基于Adaboost算法的并网发电-专用[prov_or_city]干式变压器系统的孤岛检测法
基于此，提出了一种基于Adaboost算法的智能被动式孤岛检测方法，通过仿真建立系统并网和孤岛运行的数据库，提取可判断并网和孤岛运行两种状态的特征量，利用Adaboost算法建立判断并网和孤岛运行状态的二分类模型，应用该模型根据某一运行状态下的特征量对其进行分类。
该方法需要建立比较完备的数据库，选择合适的电气量作为判据。该方法避免了传统孤岛检测法各电气量阈值无法确定的问题，不引入扰动信号，不干扰电能质量。最后通过仿真验证了其检测孤岛的可靠性。
太阳能发电-专用[prov_or_city]干式变压器技术对于节约常规能源、保护环境、促进经济发展都有极为重要的意义，近年来在国际上受到广泛重视并获得了飞速发展。目前我国装机容量已居全球首位。
系统孤岛检测现已成为并网新能源系统保护关注的重点之一。国际能源机构（International Energy Agency, IEA）、《发电-专用[prov_or_city]干式变压器系统接入配电网技术规定》（GB/T 29319—2012）等规定：发电-专用[prov_or_city]干式变压器系统应该具备快速监测孤岛并且立即断开与电网连接的能力，防孤岛保护动作时间不大于2 s[1,2]。
目前，并网发电-专用[prov_or_city]干式变压器系统孤岛检测方法主要分为通信式、主动式和被动式三类。
通信式孤岛检测法利用信号发生装置发出特定检测信号或者检测系统开关状态判断系统运行状态来实现孤岛检测[3-6]，需要建立较为完备的信号收发装置和信号传输通道等，成本较高，实现困难，目前并没有得到广泛的应用。
主动式孤岛检测法主要是向专用[prov_or_city]干式变压器的输出引入一定的扰动信号，孤岛运行后扰动信号通过放大并网点电气量的变化来判断孤岛[7-11]。应用于多机并联并网系统时，由于控制策略的不同，主动法可能因为扰动信号相互抵消或者稀释导致孤岛检测失效，也可能因为扰动信号相互激励放大导致系统电能质量恶化。同时，考虑到与低电压穿越等系统保护的配合，扰动信号的强度和投入时间可能会受到限制，因而导致孤岛检测的失败。
传统的被动式孤岛检测法是利用功率不匹配造成的并网点电压幅值、频率、相位、谐波及其变化率的变化情况识别孤岛，这类方法实现简单，但存在较大的检测盲区。
传统的主/被动式孤岛检测法，最终都是利用电压幅值、频率等特征量的异常变化来识别孤岛。然而，目前并没有明确的标准对他们的阈值进行限定，一般利用《发电-专用[prov_or_city]干式变压器系统接入配电网技术规定》（GB/T 29319—2012）对电压幅值和频率的要求作为孤岛判据，在功率匹配度较高或电压、频率存在波动时，会导致孤岛检测存在误动和拒动的情况。
近年来提出的智能被动式孤岛检测法是利用多电气量特征共同识别孤岛[12-15]，采用先进数据挖掘技术获取相应特征量，同时利用智能模式识别方法来检测孤岛。但是其生成模型的精度有限，只是在特定样本下多次检验结果准确度的平均值，无法有效提升检测精度，因此其判断孤岛的动作可靠性较差。
考虑到电气量阈值无法确定和智能识别方法的精度提升问题，本文提出一种基于Adaboost （Adaptive Boosting）算法的智能被动式孤岛检测方法。利用多电气量建立识别孤岛和并网运行状态的二分类模型，进而利用该模型判别孤岛。
该模型包含若干子分类模型，根据其分类精度设定权重，精度越高的分类器权重系数越大，据此将若干子分类模型组合成一个高精度复合分类模型，实现了分类精度的提升。该方法反复学习样本数据，智能设定各个电气量的阈值，缩小了阈值区间且使得各电气量的检测盲区不重合，可以高精度地检测出孤岛运行。
图2 多机并联系统结构
结论
本文提出了一种基于Adaboost算法的智能被动式孤岛检测法，对采用不同孤岛检测法的单机/多机系统在孤岛/非孤岛情况下进行仿真生成数据库并提取相应的多特征量，利用Adaboost算法生成预测模型，并对系统不同运行情况的检测效果进行仿真。
生成的预测模型，可以准确地预测采用相同孤岛检测法系统的运行状态，而预测采用不同孤岛检测法系统的运行状态的精度很差。混合不同孤岛检测法的数据生成的预测模型，可以高精度的检测两类系统的运行状态。
本方法选取多特征量同时判断系统的运行状态，利用智能算法根据系统自身特性获取各电气量的阈值和判据，比人工设定的阈值区间更加精确，缩小了各个特征量的检测盲区，且多个电气量不容易同时处于检测盲区，使得本方法的孤岛检测盲区较小。
然而，本方法需要较为齐全的学习数据库，且生成的预测模型只适用于学习数据来源的系统，不同系统需要根据其学习数据重新生成预测模型。
同时，如何选取合适的特征量，以及进一步提高模型的预测精度也是未来值得研究的内容之一。未来规模化新能源并网后，会有大量的实际运行数据作为支撑，将会进一步提高本方法的检测效果。
