[发明专利]数据驱动的含IIDG配电网短路电流多输出计算方法

说明书

本发明公开了一种基于数据驱动的含IIDG配电网短路电流多输出计算方法。双碳目标下大量IIDG接入配电网，使基于机理建模的配电网短路电流计算中，计算速度与准确性之间的矛盾日益突出。本发明提出了基于数据驱动的配电网短路电流多输出回归计算模型与计算方法，以XGBoost为基础，采用MTRS方法进行多输出建模，实现配电网上所有支路短路电流的同时计算，不仅解决了含IIDG配电网全网快速、准确计算短路电流问题，而且多输出模型的计算性能强于单输出模型，且避免了单输出模型存在的模型数量问题。

技术领域

本发明属于电力系统领域，具体地说是采用数据科学的研究模式，研究机器学习多输出算法，建立含IIDG配电网短路电流计算多输出模型，提出计算所有支路短路电流的方法。

背景技术

我国双碳战略目标促使逆变型分布式电源(inverter interfaced distributedgenerator，IIDG)在配电网中逐渐呈现高占比的发展趋势。与传统同步电机电源不同，IIDG具有强非线性的故障特性，不仅要满足低压穿越要求，还受故障前运行特性、接入位置、控制策略等因素影响。大量IIDG接入，使得传统短路电流计算方法难以直接应用，迫切需要对含IIDG配电网短路电流计算方法进行研究。

当前针对IIDG故障特性以及短路电流计算方法的研究，大多是基于机理的物理建模研究。由于不同控制策略下IIDG机理模型不同，不同故障类型下短路电流计算方法差异较大，计算过程需要大量迭代。当IIDG接入数量或网络规模增大时，物理建模方法因迭代计算耗时必将大增，甚至有可能出现不收敛的情况。为提升计算速度，有对IIDG模型做极简处理，如用1.2～2倍额定电流来表征，必将牺牲计算准确性。因此现有物理建模方法应用于IIDG占比高的大型配电网，计算快速性与准确性之间的矛盾难以解决。

为了解决该矛盾，申请人提出了机理与数据融合驱动的含IIDG配电网短路电流计算方法，详见《电力自动化设备》2021年41期01卷P41-48。该方法基于机器学习思想，建立了含IIDG配电网短路电流计算的单输出模型，并与详细的物理建模方法进行对比，表明计算误差相近或更小，且计算速度快。同时，电网规模、IIDG接入数量对该方法的计算性能影响较小。然而，该方法使用单输出的学习模型，当需要计算配电网中多个测量点电流值时，必须针对每个测量点训练各自的模型，因此会出现模型数量灾的问题。

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，提供一种纯粹由数据驱动的含IIDG配电网短路电流多输出计算方法，将机器学习与数据驱动建模融入到配电网短路电流计算中，通过训练多输出模型，得到输入特征与众多输出量之间的映射关系，可在准确计算含IIDG配电网短路电流的情况下提升计算速度，并输出所有支路短路电流，解决单输出模型数量过多的问题。

为实现上述目的，本发明采用以下技术方案：

本发明包括以下步骤：

S1：建立含IIDG配电网短路电流样本集，样本集包括训练集和测试集；

S2：通过大量分析比较多输出模型，选择并建立MTRS-XGBoost多输出模型；

S3：使用训练集训练MTRS-XGBoost模型，当损失函数在迭代过程中不再减小，且评价指标也不再减小时结束训练；

S4：使用训练完成的MTRS-XGBoost多输出模型计算含IIDG配电网短路电流，同时输出对应运行状态下所有支路电流。

作为优选，步骤S1中所述含IIDG配电网短路电流样本集来源为但不限于Matlab/Simulink软件仿真和实际配电网运行数据。样本集中训练集和测试集的比例为4：1。

根据实际配电网设备情况，即是否装有微型同步相量测量单元(μPMU)，可选择不同的输入特征，装配有μPMU的配网可选择配网中的电压幅值、相位和有功、无功功率值，未装配有μPMU的配电网可选择电网中的电流值作为输入特征。