[发明专利]一种基于GRU循环神经网络的微电网动态等效建模方法

权利要求书

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循环神经网络单元如下所示：

式(1)中，x(t)和o(t)分别为输入和输出时间序列，σ(.)和φ(.)是激活函数，分别为Sigmoid(.)和tanh(.)；s(t)代表RNN单位在时间步长为t时的状态；U、V、W是权重矩阵；b_o和b_s是偏差矩阵；

第二、三隐藏层的GRU激活函数如下所示：

式(2)中，z是记忆门，r是遗忘门，S_h是隐状态，GRU可视为离散动态系统，用RNN单位或GRU单位构成的计算过程可利用数学方法如下所示：

s(t)＝F(s(t-1),x(t),W_m,b_m) (3)

式(3)中，W_m和B_m分别表示GRU隐藏层中的权重和偏差矩阵；结合FC隐藏层，基于GRU的循环神经网络的输出可以写成如式下所示：

o(t)＝G(s(t),x(t),W_f,b_f) (4)

式(4)中，W_f和b_f分别表示FC层中的权重和偏差矩阵；式(3)和(4)表示基于GRU的循环神经网络的动态系统；

步骤23、在GRU的第二隐藏层中加入X个神经元单元，在GRU的第三隐藏层中加入2X个神经元单元，在FC的第四隐藏层中加入2X个神经元单元，在FC的第五隐藏层中加入X个神经元单元；

步骤24、在网络训练前，输入的数据是时间序列，因此采用神经网络输出和实时序列之间的均方根误差(RMSE)来评估模型的拟合性能；具体如下所示：

式(5)中Y_i是时间步长i的当前瞬时值，O_i是时间步长i的建议网络输出；N是一个样本输入时间序列的总数；选择Adam优化器。

5.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：对步骤3得到的神经网络的输出与测试结果进行比较，确定等效模型的合理性与准确性，可表示存在未知部分微电网的动态等效模型。