CN117498352B - 一种基于储能辅助黑启动能力的风速预测方法及装置 - Google Patents

一种基于储能辅助黑启动能力的风速预测方法及装置 Download PDF

Info

Publication number
CN117498352B
CN117498352B CN202311844252.8A CN202311844252A CN117498352B CN 117498352 B CN117498352 B CN 117498352B CN 202311844252 A CN202311844252 A CN 202311844252A CN 117498352 B CN117498352 B CN 117498352B
Authority
CN
China
Prior art keywords
component
imf component
value
whale
imf
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311844252.8A
Other languages
English (en)
Other versions
CN117498352A (zh
Inventor
李志鹏
寇水潮
燕云飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202311844252.8A priority Critical patent/CN117498352B/zh
Publication of CN117498352A publication Critical patent/CN117498352A/zh
Application granted granted Critical
Publication of CN117498352B publication Critical patent/CN117498352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于储能辅助黑启动能力的风速预测方法及装置，该方法，包括对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；基于误差系数得到IMF分量对应的改进型样本熵ISE值，并根据ISE值对IMF分量进行重构得到重构分量；将重构分量输入至训练好的IWOA‑BP组合预测模型中进行预测以输出最终的IMF分量预测结果。本发明可以有效地处理了非线性的时序风电信号，提高了功率预测的精度。

Description

一种基于储能辅助黑启动能力的风速预测方法及装置
技术领域
本发明涉及风速智能预测技术领域，特别是涉及一种基于储能辅助黑启动能力的风速预测方法及装置。
背景技术
随着电网规模增大，大停电事故后果越来越严重；受自然资源约束，风光充裕地区的传统黑启动电源不足。将风光储系统作为黑启动电源，可以提高区域电网的黑启动能力。风光储发电系统作为黑启动电源时，考虑储能装置的充/放电功率约束和电量约束，在黑启动过程中，风电场和光伏电站出力不足或波动剧烈时，可能会出现储能过充过放的情况，导致储能无法继续利用，使黑启动失败。这就需要根据历史风速数据，对风电场的持续有效出力概率进行评估。传统的风速预测存在精度差的问题。
传统的样本熵算法阈值是一个定值，不能很好的捕获信息背后的非线性关系。传统的粒子群算法存在容易陷入局部最优、收敛速度快，导致收敛精度低等弊端。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明为解决风速、风功率信号具有不平稳、波动性大的特点，在风电功率预测时往往会造成无规律变动，导致出现功率序列响应能力不足的问题。提出一种基于储能辅助黑启动能力的风速预测方法，基于信号尺度分解降维的思想，采用CEEMD的方法建立预测模型，有效地处理了非线性的时序风电信号，提高了功率预测的精度。
本发明的另一个目的在于提出一种储能辅助黑启动的风速智能预测基于储能辅助黑启动能力的风速预测装置。
为达上述目的，本发明一方面提出一种基于储能辅助黑启动能力的风速预测方法，包括：
对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
基于所述误差系数得到IMF分量对应的改进型样本熵ISE值，并根据所述ISE值对IMF分量进行重构得到重构分量；
将所述重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果。
本发明实施例的基于储能辅助黑启动能力的风速预测方法还可以具有以下附加技术特征：
在本发明的一个实施例中，对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量，包括：
基于所述原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
利用EMD经验模态分解对所述合成信号进行分解得到初始IMF分量和残差的集合；
计算所有初始IMF分量和残差的集合平均值以得到CEEMD子序列对应的IMF分量。
在本发明的一个实施例中，基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数，包括：
获取IMF分量实际值；
将IMF分量输入至训练好的GRU中进行预测得到IMF分量预测值；
基于IMF分量预测值和所述IMF分量实际值建立误差评测指标，以根据指标计算结果得到CEEMD子序列对应的误差系数。
在本发明的一个实施例中，根据所述ISE值对IMF分量进行重构得到重构分量，包括：
计算ISE值的中位数值；
比较所述中位数值和预设数值范围的大小以得到数据比较结果；
根据所述数据比较结果将所述ISE值进行划分以得到重构分量；其中，所述重构分量，包括变动分量、随机分量和稳态分量。
在本发明的一个实施例中，在将所述重构分量输入至训练好的IWOA-BP组合预测模型之前，所述方法，还包括：训练所述IWOA-BP组合预测模型，包括：
初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，所述训练集，包括IMF分量的第一权重和阈值；
更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
输出算法的最优解，并将当前得到的第二权重和阈值作为所述BP神经网络的最优参数，并根据所述最优参数得到训练好的IWOA-BP组合预测模型。
为达上述目的，本发明另一方面提出一种基于储能辅助黑启动能力的风速预测装置，包括：
风速序列分解模块，用于对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
误差系数计算模块，用于将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
分量重构生成模块，用于基于所述误差系数得到IMF分量对应的改进型样本熵ISE值，并根据所述ISE值对IMF分量进行重构得到重构分量；
分量预测输出模块，用于将所述重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果。
本发明实施例的基于储能辅助黑启动能力的风速预测方法和装置，解决了在风电功率预测时往往会造成无规律变动，导致出现功率序列响应能力不足的问题，并且有效地处理了非线性的时序风电信号，提高了功率预测的精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的基于储能辅助黑启动能力的风速预测方法的流程图；
图2是根据本发明实施例的基于储能辅助黑启动能力的风速预测方法的逻辑示意图；
图3是根据本发明实施例的模型性能验证效果示意图；
图4是根据本发明实施例的基于储能辅助黑启动能力的风速预测装置的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于储能辅助黑启动能力的风速预测方法和装置。
图1是本发明实施例的基于储能辅助黑启动能力的风速预测方法的流程图。
如图1所示，该方法包括但不限于以下步骤：
S1，对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
S2，将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
S3，基于误差系数得到IMF分量对应的改进型样本熵ISE值，并根据所述ISE值对IMF分量进行重构得到重构分量；
S4，将重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果。
图2为本发明实施例的逻辑流程图，如图2所示：
可以理解的是，经验模态分解 EMD(Empirical Mode Decomposition)法从本质上而言是将一个信号进行平稳化处理，它将信号中不同等级的波动或趋势逐级分解。而CEEMD集合经验模态分解通过向原始信号中添加互为正负的白噪声，既能解决EMD的模式混淆问题又能抵消白噪声残留。在本发明的一个实施例中，对原始风速序列进行CEEMD分解：
1）向原始风速序列中的原始信号 Xi中加人正负白噪声Ii-Ii，得到合成信号Pi、Ni：
2)采用EMD 对步骤(1)获得的成对合成信号进行分解：
其中，为第i次试验加入正白噪声信号后合成信号的第j个固有模态函数IMF(Intrinsic Mode Function)或残差；/>为第i次试验加入负白噪声信号后合成信号的第j个 IMF 或残差；m为IMF和残差的总数。
重复步骤(1)和(2)M次，得到M组IMF和残差的集合：
3）计算所有IMF和残差的集合平均值，即为CEEMD风速序列所得的IMF和残差。
则原始风速序列可分解为：
可以理解的是，门控循环单元(gated recurrent unit， GRU)网络是 LSTM 网络的改进模型，通过将遗忘门和输入门集成为更新门，一定程度上减少了网络的训练参数，同时又能保证对有效信息的记忆。
在本发明的一个实施例中，更新门和重置门状态分别为 zt和rt，输入为 xt，隐层状态为 ht，数学表达式为：
其中，是t时刻输入状态与上一时刻隐层状态/>的过程向量；/>、/>和/>、分别表示输入向量和隐层状态对更新门和重置门的权重矩阵；/>表示输出权重矩阵，b为偏置； yt为 t 时刻的输出。
进一步地，原始风速序列经CEEMD分解，得到M个IMF（IMF1，...，IMFM）分量；将M个IMF分量放入训练好的GRU进行预测，得到IMF分量的预测值y1，y2，...，yM，每个预测值对应的IMF分量的真实值为s1，s2，...，sM，由此
建立误差评测指标RMSE：
通过指标计算得到每个CEEMD子序列对应的误差系数W1，W2，...，Wm。
进一步地，SE适用于不等长数据目对偶尔的数据丢失具有较好的包容性。公式如下：
其中，k为维数；v为阈值；L为长度；为阈值为v时匹配k个点的概率。可以看到，样本熵的值与 m，v的取值有关。因此确定 m，v 两个参数的值对于样本熵的计算非常重。大多数文献取 m =2，v=0.2 Std(Std是原始数据的标准差)，v取标准差并不能很好的反应原始数据的复杂性而且也没有考虑到对预测精度的影响。
因此本发明实施例提出：
式中，std1i，Wi分别表示第i个IMF的标准差和对应预测的RMSE值。
其中，每个IMFi对应一个ISEi值，如表1所示：
表1
在本发明的一个实施例中，模态分量的划分与重组，包括找到M个ISE值的中位数值ISEz，将值位于[0.8ISEz ——1.2ISEZ]的IMF划分为一组相加（变动分量），大于1.21ISEZ的IMF划为一组相加（随机分量），小于0.8ISEZ的值划为一组相加（稳态分量）。若分解的IMF没有值比1.2ISEZ大的则取最大的前2个ISE值对应的IMF相加作为随机分量，若分解的IMF没有值比0.8ISEZ小的，则取最小的2个ISE值对应的IMF相加作为随机分量。若M小于等于5（IMF个数小于等于5个）则取最大的作为变动分量，最小的作为随机分量，其余作为变动分量。
在本发明的一个实施例中，对IWOA-BP鲸鱼算法进行训练以得到最终训练好的预测模型。
其中，IWOA改进鲸鱼算法：
1)包围目标猎物
以距离猎物位置最近的座头鲸位置为最优解，剩余座头鲸以向该最优解位置靠拢为目的，逐渐更新自身位置，其中，包围目标猎物的数学模型的计算式为：
式中，D为鲸鱼个体与当前最优解的距离，是第t次迭代对应的全局最优解，为第t次迭代对应的鲸鱼的位置，A为第一系数，C为第二系数，/>为第t+1次迭代对应的鲸鱼的位置，其中，/>、/>，/>为第一随机向量，/>为第二随机向量，r1，r2均属于[0，1]，/>，/>为收敛因子，/>为最大迭代次数；然而ＷＯＡ算法在进化搜索过程中却是非线性变化的，收敛因子ａ线性递减策略不能完全体现出算法实际的优化搜索过程。
本发明提出一种收敛因子a随进化迭代次数增加非线性变化策略：
g为非线性均衡系数其值位于[0.85，0.96]，改进后平衡了WOA的全局和局部搜索能力。
2)螺旋线位置更新
传统的鲸鱼算法是以螺旋上升的形式游向猎物，螺旋形路径的数学表达如下:
式中，D=|X*(t)-X(t)|，表示鲸鱼与猎物之间的距离，b是一个常数，l是位于[-1，1]之间的随机数。
鲸鱼狩猎时假设有鲸鱼有50%的概率在收缩包围和螺旋上升之间进行随机选择，优化鲸鱼的位置。表达式如下：
3)搜寻猎物
其中，搜寻猎物阶段的数学模型的计算式如下：
式中，为第 t 次迭代时最佳个体的位置矢量。
可以理解的是，BP神经网络是一种由误差反向传播算法训练的多层前馈网络，包含输入层、隐含层、输出层，分为前向传递和反向传播两个阶段，前向传递中信号经过一系列计算从输入层经隐含层传递到输出层计算预测值，若预测值与实际值误差未达到阈值，再通过误差反向传播来更新网络的权值与偏置大小，降低误差。本发明基于改进的鲸鱼算法确定初始的BP神经网络的最优参数：
步骤F1：初始化BP神经网络的可调参数，初始种群规模n=20，最大迭代次数Tmax=150，需要优化的自变量个数N=in*hn+hn+hn*on+on，其中，in为BP神经网络的输入层的神经元个数，hn为BP神经网络的隐含层的神经元个数，on为BP神经网络的输出层的神经元个数；
步骤F2：将训练集中的权值，阈值的误差作为改进的鲸鱼算法的适应度函数，记录当前最优适应度值以及其位置信息；
步骤F3：更新座头鲸个体的位置信息，判断迭代数是否达到最大迭代数，若是，结束算法；若否，当前迭代数t加1，返回步骤F2；
步骤F4：输出最优解，并将此时得到的权重、阈值作为所述BP神经网络的最优参数。
进一步地，设每个预测值的RMSE为W1，W2，..，WM，接下来对应的RMSE值求出每个IMF对应的ISE值，将IMF划分为三组，变动分量组，稳态分量组，随机分量组。将三组序列分别放入训练好的IWOA-BP组合预测模型进行预测，得到预测值y1，y2，y3，y1+y2+y3即为所求的最终预测值。
可以理解的是，在本发明中，实验数据（原始风速数据）来自具有储能辅助黑启动能力的风电场。从2017年8月1日至2017年8月14日，每隔15分钟获取一次采样风速数据。对于每组案例，风速序列分为训练集和测试集。因此，选择7天的数据，并提供总共以15分钟为间隔共672个数据样本来训练预测模型；接下来的96个数据（对应于1天的数据）用于测试所提出模型的性能。
使用CEEMD对原始风速序列进行分解，本试验设置分解序列的个数为7即M=7。每个子序列的ISE值如表2所示：
表2
依据之前提到的划分依据，重新划分为，如表3所示：
表3
将随机变量、变动变量、稳定变量放入IWOA-BP进行预测。
为了验证所提出模型的性能，通过实验来进一步评估所提出的组合模型。（即CEEMD-BP、CEEMD-WOA-BP、CEEMD-SE-WOA-BP、CEEMD-SE-IWOA-BP）称为基准模型，用来与本发明提出的模型CEEMD-ISE-IWOA-BP进行比较。
从图3中可以明显的看出案例从本发明所建立的模型与原始数据的拟合程度最好，CEEMD-BP模型误差系数最大。
如表4和表5所示，当与其他所有的基准模型对比时，本发明提出的模型具有最小的误差系数。例如，可以从表得出以上结论，其中预测的平均MAPE值比所有基准模型分别减少了52.7％，92.35％，96.01％和96.86％。在所有情况下，MAE、SSE、RMSE遵循相同的规律。将CEEMD-ISE-IWOA-BP与CEEMD-SE-IWOA-BP进行比较时，前者具有更好的预测性能，表中的平均MAPE值降低了52.7％。减少的原因是改进的样本熵算法能更好的挖掘每个子模态背后的非线性关系，更好地对子模态进行划分。当比较CEEMD-SE-IWOA-BP组合预测模型与CEEMD-SE-WOA-BP模型时，前者也提高了后者的预测精度，提高的原因是收敛因子改进后平衡了WOA的全局和局部搜索能力。CEEMD-SE-WOA-BP与CEEMD-WOA-BP模型相比，说明SE具有令人满意的信号处理性能。
表4
N表示样本容量，和/>分别表示时刻n的实际值和预测值。
表5
根据本发明实施例的基于储能辅助黑启动能力的风速预测方法，解决了在风电功率预测时往往会造成无规律变动，导致出现功率序列响应能力不足的问题，并且有效地处理了非线性的时序风电信号，提高了功率预测的精度。
为了实现上述实施例，如图4所示，本实施例中还提供了基于储能辅助黑启动能力的风速预测装置10，该装置10包括，风速序列分解模块100、误差系数计算模块200、分量重构生成模块300和分量预测输出模块400；
风速序列分解模块100，用于对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
误差系数计算模块200，用于将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
分量重构生成模块300，用于基于误差系数得到IMF分量对应的改进型样本熵ISE值，并根据ISE值对IMF分量进行重构得到重构分量；
分量预测输出模块400，用于将重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果。
进一步地，上述风速序列分解模块100，还用于：
基于原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
利用EMD经验模态分解对合成信号进行分解得到初始IMF分量和残差的集合；
计算所有初始IMF分量和残差的集合平均值以得到CEEMD子序列对应的IMF分量。
进一步地，上述误差系数计算模块200，还用于：
获取IMF分量实际值；
将IMF分量输入至训练好的GRU中进行预测得到IMF分量预测值；
基于IMF分量预测值和所述IMF分量实际值建立误差评测指标，以根据指标计算结果得到CEEMD子序列对应的误差系数。
进一步地，上述分量重构生成模块300，还用于：
计算ISE值的中位数值；
比较中位数值和预设数值范围的大小以得到数据比较结果；
根据数据比较结果将所述ISE值进行划分以得到重构分量；其中，重构分量，包括变动分量、随机分量和稳态分量。
进一步地，在上述分量预测输出模块400之前，还包括：模型训练模块，用于训练IWOA-BP组合预测模型，包括：
初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，所述训练集，包括IMF分量的第一权重和阈值；
更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
输出算法的最优解，并将当前得到的第二权重和阈值作为所述BP神经网络的最优参数，并根据最优参数得到训练好的IWOA-BP组合预测模型。
根据本发明实施例的基于储能辅助黑启动能力的风速预测装置，解决了在风电功率预测时往往会造成无规律变动，导致出现功率序列响应能力不足的问题，并且有效地处理了非线性的时序风电信号，提高了功率预测的精度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

Claims (10)

1.一种基于储能辅助黑启动能力的风速预测方法，其特征在于，所述方法包括以下步骤：
对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
基于所述误差系数得到IMF分量对应的改进型样本熵ISE值，并根据所述ISE值对IMF分量进行重构得到重构分量；
将所述重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果；
其中，对IWOA-BP鲸鱼算法进行训练以得到最终训练好的预测模型，IWOA改进鲸鱼算法，包括：
包围目标猎物：以距离猎物位置最近的座头鲸位置为最优解，剩余座头鲸以向该最优解位置靠拢为目的，逐渐更新自身位置，其中，包围目标猎物的数学模型的计算式为：
式中，D为鲸鱼个体与当前最优解的距离，是第t次迭代对应的全局最优解，/>为第t次迭代对应的鲸鱼的位置，A为第一系数，C为第二系数，/>为第t+1次迭代对应的鲸鱼的位置，其中，/>、/>，/>为第一随机向量，/>为第二随机向量，r1，r2均属于[0，1]，/>，/>为收敛因子，/>为最大迭代次数，所述a随进化迭代次数增加非线性变化策略：/>，g为非线性均衡系数；
螺旋线位置更新：鲸鱼狩猎时假设有鲸鱼有50%的概率在收缩包围和螺旋上升之间进行随机选择，优化鲸鱼的位置，表达式如下：
，式中，D=|X*(t)-X(t)|，表示鲸鱼与猎物之间的距离，b是一个常数，l是位于[-1，1]之间的随机数；
搜寻猎物：其中，搜寻猎物阶段的数学模型的计算式如下：
式中，为第 t 次迭代时最佳个体的位置矢量。
2.根据权利要求1所述的方法，其特征在于，对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量，包括：
基于所述原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
利用EMD经验模态分解对所述合成信号进行分解得到初始IMF分量和残差的集合；
计算所有初始IMF分量和残差的集合平均值以得到CEEMD子序列对应的IMF分量。
3.根据权利要求2所述的方法，其特征在于，基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数，包括：
获取IMF分量实际值；
将IMF分量输入至训练好的GRU中进行预测得到IMF分量预测值；
基于IMF分量预测值和所述IMF分量实际值建立误差评测指标，以根据指标计算结果得到CEEMD子序列对应的误差系数。
4.根据权利要求3所述的方法，其特征在于，根据所述ISE值对IMF分量进行重构得到重构分量，包括：
计算ISE值的中位数值；
比较所述中位数值和预设数值范围的大小以得到数据比较结果；
根据所述数据比较结果将所述ISE值进行划分以得到重构分量；其中，所述重构分量，包括变动分量、随机分量和稳态分量。
5.根据权利要求4所述的方法，其特征在于，在将所述重构分量输入至训练好的IWOA-BP组合预测模型之前，所述方法，还包括：训练所述IWOA-BP组合预测模型，包括：
初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，所述训练集，包括IMF分量的第一权重和阈值；
更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
输出算法的最优解，并将当前得到的第二权重和阈值作为所述BP神经网络的最优参数，并根据所述最优参数得到训练好的IWOA-BP组合预测模型。
6.一种基于储能辅助黑启动能力的风速预测装置，其特征在于，包括：
风速序列分解模块，用于对原始风速序列进行CEEMD集合经验模态分解得到固有模态函数IMF分量；
误差系数计算模块，用于将IMF分量输入至训练好的GRU循环神经网络模型进行预测得到IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立误差评测指标以计算得到CEEMD子序列对应的误差系数；
分量重构生成模块，用于基于所述误差系数得到IMF分量对应的改进型样本熵ISE值，并根据所述ISE值对IMF分量进行重构得到重构分量；
分量预测输出模块，用于将所述重构分量输入至训练好的IWOA-BP组合预测模型中进行预测以输出最终的IMF分量预测结果；
其中，分量预测输出模块，还用于对IWOA-BP鲸鱼算法进行训练以得到最终训练好的预测模型，IWOA改进鲸鱼算法，包括：
包围目标猎物：以距离猎物位置最近的座头鲸位置为最优解，剩余座头鲸以向该最优解位置靠拢为目的，逐渐更新自身位置，其中，包围目标猎物的数学模型的计算式为：
式中，D为鲸鱼个体与当前最优解的距离，是第t次迭代对应的全局最优解，/>为第t次迭代对应的鲸鱼的位置，A为第一系数，C为第二系数，/>为第t+1次迭代对应的鲸鱼的位置，其中，/>、/>，/>为第一随机向量，/>为第二随机向量，r1，r2均属于[0，1]，/>，/>为收敛因子，/>为最大迭代次数，所述a随进化迭代次数增加非线性变化策略：/>，g为非线性均衡系数；
螺旋线位置更新：鲸鱼狩猎时假设有鲸鱼有50%的概率在收缩包围和螺旋上升之间进行随机选择，优化鲸鱼的位置，表达式如下：
，式中，D=|X*(t)-X(t)|，表示鲸鱼与猎物之间的距离，b是一个常数，l是位于[-1，1]之间的随机数；
搜寻猎物：其中，搜寻猎物阶段的数学模型的计算式如下：
式中，为第 t 次迭代时最佳个体的位置矢量。
7.根据权利要求6所述的装置，其特征在于，所述风速序列分解模块，还用于：
基于所述原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
利用EMD经验模态分解对所述合成信号进行分解得到初始IMF分量和残差的集合；
计算所有初始IMF分量和残差的集合平均值以得到CEEMD子序列对应的IMF分量。
8.根据权利要求7所述的装置，其特征在于，所述误差系数计算模块，还用于：
获取IMF分量实际值；
将IMF分量输入至训练好的GRU中进行预测得到IMF分量预测值；
基于IMF分量预测值和所述IMF分量实际值建立误差评测指标，以根据指标计算结果得到CEEMD子序列对应的误差系数。
9.根据权利要求8所述的装置，其特征在于，所述分量重构生成模块，还用于：
计算ISE值的中位数值；
比较所述中位数值和预设数值范围的大小以得到数据比较结果；
根据所述数据比较结果将所述ISE值进行划分以得到重构分量；其中，所述重构分量，包括变动分量、随机分量和稳态分量。
10.根据权利要求9所述的装置，其特征在于，在所述分量预测输出模块之前，还包括：模型训练模块，用于训练所述IWOA-BP组合预测模型，包括：
初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，所述训练集，包括IMF分量的第一权重和阈值；
更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
输出算法的最优解，并将当前得到的第二权重和阈值作为所述BP神经网络的最优参数，并根据所述最优参数得到训练好的IWOA-BP组合预测模型。
CN202311844252.8A 2023-12-29 2023-12-29 一种基于储能辅助黑启动能力的风速预测方法及装置 Active CN117498352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311844252.8A CN117498352B (zh) 2023-12-29 2023-12-29 一种基于储能辅助黑启动能力的风速预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311844252.8A CN117498352B (zh) 2023-12-29 2023-12-29 一种基于储能辅助黑启动能力的风速预测方法及装置

Publications (2)

Publication Number Publication Date
CN117498352A CN117498352A (zh) 2024-02-02
CN117498352B true CN117498352B (zh) 2024-04-16

Family

ID=89680404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311844252.8A Active CN117498352B (zh) 2023-12-29 2023-12-29 一种基于储能辅助黑启动能力的风速预测方法及装置

Country Status (1)

Country Link
CN (1) CN117498352B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744893B (zh) * 2024-02-19 2024-05-17 西安热工研究院有限公司 一种储能辅助黑启动的风速预测方法和系统
CN117748501B (zh) * 2024-02-19 2024-05-07 西安热工研究院有限公司 一种储能辅助黑启动的风功率预测方法和系统
CN117787509B (zh) * 2024-02-23 2024-05-14 西安热工研究院有限公司 一种用于储能辅助黑启动的风速预测方法和系统
CN118311692B (zh) * 2024-03-28 2024-08-20 西安热工研究院有限公司 基于双维误差补偿法的储能辅助黑启动的风速预测方法
CN117972363B (zh) * 2024-03-29 2024-06-07 西安热工研究院有限公司 一种基于平稳度的储能辅助黑启动的风速预测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205495A (zh) * 2015-09-02 2015-12-30 上海大学 基于emd-elm的非平稳脉动风速预测方法
CN113326969A (zh) * 2021-04-29 2021-08-31 淮阴工学院 基于改进鲸鱼算法优化elm的短期风速预测方法及系统
EP4010585A1 (en) * 2019-08-08 2022-06-15 Vestas Wind Systems A/S Providing auxiliary power using offshore wind turbines
CN115018170A (zh) * 2022-06-14 2022-09-06 海南大学 一种短期风电功率预测方法、装置、设备及存储介质
CN116307240A (zh) * 2023-04-04 2023-06-23 广西电网有限责任公司 基于woa-vmd-ols的光伏发电站短期发电功率预测方法
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205495A (zh) * 2015-09-02 2015-12-30 上海大学 基于emd-elm的非平稳脉动风速预测方法
EP4010585A1 (en) * 2019-08-08 2022-06-15 Vestas Wind Systems A/S Providing auxiliary power using offshore wind turbines
CN113326969A (zh) * 2021-04-29 2021-08-31 淮阴工学院 基于改进鲸鱼算法优化elm的短期风速预测方法及系统
CN115018170A (zh) * 2022-06-14 2022-09-06 海南大学 一种短期风电功率预测方法、装置、设备及存储介质
CN116307240A (zh) * 2023-04-04 2023-06-23 广西电网有限责任公司 基于woa-vmd-ols的光伏发电站短期发电功率预测方法
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CEEMDAN-WOA-ELM 模型 风机振动趋势预测;田宏伟;《中国测试》;20200731;全文 *
Ultra-short-term Wind Speed Forecasting Based on a Hybrid FEEMD-ICS-LSSVM Method;Xin Yang;《IEEE Sensors Journa》;20230427;全文 *
基于IWOA-BP神经网络的滑坡区塔线 体系应力预测模型;周冬阳;《国外电子测量技术》;20230731;全文 *

Also Published As

Publication number Publication date
CN117498352A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN117498352B (zh) 一种基于储能辅助黑启动能力的风速预测方法及装置
CN117408164B (zh) 储能辅助黑启动的风速智能预测方法及系统
Wang et al. Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN115511177A (zh) 基于ingo-swgmn混合模型的超短期风速预测方法
CN113836823A (zh) 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
CN114676645B (zh) 一种非平稳时间序列预测方法及系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN117439069A (zh) 一种基于神经网络的电量预测方法
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN117592593A (zh) 基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法
CN117829202A (zh) 一种基于双误差的储能辅助黑启动的风速预测方法和系统
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
CN117129875A (zh) 电池容量预测模型的训练和预测方法、系统、设备及介质
CN113902206A (zh) 一种基于VMD-BiGRU的短期负荷预测方法
CN117728386A (zh) 一种绿色建筑可再生能源发电量的预测方法
CN116681154A (zh) 一种基于emd-ao-delm的光伏功率计算方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN113205214A (zh) 一种基于并行树突状神经网络的光伏功率超短期预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant