習(xí)機的微電網(wǎng)孤島檢測方法
【專利說明】-種基于極限學(xué)習(xí)機的微電網(wǎng)孤島檢測方法
[0001]
技術(shù)領(lǐng)域： 本發(fā)明涉及一種基于極限學(xué)習(xí)機的微電網(wǎng)孤島檢測方法。
[0002]
【背景技術(shù)】： 微電網(wǎng)解決了分布式電網(wǎng)孤島運行問題，其中重要的一個方面是并網(wǎng)和孤網(wǎng)相互轉(zhuǎn)化 問題，如何進(jìn)行孤島檢測是關(guān)鍵。國內(nèi)外的學(xué)者提出了多種孤島檢測方法，可分為電網(wǎng)端孤 島檢測和逆變器端孤島檢測，逆變器端的檢測法又分為被動和主動兩類檢測法。
[0003] 被動式孤島檢測方法監(jiān)測盲區(qū)大、門檻值難以確定；主動式孤島檢測方法會在一 定程度上引起電力系統(tǒng)電能質(zhì)量下降，而且檢測方法稀釋性差，在多個分布式電源存在的 情況下，可能由于擾動信號不同步而發(fā)生相互抵消的情況，影響檢測效率。這些方法各有優(yōu) 缺點，一般根據(jù)需要選擇不同的檢測方法。鑒于主動檢測法和被動檢測法都存在各自的缺 點，現(xiàn)提出一種新的基于極限學(xué)習(xí)機（Extremelearningmachine(ELM))分類算法的微電 網(wǎng)孤島檢測方法。
[0004] 計算智能技術(shù)已經(jīng)得到廣泛應(yīng)用，其中神經(jīng)網(wǎng)絡(luò)（neuralnetworks)和支持向量 機（supportvectormachines(SVMs))占據(jù)主導(dǎo)地位。但是，我們已經(jīng)知道無論是神經(jīng)網(wǎng) 絡(luò)還是SVMs都面臨諸多挑戰(zhàn)：（1)學(xué)習(xí)速度慢；（2)瑣碎的人類干預(yù)；（3)計算穩(wěn)定性差等。 鑒于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)和SVMs的不足，而極限學(xué)習(xí)機可以在很大程度上解決上述不足，我們 提出采極限學(xué)習(xí)機分類算法進(jìn)行孤島檢測。
[0005] 極限學(xué)習(xí)機算法由于其可以克服其他算法的不足之處，一經(jīng)提出便受到了很多 科研人員的關(guān)注。極限學(xué)習(xí)機是一種廣義單隱層前饋神經(jīng)網(wǎng)絡(luò)（single-hiddenlayer feed-forwardnetworks(SLFNs))，極限學(xué)習(xí)機的核心在于SLFNs的隱含層在計算過程中 不需要調(diào)整。與傳統(tǒng)的智能計算方法相比，極限學(xué)習(xí)機計算速度快，人為干擾小，泛化能力 強。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明為了解決上述問題，提出了一種基于極限學(xué)習(xí)機的微電網(wǎng)孤島檢測方法， 本方法通過建立基于特征提取和極限學(xué)習(xí)機分類算法的微電網(wǎng)孤島檢測模型，并對本模型 進(jìn)行了詳細(xì)描述；選取部分歷史數(shù)據(jù)作為初始數(shù)據(jù)，根據(jù)實際情況適當(dāng)選取算法特征用于 極限學(xué)習(xí)機分類器訓(xùn)練，孤島檢測效果良好，監(jiān)測盲區(qū)小。
[0007] 所謂孤島運行是分布式電源（DG)在發(fā)生大電網(wǎng)故障的情況下，與大電網(wǎng)斷開并 繼續(xù)向本地負(fù)載RL供電、獨立運行的情況稱為孤島運行。
[0008] 為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案： 一種基于極限學(xué)習(xí)機的微電網(wǎng)孤島檢測方法，其特征是：包括以下步驟： 選取歷史數(shù)據(jù)作為初始數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理，提取微電網(wǎng)參數(shù)特征量，表示原始電 氣量； 給定訓(xùn)練樣本集、隱含層輸出函數(shù)和隱含層節(jié)點數(shù)，建立極限學(xué)習(xí)機網(wǎng)絡(luò)訓(xùn)練模型，根 據(jù)隨機生成的隱含層節(jié)點參數(shù)，計算隱含層輸出矩陣和輸出權(quán)重，根據(jù)限學(xué)習(xí)機網(wǎng)絡(luò)的計 算結(jié)果，對給定測試數(shù)據(jù)進(jìn)行分類； 利用極限學(xué)習(xí)機分類算法對提取的微電網(wǎng)參數(shù)特征進(jìn)行參數(shù)尋優(yōu)，求取最優(yōu)參數(shù)值， 基于最優(yōu)種群的生存原則，利用遺傳算法，進(jìn)行參數(shù)的優(yōu)選，構(gòu)建包含離線參數(shù)尋優(yōu)與在線 孤島檢測的微電網(wǎng)孤島檢測模型； 采集在線數(shù)據(jù)，對其進(jìn)行特征提取，利用微電網(wǎng)孤島檢測模型判斷其是否為孤島，如果 是，則判定為發(fā)生孤島，如果不是，則重新采集在線數(shù)據(jù)。
[0009] 所述步驟（1)中，所提取的微電網(wǎng)參數(shù)特征量滿足以下條件： 1) 反映微電網(wǎng)運行狀態(tài)的電氣量； 2) 在微電網(wǎng)發(fā)生孤島前后應(yīng)有所變化； 3) 特征容易提取，直接提取或經(jīng)過簡單計算即可提取，避免復(fù)雜運算。
[0010] 所述步驟（1)中，采集的原始電氣量表示為：
式中，表示所采集的原始樣本集合，_表示第a個原始樣本的第#原始 電氣量，J表示原始樣本集的樣本數(shù)，W表示每個樣本集所包含的的原始電氣量個數(shù)； 用于極限學(xué)習(xí)機分類器訓(xùn)練的樣本集表示為：
式中，自表示訓(xùn)練樣本集，表示第a個訓(xùn)練樣本的第於特征，錄示由原始 電氣量提取的用于極限學(xué)習(xí)機分類器訓(xùn)練的負(fù)荷特征數(shù)。
[0011] 所述步驟（2)中，極限學(xué)習(xí)機網(wǎng)絡(luò)訓(xùn)練模型采用前向單隱層結(jié)構(gòu)，建立其的具體方 法為： 給定訓(xùn)練樣本i
::、隱含層輸出函數(shù) G .X)和隱含層節(jié)點數(shù)L，表示具有L個隱含層節(jié)點的極限學(xué)習(xí)機的輸出函數(shù)，隨 機生成隱含層節(jié)點參數(shù)tli，根據(jù)其計算隱含層輸出矩陣h和輸出權(quán)重i，給定測試數(shù)據(jù)，根據(jù)極限學(xué)習(xí)機的輸出結(jié)果進(jìn)行分類； 其中
，式中為第i個樣本，I為 第i個樣本對應(yīng)參數(shù)，N為樣本個數(shù)； 為隱含層輸出函數(shù)；
3隨機生成隱含層節(jié)點參數(shù)。
[0012] 所述步驟（3)中，進(jìn)行極限學(xué)習(xí)機分類算法參數(shù)尋優(yōu)，需要在訓(xùn)練樣本和驗證樣本 的基礎(chǔ)上，求出一組最優(yōu)的參數(shù)值和Z°〃，即
式中，6^和Z°〃是適應(yīng)度最高的一組參數(shù)值；是算法隨機設(shè)定的初始參數(shù)值。
[0013] 所述步驟（3)中，適應(yīng)度函數(shù)選取為孤島檢測準(zhǔn)確率，表示孤島檢測正確的樣本數(shù) 占所有檢測為異常樣本的比例，即
式中，a表不被極限子at兒刀-天研刊啤丨乃m幣j=l爛大乃in幣mn干卓數(shù)量；A表不被極限 學(xué)習(xí)機分類器判斷為正常但其實為異常的樣本數(shù)量；c表示被極限學(xué)習(xí)機分類器判斷為異 常但其實為正常的樣本數(shù)量；〇表示被極限學(xué)習(xí)機分類器判斷為異常且確實為異常的樣本 數(shù)量。
[0014] 所述步驟（3)中，基于遺傳算法的參數(shù)優(yōu)選過程歸納為： (3-1)初始化：隨機生成一組參數(shù)C和L，設(shè)定參數(shù)取值區(qū)間，并對每個參數(shù)進(jìn)行編碼， 進(jìn)而構(gòu)造初始種群； (3-2)適應(yīng)度評估：將極限學(xué)習(xí)機參數(shù)代入相應(yīng)的適應(yīng)度函數(shù)計算； (3-3)選擇、交叉：選取若干適應(yīng)度較大的個體作為父代種群，使用啟發(fā)式交叉函數(shù)，即 以適應(yīng)度高的父代為基礎(chǔ)，依據(jù)比例系數(shù)向差父代移動一段距離作為交叉形成的子代； (3-4)變異：使用自適應(yīng)變異函數(shù)，基于父代的適應(yīng)度，并考慮待優(yōu)選參數(shù)取值區(qū)間，將 子代的參數(shù)值加上一個隨機值，完成子代的變異； (3-5)檢測：當(dāng)種群代數(shù)超過最大代數(shù)或連續(xù)10代的適應(yīng)度變化小于1%時，終止參數(shù) 尋優(yōu)過程，輸出當(dāng)前的最優(yōu)參數(shù)值; (3-6)循環(huán)：跳轉(zhuǎn)到步驟（3-2)。
[0015] 所述步驟（3-2)的具體步驟為：將極限學(xué)習(xí)機參數(shù)代入相應(yīng)的適應(yīng)度函數(shù)計算，
式中：____表示3于給定參:數(shù)^卩樣本求$分類#果力函數(shù)，表示ELM切丨練 樣本集，表示ELM驗證樣本集，/表示根據(jù)分類結(jié)果與尋優(yōu)樣本的真實分類標(biāo)記計算 適應(yīng)度的函數(shù)，g表示遺傳算法的訓(xùn)練代數(shù)； 所述步驟（3-3)的具體方法為：選取若干適應(yīng)度較大的個體作為父代種群，使用啟發(fā) 式交叉函數(shù)，即以適應(yīng)度高的父代為基礎(chǔ)，依據(jù)比例系數(shù)向差父代移動一段距離作為交叉 形成的子代，即
式中：R為比例系數(shù)，取值為（1，2)范圍內(nèi)的隨機數(shù)，為父代參數(shù)值，其中Z3,s'為適應(yīng)度高的父代。 X
[0016] 所述步驟（4)中，在線數(shù)據(jù)采集的需要保證采集數(shù)據(jù)的同時性，具體采集方法為： 設(shè)數(shù)據(jù)采集周期為T，初始采樣時間為T。，則采集數(shù)據(jù)為
式中，表