1.本发明涉及电力设备技术领域，尤其涉及一种孤岛检测模型训练方法、装置、设备和介质。
背景技术：2.分布式电源能否快速准确判断自身的孤岛运行状态，是保证微电网运行过程中人身及设备安全的必要条件，提高孤岛检测的准确率和检测效率有助于分布式电源、配网主站和子站系统根据预定策略做出运行方式改变的准确判断，能够及时消除由于未知孤岛运行状态导致的人身及设备安全隐患，确保电网可靠供电。
3.现有的孤岛检测方法包括主动注入和被动阈值，其中主动注入会给电网带来电能质量恶化的影响，被动阈值的检测准确率和检测时间相对较差，无法做到及时、准确对分布式电源的孤岛状态进行检测，存在检测盲区大、检测时间长等缺点。
技术实现要素：4.本发明提供了一种孤岛检测模型训练方法、装置、设备和介质，以解决现有技术中电网中孤岛检测的时间长，检测盲区大，检测准确率低等问题。
5.为解决上述问题，本发明第一方面实施例提出了一种基于支持向量机的孤岛检测模型训练方法，包括以下步骤：
6.获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；
7.根据每组所述三相瞬时电压，计算每组所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的数据集，其中，所述数据集包括训练集；
8.将所述训练集作为基于支持向量机的孤岛检测模型的输入，训练所述基于支持向量机的孤岛检测模型，得到所述基于支持向量机的孤岛检测模型的模型参数；
9.基于所述模型参数，得到所述基于支持向量机的孤岛检测模型。
10.根据本发明的一个实施例，所述数据集还包括测试集；
11.在得到所述基于支持向量机的孤岛检测模型后，还包括：
12.将所述测试集作为所述基于支持向量机的孤岛检测模型的输入，测试所述基于支持向量机的孤岛检测模型，得到测试得分。
13.根据本发明的一个实施例，在形成由所述三相瞬时电压的均方根值组成的数据集之后，还包括以下步骤：
14.将所述数据集均分为多个部分，其中一个部分作为所述测试集，其余各部分均作为所述训练集；
15.其中，将第1个部分作为所述测试集，第2至最后一个部分作为所述训练集，能够得到所述基于支持向量机的孤岛检测模型的第一模型参数、第一测试得分；
16.将第i个部分作为所述测试集，第1、......、第i-1、第i+1至最后一个部分作为所
述训练集，能够得到所述基于支持向量机的孤岛检测模型的第i模型参数、第i测试得分，其中，i为正整数；
17.依次类推，将最后一个部分作为所述测试集，第1至倒数第二个部分作为所述训练集，能够得到所述基于支持向量机的孤岛检测模型的最后一个模型参数、最后一个测试得分；
18.比较所述第一测试得分至所述最后一个测试得分，将得到最高测试得分对应的模型参数，作为所述基于支持向量机的孤岛检测模型的最终模型参数。
19.根据本发明的一个实施例，所述仿真孤岛电网中n种状态包括：
20.有功功率不匹配情况和无功功率不匹配情况中的任意两组数值组合形成的n种状态。
21.根据本发明的一个实施例，所述有功功率不匹配情况满足以下条件：
22.其中，δp代表有功功率缺额，p
dg
代表分布式发电有功功率输出；
23.且，所述无功功率不匹配情况满足以下条件：
24.其中，δq代表无功功率缺额，q
dg
代表分布式发电无功功率输出。
25.根据本发明的一个实施例，所述仿真非孤岛电网中m种状态包括：
26.非孤岛电网中正常运行情况、故障情况、负荷切换情况或电容投切情况中的一种或多种情况的仿真次数总和的值为m形成的m种状态。
27.根据本发明的一个实施例，所述故障情况包括：单相接地故障情况、相间故障情况、两相接地故障情况、三相故障情况或三相接地故障情况中的一种或多种；
28.其中，故障过程中，故障过渡电阻的阻值满足条件：rf＝1～2kω。
29.根据本发明的一个实施例，当非孤岛电网中的正常运行情况、故障情况、负荷切换情况或电容投切情况中的多种情况的仿真次数总和的值为m形成的m种状态时，多种情况中每种情况的仿真次数均分m。
30.根据本发明的一个实施例，所述仿真孤岛电网中n种状态中的n，与所述仿真非孤岛电网中m种状态中的m相等。
31.根据本发明的一个实施例，在得到所述基于支持向量机的孤岛检测模型之后，还包括：
32.将所述基于支持向量机的孤岛检测模型置于实际运行工况中进行孤岛检测；
33.根据预设频率阈值判断所述实际运行工况是否处于孤岛状态；
34.当根据所述预设频率阈值判断所述实际运行工况处于孤岛状态，所述基于支持向量机的孤岛检测模型输出的结果仍为非孤岛状态时，获取所述根据所述预设频率阈值判断所述实际运行工况处于孤岛状态的判断点前预设时间内的三相瞬时电压；
35.根据每组所述三相瞬时电压计算所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的修正训练集；
36.根据所述修正训练集更新所述训练集，重新训练所述基于支持向量机的孤岛检测
模型，得到所述基于支持向量机的孤岛检测模型的更新参数；
37.根据所述更新参数得到修正后的所述基于支持向量机的孤岛检测模型。
38.为解决上述问题，本发明第二方面实施例提出了一种基于支持向量机的孤岛检测模型训练装置，包括：
39.获取模块，用于获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；
40.数据集形成模块，用于根据每组所述三相瞬时电压，计算每组所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的数据集，其中，所述数据集包括训练集；
41.训练模块，用于将所述训练集作为基于支持向量机的孤岛检测模型的输入，训练所述基于支持向量机的孤岛检测模型，得到所述基于支持向量机的孤岛检测模型的模型参数；
42.模型获取模块，用于基于所述模型参数，得到所述基于支持向量机的孤岛检测模型。
43.为解决上述问题，本发明第三方面实施例提出了一种电子设备，所述电子设备包括：
44.至少一个处理器；以及
45.与所述至少一个处理器通信连接的存储器；其中，
46.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于支持向量机的孤岛检测模型训练方法。
47.为解决上述问题，本发明第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于支持向量机的孤岛检测模型训练方法。
48.根据本发明实施例提出的孤岛检测模型训练方法，包括以下步骤：获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；根据每组三相瞬时电压，计算每组三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的数据集，其中，数据集包括训练集；将训练集作为基于支持向量机的孤岛检测模型的输入，训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的模型参数；基于模型参数，得到基于支持向量机的孤岛检测模型。由此，通过对仿真孤岛电网，以及仿真非孤岛电网处于不同状态下的三相瞬时电压进行取样，并计算每组三相瞬时电压的均方根值，使得每组三相瞬时电压中的单个电压特征被放大，从而使得由三相瞬时电压的均方根值组成的训练集训练的基于支持向量机的孤岛检测模型准确率更高。另外，通过基于支持向量机的孤岛检测模型，检测时间更短，检测盲区小，检测准确率更高。
49.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
50.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1是本发明实施例提出的孤岛检测模型训练方法流程图；
52.图2是本发明一个实施例提出的孤岛检测模型训练方法流程图；
53.图3是本发明另一个实施例提出的孤岛检测模型训练方法流程图；
54.图4是本发明又一个实施例提出的孤岛检测模型训练方法流程图；
55.图5是本发明实施例提出的孤岛检测模型训练方法中频率采集的示意图；
56.图6是本发明实施例提出的孤岛检测模型训练装置的方框示意图；
57.图7是实现本发明实施例的孤岛检测模型训练方法的电子设备的结构示意图。
具体实施方式
58.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
59.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
60.图1是本发明实施例提出的孤岛检测模型训练方法流程图。如图1所示，该训练方法包括以下步骤：
61.s101，获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；
62.可以理解的是，仿真孤岛电网下具有好几百甚至上千种状态，现在仅在孤岛电网下仿真n种状态，同样的，仿真非孤岛电网下也具有好几百甚至上千种状态，现在仅在非孤岛电网下仿真m种状态。仿真软件可以为rtds仿真软件(实时数字仿真仪，real time digital simulator)，即可以通过rtds仿真搭建不同状态的孤岛电网和非孤岛电网。
63.其中，孤岛电网是指由多组小型发电系统相互联合构建的局域性电网，其发电系统及负荷构成一个可自力运行的孤网系统，孤岛由于各种调频手段限制以及无功补偿控制手段不足，静态稳定性和动态稳定性都较差，有功不平衡发生时一般经过较长时间的发电调整才能恢复，甚至出现频率崩溃和电压崩溃现象，由此，一般与其他电网并网使用，即形成非孤岛电网，当非孤岛电网运行时，需要实时检测是否发生孤岛现象，以使得工作人员及时检修电网，避免形成孤岛电网造成危险。
64.由于在孤岛电网出现时，整个电网的三相瞬时电压会发生改变，进而，通过获取三
相瞬时电压来训练孤岛检测模型。
65.其中，获取仿真孤岛电网下n种状态的三相瞬时电压，即可以获取n组三相瞬时电压；获取仿真非孤岛电网下m种状态的三相瞬时电压，即可以获取m组三相瞬时电压。n跟m的值可以根据实际情况(训练的服务器性能，想要的模型的精确度等)进行设定，本发明对此不作具体限定。
66.s102，根据每组三相瞬时电压，计算每组三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的数据集，其中，数据集包括训练集；
67.需要说明的是，对步骤s101中的n组三相瞬时电压和m组三相瞬时电压中的每组三相瞬时电压计算其的均方根值，比如，将三相瞬时电压记为ua、ub、uc,则均方根值为在以上的n种状态和m种状态下仿真得到的数据集，并进行向量转换后可以记为ф＝(x1,...,xi,...,xn)
t
,其中i∈[1,n]代表仿真序号，xi代表仿真过程中采集到的三相瞬时电压均方根的值，其中，可以每仿真一次采样一次三相瞬时电压，n为采集的三相瞬时电压的次数，n可以为n与m的和。也可以仿真一次采样总时长优选为40毫秒，采样频率优选为500hz，这样可以增加数据集的数量。可以理解的是，三相瞬时电压经过均方根处理后，均方根一个值可以对三相瞬时电压同时进行反映，进而三相瞬时电压单相电压发生的改变被放大，这样训练的模型的准确率更高。
[0068]
s103，将训练集作为基于支持向量机的孤岛检测模型的输入，训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的模型参数；
[0069]
其中，可以根据支持向量机来构建基于支持向量机的孤岛检测模型，作为优选，该基于支持向量机的孤岛检测模型显性表达式如下：
[0070][0071]
其中，m代表支持向量的个数，ks代表对应支持向量的系数，γ∈(0,+∞)是支持向量机的核函数参数，xi代表输入向量，xs代表支持向量，b代表超平面偏置。
[0072]
由此，将步骤s102中获取的训练集置入基于支持向量机的孤岛检测模型中对该模型进行训练，最终得到ks、xs和b模型参数。
[0073]
s104，基于模型参数，得到基于支持向量机的孤岛检测模型。
[0074]
根据本发明的一个实施例，如图2所示，数据集还包括测试集；
[0075]
在得到基于支持向量机的孤岛检测模型后，还包括：
[0076]
s105，将测试集作为基于支持向量机的孤岛检测模型的输入，测试基于支持向量机的孤岛检测模型，得到测试得分。即通过测试集来测试孤岛检测模型，以判断步骤s103得到的参数是否处于最优。
[0077]
由此，通过步骤s101至步骤s105，训练得到了基于支持向量机的孤岛检测模型，该模型可以置于实际工况中进行使用，实际使用过程中将三相瞬时电压的均方根作为输入，模型会输出当前工况是否处于孤岛运行状态，实际使用时采集三相瞬时电压的频率优选为500hz(如图5所示)，大大缩短了判断是否处于孤岛的时间，减少了检测时间，并且通过三相
瞬时电压的均方根作为输入，检测准确率更高，有利于提升检测准确率。
[0078]
根据本发明的一个具体实施例，如图3所示，在形成由三相瞬时电压的均方根值组成的数据集之后，还包括以下步骤：
[0079]
s201，将数据集均分为多个部分，其中一个部分作为测试集，其余各部分均作为训练集；
[0080]
举例来说，将数据集可以均分为三个部分，第一部分、第二部分和第三部分；
[0081]
s202,其中，将第1个部分作为测试集，第2至最后一个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的第一模型参数、第一测试得分；
[0082]
也就是将第二部分和第三部分作为训练集获取第一模型参数、将第一部分作为测试集得到第一测试得分。
[0083]
s203,将第i个部分作为测试集，第1、......、第i-1、第i+1至最后一个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的第i模型参数、第i测试得分，其中，i为正整数；
[0084]
其中，i＝2，也就是将第一部分和第三部分作为训练集获取第二模型参数、将第二部分作为测试集得到第二测试得分。
[0085]
s204,依次类推，将最后一个部分作为测试集，第1至倒数第二个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的最后一个模型参数、最后一个测试得分；
[0086]
也就是将第一部分和第二部分作为训练集获取第三模型参数、将第三部分作为测试集得到第三测试得分。
[0087]
s205,比较第一测试得分至最后一个测试得分，将得到最高测试得分对应的模型参数，作为基于支持向量机的孤岛检测模型的最终模型参数。
[0088]
选取测试得分最高的测试集对应的训练集训练的模型参数，作为基于支持向量机的孤岛检测模型的最终模型参数，在实际使用时，就使用该模型对实际工况进行判断。由此，在数据集量本身比较少时，可以通过上述方法增加训练次数，进而，最终可以获取更优的模型。
[0089]
根据本发明的一个实施例，仿真孤岛电网中n种状态包括：
[0090]
有功功率不匹配情况和无功功率不匹配情况中的任意两组数值组合形成的n种状态。
[0091]
优选地，有功功率不匹配情况满足以下条件：
[0092]
其中，δp代表有功功率缺额，p
dg
代表分布式发电有功功率输出；
[0093]
且，无功功率不匹配情况满足以下条件：
[0094]
其中，δq代表无功功率缺额，q
dg
代表分布式发电无功功率输出。
[0095]
可以理解的是，有功功率不匹配与无功功率不匹配的值可以相同，比如均为-0.1，0，0.1等，也可以不同，比如有功功率不匹配为0，无功功率不匹配的值为0.1，或者有功功率不匹配为0.1，无功功率不匹配的值为0，以上情况均可，可以根据训练服务器本身的性能参数，以及仿真难易程度来确定n的值，有功功率不匹配的值与无功功率不匹配的值均在上述
的限定范围内即可，n的值越大，数据集的量越多，最终的训练的模型越好。
[0096]
需要说明的是，仿真孤岛情况为n次时，可以获取n个三相瞬时电压。
[0097]
根据本发明的一个实施例，仿真非孤岛电网中m种状态包括：
[0098]
非孤岛电网中正常运行情况、故障情况、负荷切换情况或电容投切情况中的一种或多种情况的仿真次数总和的值为m形成的m种状态。
[0099]
可以理解的是，非孤岛电网中一般具有正常运行情况、故障情况、负荷切换情况或电容投切情况四种情况，在实际仿真时，根据实际仿真难易程度决定可以仅仿真其中一种情况，或几种情况。比如仅仿真一种情况时，仿真的是正常运行情况时，仿真正常运行情况m次。仅仿真故障情况时，仿真故障情况m次。其余两种情况相同，在此不再赘述。比如仿真的为正常运行情况和故障情况两种情况时，在这两种情况下，仿真的次数正常运行情况和故障情况两种情况总共应该为m次。比如仿真的为正常运行情况、故障情况两种情况和负荷切换情况时，在这三种情况下，仿真的次数正常运行情况和故障情况、负荷切换情况三种情况总共应该为m次。仿真的情况越多，m的值设置的越大，数据集的量越多，最终的训练的模型越好。
[0100]
需要说明的是，当仿真的情况为正常运行情况时，可以改变正常运行情况的电网参数，仿真次数仿真m次，最终获取m个三相瞬时电压。其他情况参见上述解释，此处不再赘述。
[0101]
根据本发明的一个实施例，故障情况包括：单相接地故障情况、相间故障情况、两相接地故障情况、三相故障情况或三相接地故障情况中的一种或多种；
[0102]
其中，故障过程中，故障过渡电阻的阻值满足条件：rf＝1～2kω。
[0103]
可以理解的是，故障情况有上述五种情况，在仿真时，可以仿真其中的一种故障情况，或者仿真多种故障情况，比如仿真的仅为故障情况时，那么仿真的故障情况次数为m次，如果故障情况中的两种故障情况时，这两种故障情况的仿真次数和为m次。比如仿真的为正常运行情况和故障情况(故障情况有两种)两种情况时，在这三种情况下，仿真的次数总共应该为m次。
[0104]
根据本发明的一个实施例，当非孤岛电网中的正常运行情况、故障情况、负荷切换情况或电容投切情况中的多种情况的仿真次数总和的值为m形成的m种状态时，多种情况中每种情况的仿真次数均分m。
[0105]
也就是说，比如仿真的为正常运行情况和故障情况两种情况时，在这两种情况下，总共的仿真次数应该为m次，那么正常运行情况仿真次数应该为m/2次,故障情况仿真的次数应该为m/2次。如果故障情况有两种，那么正常运行情况仿真的次数应该为m/3次，另外两种故障情况的仿真的次数分别应该为m/3次。最终获取的三相瞬时电压次数也如此均分，这样使得获取的数据集分布更加均匀，有利于提高模型训练的准确度。
[0106]
根据本发明的一个实施例，仿真孤岛电网中n种状态中的n，与仿真非孤岛电网中m种状态中的m相等。
[0107]
也就是说，n与m相等，仿真孤岛电网的总次数与仿真非孤岛电网的总次数相等，这样同样使得获取的数据集分布更加均匀，有利于提高模型训练的准确度。
[0108]
总之，仿真的情况越多，采集的三相瞬时电压越多，最终训练的模型越精确，但是太多的仿真次数，以及三相瞬时电压的采集越多，计算量越大，越复杂，如果太少，模型又比
较粗糙，不够准确，进而根据实际情况选取合适的n与m比较重要，优选地，n＝m＝300～1000。
[0109]
根据本发明的一个实施例，如图4所示，在得到基于支持向量机的孤岛检测模型之后，还包括：
[0110]
s301，将基于支持向量机的孤岛检测模型置于实际运行工况中进行孤岛检测；
[0111]
其中，将基于支持向量机的孤岛检测模型置于实际运行工况中时，可以以500hz的采样频率(如图5所示)采集三相瞬时电压，并计算三相瞬时电压的均方根，该模型将三相瞬时电压的均方根来输出实际运行工况状态为孤岛状态或者非孤岛状态，并且如果模型训练全面还可以输出非孤岛状态下的正常情况、故障情况、负荷切换情况或电容投切情况中的一种。
[0112]
s302，根据预设频率阈值判断实际运行工况是否处于孤岛状态；
[0113]
其中，预设频率阈值可以为f
smp
＜49.5hz∨f
smp
＞50.5hz，检测频率的频率可以为0.1hz，当采集的频率小于49.5hz或者大于50.5hz时，说明当前的实际工况处于孤岛状态。
[0114]
步骤s301与步骤s302的先后顺序可以不限定。
[0115]
s303，当根据预设频率阈值判断实际运行工况处于孤岛状态，基于支持向量机的孤岛检测模型输出的结果仍为非孤岛状态时，获取根据预设频率阈值判断实际运行工况处于孤岛状态的判断点前预设时间内的三相瞬时电压；
[0116]
可以理解的是，当通过预设频率阈值判断实际运行工况处于孤岛状态时，说明此时，实际运行工况处于孤岛状态，但是如果基于支持向量机的孤岛检测模型输出的结果仍为非孤岛状态，说明之前训练所得的孤岛检测模型有误判，需要修正。此时，获取根据预设频率阈值判断实际运行工况处于孤岛状态的判断点前预设时间内的三相瞬时电压，预设时间可以为1s，比如是在当前时刻判断的实际运行工况处于孤岛状态，那么从此刻往前数1s，保存该1s以内的多组三相瞬时电压。
[0117]
在其他的实施例中，优选的，取1秒内采样点所监测频率首次低于49.9hz或高于50.1hz的时间为起始点，保存起始点以后60ms内的三相电压瞬时值数据。
[0118]
s304，根据每组三相瞬时电压计算三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的修正训练集；
[0119]
其中，修正训练集可以为xg，xg＝(rms
u1
,...,rms
u30
)。
[0120]
s305，根据修正训练集更新训练集，重新训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的更新参数；
[0121]
之前的训练集为ф＝(x1,...,xi,...,xn)
t
，根据xg＝(rms
u1
,...,rms
u30
)来更新训练集为фg＝(x1,...,xi,...,xn，xg)
t
。进而通过更新后的фg来重新训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的更新参数，使得模型得到修正。
[0122]
s306，根据更新参数得到修正后的基于支持向量机的孤岛检测模型。
[0123]
由此，通过修正后的基于支持向量机的孤岛检测模型，再次置入实际工况中进行孤岛检测，该检测模型准确率更高。
[0124]
在获取该修正后的基于支持向量机的孤岛检测模型后，还可以对其测试，测试之后，再投入使用。
[0125]
综上所述，根据本发明实施例提出的孤岛检测模型训练方法，包括以下步骤：获取
仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；根据每组三相瞬时电压，计算每组三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的数据集，其中，数据集包括训练集；将训练集作为基于支持向量机的孤岛检测模型的输入，训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的模型参数；基于模型参数，得到基于支持向量机的孤岛检测模型。由此，通过对仿真孤岛电网，以及仿真非孤岛电网处于不同状态下的三相瞬时电压进行取样，并计算每组三相瞬时电压的均方根值，使得每组三相瞬时电压中的单个电压特征被放大，从而使得由三相瞬时电压的均方根值组成的训练集训练的基于支持向量机的孤岛检测模型准确率更高。另外，通过基于支持向量机的孤岛检测模型，检测时间更短，检测盲区小，检测准确率更高。
[0126]
图6是本发明实施例提出的孤岛检测模型训练装置的方框示意图。如图6所示，该装置包括：
[0127]
获取模块101，用于获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；
[0128]
数据集形成模块102，用于根据每组三相瞬时电压，计算每组三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的数据集，其中，数据集包括训练集；
[0129]
训练模块103，用于将训练集作为基于支持向量机的孤岛检测模型的输入，训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的模型参数；
[0130]
模型获取模块104，用于基于模型参数，得到基于支持向量机的孤岛检测模型。
[0131]
根据本发明的一个实施例，数据集还包括测试集；该装置还包括：
[0132]
测试模块，用于将测试集作为基于支持向量机的孤岛检测模型的输入，测试基于支持向量机的孤岛检测模型，得到测试得分。
[0133]
根据本发明的一个实施例，该装置还包括：
[0134]
数据集划分模块，用于将数据集均分为多个部分，其中一个部分作为测试集，其余各部分均作为训练集；
[0135]
所述训练模块用于将第1个部分作为测试集，第2至最后一个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的第一模型参数、第一测试得分；
[0136]
将第i个部分作为测试集，第1、......、第i-1、第i+1至最后一个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的第i模型参数、第i测试得分，其中，i为正整数；
[0137]
依次类推，将最后一个部分作为测试集，第1至倒数第二个部分作为训练集，能够得到基于支持向量机的孤岛检测模型的最后一个模型参数、最后一个测试得分；
[0138]
比较模块，用于比较第一测试得分至最后一个测试得分，将得到最高测试得分对应的模型参数，作为基于支持向量机的孤岛检测模型的最终模型参数。
[0139]
根据本发明的一个实施例，仿真孤岛电网中n种状态包括：
[0140]
有功功率不匹配情况和无功功率不匹配情况中的任意两组数值组合形成的n种状态。
[0141]
根据本发明的一个实施例，有功功率不匹配情况满足以下条件：
[0142]
其中，δp代表有功功率缺额，p
dg
代表分布式发电有功功率输出；
[0143]
且，无功功率不匹配情况满足以下条件：
[0144]
其中，δq代表无功功率缺额，q
dg
代表分布式发电无功功率输出。
[0145]
根据本发明的一个实施例，仿真非孤岛电网中m种状态包括：
[0146]
非孤岛电网中正常运行情况、故障情况、负荷切换情况或电容投切情况中的一种或多种情况的仿真次数总和的值为m形成的m种状态。
[0147]
根据本发明的一个实施例，故障情况包括：单相接地故障情况、相间故障情况、两相接地故障情况、三相故障情况或三相接地故障情况中的一种或多种；
[0148]
其中，故障过程中，故障过渡电阻的阻值满足条件：rf＝1～2kω。
[0149]
根据本发明的一个实施例，当非孤岛电网中的正常运行情况、故障情况、负荷切换情况或电容投切情况中的多种情况的仿真次数总和的值为m形成的m种状态时，多种情况中每种情况的仿真次数均分m。
[0150]
根据本发明的一个实施例，仿真孤岛电网中n种状态中的n，与仿真非孤岛电网中m种状态中的m相等。
[0151]
根据本发明的一个实施例，该装置还包括：
[0152]
模型检测模块，用于将基于支持向量机的孤岛检测模型置于实际运行工况中进行孤岛检测；
[0153]
频差检测模块，用于根据预设频率阈值判断实际运行工况是否处于孤岛状态；
[0154]
所述获取模块还用于当根据预设频率阈值判断实际运行工况处于孤岛状态，基于支持向量机的孤岛检测模型输出的结果仍为非孤岛状态时，获取根据预设频率阈值判断实际运行工况处于孤岛状态的判断点前预设时间内的三相瞬时电压；
[0155]
所述数据集形成模块还用于根据每组三相瞬时电压计算三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的修正训练集；
[0156]
更新修正模块，用于根据修正训练集更新训练集，重新训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的更新参数；
[0157]
模型获取模块还用于根据更新参数得到修正后的基于支持向量机的孤岛检测模型。
[0158]
本发明实施例所提供的孤岛检测模型的训练装置可执行本发明任意实施例所提供的孤岛检测模型的训练方法，具备执行方法相应的功能模块和有益效果，此处不再赘述。
[0159]
图7示出了可以用来实施本发明的实施例的电子设备的结构示意图。
[0160]
电子设备10包括：
[0161]
至少一个处理器；以及
[0162]
与至少一个处理器通信连接的存储器；其中，
[0163]
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例所述的基于支持向量机的孤岛检测模型训练方法。
[0164]
本发明第四方面实施例提出了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例所述的基于支持
向量机的孤岛检测模型训练方法。
[0165]
电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0166]
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0167]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0168]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于支持向量机的孤岛检测模型训练方法。
[0169]
在一些实施例中，基于支持向量机的孤岛检测模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的基于支持向量机的孤岛检测模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于支持向量机的孤岛检测模型训练方法。
[0170]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0171]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在
机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0172]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0173]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0174]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0175]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0176]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0177]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
技术特征：1.一种基于支持向量机的孤岛检测模型训练方法，其特征在于，包括以下步骤：获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；根据每组所述三相瞬时电压，计算每组所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的数据集，其中，所述数据集包括训练集；将所述训练集作为基于支持向量机的孤岛检测模型的输入，训练所述基于支持向量机的孤岛检测模型，得到所述基于支持向量机的孤岛检测模型的模型参数；基于所述模型参数，得到所述基于支持向量机的孤岛检测模型。2.根据权利要求1所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述数据集还包括测试集；在得到所述基于支持向量机的孤岛检测模型后，还包括：将所述测试集作为所述基于支持向量机的孤岛检测模型的输入，测试所述基于支持向量机的孤岛检测模型，得到测试得分。3.根据权利要求2所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，在形成由所述三相瞬时电压的均方根值组成的数据集之后，还包括以下步骤：将所述数据集均分为多个部分，其中一个部分作为所述测试集，其余各部分均作为所述训练集；其中，将第1个部分作为所述测试集，第2至最后一个部分作为所述训练集，能够得到所述基于支持向量机的孤岛检测模型的第一模型参数、第一测试得分；将第i个部分作为所述测试集，第1、......、第i-1、第i+1至最后一个部分作为所述训练集，能够得到所述基于支持向量机的孤岛检测模型的第i模型参数、第i测试得分，其中，i为正整数；依次类推，将最后一个部分作为所述测试集，第1至倒数第二个部分作为所述训练集，能够得到所述基于支持向量机的孤岛检测模型的最后一个模型参数、最后一个测试得分；比较所述第一测试得分至所述最后一个测试得分，将得到最高测试得分对应的模型参数，作为所述基于支持向量机的孤岛检测模型的最终模型参数。4.根据权利要求1所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述仿真孤岛电网中n种状态包括：有功功率不匹配情况和无功功率不匹配情况中的任意两组数值组合形成的n种状态。5.根据权利要求4所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述有功功率不匹配情况满足以下条件：其中，δp代表有功功率缺额，p
dg
代表分布式发电有功功率输出；且，所述无功功率不匹配情况满足以下条件：其中，δq代表无功功率缺额，q
dg
代表分布式发电无功功率输出。6.根据权利要求1所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述仿真非孤岛电网中m种状态包括：
非孤岛电网中正常运行情况、故障情况、负荷切换情况或电容投切情况中的一种或多种情况的仿真次数总和的值为m形成的m种状态。7.根据权利要求6所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述故障情况包括：单相接地故障情况、相间故障情况、两相接地故障情况、三相故障情况或三相接地故障情况中的一种或多种；其中，故障过程中，故障过渡电阻的阻值满足条件：r
f
＝1～2kω。8.根据权利要求6所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，当非孤岛电网中的正常运行情况、故障情况、负荷切换情况或电容投切情况中的多种情况的仿真次数总和的值为m形成的m种状态时，多种情况中每种情况的仿真次数均分m。9.根据权利要求1所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，所述仿真孤岛电网中n种状态中的n，与所述仿真非孤岛电网中m种状态中的m相等。10.根据权利要求1-9任一项所述的基于支持向量机的孤岛检测模型训练方法，其特征在于，在得到所述基于支持向量机的孤岛检测模型之后，还包括：将所述基于支持向量机的孤岛检测模型置于实际运行工况中进行孤岛检测；根据预设频率阈值判断所述实际运行工况是否处于孤岛状态；当根据所述预设频率阈值判断所述实际运行工况处于孤岛状态，所述基于支持向量机的孤岛检测模型输出的结果仍为非孤岛状态时，获取所述根据所述预设频率阈值判断所述实际运行工况处于孤岛状态的判断点前预设时间内的三相瞬时电压；根据每个所述三相瞬时电压计算所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的修正训练集；根据所述修正训练集更新所述训练集，重新训练所述基于支持向量机的孤岛检测模型，得到所述基于支持向量机的孤岛检测模型的更新参数；根据所述更新参数得到修正后的所述基于支持向量机的孤岛检测模型。11.一种基于支持向量机的孤岛检测模型训练装置，其特征在于，包括：获取模块，用于获取仿真孤岛电网中n种状态下、以及仿真非孤岛电网中m种状态下的三相瞬时电压，其中，n,m均为正整数；数据集形成模块，用于根据每组所述三相瞬时电压，计算每组所述三相瞬时电压的均方根值，形成由所述三相瞬时电压的均方根值组成的数据集，其中，所述数据集包括训练集；训练模块，用于将所述训练集作为基于支持向量机的孤岛检测模型的输入，训练所述基于支持向量机的孤岛检测模型，得到所述基于支持向量机的孤岛检测模型的模型参数；模型获取模块，用于基于所述模型参数，得到所述基于支持向量机的孤岛检测模型。12.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的基于支持向量机的孤岛检测模型训练方法。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指
令，所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的基于支持向量机的孤岛检测模型训练方法。
技术总结本发明公开了一种孤岛检测模型训练方法、装置、设备和介质，方法包括：获取仿真孤岛电网中N种状态下、以及仿真非孤岛电网中M种状态下的三相瞬时电压；根据每组三相瞬时电压，计算每组三相瞬时电压的均方根值，形成由三相瞬时电压的均方根值组成的数据集，其中，数据集包括训练集；将训练集作为基于支持向量机的孤岛检测模型的输入，训练基于支持向量机的孤岛检测模型，得到基于支持向量机的孤岛检测模型的模型参数；基于模型参数，得到基于支持向量机的孤岛检测模型。由此，通过计算每组三相瞬时电压的均方根值，对每组三相瞬时电压中的单个电压特征被放大，从而使得基于支持向量机的孤岛检测模型准确率更高。岛检测模型准确率更高。岛检测模型准确率更高。
技术研发人员：陈智聪 邓旭 王文锋 邓美玲
受保护的技术使用者：广东电网有限责任公司韶关供电局
技术研发日：2022.03.16
技术公布日：2022/7/5
