基于人工神经网络的工具，在基于可再生能源高渗透率的短路电流估算中有何应用？
基于电力电子(PE)的可再生能源越来越多地集成到电力系统中，已经严重影响了故障电流的传统水平和特征。而可再生能源电力系统运行的安全性则需要在可再生能源占比高的各种场景下正确估计故障电流。
尽管使用详细和复杂的时域动态仿真可以计算故障电流，但从操作角度来看，由此产生的建模复杂性和计算负担可能不够，因此有必要开发替代的更快的数据驱动故障电流估计方法来支持系统操作员。
近年来，可再生能源(RES)的使用迅速增长，并成为电气行业的重要组成部分。
可再生能源（例如风能和光伏）渗透率的增加有可能改变电力系统的传统动力和特性，而这些动力和特性通常在基于同步发电机(SG)的传统电力系统中观察到。
短路(SC)电流被认为是系统的特性之一，与传统SG相比，由于RES的故障贡献不同，该特性有可能发生改变.这是由用于电网集成的电力电子(PE)转换器引起的。
这种PE转换器在其故障电流承载能力方面受到限制，以避免对开关（IGBT）施加压力。因此，它们的SC电流贡献将与SGs馈送的电流贡献明显不同。
至于基于PE的RES，它们的故障电流贡献通常被忽略，假设对计算的准确性有不可察觉的影响。
然而，这可能不适用于富含可再生能源的电力系统，这也是由最近开始定义故障穿越(FRT)要求的电网规范驱动的。
FRT要求RES在故障事件期间必须保持连接，并通过在故障期间注入无功电流来提供动态电压支持。因此，由于RES的载流能力限制、不同的控制策略和不同的FRT要求，RES的SC贡献呈现出不同的特征。
关于RES对SC电流贡献的主题，已经完成并报告了大量研究工作。虽然一些报告的工作已经很好地理解了RES的SC贡献与传统SG[14]之间的差异，但其他研究已经解决了故障计算期间RES建模的问题。
此外，大量研究提出了考虑RES贡献的电力系统故障电流计算方法。尽管报道的研究已经很好地了解了RES的SC电流的特性及其对富含RES的高电力系统故障水平的影响。
但仍然需要更好地将SC电流与渗透水平相关联，以实现更多的理解和准确估计未来电力系统中的SC当前组件、趋势和行为。
值得注意的是，前面提到的所有研究和标准都需要进行详细的建模或耗时的时域模拟，以便观察未来场景中SC电流特性的潜在变化。
此外，据目前所知，还没有提出基于RES的渗透水平来估计SC电流特性的人工智能应用。
因此，提出了一种基于人工神经网络(ANN)的工具，该工具可以估计富含可再生能源的未来电力系统中SC电流的变化动态特性，而无需进行此类详细建模或重复故障计算。使用基于AI的工具，更具体地说是ANN。
这样的工具还可以使研究人员和系统操作员通过使用渗透水平作为其网络中唯一的输入变量，更好地了解未来可能在SC特征中观察到的变化/改变。
这是基于ANN的工具还可以通过提供一种快速直接的扫描工具使规划工程师和系统操作员受益，该扫描工具可以确定在调度（在线/离线）发电机组时可能可用的SC级别。
所提出的用于估计富含PE的电力系统中SC电流特性的算法基本上取决于在基于PE的RES渗透的大量场景中收集SC电流的不同分量的大量数据。
用于为开发的ANN提供输入的数据集是通过模拟许多基于PE的RES渗透水平到所研究网络中的场景收集的。
其中，SGs和PVs分别代表SGs和PV系统的装机容量，通过测量经过训练的ANN的均方误差(MSE)达到目标精度后，将针对随机选择的渗透水平值对开发的ANN进行测试和验证（p).SC电流估计工具的总体算法包括五个步骤。
第一步是在DIgSILENTPowerFactory软件中对测试系统进行建模，其中根据IEC60909标准进行SC电流计算。第二步是生成建议的场景，其中包括光伏系统的不同渗透和SG的退役。
第三步是使用IEC60909标准对选定场景进行SC电流计算，以便收集所需的SC电流分量的大型数据集，同时考虑SG和PV系统的SC贡献。
第四步是为SC电流估计开发和构建合适的ANN。在第五步，对ANN架构进行了仔细的考虑，所提出的ANN被训练为在输入（由渗透水平百分比表示）之间映射p)和输出（由生成的SC电流分量数据集表示）使用研究中的各种场景。
最后，使用随机选择的输入对经过训练的ANN进行验证和测试，这些输入代表0%和100%渗透水平之间的新场景，而不是用于ANN训练阶段的场景。结果部分更详细地描述了这些测试场景。
基于ANN的工具可以提供一种强大的技术，用于快速有效地估计未来电力系统中的SC电流，其中基于PE的RESs系统在不同位置的渗透率高。
