基于机器学习的含IIDG配电网短路电流预测方法技术

本发明专利技术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。本发明专利技术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

Short circuit current prediction method of distribution network with iidg based on machine learning

【技术实现步骤摘要】
基于机器学习的含IIDG配电网短路电流预测方法
本专利技术属于电力系统领域，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。
技术介绍
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本文档来自技高网...

【技术保护点】
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：/n步骤1)：确定用于训练的样本组成；/n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；/n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I

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王慧芳，郑翔，姜宽，何奔腾，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33