江西省电机工程学会网站

目前含逆变器型分布式电源(IIDG)的配电网短路电流计算主要采用物理建模方法，在IIDG高渗透情况下在计算速度、准确性、通用性等方面存在不足。针对配电网中任意点发生任意类型故障后任意节点流过的短路电流计算问题，提岀了一种基于多输岀回归算法的含IIDG配电网短路电流计算方法。选取多输岀回归算法中的多目标回归模型融合算法，其在训练模型时可以利用各个单算法模型的融合来提升本模型效果，同时选择XGBoost算法作为基学习器，以提升算法的准确性。此外形成了相应的样本特征组成方式和短路电流计算流程，并在IEEE 34节点测试算例上验证了该方法的有效性。

[1] 陈晓龙，李永丽，赵曼勇，等 . 计及配电网电流保护整定原则的逆变型分布式电源准入容量计算[J]. 电力自动化设备， 2016，36（6）∶156-162． [2] 谈林涛，李军良，任昺，等 . 基于 RB-XGBoost算法的智能电网调度控制系统健康度评价模型[J]. 电力自动化设备， 2020，40（2）∶189-195． [3] 鞠平，周孝信，陈维江，等．“智能电网+ ”研究综述[J]. 电力自动化设备，2018，38（05）∶2-11． [4] 张沛超，陈琪蕾，李仲青，等 . 具有增量学习能力的智能孤岛检测方法[J]. 电力自动化设备，2018，38（05）∶83-89． [5] 王琦，李峰，汤奕，等 . 基于物理-数据融合模型的电网暂态频率特征在线预测方法[J]. 电力系统自动化，2018（19）∶1-9． [6] Zhang M L，Zhou Z H.A review on multi-label learning algo- rithms[J].IEEEtransactionsonknowledgeanddataengineering， 2013，26（8）∶1819-1837． [7] Burnham A J，MacGregor J F，Viveros R.Latent variable mul- tivariate regression modeling[J]. Chemometrics and Intelli gent Laboratory Systems，1999，48（2）∶167-180． [8] Kocev D，Džeroski S，White M D，et al. Using single-and multi-target regression trees and ensembles to model a com pound index of vegetation condition[J]． Ecological Model- ling，2009，220（8）∶1159-1168． [9] Tsoumakas G，Spyromitros-Xioufis E，Vlahavas I. Drawing parallels between multi-label classification and multi-target regres-sion[C]. ECML PKDD 2014 Workshop on Multi-Target Predic-tion.Nancy，France.2014． [10] Borchani H，Varando G，Bielza C，et al.A survey on multi- output regression[J]. Wiley Interdisciplinary Reviews：Data Mining and Knowledge Discovery，2015，5（5）∶216-233． [11] Spyromitros-Xioufis E，Tsoumakas G，Groves W，et al． Multi-label classification methods for multi-target regression [J].arXiv preprint arXiv：1211.6581，2012 ∶1159-1168． [12] Wolpert D H. Stacked generalization[J]. Neural networks， 1992，5（2）∶241-259． [13] 郑翔，王慧芳，姜宽，等 . 机理与数据融合驱动的含 IIDG配电网短路电流计算方法[J]. 电力自动化设备，2021，41（01） ∶41-48．

优秀论文集模块列表

会员频道