[發明專利]基于交錯疊加CNN-LSTM模型的調相機無功出力建模方法

在審

• 申請號: 202210224056.X
• 申請日: 2022-03-09
• 公開（公告）號: CN114676625A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 王琳;王宏華;路天航;王成亮
• 申請（專利權）人: 河海大學;江蘇方天電力技術有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F119/02
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本發明涉及一種基于交錯疊加CNN?LSTM模型的調相機無功出力建模方法，所述方法包括：選取調相機勵磁電流和勵磁電壓作為輸入樣本數據，調相機的無功輸出量和系統電壓作為輸出樣本數據，將調相機無功調節仿真結果作為訓練樣本和測試樣本；對輸入和輸出樣本數據進行預處理；將基于交錯疊加CNN模型與LSTM模型相融合構建基于交錯疊加CNN?LSTM模型；加載經過處理的樣本數據到該模型中；選取該模型的超參數；訓練并測試該模型；評估該模型的性能指標，如未能達到性能指標，則調整該模型的超參數，反復調整該模型的超參數并訓練和測試該模型，直到達到性能指標，獲得最優的基于交錯疊加CNN?LSTM模型的調相機無功出力模型。能夠降低調相機無功出力建模難度和提高模型精度。

技術領域

本申請涉及直流輸電系統技術領域，特別是涉及一種基于交錯疊加CNN-LSTM模型的調相機無功出力建模方法。

背景技術

調相機具有容量大、可靠性高、動態電壓維持能力強的特點，在電網擾動的情況下，能夠通過強勵及時提供大容量動態無功。針對調相機無功支持能力問題的研究，目前的研究方法主要有數學模型計算法和試驗結果擬合法。其中解析計算法是基于同步電抗不飽和等假定，建立調相機各量值的解析數學模型，但調相機是一類多變量、強耦合的復雜非線性系統，數學模型難以精確建立，故解析法具有計算量大、精度低等局限。

卷積神經網絡(CNN)具有高效的特征提取能力，可有效提取數據特征，減少干擾信息。長短時記憶神經網絡(LSTM)模型具備挖掘數據信息的能力，但當數據信息過大時，在訓練過程中會出現不穩定性和梯度消失的現象。CNN-LSTM模型不僅可利用CNN實現數據的特征提取，還可利用LSTM學習數據的特征信息。目前，CNN-LSTM模型的精度有待進一步提高。

因此，現有技術中依然存在調相機無功出力解析建模困難且建模精度低的技術問題。

發明內容

本發明的目的在于克服現有技術中的不足，提供一種基于交錯疊加CNN-LSTM模型的調相機無功出力建模方法，能夠降低調相機無功出力建模難度，提高模型精度。

為達到上述目的，本發明是采用下述技術方案實現的：

第一方面，本發明提供了一種基于交錯疊加CNN-LSTM模型的調相機無功出力建模方法，所述方法包括：

選取調相機勵磁電流和勵磁電壓作為輸入的樣本數據，調相機的無功輸出量和系統電壓作為輸出的樣本數據，根據調相機無功調節仿真結果獲取訓練樣本和測試樣本；

將所述訓練樣本和所述測試樣本進行數據歸一化預處理，即將樣本數據的數值映射到[-1,1]之間；

將基于交錯疊加的CNN模型與LSTM模型融合構建基于交錯疊加CNN-LSTM模型；

加載經過處理的樣本數據到基于交錯疊加CNN-LSTM模型中；

選取并調整基于交錯疊加CNN-LSTM模型的超參數；

訓練并測試基于交錯疊加CNN-LSTM模型；

評估基于交錯疊加CNN-LSTM模型的性能指標，判斷是否達到性能指標，如果未能達到性能指標，返回步驟5，調整基于交錯疊加CNN-LSTM模型的超參數，經過反復調整超參數并訓練和測試基于交錯疊加CNN-LSTM模型，如果達到性能指標，獲得最優的基于交錯疊加CNN-LSTM模型的調相機無功出力模型。

結合第一方面，進一步的，所述基于交錯疊加的CNN模型包括卷積單元1、卷積單元2、卷積單元3、卷積單元4、卷積單元5、卷積單元6、最大池化層、平均池化層和連接層，其中，卷積單元1、卷積單元3和卷積單元5的結構相同，卷積單元2、卷積單元4和卷積單元6的結構相同；