1.一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于，包括以下步骤：步骤(1)：采集风火耦合系统在特定场景下运行时的历史输入输出数据，进行预处理后作为训练数据；步骤(2)：确定用于建立风火耦合系统频率响应模型的AM-LSTM神经网络，并初始化AM-LSTM神经网络权重；步骤(3)：利用充足的训练数据对AM-LSTM神经网络进行训练，AM-LSTM神经网络的输入为风电场功率变化量、火电厂机械功率变化量和负荷变化量的时间序列，输出为频率偏差，采用随时间的反向传播(BPTT)算法更新LSTM神经网络权值和偏置，建立基于AM-LSTM神经网络的风火耦合系统频率响应模型；针对当前场景下运行的风火耦合系统，利用训练好的基于AM-LSTM神经网络的耦合系统频率响应模型获取当前频率偏差。
2.根据权利要求1所述的一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于：所述步骤(1)中，风火耦合系统运行场景由风速、火电机组出力及负荷描述；风火耦合系统的典型场景根据典型风速、火电机组典型出力及典型负荷进行设置；在设置的典型场景下获取风火耦合系统的输入输出数据，输入数据包括耦合系统中风电场功率变化量、火电厂机械功率变化量和负荷变化量，输出数据包括耦合系统频率偏差；对采集到的数据进行预处理：包括清洗无效数据、补全缺失数据及数据平滑。
3.根据权利要求1所述的一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于：所述步骤(2)中，用于建立风火耦合系统频率响应模型的AM-LSTM神经网络包括输入层、隐藏层及输出层；其中输入层包括风电场功率变化量、火电厂机械功率变化量和负荷变化量的时间序列输入，隐藏层是AM-LSTM神经网络层，输出层为耦合系统频率偏差。
4.根据权利要求1所述的一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于：使用注意力机制对风电场功率变化量ΔP W 、火电厂机械功率变化量ΔP M 和负荷变化量ΔP L 进行特征提取，以注意力权值来描述当前场景下风电机组、火电机组和负荷对频率的影响程度。
5.根据权利要求1所述的一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于：采用在历史场景运行的风火耦合系统输入输出数据对AM-LSTM神经网络进行训练后，得到的基于AM-LSTM神经网络耦合系统频率响应模型由均方根误差、标准差、平均绝对误差和决定系数四种误差评价标准进行模型性能评价。
6.根据权利要求1所述的一种基于AM-LSTM神经网络的系统频率响应模型建模方法，其特征在于：针对当前场景下运行的风火耦合系统，利用训练好的基于AM-LSTM神经网络的耦合系统频率响应模型求取当前频率偏差，如果求取的频率偏差和实际频率偏差相差较大，将当前场景的输入输出数据序列保存到训练集中，以便重新训练AM-LSTM神经网络，进一步提高耦合系统频率响应模型精度。
