[发明专利]一种基于稀疏编码和人工神经网络的光伏孤岛检测方法

权利要求书

1.一种基于稀疏编码和BP神经网络的孤岛检测法，其特征是包括如下步骤：

(1)采集足够的正常状态和孤岛状态的样本，一个样本包含一个周期内逆变输出电压变化率，逆变输出电流变化率，逆变输出频率变化率，一个周内采样10个值，形成共3行10列的观测矩阵；

(2)将采集到的3行10列的观测矩阵通过稀疏编码成1行10列的稀疏矩阵；

(3)建立单隐含层BP神经网络；

(4)将稀疏矩阵作为输入导入BP神经网络，进行训练，得到训练好的BP神经网络模型；

(5)将训练好的BP神经网络模型导入simulink中，建立孤岛检测模型，进行孤岛检测。

2.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法，其特征是所述的步骤(2)为：

(2-1)稀疏编码模型可以用一个结合基函数和噪声量的线性模型来表示：

X＝[x₁，x₂，...x_M]^T为输入特征量，D为M*K的稀疏字典矩阵，它的元素d_k为特征基函数；s＝[s₁，s₁，...s_K]^T为输入量X的稀疏表示，ε为高斯白噪声；

(2-2)稀疏表示s的稀疏求解用s的最大后验估计：

(2-3)第一项P(s|x，D)为满足公式(1)条件下的概率分布，给定公式(1)的噪声为高斯白噪声，这个概率分布可表示为

σ²为噪声方差；

(2-4)公式(2)的第二项为s的先验概率分布，s独立于D，所以P(s|D)＝P(s)，为了强化系数的稀疏性，P(S_K)选择拉布拉斯分布，即P(s_k)∝exp(-θ|s_k|)，这些系数又是独立分布的，即所以s的最大后验估计可以表示为：

(2-5)稀疏字典D用最大似然估计表示：

(2-6)<·>_x为X的平均值，因为样本之间是独立分布的，所以概率函数P(X|D)可表示为：

(2-7)同时，每个样本的概率分布可表示为：

P(x_i|D)＝∫P(x_i，s|D)ds＝∫P(x_i|D，s)P(s)ds(7)

(2-8)引用公式(3)并且假设先验分布为拉布拉斯分布，公式(7)可表示为：

。

3.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法，其特征是所述的步骤(3)为：

(3-1)在matlab中建立单隐含层BP神经网络；

(3-2)输入层为10个节点，输出层为两个节点，隐含神经元的个数为12；

(3-3)第一层的传递函数设置为tansig，第二层的传递函数为logsig，训练函数设置为traingdx。

4.根据权利要求1所述的一种基于稀疏编码和BP神经网络的孤岛检测法，其特征是所述的步骤(5)为：

(5-1)在线采集一周期内逆变电压变化率，逆变电流变化率，频率变化率，形成3行10列的观测矩阵；

(5-2)对观测矩阵进行在线稀疏形成稀疏矩阵；

(5-3)将稀疏矩阵导入训练好的BP神经网络模型得到两个输出；

(5-4)如果两个输出为10，判断为正常状态；如果两个输出为01，判断为孤岛状态，启动孤岛状态，断开逆变输出。