一种基于GRU循环神经网络的微电网动态等效建模方法技术

针对微电网存在未知部分情况下动态建模困难的问题，本发明专利技术属于一种建模方法，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。

【技术实现步骤摘要】
一种基于GRU循环神经网络的微电网动态等效建模方法
本专利技术属于电力系统建模和控制
，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。
技术介绍
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本文档来自技高网...

【技术保护点】
1.一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于，包括：/n步骤1：采集扰动期间微电网公共耦合点的扰动数据；/n步骤2：确定GRU循环神经网络的结构和参数；/n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。/n

【技术特征摘要】
1.一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于，包括：
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。


2.根据权利要求1所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：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。


3.根据权利要求1所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：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；
步骤2中所述的GRU循环神经网络的参数包括神经元激励函数、神经元数量、学习速率、采样频率。


4.根据权利要求3所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：所述步骤2包括：
步骤21、令输入层后为归一化层，对采集的时序数据进行归一化处理，用于将数据的取值范围改为[0，1]；根据微电网的近似规模，第二、三隐藏层选取GRU层，第四、五隐藏层选取FC层，最外层为输出层；
步骤22、在网络训练前首先确定神经元激励函数，包括RNN循环神经网络单元、GRU激活函数、FC激活函数如下：
隐藏层RNN循环神...

【专利技术属性】
技术研发人员：李云路，王紫照，颜宁，马贵卿，杨俊友，王海鑫，李延珍，冯佳威，纪慧超，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：辽宁;21