基于機器學習的分布式發(fā)電并網保護研究.pdf

1、隨著配電網中分布式電源滲透率的不斷提高，國內外很多國家組織都在積極制定并網標準。在公共耦合點處配置并網保護是使分布式電源滿足并網要求的一種重要的、新型的繼電保護措施。但是由于分布式電源類型的多樣性和出力的波動性，并網保護的配置需要考慮較多因素，此時依賴于離線方式進行定值整定的常規(guī)保護就難以滿足可靠性和速動性的要求。為此，本文提出了基于機器學習的分布式發(fā)電并網保護原理。
　　相對于配電網保護，國內外對分布式發(fā)電并網保護的研究還非常有

2、限。為此，本文首先對國內外的研究進行了梳理。在對國內外分布式電源并網的相關標準及發(fā)展歷程進行總結的基礎上，給出了并網保護的定義。然后從故障檢測、孤島檢測和重合閘等方面分析了并網保護的功能與配置，并對故障檢測和孤島檢測功能的可靠性和速動性進行了分析與討論。最后，從并網標準和并網保護原理兩個方面，分析了并網保護在理論與應用方面存在的主要問題。
　　接著，針對并網保護的多功能特點，本文研究并建立了基于多分類支持向量機的并網保護。在傳統(tǒng)二

3、分類 SVM基礎上，通過預測結果軟化、概率組合，構建了可同時實現(xiàn)并網保護中的孤島檢測和故障檢測功能的三分類模型。為了提高分類模型的泛化能力，訓練中采用了 SVM-RFE的特征選擇算法，并結合交叉驗證獲得最優(yōu)分類模型。通過仿真與常規(guī)的故障保護和防孤島保護比較，證明了本方案在可信賴性和安全性方面都更有優(yōu)勢。
　　最后，針對主動配電網中孤島檢測的概念漂移問題，本文提出了基于在線自學習的孤島檢測方法。首先利用SCADA系統(tǒng)自主獲取在線樣本

4、；接著以增量聚類的方式實現(xiàn)樣本的再采樣，從而改善樣本的有偏性；最后提出了基于加權 SVM的優(yōu)選樣本集策略實現(xiàn)在線更新分類模型，提高對實時系統(tǒng)狀況的學習能力。仿真結果表明，該方案可以有效應對緩慢概念漂移和突然概念漂移事件，并且具有較高的分類平衡精度和較強的魯棒性。
　　本學位論文在國家科技支撐計劃“以大規(guī)?？稍偕茉蠢脼樘卣鞯闹悄茈娋W綜合示范工程”（2013BAA01B04）和國家高技術研究發(fā)展（863）計劃項目“電網海量信息處理