[發(fā)明專利]一種基于GAN與GRU神經(jīng)網(wǎng)絡(luò)的風(fēng)光火耦合系統(tǒng)頻率響應(yīng)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(shè)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(quán)）人: 華北電力大學(xué);國網(wǎng)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

本發(fā)明的目的是針對風(fēng)光火耦合系統(tǒng)時變、非線性、不確定性、間歇性等復(fù)雜的動態(tài)特性，提出了一種基于生成對抗網(wǎng)絡(luò)(GenerativeAdversarial Networks，GAN)與門循環(huán)單元(Gate Recurrent Unit，GRU)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)頻率響應(yīng)模型建模方法。利用生成對抗網(wǎng)絡(luò)解決了基于數(shù)據(jù)驅(qū)動的系統(tǒng)頻率響應(yīng)模型建立過程中訓(xùn)練樣本匱乏的問題。此外，利用門循環(huán)單元神經(jīng)網(wǎng)絡(luò)解決了已有的建模方法不能準(zhǔn)確描述系統(tǒng)頻率響應(yīng)所具有的非線性及不確定性等問題。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)頻率響應(yīng)(system frequency response,SFR)模型的建模領(lǐng)域，具體涉及一種樣本數(shù)據(jù)較少的風(fēng)光火耦合系統(tǒng)頻率響應(yīng)模型的建模方法。

背景技術(shù)

隨著大規(guī)模風(fēng)電機(jī)組和光伏電站的并網(wǎng)運行對電力系統(tǒng)有功功率和頻率調(diào)節(jié)帶來了挑戰(zhàn)。風(fēng)電機(jī)組和光伏電站出力的隨機(jī)波動性增加了系統(tǒng)穩(wěn)態(tài)頻率大幅波動的風(fēng)險。并且高比例電力電子設(shè)備的接入導(dǎo)致系統(tǒng)慣性減小，增加了系統(tǒng)在劇烈有功不平衡擾動時導(dǎo)致頻率失穩(wěn)的可能。為了保證含高比例風(fēng)電、光伏的電網(wǎng)安全穩(wěn)定運行，有必要分析含風(fēng)電、光伏的電力系統(tǒng)頻率響應(yīng)動態(tài)特性，因此提出了風(fēng)光火耦合系統(tǒng)頻率響應(yīng)模型的建模新方法，為開展大規(guī)模可再生能源并網(wǎng)系統(tǒng)頻率分析與控制奠定基礎(chǔ)。

系統(tǒng)頻率響應(yīng)(system frequency response,SFR)模型已被廣泛用于分析電力系統(tǒng)頻率響應(yīng)動態(tài)特性。現(xiàn)有文獻(xiàn)中針對多機(jī)同步系統(tǒng)，將發(fā)電機(jī)集中在一個等效轉(zhuǎn)子模型中，建立了時滯模型和正則模型來描述電力系統(tǒng)平均頻率響應(yīng)特性。隨后還有學(xué)者建立了低階線性SFR模型。隨著可再生能源在電力系統(tǒng)中的廣泛應(yīng)用，還有文獻(xiàn)研究了含風(fēng)電機(jī)組、光伏電站的電力系統(tǒng)SFR模型。此外，還有文獻(xiàn)針對可控負(fù)荷參與調(diào)頻的電力系統(tǒng)建立了SFR模型。然而，現(xiàn)有的SFR模型大多采用機(jī)理建模方法，建立的SFR模型無法描述風(fēng)光火耦合系統(tǒng)中的非線性及隨機(jī)性。在規(guī)模不斷擴(kuò)大、運行工況及負(fù)荷變化復(fù)雜的條件下，現(xiàn)有SFR模型的準(zhǔn)確性差。

隨著人工智能及大數(shù)據(jù)技術(shù)的日益發(fā)展，基于數(shù)據(jù)驅(qū)動的智能系統(tǒng)辨識方法成為研究熱點。由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力、自適應(yīng)性和非線性映射能力，因此，與現(xiàn)有的SFR模型相比，基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立的風(fēng)光火耦合系統(tǒng)SFR模型的性能有望提高。門循環(huán)單元(Gate Recurrent Unit，GRU)神經(jīng)網(wǎng)絡(luò)引入一個判斷歷史信息是否有用的細(xì)胞(Cell)單元，克服了遞歸神經(jīng)網(wǎng)絡(luò)在處理長時間序列時會出現(xiàn)梯度消失問題，使得訓(xùn)練時收斂更快、精度更高。迄今為止，基于GRU神經(jīng)網(wǎng)絡(luò)的SFR模型的建模方法研究尚未見報道。

采用基于GRU神經(jīng)網(wǎng)絡(luò)研究數(shù)據(jù)驅(qū)動建模方法時，數(shù)據(jù)樣本的數(shù)量與質(zhì)量將直接影響建立SFR模型的精度和有效性。在建立SFR模型時通常會遇到數(shù)據(jù)獲取的問題，例如數(shù)據(jù)樣本的缺失、匱乏等。將生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN)和門循環(huán)單元神經(jīng)網(wǎng)絡(luò)相結(jié)合，能夠有效解決風(fēng)光火耦合系統(tǒng)的輸入數(shù)據(jù)匱乏、缺失等問題，提高SFR模型的精度，而且在這一過程中，GAN通過生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)的彼此博弈，可以讓生成器網(wǎng)絡(luò)最終學(xué)習(xí)到輸入數(shù)據(jù)的分布，達(dá)到補(bǔ)缺樣本數(shù)據(jù)的目的。

發(fā)明內(nèi)容

本發(fā)明的目的是針對風(fēng)光火耦合系統(tǒng)時變、非線性、不確定性、間歇性等復(fù)雜的動態(tài)特性，提出了一種基于GAN與GRU神經(jīng)網(wǎng)絡(luò)的風(fēng)光火耦合系統(tǒng)頻率響應(yīng)模型建模方法。利用生成對抗網(wǎng)絡(luò)解決了基于數(shù)據(jù)驅(qū)動的系統(tǒng)頻率響應(yīng)模型建立過程中訓(xùn)練樣本匱乏的問題。此外，利用門循環(huán)單元神經(jīng)網(wǎng)絡(luò)解決了已有的建模方法不能準(zhǔn)確描述系統(tǒng)頻率響應(yīng)所具有的非線性及不確定性等問題。

本發(fā)明實現(xiàn)上述目的的技術(shù)方案是：建立基于GAN-GRU神經(jīng)網(wǎng)絡(luò)的系統(tǒng)頻率響應(yīng)模型，主要步驟如下：

步驟(1)：采集風(fēng)光火耦合系統(tǒng)在特定場景下運行時的歷史輸入輸出數(shù)據(jù)，進(jìn)行預(yù)處理；

步驟(2)：構(gòu)建缺失位置編碼向量；

步驟(3)：構(gòu)建缺失數(shù)據(jù)填充網(wǎng)絡(luò)與輔助預(yù)測網(wǎng)絡(luò)；