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;

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。
  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%至120%。
    
  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:
    

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。
  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%至110%。
    
  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%至95%。
    

    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:

| 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。
相关文章
|
6天前
|
算法
基于模糊PI控制算法的龙格库塔CSTR模型控制系统simulink建模与仿真
本项目基于MATLAB2022a,采用模糊PI控制算法结合龙格-库塔方法,对CSTR模型进行Simulink建模与仿真。通过模糊控制处理误差及变化率,实现精确控制。核心在于将模糊逻辑与经典数值方法融合,提升系统性能。
|
6天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
6天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
12天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
9天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
13天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
19天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
15天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
16天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。
|
15天前
|
算法 5G 数据安全/隐私保护
基于MIMO系统的PE-AltMin混合预编码算法matlab性能仿真
本文介绍了基于交替最小化(AltMin)算法的混合预编码技术在MIMO系统中的应用。通过Matlab 2022a仿真,展示了该算法在不同信噪比下的性能表现。核心程序实现了对预编码器和组合器的优化,有效降低了硬件复杂度,同时保持了接近全数字预编码的性能。仿真结果表明,该方法具有良好的鲁棒性和收敛性。
31 8