基于人工神經網絡的工具，在基于可再生能源高滲透率的短路電流估算中有何應用？
基于電力電子(PE)的可再生能源越來越多地內建到電力系統中，已經嚴重影響了故障電流的傳統水準和特征。而可再生能源電力系統運作的安全性則需要在可再生能源占比高的各種場景下正确估計故障電流。
盡管使用詳細和複雜的時域動态仿真可以計算故障電流，但從操作角度來看，由此産生的模組化複雜性和計算負擔可能不夠，是以有必要開發替代的更快的資料驅動故障電流估計方法來支援系統操作員。
近年來，可再生能源(RES)的使用迅速增長，并成為電氣行業的重要組成部分。
可再生能源（例如風能和光伏）滲透率的增加有可能改變電力系統的傳統動力和特性，而這些動力和特性通常在基于同步發電機(SG)的傳統電力系統中觀察到。
短路(SC)電流被認為是系統的特性之一，與傳統SG相比，由于RES的故障貢獻不同，該特性有可能發生改變.這是由用于電網內建的電力電子(PE)轉換器引起的。
這種PE轉換器在其故障電流承載能力方面受到限制，以避免對開關（IGBT）施加壓力。是以，它們的SC電流貢獻将與SGs饋送的電流貢獻明顯不同。
至于基于PE的RES，它們的故障電流貢獻通常被忽略，假設對計算的準确性有不可察覺的影響。
然而，這可能不适用于富含可再生能源的電力系統，這也是由最近開始定義故障穿越(FRT)要求的電網規範驅動的。
FRT要求RES在故障事件期間必須保持連接配接，并通過在故障期間注入無功電流來提供動态電壓支援。是以，由于RES的載流能力限制、不同的控制政策和不同的FRT要求，RES的SC貢獻呈現出不同的特征。
關于RES對SC電流貢獻的主題，已經完成并報告了大量研究工作。雖然一些報告的工作已經很好地了解了RES的SC貢獻與傳統SG[14]之間的差異，但其他研究已經解決了故障計算期間RES模組化的問題。
此外，大量研究提出了考慮RES貢獻的電力系統故障電流計算方法。盡管報道的研究已經很好地了解了RES的SC電流的特性及其對富含RES的高電力系統故障水準的影響。
但仍然需要更好地将SC電流與滲透水準相關聯，以實作更多的了解和準确估計未來電力系統中的SC目前元件、趨勢和行為。
值得注意的是，前面提到的所有研究和标準都需要進行詳細的模組化或耗時的時域模拟，以便觀察未來場景中SC電流特性的潛在變化。
此外，據目前所知，還沒有提出基于RES的滲透水準來估計SC電流特性的人工智能應用。
是以，提出了一種基于人工神經網絡(ANN)的工具，該工具可以估計富含可再生能源的未來電力系統中SC電流的變化動态特性，而無需進行此類詳細模組化或重複故障計算。使用基于AI的工具，更具體地說是ANN。
這樣的工具還可以使研究人員和系統操作員通過使用滲透水準作為其網絡中唯一的輸入變量，更好地了解未來可能在SC特征中觀察到的變化/改變。
這是基于ANN的工具還可以通過提供一種快速直接的掃描工具使規劃工程師和系統操作員受益，該掃描工具可以确定在排程（線上/離線）發電機組時可能可用的SC級别。
所提出的用于估計富含PE的電力系統中SC電流特性的算法基本上取決于在基于PE的RES滲透的大量場景中收集SC電流的不同分量的大量資料。
用于為開發的ANN提供輸入的資料集是通過模拟許多基于PE的RES滲透水準到所研究網絡中的場景收集的。
其中，SGs和PVs分别代表SGs和PV系統的裝機容量，通過測量經過訓練的ANN的均方誤差(MSE)達到目标精度後，将針對随機選擇的滲透水準值對開發的ANN進行測試和驗證（p).SC電流估計工具的總體算法包括五個步驟。
第一步是在DIgSILENTPowerFactory軟體中對測試系統進行模組化，其中根據IEC60909标準進行SC電流計算。第二步是生成建議的場景，其中包括光伏系統的不同滲透和SG的退役。
第三步是使用IEC60909标準對標明場景進行SC電流計算，以便收集所需的SC電流分量的大型資料集，同時考慮SG和PV系統的SC貢獻。
第四步是為SC電流估計開發和建構合适的ANN。在第五步，對ANN架構進行了仔細的考慮，所提出的ANN被訓練為在輸入（由滲透水準百分比表示）之間映射p)和輸出（由生成的SC電流分量資料集表示）使用研究中的各種場景。
最後，使用随機選擇的輸入對經過訓練的ANN進行驗證和測試，這些輸入代表0%和100%滲透水準之間的新場景，而不是用于ANN訓練階段的場景。結果部分更詳細地描述了這些測試場景。
基于ANN的工具可以提供一種強大的技術，用于快速有效地估計未來電力系統中的SC電流，其中基于PE的RESs系統在不同位置的滲透率高。
