文摘
一体化太阳能光伏(PV)发电与配电网络导致许多业务挑战和复杂性。意外上升的孤岛效应是其中一个考虑发电光伏电源的稳定增长。本文构建了一个探索性研究无意孤岛效应的建模径向馈线有大型光伏渗透率。动态模拟,也在实时运行,导致独特的潜在原因的探索创造意外的岛屿。由此产生的电压和电流数据进行降维使用主成分分析(PCA)的应用奠定了基础统计控制图检测异常电流,岛系统。减少异常检测的误警率,Kullback-Leibler (K-L)散度应用于主成分预测得出结论基于统计的方法本身并不是可靠的检测症状容易造成无意的孤岛效应。标签和获得的数据最近的邻居(nn)二项分类器被训练识别和分类的潜在从其他电力系统瞬变孤岛的前兆。三相短路故障情况下成功确认为统计不同于孤立的症状。
1。介绍
分布的部分电力供应网络总是在压力下给定变量的消费模式在复杂的地理分布。由于电网并不是专为分布的夹杂物的来源途径,分布式能源资源的整合是一个技术复杂的问题。当基于可再生能源的来源,他们的随机性质和可用性的变化代诱导额外随机性系统操作。分布式发电机(DGs)挑战传统的配电网馈线的功能,导致操作问题影响电能质量,稳定,和保护方面1]。
因为大多数分散的太阳能光伏集成是发生在分销方面2),特别是在屋顶的形式系统,这种系统的脆弱性供应中断和关闭成为一个重要问题。连接太阳能光伏系统因此变得富有挑战性;然而,继续喂养负载附近的光伏电源突然离开时必须避免的情况。
大多数的DGs包括光伏逆变器操作在不断PQ控制模式或恒功率控制方式(主动和被动)。这意味着他们吩咐给输出功率与电网同步的基础上提供的幂集点。光伏功率因数(通常是在统一3),因为这是一个能量收益最大化的策略从数组中通过最大功率点跟踪翻译(MPPT)。逆变器从而不能相应地调整其活性或无功功率输出调节电网的频率和电压。
孤岛效应是说发生在DG持续提供电力(电压和频率)效用水平一段包含特定加载即使部分网络,包括公共连接点(PCC),断开时会从主电力系统。这是明显的从一个示意图如图1。基于原因断开,孤岛效应可以分为有意的还是无意的。配电系统运营商时故意将某些部分从主电网与安全关键负载的目的,这种做法被称为故意孤岛效应。此举是预先计划的,通常需要网络拥塞的情况下或者一个大型电力系统停电。另一方面,偶然或意外断开loads-DG部分电源和DG在短时间的操作模式的延续,维持电网电压和频率,被称为无意孤岛效应。计划外岛的创建和维护系统的健康是有害的。基本上,这样一个坐落网络经营作为一个独立的自治实体从电网没有监管。自从DG继续在恒PQ控制模式下,它不能调整其供应维持电压和频率根据负荷因此导致电能质量较差。突然恢复电网由于自动自动开关动作会导致循环电流流动,如果效用和岛上的阶段。损失的有效接地坐落部分和瞬态过电压是其他问题。 There is also a constant safety threat to utility repair personnel due to a live portion existing on a dead power network.
尽管国际上记录无意孤立的事件的经验是有限的,一些真实事件指出(5,6)显示的潜在威胁将加强DG的不断普及的场景。最近发表的一项调查(7)重申了同样担忧分布实用程序,觉得无意孤岛效应最DG并网后将影响他们的网络。
普遍anti-islanding方法包括古典方法涉及被动、活跃,混合动力技术。这些地方在DG技术监控参数和任何threshold-exceeding变化来检测孤岛效应(被动)或力参数的安全范围(主动)或结合这两种策略(混合)。阈值选择的问题导致大nondetection区(NDZs)被动和主动技术影响他们使用的电能质量扰动DG高渗透。许多基于计算智能(CI)的技术也已报道的文献[8),但他们似乎从根本上是基于经典技术和加强检测岛形成的反应策略,然后断开总干事。这种做法并不是将在未来智能电网,将容纳很大一部分基于可再生能源的DG权力不能浪费甚至几个周期。因此,孤岛效应检测的预测方法可以被证明是一个健壮的解决方案。
早期作品如(9)考虑预测光伏逆变器无意孤岛效应分布网格考虑可预见的效用供应和负载和光伏发电概况和利用分析建模的早期self-commutated逆变器(10,11]。最近,数据挖掘技术被用于实际(12和模拟13]相量测量单元(PMU)数据预测孤岛的批量传输网络。其他作品预测的参数可能的岛。传统概念上的极限环的行为和小信号稳定性和描述函数方法(14)和分析各种逆变器控制功能(15]。
介绍了异常检测的应用技术:基于多元统计和监督学习预测检测一个无意的孤立的事件。所发现的异常电流发生在孤立的事件在建模之前用太阳能光伏并网配电馈线。这是本文的一大亮点,始于一个描述系统模型的部分2。部分3描述了从动态获得异常前兆模拟作为探索性研究的一部分。部分4描述数据减少使用PCA和应用统计数据从其他信号检测孤岛的前兆。一种改进的检测精度获得使用K-L分歧在节中有详细描述5。部分6描述标签的数据点进行训练神经网络分类器和报告的性能相同的测试数据集,是前两个部分。部分7总结了纸。
2。电力系统模型
建模的分销网络在这项研究是基于基准IEEE 13节点测试径向式给料机(16),在MATLAB-Simulink建模。一些修改了原来的馈线模型以进行孤岛效应研究的要求。首先,变电站自动电压调节器(AVR) 650节点是不包括在模型中。这样做是为了避免任何可能的交互PV AVR的抽头切换控制(17),可以掩盖任何签名与系统上的孤岛效应有关。100.7成为朝鲜劳动党太阳能光伏阵列集成692节点通过一个三相逆变器,从而使这个节点新闻申诉委员会。这些变化在修改后的给料机如图可见2。
除了前面提到的变化,恒流负载节点675被活跃和无功功率的要求和分别的恒流负载在692被修改,使部分671 - 692 islandable馈线部分。光伏逆变器作用于统一功率因数和负载侧671 - 675必须按照固定比例PV渗透和馈线电容器银行实现规模- - - - - -平衡需要在下一节中描述的探索性孤岛效应研究。给出了系统组件建模的细节在我们的早期作品(18从相同的模型是在这里拍摄的。本节只生产功能和验证结果描述系统模型。
为了验证系统执行根据理论,这是需要测试的电压和频率在任何点上节671 - 692,坐落与光伏逆变器。电压和频率在一个无意岛依赖的不匹配和之间的负载和网络的源(s)。因此,一个岛屿被迫形式通过打开孤岛的开关(断路器图2)= 0.45年代= 0.48 s。太阳辐照度,在这种情况下,在本文讨论的情况下是固定在1000 W / m2为了操作光伏阵列在标准测试条件(STC)固定,额定输出。翻译的MPPT的开启= 0.40年代从一开始的仿真和后在0.42秒到达MPP几瞬变。
的情况- - - - - -岛之间的不匹配负载和资源创建的值设置如下:= 90千瓦,= 151千乏,= 100千瓦(有效三相交流逆变器输出),和= 0。是由馈线电容器银行和逆变器的滤波电路,进来坐落网络;因此,= 600千乏+ 10千乏= 610千乏。岛负荷值为单相负载的提供值和来自三个阶段。产生的电压大小和频率岛,以PCC的绘制以及许多其他量图3。光伏阵列继续操作的预编的常数- - - - - -控制方式,因此欠压和underfrequency图中很明显。低电压大小和频率的值是与给定的一致- - - - - -不匹配在岛(19]。
显示电压和电流的谐波可观测的光伏系统集成时是显而易见的。然而,当前谐波grid-side电流和不显示逆变器输出。模拟运行时使用一个离散的模型解算器样品的电压和电流的速度1 MHz。类似的波形状从实地测试进行中压配电馈线部分在西班牙4]。结果岛三相电压和电流与许可在图复制4。这里,过电压中观察到岛。观察的时间尺度作实地试验结果是10 ms /部门。某些相似之处这两个数据提供关于建模方法的一些信心虽然比较仿真结果与实测结果可能不是完全合适。
3所示。探索异常前兆无意孤岛效应
的水平- - - - - -不匹配负载和光伏逆变器之间的密切联系,岛的形成和维持是在前一节中看到。许多实际研究中记录(20.,21)为不同级别的逆变器孤岛的行为特征- - - - - -不匹配。然而,在预期的情况下配电网馈线的光伏渗透率水平上升,完成- - - - - -比赛不是一个遥远的可能性。国际认可报告等(22)承认,- - - - - -光伏逆变器和负载之间的平衡是一个可以量化的可能性。在[进行实地测试5在[]和实验室测试23)研究了逆变器的anti-islanding能力完全匹配。同时,印度的一个案例研究(24]估计无意孤岛效应的风险点分布网络基础上的小时数,这样的情况发生。这些记录实践凸显了孤岛的功率不匹配的重要性,但在事件的发生。本研究探讨了完整的影响- - - - - -区分大小写的建立迫在眉睫的孤岛效应的可能性条件。
这样的动态load-PV交互在高PV渗透径向馈线为不同的电网条件可以有趣的结果与系统孤岛效应。为了探索这种模式,两种类型的编程从变电站发生骚乱,欠压,过压,与完全赞同- - - - - -平衡。这两种干扰是常用的孤岛效应相关研究在实践中25]。在这两种情况下,下列值将实现- - - - - -好负载和PV和之间的匹配在islandable馈线部分来源:= 23.33千瓦,= 203.33千乏。10千瓦电阻与负载模型的力量匹配和要求逆变器的滤波电路可以忽略不计。的值和保持与以前一样。
0.7单位的欠压扰动(pu)的标称电压振幅被迫从电网侧一段30 ms= 0.45年代= 0.48 s。截面grid-side电流在C阶段671 - 692年期间有很多异常的峰值电压干扰和干扰结束后如图5。30 ms窗口期间和之后的干扰是非常重要的研究从数据提取的角度。环绕的峰值是一个异常的严重程度导致孤岛的解释和验证(26]这也验证类似的峰值的出现单相相同的条件下,单总线系统中实现仿真器和相关硬件。过电压干扰,对称1.3 pu的标称电压振幅,是程序从电网发生的30 ms= 0.45到0.48年代。结果grid-side异常电流如图6没有被证明是严重到足以导致部分孤立的。完整的系统改造和实时模拟0.5年代实时数字仿真器(高压)的干扰情况。这是验证模型的鲁棒性和实时的结果类似于模型结果如图7和8对扰动情况下,分别。大峰不值得关注,因为他们是由于初始光伏集成瞬变。每个干扰情况下的30 ms窗口包含数据点采样1 MHz。阶段C的电压和电流采样在PCC收集在这个窗口作为一个数据集在每个不同的统计和CI技术在接下来的三个部分讨论。
30 ms窗口每个干扰结束后也在模拟运行。图的情况下7以前,这个窗口包含异常数据点对应于当前易于引起孤岛效应,因此被用作复合训练数据集的一部分使用神经网络分类器训练。更多细节的数据集和应用程序遵循下一节。
4所示。使用主成分分析数据处理和异常检测
每个两个网格的模拟干扰运行0.5秒的采样率1 MHz正如上面所讨论的。上面提到的电压和电流的数据样本收集和分岔到不同的数据集根据三个条件中发现的两种情况,即正常,在扰动,扰动后。正常状态是常见的干扰情况下模拟和包含30484个样本。正常状态对应于,没有额外的干扰,除了PV引起的谐波,存在在系统中。
PCA是用来减少数据集的维数与正常系统操作情况下对应的电压和电流是相关数量。标准奇异值分解)方法中使用MATLAB找到主成分矩阵。二维数据导致两个主要组件(pc)。基于投影的方差这两个电脑,1个人电脑保留所有分析。潜在矩阵包含的价值观差异在2 pc叫做分数表所示1并使电脑选择明确的选择。
PCA模型创建的用于检测任何异常发生异常检测的使用统计过程控制策略。属于不同情况下模拟的数据预处理和投射到1号电脑PCA模型的参考。这种策略的目的是区分一个条件会导致无意孤岛效应建模等条件的馈线故障和其他瞬态出现接近孤岛效应,因此很难正确地检测和识别。现有文献描述技术,检测到一个孤岛的条件等瞬变像激增,负载电容切换,故障后岛已经形成。这项研究开始努力探索可能的实际事件的原因和检测这种情况出现足够接近傻瓜的逆变器。因此,只产生的四个病例两grid-side扰动如前所述和三相短路故障情况下的模拟。
情况下正常系统操作情况前面描述的。每个grid-side欠压和过压干扰条件下产生两种情况。三相line-to-line-to-line-to-ground (L-L-L-G)断层在PCC被指定为例。所有的基于事件的情况下模拟总结在表2。
为数据样本向量的数量堆叠另一个的上面,形成一个数据矩阵应用主成分分析导致系数矩阵。如果一个许多电脑保留基于潜在价值,可以解决作为PCA模型和剩余模型。在PC或载荷矩阵投影导致得分矩阵的形成。原始数据矩阵可以使用得分矩阵重建和和载荷和作为,在那里和的尺寸(27]。
统计过程控制方法是广泛应用于工业工程质量控制目的。它已经发现其他应用程序在许多领域异常值检测通过检查是否在控制流程变量。任何过程变量表示为失控时,一个与之相关联的某些统计穿过它的上限。主成分分析有两个与之相关的多元统计:霍特林的统计和统计。都有一个控制上限(UCL)定义的,当他们都是由相应的交叉统计的数据点或数据集,这表明一个异常和异常行为。
霍特林的统计是一个多变量的一组数据点距离目标价值表示方差在PCA模型。如果是mean-centered(缩放)样本数据矢量,然后呢是一个得分向量。的统计的被定义为,在那里是一个对角矩阵数据矩阵的特征值为保留个人电脑的数量。伦敦大学学院的统计定义为。如果所有数据点都是线性和正态分布,之前分布并给出在给定的置信水平。
的统计是偏差的测量的原始数据点投影电脑轴。因此,它测量数据点之间的方差在剩余子空间。的使用残差统计量计算,残余向量比例的样本向量,统计是给定的,在那里是一个单位矩阵。对于正态分布的线性数据点,统计是一个中心分布及其UCL给出在给定的置信水平。在这里,和的均值和方差是吗统计。
最近,基于PCA过程控制策略已经申请检测孤岛效应的发生,从几个nonislanding事件区分它。PMU的录音频率测量不同的网站6日在英国电网作为实现的参考数据和基于统计的孤岛效应检测(28]。孤岛效应的发生只有当情况明显是交叉除了穿越的测试事件相应的多元统计的数据集。由于电力系统是一个动态变化的系统,系统变量用于创建参考PCA模型动态变化导致也随时间变化。为了解决这个问题,一个递归PCA算法开发的(29日英国]同样的电力系统情况。参考PCA模型更新在每个迭代和检测结果异常瞬变简单的PCA方法验证其有效性。本研究利用通常的圣言为创建以来的参考PCA模型参考数据不会改变从一个事件到另一个固定的仿真已经完成设置观察一些独特的变化,发生在固定窗户如前所述。
每一个新的测试数据集进行了扩展意味着沿着列零。mean-centered数据集被投射到1日参考PCA模型的电脑吗。相应的,和统计计算。每个剩余的5例作为测试用例。因为穿越限制的参考案例统计的测试用例只显示错误或失控事件,统计作为唯一的参数用于检测。统计测量偏差在剩余子空间,因此是一个强大的任何异常或异常状况的指示器。
相同后,受到mean-centering 5测试用例之前,投射到1 PC PCA模型的参考。的统计每个投影数据矩阵被发现并与伦敦大学学院参考案例的分数。在98%置信水平计算=。基于多元统计的结果检测表3。
见表3,这种方法正确地识别异常情况。它还在例2正确识别扰动事件不是一个岛系统的异常。然而,例4、5和6是不正确的。这表明基于统计的统计过程控制方法是不完全可靠的检测异常电流,会导致孤立的系统。改进错误的检出率,Kullback-Leibler (K-L)基于散度的方法使用PCA模型是在下一小节中介绍。
5。K-L基于散度检测
K-L分歧,也称为相对熵,是一个重要的统计测量来自信息理论。它已经显示出巨大的应用潜力的故障检测和诊断(FDD)。它已经恰当地用于早期故障检测在机电系统(30.),也被广泛应用于多媒体安全和神经科学。然而,K-L分歧在孤岛效应检测的应用在文献中相关的研究无法证实。本节详细介绍使用K-L分歧涉及改进的PCA模型异常检测的准确性。
K-L散度基本上是一个衡量两个概率分布之间的不同。如果两个样本数据来自两个种群拥有相同的分布,K-L散度为零。两个连续概率密度函数(pdf)和随机变量的K-L信息(KLI)被定义为。然后作为K-LD K-L分流=KLI对称操作。为离散分布,K-LD被定义为两个均值的对数似然比分布。
的反常行为或突然改变过程,相应的数据集变化的PDF的参考案例,如果超出了安全阈值,它可以统计检测。两个正态(高斯)概率密度和在均值和方差,和,分别K-L他们之间的分歧可以由一个简单的表达式: 在我们的例子中,我们发现两个分布之间的差异:不同的事件(测试)的投影情况下到1 PC和参考PCA分数或投影上的案例1 1 PC。非参数核密度估计已经被用于近似这些两个分布为正态分布图形。自从mean-centering数据样本的主成分分析的一部分,测试用例的预测的方法和参考案例为零。自从个人电脑分数是原始数据样本的线性组合,它们认为是相当正态分布(31日]。考虑到这一假设,我们使用以下公式计算K-LD测试用例和参考案例: 在这里,和只不过是第一个PC上的方差投影在表的第一列1。其他差异的预测不同的测试用例在1日电脑。
使用(2),测试用例2到6被用作第二个分布和例1为参考分布。K-L散度的值在不同情况下计算表4。结果表4把一个重要的图片。所有这些情况下了和被错误发现似乎已经被他们分化K-L散度值。它可以清楚的看到,例4,5、6不下降之前募集的同一类别统计方法。非常大的和小的值的情况下4和6,分别隔离成不同类别的事件;然而,类似的订单值情况和案例不给一个明确的边界。
核密度估计正常pdf案例3、4和6及其散度与例1所示数据9,10,11,分别。K-LD越多,密度之间的差距。L-L-L-G断层情况下最小方差最大,因此它有K-L散度在所有情况下。身体上,这个事件创造了如此低的电压给定馈线短路容量的光伏逆变器本身旅行从而避免孤岛效应,并提出这一事实的大散度的参考案例PDF。然而,在观察的散度值的情况和案例6,设置正确为一个事件被称为异常孤立的前体似乎是这种方法的问题虽然假警报检出率降低到1/5与3/5上一节。阈值的选择来解决这个问题,基于机器学习的方法来检测异常事件正确已经在下一小节中介绍。
6。基于神经网络分类器的方法
从前面几节中给出的统计技术,本节描述应用程序的监督学习技术最近的邻居(神经网络分类。神经网络方法是基于实例的学习方法,一个新的测试实例进行分类根据其相似存储训练数据点。这种技术也称为lazy-learning技术,因为他们不创建一个模型测试数据而进行分类的分类只有当一个新的实例。结果,他们调查数据库的训练数据与测试点基于一些距离测量和分配一个类标签之间的新的点通常基于多数票的训练点附近(32]。这里使用的算法描述如下。
训练算法。(我)添加每个训练的例子培训的列表的例子。在这里,是一种二进制编码指标响应变量存储的类标签。
分类算法。给定一个查询点分类,(我)让是最近的训练实例基于距离测量;(2)返回:
在这项研究中,这个算法被选中,因为异常实例易于引起孤岛效应都连续两类标签位于数据集。用于二进制分类测试的数据点。类标签0 =所有数据点的情况下不会引起孤岛效应而类标签1 =所有数据点的情况下会导致孤立的。身体上,这都对应于电流> 0.1 kA,决定从静态故障研究中解释26]。三个训练数据集被用作复合训练数据集。
第一个20000分的情况1,所有数据点的情况2,从案例和555年异常数据点3。邻居的数量设置= 5,欧几里得距离测量使用。分类器的训练和测试三个测试数据集:测试集我:例1的最后10484分。测试集2:数据点例4。第三测试集:数据点例6。
平均旨在分类错误或10倍损失训练数据为0.0070表明训练精度高。分类器性能测试的测试用例使用最近的点抢七的多数票规则。为测试集二世,所有数据点确定的分类器类0。这属于一个100%的准确率。数据点的方差的情况下3 -故障是在所有情况下。故障也会导致非常低的电压本身可以旅行光伏逆变器,因此它是发现自然和不能被贴上一个异常前兆。这证实了0到分类器分配标签的正确性。测试集的分类器精度我和三世被发现97.42%和90.12%,分别在多个运行。测试集I和II的混淆矩阵如表所示5和6,分别。情况下是非常接近实际孤岛的前兆的情况下发现情况3,因此大量的数据点被分配标签1。平均分类精度可以报道为95.75%。294 ms的分类器需要平均时间分类一个新的测试数据点。作为减少到1,花费的时间保持不变,但精度改善甚至第三训练数据集测试3。也很明显,在这种方法中,三相短路故障情况下确定是不同于其他情况下有100%的准确度。
表现的比较中讨论的三种方法本文提出了表7。
7所示。结论
本文对理解了一个探索性研究,发现和分析可能的原因,可以无意中岛修改IEEE 13公交系统和大型光伏渗透率段。应用多元统计技术和一种监督学习技术来识别异常易于引起孤岛效应的签名来自其他瞬态已经详细。三相短路故障显然是确定为不是一个孤立的前体K-L散度和案例神经网络分类方法。本文还表明,单独使用基于PCA过程控制策略为预测孤岛效应检测是不够的。分类器给最好的精度在所有和它可以得出结论,其实现应该检测前体和旅行前的光伏逆变器效用PCC继电器。分类可以等于传递延迟时间如果不低于它。
相互竞争的利益
作者宣称没有利益冲突。
确认
作者承认新能源和可再生能源的印度政府支持这项工作在国家可再生能源奖学金计划。迪帕克博士提供的支持Fulwani Vinod Kumar先生的印度科技学院的焦特布尔的帮助研究高压同样承认。