[发明专利]一种基于LSTM神经网络的微电网等效建模方法

权利要求书

1.一种基于LSTM神经网络的微电网等效建模方法，其特征在于，具体步骤如下：

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：根据微电网等效建模需求，确定LSTM神经网络输入输出节点个数，利用步骤1采集的扰动数据离线训练LSTM神经网络；

步骤3：根据步骤2离线训练后的LSTM神经网络，得到可表示微电网运行状态的非线性等效模型。

2.根据权利要求1所述的一种基于LSTM神经网络的微电网等效建模方，其特征在于，步骤1中所述扰动数据包括微电网接入点电压和随之产生的电流变化。

3.根据权利要求1所述的一种基于LSTM神经网络的微电网等效建模方法，其特征在于，步骤2中LSTM神经网络的离线训练包括前向传播和反向传播，其中，前向传播过程依次经过输入门、遗忘门、存储单元、输出门和单元输出，反向传播过程是前向传播过程的逆过程，因此依次经过单元输出、输出门、存储单元、遗忘门和输入门，具体步骤如下：

3.1LSTM神经网络训练前向传播过程：

隐藏层的非线性激活函数如式(1)所示：

式(1)中，h和h′均表示LSTM单元；i表示输入节点；表示t时刻LSTM单元h的输入；表示t时刻LSTM单元h的激活函数计算值；ω_ih表示输入节点i到LSTM单元h的连接权值；表示t时刻输入节点i的输入；ω_h′h表示LSTM单元h和h′之间的连接权值；表示t-1时刻LSTM单元h′的激活函数计算值；I表示输入节点数；H表示LSTM单元个数；θ(x)表示非线性函数；

计算输入门的输入、输出，如公式(2)所示：

式(2)中，l表示输入门；i表示输入节点；h表示LSTM单元；c表示存储单元；表示t时刻输入门l的输入；表示t时刻输入门l的输出；ω_il表示输入节点i到输入门l的连接权值；表示t时刻输入节点i的输入；ω_hl表示LSTM单元h到输入门l的连接权值；表示t-1时刻LSTM单元h的激活函数计算值；ω_cl表示存储单元c到输入门l的连接权值；表示t-1时刻存储单元c的状态值；I表示输入节点数；H表示LSTM单元个数；C表示存储单元个数；f(x)表示非线性函数；

计算遗忘门的输入、输出，如公式(3)所示：

式(3)中，表示遗忘门；i表示输入节点；h表示LSTM单元；c表示存储单元；表示t时刻遗忘门的输入；表示t时刻遗忘门的输出；表示输入节点i到遗忘门的连接权值；表示t时刻输入节点i的输入；表示LSTM单元h到遗忘门的连接权值；表示t-1时刻LSTM单元h的激活函数计算值；表示存储单元c到遗忘门的连接权值；表示t-1时刻存储单元c的状态值；I表示输入节点数；H表示LSTM单元个数；C表示存储单元个数；f(x)表示非线性函数；

计算存储单元输入、状态值，如公式(4)所示：

式(4)中，c表示存储单元；i表示输入节点；h表示LSTM单元；表示t时刻存储单元c的输入；表示t时刻存储单元c的状态值；ω_ic表示输入节点i到存储单元c的连接权值；表示t时刻输入节点i的输入；ω_hc表示LSTM单元h到存储单元c的连接权值；表示t-1时刻LSTM单元h的激活函数计算值；表示t时刻遗忘门的输出；表示t-1时刻存储单元c的状态值；表示t时刻输入门l的输出；I表示输入节点数；H表示LSTM单元个数；g(x)表示非线性函数；

计算输出门输入、输出，如公式(5)所示：

式(5)中，γ表示输出门；i表示输入节点；h表示LSTM单元；c表示存储单元；表示t时刻输出门γ的输入；表示t时刻输出门γ的输出；ω_iγ表示输入节点i到输出门γ的连接权值；表示t时刻输入节点i的输入；ω_hγ表示LSTM单元h到输出门γ的连接权值；表示t-1时刻LSTM单元h的激活函数计算值；ω_cγ表示存储单元c到输出门γ的连接权值；表示t-1时刻存储单元c的状态值；I表示输入节点数；H表示LSTM单元个数；C表示存储单元个数；f(x)表示非线性函数；

计算单元输出，如公式(6)所示：

式(6)中，c表示存储单元；γ表示输出门；表示t时刻存储单元c的输出；表示t时刻输出门γ的输出；表示t时刻单元c的状态值；h(x)表示非线性函数；

3.2：LSTM神经网络训练反向传播过程：

权值修正项如式(7)所示：

式(7)中，λ表示损失函数；k表示输出单元；h表示LSTM单元；表示t时刻LSTM单元h的输入；表示损失函数λ对的偏导数；表示损失函数λ对的偏导数；ω_hk表示LSTM单元h到输出单元k的连接权值；ω_h′h表示LSTM单元h和h′之间的连接权值；H表示LSTM单元个数；K表示输出节点数；θ′(x)表示非线性函数的导数；

定义损失函数λ对存储单元输出的偏导数如式(8)所示：

定义损失函数λ对存储单元状态的偏导数如式(9)所示：

在存储单元c计算如式(10)所示：

式(10)中，c表示存储单元；k表示输出单元；g表示隐藏层节点；表示t时刻输出单元k的输入；表示t+1时刻隐藏层节点g的输入；ω_ck表示存储单元c到输出单元k的连接权值；表示损失函数λ对的偏导数；ω_cg表示存储单元c到隐藏层节点g的连接权值；表示损失损失函数λ对的偏导数；K表示输出节点数；G表示隐含层输入个数；

计算输出门权值修正项：

式(11)中，γ表示输出门；c表示存储单元；表示t时刻输出门γ的输入；表示t时刻存储单元c的状态值；表示损失函数λ对单元输出的偏导数；C表示存储单元个数；f′(x)表示非线性函数的导数；h(x)表示非线性函数；

计算存储单元权值修正项：

式(12)中，γ表示输出门；c表示存储单元；表示遗忘门；l表示输入门；表示损失函数λ对存储单元状态的偏导数；表示t时刻输出门γ的输出；表示t时刻存储单元c的状态值；表示损失函数λ对存储单元输出的偏导数；表示t+1时刻遗忘门的输出；表示损失函数λ对存储单元状态的偏导数；ω_cl表示存储单元c到输入门l的连接权值；表示t+1时刻输入门权值修正项；表示存储单元c到遗忘门的连接权值；表示t+1时刻遗忘门权值修正项；ω_cγ表示存储单元c到输出门γ的连接权值；表示t+1时刻输出门权值修正项；表示t时刻输入门l的输出；表示t时刻存储单元c的输入；h′(x)、g′(x)表示非线性函数的导数；

计算遗忘门权值修正项：

式(13)中，表示遗忘门；c表示存储单元；表示t时刻遗忘门的输入；表示t-1时刻存储单元c的状态值；表示损失函数λ对存储单元状态的偏导数；C表示存储单元个数；f′(x)表示非线性函数的导数；

计算输入门权值修正项：

式(14)中，l表示输入门；c表示存储单元；表示t时刻输入门l的输入；表示t时刻存储单元c的输入；表示损失函数λ对存储单元状态的偏导数；C表示存储单元个数；f′(x)表示非线性函数的导数；g(x)表示非线性函数。

4.根据权利要求1所述的一种基于LSTM神经网络的微电网等效建模方法，其特征在于：利用新的扰动数据对步骤3得到的非线性等效模型进行验证，确定模型的准确性和合理性。