[发明专利]一种基于LSTM神经网络的微电网等效建模方法

说明书

本发明公开了一种基于LSTM神经网络的微电网等效建模方法，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离线训练后的神经网络，得到可表示微电网运行状态的非线性等效模型。本发明利用人工神经网络具有良好的处理复杂的非线性问题的能力，同时能够很好捕捉电力系统的动态特性，由LSTM神经网络的结构和参数决定动态模型的结构和参数；只需要微电网公共耦合点的测量值，而不需要掌握微电网系统的具体参数和拓扑结构，且等效时不需要预先建立确定的模型，一旦经过训练和测试，基于LSTM神经网络的动态等效模型就可以满足系统仿真分析的需求。

技术领域

本发明涉及一种基于LSTM神经网络的微电网等效建模方法，属于电力系统建模和控制技术领域。

背景技术

为了实现高效、可持续、经济安全的电力供给，分布式发电系统以其清洁、可再生等优点得到大量开发和利用。为了提高分布式电源的利用效率，充分发挥分布式电源的优点，提出了一种新的接入方式--微电网。微电网是由分布式电源、负载以及电网配电系统组成的小规模电力系统，容量通常较小，可以实现自我控制，自我管理，具有灵活的运行方式和优秀的调度性能。

微电网的仿真和故障预测是保证电网运行安全性的关键问题之一，为了能够控制微电网造成的影响，建立一个精确、合适的模型对电网仿真以及故障预测有至关重要的作用。从建模对象的角度出发，微电网建模可以分为基于元件的建模和基于系统的建模。基于内部元件的机理建模方法可以较好地反映微电网元件的物理特性，但是微电网的内部系统元器件种类多样，电力系统的相关参数获得较为复杂。为了提高建模效率，对微电网的运行进行仿真，提出了构建基于系统的考察微电网并网动态特性的建模方法。

人工神经网络具有良好的处理复杂的非线性问题的能力，同时能够很好捕捉电力系统的动态特性，当前循环神经网络被广泛地用于非线性系统的辨识和控制。这种方法的主要优点有：(1)神经网络的结构和参数(非线性函数、权值)决定动态模型的结构和参数。只需要微电网公共耦合点的测量值，而不需要掌握微电网系统的具体参数和拓扑结构。(2)不需要预先建立确定的模型，一旦经过很好的训练和测试，基于LSTM神经网络的动态等效模型就可以满足系统仿真分析的需求。

发明内容

为了提高仿真精度和仿真效率，本发明提供一种基于LSTM神经网络的微电网等效建模方法，用于解决将来大量微电网投入运行时引起的微电网和大电网相互作用问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于LSTM神经网络的微电网等效建模方法，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。

优选地，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。

优选地，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：

3.1 LSTM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：