适合分布式发电并网复杂系统的孤岛检测(Islanding Detection)方法研究

《PLOS One》：Research on an islanding detection method suitable for distributed generation grid-connection complex system

　　

摘要：随着双碳目标下分布式发电(Distributed Generation, DG)渗透率提升，DG并网系统非计划孤岛运行带来的危害日益受到关注。由于多机并网系统中特征参数被稀释(Dilution Effect)，主动与被动混合孤岛检测方法易产生孤岛检测盲区(Non-Detection Zone, NDZ)。为此，研究人员提出一种适用于DG复杂多机并网系统的孤岛检测方法。为验证所提方法可行性，研究人员基于IEC 61850-7-420标准在MATLAB/Simulink中搭建DG并网系统仿真模型，模拟孤岛与非孤岛两种工况获取各节点电压电流波形并转换为时间序列，基于短时傅里叶变换(Short-Time Fourier Transform, STFT)进行时频谱分析与计算生成时频谱图，经特征提取后采用卷积神经网络(Convolutional Neural Network, CNN)算法进行训练迭代获得最优孤岛检测模型。仿真结果表明，所提方法在独立测试集上检测准确率达99.84％，五折交叉验证下漏检率为3.4％，显著缩小了非检测区。

论文解读：基于STFT-CNN的分布式发电并网复杂系统孤岛检测方法研究

研究背景与意义

随着双碳(Dual-Carbon)目标推进，分布式发电(Distributed Generation, DG)渗透率持续上升，电力系统网络复杂性与不确定性显著增加。DG并网过程中产生孤岛效应(Islanding Effect)，即公用电网断电后DG仍向局部负载供电的现象，非计划孤岛运行威胁设备安全与检修人员人身安全，需快速准确检测。当前主流的主动(Active)与被动(Passive)混合孤岛检测方法虽能缩小被动检测盲区并降低主动扰动对电能质量影响，但其性能高度依赖负载与DG特性，仍存在检测盲区——尤当DG输出功率与本地负载有功、无功功率近似匹配(Power Balance)时，被动检测因参数变化微弱失效，主动注入扰动被负载阻抗吸收无法累积至阈值，形成典型非检测区(Non-Detection Zone, NDZ)；多DG协同运行时特征参数被交叉补偿稀释，亦难识别。此外，现有基于智能算法(LSTM、SVM、DNN等)的方法多依赖人工设计特征(离散傅里叶变换、对称分量等)，在DG容量变化、负载更新、拓扑改变等复杂工况下易特征失效。部分基于同步相量测量单元(Phasor Measurement Unit, PMU)的方法受暂态过程干扰且泛化性不足。为此，研究人员提出将短时傅里叶变换(Short-Time Fourier Transform, STFT)与卷积神经网络(Convolutional Neural Network, CNN)结合的孤岛检测方法，利用STFT挖掘非平稳信号的时频局部特征生成时频谱图(Time-Frequency Spectrogram)，由CNN自动学习多维时频特征以区分孤岛与非孤岛状态，旨在解决多机并网系统特征稀释导致的检测盲区问题。该研究成果发表于《PLOS ONE》。

主要关键技术方法

研究人员基于IEC 61850-7-420标准在MATLAB/Simulink搭建含4台DG(同步发电机——火电、水电，及逆变器型电源——光伏、风电)的多机并网复杂系统仿真模型。采集公共耦合点(Point of Common Coupling, PCC)及各节点三相电压V_a,b,c、电流I_a,b,c时间序列(采样率3840 Hz，时长0.75 s)。对信号分帧加窗(Hamming窗)后执行STFT(256点窗长、192点重叠、360点FFT)，取三相最大值合成二维时频矩阵并以dB标度显示(频率范围0–1000 Hz，动态范围?60～20 dB)，保存为高分辨率PNG图像。孤岛工况通过断开CB0–CB5断路器模拟(含功率平衡及多DG交叉补偿盲区场景)，非孤岛工况模拟单相接地(Single-Line-to-Ground, SLG)、双相接地(Double-Line-to-Ground, DLG)、三相接地(Three-Line-to-Ground, TLG)故障及负载投切。共采集2124组样本，电压与电流时频谱图分别调整为224×224×3后拼接为224×224×6张量输入CNN。CNN含3层卷积层(3×3滤波器，滤波器数16/32/64，ReLU激活，same填充)、前两层接2×2最大池化(Max Pooling)、第三层接1×1×64全局池化(Global Pooling)、全连接层及二分类输出层。数据集按7:3划分为训练验证集与独立测试集，训练验证集采用五折交叉验证(Five-Fold Cross-Validation)，每折最多训练10个epoch，最终选取最优模型评估。

研究结果

Islanding detection method（孤岛检测方法）

研究人员设计了包括数据采集、数据处理、孤岛检测三阶段的完整流程：在含多类型DG的并网复杂系统中仿真获取孤岛与非孤岛工况的电压电流波形→预处理后做STFT生成时频谱图→去噪滤波构建标准化图谱→输入CNN训练得到最优分类模型，并设置最终时间窗口保护为1.8 s。

Experimental verification（实验验证）

通过MATLAB/Simulink仿真获取2124组样本(孤岛1062组，非孤岛1062组含各类故障及负载变化)，涵盖典型检测盲区(功率平衡、多DG交叉补偿)。

Simulation of islanding states（孤岛状态仿真）

重点模拟功率平衡(P_DG≈P_L，Q_DG≈Q_L)及多DG交叉补偿协同孤岛。以0.4 s断开PCC处CB0为例，PCC电压时频谱变化不明显(多源交叉补偿结果)，但PCC电流时频谱在0.4 s后幅值与频率成分显著改变(工频黄色谱成分消失、幅值下降、出现深蓝谱，电流反向)，说明STFT可捕获传统方法忽视的弱时频特征。

Simulation of non-islanding states（非孤岛状态仿真）

以区域1配电线路A相单相接地故障(0.3 s发生)为例，故障后电压时频谱工频两侧出现黄橙色分布并伴有频偏，PCC电流时频谱工频幅值剧增，故障相(B1节点)多频能量高于非故障相，与孤岛时频谱模式不同，为CNN提供区分依据。

Results analysis（结果分析）

五折交叉验证(1486样本，孤岛/非孤岛各743)：真正孤岛检出率(True Positive Rate for Islanding, TPA)96.5％(26例漏检)，真负非孤岛检出率(True Negative Rate for Non-Islanding, TNA)98.5％(11例误报)，总体准确率97.5％，假阳性率(False Positive Rate, FPR)1.5％，假阴性率(False Negative Rate, FNR)即漏检率3.4％。独立测试集(638样本)：孤岛全正确识别，仅1例非孤岛误判为孤岛，测试集准确率99.84％，FPR 0.3％。Grad-CAM热力图示误判源于非孤岛场景下负载投切引起低频电压波动与孤岛低频漂移特征重叠，模型过度关注低频波动导致。五折各折准确率96.0％～99.5％(均值97.5％)，最低折含高谐波背景及高品质因数负载等困难工况。AUC均值约0.9966，95％置信区间[0.9580, 0.9920]。与RNN、ANN、LSTM等方法对比，所提方法准确率最高(99.84％)，检测时间0.121 s满足IEEE 1547–2018标准要求的0.2 s限值。

讨论与结论翻译

讨论指出模型在最差工况下准确率仍高于96％，具备良好泛化能力；误分类源于电网噪声引入混淆特征使模型将非孤岛扰动误识为孤岛特征，未来拟引入迁移学习提升对未知拓扑的鲁棒性。

结论：为解决分布式发电多机系统孤岛检测盲区问题，研究人员提出基于STFT与CNN的孤岛检测模型。通过MATLAB/Simulink获取孤岛与非孤岛工况下各节点电压电流波形并转为时间序列，经STFT生成时频谱图后由CNN训练迭代得到最优检测模型。仿真结果表明，所提方法满足IEEE标准时间要求，独立测试集检测准确率达99.84％，五折交叉验证下漏检率3.4％，显著缩小了非检测区，为高比例可再生能源接入及复杂负载特性下的多机并网系统孤岛检测提供了理论支撑与工程参考。