本发明微电网孤岛检测领域，尤其涉及一种基于改进adaboost的单三相混联微网群孤岛检测方法。
背景技术：
1、微电网能够对分布式发电装置进行有效的协同控制，已成为高效利用分布式电源的主要形式之一。微电网能以并网和孤岛两种运行方式工作，其中孤岛运行方式分为计划孤岛与非计划孤岛。当发生非计划孤岛时，微电网电压和频率将脱离主网控制失去稳定，可能损坏电力设备性能，影响稳定运行。因此研究微电网的孤岛检测技术，迅速识别出非计划孤岛状态并采取措施改变逆变器的控制方式，对保证微电网及主网运行的可靠性和稳定性至关重要。
2、现有技术文献中：文献[1]:《基于遗传算法及bp神经网络的混合孤岛检测方法》(余运俊,衷国瑛,万晓凤,等.基于遗传算法及bp神经网络的混合孤岛检测方法[j].可再生能源,2018,36(5):701-706.)使用遗传算法改进了传统的bp神经网络，将改进bp神经网络的输出作为系统状态的判定结果。该方法在不同负荷特性情景下均能保持较快的检测速度和较低的误检率。
3、文献[2]:《基于lightgbm算法的光伏并网系统孤岛检测及其集成的可解释研究》(朱春霖,余成波.基于lightgbm算法的光伏并网系统孤岛检测及其集成的可解释研究[j].电力自动化设备,2023,43(7):80-86+150.)提出一种基于轻梯度提升机算法的孤岛检测方法。该方法通过k折交叉验证和基于决策树的shapley值加性解释方法进行孤岛检测和分析，提高了模型的可信度。
4、然而，以上研究并未考虑对与孤岛状态相关的pcc处多种电气特征量进行筛选提取。文献[3]:《基于adaboost算法的并网光伏发电系统的孤岛检测法》(贾科,宣振文,林瑶琦,等.基于adaboost算法的并网光伏发电系统的孤岛检测法[j].电工技术学报,2018,33(5):1106-1113.)提出一种基于adaboost学习器的智能被动式孤岛检测方法。该方法能够在避免传统检测法无法确定电气量阈值问题的同时不引入干扰信号，但该方法在应用adaboost学习器的过程中仍然存在受扰动因素影响、训练样本特征较多情况下耗时过长等问题。
技术实现思路
1、为解决上述技术问题，本发明提供一种基于改进adaboost的单三相混联微网群孤岛检测方法，该方法能够不受扰动信号和系统三相不平衡度的影响进行准确的孤岛检测，具有较高的抗干扰性、准确性和泛化能力。
2、本发明采取的技术方案为：
3、基于改进adaboost的单三相混联微网群孤岛检测方法，包括以下步骤：
4、步骤1：收集在公共耦合点(point of common coupling，pcc)处测得的单三相混联微网群中不同电气特征量的样本数据；
5、步骤2：基于偏最小二乘法(partial least squares，pls)对公共耦合点处测得的各类电气特征量进行了相关性分析，筛选出强相关电气特征量，并组成训练集和测试集；
6、步骤3：基于黏菌优化算法(slime mould algorithm，sma)和gsn权重学习方式对adaboost学习器进行改进，以提高分类能力、减弱扰动影响和缩短检测耗时。
7、步骤4：基于改进adaboost学习器构建微网群的孤岛检测模型，根据pcc处的实时测试集数据，输出孤岛检测结果。
8、所述步骤1中，孤岛电气特征量是由于孤岛效应发生后引起的，受系统及其运行状态影响。本发明所考虑的孤岛电气特征量包括电压、电压对时间的变化率、电压总谐波失真率、电流、电流对时间的变化率、电流总谐波失真率、频率、频率对时间变化率、阻抗、阻抗对时间的变化率、有功功率、有功功率对时间的变化率、无功功率、无功功率对时间的变化率和功率因数。因此，步骤1中需要收集以上电气特征量的样本数据。不同电气特征量的样本数据，如表1所示。
9、表1单三相混联微网群的基本孤岛电气特征量
10、
11、
12、所述步骤2中，在智能孤岛检测方法中，孤岛电气特征量的选取将会直接影响孤岛检测的精度和速度。在机器学习中，训练模型包含的特征量越多，所需训练时间越长、计算要求越高。因此，本发明基于pls法对微网群的基本孤岛电气特征量进行重要程度排序，筛选出变量投影重要性(variable importance in projection，vip)指标超过1的电气特征量作为微电网群孤岛检测的强相关电气特征量；
13、利用pls法处理采集的基本电气特征量数据，建立多元线性回归经验表达式：
14、
15、式中：x为基本孤岛电气特征量构成的数据集；为第1个微电网pcc处对应第k个电气特征量；为第2个微电网pcc处对应第k个电气特征量；第i个微电网pcc处对应第k个电气特征量；第n个微电网pcc处对应第k个电气特征量。
16、y为孤岛状态的数据集；y1为第1个微电网的孤岛状态，y1＝0为非孤岛，y1＝1为孤岛；y2为第2个微电网的孤岛状态，y2＝0为非孤岛，y2＝1为孤岛；yj为第j个微电网的孤岛状态，yj＝0为非孤岛，yj＝1为孤岛；yn为第n个微电网的孤岛状态，yn＝0为非孤岛，yn＝1为孤岛。
17、为预测变量，是通过多元线性回归模型预测的结果；为通过pls法得到的第1个主成分变量；为通过pls法得到的第2个主成分变量；为通过pls法得到的第m个主成分变量；a1、a2、am分别为多元线性回归经验表达式中第1个、第2个和第m个变量的系数，表示变量和在所有变量中的比例；
18、ai为多元线性回归经验表达式的系数；m为提取出的主成分电气特征量总个数；rik为变量对应的相关系数；ωih为轴ωh的第i个主成分系数分量。
19、在上式的基础上计算变量投影重要性vip值，具体公式如下：
20、
21、
22、式中：为变量对应的vip值；rdy为第h个提取的电气特征量成分对孤岛状态数据集y中因变量yj的解释能力；crdy为m个主成分电气特征量对yj的累计解释能力；r(yj；th)为第j个因变量yj与第h个提取的主成分电气特征量成分th之间的相关系数；n为样本数量。
23、本发明所有训练样本数据和检测样本数据均来自pcc处的采集数据，从孤岛发生时刻开始，采集连续3个周期内的电气特征量平均值。从采集的数据集中随机选取其中70％的样本作为训练样本集合，用于训练基于改进adaboost的单三相混联微网群孤岛分类模型；将剩余30％的样本作组为检测样本集合，对训练出的孤岛分类模型进行分类准确率的检验。
24、所述步骤3中，具体包括：
25、(1)：黏菌优化算法(slime mould algorithm，sma)：
26、传统adaboost学习器虽然能够提高各个弱分类器的利用率，但仍容易受到扰动因素和冗余特征的影响。因此，本发明基于sma对adaboost学习器进行改进，以提高其对样本的分类能力，减弱扰动因素的影响；
27、adaboost学习器训练弱分类器g(x,l,ψ,δ)是为了将其分类误差率em降到最小，其中，最重要的参数是偏置参数ψ和阈值参数δ，x为测试样本；l(x)为计算特征值的函数。
28、本发明基于具有动态搜索能力且不易陷入局部最优特点的黏菌优化算法sma对偏置参数ψ和阈值参数δ进行有效优化；
29、首先，初始化黏菌优化算法sma的参数，以adaboost学习器的分类误差率em为黏菌优化算法sma的目标函数，对adaboost学习器进行训练，具体包括如下内容：
30、目标函数是adaboost学习器的分类误差率em，其表达式为
31、式中：为第m轮迭代训练中第i个数据的权重；gm(xi)为当前弱分类器对第i个样本xi的预测结果；yi为第i个样本的真实标签。
32、其次，利用目标函数计算适应度并排序，以排序结果为依据，更新种群位置，具体包括如下内容：
33、利用目标函数计算每个个体的适应度值，并根据适应度值对种群中的所有个体进行排序，根据排序结果更新每个个体的位置，即得到一个新的种群位置。对于每个个体i，其适应度值为其对应的分类误差率，即
34、再次，计算种群适应度值，更新最佳适应度值和黏菌最佳个体位置，具体包括如下内容：
35、个体适应度值的集合就是种群适应度值，计算每个个体的适应度值后，从集合中找到适应度值最小的个体，并将其适应度值和位置作为当前种群的最佳适应度值和最佳个体位置。
36、
37、式中：xbest为当前种群中最佳个体位置；fbest为当前种群中最优个体位置的适应度值。
38、然后，满足最优条件后，输出最佳个体位置，得到adaboost学习器的全局最佳参数优化结果，具体包括如下内容：
39、如果迭代次数达到最大值，则认为算法收敛，输出当前最佳个体的位置，最佳个体位置中的参数就是adaboost学习器的全局最佳参数；
40、t＝500
41、xbest＝[δ*,ψ*]
42、式中：t为迭代次数；xbest为输出的最佳个体位置向量；δ*、ψ*分别为最优阈值参数和最优偏置参数。
43、最后，将优化后的参数输入adaboost学习器，得到训练好的最高性能二分类器，具体包括如下内容：
44、将上述得到的全局最佳参数输入到adaboost学习器，重新训练模型。训练完成后，输出训练好的最高性能二分类器。
45、gm(xi)＝g(x,l,ψ*,δ*)
46、
47、
48、式中：x为测试样本，l(x)为计算特征值的函数；ψ*为最佳偏置参数；δ*为最佳阈值参数；为第m轮迭代训练中第i个数据的权重；gm(xi)为当前弱分类器对第i个样本xi的预测结果；yi为第i个样本的真实标签；em为第m轮迭代训练的分类误差率；αm为第m轮迭代训练中的弱分类器的权重；y(x)为最终强分类器；m为迭代次数；sign为符号函数。
49、(2)：gsn权重学习方式：
50、本发明充分考虑样本权重变化对算法性能的影响，基于gsn权重学习方式对adaboost学习器原有的归一化方法进行改进；gsn是通过集成批量归一化(batchnormalization，bn)、实例归一化(instance normalization，in)、群组归一化(groupnormalization，gn)3种归一化形成的权重学习方式，该权重学习方式可以实现精度提升、计算冗余度降低的效果。具体表达式如下：
51、
52、式中：为第i个样本在第m+1轮迭代训练中的权重；为第i个样本在第m轮迭代训练中的权重；αm为第m轮迭代训练中弱分类器的权重；yi为第i个样本的真实标签；gm(xi)为第m轮迭代训练中弱分类器对第i个样本的预测结果；
53、γ为初始化可学习缩放因子；ζ为初始化可学习平移因子；υ为超参数；μgsn、分别为经gsn处理得到的特征均值和特征方差；μbn、分别为特征关于bn的均值和方差；μin、分别为特征关于in的均值和方差；μgn、分别为特征关于gn的均值和方差；为权重系数，分别代表bn、in和gn对特别均值和特别方差的贡献程度。
54、上式中的权重学习方法公式为：
55、
56、式中：为权重值；ω＝{bn，in，gn}为归一化方法种类集合；q为选取的归一化方法种类；θq为控制参数，其值大于0；ln(1+θq)为参数θq的自然对数的变换。
57、其中，对数函数的使用能够有效避免原adaboost学习器中已正确分类样本的权重呈数规律趋势减少现象的发生。
58、基于gsn权重学习方式对adaboost学习器原有的归一化方法进行改进，具体包括如下：
59、将批量归一化、实例归一化和群组归一化三种方法综合形成gsn，并将其引入到adaboost学习器中替代原有的归一化方式。
60、根据以下公式对弱分类的权重进行下一轮迭代训练的样本权重调整：
61、
62、式中：h(m+1)为第m+1轮迭代训练的样本权重矩阵；分别为样本1、样本2和样本n在第m+1轮迭代训练中的权重；为第i个样本在第m+1轮迭代训练中的权重；为第i个样本在第m轮迭代训练中的权重；αm为第m轮迭代训练中弱分类器的权重；yi为第i个样本的真实标签；gm(xi)为第m轮迭代训练中弱分类器对第i个样本的预测结果；γ为初始化可学习缩放因子；ζ为初始化可学习平移因子；υ为超参数；μgsn、分别为经gsn处理得到的特征均值和特征方差。
63、所述步骤4中，基于改进adaboost生成的强分类器，构建微网群的孤岛检测模型，通过孤岛检测电气特征量的阈值，判据输出孤岛检测结果。
64、通过改进的adaboost学习器构建微网群的孤岛检测模型，用于实时监测和识别微电网群是否与主电网断开而进入孤岛状态。该模型通过收集微网群pcc处的电气特征数据(电压幅值、频率和相位角变化)，利用改进的adaboost算法对这些数据进行分析和分类。当检测到电气特征量超过预设的阈值时，模型会输出孤岛检测结果，表明微网已进入孤岛状态。微网群的孤岛检测模型实现孤岛检测方法流程，如图3所示。
65、通过孤岛检测电气特征量的阈值，判据输出孤岛检测结果。具体如下：
66、根据正常运行状态和孤岛状态下电气特征量的不同来设置阈值，本发明选取电压、相位角变换和频率为监测的电气特征量。电压阈值设定为±10％的波动范围，即[198v,242v]；相位角变化阈值设置为[-5°,+5°]；频率阈值设定为±1％的波动范围，即[49.5hz,50.5hz]。当某个或多个电气特征量超过这些设定的阈值时，即可判断微网群处于孤岛状态。
67、本发明一种基于改进adaboost的单三相混联微网群孤岛检测方法，技术效果如下：
68、1)本发明步骤1中，在pcc处收集的电气特征数据涵盖了微网群的多种电气参数，如电压、电流、功率等，能够全面了解微网的运行状态。这些详细的电气参数的数据精确地反映微网的实际运行状态，有助于提高孤岛检测的准确性和可靠性。
69、2)本发明步骤2中，采用pls法分析电气特征与孤岛状态的相关性，可以有效地从大量特征中筛选出与孤岛检测相关性最强的特征。这种方法减少了数据的维度，提高了训练和测试样本的质量，从而提升了模型对孤岛状态检测的精度和效率。
70、3)本发明步骤3中，通过将sma算法和gsn权重学习方法引入adaboost学习器，可以显著提升模型的性能。其中，sma算法可以提高模型分类能力和减弱扰动影响，gsn权重学习方式可以缩短模型检测耗时。
71、4)本发明步骤4中，通过集成多个经过优化的弱分类器，改进后的adaboost算法能够显著提高分类准确性和鲁棒性，尤其在应对复杂多变的电气特征时表现优异。同时，样本权重更新机制的改进使得模型能够更有效地处理噪声和异常数据，缩短检测时间并提高检测效率。因此，利用改进的adaboost强分类器构建孤岛检测模型，可以显著提高孤岛检测的准确性和响应速度。
1.基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：所述步骤1中，考虑的孤岛电气特征量包括电压、电压对时间的变化率、电压总谐波失真率、电流、电流对时间的变化率、电流总谐波失真率、频率、频率对时间变化率、阻抗、阻抗对时间的变化率、有功功率、有功功率对时间的变化率、无功功率、无功功率对时间的变化率和功率因数。
3.根据权利要求1所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：所述步骤2中，基于pls法对微网群的基本孤岛电气特征量进行重要程度排序，筛选出变量投影重要性(variable importance in projection，vip)指标超过1的电气特征量作为微电网群孤岛检测的强相关电气特征量。
4.根据权利要求3所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：利用pls法处理采集的基本电气特征量数据，建立多元线性回归经验表达式：
5.根据权利要求1所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：所述步骤3中，adaboost学习器训练弱分类器g(x,l,ψ,δ)是为了将其分类误差率em降到最小，其中，最重要的参数是偏置参数ψ和阈值参数δ，x为测试样本；黏菌优化算法sma对偏置参数ψ和阈值参数δ进行有效优化。
6.根据权利要求5所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：首先，初始化黏菌优化算法sma的参数，以adaboost学习器的分类误差率em为黏菌优化算法sma的目标函数，对adaboost学习器进行训练，具体包括：
7.根据权利要求6所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：gsn是通过集成批量归一化(batch normalization，bn)、实例归一化(instance
8.根据权利要求7所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：基于gsn权重学习方式对adaboost学习器原有的归一化方法进行改进，具体包括：根据以下公式对弱分类的权重进行下一轮迭代训练的样本权重调整：
9.根据权利要求1所述基于改进adaboost的单三相混联微网群孤岛检测方法，其特征在于：所述步骤4中，基于改进adaboost生成的强分类器，构建微网群的孤岛检测模型，通过孤岛检测电气特征量的阈值，判据输出孤岛检测结果；具体如下：
