融合机理与数据的IIDG配电网短路电流计算新方法

"本文提出了一种新的机理与数据融合驱动的含IIDG配电网短路电流计算方法，针对传统物理建模方法在IIDG高渗透情况下的局限性，该方法结合了理论机理和数据驱动的优势。通过特征分析，提出了两种特征组合方式，一种基于不接入IIDG时的配电网短路电流，另一种则基于配电网本身的特性。使用MATLAB/Simulink建立的仿真模型，收集样本，并利用机器学习中的集成方法（如随机森林、极限随机树、XGBoost和LightGBM）进行模型训练。在IEEE 34节点系统上的实验结果显示，这些集成学习方法能准确进行短路电流计算，且在机理未失效的情况下，融合机理和数据的方法比单纯的数据驱动模型更精确。此外，与传统的物理建模方法比较，所提方法在准确性和计算速度上都有显著提升。" 在当前电力系统中，随着逆变器型分布式电源（IIDG）的广泛接入，如何准确、快速地计算含IIDG配电网的短路电流成为了一个挑战。传统的物理建模方法在处理IIDG高渗透率的复杂场景时，可能面临计算效率低、精度不准确以及适用性差等问题。为了克服这些挑战，研究者们提出了一种新颖的方法，该方法融合了机理分析和数据驱动的计算策略。 首先，通过对含IIDG的配电网进行特征分析，研究人员设计了两种特征组合策略。第一种策略是利用不含IIDG时的配电网短路电流作为关键特征，这反映了基本的网络特性。第二种策略则侧重于配电网自身的结构和参数特征，这有助于捕捉IIDG接入后对系统动态行为的影响。这两种特征组合旨在兼顾理论基础和实际数据的全面性。 接着，借助MATLAB/Simulink平台，建立了包含IIDG的配电网仿真模型，通过运行仿真生成大量样本，用于训练机器学习的集成方法。集成学习，如随机森林、极限随机树、XGBoost和LightGBM等，因其强大的泛化能力和准确性，被选为模型训练的工具。在2种特征组合下，这些机器学习算法都展示了良好的短路电流预测能力。 在IEEE 34节点的基准系统上，研究团队验证了该方法的可行性和有效性。通过比较不同集成方法的计算误差，发现所有方法都能提供准确的短路电流估计。特别地，当机理分析仍然有效时，机理与数据融合的方法相比纯数据驱动的模型，表现出更高的精度。此外，与传统的物理建模方法相比，该方法不仅在计算精度上有优势，而且在计算速度上也有所提升，对于处理高渗透率IIDG的配电网问题具有明显优势。 本文提出的机理与数据融合驱动的短路电流计算方法为解决含IIDG配电网的计算难题提供了一种有效途径。这种方法的创新之处在于结合了理论和数据两方面的信息，提高了计算的准确性和效率，对于未来的智能电网和分布式能源系统的规划与运行具有重要的实践意义。