CN111159841B - 一种基于数据融合的配电网短路电流计算方法 - Google Patents

Abstract

本发明涉及电力系统技术领域，公开了一种基于电网特征的短路电流计算方法，包括步骤：A)选择配电网特征，将接入IIDG后流经测量点的短路电流I_{f_DG}作为样本标签；B)利用仿真软件进行电网建模及仿真，获得样本集合；C)通过机器学习集成方法建立机器学习模型，进行误差分析；D)利用已训练好的机器学习模型进行短路电流计算。本发明通过分析与短路电流相关的配电网特征，提出了配电网特征组合，把含不接入IIDG的配电网的短路电流计算结果I_f作为主要特征，能够综合反映了配电网除IIDG外的其他特征。并利用仿真软件进行电网建模及仿真，形成样本集，进行短路电流计算的计算速度快，计算结果准确性高。

Description

一种基于数据融合的配电网短路电流计算方法

技术领域

本发明涉及电力系统技术领域，尤其是涉及一种基于数据融合的配电网短路电流计算方法。

背景技术

随着全球经济、社会的不断发展，越来越多的分布式电源(distributedgenerator，DG)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-interfaced distributed generator，IIDG)。由于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传统电源有很大不同，使得传统配电网短路电流计算方法不能适用，因此研究IIDG高渗透下配电网的短路电流计算方法具有重要的理论和应用意义。

例如，一种在中国专利文献上公开的“基于MMC离散建模的交流短路电流计算方法”，其公告号CN 109145452 A，该发明包括如下步骤：A：对单相五电平MMC逆变器进行分段分析并建立离散模型；B：对上述模型的占空比函数进行求解；C：将短路发生瞬间的状态变量值作为短路发生后状态变量初值带入短路故障下MMC的模型中进行迭代，进行故障下交流电流的求解。该发明使用了物理建模方法，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，计算效率较低。

发明内容

本发明的发明目的是为了解决短路电流计算效率低和准确性低的问题，提供了一种基于数据融合的配电网短路电流计算方法。本发明通过分析与短路电流相关的配电网特征，提出了配电网特征组合，并利用仿真软件进行电网建模及仿真，形成样本集，准确地进行短路电流计算，计算速度快，计算结果准确性高。

为了实现上述目的，本发明采用以下技术方案：

一种基于数据融合的配电网短路电流计算方法，包括步骤：

A)选择配电网特征，配电网特征包括：不接入IIDG时测量点流过的短路电流I_f、IIDG投入配电网情况a_j、IIDG投入容量S_DGj、被切断线路line_cut，将接入IIDG后流经测量点的短路电流I_{f_DG}作为样本标签；

B)利用仿真软件进行电网建模及仿真，获得样本集合，对样本集合进行预处理，将进行预处理后的样本集合划分为训练集和测试集；

C)通过机器学习集成方法建立机器学习模型，利用训练集对机器学习模型进行训练，利用测试集对机器学习模型进行测试，获得已训练好的机器学习模型，进行误差分析；

D)利用已训练好的机器学习模型进行短路电流计算。

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，提供了一种含IIDG配电网短路电流计算的新方法，免去了复杂的物理建模分析，也加快了短路电流的计算速度。在进行机器学习之前，首先需要确定组成样本的特征和标签。样本特征是影响短路电流结果大小的配电网特征，既包括反映系统稳态运行状态的电气量，如节点电压幅值和相角、线路传输的功率、分布式电源的等值阻抗、负荷功率或IIDG容量及注入电流，也包括配电网拓扑结构特征，如IIDG投入运行情况或线路投切情况。配电网特征虽然比较全面，但是数量较多，且会随着配电网规模的扩大而增加，当配电网十分复杂时特征数量将非常巨大，不利于机器学习。另一方面，这些特征中往往只有一小部分特征对短路电流产生较大影响，大部分特征存在冗余，质量较低，将降低机器学习模型的性能。因此，希望能够找到数量更少、质量更高的特征组合。为此，把含不接入IIDG的配电网的短路电流计算结果I_f作为主要特征，能够综合反映了配电网除IIDG外的其他特征。由于I_f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，不仅提高了机器学习模型的可靠性，而且由于其中隐含着运行方式、故障特征等大量信息，可大大减少特征数量。若分布式电源在配电网发生故障时不向测量点提供短路电流，即I_f恒定为零，则该特征不包含任何信息；反之，当某些运行方式下旋转式电源在故障时向测量点提供短路电流，即I_f不恒定为零，则该特征具有物理意义和包含配电网信息。

进一步地，步骤B中利用仿真软件进行电网建模及仿真，获得样本集合，包括：

B1)选择M种配电网基础运行方式，M≥1,配电网包括c个分布式电源、s个IIDG节点和l个负荷节点；

B2)在每一种配电网基础运行方式下设置配电网参数，配电网参数包括c个分布式电源、s个IIDG节点、l个负荷节点、各个分布式电源的等值阻抗，各个IIDG节点投入容量，各个负荷节点的有功功率和各个负荷节点的无功功率；

B3)在每一种配电网基础运行方式下生成新的运行方式，获得新的运行方式下各分布式电源的等值阻抗Z_i＝Zbase_i(1+τ_i)，i＝1,2,...,c，Zbase_i为配电网基础运行方式下第i个分布式电源的等值阻抗，τ_i为第i个分布式电源随机量，-0.2≤τ_i≤0.2；

获得新的运行方式下各IIDG节点投入容量SDG_j＝SDGbase_j(1+β_j)，j＝1,2,...,s，SDGbase_j为配电网基础运行方式下第j个IIDG节点投入容量，β_j为第j个IIDG节点随机量，-0.2≤β_j≤0.2；

获得新的运行方式下各个负荷节点的有功功率PL_k＝PLbase_k(1+ρ_Pk)，k＝1,2,...,l，PLbase_k为配电网基础运行方式下第k个负荷节点的有功功率，ρ_Pk为第k个负荷节点有功功率随机量，-0.2≤ρ_Pk≤0.2；

获得新的运行方式下各个负荷节点的无功功率QL_k＝QLbase_k(1+ρ_Qk)，k＝1,2,...,l，QLbase_k为配电网基础运行方式下第k个负荷节点的无功功率，ρ_Qk为配电网基础运行方式下第k个负荷节点无功功率随机量，-0.2≤ρ_Qk≤0.2；

B4)在每一种配电网运行方式下随机产生一个向量A＝[α₁,α₂,...,α_j,...,α_s]，其中向量A的每一个元素取值为0或1，α_j＝0表示第j个分布式电源DG_j不投入系统，α_j＝1表示第j个分布式电源DG_j投入系统，j＝1,2,...,s；

B5)在每一种配电网基础运行方式下从线路集合中随机产生1条线路作为被切断线路line_cut；

B6)设置每一种配电网基础运行方式下配电网的故障位置、故障类型和过渡电阻，通过仿真软件进行故障仿真，获得流经测量点的短路电流I_{f_DG}；

B7)提取每个运行方式下的配电网特征和样本标签。

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、负荷配置参数在一定范围内的随机变化。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A＝[α₁,α₂,...,α_j,...,α_s]。总负荷与总出力之间的不平衡情况可由系统电源进行补偿。此外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。在产生样本时，首先进行随机设置，通过建模仿真得到样本I、II两类特征，然后在设置故障位置、故障类型和过渡电阻后，通过故障仿真得到流经测量点的短路电流I_{f_DG}，将短路电流I_{f_DG}作为样本标签，由此积累起样本集合。

进一步地，步骤C中采用平均绝对百分比误差MAPE进行误差分析，

N为参与误差分析的样本数量，y_t为第t个样本的标签，/>

为第t个样本的计算值。

通过误差分析能够对机器学习模型的准确性进行评估。

进一步地，步骤C)中通过机器学习集成方法建立机器学习模型，包括步骤：

C1)建立两层学习结构，第一层包括n个学习器，第二层有1个学习器，将训练集均分成五份子集；

C2)采用五折交叉验证法对第一层的每个学习器分别进行训练及验证，训练及验证的同时利用各个学习器对测试集进行测试，获得各个学习器的验证结果和测试结果；

C3)将每个学习器的验证结果进行组合，将组合后的验证结果作为第二层学习器的训练子集，将每个学习器的测试结果进行组合，将组合后的测试结果作为第二层学习器的测试子集；

C4)利用训练子集对第二层学习器进行训练，利用测试子集对第二层学习器进行测试。

学习器包括：LR学习器、GBDT学习器、XGBoost学习器或Adaboost学习器。

机器学习算法种类很多，本发明采用机器学习算法的stacking算法建立机器学习模型，学习器有LR学习器、GBDT学习器、XGBoost学习器或Adaboost学习器等。stacking是一种分层模型集成框架，本发明采用两层，第一层由多个学习器组成，其输入为原始训练集，第二层的模型则是以第一层学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。用五折交叉验证的目的是为了得到可靠稳定的模型，利用五折交叉验证法将训练集均分成十份子集，轮流将其中的4份子集做训练，剩下的1份子集做验证。

因此，本发明具有如下有益效果：通过分析与短路电流相关的配电网特征，提出了配电网特征组合，把含不接入IIDG的配电网的短路电流计算结果I_f作为主要特征，能够综合反映了配电网除IIDG外的其他特征。并利用仿真软件进行电网建模及仿真，形成样本集，准确地进行短路电流计算，计算速度快，计算结果准确性高。

附图说明

图1是本发明实施例一的短路电流计算流程框图。

图2是本发明实施例一的利用仿真软件进行电网建模及仿真的流程框图。

图3是本发明实施例一的在线应用阶段的流程框图。

图4是本发明实施例一的IEEE34节点配电系统接线图。

图5是本发明实施例一的测试点R1处短路电流计算的交叉验证误差变化图。

图6是本发明实施例一的测试点R2处短路电流计算的交叉验证误差变化图。

图7是本发明实施例一的测试点R3处短路电流计算的交叉验证误差变化图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

实施例一，如图1所示，一种基于数据融合的配电网短路电流计算方法，包括步骤：

A)选择配电网特征，配电网特征包括I类特征和II类特征，I类特征包括不接入IIDG时测量点流过的短路电流I_f，II类特征包括I IIDG投入配电网情况a_j、IIDG投入容量S_DGj、被切断线路line_cut。将接入IIDG后流经测量点的短路电流I_{f_DG}作为样本标签，样本组成如表1所示。

表1样本组成

表1

B)如图2所示，以IEEE34节点配电系统为研究对象，其中包含单相、两相、三相的线路和负荷。利用MATLAB/SIMULINK仿真软件进行电网建模及仿真，获得样本集合，包括：

B1)选择2种配电网基础运行方式，配电网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。在每一种配电网基础运行方式下设置配电网参数，配电网参数包括c个分布式电源、s个IIDG节点、l个负荷节点、各个分布式电源的等值阻抗，个IIDG节点投入容量，各个负荷节点的有功功率和各个负荷节点的无功功率；

B2)在每一种配电网基础运行方式下生成新的运行方式，获得新的运行方式下各分布式电源的等值阻抗Z_i＝Zbase_i(1+τ_i)，i＝1,2,...,c，Zbase_i为配电网基础运行方式下第i个分布式电源的等值阻抗，τ_i为第i个分布式电源随机量，-0.2≤τ_i≤0.2；

获得新的运行方式下各IIDG节点投入容量SDG_j＝SDGbase_j(1+β_j)，j＝1,2,...,s，SDGbase_j为配电网基础运行方式下第j个IIDG节点投入容量，β_j为第j个IIDG节点随机量，-0.2≤β_j≤0.2；

获得新的运行方式下各个负荷节点的有功功率PL_k＝PLbase_k(1+ρ_Pk)，k＝1,2,...,l，PLbase_k为配电网基础运行方式下第k个负荷节点的有功功率，ρ_Pk为第k个负荷节点有功功率随机量，-0.2≤ρ_Pk≤0.2；

获得新的运行方式下各个负荷节点的无功功率QL_k＝QLbase_k(1+ρ_Qk)，k＝1,2,...,l，QLbase_k为配电网基础运行方式下第k个负荷节点的无功功率，ρ_Qk为配电网基础运行方式下第k个负荷节点无功功率随机量，-0.2≤ρ_Qk≤0.2；

B3)在每一种配电网运行方式下随机产生一个向量A＝[α₁,α₂,...,α_j,...,α_s]，其中向量A的每一个元素取值为0或1，α_j＝0表示第j个分布式电源DG_j不投入系统，α_j＝1表示第j个分布式电源DG_j投入系统，j＝1,2,...,s；

B4)在每一种配电网基础运行方式下从线路集合中随机产生1条线路作为被切断线路line_cut；

B5)设置每一种配电网基础运行方式下配电网的故障位置、故障类型和过渡电阻，生成故障样本。如表2所示，故障f1、f2分别设置在节点834和860，故障类型均为三相短路，所求短路电流为故障线路的首端，分别为测量点R1、R2和R3。对每个故障位置分别设置3000个运行方式，即每种基础运行方式各1500组。通过仿真软件进行故障仿真，获得流经测量点的短路电流I_{f_DG}。

表2故障样本情况

故障编号	f1	f2
			故障位置	节点834	节点860
短路电流测量点	R1、R2	R3
			样本数	3000	3000

表2

B6)通过仿真，提取每个运行方式下的配电网特征和样本标签，各得到3000组样本，构成原始样本集，对原始样本集进行预处理，预处理包括：将特征line_cut进行独热处理；由于特征数量较多，需进行特征选择，通过特征降维选出质量更好的特征。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2400组，测试集600组。

C)通过机器学习集成方法建立机器学习模型，包括步骤：

C1)建立两层学习结构，第一层包括n个学习器，第二层有1个学习器，将训练集均分成五份子集；

C2)采用五折交叉验证法对第一层的每个学习器分别进行训练及验证，训练及验证的同时利用各个学习器对测试集进行测试，获得各个学习器的验证结果和测试结果；

C3)将每个学习器的验证结果进行组合，将组合后的验证结果作为第二层学习器的训练子集，将每个学习器的测试结果进行组合，将组合后的测试结果作为第二层学习器的测试子集；

C4)利用训练子集对第二层学习器进行训练，利用测试子集对第二层学习器进行测试。

学习器包括：LR学习器、GBDT学习器、XGBoost学习器或Adaboost学习器。

利用训练集对机器学习模型进行训练，利用测试集对机器学习模型进行测试，获得已训练好的机器学习模型，采用平均绝对百分比误差MAPE进行误差分析，

N为参与误差分析的样本数量，y_t为第t个样本的标签，

为第t个样本的计算值。

如图5、图6和图7所示，分别展示了样本数量对短路电流计算模型的影响。短路电流计算的总体误差如表3所示。

表3短路电流计算的总体误差

表3

D)利用已训练好的机器学习模型进行短路电流计算。如表4所示，展示了利用已训练好的机器学习模型进行短路电流计算的具体结果。通过比较可以看出，在测量点R1和R3上的计算结果误差小，而在R2上的计算结果相对略差。

表4短路电流计算的具体结果

表4

分析表4，可以看出图2的f1处发生短路时，系统电源没有向R2处提供短路电流，而系统电源会向R1、R3提供短路电流。因此对于R2而言，I_f恒为零，特征I_f失效，所以R2误差相对大。而对于R1、R3，若主干线上的线路没有被切断，系统电源会提供短路电流，I_f不恒为零，同时这一特征相对于数量庞大而显冗余的全部配电网特征而言，质量更高，机器学习算法相当于是在有物理机理保证的I_f基础上修正各IIDG接入与I_{f_DG}之间的关系，因此机器学习能够取得较好的效果。同时，从图5、图6和图7可以看出，本发明对于样本数量的依赖性较低，在样本数量少的情况下依然能够取得较为精确的计算结果。

本发明通过分析与短路电流相关的配电网特征，提出了配电网特征组合，把含不接入IIDG的配电网的短路电流计算结果I_f作为主要特征，能够综合反映了配电网除IIDG外的其他特征。并利用仿真软件进行电网建模及仿真，形成样本集，准确地进行短路电流计算，计算速度快，计算结果准确性高。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (4)

1.一种基于数据融合的配电网短路电流计算方法，其特征在于，包括步骤：

A)选择配电网特征，配电网特征包括：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、IIDG投入配电网情况a_j、IIDG投入容量S_DGj、被切断线路line_cut，将接入IIDG后流经测量点的短路电流I_{f_DG}作为样本标签；

B)利用仿真软件进行电网建模及仿真，获得样本集合，对样本集合进行预处理，将进行预处理后的样本集合划分为训练集和测试集；

B1)选择M种配电网基础运行方式，在每一种配电网基础运行方式下设置配电网参数，所述配电网参数包括c个分布式电源、s个IIDG节点、l个负荷节点、各个分布式电源的等值阻抗，各个IIDG节点投入容量，各个负荷节点的有功功率和各个负荷节点的无功功率；

B2)在每一种配电网基础运行方式下生成新的运行方式，获得新的运行方式下各分布式电源的等值阻抗Z_i＝Zbase_i(1+τ_i)，i＝1,2,...,c，Zbase_i为配电网基础运行方式下第i个分布式电源的等值阻抗，τ_i为第i个分布式电源随机量，-0.2≤τ_i≤0.2；

获得新的运行方式下各IIDG节点投入容量SDG_j＝SDGbase_j(1+β_j)，j＝1,2,...,s，SDGbase_j为配电网基础运行方式下第j个IIDG节点投入容量，β_j为第j个IIDG节点随机量，-0.2≤β_j≤0.2；

获得新的运行方式下各个负荷节点的有功功率PL_k＝PLbase_k(1+ρ_Pk)，k＝1,2,...,l，PLbase_k为配电网基础运行方式下第k个负荷节点的有功功率，ρ_Pk为第k个负荷节点有功功率随机量，-0.2≤ρ_Pk≤0.2；

获得新的运行方式下各个负荷节点的无功功率QL_k＝QLbase_k(1+ρ_Qk)，k＝1,2,...,l，QLbase_k为配电网基础运行方式下第k个负荷节点的无功功率，ρ_Qk为配电网基础运行方式下第k个负荷节点无功功率随机量，-0.2≤ρ_Qk≤0.2；

B3)在每一种配电网运行方式下随机产生一个向量A＝[α₁,α₂,...,α_j,...,α_s]，其中向量A的每一个元素取值为0或1，α_j＝0表示第j个分布式电源DG_j不投入系统，α_j＝1表示第j个分布式电源DG_j投入系统，j＝1,2,...,s；

B4)在每一种配电网基础运行方式下从线路集合中随机产生1条线路作为被切断线路line_cut；

B5)设置每一种配电网基础运行方式下配电网的故障位置、故障类型和过渡电阻，通过仿真软件进行故障仿真，获得流经测量点的短路电流I_{f_DG}；

B6)提取每个运行方式下的配电网特征和样本标签；

在产生样本时，首先进行随机设置，通过建模仿真得到不接入IIDG时测量点流过的短路电流I_f；

C)通过机器学习集成方法建立机器学习模型，利用训练集对机器学习模型进行训练，利用测试集对机器学习模型进行测试，获得已训练好的机器学习模型，进行误差分析；

D)利用已训练好的机器学习模型进行短路电流计算。

2.根据权利要求1所述的一种基于数据融合的配电网短路电流计算方法，其特征在于，

步骤C中采用平均绝对百分比误差MAPE进行误差分析，

N为参与误差分析的样本数量，y_t为第t个样本的标签，/>

为第t个样本的计算值。/>

3.根据权利要求1或2所述的一种基于数据融合的配电网短路电流计算方法，其特征在于，步骤C)中通过机器学习集成方法建立机器学习模型，包括步骤：

C1)建立两层学习结构，第一层包括n个学习器，第二层有1个学习器，将训练集均分成五份子集；

C2)采用五折交叉验证法对第一层的每个学习器分别进行训练及验证，训练及验证的同时利用各个学习器对测试集进行测试，获得各个学习器的验证结果和测试结果；

C3)将每个学习器的验证结果进行组合，将组合后的验证结果作为第二层学习器的训练子集，将每个学习器的测试结果进行组合，将组合后的测试结果作为第二层学习器的测试子集；

C4)利用训练子集对第二层学习器进行训练，利用测试子集对第二层学习器进行测试。

4.根据权利要求3所述的一种基于数据融合的配电网短路电流计算方法，其特征在于，

所述学习器包括：LR学习器、GBDT学习器、XGBoost学习器或Adaboost学习器。

Images