[发明专利]基于机器学习的含IIDG配电网短路电流预测方法

说明书

本发明提出了一种基于机器学习的含IIDG配电网短路电流预测方法。目前含逆变器型分布式电源(IIDG)的配电网短路电流计算主要采用物理建模方法，在IIDG高渗透情况下难以满足应用要求。本发明通过分析与短路电流相关的含IIDG配电网特征，提出反映短路电流的样本特征组合方式，将IIDG未接入时的配电网短路电流I_f作为关键特征。通过运行MATLAB/Simulink上搭建的仿真模型自动积累10种故障类型的样本集合，使用机器学习中的XGBoost算法进行模型训练。本发明在IIDG高渗透的较大规模配电网中具有较好的适用性，保证了短路电流计算的快速性和准确性，为配电网继电保护装置整定等方向的研究提供支持。

技术领域

本发明属于电力系统领域，具体地说是基于机器学习的含IIDG配电网短路电流预测方法。

背景技术

随着全球经济、社会的不断发展，对能源的需求日益增加。化石能源逐渐枯竭，而太阳能、风能等可再生能源具有储量大、对环境污染小、可改善能源结构等优点，因此得到了越来越多的关注和重视。在此背景下分布式电源发展迅猛，越来越多的分布式电源通过电力电子逆变器并入配电网，这类电源被称为逆变器型分布式电源(inverter-interfaceddistributed generator，IIDG)。IIDG具有强非线性特征，配电网发生短路时，其输出的短路电流与其它电源有很大不同，一般不超过其额定电流的2倍。因此，不少应用依然采用传统的对称分量法计算短路电流，即假设故障时IIDG退出运行，这种做法在配电网IIDG渗透率不高情况下，短路电流计算误差确实不大，但随着IIDG渗透率的提高，传统方法的误差将越来越难以满足应用要求，对新计算软件的开发需求愈来愈迫切。因此，研究IIDG高渗透配电网的短路电流计算具有重要的理论和应用意义。

目前的研究主要使用物理建模的方法，首先建立IIDG在故障发生时的等效模型，进而求解短路电流。但由于IIDG等效模型十分复杂，往往会根据应用场景对模型进行一定简化，因此模型的适用性和准确性受到限制。同时，由于IIDG等效模型的输出电流受到并网点电压等因素的影响，在求解短路电流时需要使用迭代算法不断修正直到满足精度要求，因此计算效率较低。随着IIDG渗透率的提高及控制策略的复杂，物理建模方法在计算速度、准确性、通用性、开发难度等方面的不足愈来愈明显。因此，如何提高短路电流计算的速度和通用性值得进一步研究。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于机器学习的含IIDG配电网短路电流预测方法。该方法通过分析与短路电流相关的配电网特征，提出了相应的样本组合，并利用MATLAB/Simulink进行电网建模及仿真计算，自动积累原始样本集。采用离线训练机器学习模型、在线应用的方式，可准确实现短路电流计算，大大提升短路计算的速度。

本发明的主要技术构思：将故障类型作为样本类型；使用相同运行方式下发生相同故障、但不接入IIDG时测量点流过的短路电流I_f作为关键特征，与反映配电网的其他稳态特征和故障特征共同构成样本特征；把接入IIDG后测量点流过的短路电流I_{f_DG}作为样本标签；随机生成运行方式和故障情况，利用MATLAB/Simulink实现电网建模及仿真计算，自动积累样本集合；使用机器学习中的XGBoost算法进行机器学习建模，根据故障类型选择相应的模型进行短路电流计算。

本发明采用以下具体步骤：

步骤1)：确定用于训练的样本组成；

考虑短路电流计算的日常需求为：当配电网中不同位置发生不同类型短路故障时，要求计算某个设备或继电保护安装处流过的短路电流，以判断设备是否安全或继保装置能否正确动作。为此，本发明针对问题为：含IIDG配电网中，任意位置发生某种类型故障时，流过指定测量点的短路电流计算数据驱动模型。