[发明专利]一种基于AM-LSTM神经网络的系统频率响应模型建模方法

说明书

本发明公开了一种基于AM‑LSTM神经网络的系统频率响应模型建模方法，属于电力系统频率响应模型的建模领域。针对风火耦合系统频率响应模型的建模问题，提出了一种基于注意力机制和长短时记忆神经网络相结合的系统频率响应模型建模方法，利用注意力机制提取耦合系统频率响应模型输入的时间序列特征，能有效利用风火耦合系统输入数据；利用长短时记忆神经网络解决了递归神经网络在更新过程中出现的梯度消失问题，此外，长短时记忆神经网络解决了现有耦合系统频率响应模型难以描述耦合系统中存在的非线性及不确定性等问题，提高了风火耦合系统频率响应模型的精度和建模效率。

技术领域

本发明涉及电力系统频率响应(system frequency response,SFR)模型的建模领域，具体涉及一种风火耦合系统频率响应模型的建模方法。

背景技术

大规模风电机组并网运行对电力系统有功功率和频率调节带来了挑战。风电出力的随机波动性增加了系统稳态频率大幅波动的风险。此外，通过电力电子并网的风电机组导致系统惯性减小，增加了系统在剧烈有功不平衡扰动时导致频率失稳的可能。为了保证含高比例风电的电网安全稳定运行，有必要分析含风电系统频率响应动态特性，因此提出了风火耦合系统频率响应模型的建模新方法，为开展大规模风电并网系统频率分析与控制奠定基础。

系统频率响应模型已被广泛用于分析电力系统频率响应动态特性。现有文献中针对多机同步系统，将发电机集中在一个等效转子模型中，建立了时滞模型和正则模型来描述电力系统平均频率响应特性。随后还有学者建立了低阶线性SFR模型。随着可再生能源在电力系统中的广泛应用，还有文献报道了含风电机组的电力系统SFR模型。此外，还有文献针对可控负荷参与调频的电力系统建立了SFR模型。然而，现有的SFR模型大多采用机理建模方法，建立的SFR模型无法描述风火耦合系统中的非线性及随机性。在规模不断扩大、运行条件及负荷变化复杂的条件下，现有SFR模型的性能比较低。

随着人工智能及大数据技术的日益发展，基于数据驱动的智能系统辨识方法成为研究热点。由于深度学习神经网络具有强大的学习能力、自适应性和非线性映射能力，因此，与现有的SFR模型相比，基于深度学习神经网络建立的风火耦合系统SFR模型的性能有望提高。长短期记忆(long short-term memory,LSTM)网络引入一个判断历史信息是否有用的细胞(Cell)单元，克服了递归神经网络在处理长时间序列时会出现梯度消失问题，使得训练时收敛更快，精度更高。迄今为止，基于LSTM神经网络的SFR模型的建模方法研究尚未见报道。

采用基于LSTM神经网络研究数据驱动建模方法时，如何有效利用历史数据，提高SFR模型的精度和建模效率，成为一个亟待解决的问题。将注意力机制(attentionmechanism，AM)和LSTM神经网络相结合，能有效利用风火耦合系统的输入数据，提高SFR模型的精度，而且在这一过程中，注意力机制允许专注于LSTM神经网络输入的特定部分，有更强的函数逼近能力，扩展了LSTM神经网络的功能。

本发明针对风火耦合系统频率响应模型的建模问题，提出了一种基于AM-LSTM神经网络的系统频率响应模型建模方法。将风电场发电功率的变化量、火电机组机械功率的变化量和负荷的变化量作为时间序列输入，将耦合系统频率偏差作为输出，利用注意力机制提取时间序列特征，并引入LSTM神经网络对典型场景下运行的耦合系统历史输入输出数据进行训练，提高了SFR模型的精度和建模效率。

发明内容

本发明的目的是针对风火耦合系统时变、非线性、不确定性、间歇性等复杂的动态特性，提出了基于注意力机制与长短期记忆神经网络相结合的系统频率响应模型。利用LSTM神经网络解决了传统的系统频率响应机理模型不能准确描述系统频率响应所具有的非线性及不确定性等问题。结合注意力机制，能够增强LSTM神经网络对输入序列中不同数据的敏感性，准确快速地描述耦合系统频率响应特性。

本发明实现上述目的的技术方案是：建立基于AM-LSTM神经网络的系统频率响应模型，主要步骤如下：