分别使用OVP-UVP和OFP-UFP算法以及AFD检测算法实现反孤岛检测simulink建模与仿真

简介: 本课题通过Simulink建模与仿真,实现OVP-UVP、OFP-UFP算法及AFD检测算法的反孤岛检测。OVP-UVP基于电压幅值变化,OFP-UFP基于频率变化,而AFD则通过注入频率偏移信号来检测孤岛效应,确保电力系统安全稳定运行。系统使用MATLAB 2013b进行建模与仿真验证。

1.课题概述
分别使用OVP-UVP和OFP-UFP算法以及AFD检测算法实现反孤岛检测simulink建模与仿真。

2.系统仿真结果

1.jpeg
2.jpeg
3.jpeg
4.jpeg
5.jpeg
6.jpeg
7.jpeg

3.核心程序与模型
版本:MATLAB2013b

db55d72be0a0279e45366750978306f9_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg

function sys=mdlOutputs(t,x,u)
%定义全局变量
global f_i;            
global f_vo;
global f_v_hb;
global f_v_lb;
global theta_i;
global theta_vo;
global isIslanding;
global num0;
global num1;
global step;
global step1;
global k;

%锁相环输出
theta_vo=u(2);
%电压相位为0时更新频率
if abs(theta_vo) < 0.04    
  %数字锁相环输出的电压频率
f_vo=u(1);    
end

%判断是否不是孤岛效应
if(isIslanding==0)    
    %并网电压相位是否过零  
    if abs(theta_vo)<0.04    
      %判断并网电压频率是否越界,根据1547规定,1%的调整,所以就是正负0.5Hz
      if (f_vo>50.5) || (f_vo<49.5)    
            sys         = [0 0];
            %如果超出则为孤岛检测到了
isIslanding = 1;
      else         
      %原始的AFD
f_i=f_vo+2.5;
theta_i=theta_vo;
      end
    else
        if(pi-theta_i<0.03) && (pi-theta_vo>0.03) 
theta_i=pi;
        elseif(2*pi-theta_i<0.03) && (2*pi-theta_vo>0.03) 
theta_i=2*pi;                    
        elseif (pi-theta_vo<0.03) && (pi-theta_i>0.03)
theta_i=pi;
        elseif (2*pi-theta_vo<0.03) && (2*pi-theta_i>0.03)
theta_i=2*pi;
        else
theta_i=theta_i+2*pi*f_i*1e-4;
        end
    end
    %非孤岛输出正弦波
    sys(1)=sin(theta_i);
else
    %孤岛输出零
sys(1)=0;
end

sys(2)=f_vo;
AI 代码解读

70b941bdfd14cb7ff65f5e64e193142f_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg

```function Out = UVP_OVP_low(In);
V = In;
Level = 216;
if V < Level || abs(V-Level) <= 0.05
Out = 1;
else
Out = 0;
End
function Out = UVP_OVP_up(In);
V = In;
Level = 264;
if V > Level || abs(V-Level) <= 0.05
Out = 1;
else
Out = 0;
End

function Out = UFP_OFP_low(In);
V = In;
Level = 49;
if V < Level || abs(V-Level) <= 0.05
Out = 1;
else
Out = 0;
End
function Out = UFP_OFP_up(In);
V = In;
Level = 51;
if V > Level || abs(V-Level) <= 0.05
Out = 1;
else
Out = 0;
End

```

4.系统原理简介
反孤岛检测是电力系统中一个重要的安全保护措施,用于在分布式发电系统中检测孤岛效应的发生。孤岛效应是指当分布式发电系统与主电网断开连接后,仍然继续向本地负载供电的情况。为了确保电力系统的稳定性和安全性,需要及时准确地检测出孤岛效应并采取相应的控制措施。本文将详细介绍使用OVP-UVP(过压-欠压保护)算法、OFP-UFP(过频-欠频保护)算法以及AFD(主动频率偏移)检测算法实现反孤岛检测的原理,并使用标准的数学公式进行推导和解释。

4.1 OVP-UVP算法

    OVP-UVP算法是一种基于电压幅值的反孤岛检测方法。该方法通过监测分布式发电系统输出电压的幅值来判断是否发生孤岛效应。当分布式发电系统与主电网断开连接后,由于负载的变化和发电机的自激作用,输出电压的幅值可能会发生变化,超过或低于正常范围。
AI 代码解读
  1. 过压保护(OVP)

    当分布式发电系统输出电压的幅值超过一定阈值时,认为发生了过压故障,可能意味着孤岛效应的发生。过压保护的阈值一般设置为额定电压的110%120%
    AI 代码解读
  2. 欠压保护(UVP)
    当分布式发电系统输出电压的幅值低于一定阈值时,认为发生了欠压故障,同样可能意味着孤岛效应的发生。欠压保护的阈值一般设置为额定电压的80%至90%。

    设分布式发电系统输出电压的幅值为V,额定电压为V_n,则过压保护和欠压保护的判断条件可以表示为:
    
    AI 代码解读

过压保护:V >V_n × (1 + α),其中α为过压保护系数,一般取0.1至0.2。
欠压保护:V <V_n × (1 - β),其中β为欠压保护系数,一般取0.1至0.2。

4.2 OFP-UFP算法

    OFP-UFP算法是一种基于频率的反孤岛检测方法。该方法通过监测分布式发电系统输出电压的频率来判断是否发生孤岛效应。当分布式发电系统与主电网断开连接后,由于负载的变化和发电机的自激作用,输出电压的频率可能会发生变化,超过或低于正常范围。
AI 代码解读
  1. 过频保护(OFP)

    当分布式发电系统输出电压的频率超过一定阈值时,认为发生了过频故障,可能意味着孤岛效应的发生。过频保护的阈值一般设置为额定频率的105%110%
    AI 代码解读
  2. 欠频保护(UFP)

    当分布式发电系统输出电压的频率低于一定阈值时,认为发生了欠频故障,同样可能意味着孤岛效应的发生。欠频保护的阈值一般设置为额定频率的90%95%
    AI 代码解读

    设分布式发电系统输出电压的频率为f,额定频率为f_n,则过频保护和欠频保护的判断条件可以表示为:

过频保护:f >f_n × (1 + γ),其中γ为过频保护系数,一般取0.05至0.1。
欠频保护:f <f_n × (1 - δ),其中δ为欠频保护系数,一般取0.05至0.1。

4.3 AFD检测算法

   AFD(主动频率偏移)检测算法是一种主动式的反孤岛检测方法。该方法通过向分布式发电系统注入一个微小的频率偏移信号,然后监测输出电压的频率变化来判断是否发生孤岛效应。当分布式发电系统与主电网断开连接后,注入的频率偏移信号会导致输出电压的频率发生变化,从而被检测到。
   设注入的频率偏移信号为Δf,分布式发电系统输出电压的实际频率为f_actual,则AFD检测算法的判断条件可以表示为:
AI 代码解读

| f_actual - f_n | > Δf

   其中,| x |表示x的绝对值。当实际频率与额定频率的差值的绝对值大于注入的频率偏移信号时,认为发生了孤岛效应。

   OVP-UVP、OFP-UFP和AFD是三种常用的反孤岛检测算法。它们分别基于电压幅值、频率和主动频率偏移的原理来实现对孤岛效应的检测。在实际应用中,可以根据具体的系统需求和性能指标选择合适的算法或组合使用多种算法来提高检测的准确性和可靠性。同时,还需要注意选择合适的阈值和参数以确保算法的灵敏度和误报率满足要求。
AI 代码解读
目录
打赏
0
10
13
0
199
分享
相关文章
基于PSO粒子群优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB2022a/2024b开发,结合粒子群优化(PSO)算法与双向长短期记忆网络(BiLSTM),用于优化序列预测任务中的模型参数。核心代码包含详细中文注释及操作视频,涵盖遗传算法优化过程、BiLSTM网络构建、训练及预测分析。通过PSO优化BiLSTM的超参数(如学习率、隐藏层神经元数等),显著提升模型捕捉长期依赖关系和上下文信息的能力,适用于气象、交通流量等场景。附有运行效果图预览,展示适应度值、RMSE变化及预测结果对比,验证方法有效性。
基于遗传算法的256QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率
本内容展示了基于GA(遗传算法)优化的256QAM概率星座整形(PCS)技术的研究与实现。通过Matlab仿真,分析了优化前后星座图和误码率(BER)的变化。256QAM采用非均匀概率分布(Maxwell-Boltzman分布)降低外圈星座点出现频率,减小平均功率并增加最小欧氏距离,从而提升传输性能。GA算法以BER为适应度函数,搜索最优整形参数v,显著降低误码率。核心程序实现了GA优化过程,包括种群初始化、选择、交叉、变异等步骤,并绘制了优化曲线。此研究有助于提高频谱效率和传输灵活性,适用于不同信道环境。
41 10
基于遗传优化ELM网络的时间序列预测算法matlab仿真
本项目实现了一种基于遗传算法优化的极限学习机(GA-ELM)网络时间序列预测方法。通过对比传统ELM与GA-ELM,验证了参数优化对非线性时间序列预测精度的提升效果。核心程序利用MATLAB 2022A完成,采用遗传算法全局搜索最优权重与偏置,结合ELM快速训练特性,显著提高模型稳定性与准确性。实验结果展示了GA-ELM在复杂数据中的优越表现,误差明显降低。此方法适用于金融、气象等领域的时间序列预测任务。
|
23天前
|
基于遗传优化算法的带时间窗多车辆路线规划matlab仿真
本程序基于遗传优化算法,实现带时间窗的多车辆路线规划,并通过MATLAB2022A仿真展示结果。输入节点坐标与时间窗信息后,算法输出最优路径规划方案。示例结果包含4条路线,覆盖所有节点并满足时间窗约束。核心代码包括初始化、适应度计算、交叉变异及局部搜索等环节,确保解的质量与可行性。遗传算法通过模拟自然进化过程,逐步优化种群个体,有效解决复杂约束条件下的路径规划问题。
基于遗传算法的64QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率
本内容主要探讨基于遗传算法(GA)优化的64QAM概率星座整形(PCS)技术。通过改变星座点出现的概率分布,使外圈点频率降低,从而减小平均功率、增加最小欧氏距离,提升传输性能。仿真使用Matlab2022a完成,展示了优化前后星座图与误码率对比,验证了整形增益及频谱效率提升效果。理论分析表明,Maxwell-Boltzman分布为最优概率分布,核心程序通过GA搜索最佳整形因子v,以蒙特卡罗方法估计误码率,最终实现低误码率优化目标。
29 1
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
基于混沌序列和小波变换层次化编码的遥感图像加密算法matlab仿真
本项目实现了一种基于小波变换层次化编码的遥感图像加密算法,并通过MATLAB2022A进行仿真测试。算法对遥感图像进行小波变换后,利用Logistic混沌映射分别对LL、LH、HL和HH子带加密,完成图像的置乱与扩散处理。核心程序展示了图像灰度化、加密及直方图分析过程,最终验证加密图像的相关性、熵和解密后图像质量等性能指标。通过实验结果(附图展示),证明了该算法在图像安全性与可恢复性方面的有效性。
基于自混合干涉测量系统的线展宽因子估计算法matlab仿真
本程序基于自混合干涉测量系统,使用MATLAB2022A实现线展宽因子(a因子)估计算法仿真。通过对比分析自由载流子效应、带间跃迁、带隙收缩等因素对a因子的影响,揭示其物理机制。核心代码分别计算了不同效应对a因子的贡献,并绘制相应曲线进行可视化展示。自混合干涉测量技术利用激光反馈效应实现物体物理量测量,而线展宽因子描述了激光输出频率随功率变化的敏感程度,是研究半导体激光器特性的重要参数。该算法为光学测量和激光器研究提供了有效工具。
基于差分进化灰狼混合优化的SVM(DE-GWO-SVM)数据预测算法matlab仿真
本项目实现基于差分进化灰狼混合优化的SVM(DE-GWO-SVM)数据预测算法的MATLAB仿真,对比SVM和GWO-SVM性能。算法结合差分进化(DE)与灰狼优化(GWO),优化SVM参数以提升复杂高维数据预测能力。核心流程包括DE生成新种群、GWO更新位置,迭代直至满足终止条件,选出最优参数组合。适用于分类、回归等任务,显著提高模型效率与准确性,运行环境为MATLAB 2022A。

热门文章

最新文章

AI助理
登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问

你好,我是AI助理

可以解答问题、推荐解决方案等