具有增量学习能力的智能孤岛检测方法

基于机器学习的智能孤岛检测方法能有效地提高防孤岛保护的性能,但现有方法皆采用离线学习方案,对配电网因运行条件变化而导致的概念漂移现象缺乏自适应性。提出了一种具有在线增量学习能力的孤岛检测方法。首先,提出利用保护自采数据以及数据采集与监视控制(SCADA)系统采集的开关状态构成原始样本,并基于增量聚类方法进行样本筛选,实现有效样本的在线积累;然后,以各子样本集对系统最新状况的分类性能作为竞争准则,提出了一种样本集的优选方法,并利用加权支持向量机完成了增量学习。仿真结果表明,所提方法能够自主探测概念漂移的发生并进行持续的学习,有效地提高了孤岛检测的准确性和自适应性。