[发明专利]一种基于GRU循环神经网络的微电网动态等效建模方法

说明书

针对微电网存在未知部分情况下动态建模困难的问题，本发明属于一种建模方法，具体为一种基于GRU循环神经网络的微电网动态等效建模方法，首先采集扰动期间微电网公共耦合点的扰动数据；其次确定GRU循环神经网络的结构和参数，最后利用采集的扰动数据训练GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示含未知部分的微电网的动态等效模型。该方法利用GRU循环神经网络良好的处理复杂的非线性问题的能力，以及GRU克服梯度消失和爆炸的能力，建立基于GRU循环神经网络的微电网的动态等效模型，以准确表达存在未知部分的微电网的动态性能，满足系统分析的需要，填补对微电网短期尺度动态建模研究的空缺。

技术领域

本发明属于电力系统建模和控制技术领域，尤其涉及一种基于GRU循环神经网络的微电网动态等效建模方法。

背景技术

分布式发电系统以其可再生、清洁的优点得到很大程度的开发利用，随着并网功率转换器的广泛应用，越来越多的微电网被纳入配电网。微电网的开发和延伸充分促进了分布式发电系统与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，使传统电网向智能电网过渡。随着分布式发电和储能的日益普及，微电网端口的动态行为变得更加复杂。由于微电网的低惯性，其暂态响应容易受到外界波动和突发事件的影响。研究其动态响应对于微网的功率规划、分析和控制具有重要意义。

微电网的动态等效模型对于预测接入电网端口处的瞬态行为和分析其稳定性至关重要，因为它可以通过仿真来评估性能以避免实际测试中的损失和危险，保证电网安全运行。微电网的动态等效模型要求基于详细信息的微电网微分代数方程(DAE)建立精确的模型。但是，由于商业、军事机密以及设备制造商市场退出等因素的限制，在大多数实际仿真过程中大部分目标本信息都无法查证，甚至是拓扑结构都无法获得。此外，由于参数在较长的服务时间内会产生漂移，因此所拥有的信息几乎不会完美准确。因此，迫切需要一种动态等效建模方法来分析含有未知部分的微电网。

目前，人工神经网络已经得到爆炸性的发展。循环神经网络因其良好的处理复杂的非线性问题的能力，同时具有很好的捕捉电力系统动态特性的能力，用于电网接入端口处数据的瞬态分析。在能源技术领域等非线性系统的控制和辨识上得到了广泛的应用。当今科学界提出了多种神经网络来解决电力系统中的建模问题。但是，大多数现有研究都是针对长时间尺度的建模工作，缺乏对微电网短期尺度动态建模的研究。

发明内容

本发明就是针对现有技术存在的缺陷，提出一种基于GRU循环神经网络的微电网动态等效建模方法，利用GRU循环神经网络良好的处理复杂的非线性问题的能力，以及GRU克服梯度消失和爆炸的能力，建立基于GRU循环神经网络的微电网的动态等效模型，以很好的表达含有未知部分的微电网的动态性能，满足系统分析的需要，填补对微电网短期尺度动态建模研究的空缺。

为实现上述目的，本发明采用如下技术方案，包括以下步骤：

步骤1：采集扰动期间微电网公共耦合点的扰动数据；

步骤2：确定GRU循环神经网络的结构和参数；

步骤3：利用步骤1采集的扰动数据训练步骤2中的GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示微电网的动态等效模型。

进一步地，所述步骤1包括：

步骤11、采集的扰动数据包括微电网接入端口处的电压、电流瞬态值；为了简化数据结构相应的将这两个物理量转化为αβ-框架，V(α,β)为电压时序，I(α,β)为电流时序，可降低数据的维数；

步骤12、选取PMU作为时序测量设备相应的测量不同故障条件下电压、电流的时序数据，电压时序作为神经网络的输入，电流时序作为神经网络的输出。

进一步地，步骤2中所述的GRU循环神经网络的结构包括输入层、归一化层、GRU隐藏层、FC隐藏层、输出层；