[发明专利]具有在线自学习能力的分布式发电孤岛检测方法

说明书

技术领域

本发明涉及一种分布式发电技术，尤其是涉及一种具有在线自学习能力的分布式发电孤岛检测方法。

背景技术

分布式发电(distributed generation，DG)是智能电网的重要组成部分。出于人员设备安全、系统稳定运行以及电能质量等方面的考虑，普遍要求分布式发电具备孤岛检测功能。由于数据挖掘技术能有效解决孤岛检测中的阈值整定难题，近年来基于数据挖掘的孤岛检测方法得到了重视。在现有研究中，用于孤岛检测的分类器模型都是通过离线训练获得的。由于分布式电源和本地负荷的波动性，以及含分布式电源的配电网拓扑结构和运行方式存在变化，会使得样本的统计特性随着时间推移或环境改变而发生不可预知的变化，其结果会导致离线获得的分类器模型的分类准确度逐渐下降。这种现象在数据挖掘中被称作概念漂移。由于含分布式电源的配电网属于时变的而非静止的环境，概念漂移难以避免，所以，解决概念漂移是使数据挖掘方法得以实际应用的关键。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高、稳定性好、鲁棒性高、适应性好的具有在线自学习能力的分布式发电孤岛检测方法。

本发明的目的可以通过以下技术方案来实现：

一种具有在线自学习能力的分布式发电孤岛检测方法，其特征在于，包括以下步骤：

1)利用微网SCADA系统在线获取原始样本；

2)利用含微簇的在线聚类方法，自适应地对原始样本进行再采样；

3)依据多分类器模型计算每个样本子集的权重并进行优胜劣汰，淘汰分类准确率低于设定阈值的样本集，获得优选样本集；

4)根据优选样本集，在线训练生成分类器模型；

5)利用上述在线自学习获得的分类器模型，以异步方式更新实时孤岛检测所用的分类器模型。

所述的利用微网SCADA系统在线获取原始样本具体为：

设样本集合为：

E={(x_i，C(x_i)}，i＝1，...N   (1)

N为样本总数，x_i为特征向量，C(x_i)∈{0，1}为该样本的类别标签，0为非孤岛，1为孤岛；

以频率、电压幅值、电流幅值、电压-电流相角差、有功功率和无功功率作为特征向量，记为：

式(1)中，特征向量x_i的6个特征值由各分布式发电系统DG上报，而类别标签C(x_i)从PCC开关状态获取，在SCADA系统中，通过简单网络协议SNTP实现低成本的网络对时，传送x_i与C(x_i)的报告皆含有时间标签，以C(x_i)的时间戳为基准，对x_i进行线性插值，即获得同一时间截面的样本实例。

所述的利用含微簇的在线聚类方法，自适应地对原始样本进行再采样具体为：

步骤1、在离线状态下进行聚类分析，设Q为设定的簇个数，产生C₁...C_Q；针对每个簇C_q，形成对应的微簇M_q；

步骤2、在线运行时，当新点在时刻到来后，计算与各簇C_q质心的距离

(1)如果则创建新簇C_new，转向步骤3；

(2)否则，将点合并到簇C_p中，更新簇C_p对应的微簇M_p，返回步骤2；

步骤3、将增加到训练样本集合中，完成一次采样；同时，找出具有最小CF1^t值的簇，将其丢弃，从而保持簇的总数为Q，返回步骤2；

其中上述参数定义如下：

簇C由一系列d维的点构成的集合，各点对应的时间戳为定义其微簇M为(2d+3)维的元祖：