[发明专利]具有在线自学习能力的分布式发电孤岛检测方法

权利要求书

1.一种具有在线自学习能力的分布式发电孤岛检测方法，其特征在于，包括以下步骤：

1)利用微网SCADA系统在线获取原始样本；

2)利用含微簇的在线聚类方法，自适应地对原始样本进行再采样；

3)依据多分类器模型计算每个样本子集的权重并进行优胜劣汰，淘汰分类准确率低于设定阈值的样本集，获得优选样本集；

4)根据优选样本集，在线训练生成分类器模型；

5)利用上述在线自学习获得的分类器模型，以异步方式更新实时孤岛检测所用的分类器模型。

2.根据权利要求1所述的一种具有在线自学习能力的分布式发电孤岛检测方法，其特征在于，所述的利用微网SCADA系统在线获取原始样本具体为：

设样本集合为：

E={(x_i，C(x_i)}，i=1，...N   (1)

N为样本总数，x_i为特征向量，C(x_i)∈{0，1}为该样本的类别标签，0为非孤岛，1为孤岛；

以频率、电压幅值、电流幅值、电压-电流相角差、有功功率和无功功率作为特征向量，记为：

式(1)中，特征向量x_i的6个特征值由各分布式发电系统DG上报，而类别标签C(x_i)从PCC开关状态获取，在SCADA系统中，通过简单网络协议SNTP实现低成本的网络对时，传送x_i与C(x_i)的报告皆含有时间标签，以C(x_i)的时间戳为基准，对x_i进行线性插值，即获得同一时间截面的样本实例。

3.根据权利要求2所述的一种具有在线自学习能力的分布式发电孤岛检测方法，其特征在于，所述的利用含微簇的在线聚类方法，自适应地对原始样本进行再采样具体为：

步骤1、在离线状态下进行聚类分析，设Q为设定的簇个数，产生C₁...C_Q；针对每个簇C_q，形成对应的微簇M_q；

步骤2、在线运行时，当新点在时刻到来后，计算与各簇C_q质心的距离

(1)如果则创建新簇C_new，转向步骤3；

(2)否则，将点合并到簇C_p中，更新簇C_p对应的微簇M_p，返回步骤2；

步骤3、将增加到训练样本集合中，完成一次采样；同时，找出具有最小CF1^t值的簇，将其丢弃，从而保持簇的总数为Q，返回步骤2；

其中上述参数定义如下：

簇C由一系列d维的点构成的集合，各点对应的时间戳为定义其微簇M为(2d+3)维的元祖：

(CF2x→,CF1x→,CF2tCF1t,n)---(3)]]>

其中，为d维向量，其第p项的值为为d维向量，其第p项的值为Σj=1nxijp;CF2t=Σj=1n(Tij)2;CF1t=Σj=1nTij;]]>n为簇中点的个数；

簇C的质心定义为：

Cc→=-(CF1x→/n)--(4)]]>

簇C的最大边界定义为τ·σ，其中，τ>0为距离因子；σ为簇C中各点到质心C_c距离的均方根误差，其计算公式为：

σ=Σp=1d(CF2pn-(CF1pn)2)---(5)]]>

4.根据权利要求3所述的一种具有在线自学习能力的分布式发电孤岛检测方法，其特征在于，以异步方式更新实时孤岛检测所用的分类器模型。具体如下：

501)设数据窗最多同时包含k个子样本集，每个子样本集生成一个分类器M_i；

502)经过周期T后，接收SCADA系统发来的与在线采样数据块同步PCC开关状态报告；

503)用M₁，M₂，...，M_k的k个分类器对新子样本集c_k+1分别进行分类预测，根据开关状态报告可得分类错误率，用Error(M_i)表示M_i的分类错误率，其中i＝1，2，...，k，M_k+1进行交叉验证得其错误率为Error(M_k+1)，Error(M_i)大于0.5的分类器权重赋为0，计算其余权重：

ω^i=log10(1-Error(Mi)Error(Mi))---(6)]]>

504)剔除M₁，M₂，...，M_k+1中权重最低的一个分类器，若有两个或以上权重最低且相同，则剔除时间最早的分类器，将其他k个分类器的子样本集成为优选样本集；

505)采用优选样本集训练生成的分类器以异步方式更新用于实时分类预测的分类器模型；

506)循环步骤502)至505)。