《表1 样品信息：机理与数据融合驱动的含IIDG配电网短路电流计算方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机理与数据融合驱动的含IIDG配电网短路电流计算方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

上述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会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，笔者希望能够找到数量更少、质量更高的特征组合。将含IIDG配电网看作不接入IIDG的配电网与接入的IIDG共同构成的系统，则可以把含IIDG配电网短路电流计算问题理解为：在不接入IIDG时的配电网短路电流之上，叠加IIDG在发生故障时提供的短路电流，进而得到含IIDG配电网的短路电流。基于此，本文提出将相同运行方式下发生相同故障但不接入IIDG时测量点流过的短路电流If作为样本特征之一。由于If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，是从机理层面提出的样本特征，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、故障特征等部分配电网信息，可极大地减少特征数量。但是，研究发现，若旋转式电源在配电网发生故障时不向测量点提供短路电流，即If恒定为0，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发生故障时向测量点提供短路电流，即If不恒定为0，则该特征具有物理意义和包含配电网信息，因此If这一特征仅适用于If不恒定为0，即相应机理有效的情况。则样本组成见表1。