基于人工神经网络的新型电力系统短路电流计算的方法与流程

1.本发明涉及电力系统技术领域，具体涉及基于人工神经网络的新型电力系统短路电流计算的方法。


背景技术：

2.为实现“碳达峰、碳中和”的新时代目标，伴随着可再生能源的大规模并网，它带来的新能源具有很强的随机性和波动性。届时，电力系统将呈现新能源占比高、电力电子占比高的“双高”特点。传统电力系统以同步发电机为主，在电网发生故障时能够提供负荷电流20倍以上的短路故障电流，而新型电力系统新能源占比高，新能源的故障特征明显不同于传统系统同步电机。由于受到逆变器电力电子元件耐受电流的影响，新能源提供的短路电流一般不超过额定电流的1.2倍，且输出短路电流也受控制策略、稳态输出功率、短路点位置的影响，是非线性的，改变了电网故障特性，给短路电流计算和保护整定带来挑战。
3.目前对含新能源的电网短路电流计算时，新能源仅被建模为理想电流源，没有考虑其故障输出特性，与实际情况不符，在新能源占主体地位的新型电力系统中会严重影响短路电流计算的准确性，从而影响保护的动作性能；或是将新能源等效为压控电流源，采用迭代法的方法求解网络的短路电流，但是对于大型网络，全局迭代耗时长且存在不收敛的问题，也无法适应环境的变化和系统运行方式的变化。
4.近年来，机器学习方法受到广泛的关注和越来越多的应用，这是一种基于数据驱动的方法，根据数据样本集，分析得到样本特征与标签之间的映射关系，继而对未知数据进行预测。这给含新能源的新型电力系统短路电流计算带来了新思路。当电网的运行方式状态和故障信息如故障位置、类型确定时，那么电网中各点流过的故障电流是唯一的，因此电网特征与故障电流之间的映射关系是可以通过机器学习进行挖掘的。


技术实现要素：

5.为解决现有技术所存在的技术问题，本发明提供基于人工神经网络的新型电力系统短路电流计算方法，本发明通过新型电力系统仿真模型进行新能源电力系统输电线路故障模拟，建立新型电力系统仿真模型多场景下的仿真数据库，所训练的人工神经网络精度高，实现了短路电流实时计算精度高，解决了现有短路电流计算方法中计算精度不高或者迭代计算耗时长、不收敛的问题。
6.本发明通过采取如下技术方案达到：
7.基于人工神经网络的新型电力系统短路电流计算的方法，所述方法包括：
8.搭建新型电力系统仿真模型；
9.通过新型电力系统仿真模型进行新能源电力系统输电线路故障模拟，改变新型电力系统仿真模型的运行状态参数值、故障类型和故障位置，得到与故障位置对应的故障后的三相短路电流，将运行状态参数值、故障类型、与故障位置对应的故障后的三相短路电流作为样本数据，构建样本数据库；
10.将样本数据进行预处理得到训练数据，构建人工神经网络模型，使用训练数据对人工神经网络模型进行预训练，直到人工神经网络模型完成设定的训练周期；
11.采集在新型电力系统输电线路发生故障时的运行状态参数值、故障类型和故障位置，将运行状态参数值和故障类型进行归一化处理，输入训练完成的人工神经网络模型，输出新型电力系统输电线路的不同位置对应的故障短路电流大小。
12.优选地，新型电力系统仿真模型包含直驱风机、光伏发电系统和同步机，直驱风机、光伏发电系统、同步机各自分别接入变压器形成三个供电端，供电端两两之间在变压器处通过输电线路相互电性连接，每条输电线路上均分别设置有两级负载。
13.所述直驱风机在正常运行时采用pq恒功率控制，在线路发生故障时，根据电压跌落程度判断是否采用低电压穿越控制和正负序解耦控制；光伏发电系统在正常运行时采用mppt和pq恒功率控制，在线路发生故障时，若电压跌落到0.9倍额定电压以下时，采用低电压穿越和正负序解耦控制，同步机接入变压器的另一侧接地。
14.进一步地，所述运行状态参数值包括新型电力系统仿真模型的中各节点的电压幅值、电压相角和线路流过的有功功率、无功功率。
15.优选地，所述通过新型电力系统仿真模型进行新能源电力系统输电线路故障模拟，改变新型电力系统仿真模型的运行状态参数值、故障类型和故障位置，得到与故障位置对应的故障后的三相短路电流，将运行状态参数值、故障类型、与故障位置对应的故障后的三相短路电流作为样本数据，构建样本数据库，包括：
16.s21、改变新型电力系统仿真模型的环境参数，使得新型电力系统仿真模型的稳态功率发生改变，采集新型电力系统仿真模型的各节点的电压幅值v、电压相角θ、线路流过的有功功率p和无功功率q；
17.s22、随机设置新型电力系统仿真模型上的故障位置和故障类型，采集不同位置对应的故障后的线路三相短路电流大小i
f_dg
；
18.s23、将步骤s21-s22重复n次，得到新型电力系统仿真模型在n种不同运行状态下的各节点的电压幅值v、电压相角θ、线路流过的有功功率p、无功功率q、故障类型和不同故障位置对应的故障后的线路三相短路电流大小i
f_dg
，构建样本数据库。
19.本发明与现有技术相比，具有如下优点和有益效果：
20.1、本发明提供基于人工神经网络的新型电力系统短路电流计算方法，通过搭建新型电力系统仿真模型，通过新型电力系统仿真模型进行新能源电力系统输电线路故障模拟，将不同的运行状态参数值、故障类型和不同故障位置对应的故障后的三相短路电流作为样本数据，构建样本数据库；对考虑多源随机注入系统动态变换场景下的电力系统进行实时短路电流计算，解决了现有技术没有考虑新能源强随机性、波动性的特征，只取额定运行状态情况下的短路电流计算在新型电力系统中不适用的问题；当样本数据库足够大，囊括各类场景，所训练的网络精度就非常高，解决了现有技术中为了实现快速计算只把新能源电源考虑为恒电流源带来的计算精度不足的问题。
21.2、本发明通过离线训练，在线应用的方式，将时间都耗在离线训练上，在线应用时计算速度非常快，解决了现有短路电流计算方法中新能源电源等效为压控电流源进行迭代计算，迭代计算耗时长，且存在不收敛的问题；
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
23.图1是本发明实施例中的基于人工神经网络的新型电力系统短路电流计算的方法的流程图；
24.图2是本发明实施例中的新型电力系统仿真模型的示意图；
25.图3是本发明实施例中的人工神经网络模型的结构图。
具体实施方式
26.下面将结合附图和实施例，对本发明技术方案做进一步详细描述，显然所描述的实施例是本发明一部分实施例，而不是全部的实施例，本发明的实施方式并不限于此。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.实施例1：
28.本发明提供基于人工神经网络的新型电力系统短路电流计算方法，通过改变系统不同运行状态和故障类型、位置，产生不同的短路电流大小，构造样本数据库，进行离线训练，得到短路电流计算的神经网络模型，再进行在线应用，实时计算系统各点的短路电流大小。本发明仅需电网中各节点的电压幅值、电压相角、线路流过的有功功率、无功功率、故障类型，就能自动评估新型电力系统各处的短路电流的大小。
29.在如图1所示，本实施例的一种基于人工神经网络的新型电力系统短路电流计算的方法，包括如下步骤：
30.s1、搭建新型电力系统仿真模型
31.如图2所示，搭建新能源占主体地位的新型电力系统仿真模型，新型电力系统仿真模型包含直驱风机、光伏发电系统和同步机，直驱风机、光伏发电系统、同步机各自分别接入变压器后形成供电端，供电端两两之间在变压器处通过输电线路相互电性连接，且每条输电线路上均分别设置有两级负载。优选地，直驱风机在正常运行时采用pq恒功率控制，在线路发生故障时根据电压跌落程度判断是否改为采用低电压穿越控制和正负序解耦控制；光伏发电系统在正常运行时采用mppt和pq恒功率控制，在线路发生故障时根据电压跌落程度判断是否改为采用低电压穿越和正负序解耦控制，同步机接入变压器的另一侧接地。
32.新型电力系统仿真模型中的直驱风机参数、光伏发电系统参数、同步机参数、负载类型、负载数量、负载规格、输电线路具体结构等均可根据实际需求灵活调整设计。优选地，设定直驱风机、光伏发电系统、同步机运行于额定状态下，负载选用恒阻抗模型，功率参数按照ieee9标准进行设置，作为基础的运行方式。
33.新型电力系统仿真模型可以是基于pscad软件仿真虚拟搭建的虚拟仿真平台，pscad全称power systems computer aided design，是一种电磁暂态仿真软件。也可以是采用实物硬件设备按照一定比例缩小规格实际搭建的试验型平台。
34.s2、通过新型电力系统仿真模型进行新能源电力系统输电线路故障模拟，改变新
型电力系统仿真模型的运行状态参数值、故障类型和故障位置，得到与故障位置对应的故障后的三相短路电流，将运行状态参数值、故障类型、与故障位置对应的故障后的三相短路电流作为样本数据，构建样本数据库。
35.所述新型电力系统仿真模型的运行状态参数值包括新型电力系统仿真模型的中各节点的电压幅值、电压相角、线路流过的有功功率、无功功率。
36.具体地，步骤s2包括：
37.s21、改变新型电力系统仿真模型的环境参数，使得新型电力系统仿真模型的稳态功率发生改变，采集新型电力系统仿真模型的各节点的电压幅值v、电压相角θ、线路流过的有功功率p和无功功率q。
38.具体地，所述改变新型电力系统仿真模型的的环境参数包括光照强度和风速，通过改变新型电力系统仿真模型光照强度、风速，从而改变新能源电力系统的稳态功率，使得新能源电力系统运行状态参数值发生变化，由于新能源电力系统的稳态功率发生改变，各节点的电压随之改变，负荷吸收的功率也会发生变化。改变新型电力系统仿真模型n种不同光照强度、风速，从而可以生成n种不同的系统运行状态。
39.s22、随机设置新型电力系统仿真模型上的故障位置和故障类型，采集故障后的线路三相短路电流大小i
f_dg
。
40.s23、将步骤s21-s22重复n次，得到新型电力系统仿真模型在n种不同运行状态下的各节点的电压幅值v、电压相角θ、线路流过的有功功率p、无功功率q、故障类型和不同故障位置对应的故障后的线路三相短路电流大小i
f_dg
，构成样本数据库。
41.所采集的采集新型电力系统仿真模型的各节点的电压幅值v、电压相角θ、线路流过的有功功率p和无功功率q等数据，具体为故障发生前各节点的电压幅值、电压相角、线路流过的有功功率、无功功率的幅值数据；在新能源电力系统线路上设置不同的故障位置和故障类型具体为在新能源电力系统线路上随机生成设置不同的故障位置和故障类型。
42.s3、将样本数据进行预处理得到训练数据，构建人工神经网络模型，使用训练数据对人工神经网络模型进行预训练，直到人工神经网络模型完成设定的训练周期。
43.具体地，将样本数据进行预处理得到训练数据，具体包括：
44.对样本数据进行提取，将故障前当前运行状态下的各节点的电压幅值、电压相角、线路流过的有功功率、无功功率的稳态幅值和随机生成的故障类型作为神经网络的样本特征，不同故障位置对应的故障后线路短路电流大小为标签数据。样
45.对样本特征进行归一化处理，每个特征或者标签分别作为一组数据，遍历n种运行状态下各个特征或者标签数据的最大值和最小值，按照公式进行归一化处理。可以加快梯度下降求最优解的速度，提高收敛性。所述公式为：
[0046][0047]
其中，x为样本集本组数据里的任意数据，x
max
为本组数据的最大值，x
min
为本组数据的最小值。
[0048]
如图3所示，人工神经网络的结构包括一个输入层、一个隐含层和一个输出层，每一层均通过relu激活函数实现非线性变换并传入下一层(单个relu是线性的，但在多层神经网络中是非线性变换)；隐含层为三个全连接层。当样本数据提供给人工神经网络后，其
神经元的激活值将从输入层经各隐含层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。然后，按减少希望输出与实际输出误差的原则，从输出层经各隐含层、最后回到输入层逐层修正各连接权。
[0049]
具体地，使用训练数据据对人工神经网络模型进行预训练时，选取神经网络输出的电流值与实际电流值的均方误差函数为损失函数，训练周期为500，学习率为0.001，梯度下降的优化器采用adam优化算法，利用所得样本及标签数据对神经网络进行离线训练。
[0050]
s4、采集在新型电力系统输电线路发生故障时的运行状态参数值、故障类型和故障位置，将运行状态参数值和故障类型进行归一化处理，输入训练完成的人工神经网络模型，输出新型电力系统输电线路的故障短路电流大小。
[0051]
具体地，采集新型电力系统输电线路各节点的电压幅值、电压相角、线路流过的有功功率、无功功率、故障类型、故障位置作为样本数据，对样本数据进行归一化后，输入经过预训练的人工神经网络进行计算得到相应的故障点的三相短路电流大小。
[0052]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。