1.一种基于GAN-GRU神经网络的风光火耦合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)：由风速、光伏电站出力、火电机组出力及负荷描述风光火耦合系统运行场景，根据典型风速、光伏电站及火电机组的典型出力及典型负荷设置风光火耦合系统的典型场景，在设置的典型场景下获取风光火耦合系统的历史输入输出数据，输入数据包括耦合系统中风电场功率变化量、光伏电站功率变化量、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；步骤(2)：构建缺失位置编码向量；步骤(3)：构建缺失数据填充网络与辅助预测网络并在原始的生成式对抗网络做了如下改进：①在生成网络的输入中移除了噪声；②使用生成的数据与缺失位置向量编码来组成填充的数据；步骤(4)：填充数据尺度还原；步骤(5)：测试与超参数设置，网络在训练的过程中，损失来源于两部分：生成式对抗网络中的损失与辅助预测网络的预测损失；在操作过程中，切分数据集为训练集和测试集，在训练集上选取0.1、0.3、0.5、0.7、0.9不同的比例进行训练，同时，使用测试集进行测试，以测试集上辅助预测网络的损失最小作为超参数的选取标准；步骤(6)：确定用于建立风光火耦合系统频率响应模型的GRU神经网络，并初始化GRU神经网络权重；步骤(7)：将GAN生成的训练样本输入到GRU神经网络进行训练，获取风光火耦合系统频率响应模型；针对当前场景下运行的风光火耦合系统，利用训练好的基于GRU神经网络的耦合系统频率响应模型求取当前频率偏差。
2.根据权利要求1所述的一种基于GAN-GRU神经网络的风光火耦合系统频率响应模型建模方法，其特征在于：所述步骤(2)中，在数据填充时，样本缺失的属性位置也是一种重要的信息，在进行填充时，只需要对这些缺失的位置进行填充，在构建缺失位置编码向量时，对所有样本的每一列进行遍历，如果该属性缺失，记为“1”，否则记为“0”，按此流程执行，每个样本都会有一个缺失位置编码向量对应。
3.根据权利要求1所述的一种基于GAN-GRU神经网络的风光火耦合系统频率响应模型建模方法，其特征在于：所述步骤(4)中，对生成的填充数据进行尺度还原，由于预处理阶段进行了数据归一化，根据记录的每个属性的最大值与最小值，能够还原得到最终的填充的结果。
4.根据权利要求1所述的一种基于GAN-GRU神经网络的风光火耦合系统频率响应模型建模方法，其特征在于：所述步骤(6)中，用于建立风光火耦合系统频率响应模型的GRU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、光伏电站功率变化量、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GRU神经网络层，输出层为耦合系统频率偏差。
5.根据权利要求1所述的一种基于GAN-GRU神经网络的风光火耦合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光火耦合系统输入输出数据对GAN-GRU神经网络进行训练后，得到的基于GAN-GRU神经网络风光火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GAN-GRU神经网络的风光火耦合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光火耦合系统，利用训练好的基于GAN-GRU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，以便重新训练神经网络，进一步提高耦合系统频率响应模型精度。
