一种基于机器学习的方法用于暂态稳定研究中关键距离继电器的辨识

对保护继电器进行建模对于开展准确的稳定研究至关重要，因为其在定义电力系统扰动期间的动态响应方面发挥着关键作用。然而，由于稳定软件当前的局限性以及跟踪数千个保护继电器定值信息变化的挑战，对大电网中所有保护继电器进行建模是一项艰巨任务。距离继电器是关键的保护方案之一，在当前稳定研究实践中未被恰当建模。本文提出一种基于机器学习的方法，利用提前终止的稳定研究结果来辨识那些研究中需要建模的关键距离继电器。所用算法为随机森林（random forest, RF）分类器。使用 GE 正序潮流分析（PSLF）软件进行稳定研究。该模型在西部电力协调委员会（WECC）系统数据上训练和测试，该数据代表系统在不同运行条件和拓扑下的 2018 年夏季峰值负荷。结果表明该方法在辨识关键距离继电器方面性能优异。结果还表明，仅对辨识出的关键距离继电器建模便足以开展准确的稳定研究。