具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明涉及一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，包括以下步驟：1)利用微網(wǎng)SCADA系統(tǒng)在線獲取原始樣本；2)利用含微簇的在線聚類(lèi)方法，自適應(yīng)地對(duì)原始樣本進(jìn)行再采樣；3)依據(jù)多分類(lèi)器模型計(jì)算每個(gè)樣本子集的權(quán)重并進(jìn)行優(yōu)勝劣汰，淘汰分類(lèi)準(zhǔn)確率低于設(shè)定閾值的樣本集，獲得優(yōu)選樣本集；4)根據(jù)優(yōu)選樣本集，在線訓(xùn)練生成分類(lèi)器模型；5)利用上述在線自學(xué)習(xí)獲得的分類(lèi)器模型，以異步方式更新實(shí)時(shí)孤島檢測(cè)所用的分類(lèi)器模型。與現(xiàn)有技術(shù)相比，本發(fā)明具有準(zhǔn)確性高、穩(wěn)定性好、魯棒性高、適應(yīng)性好等優(yōu)點(diǎn)。
【專(zhuān)利說(shuō)明】具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及一種分布式發(fā)電技術(shù)，尤其是涉及一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法。
【背景技術(shù)】
[0002]分布式發(fā)電(distributed generation,DG)是智能電網(wǎng)的重要組成部分。出于人員設(shè)備安全、系統(tǒng)穩(wěn)定運(yùn)行以及電能質(zhì)量等方面的考慮，普遍要求分布式發(fā)電具備孤島檢測(cè)功能。由于數(shù)據(jù)挖掘技術(shù)能有效解決孤島檢測(cè)中的閾值整定難題，近年來(lái)基于數(shù)據(jù)挖掘的孤島檢測(cè)方法得到了重視。在現(xiàn)有研究中，用于孤島檢測(cè)的分類(lèi)器模型都是通過(guò)離線訓(xùn)練獲得的。由于分布式電源和本地負(fù)荷的波動(dòng)性，以及含分布式電源的配電網(wǎng)拓?fù)浣Y(jié)構(gòu)和運(yùn)行方式存在變化，會(huì)使得樣本的統(tǒng)計(jì)特性隨著時(shí)間推移或環(huán)境改變而發(fā)生不可預(yù)知的變化，其結(jié)果會(huì)導(dǎo)致離線獲得的分類(lèi)器模型的分類(lèi)準(zhǔn)確度逐漸下降。這種現(xiàn)象在數(shù)據(jù)挖掘中被稱(chēng)作概念漂移。由于含分布式電源的配電網(wǎng)屬于時(shí)變的而非靜止的環(huán)境，概念漂移難以避免，所以，解決概念漂移是使數(shù)據(jù)挖掘方法得以實(shí)際應(yīng)用的關(guān)鍵。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種準(zhǔn)確性高、穩(wěn)定性好、魯棒性高、適應(yīng)性好的具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法。
[0004]本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn):
[0005]一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，其特征在于，包括以下步驟:
[0006]I)利用微網(wǎng)SCADA系統(tǒng)在線獲取原始樣本；
[0007]2)利用含微簇的在線聚類(lèi)方法，自適應(yīng)地對(duì)原始樣本進(jìn)行再采樣；
[0008]3)依據(jù)多分類(lèi)器模型計(jì)算每個(gè)樣本子集的權(quán)重并進(jìn)行優(yōu)勝劣汰，淘汰分類(lèi)準(zhǔn)確率低于設(shè)定閾值的樣本集，獲得優(yōu)選樣本集；
[0009]4)根據(jù)優(yōu)選樣本集，在線訓(xùn)練生成分類(lèi)器模型；
[0010]5)利用上述在線自學(xué)習(xí)獲得的分類(lèi)器模型，以異步方式更新實(shí)時(shí)孤島檢測(cè)所用的分類(lèi)器模型。
[0011]所述的利用微網(wǎng)SCADA系統(tǒng)在線獲取原始樣本具體為:
[0012]設(shè)樣本集合為:
[0013]E={ (Xi, C(Xi)}, i = I,...N (I)
[0014]N為樣本總數(shù)，Xi為特征向量，C(Xi) e {0,1}為該樣本的類(lèi)別標(biāo)簽,O為非孤島，I為孤島；
[0015]以頻率、電壓幅值、電流幅值、電壓-電流相角差、有功功率和無(wú)功功率作為特征向量，記為:
[0016]
【權(quán)利要求】
1.一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，其特征在于，包括以下步驟: 1)利用微網(wǎng)SCADA系統(tǒng)在線獲取原始樣本； 2)利用含微簇的在線聚類(lèi)方法，自適應(yīng)地對(duì)原始樣本進(jìn)行再采樣； 3)依據(jù)多分類(lèi)器模型計(jì)算每個(gè)樣本子集的權(quán)重并進(jìn)行優(yōu)勝劣汰，淘汰分類(lèi)準(zhǔn)確率低于設(shè)定閾值的樣本集，獲得優(yōu)選樣本集； 4)根據(jù)優(yōu)選樣本集，在線訓(xùn)練生成分類(lèi)器模型； 5)利用上述在線自學(xué)習(xí)獲得的分類(lèi)器模型，以異步方式更新實(shí)時(shí)孤島檢測(cè)所用的分類(lèi)器模型。
2.根據(jù)權(quán)利要求1所述的一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的利用微網(wǎng)SCADA系統(tǒng)在線獲取原始樣本具體為: 設(shè)樣本集合為:
3.根據(jù)權(quán)利要求2所述的一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，其特征在于，所述的利用含微簇的在線聚類(lèi)方法，自適應(yīng)地對(duì)原始樣本進(jìn)行再采樣具體為: 步驟1、在離線狀態(tài)下進(jìn)行聚類(lèi)分析，設(shè)Q為設(shè)定的簇個(gè)數(shù)，產(chǎn)生C1...Cq ;針對(duì)每個(gè)簇Cq,形成對(duì)應(yīng)的微簇Mq ； 步驟2、在線運(yùn)行時(shí)，當(dāng)新點(diǎn)&在?;時(shí)刻到來(lái)后，計(jì)算萬(wàn),與各簇Cq質(zhì)心的距離?夂)1 (1)如果
4.根據(jù)權(quán)利要求3所述的一種具有在線自學(xué)習(xí)能力的分布式發(fā)電孤島檢測(cè)方法，其特征在于，以異步方式更新實(shí)時(shí)孤島檢測(cè)所用的分類(lèi)器模型。具體如下: 501)設(shè)數(shù)據(jù)窗最多同時(shí)包含k個(gè)子樣本集，每個(gè)子樣本集生成一個(gè)分類(lèi)器Mi； 502)經(jīng)過(guò)周期T后，接收SCADA系統(tǒng)發(fā)來(lái)的與在線采樣數(shù)據(jù)塊同步PCC開(kāi)關(guān)狀態(tài)報(bào)告； 503)用M1,M2,...，Mk的k個(gè)分類(lèi)器對(duì)新子樣本集ck+1分別進(jìn)行分類(lèi)預(yù)測(cè)，根據(jù)開(kāi)關(guān)狀態(tài)報(bào)告可得分類(lèi)錯(cuò)誤率，用Error(Mi)表示Mi的分類(lèi)錯(cuò)誤率，其中i = 1,2,...，k，Mk+1進(jìn)行交叉驗(yàn)證得其錯(cuò)誤率為Error (Mk+1)，Error(Mi)大于0.5的分類(lèi)器權(quán)重賦為0，計(jì)算其余權(quán)重:

【文檔編號(hào)】G06N3/08GK103778470SQ201410050233
【公開(kāi)日】2014年5月7日 申請(qǐng)日期:2014年2月13日 優(yōu)先權(quán)日:2014年2月13日
【發(fā)明者】楊珮鑫, 張沛超, 譚嘯風(fēng) 申請(qǐng)人:上海交通大學(xué)