周皓, 李维刚, 童朝南, 李伟力, 茆美琴

(1.北京科技大学 自动化学院, 北京 100083; 2.武汉科技大学 信息科学与工程学院,湖北 武汉430081;3.北京交通大学 电气工程学院, 北京 100044; 4.合肥工业大学 教育部光伏系统工程中心, 安徽 合肥 230009)



WT-ANFIS在孤岛检测中的应用研究

周皓1,3, 李维刚2, 童朝南1, 李伟力3, 茆美琴4

(1.北京科技大学 自动化学院, 北京 100083; 2.武汉科技大学 信息科学与工程学院,湖北 武汉430081;3.北京交通大学 电气工程学院, 北京 100044; 4.合肥工业大学 教育部光伏系统工程中心, 安徽 合肥 230009)

针对传统被动式孤岛检测法存在检测时间长、盲区大,而主动式孤岛检测法影响电能质量的缺点,提出一种新的基于模糊神经网络与小波变换的孤岛检测方法。该方法首先采集逆变器输出的电流信号和公共耦合点处的电压信号,再将该电流信号和电压信号分别进行小波变换,然后通过对各尺度上的细节信号进行算法处理来获取适合于孤岛检测的特征向量,最后该特征向量通过模糊神经网络进行模式识别来判断系统是否发生孤岛现象。仿真与实验结果表明,该方法在并网逆变器功率与本地负载功率匹配及失配的多种条件下均能有效识别,具有检测速度快,盲区小,对电能质量无影响等优点,并且适合于单相、三相光伏并网系统。

孤岛检测; 小波变换; 模糊神经网络; 细节信号; 特征向量

0 引 言

在正常情况下,光伏系统联接在电网上并向其输送电能。当电网由于电气故障或其它原因造成供电中断时,系统仍有可能向本地负载供电,这样形成电力公司无法掌控的一个自给供电孤岛,这种现象称为孤岛(islanding)效应[1-2]。其危害性在于:因为逆变器工作在电流控制模式,没有大电网的支撑而无法控制孤岛中的电压和频率,会给用户的设备正常运行带来安全隐患;并且孤岛运行使线路处于带电状态,会对用户、检修人员的人身安全构成威胁。因此,必须采取合适的孤岛检测方法[3-4]。

目前,孤岛检测分为被动式检测、主动式检测和基于电力线载波通信(power line carrier communication,PLCC)检测[5-6]。其中被动式检测通过对公共耦合点(point of common coupling,PCC)的电压幅值、频率等进行检测来判断是否发生孤岛,其优点是检测容易实现,对系统的稳定性和电能质量无影响,但检测时间长、盲区大(non-detection zone,NDZ)等缺点[7-8]。主动式检测方法通过在控制信号中加入很小的电压、频率或相位等扰动信号,同时检测输出,其优点是能够快速检测出孤岛,减小NDZ,但影响系统的供电质量[9-10]。PLCC是基于通信手段检测孤岛,其优点是检测盲区较小,但结构复杂、投入成本高,尚未得到广泛应用[11]。

针对被动式和主动式检测方法的不足,文献[12]通过小波变换(wavelet transform, WT)从逆变器输出的电流信号以及PCC点的电压信号中提取特征量,再通过BP神经网络进行模式识别判断是否发生孤岛,但文中没有给出小波分析过程与神经网络训练和测试相关数据。为此,本文在现有文献的基础上对孤岛检测方法进行了更深入研究,将小波变换与模糊神经网络(adaptive network based fuzzy inference system, ANFIS)相结合应用到孤岛检测中,提出以逆变器输出电流信号和PCC点电压信号经4个尺度小波分解后获得的细节信号的绝对平均值作为特征向量,同时将模糊推理与神经网络结合起来的模糊神经网络进行孤岛检测模式识别。仿真与实验结果表明,该方法具有孤岛检测精确度高,检测速度快、盲区小等优点。

1 基于小波ANFIS的孤岛检测方法

基于模糊神经网络与小波变换的孤岛检测步骤如下:1)采集逆变器输出电流信号和PCC点的电压信号;2)对电流信号和电压信号分别进行小波分解得到各尺度上的小波分量(细节信号);3)对小波分量进行数学处理;4)将处理后的信号作为特征向量空间提供给模糊神经网络(选用其中的ANFIS网络)的输入层,由ANFIS根据输入的特征向量判断是否发生孤岛。

1.1 小波变换及其Mallat算法

小波变换是分析非平稳信号或具有奇异性特变信号的最有效方法,适合于孤岛检测这种产生瞬态突变信号的场合。因此本文采用离散小波变换常用的Mallat算法实现小波分解,其数学表达式[13]为

(1)

式中H和G分别为低通滤波器和高通滤波器[14]。将c0定义为原始信号X,通过式(1)可以将X分解为d1,d2, …,dJ和cJ(J为最大分解层数),其中cj和dj分别称为原始信号在分辨率2-j下的逼近信号和细节信号。各层逼近信号和细节信号是原始信号X在相邻不同频率段上的成分。

Mallat的塔式重构算法为

Cj=H*Cj+1+G*Dj+1,j=J-1,J-2,…,0。

(2)

其中H*和G*分别是H和G的对偶算子。采用重构算法式(2)对小波分解后的信号进行重构可以增加信号的点数。对d1,d2, …,dJ和cJ分别进行重构得到D1,D2, …,DJ和CJ,它们和原始信号X的点数一样,并且有

X=D1+D2+…+DJ+CJ。

(3)

由小波分解与重构的原理可知,当我们利用尺度函数和小波函数对逆变器输出电流、PCC点电压信号进行几个分辨率的分解时,其实质是将一组包含多组信息综合的信号分解到不同的信息子空间上,得到不同频率的分解信号。之后,可以对分量序列进行各种算法处理,得到用于ANFIS网络进行模式识别用的特征向量。

1.2 特征向量的选取及处理

选取逆变器输出电流和PCC点电压作为特征量,当电流或电压信号中只要有一个信号的特征量有较高的辨识度时,ANFIS网络就能有效识别出孤岛状态发生。为了减少ANFIS网络输入信号个数,本文计算细节信号的绝对平均值作为特征量,在保证识别准确率较高的前提下,只保留对识别结果影响较大的特征,因此,选择小波分解获得的细节信号D1～D4的绝对平均值作为特征向量。处理过程如下:对采集到的逆变器输出电流与PCC点电压信号进行4尺度的小波分解,提取D1～D4细节信号,对每个细节信号在一个电压周期内先取绝对值再求其平均值(后文称为“绝对平均值”),将电流、电压信号细节信号的绝对平均值分别记为dbi1～dbi4、dbu1～dbu4,共同组成ANFIS网络的特征向量空间:

(4)

1.3 ANFIS模型的结构设计

经小波变换与算法处理后的特征量,在不同负载条件下会发生显著变化,很难通过设定阈值来判定孤岛发生与否,需借助强有力的模式识别工具。

模糊神经网络(fuzzy neural network, FNN)将模糊推理(fuzzy system, FS)与神经网络(neural network, NN)有机结合起来,同时具有模糊逻辑易于表达人类知识和神经网络的分布式信息存储以及学习能力的优点,对于复杂系统的建模控制与模式识别提供了有效的工具。模糊神经网络主要包括3种:基于模糊化神经网络与模糊算子的FNN,和模糊推理网络,其中模糊推理网络是模糊模型的神经网络的一种实现,是一种多层前向网络,它将模糊系统表示为一类神经系统的1/0关系,模糊推理网络的可调参数一般是非线性的,具有非常强大的自学习功能。Jang在1993年将T-S模糊模型与5层神经元网络结合而成的ANFIS,能够快速完成高度的非线性映射,T-S型模糊神经网络在系统建模上有特殊优势。因此,本文采用ANFIS网络对孤岛状态的模式进行识别。

一般地,ANFIS网络输入层节点数等于要训练的样本向量维数,输出层节点数为分类网络中的类别数。本文选取的特征向量空间有8个信号,所以输入层节点数设为8个;输出只对孤岛工作状态进行分类,即孤岛状态与非孤岛状态,所以输出层节点数设定为1个。

2 孤岛检测仿真建模实例

搭建如图1所示的仿真电路示意图来验证本文提出的孤岛检测方法。其中逆变器输出电流、有功功率、无功功率分别为iinv、P、Q,电网电压Vgrid,系统运行时逆变器输送到电网的电流、有功功率、无功功率分别为igrid、P1、Q1,通过调节本地负载Z使逆变器输出的有功功率、无功功率与本地负载消耗的有功功率、无功功率近似相等(即P1≈0,Q1≈0)时,模拟在最恶劣的情况下来验证孤岛检测情况。

图1 孤岛检测仿真电路示意图

2.1 样本数据获取及小波分解

根据电网电流、电压的各种典型变化,仿真实例共设计了孤岛与非孤岛两种模式下的15种代表性情况以验证孤岛检测的效果,其中孤岛状态模式:1)在某一时刻断开断路器S,电网电流信号在第2个周期末消失,逆变器电流随之在第4个周期末消失,孤岛产生,PCC点电压信号在第5个周期末消失,如图2所示。以下均以此为基准进行适当变化。2)电网电流信号幅值增大30%,并增加18度相位角;电网电压信号幅值增大20%。3)电网电流信号不变;电网电压信号添加3次谐波。4)电网电流信号不变;电网电压信号添加5次谐波。5)电网电流信号添加3次谐波;电网电压信号不变。6)电网电流信号添加3次谐波;电网电压信号添加3次谐波。7)电网电流信号幅值从第2个周期末增大9 A;电网电压信号添加3次谐波。8)电网电流信号幅值在第2个周期末增大9 A;电网电压信号添加3次谐波,并在第4个周期末开始按指数函数衰减。

图2 孤岛模式下的电流和电压波形

非孤岛模式:1)电流、电压信号如图2中发生孤岛前的状态,一直延续到第8个周期,以下均以此为基准进行适当变化。2)电网电流信号幅值增大30%,并增加18度相位角;电网电压信号不变。3)电网电流信号幅值增大50%,并增加36度相位角;电网电压信号幅值增大30%。4)电网电流信号不变;电网电压信号添加3次谐波。5)电网电流信号不变;电网电压信号添加3次谐波,并提前一个周期短路;6)电网电流信号不变;电网电压信号幅值从第4个周期末开始按指数函数衰减。7)电网电流信号幅值从第2个周期末开始增大9 A;电网电压信号不变。

图2是断路器S在0.4 s(对应时间0.4 s,即横坐标400处,以下相同)断开时逆变器输出电流、PCC点电压、电网电压、电网电流4个信号的波形。因为发生了孤岛,所以逆变器输出电流在0.8 s时降为0,PCC点电压在1 s时降为0。

选择合适的小波函数进行信号分析,对孤岛检测效果具有非常大的影响。由于db4小波具有良好的紧支性,并且可以减少相邻分解级间信号能量的渗漏以保证其局部化能力;通过db4小波变换所提取的信号精确性与完整性较好,且db4小波具备正交性允许重构原始信号[15],故本文采用db4小波。

下面通过一个具体的电流信号进行小波分解来举例说明。对图2中孤岛模式下的逆变器输出电流信号进行4个尺度的小波分解,得到各尺度上的小波分量信号如图3所示,其中s为原始信号,a4为尺度4上的逼近信号,d1～d4分别为尺度1～4上的细节信号。

图3 孤岛模式下电流信号经小波分解得到的分量信号

由图可见:1)当孤岛发生时,细节信号d1～d4在逆变器输出电流信号变为0位置(对应时间0.8 s,即横坐标800处)均出现尖峰脉冲信号,表明电流信号发生突变;2)细节信号频率越高(d1频率最高),脉冲信号持续时间越短,且幅值越小;细节信号频率越低(d4频率最低),脉冲信号持续时间越长,且幅值越大。

图4除各尺度的逼近信号、细节信号外,还给出细节信号对应的小波系数,图中用颜色的深浅变化表示出4个尺度细节信号对应的小波系数的大小,由图可见:在逆变器输出电流信号变为0位置,不同尺度的颜色图上均出现一条亮带,显示电流信号在该位置处发生了突变。这是因为小波分析具有“数学显微镜”的特点,可以捕捉原始信号的尖锐变换。

图4 小波分解得到的分量信号及对应的小波系数

根据上述过程,在Matlab软件中建立孤岛检测仿真模型,包括信号产生、小波变换、特征向量计算、ANFIS建模等模块。要通过小波变换与ANFIS网络进行孤岛检测,需要先对孤岛模式与非孤岛模式各种情况下的逆变器输出电流信号、PCC点电压信号进行小波分解,再对各级细节信号进行数据处理得到各个电压周期上的特征向量,特征向量再与孤岛、非孤岛模式结果组合成一个完整的样本数据,具体过程如下:

1)将孤岛状态定为模式1,非孤岛状态定为模式0。

2)对孤岛、非孤岛模式下的共15种最常见的情况分别采集多个周期的逆变器输出电流和PCC点电压信号,再对电流与电压信号进行小波变换,并对获得的4个尺度上的细节信号进行绝对平均值处理,获得每个电压周期上的特征向量,共计75组样本数据。

从总样本中随机抽取75%的样本作为训练样本,其余作为测试样本,表1为部分训练样本,分析特征向量数据发现:孤岛模式下的电流、电压信号的各个特征量一般比非孤岛模式下特征量大,这为ANFIS网络进行模式识别提供了方便。

表1 训练样本举例

2.2 ANFIS网络识别结果讨论

训练样本与测试样本得到后,可利用训练样本对ANFIS网络进行训练,用测试样本检验ANFIS网络的预测效果。要注意的是,在检验ANFIS网络建模与预测效果时,要对ANFIS网络的输出结果Y进行如下的模糊化处理:

(5)

当Y取-1时,表示ANFIS网络不能识别该样本,检测失败。

由于训练样本是从总样本集中按75%的概率随机抽取出来的,表2给出了5次实验的孤岛检测的准确率。从表2可看出:1)训练过程的准确率较高,5次实验的综合准确率达到99.3%,且测试过程的综合准确率也达到94.7%,总体预测效果较好,说明本文选取的特征向量非常有效,且ANFIS网络也能抓住孤岛模式与非孤岛模式下特征向量的差异;2)测试过程的准确率相对于训练过程要低一些,这个因为部分测试样本并没有在ANFIS网络中得到训练,ANFIS网络不能识别。

下面通过与文献[12]对比来对本文提出的孤岛检测原理做一些讨论,主要针对特征向量的选取及ANFIS网络的运用。文献[12]选用2个电压、电流信号小波系数的绝对平均值,以及对应的差值作为特征向量,即其特征向量空间为

(6)

表2 运用ANFIS网络进行孤岛检测的准确率

对相同的样本集合,采用文献[12]相同的特征向量做了5次实验,结果如表3所示,可见:训练过程的综合准确率为97.5%,测试过程的综合准确率为91.2%,两者均低于表2中的准确率,也就是说本文选用的特征向量要优于文献[12]的特征向量,其区别在于:

1)文献[12]是对获得小波系数进行数学处理,而本文是对获得的小波分量进行数学处理,两者差异在于:小波分量信号的分辨率比小波系数更高,更能反映孤岛发生时电流、电压信号的突变情况;因此,本文选用小波分量而没有采用小波系数,可以进一步提高孤岛检测的精确度。

表3 运用ANFIS网络进行孤岛检测的准确率(采用文献[12]的特征向量)

2)文献[12]仅考虑电流、电压信号2个尺度上的小波分解信息,最后2个差值本身不是独立变量,而本文考虑了电流、电压信号4个尺度上的小波分解信息,信息量更加丰富、全面。为了验证该方法的可靠性,取相同的样本集合,利用本文提出的特征向量,采用BP神经网络代替本文的ANFIS网络进行模式识别做了5次实验,实验结果见表4,虽然文献[12]没有具体给出神经网络训练、测试相关数据,但由本次实验结果可见:在训练过程的综合准确率达到100%,但测试过程的综合准确率仅为83.33%,远远低于表2的综合准确率(94.7%),这是因为BP网络的建模能力虽然很强,但其外推能力有限,存在过拟合等问题,而ANFIS网络同时具有模糊逻辑易于表达人类知识和神经网络的分布式信息存储以及学习能力的优点,为孤岛检测模式识别问题提供了强有力的工具。

表4 运用BP网络进行孤岛检测的准确率

从以上仿真结果可以看出,尽管在样本集合中包含了负载突变、谐波扰动、短路、电压突变等各种工作条件下的电流、电压波形,但本文所提出的孤岛检测原理依然能较准确地识别出孤岛发生与否,综合准确率超过94%。另外,通过与文献[12]对比,说明了本文选取的特征向量、ANFIS网络很好地满足了孤岛检测问题的要求。

3 实验结果及分析

搭建如图5所示功率为10 kW的三电平光伏并网逆变器装置来验证本文所采用孤岛检测方法。电子负载采用群菱ACLT-3803H防孤岛实验检测装置,AC侧采用Chroma的6590交流源,DC侧采用功率为32kW的Regatron直流源。

图5 孤岛检测实验装置

图6是本地负载瞬间增大2 kW时的实验波形。图中波形1为逆变器A相输出电流波形,波形2为PCC点电压波形,波形3为电网A相电压波形,波形4为电网A相电流波形。由图可见,在负载突变时电网电流突然增大,由于系统处于非孤岛状态,孤岛保护不起作用,所以逆变器输出电流、PCC点电压和电网电压基本保持不变。

图6 本地负载突变时波形图

图7是电网电压谐波扰动时的实验波形。图中4种波形与图6相同,实验时向电网电压中注入0.05 pu的3次谐波和0.03 pu的5次谐波。由图可见,当电网电压出现谐波扰动时,逆变器输出电流、PCC点电压、电网电压、电网电流都有非常明显的畸变,但系统处于非孤岛状态,孤岛保护不起作用,所以逆变器输出电流经过短暂的畸变后保持原来波形。

图7 电网电压谐波扰动时波形图

图8是逆变器孤岛产生的波形,其中图8(a)、图8(b)分别为NB/T32004-2013规定的逆变器输出功率与本地负载所需功率不匹配和匹配状况。在负载匹配实验时通过调整本地RLC负载使逆变器输送到电网的有功、无功功率P1≈0,Q1≈0。从而使逆变器输出功率与负载功率完全匹配。

图8 逆变器发生孤岛时的波形

图中4种波形与图6相同,首先电网与负载均接在PCC点处稳定运行,当断路器S断开时切除电网进入孤岛状态,由此开始计时直至逆变器检测到故障并停机。匹配与不匹配状况下孤岛运行时间分别为134.7 ms和152.8 ms,均满足NB/T32004-2013规定的保护时间(小于2 s),且在稳定运行时对并网电流无明显影响。

以上实验结果说明,本文所述方法能够在负载突变、电网电压谐波扰动时都没出现误动作,且当逆变器输出功率与负载不匹配和匹配时也能快速、准确地检测出孤岛,并成功实施保护,克服了传统被动式孤岛检测法在负载匹配时存在检测盲区的缺点。

4 结 论

本文提出将小波变换与模糊神经网络用于孤岛检测,通过对逆变器输出电流信号与PCC点电压信号进行小波分解,获得各尺度上的细节信号,再对电流、电压细节信号分别进行绝对平均值处理,从而得到输入ANFIS网络的特征向量,最后运用ANFIS网络对孤岛现象进行模式识别。仿真和实验结果表明,由于小波分析在提取孤岛发生瞬态特征时的优良特性以及ANFIS网络强大的模式识别能力,在并网逆变器与本地负载功率匹配及失配的多种条件下的实验结果证明,该方法均能准确、有效地判断出是否存在孤岛状态,避免因本地负载变化和电网谐波扰动等可能造成的干扰而产生误判。

[1] 刘方锐,段善旭,康勇,等.多机光伏并网逆变器的孤岛检测技术[J].电工技术学报,2010,25(1):167-171.

LIU Fangrui,DUAN Shanxu,KANG Yong,et al.Islanding detection methods for multiple PV converters system[J].Transactions of China Electro-technical Society,2010,25(1):167-171.

[2] 钟诚,井天军,杨明皓.基于周期性无功电流扰动的孤岛检测新方法[J].电工技术学报, 2014,29(3):270-276.

ZHONG Cheng,JING Tianjun,YANG Minghao.A new islanding detection method with periodic reactive current disturbance [J]. Transactions of China Electro-technical Society,2014,29(3):270-276.

[3] 刘宝其,陈昌松,段善旭,等.三相并联式功率调节系统孤岛检测研究[J].中国电机工程学报, 2013,33(13):127-134.

LIU Baoqi, CHEN Changsong, DUAN Shanxu, et al. Islanding detection for three-phase paralleling power conditioning systems [J]. Proceedings of the CSEE, 2013,33(13):127-134.

[4] 丁明,张颖媛,茆美琴.微网研究中的关键技术[J].电网技术,2009,33(11): 6-11.

DING Ming,ZHANG Yingyuan,MAO Meiqin. Key technologies for microgrids being researched [J]. Power System Technology, 2009, 33(11): 6-11.

[5] REIGOSA D, BRIZ F, BLANCO C, et al. Active islanding detection for multiple parallel-connected inverter-based distributed generators using high-frequency signal injection [J]. IEEE Transactions on Power Electronics, 2014,29(3): 1192-1199.

[6] ZHANG J, XU D H, SHEN G Q, et al. An improved islanding detection method for a grid-connected inverter with intermittent bilateral reactive power variation [J]. IEEE Transactions on Power Electronics, 2013, 28(1): 268-278.

[7] 刘芙蓉,康勇,王辉,等.主动移相式孤岛检测的一种改进的算法[J].电工技术学报,20l0,25 (3):172-176.

LIU Furong,KANG Yong,WANG Hui,et a1.An improved active phase-shift method for islanding detection [J].Transactions of China Electro-technical Society,2010,25(3):172-176.

[8] 刘方锐, 余蜜, 张宇, 等. 主动移频法在光伏并网逆变器并联运行下的孤岛检测机理研究[J].中国电机工程学报, 2009,29(12):47-51.

LIU Fangrui, YU Mi, ZHANG Yu, et al. Islanding detection evaluation for active frequency drifting methods in multiple photovoltaic grid-connected converters [J]. Proceedings of the CSEE， 2009,29(12):47-51.

[9] YU B Y, MATSUI M, YU G J. A correlation-based islanding-detection method using current-magnitude disturbance for PV system[J]. IEEE Transactions on Industrial Electronics, 2011, 58(7): 2935-2943.

[10] CAI W, LIU B Y, DUAN S X, et al. An islanding detection method based on dual-frequency harmonic current injection under grid impedance unbalanced condition[J]. IEEE Transactions on Industrial Informatics, 2013,9(2): 1178-1187.

[11] ZHU Y, XU D H, HE N, et al. A novel RPV (reactive-power-variation) anti-islanding method based on adapted reactive power perturbation[J]. IEEE Transactions on Power Electronics, 2013, 28(11): 4998-5012.

[12] 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, 2014,34(4): 537-544.

XIE Dong, ZHANG Xing, CAO Renxian. Islanding detection based on wavelet transform and neural network [J].Proceedings of the CSEE, 2014,34(4): 537-544.

[13] STEPHANE G Mallat. A theory for multiresolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.

[14] INGRID Daubechies. Orthonormal bases of compactly supported wavelets [J]. Communication on Pure and Applied Mathematics, 1988, 41(11): 909-996.

[15] PIGAZO A,LISERRE M,MASTROMAURO R,et al. Wavelet-based islanding detection in grid-connected PV systems[J].IEEE Transactions on Industrial Electronics,2009,56(11):4445-4455.

(编辑：刘琳琳)

Applied research of WT-ANFIS in islanding detection

ZHOU Hao1,3, LI Wei-gang2, TONG Chao-nan1, LI Wei-li3, MAO Mei-qin4

(1.School of Automation & Electronic Engineer, University of Science and Technology Beijing, Beijing 100083, China;2.College of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China;3.School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044, China;4.Research Center for PV System Engineering Ministry of Education, Hefei University of Technology, Hefei 230009, China)

The detecting time is long and non-detection zone (NDZ) is large for traditional passive islanding detection methods, while active methods have some negative effects on power quality. A novel islanding detection method was proposed based on wavelet transform (WT) and adaptive network based fuzzy inference system (ANFIS). Firstly, output current of inverter and the voltage of point of common coupling (PCC) were gathered, and then WT was adopted to analyze the current signal and the voltage signal. Secondly, the detail signals on all levels were used to extract characteristic vectors. Lastly, ANFIS used these characteristic vectors to pattern recognition and determine whether there was an island phenomenon. The simulation and experiment results show that the proposed method has the advantages that detecting time is short and non-detection zone (NDZ) is small and effectively identify all kinds of load conditions such as the power of grid-connected inverter match and mismatch the one of local loads,and can be used for single-phase and three-phases photovoltaic grid-connected system.

islanding detection; wavelet transform (WT); adaptive network based fuzzy inference system (ANFIS); detail signals; characteristic vectors

2014-07-16

国家自然科学基金(51205018)

周 皓(1978—)，男，博士，研究方向为光伏并网发电技术，光伏储能技术；

李维刚(1977—)，男，博士，高级工程师，研究方向为工业过程控制，复杂系统仿真与建模；

李维刚

10.15938/j.emc.2016.01.006

TM 615

A

1007-449X(2016)01-0035-08

童朝南(1955—)，男，教授，博士生导师，研究方向为生产过程控制、自动化技术及计算机仿真、大型过程控制系统集成；

李伟力(1962—)，男，博士，教授，博士生导师，研究方向为新型清洁能源机电转换装备研究，特种电机理论与控制研究；

茆美琴(1961—)，女，教授，博士生导师，研究方向为电力电子技术在可再生能源发电系统中的应用。