0 引言

近年，光伏发电受到了更多的关注，但孤岛效应影响了其稳定性。孤岛效应是指电网断开后，光伏发电系统继续向负载供电，从而形成一个无法控制的本地网络[1]，[2]。孤岛效应发生后会破坏系统的稳定，损坏电路中的敏感负荷，甚至威胁电路维护人员的安全。因此，研究孤岛检测方法，有着重要的意义[3]～[5]。

南京普通高校开展定向运动常用的方式有1.社团或者俱乐部；2.体育课教学；3.某场活动组织。据问卷调查，参与“2018年江苏省定向锦标赛暨江苏定向邀请赛”中南京普通高校都具有定向运动社团或者俱乐部。这些高校的学生参与社团或者俱乐部开展活动的频率基本集中在一周2-3次和4-5次(如表1)，其中，南京普通高校学生参与定向运动社团或者俱乐部开展定向运动的频率为每周2-3次的占34.4%，每周4-5次的占47.2%，每周6-7次的占21%，每周0-1次的占1.6%。

孤岛检测方法主要分为3类[6]：被动法、主动法和远程检测法。被动法盲区大，主动法对电能质量的影响大，远程检测法造价太高，不适合小型光伏系统[7]～[9]。针对被动法、主动法和远程检测法的一些不足，文献[10]提出了一种基于电压变化率和有功功率变化率的混合孤岛检测方法。该方法将两种被动孤岛检测法相结合，在一定程度上减少了检测盲区，但是变化率阈值设置存在一定难度，可能会增大检测的误判率。文献[11]提出带正反馈的有源频率偏移法 （Active Frequency Drift with Positive Feedback，AFDPF），该方法将频率的变化加入正反馈中，使得斩波系数不断增大。该方法可以加快频率的偏移，减小检测盲区，但在负载品质因数高的情况下，还是存在较大盲区，并且增大了对电能质量的影响。文献[12]提出一种改进的滑模频率偏移法 （Improved SMS strategy，IMSMS），该方法针对孤岛发生后，逆变输出频率变化不大时，SMS法的主动扰动角接近于0°，从而产生检测盲区的情形，添加一个正反馈相位扰动，使得在这种情形下仍然存在一定相位扰动角。这种方法减小了SMS法的检测盲区，但并没有改变主动法会对电能质量产生影响的缺点，甚至增大了逆变输出电压的总谐波含量。文献[13]提出一种基于神经网络的孤岛检测法，该方法将一个周期内的电压值作为BP神经网络的输入量，没有添加扰动。但BP神经网络容易造成局部最优，以及在输入量多时其误差率较高。由以上研究可知，对被动法和主动法的改进，都没有改变它们固有的盲区和影响电能质量的缺点。

本文在文献[13]的基础之上，提出一种基于遗传算法及BP神经网络的混合孤岛检测方法。该方法使用遗传算法改进了BP神经网络的随机初始化带来的预测精度不稳定的缺点。采样光伏逆变系统的逆变电流变化率、逆变电压变化率、频率变化率数据作为样本。将训练好的神经网络导入光伏逆变系统中，根据神经网络输出判定系统状态，进而实施孤岛保护策略。

1 基于遗传算法及BP神经网络的混合孤岛检测方法原理

由于BP神经网络初始值的阈值和权值都是随机选取，这决定了BP神经网路在预测误差上的随机性。而遗传算法[14]通过模拟自然界的遗传机制和生物进化论，随机搜索最优化的权值和阈值的初始值。基于此，本文采用遗传算法优化BP神经网络，改进随机初始化带来的局部最优问题。将样本选择为一周期的电压变化率、电流变化率和频率变化率，每个周期采样10个值，保证了提取足够多的特征量和尽量少的输入量，以提高预测精度。将神经网络模型导入光伏逆变系统后，在采样间隔内保持上一次输入值的方法，保证输出的连续性。为了避免采样以及数据处理带来的延迟影响，在硬件系统中，采用双控制器的方法，使数据采样、神经网络预测和逆变并行处理。具体流程如图1所示。

  

图1 遗传算法优化BP神经网络在线孤岛检测图Fig.1 Islanding detection based on BP neural network optimized by genetic algorithm

⑦在线采样第一节所述样本中的变量，组成一个矩阵A。在采样间隔之内保持上次采样结果输出。

中国新生代欧美风儿童摄影师的杰出代表，对儿童摄影有独特而深刻的理解，作品风格多变，擅长简约、欧美、复古、唯美的摄影风格

②随机初始化种群个体。采集t组样本，其中，t1组为正常样本，t2组为孤岛样本，t3组为训练样本，t4组为测试样本。将训练数据导入BP神经网络进行训练后，通过适应度函数得到每个个体的适应度值，从中找到适应度值最小的作为最优个体。适应度值为期望输出和预测输出之间的误差绝对值，其表达式即适应度函数为

 

③将最优个体进行遗传算法中的选择、交叉、变异操作后，初始化权值和阈值，训练后得到新的适应度值，如果得到更小的适应值，则用其去更新之前的适应度值。

选择操作：本文采用轮盘赌法进行遗传算法选择操作，即基于适应度比例的选择策略，每个个体的选择概率pi为

目前，神经网络和遗传算法大多应用在数据的离线处理方面。网络模型的搭建需要建立在对大量样本训练和测试的基础上，而这个处理过程需要一定的时间，孤岛检测是一个在线检测过程。我国的光伏系统并网要求 （GB/T 19939-2005）规定，光伏系统并网后频率的允许偏差值为±0.5 Hz，一旦超过，则应在0.2 s内断开逆变输出。

 

 

④进化k次，并将最终的适应度值作为最终神经网络的阈值和权值的初始化值。

 

式中：b 为[0，1]间的随机数。

⑥将训练好的神经网络模型导入光伏逆变系统中。

大力强化国防意识培育。突出管委会和企业各级领导干部、管理骨干这个重点，推动国防理论知识进入管委会、企业管理层学习内容，军事机关组织重大活动邀请政企相关领导、骨干参加，深化其对武装工作的认识。根据经济功能区特点，结合民众关注的国际国内经济军事要点热点、国家重大经济军事政策出台等时机，突出经济建设与国防建设关系的教育，积极开展国防法规和相关知识针对性宣传教育，推动国防宣传教育融入企业文化宣传和管理要素，使员工在日常管理中受到潜移默化的国防教育，为经济功能区民兵建设营造良好社会氛围。

 

式中：amax为基因aij的上界；amin为基因aij的下界；，r2为一个随机数，g 为当前迭代次数，Gmax为最大进化次数，r为[0，1]间的随机数。

如表2所示，以甲苯为溶剂Pd(OAc)2(摩尔分数5%),和Cu(OAc)2(摩尔分数10%)为共催化剂时，各种碱存在的条件下，反应都能顺利进行，强碱如t-BuOLi 、t-BuOK 、EtONa存在下只能得到中等产率，而采用弱碱K2CO3、Cs2CO3则能获得较高的产率.通过分析反应混合物的的柱色谱和核磁发现，可能是在强碱存在下，碘苯和苯并恶唑均易发生自偶联，致使杂环C—H键直接芳基化的主产物产率大大降低.体系中没有碱存在时，即使延长反应时间至24 h，产率也非常低.

交叉操作：由于个体采用实数编码，所以交叉操作采用实数编码法，第k个染色体（个体）ak和第i个染色体ai在j位的交叉操作为

由图2可以看出，只有两组数据出现了误差，检测成功率达到98.5%。而且全部为孤岛状态未检测出来，并未出现正常状态的误判，所以可以将训练模型导入原有光伏逆变系统中。在线采集逆变输出电压变化率、逆变输出电流变化率和频率变化率的值，采样时间间隔为2×10-3s，并将其保存到一个矩阵中，当这个矩阵大小满足1行30列时，将其输出。同时清空矩阵，以便进行下一次采样，在矩阵大小为零和1行30列的时间范围内，系统保持上次采样矩阵输出。将1行30列矩阵作为训练好的BP神经网络的输入，得到一个预测输出，系统根据这个预测输出判断是否启动孤岛保护。

⑤将训练数据和测试数据导入，得到最终的预测结果，如前文所示。

由图5可知，不同pH发酵条件下得到的小麦酱油滋味有明显差异。相比于自然pH发酵的酱油，pH 6.5条件下发酵的酱油鲜味更强，这与其含有更多的谷氨酸有关。二者在咸味上无明显差异，但pH 6.5小麦酱油的苦味更强，自然发酵酱油则在甜味、酸味上更强。pH 6.5小麦酱油的苦味更加强烈，原因不明。

变异操作：选取第i个个体的第j个基因aij进行变异，表达式为，其中

根据图1可知，①由输入、输出节点数量确定BP神经网络的结构，进而确定遗传算法个体的长度。种群的每个个体都包含了一个网络所有的权值和阈值。输入节点为n，隐含层节点为w，输出节点为m，共有n×w+w×m个权值，w+m个阈值，种群个体的大小为n×w+w×m+w+m，个体的值即为权值和阈值，种群的个体数为a。

⑧将矩阵A作为光伏系统中神经网络模型的输入量，经过BP神经网络得到一个输出量，将这个输出量进行归一化处理后得到系统此时的状态值。

⑨系统根据这个状态值，判断系统的状态。如果为孤岛状态，将参考电流设为0，断开逆变。如果是正常状态，维持系统状态。

2 仿真模型建立及结果分析

选择SPSS 19.0统计学软件对数据进行处理，计量资料以均数±标准差表示，组间比较采用t检验，计数资料以率(%)表示，组间比较行χ2检验，预后影响因素采用Cox回归分析，术后生存情况采用Kaplan Meier描述，组间比较采用Log-rank检验，P<0.05为差异有统计学意义。

本文在进行孤岛检测之前，提前采集相应的正常状态和孤岛状态的样本，进行个体优化BP神经网络，经过样本测试后，其预测结果如图2所示。

  

图2 基于遗传算法优化BP神经网络的训练预测结果Fig.2 Prediction results of BP neural network based on genetic algorithm

某工程码头及引桥均采用高桩结构，其中码头基桩为φ1000mm开口钢管桩，每榀排架设6根基桩，其中轨道梁下设半叉桩，其余均为直桩；引桥墩台基桩为φ1200mm开口钢管桩，每个墩台设2根基桩。基桩以中粗砂为基础持力层，桩周黏性土分布较为均匀。沉桩施工的桩锤型号为D128型柴油锤，采用PDA对30根桩基（其中码头处φ1000mm钢管桩12根、引桥处φ1200mm钢管桩18根）进行高应变动力检测，其中选取7根桩基进行高应变复测（其中码头处φ1000mm钢管桩3根、引桥处φ1200mm钢管桩4根）。

根据本文所述方法的原理，在Matlab/Simulink中搭建孤岛检测模型。用直流电压源代替光伏电池板，直流电压源设置为40 V。滤波电感设置为6 mH，滤波电容设置为1 μF。利用Simulink模块库中固有锁相环PLL获得电网相位和频率信号，经过S-function模块输出参考电流iref，iref与逆变输出的电流经过PI调节 （取kp=80，ki=200），使逆变输出电流跟踪参考电流。将逆变输出电压作为调制波，以40 kHz的三角波作为载波，比较后输出PWM波，控制IGBT开关管的导通和关断。设置3种情景来验证所提方法的有效性和优越性。3种情景对应不同的有功和无功功率匹配度，如表1所示，并分析了其负载品质因素及盲区的位置。对情景1、情景2、情景3进行模拟孤岛仿真测试，其实验结果图分别为图3～5。

 

表1 3种情景负载特性Table 1 The load characteristics under three scenarios

  

?

  

图3 情景1逆变输出电压和电流Fig.3 The inverter output voltage and current of the scene 1

  

图4 情景2逆变输出电压和电流Fig.4 The inverter output voltage and current of the scene 2

由图3可知，当不处于被动法和主动法的盲区内时，本文所提出的方法能检测出孤岛。由图4可知，当处于被动法的盲区内时，本文所提出的方法能检测出孤岛。由图5可知，当同时处于主动法和被动法的盲区内时，本文所提出的方法能够检测出孤岛。实验证明了本文方法的有效性。从训练和测试结果也可知，本文所述方法几乎没有盲区。由于没有添加扰动，不会给系统电能质量带来影响，即在孤岛发生后，对系统造成的影响降至最低。由图3～5可知，检测方法可以在一个周期内检测出孤岛，并在下一周期就启动孤岛保护，检测速度快，可以最大化降低孤岛产生的损失。

  

图5 情景3逆变输出电压和电流Fig.5 Inverter output voltage and current of the scene 3

由于被动法没有加入扰动，所以不会影响逆变输出的电能质量，但存在很大的检测盲区，尤其是系统在功率匹配度低的情况下。而本文所提方法的预测误差只有1.5%，成功率高达98.5%，大大减小了误判率。在不同负载匹配度下都能检测出孤岛，说明本文方法具有更小的盲区。主动法虽然在一定程度上减少了检测盲区，但对电能质量有影响，尤其是在频率偏移较大的情况下。本文所提方法不添加任何扰动，所以不会增加逆变输出的谐波含量。主动法和被动法都是基于某个变量的变化是否超出阈值来判断孤岛发生，这些变量值不会发生突变，导致变量值偏离阈值需要一定时间。本文所提方法采用人工神经网络进行模式识别，识别精度高，该方法能够在一个周期内检测出孤岛，并在下一个周期断开逆变输出，同时也改进了孤岛检测的误判率。

综上可知，相较于其他方法，基于遗传算法优化BP神经网络的孤岛检测方法在检测盲区、降低对电能质量的影响、误判率、检测速度上都有明显的优势。

3 基于遗传算法及BP神经网络的混合孤岛检测方法的DSP实现

3.1 遗传算法优化BP神经网络的DSP实现

遗传算法优化BP神经网络的DSP实现在初始化权值和阈值过程采用遗传算法，具体过程：创建数组 G[N0×N1+N1×N2+N1+N2]，其为种群，种群个数设置为g1，使用rand（）函数随机初始化G，G作为神经网络的初始权值和阈值。重复前文所示的神经网络训练过程，得到不同种群下的输出结果，调用式（1）所示的适应度函数，选择适应度值最小的G。调用式（2）和式（3）对G进行选择操作，调用式（4）进行交叉操作，调用式（5）进行操作，然后将G作为BP神经网络的初始权值和阈值矩阵，最后进行BP神经网络训练过程。

3.2 实验验证

在实验验证过程中，直流电压采样采用电压型霍尔传感器TBV10/25A，直流电流采样采用的是TBC25SY/SYW型双闭环电流霍尔传感器，交流电压采样必须先将交流电压转换成交流电流，再通过互感器隔离转换成弱电信号，本文采用SPT204A型星格互感器。输入功率设置为100 W，输入电感设置为3 mH，滤波电容设置为1 μF。IPM和驱动模块通过高速光耦隔离。

为了解决信号采集，处理过程造成的延迟问题，采用两台逆变控制器，其中，控制器A负责正常的逆变，控制器B只需采集信号和执行基于遗传算法及BP神经网络的孤岛检测算法。控制器B作为控制器A的外部设备，当控制器B的模式识别结果为孤岛时，触发中断请求，向控制器A发送中断请求信号，控制器B响应中断请求信号，执行中断服务子程序。中断服务子程序的内容为断开控制器A的逆变，即孤岛保护。在正常情况下，控制器B不发出中断请求信号，控制器A执行正常的光伏逆变主程序。DSP的时钟周期设置为150 MHz，其指令周期为6.67 ns，采样间隔为0.02 s，所以相对于采样时间，程序的执行时间可忽略不计。即该方法总的处理时间可近似为采样间隔0.02 s，满足我国孤岛检测标准。本文孤岛检测法结构如图6所示。通过软件和硬件设计后，搭建了光伏孤岛检测算法验证平台，如图7所示。

  

图6 基于双控制器的孤岛检测法结构图Fig.6 The structure diagram of islanding detection method based on two controllers

  

图7 孤岛检测算法验证平台Fig.7 Islanding detection algorithm verification platform

设置负载品质因素为低和高两种情景。低品质因素对应仿真设计的情景1，高品质因素负载工况对应仿真的情景2和情景3，其实验结果如图8，9所示。

  

图8 低品质因素负载情形下输出波形Fig.8 The output waveform of low quality factor load case

  

图9 高品质因素负载情形下输出波形Fig.9 The output waveform of high quality factor load case

由图8，9可知，基于遗传算法及BP神经网络的孤岛检测算法，无论在普通情形（低品质因素负载）还是恶劣情形下（高品质因素负载）都能检测出孤岛，验证了这种方法的正确性和有效性。

第二，对相关委托实验室的具体情况进行审查。当必须由独立的第三方进行施工准备委托实验时，需要经过监理人员的认证，保证试验结果的真实准确性，通过客观精准的检测结果实验为工程施工提供数据支撑。进行第三方选择时，可通过对比分析的方式择优选择更具权威的单位，保证结果的有效率。同时，监理人员要保证材料、样本等均取自施工现场，证取、送样过程由监理人员监督管理。以此，保证材料质量为施工环境的真实代表，避免检测结果与实际不符。在施工现场，监理人员需要对施工人员进行监管、指导，保证取样办法、操作等符合规范要求，将无差降到最低。

4 结束语

本文提出了一种基于遗传算法及BP神经网络的混合孤岛检测法，并在Matlab/Simulink中搭建了孤岛检测模型。为了验证了本文方法的有效性，设置3种情形进行仿真，结果表明，本文检测方法在检测盲区、降低对电能质量的影响、检测速度上都优于被动法和主动法。最后在DSP中设计两个控制器，很好地解决了信号采样、处理等过程的延迟，实验结果证实了该算法的正确性和有效性。基于遗传算法及BP神经网络的检测方法虽然成功率达到98.5%，但仍存在着检测误差，进一步提高检测精度是以后研究的目标。

参考文献：

[1]Khamis A，Shareef H，Bizkevelci E，et al.A review of islanding detection techniques for renewable distributed generation systems [J].Renewable and Sustainable Energy Reviews，2013，28：483-493.

[2]刘扬，陈永强，杨骏华.多机光伏并网逆变器并联运行的孤岛检测方法研究 [J].可再生能源，2016，34（6）：809-814.

[3]谢东，张兴，曹仁贤.基于小波变换与神经网络的孤岛检测技术[J].中国电机工程学报，2014（4）：537-544.

[4]侯立健，朱长青，安巧静，等.Sandia频移法在电子负载孤岛检测中的应用研究及参数优化[J].电子测量技术，2016（4）：13-17

[5]Rani B I， Srikanth M， Ilango G S， et al.An active islanding detection technique for current controlled inverter[J].Renewable Energy，2013，51：189-196.

[6]Niaki A H M，Afsharnia S.A new passive islanding detection method and its performance evaluation for multi-DG systems[J].Electric Power Systems Research，2014，110：180-187.

[7]Samui A， Samantaray S R.An active islanding detection scheme for inverter-based DG with frequency dependentZIP-Exponentialstatic load model[J].International Journal of Electrical Power& Energy Systems， 2016，78：41-50.

[8]Bayrak G.A remote islanding detection and control strategy for photovoltaic-based distributed generation systems [J].Energy Conversion and Management，2015，96：228-241.

[9]Mahat P， Chen Z， Bak Jensen B.A hybrid islanding detection technique using average rate ofvoltage change and real power shift[J].IEEE Transactions on Power Delivery，2009，24（2）：764-771.

[10]Ropp M E，Begovic M， Rohatgi A.Analysis and performance assessment of the active frequency drift method of islanding prevention[J].IEEE Transactions on Energy Conversion，1999，14（3）：810-816.

[11]Liu F，Kang Y，Zhang Y，et al.Improved SMS islanding detection method for grid-connected converters[J].Renewable Power Generation，2010，4（1）：36-42.

[12]Merlin V L， Santos R C，Grilo A P， et al.A new artificial neural network based method for islanding detection of distributed generators[J].International JournalofElectricalPower & Energy Systems，2016，75：139-151.

[13]肖成，焦智，孙介涛，等.基于小波BP神经网络的风电机组变桨系统故障预测[J].可再生能源，2017，35（6）：893-899.

[14]孙涛，孙文磊，何连英.基于遗传算法的风力机可靠性优化分配方法研究[J].可再生能源，2016，34（5）：699-704.