[发明专利]基于机器学习的含IIDG配电网短路电流预测方法

权利要求书

1.基于机器学习的含IIDG配电网短路电流预测方法，其特征在于：它采用以下具体步骤：

步骤1)：确定用于训练的样本组成；

首先，对于10种故障类型f_type，分别建立10个机器学习模型进行预测，因此相对而言有10种不同的样本；f_type是故障类型，用来表示不同的样本类型，其中10种故障类型为单相接地、两相接地、两相相间、三相短路四种故障类型在ABC三相中的10种组合；

其次，将相同运行方式下配电网发生相同故障、但不接入逆变器型分布式电源IIDG时测量点流过的短路电流I_f作为样本特征之一；其余样本特征包括：IIDG投入配电网情况α_j、IIDG投入容量S_DGj、第j个DG投入配电网的容量S_DGj、被切断线路line_cut、故障线路f_line、故障位置f_loc；

接入IIDG后测量点流过的短路电流I_{f_DG}作为样本标签；

上述样本特征与样本标签共同组成配电网对应故障类型下短路电流计算模型的样本；

步骤2)：随机生成运行方式，积累样本集；

为使得到的样本更具有多样性，对于一个包含c个旋转式电源、s个IIDG节点、l个负荷节点的配电网，考虑M种基础运行方式，其中每一种基础运行方式，均可按照需求设定旋转式电源、IIDG、负荷基础配置参数；

同时，考虑IIDG的投入运行情况，对每个运行方式随机产生一个向量α＝[α₁ α₂…α_j]，其中α_j＝0或1，分别表示第j个DG不投入或投入系统；考虑网络的拓扑结构变化，从N-1原则的角度出发，每一种运行方式从线路集合中随机产生1条线路作为被切断线路line_cut；线路集合中包含配电网中的所有线路，用线路编号来表示，其中编号0表示不切除任何线路，即完整的网络结构；此外，随机生成故障情况，包括故障线路f_line、故障位置f_loc；其中，故障线路同样从线路集合中选取，但不包含编号0；

在生成样本时，通过前述运行方式、故障情况的随机与自动相结合的设置，得到除I_f外的其它配电网的稳态特征和故障特征，以及接入IIDG后仿真得到流经测量点的短路电流I_{f_DG}标签；

然后在每个模拟的运行方式、故障情况下，对10种故障类型，分别通过仿真计算得到不接入任何IIDG情况下流过测量点的短路电流特征I_f，由此积累起10个机器学习模型的样本集合；

步骤3)：对获取的样本进行预处理，获取训练样本集，完成机器学习模型训练；

通过对样本进行预处理，得到更适合机器学习模型训练的样本集；将样本集划分为训练集和测试集，分别用于机器学习模型的训练及预测效果的测试；采用机器学习中的XGBoost算法，使用训练样本集进行训练，通过交叉验证选择出合适的超参数进行训练，得到最终的机器学习模型；

步骤4)：使用训练好的机器学习模型，进行短路电流计算；

在应用时，先根据样本的故障类型，选择其对应的训练成熟的模型，然后依据给定的运行方式和故障位置，计算IIDG均不接入下的I_f，结合IIDG接入情况形成样本初始特征，再经过和训练阶段相同的数据预处理过程，得到符合模型要求的样本，最后调用模型进行短路电流计算，得到最终的短路电流计算结果。