买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利应用于直流微电网的RUSBoost孤岛检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116973654B 。

龙图腾网通过国家知识产权局官网在2026-04-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310703800.9，技术领域涉及：G01R31/00；该发明授权应用于直流微电网的RUSBoost孤岛检测方法是由支娜;邱吉林;米晓彬;杨宇航;周红芳;张航设计研发完成，并于2023-06-14向国家知识产权局提交的专利申请。

本应用于直流微电网的RUSBoost孤岛检测方法在说明书摘要公布了：本发明公开了应用于直流微电网的RUSBoost孤岛检测方法，具体为：分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集；将历史数据作为训练集，并进行预处理，形成训练样本集；基于分类与回归树决策树完成孤岛弱分类器的构建，利用混淆矩阵评估模型正确性，建立基于RUSBoost的孤岛检测模型；将构建的基于RUSBoost的孤岛检测模型应用于微电网系统中，根据电压电流实时数据进行并网与孤岛状态的分类。本发明方法，将机器学习中的集成分类算法应用在直流微电网中，解决了现有检测方法检测速度慢且准确率低的问题。

本发明授权应用于直流微电网的RUSBoost孤岛检测方法在权利要求书中公布了：1.应用于直流微电网的RUSBoost孤岛检测方法，其特征在于，具体按照以下步骤进行： 步骤1、分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集；具体为： 步骤1.1、直流微电网在并网运行时，分布式电源、负载及电网三者功率处于动态平衡，建立直流微电网功率平衡关系式，如式1所示； 1； 其中，为负载功率，为大电网输出功率，为分布式电源输出功率，为PCC点电压，为负载等效电阻； 在孤岛运行且储能单元未切换工作模式时，PCC处电压随系统内功率波动而变化，此时分布式电源输出功率关系式，如式2所示； 2； 式2中，为孤岛运行时PCC点的电压，为并网运行时电压与孤岛运行时电压差值； 步骤1.2、将式2带入式1中，消去，得到直流微电网孤岛发生前后PCC点电压变化量的关系式，如式3所示： 3； 则对应的电流变化量如式4所示： 4； 将PCC电压、负载电流、PCC电压变化率、负载电流变化率作为孤岛检测有效的特征电气量并采集相关历史数据；分别采集并网与孤岛状态下的电气特征量的历史数据，形成不平衡数据集，不平衡数据集包括多数类样本和少数类样本；并网状态下的数据为多数类样本，孤岛状态下的数据为少数类样本； 步骤2、将历史数据作为训练集并进行预处理，形成训练样本集； 步骤3、基于分类与回归树决策树完成孤岛弱分类器的构建，而后组成孤岛检测的强分类器，利用混淆矩阵评估模型正确性，建立基于RUSBoost的孤岛检测模型；具体为： 步骤3.1、构建弱分类器即CART分类器；初始化训练样本集G中每个样本的权重分布，在进行第一次迭代时，为每一个训练样本赋予同样的权值：w1i=1j，则训练样本集G的初始权重分布D1为： 8； 进行g次迭代后，使用权值分布为Dg的训练样本集训练CART分类模型，可以得到在第g次迭代中的k个决策树分类器Hgsx： 9； 步骤3.2、对以上k个决策树分类器分别计算其分类误差率egs，选择egs最小的分类器作为第g次迭代的弱分类器Hgx； 其中，分类误差率egs代表被分类器Hgsx误差分类样本对应的权值之和： 10； 式中：I为错误分类的样本总数；wgi为第g次迭代时训练样本集中第i个样本的权值； 计算弱分类器Hgx在强分类器中的权重占比； 11； 更新g+1次迭代所使用的训练样本集的权值分布Dg+1； 设总迭代次数为K，重复步骤3.2得到所有弱分类器，然后将K个弱分类器结合分类器权重进行线性组合，形成最后的强分类器； 步骤3.3、构建完成强分类器后，并将历史数据导入强分类器中进行验证，建立混淆矩阵来评估算法的性能，即可建立基于RUSBoost的孤岛检测模型； 步骤4、将构建的基于RUSBoost的孤岛检测模型应用于微电网系统中，根据电压电流实时数据进行并网与孤岛状态的分类；具体为：在微电网系统中嵌入基于RUSBoost的孤岛检测模型，根据微电网中实际运行情况，实时采集孤岛特征量的数据，并实时判断孤岛与并网，其中并网状态为“0”，孤岛状态为“1”，当孤岛检测模型输出为“1”时，即代表检测出孤岛状态。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。