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-interfaceddistributedgenerator，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。技术实现要素：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if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if_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。首先，对于10种故障类型，本发明提出分别建立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。其次，本发明提出将相同运行方式下配电网发生相同故障、但不接入iidg时测量点流过的短路电流if作为样本特征之一。除if外，其余特征是反映配电网的其他稳态特征和故障特征，包括iidg投入配电网情况αj、iidg投入容量sdgj、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if_dg是样本标签。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，拟考虑m种基础运行方式(m≥1)，其中每一种基础运行方式，均可按照需求设定旋转型电源、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＝[α1α2…αs]，其中αj＝0或1(j＝1,2,…,s)，分别表示第j个dg不投入/投入系统。考虑网络的拓扑结构变化，每一种运行方式随机产生1条线路作为开断的线路line_cut。此外，随机生成故障情况，包括故障线路f_line、故障位置f_loc。在生成样本时，首先通过前述运行方式、故障情况的随机与自动相结合的设置，得到除if外的其他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if_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if。由此可以积累起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，如对特定特征的独热处理(one-hotencoding)，得到更适合机器学习模型训练的样本集。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，然后获取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。本发明的有益效果是：本发明考虑到含iidg配电网短路电流的特点，从数据驱动的角度出发，提供了一种基于机器学习的含iidg配电网短路电流计算方法，可用于配电网中任一点发生故障时指定测量点流过短路电流的计算。本发明无需复杂的物理建模分析，提高了短路电流计算的速度和通用性，为配电网继电保护等方向的研究提供支持。附图说明图1为基于机器学习的含iidg配电网短路电流预测方法的整体框架。图2为基于机器学习的含iidg配电网短路电流预测方法的流程图。图3为ieee34节点测试网络接线图。图4为ieee13节点测试网络接线图。图5为ieee69节点测试网络接线图。具体实施方式以下结合附图对本发明作进一步说明，本发明包括以下步骤：考虑到更少的特征数量、更高的特征质量，提出了针对该问题的样本特征组成方式。在离线训练过程中，通过仿真获取数据，建立样本集。然后，利用训练样本集离线获取不同故障类型的机器学习模型。在在线应用时，首先收集所需样本特征的数据。然后根据故障类型，选择相应的模型直接预测短路电流，整体框架如图1所示。如图2所示，本发明包括以下步骤：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。对此，通过对含iidg配电网特征进行分析，确定以下特征组成方式，如表1所示。首先，对于10种故障类型，本发明提出分别建立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。其次，配电网特征数量较多且大部分质量较低，为提高样本特征质量、降低特征数量，本发明提出将相同运行方式下配电网发生相同故障、但不接入iidg时测量点流过的短路电流if作为样本特征之一。由于if是由不含iidg的配电网通过故障分析物理模型计算出的短路电流，因此能提高机器学习模型的可靠性和可解释性；并且由于其中隐含着运行方式、故障特征等较多配电网信息，可大大减少特征数量。在特征中，除if关键特征外，其余特征是反映配电网的其他稳态特征和故障特征，具体如下：iidg投入配电网情况αj、iidg投入容量sdgj是反映iidg对短路电流影响的特征，αj＝0表示第j个dg不投入电网，αj＝1则表示第j个dg投入电网，sdgj是第j个dg投入配电网的容量；被切断线路line_cut是表示配电网拓扑结构变化的特征；故障线路f_line、故障位置f_loc反映的是故障信息。其中，f_loc的取值范围为[0,1]，0和1分别表示故障发生在线路首端和终端位置，其它值则为离首端的百分比。接入iidg后测量点流过的短路电流if_dg是样本标签。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。表1样本组成步骤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，拟考虑m种基础运行方式(m≥1)，其中每一种基础运行方式，均可按照需求设定旋转型电源、iidg、负荷基础配置参数。τi(i＝1,2,…,c)、βj(j＝1,2,…,s)和ρpk、ρqk(k＝1,2,…,l)分别为对应旋转型电源、iidg和负荷在[-0.2,0.2]范围内独立产生的随机量，则可通过在基础值上叠加随机量产生不同的旋转型电源等值阻抗、iidg出力和负荷需求，获得系统的不同运行方式。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＝[α1α2…αs]，其中αj＝0或1(j＝1,2,…,s)，分别表示第j个dg不投入/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条线路作为开断的线路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；而故障类型f_type自动轮流设置单相接地、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，分别用编号1～10表示。在生成样本时，首先通过前述运行方式、故障情况的随机与自动相结合的设置，得到除if外的其他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if_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if。由此可以积累起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，如对特定特征的独热处理(one-hotencoding)，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，由传统短路电流计算程序计算iidg均不接入下的if，结合iidg接入情况等形成样本初始特征，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，最后调用相应模型进行短路电流计算，得到最终的短路电流计算结果。应用例为验证本发明所述基于机器学习的含iidg配电网短路电流预测方法的有效性和实用性，下面将以图3所示的ieee34节点配电系统为研究对象，进行说明。配电网的电压等级为24.9kv，其中共包含31条线路，系统电源接在800节点即配电网络首端，同时将iidg并入该算例系统。由于此网络包含不平衡馈线，包括单相馈线和三相馈线，且三相馈线相间互阻抗各不相同，各相负荷也不相同，因此可作为不平衡系统进行分析。考虑m＝2，即系统最大、最小2种基础运行方式，系统等值阻抗分别为j0.5ω、j1ω。负荷与iidg容量在两种基础运行方式中相同。其中，负荷按照ieee34节点配电系统标准设置；配电网中的iidg包括：844节点接入基础容量为500kw的iidg1和400kw的iidg4，832节点接入200kw的iidg2，852节点接入500kw的iidg3，iidg均具有故障穿越能力，在配电网发生故障或异常时，逆变器的最大输出电流均为其额定电流的2倍。按照前述方法，在基础运行方式的基础上，在[-0.2,0.2]变化范围内，随机产生系统等值阻抗、负荷、iidg容量，同时，随机产生iidg投入情况矩阵a和被切断线路line_cut，生成新的运行方式。在网络中设置短路故障，生成故障样本。由于不同的故障类型流程相同，因此以三相短路为例进行分析。故障可以发生在网络中任意位置，包括线路和母线节点处。所求短路电流为固定测量点流过短路电流，这里选定858节点作为测量点，即图3中的r1位置。设置35000个运行方式，即每种基础运行方式各17500组。通过仿真，提取出每个运行方式下的特征和标签，得到35000组样本，构成原始样本集。将原始样本集按8:2的比例划分为训练集和测试集，即训练集28000组，测试集7000组。由于ieee34节点系统为三相不对称系统，因此，以下算例仅选取c相电流作为样本标签进行分析，a、b相类似。为衡量短路电流预测的准确性，选择平均绝对百分比误差(meanabsolutepercentageerror，mape)作为衡量机器学习准确性的指标。指标的定义如下：其中，n为参与准确性评价的样本数量，yt为第t个样本的标签，为第t个样本的预测值。mape用来衡量短路电流预测值和实际值的相对误差，mape值越小，说明短路电流预测越准确。对样本进行预处理，包括：将特征line_cut进行独热处理。使用机器学习中的集成方法，基于训练样本集建模，通过交叉验证，确定模型的最优超参数，用测试样本集进行测试，实现含iidg的配电网短路电流计算。为了验证本发明方法的准确性，选取了部分测试数据及模型的预测结果，将样本值与预测值进行比较。表2中显示了机器学习模型在测试集上的一些预测结果，其包括测试样本的实际值，预测值和预测的绝对百分比误差(ape)。可以观察到，表2中预测的所有ape都小于2％，这证实了所提出的方法预测含iidg配电网短路电流的准确性。表2测试集预测结果序号实际值/a预测值/aape/％1351.476350.1930.365267.77266.7061.573325.68225.9060.876448.36947.8791.0135322.865322.9780.035此外，验证xgboost算法的优势，对比了不同机器学习模型的预测结果。选择支持向量回归(svr)、随机森林(rf)、gbdt方法，与xgboost方法进行预测结果对比，如表3所示。从表中可以看出，相对于其他算法，xgboost算法在训练集和测试集上都取得了更好的表现。表3不同机器学习模型预测结果对比为分析网络规模对所需样本数量的影响，增加ieee13节点网络和ieee69节点网络测试算例，与ieee34节点网络算例进行对比。其中，ieee13节点配电网，电压等级为4.16kv，共包含10条线路，负荷按照标准设置，在633节点、680节点各接入基础容量为200kw的iidg，选择r2位置作为固定测量点，网络结构图如图4所示；ieee69节点配电网，电压等级为12.66kv，共包含68条线路，负荷按照标准设置，节点19、25、32、45、54、65各接入基础容量为200kw的iidg，选择节点7即r3位置作为固定测量点，网络结构图如图5所示。仿真依然按照前文所述流程进行。表4对xgboost模型在三个配电网中的预测效果进行了对比，包括测试集预测误差和样本平均预测速度。表4不同配电网预测结果对比从表中可以看出，对于同一个配电网，随着样本数量的增加，模型对短路电流的预测效果均得到提升，而模型对样本的平均预测速度基本保持稳定。同时，从相同样本数量下三个配电网预测结果的对比可以看出，随着网络规模的增大、iidg数量的增加，机器学习模型对短路电流的预测难度将增大，特征数量也将上升，使得模型的预测误差和预测时间有了一定程度的增加，但是总体上看，误差能够满足使用要求，且各个模型的预测速度都很快。因此，随着配电网规模的扩大，在满足误差水平、预测速度要求的前提下，模型对样本数量的要求并没有出现几何级数的增长。因而，本发明提出方法在较大规模及iidg高渗透下的配电网中具有较好的适用性。可见，本发明所述的基于机器学习的含iidg短路电流预测方法精度高，计算速度快，适用性好，为配电网继电保护等方向的研究提供支持。当前第1页1 2 3
技术特征：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iidg时测量点流过的短路电流if作为样本特征之一；其余样本特征包括：iidg投入配电网情况αj、iidg投入容量sdgj，第j个dg投入配电网的容量sdgj；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if_dg作为样本标签；
上述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型电源、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＝[α1α2…αs]，其中αj＝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条线路作为开断的线路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if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if_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if，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if，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。
技术总结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If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。
技术研发人员：王慧芳;郑翔;姜宽;何奔腾
受保护的技术使用者：浙江大学
技术研发日：2020.02.12
技术公布日：2020.06.09
