[發(fā)明專利]一種基于GAN與GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法

在審

• 申請?zhí)枺?/td>: 202110484280.8
• 申請日: 2021-04-30
• 公開（公告）號: CN113420492A
• 公開（公告）日: 2021-09-21
• 發(fā)明（設計）人: 張建華;王永岳;胡博;周桂平;王順江;李斌;王磊;李宏瑞;侯國蓮;黃從智
• 申請（專利權）人: 華北電力大學;國網遼寧省電力有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/063;G06N3/08;G06F113/06;G06F119/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于，包括以下步驟：

步驟(1)：采集風光火耦合系統(tǒng)在特定場景下運行時的歷史輸入輸出數據，進行預處理；

步驟(2)：構建缺失位置編碼向量；

步驟(3)：構建缺失數據填充網絡與輔助預測網絡；

步驟(4)：填充數據尺度還原；

步驟(5)：測試與超參數設置；

步驟(6)：確定用于建立風光火耦合系統(tǒng)頻率響應模型的GRU神經網絡，并初始化GRU神經網絡權重；

步驟(7)：將GAN生成的訓練樣本輸入到GRU神經網絡進行訓練，獲取風光火耦合系統(tǒng)頻率響應模型；針對當前場景下運行的風光火耦合系統(tǒng)，利用訓練好的基于GRU神經網絡的耦合系統(tǒng)頻率響應模型求取當前頻率偏差。

2.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：所述步驟(1)中，風光火耦合系統(tǒng)運行場景由風速、光伏電站出力、火電機組出力及負荷描述；風光火耦合系統(tǒng)的典型場景根據典型風速、光伏電站及火電機組的典型出力及典型負荷進行設置；在設置的典型場景下獲取風光火耦合系統(tǒng)的輸入輸出數據，輸入數據包括耦合系統(tǒng)中風電場功率變化量、光伏電站功率變化量、火電廠機械功率變化量和負荷變化量，輸出數據包括耦合系統(tǒng)頻率偏差；對采集到的數據進行預處理。

3.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：所述步驟(2)中，在數據填充時，樣本缺失的屬性位置也是一種重要的信息，在進行填充時，只需要對這些缺失的位置進行填充，在構建缺失位置編碼向量時，對所有樣本的每一列進行遍歷，如果該屬性缺失，記為“1”，否則記為“0”，按此流程執(zhí)行，每個樣本都會有一個缺失位置編碼向量對應。

4.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法,其特征在于：所述步驟(3)中，構建缺失數據填充網絡與輔助預測網絡時該網絡在原始的生成式對抗網絡做了如下改進：①在生成網絡的輸入中移除了噪聲；②使用生成的數據與缺失位置向量編碼來組成填充的數據。

5.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：所述步驟(4)中，對生成的填充數據進行尺度還原，由于預處理階段進行了數據歸一化，根據記錄的每個屬性的最大值與最小值，能夠還原得到最終的填充的結果。

6.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：所述步驟(5)中，網絡在訓練的過程中，損失來源于兩部分：生成式對抗網絡中的損失與輔助預測網絡的預測損失；在操作過程中，切分數據集為訓練集和測試集，在訓練集上選取0.1、0.3、0.5、0.7、0.9等不同的比例進行訓練，同時，使用測試集進行測試，以測試集上輔助預測網絡的損失最小作為超參數的選取標準。

7.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：所述步驟(6)中，用于建立風光火耦合系統(tǒng)頻率響應模型的GRU神經網絡包括輸入層、隱藏層及輸出層；其中輸入層包括風電場功率變化量、光伏電站功率變化量、火電廠機械功率變化量和負荷變化量的時間序列輸入，隱藏層是GRU神經網絡層，輸出層為耦合系統(tǒng)頻率偏差。

8.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：采用在歷史場景運行的風光火耦合系統(tǒng)輸入輸出數據對GAN-GRU神經網絡進行訓練后，得到的基于GAN-GRU神經網絡風光火耦合系統(tǒng)頻率響應模型由均方根誤差、標準差、平均絕對誤差和決定系數四種誤差評價標準進行模型性能評價。

9.根據權利要求1所述的一種基于GAN-GRU神經網絡的風光火耦合系統(tǒng)頻率響應模型建模方法，其特征在于：針對當前場景下運行的風光火耦合系統(tǒng)，利用訓練好的基于GAN-GRU神經網絡的耦合系統(tǒng)頻率響應模型求取當前頻率偏差，如果求取的頻率偏差和實際頻率偏差相差較大，將當前場景的輸入輸出數據序列保存到訓練集中，以便重新訓練神經網絡，進一步提高耦合系統(tǒng)頻率響應模型精度。