基于小波变换与BP神经网络的光伏电站孤岛检测研究

doi:10.3969/j.issn.1000-7229.2019.12.014

电力建设 ›› 2019, Vol. 40 ›› Issue (12): 113-119.doi: 10.3969/j.issn.1000-7229.2019.12.014

基于小波变换与BP神经网络的光伏电站孤岛检测研究

江文超1，张兴1，谢东2，李明1

1.合肥工业大学电气与自动化工程学院，合肥市 230009；2.铜陵学院电气工程学院，安徽省铜陵市 244000

出版日期:2019-12-01
作者简介:江文超(1995)，男，硕士研究生，主要研究方向为新能源发电技术；张兴(1963)，男，博士，教授，通信作者，主要研究方向为新能源利用与分布式发电技术；李明(1993)，男，博士研究生，主要研究方向为新能源利用与分布式发电技术；谢东(1980)，男，博士，副教授，主要研究方向为新能源及分步式发电技术。
基金资助:
国家重点研发计划项目(2016YFB0900300)

Research on Photovoltaic Power Station Islanding Detection Based on Wavelet Transform and BP Neural Network

JIANG Wenchao1， ZHANG Xing1 ， XIE Dong2， LI Ming1

1.School of Electric and Automatic Engineering， Hefei University of Technology， Hefei 230009， China；2. School of Electric Engineering，Tongling University， Tongling 244000， Anhui Province， China

Online:2019-12-01
Supported by:
This work is supported by National Key Research and Development Program of China(No.2016YFB0900300).

摘要/Abstract

摘要： 随着光伏电站规模不断增大，并网光伏系统对原有供电网络的影响越来越大，孤岛检测成为光伏电站必须深入研究的问题。针对现有孤岛检测方法的不足，提出了一种基于小波变换与BP神经网络的新型被动式孤岛检测法。该法通过小波变换获得有关信号孤岛发生前后的特征信息，再由BP神经网络根据这些特征信息实施孤岛检测和孤岛保护行为。仿真研究的结果表明，所述新型被动式孤岛检测方法检测速度快，检测盲区小，在多个负载品质因数、谐波等扰动情况下，不会出现孤岛检测的误判行为。

关键词: 孤岛检测, 小波变换, 神经网络, 特征向量

Abstract: With the increasing scale of photovoltaic power station and the impact of grid-connected photovoltaic systems on the original power supply network， islanding detection has become a problem that PV power station must study in depth. Aiming at the deficiencies of the existing islanding detection methods， a novel passive islanding detection method based on wavelet transform and BP neural network is proposed. The method obtains the characteristic information of the signal before and after islanding through wavelet transform， and then the BP neural network implements islanding detection and islanding protection behavior according to this characteristic information. The simulation results show that the new passive islanding detection method described in this paper has high detection speed and small no-detection zone. In the case of multiple load quality factors and harmonics， no misjudgment of islanding detection will occur.

Key words: islanding detection, wavelet transform, neural network, eigenvector

中图分类号:

TM 76

江文超，张兴，谢东，李明. 基于小波变换与BP神经网络的光伏电站孤岛检测研究[J]. 电力建设, 2019, 40(12): 113-119.

JIANG Wenchao， ZHANG Xing， XIE Dong， LI Ming. Research on Photovoltaic Power Station Islanding Detection Based on Wavelet Transform and BP Neural Network[J]. Electric Power Construction, 2019, 40(12): 113-119.

参考文献

［1］胡润青，刘建东.2017年光伏发电市场回顾和展望［J］.太阳能，2018(1):14-18.
HU Runqing， LIU Jiandong. Review and prospect of photovoltaic power generation market in 2017［J］. Solar Energy， 2018(1):14-18.
［2］KUMAR K A， SUNDARESWARAN K， VENKATESWARAN P R， et al. Implementation and testing of anti-islanding system in a 20 kW solar PV power system in an industry［C］// International Conference on Recent Developments in Control， Automation and Power Engineering. IEEE， 2015:167-171.
［3］光伏电站接入电网技术规定：Q/GWD 617—2011 ［S］. 北京: 中国电力出版社， 2011.
Photovoltaic power plant access grid technical regulations：Q/GWD 617—2011 ［S］. Beijing:China Electric Power Press，2011.
［4］光伏电站接入电网测试规程：Q/GWD 618—2011 ［S］. 北京: 中国电力出版社， 2011.
Photovoltaic power station access to power grid test procedures：Q/GWD 618—2011 ［S］. Beijing:China Electric Power Press，2011.
［5］光伏发电站接入电力系统技术规定：GB/T 19964—2012 ［S］. 北京: 中国标准出版社， 2013.
Photovoltaic power station access power system technical regulations：GB/T 19964—2012 ［S］. Beijing: Standards Press of China，2013.
［6］YAN W， TZELEPIS D， DYSKO A. Islanding of distribution networks: Challenges and potential solutions［C］//2018 53rd International Universities Power EngineeringConference (UPEC). IEEE， 2018: 1-6.
［7］刘宁，徐华电，苏建徽. 基于能量谱分析的被动式孤岛检测方法［J］. 电源学报，2017，15(6):49-55.
LIU Ning， XU Huadian， SU Jianhui. Passive islanding detection based on signal energy spectrum analysis［J］. Journal of Power Supply， 2017，15(6):49-55.
［8］ROSTAMI A， JALILIAN A， NADERI S B， et al. A novel passive islanding detection scheme for distributed generations based on rate of change of positive sequence component of voltage and current［C］// Australasian Universities Power Engineering Conference. IEEE， 2017:1-5.
［9］谢东，张兴. 主动移频式孤岛检测法产生稀释效应机理的分析［J］. 电力系统保护与控制，2013，41(4):84-90.
XIE Dong， ZHANG Xing. Analysis of dilution phenomenon for active frequency shift islanding detection method［J］. Power System Protection and Control， 2013，41(4):84-90.
［10］MEHANG T S， RIAWAN D C， PUTRI V L B. Islanding detection in grid-connected distributed photovoltaic generation using artificial neural network［C］//2018 International Seminar on Intelligent Technology and Its Applications (ISITIA). IEEE， 2018: 181-186.
［11］KERMANY S D， JOORABIAN M， DEILAMI S， et al. Hybrid islanding detection in microgrid with multiple connection points to smart grids using fuzzy-neural network［J］. IEEE Transactions on Power Systems， 2017， 32(4): 2640-2651.
［12］谢东，张兴，曹仁贤.基于小波变换与神经网络的孤岛检测技术［J］.中国电机工程学报，2014，34(4):537-544.
XIE Dong， ZHANG Xing， CAO Renxian. Islanding detection based on wavelet transform and neural network［J］. Proceedings of the CSEE，2014，34(4):537-544.
［13］郗忠梅，张世恒，朱瑞婷，等.基于小波变换和神经网络的光伏发电孤岛效应检测方法［J］.山东农业大学学报(自然科学版)，2016，47(2):254-258.
XI Zhongmei， ZHANG Shiheng， ZHU Ruiting， et al. A method detecting the island effect of the photovoltaic power generation based on the wavelet transform and neural network［J］. Journal of Shandong Agricultural University(Natural Science Edition)， 2016， 47(2): 254-258.
［14］张兴，谢东，赵丽欣，等.多逆变器并网光伏系统孤岛检测技术研究［J］.太阳能学报，2015，36(1):138-145.
ZHANG Xing， XIE Dong， ZHAO Lixin， et al. Islanding detection research for multiple inverter grid-connected photovoltaic system［J］. Acta Energiae Solaris Sinica， 2015， 36(1): 138-145.
［15］KHAN M A， HAQUE A， KURUKURU V S B. An efficient islanding classification technique for single phase grid connected photovoltaic system［C］//2019 International Conference on Computer and Information Sciences (ICCIS). IEEE， 2019: 1-6.
［16］陶维青，王乐勤，顾芝瑕，等.SVD和神经网络在孤岛检测中的应用［J］.电力系统保护与控制，2017，45(2):28-34.
TAO Weiqing， WANG Leqin， GU Zhixia， et al. Application of SVD and neural network in islanding detection［J］. Power System Protection and Control， 2017， 45(2): 28-34.
［17］黄培.基于改进BP算法在深度神经网络学习中的研究［J］.机械强度，2018，40(4):796-801.
HUANG Pei. Research on deep neural network learning based on improved BP algorithm［J］. Journal of Mechanical Strength， 2018，40(4):796-801.

[1]	唐子卓, 刘洋, 许立雄, 郭久亿. 基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法[J]. 电力建设, 2020, 41(8): 17-24.
[2]	宋建，束洪春，董俊，梁雨婷，李雨龙，杨博. 基于GM(1，1)与BP神经网络的综合负荷预测[J]. 电力建设, 2020, 41(5): 75-80.
[3]	白浩，袁智勇，孙睿，张强，史训涛. 基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘[J]. 电力建设, 2020, 41(3): 31-38.
[4]	史晨豪，唐忠，魏敏捷，李征南，陈寒. 基于数据驱动的配电网光伏双层优化调控策略[J]. 电力建设, 2020, 41(3): 62-70.
[5]	韦善阳，黎静华，黄乾. 基于改进权值优化模型的光伏功率区间预测[J]. 电力建设, 2019, 40(7): 26-33.
[6]	肖泽青，华昊辰，曹军威. 人工智能在能源互联网中的应用综述[J]. 电力建设, 2019, 40(5): 63-70.
[7]	杨懿男，齐林海，王红，苏林萍. 基于生成对抗网络的小样本数据生成技术研究[J]. 电力建设, 2019, 40(5): 71-77.
[8]	傅庆燕，高亮，裴翔羽. 基于等效行波的柔性直流电网差动保护研究[J]. 电力建设, 2019, 40(3): 109-116.
[9]	曹弘飞，朱新坚. BP神经网络在线优化卡尔曼滤波算法在钒电池SOC估算中的应用[J]. 电力建设, 2018, 39(4): 9-.
[10]	梁荣，杨波，马润泽，吴健，吴奎华，林振智，文福拴. 利用多源信息和深度置信神经网络的配电系统空间负荷预测[J]. 电力建设, 2018, 39(10): 12-19.
[11]	牛东晓，马天男，王海潮，刘鸿飞，黄雅莉. 基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测[J]. 电力建设, 2017, 38(3): 85-.
[12]	罗冠姗,卢惠辉,苏成悦，何榕礼，陈元电. 一种基于小波包变换的电力谐波检测方法[J]. 电力建设, 2015, 36(3): 71-76.
[13]	石鑫，朱永利. 深度学习神经网络在电力变压器故障诊断中的应用[J]. 电力建设, 2015, 36(12): 116-122.
[14]	张刚，刘福潮，王维洲，李正远，郑晶晶，梁雅芳 . 电网短期负荷预测的BP-ANN方法及应用[J]. 电力建设, 2014, 35(3): 54-58.
[15]	黄新波，宋桐，王娅娜，李文君子,林淑凡 . 基于贝叶斯和模糊L-M网络的变压器故障诊断[J]. 电力建设, 2014, 35(2): 1-6.

基于小波变换与BP神经网络的光伏电站孤岛检测研究

Research on Photovoltaic Power Station Islanding Detection Based on Wavelet Transform and BP Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价