一种含光伏电网的短路电流超标场景筛选方法，该方法以与含光伏电网的短路电流高度相关的大量特征数据样本作为输入特征样本集，并以流经短路点的短路电流作为样本标签，先根据输入特征样本集和样本标签构建基于神经网络的短路电流预测模型，然后对该短路电流预测模型进行训练，再确定电网的短路电流超标保守阈值，并利用训练后的短路电流预测模型对预测的下一阶段各运行状态场景进行短路电流预测，筛选出短路电流值大于该短路电流超标保守阈值的运行状态场景作为疑似短路电流超标场景，随后对筛选出的疑似短路电流超标场景进行高精度校核，确定最终的短路电流超标场景。本设计在保证筛选精确的同时显著提高了筛选速度。
1.一种含光伏电网的短路电流超标场景筛选方法，其特征在于：所述筛选方法依次包括以下步骤：
步骤A、以与含光伏电网的短路电流高度相关的大量特征数据样本作为输入特征样本集，并以流经短路点的短路电流作为样本标签，先根据输入特征样本集和样本标签构建基于神经网络的短路电流预测模型，然后对该短路电流预测模型进行训练；
步骤B、先确定电网的短路电流超标保守阈值，再利用训练后的短路电流预测模型对预测的下一阶段各运行状态场景进行短路电流预测，筛选出短路电流值大于该短路电流超标保守阈值的运行状态场景作为疑似短路电流超标场景，其中，所述短路电流超标保守阈值为漏检率为0时的短路电流超标阈值；
步骤C、对筛选出的疑似短路电流超标场景进行高精度校核，以确定最终的短路电流超标场景。
2.根据权利要求1所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：步骤B中，所述短路电流超标保守阈值的确定方法为：
先将短路电流超标保守阈值 的初始值设定为断路器最大开断电流 ，再按 对数据样本进行筛选，计算漏检率并判断其是否为0，若不为0则将 减去0.1kA后重新对数据样本进行筛选，计算漏检率，如此循环，直至漏检率为0。
3.根据权利要求1或2所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：所述漏检率FNR采用以下公式计算得到：
上式中，FN为超标样本被检测为未超标样本的数量，TP为被准确检测的未超标样本数量。
4.根据权利要求3所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：步骤C中，所述高精度校核基于以下迭代计算方法进行：
先计算得到故障前、后的节点电压，再求出节点的电压跌落系数，对于含有光伏电源的节点，形成节点导纳矩阵，然后确定光伏电源的输出电流，并求出光伏电源节点注入电流的修正量，接着利用节点导纳矩阵进行迭代求解节点电压的修正量，直到满足收敛条件或达到最大迭代次数，随后将节点电压的修正量与故障后的节点电压相加得到最终节点电压，由此得到短路电流，最后判定计算得到的短路电流是否大于断路器最大开断电流 ，若大于，则将其对应的疑似短路电流超标场景作为短路电流超标场景。
5.根据权利要求1或2所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：步骤A中，所述与含光伏电网的短路电流高度相关的大量特征数据样本包括光伏电源出力、节点负荷出力、线路开断集合数据。
6.根据权利要求5所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：所述大量特征数据样本的生成方法为：
对于光伏电源出力特征数据，将光伏电源出力设为在 范围内随机波动，即基于下式随机生成多组光伏电源出力数据：上式中， 为光伏电源t的出力， 为光伏电源的基础出力， 为光伏电源出力波动系数， ∈[0,1]，i = 1, 2 , … , i*，i*为光伏电源的数量；
对于节点负荷出力特征数据，将靠近光伏电源的节点负荷设为在 范围内随机波动，将靠近同步机的节点负荷设为在 范围内随机波动，其他节点负荷设为在 范围内随机波动，即基于下式随机生成多组节点有功、无功功率数据：上式中， 、 分别为节点x的有功、无功功率， 、 分别为节点的基础有功、无功功率， ∈[0.8,1.2]，j = 1, 2 , … , j*，j*为靠近光伏电源的节点数量， ∈[0.4,1.5]，m = 1, 2 , … , m*，m*为靠近同步机的节点数量， ∈[0.7,1.4]，n = 1, 2 , …n*，n*为其它节点数量；
上式中，l为线路开断集合， 为线路b的运行状态，N 为电网中输电线路的数量。
7.根据权利要求5所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：所述步骤A中，在构建基于神经网络的短路电流预测模型之前，对输入特征样本集进行预处理，具体包括：对光伏电源出力和节点负荷出力数据样本进行标准化处理，即将每个特征向量缩放成平均值为0，方差为1；
8.根据权利要求1或2所述的一种含光伏电网的短路电流超标场景筛选方法，其特征在于：所述步骤B在对短路电流预测模型进行训练后用贝叶斯优化算法对其进行超参数优化，并测试模型的泛化能力。
一种含光伏电网的短路电流超标场景筛选方法
技术领域
[0001] 本发明属于电力系统分析技术领域，具体涉及一种含光伏电网的短路电流超标场景筛选方法。
背景技术
[0002] 电力系统短路电流的校核计算对于继电保护整定和选择限制短路电流的开关设备及其元件具有重大意义。光伏电源具有资源分布广、开发潜力大、环境影响小、可持续利用等特点，是能源体系的重要组成部分。随着以光伏电源大量接入电网，含光伏电力系统的建设不断向前推进，其短路电流特性已经发生了巨大改变，高比例的光伏电源也可能会对短路电流水平造成一定程度的提升，造成短路电流水平超出断路器的开断水平。因此，需要开展含高比例光伏电源的新型电力系统短路电流评估的研究。
[0003] 目前大部分对于含光伏电力系统短路电流的计算方法都是基于物理模型迭代法，该方法虽然计算精度高，但迭代过程存在计算耗时长的缺陷，且随着光伏接入比例的快速增加，该方法的计算速度越来越难以在面对复杂的网络时满足实际需求。
发明内容
[0004] 本发明的目的是针对现有技术存在的上述问题，提供一种在保证筛选精确的同时显著提高筛选速度的含光伏电网的潜在短路电流超标场景筛选方法。
[0005] 为实现以上目的，本发明的技术方案如下：
[0006] 一种含光伏电网的短路电流超标场景筛选方法，依次包括以下步骤：
[0007] 步骤A、以与含光伏电网的短路电流高度相关的大量特征数据样本作为输入特征样本集，并以流经短路点的短路电流作为样本标签，先根据输入特征样本集和样本标签构建基于神经网络的短路电流预测模型，然后对该短路电流预测模型进行训练；
[0008] 步骤B、先确定电网的短路电流超标保守阈值，再利用训练后的短路电流预测模型对预测的下一阶段各运行状态场景进行短路电流预测，筛选出短路电流值大于该短路电流超标保守阈值的运行状态场景作为疑似短路电流超标场景，其中，所述短路电流超标保守阈值为漏检率为0时的短路电流超标阈值；
[0009] 步骤C、对筛选出的疑似短路电流超标场景进行高精度校核，以确定最终的短路电流超标场景。
[0010] 步骤B中，所述短路电流超标保守阈值的确定方法为：
[0011] 先将短路电流超标保守阈值 的初始值设定为断路器最大开断电流 ，再按对数据样本进行筛选，计算漏检率并判断其是否为0，若不为0则将 减去0.1kA后重新对数据样本进行筛选，计算漏检率，如此循环，直至漏检率为0。
[0012] 所述漏检率FNR采用以下公式计算得到：
[0013]
[0014] 上式中，FN为超标样本被检测为未超标样本的数量，TP为被准确检测的未超标样本数量。
[0015] 步骤C中，所述高精度校核基于以下迭代计算方法进行：
[0016] 先计算得到故障前、后的节点电压，再求出节点的电压跌落系数，对于含有光伏电源的节点，形成节点导纳矩阵，然后确定光伏电源的输出电流，并求出光伏电源节点注入电流的修正量，接着利用节点导纳矩阵进行迭代求解节点电压的修正量，直到满足收敛条件或达到最大迭代次数，随后将节点电压的修正量与故障后的节点电压相加得到最终节点电压，由此得到短路电流，最后判定计算得到的短路电流是否大于断路器最大开断电流 ，若大于，则将其对应的疑似短路电流超标场景作为短路电流超标场景。
[0017] 步骤A中，所述与含光伏电网的短路电流高度相关的大量特征数据样本包括光伏电源出力、节点负荷出力、线路开断集合数据。
[0018] 所述大量特征数据样本的生成方法为：
[0019] 对于光伏电源出力特征数据，将光伏电源出力设为在 范围内随机波动，即基于下式随机生成多组光伏电源出力数据：
[0020]
[0021] 上式中， 为光伏电源t的出力， 为光伏电源的基础出力， 为光伏电源出力波动系数， ∈[0,1]，i = 1, 2 , … , i*，i*为光伏电源的数量；
[0022] 对于节点负荷出力特征数据，将靠近光伏电源的节点负荷设为在 范围内随机波动，将靠近同步机的节点负荷设为在 范围内随机波动，其他节点负荷设为在 范围内随机波动，即基于下式随机生成多组节点有功、无功功率数据：
[0023]
[0024]
[0025] 上式中， 、 分别为节点x的有功、无功功率， 、 分别为节点的基础有功、无功功率， ∈[0.8,1.2]，j = 1, 2 , … , j*，j*为靠近光伏电源的节点数量， ∈[0.4,1.5]，m = 1, 2 , … , m*，m*为靠近同步机的节点数量， ∈[0.7,1.4]，n = 1, 2 , …n*，n*为其它节点数量；
[0026] 对于线路开断集合特征数据，采用如下形式表示：
[0027]
[0028]
[0029] 上式中，l为线路开断集合， 为线路b的运行状态，N 为电网中输电线路的数量。
[0030] 所述步骤A中，在构建基于神经网络的短路电流预测模型之前，对输入特征样本集进行预处理，具体包括：
[0031] 对光伏电源出力和节点负荷出力数据样本进行标准化处理，即将每个特征向量缩放成平均值为0，方差为1；
[0032] 对线路开断集合进行独热编码。
[0033] 所述步骤B在对短路电流预测模型进行训练后用贝叶斯优化算法对其进行超参数优化，并测试模型的泛化能力。
[0034] 与现有技术相比，本发明的有益效果为：
[0035] 1、本发明一种含光伏电网的短路电流超标场景筛选方法以与含光伏电网的短路电流高度相关的大量特征数据样本作为输入特征样本集，并以流经短路点的短路电流作为样本标签，先根据输入特征样本集和样本标签构建基于神经网络的短路电流预测模型，然后对该短路电流预测模型进行训练，再确定电网的短路电流超标保守阈值，并利用训练后的短路电流预测模型对预测的下一阶段各运行状态场景进行短路电流预测，筛选出短路电流值大于该短路电流超标保守阈值的运行状态场景作为疑似短路电流超标场景，随后对筛选出的疑似短路电流超标场景进行高精度校核，以确定最终的短路电流超标场景，该方法前期通过神经网络模型进行预测场景的快速初筛，后期对筛选出的疑似场景进行高精度校核，不仅有效保证了筛选精确，而且显著提高了筛选速度。因此，本发明在保证筛选精确的同时显著提高了筛选速度。
[0036] 2、本发明一种含光伏电网的短路电流超标场景筛选方法以漏检率为0时的短路电流超标阈值即保守阈值作为短路电流超标基准，有效解决了神经网络模型等数据驱动算法存在的短路电流超标场景的遗漏问题，提高了可靠性。因此，本发明具有更高的可靠性。
附图说明
[0037] 图1为本发明的流程图。
[0038] 图2为短路电流超标保守阈值的确定方法流程图。
[0039] 图3为实施例1采用的含光伏电源IEEE39节点系统的结构图。
[0040] 图4为不同阈值下的FNR与FPR变化趋势图。
具体实施方式
[0041] 下面结合具体实施方式以及附图对本发明作进一步详细的说明。
[0042] 本发明提供了一种光伏电网的短路电流超标场景筛选方法，该方法利用物理模型提供大量的特征数据样本，随后基于这些特征数据样本对神经网络模型进行训练，并利用漏检率进行神经网络模型筛选短路样本阈值的设定，得到短路电流超标保守阈值，再基于训练的神经网络模型对大量预测运行状态场景进行快速在线初步筛选，获得疑似短路电流超标场景集，最后对疑似场景进行在线高精度校核。该方法一方面能够在保证不遗漏超标短路电流样本的同时有效提高短路电流超标样本的筛选速度；另一方面，由于降低漏检率的同时必然会导致误检率的增大，为此，本发明结合迭代计算方法进行高精度校核，从而有效保证了筛选精度。
[0043] 特征数据：影响含光伏电源短路电流水平的电网特征包含多个方面，如光伏电源出力、发电机出力、节点有功、无功功率以及线路开断状况等。这些特征虽然全面，但维度较高，不利于神经网络的训练速度及准确度。考虑到发电机出力与负荷出力是平衡的，两者的强关联性使得节点负荷出力某种程度上也反映了发电机出力，本发明仅选用光伏电源出力、节点出力和线路开断状况这三个特征，以降低特征维度，提高神经网络的训练速度及准确度。
[0044] 实施例1：
[0045] 参见图1，一种含光伏电网的短路电流超标场景筛选方法，该方法以图3 所示含光伏电源IEEE 39节点系统（该系统中含有10台发电机组、46条输电线路及5台光伏发电机组，设置在bus16发生三相对称短路，过渡电阻为0Ω，测量点即设置在bus16上，分别在第5、15、21、24、26节点接入基础容量均为700MW的光伏电源）为研究对象，依次按照以下步骤进行：
[0046] 1、按照以下方法随机生成神经网络模型所需的6000组特征数据样本：
[0047] 对于光伏电源出力特征数据，将光伏电源出力设为在 范围内随机波动，即基于下式随机生成多组光伏电源出力数据：
[0048]
[0049] 上式中， 为光伏电源t的出力， 为光伏电源的基础出力， 为光伏电源出力波动系数， ∈[0,1]，i = 1, 2 , … , i*，i*为光伏电源的数量；
[0050] 对于节点负荷出力特征数据，将靠近光伏电源的节点负荷设为在 范围内随机波动，将靠近同步机的节点负荷设为在 范围内随机波动，其他节点负荷设为在 范围内随机波动，即基于下式随机生成多组节点有功、无功功率数据：
[0051]
[0052]
[0053] 上式中， 、 分别为节点x的有功、无功功率， 、 分别为节点的基础有功、无功功率， ∈[0.8,1.2]，j = 1, 2 , … , j*，j*为靠近光伏电源的节点数量，∈[0.4,1.5]，m = 1, 2 , … , m*，m*为靠近同步机的节点数量， ∈[0.7,1.4]，n = 1, 2 , …n*，n*为其它节点数量；
[0054] 对于线路开断集合特征数据，考虑线路开断导致的网络拓扑变化，根据基础IEEE39节点系统结构选取26‑28、21‑24、4‑14、17‑18这四条线路作为备选开断线路，每次随机选择其中几条开断，线路开断集合采用如下形式表示：
[0055]
[0056]
[0057] 上式中，l为线路开断集合，为线路b的运行状态，N 为电网中输电线路的数量；
[0058] 2、对生成的大量特征数据样本进行预处理，具体为：
[0059] 对光伏电源出力和节点负荷出力数据样本进行标准化处理，即将每个特征向量缩放成平均值为0，方差为1，该方法去除了数据的量纲，将每组特征化为同一数量级，确保在训练时为特征分配合适的权重，避免依赖量纲较大的特征数据而造成模型的不精确；
[0060] 对线路开断集合进行独热编码；
[0061] 3、以预处理后的大量特征数据样本作为输入特征样本集，并以流经短路点的短路电流作为样本标签，将上述样本按8:2的比例划分为训练集和测试集，使用前馈神经网络中的全连接神经网络算法进行训练（评价指标采用目前常用于回归问题的均方根误差RMSE来考量），随后用贝叶斯优化算法对其进行超参数优化，并将得到的模型在测试集上测试其泛化能力；
[0062] 本实施例在测试集的RMSE为0.1280，随机选取5组样本将其短路电流预测值和真实值进行比较，结果如表1所示：
[0063] 表1 神经网络模型短路电流预测值和真实值抽样对比结果
[0064] ；
[0065] 通过表1所示数据可以看出，训练后的神经网络模型的短路电流预测水平误差在可接受范围内；
[0066] 4、参见图2，按照以下方法确定电网的短路电流超标保守阈值 ：
[0067] 先将 的初始值设定为断路器最大开断电流 ，再按 对数据样本进行筛选，计算漏检率并判断其是否为0，若不为0则将 减去0.1kA后重新对数据样本进行筛选，计算漏检率，如此循环，直至漏检率为0，其中，所述漏检率FNR采用以下公式计算得到：
[0068]
[0069] 上式中，FN为超标样本被检测为未超标样本的数量，TP为被准确检测的未超标样本数量；
[0070] 本实施例考察了在不同短路限流超标阈值下漏检率FNR与误检率FPR的变化趋势，结果如图4所示，另外，由于本实施例采用的系统所计算的短路电流结果并没有达到一般断路器的极限开断电流50kA这一量级，故将短路电流结果采取等比例放大6倍；
[0071] 由图4可知，随着设定阈值的降低，FPR越来越高，更多的实际未超标短路电流样本被检测为超标，与此同时，FNR则越来越低，且阈值降低到49.6kA时FNR为0，可以保证不会有超标的样本被神经网络模型所遗漏，故将保守阈值整定为49.6kA；
[0072] 所述误检率FPR采用以下公式计算得到：
[0073]
[0074] 上式中，FP为未超标样本被检测为超标样本的数量，TN为被准确检测的超标样本数量；
[0075] 5、利用训练后的短路电流预测模型对预测的5000组运行状态场景样本进行短路电流预测，筛选出短路电流值大于49.6kA的运行状态场景作为疑似短路电流超标场景；
[0076] 6、对筛选出的疑似短路电流超标场景采用以下迭代计算方法进行校核：
[0077] 先计算得到故障前、后的节点电压，再求出节点的电压跌落系数，对于含有光伏电源的节点，形成节点导纳矩阵，然后确定光伏电源的输出电流，并求出光伏电源节点注入电流的修正量，接着利用节点导纳矩阵进行迭代求解节点电压的修正量，直到满足收敛条件或达到最大迭代次数，随后将节点电压的修正量与故障后的节点电压相加得到最终节点电压，由此得到短路电流，最后判定计算得到的短路电流是否大于断路器最大开断电流 ，若大于，则将其对应的疑似短路电流超标场景作为短路电流超标场景。
[0078] 为考察保守阈值设定在筛选超标样本上的效果，将实施例1以49.6kA作为保守阈值筛选出的样本数与以断路器最大开断电流50kA作为阈值筛选出的样本数（其他步骤同实施例1）进行对比，结果如表2所示：
[0079] 表2 短路电流超标评估结果
[0080] 。
[0081] 从表2可以看出，当阈值直接按断路器最大开断电流50kA设定时，则会遗漏31组超标样本，造成后续无法对这些遗漏样本进行校核；而当阈值设定为49.6kA时，此时FNR为0，则不会出现遗漏的超标样本，能够准确地筛选出191组超标样本。
[0082] 采用步骤6中所述迭代计算方法对预测的5000组运行状态场景样本进行筛选，共需要76.57s，而实施例1所述方法的筛选时间仅需5.76s，因此本发明方法极大提升了筛选速度。
