基于临界超标样本扩充的数据驱动短路电流超标精准校验方法

短路电流超标校验中,针对现有技术在临界超标场景下存在计算精度不足、易误判的缺陷,提出一种基于临界超标样本扩充的数据驱动短路电流超标精准校验方法。首先,在短路电流领域首次采用生成对抗网络(generative adversarial networks,GAN)产生与蒙特卡洛模拟具有相同效力的大量样本,再筛选其中的临界超标样本;其次,设计了一种临界超标占比高、非临界超标占比低的新型样本构成方式,据此融合GAN生成临界超标样本与蒙特卡洛仿真样本以形成数据驱动样本集;继而,采用数据驱动的代表性回归算法LightGBM开展短路电流超标校验;最后,仿真结果表明所提方法能有效提高短路电流超标的校验准确度,相比其他物理计算方法和数据驱动方法具有更高效率和计算精度,以及更快的计算速度。