技术特征：
1.一种基于交错叠加cnn-lstm模型的调相机无功出力建模方法，其特征在于，所述方法包括：步骤1：选取调相机励磁电流和励磁电压作为输入的样本数据，调相机的无功输出量和系统电压作为输出的样本数据，根据调相机无功调节仿真结果获取训练样本和测试样本；步骤2：将所述训练样本和所述测试样本进行数据归一化预处理，即将样本数据的数值映射到[-1,1]之间；步骤3：将基于交错叠加的cnn模型与lstm模型融合构建基于交错叠加cnn-lstm模型；步骤4：加载经过处理的样本数据到基于交错叠加cnn-lstm模型中；步骤5：选取并调整基于交错叠加cnn-lstm模型的超参数；步骤6：训练并测试基于交错叠加cnn-lstm模型；步骤7：评估基于交错叠加cnn-lstm模型的性能指标，判断是否达到性能指标，如果未能达到性能指标，返回步骤5，调整基于交错叠加cnn-lstm模型的超参数，经过反复调整超参数并训练和测试基于交错叠加cnn-lstm模型，如果达到性能指标，获得最优的基于交错叠加cnn-lstm模型的调相机无功出力模型。2.根据权利要求1所述的方法，其特征在于，所述基于交错叠加的cnn模型包括卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层和连接层，其中，卷积单元1、卷积单元3和卷积单元5的结构相同，卷积单元2、卷积单元4和卷积单元6的结构相同；卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5和卷积单元6顺序连接，卷积单元6连接到两个并行分支层，这两个并行分支层是最大池化层和平均池化层，最大池化层和平均池化层的大小为3
×
3，滑动步长为1，最大池化层和平均池化层一起连接到连接层，形成基于交错叠加的cnn模型。3.根据权利要求2所述的方法，其特征在于，所述基于交错叠加的cnn模型中卷积单元1、卷积单元3和卷积单元5采用第一种结构，第一种结构的主支路按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第一种结构的分支路从激活层1通过二维卷积层3和批量归一化层3连接到添加层；卷积单元2、卷积单元4和卷积单元6采用第二种结构，第二种结构的主支路按照二维卷积层1、批量归一化层1、激活层1、二维卷积层2、批量归一化层2、激活层2、添加层和最大池化层1顺序连接，第二种结构的分支路从激活层1直接连接到添加层；卷积单元1中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层3的卷积核大小为1
×
1且深度为32，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；卷积单元2中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为32，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1；卷积单元3中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层3的卷积核大小为1
×
1且深度为64，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；卷积单元4中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为64，二维卷积层1滑动步长为2，二维卷积层2的滑动步长为1；
卷积单元5中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层3的卷积核大小为1
×
1且深度为128，二维卷积层1和二维卷积层3的滑动步长为2，二维卷积层2的滑动步长为1；卷积单元6中二维卷积层1和二维卷积层2的卷积核大小为2
×
1且深度为128，二维卷积层1的滑动步长为2，二维卷积层2的滑动步长为1；最大池化层1的大小为2
×
2，滑动步长为2。4.根据权利要求2所述的方法，其特征在于，所述lstm模型包括：序列展开层、扁平化层、lstm层、全连接层以及回归输出层；所述基于交错叠加的cnn模型与lstm模型融合构建的基于交错叠加cnn-lstm模型包括：序列输入层、序列折叠层、卷积单元1、卷积单元2、卷积单元3、卷积单元4、卷积单元5、卷积单元6、最大池化层、平均池化层、连接层、序列展开层、扁平化层、lstm层、全连接层以及回归输出层；通过序列输入层将经过处理过的样本数据加载到基于交错叠加cnn-lstm模型中，经过序列折叠层将卷积运算独立地应用于经过处理过的样本数据的特征提取，通过基于交错叠加的cnn模型获取经过处理过的样本数据的有效表征，自动提取经过处理过的样本数据的有用特征形式形成特征向量；连接层则连接到序列展开层，序列展开层还原由序列折叠层删除的序列结构体；通过一个快捷通道将序列折叠层直接连接到序列展开层；在序列展开层与lstm层之间加入扁平化层，使lstm层从向量序列中学习；lstm层之后是全连接层，全连接层将学到的特征表示映射到样本的标记空间，大小设置为1；全连接层后连接到最后一层，即回归输出层。5.根据权利要求1所述的方法，其特征在于，所述步骤1中，在pscad/emtdc仿真软件平台上进行调相机无功调节仿真，在不同无功负荷工况下，通过改变调相机的励磁电流和励磁电压来调节调相机无功功率输出大小，维持系统电压稳定，从而获得调相机无功调节仿真结果。6.根据权利要求1所述的方法，其特征在于，所述步骤2中，采用归一化公式将所获取的样本数据进行数据归一化预处理，即将所获取的样本数据归一化到[g
min
,g
max
]＝[-1,1]范围，归一化公式为：式中，t
k
为第k个所获取的样本数据；t
max
为第k个所获取的样本数据所属行中的最大值；t
min
为第k个所获取的样本数据所属行中的最小值；g
k
为第k个所获取的样本数据归一化后的值；g
max
为归一化的区间[g
min
,g
max
]上限；g
min
为归一化的区间[g
min
,g
max
]下限。7.根据权利要求1所述的方法，其特征在于，所述步骤7中，采用均方根误差(rmse)、平均绝对误差(mae)和平均绝对百分比误差(mape)作为评估基于交错叠加cnn-lstm模型的性能指标：
mae值越小，表示模型的误差越低；mape值越小，表示模型的精度越高；式中，n为样本数，为t时刻第i个样本的预测值，y
i(t)
为t时刻第i个样本的样本值。
技术总结
本发明涉及一种基于交错叠加CNN-LSTM模型的调相机无功出力建模方法，所述方法包括：选取调相机励磁电流和励磁电压作为输入样本数据，调相机的无功输出量和系统电压作为输出样本数据，将调相机无功调节仿真结果作为训练样本和测试样本；对输入和输出样本数据进行预处理；将基于交错叠加CNN模型与LSTM模型相融合构建基于交错叠加CNN-LSTM模型；加载经过处理的样本数据到该模型中；选取该模型的超参数；训练并测试该模型；评估该模型的性能指标，如未能达到性能指标，则调整该模型的超参数，反复调整该模型的超参数并训练和测试该模型，直到达到性能指标，获得最优的基于交错叠加CNN-LSTM模型的调相机无功出力模型。能够降低调相机无功出力建模难度和提高模型精度。调相机无功出力建模难度和提高模型精度。调相机无功出力建模难度和提高模型精度。
技术研发人员：王琳 王宏华 路天航 王成亮
受保护的技术使用者：江苏方天电力技术有限公司
技术研发日：2022.03.09
技术公布日：2022/6/28