CN117744893B - 一种储能辅助黑启动的风速预测方法和系统 - Google Patents
一种储能辅助黑启动的风速预测方法和系统 Download PDFInfo
- Publication number
- CN117744893B CN117744893B CN202410182404.0A CN202410182404A CN117744893B CN 117744893 B CN117744893 B CN 117744893B CN 202410182404 A CN202410182404 A CN 202410182404A CN 117744893 B CN117744893 B CN 117744893B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- error
- target
- component
- modal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 241001672018 Cercomela melanura Species 0.000 title claims abstract description 43
- 238000004146 energy storage Methods 0.000 title claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 109
- 238000003062 neural network model Methods 0.000 claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 80
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 71
- 230000002776 aggregation Effects 0.000 claims abstract description 26
- 238000004220 aggregation Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于风电技术领域，具体提出一种储能辅助黑启动的风速预测方法和系统，该方法包括获取风速序列；基于分解层数利用CEEMD算法对风速序列进行分解获得多个模态分量并结合第一循环神经网络模型以获得第一误差系数；基于各第一误差系数对所有模态分量进行重构以得到多个聚合模态分量并结合第二循环神经网络模型以获得第二误差系数，进而获得误差和；从不同分解层数对应的误差和中选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量并利用第三循环神经网络模型获得对应的目标风速分量预测值，从而获得当前采样点的下一采样点的风速预测值。利用本申请的方法能够提高风速的预测精度。
Description
技术领域
本申请涉及风电技术领域，尤其涉及一种储能辅助黑启动的风速预测方法和系统。
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。因此为了更好地在停电事故后利用风光储发电系统进行黑启动，需要对根据历史风速数据，对风电场的风速进行评估。然而传统的风速预测存在预测精度差的问题。
发明内容
本申请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，本申请的第一个目的在于提出一种储能辅助黑启动的风速预测方法，以提高风速的预测精度。
本申请的第二个目的在于提出一种储能辅助黑启动的风速预测系统。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种储能辅助黑启动的风速预测方法，包括：
获取风速序列，所述风速序列包括当前采样点和多个历史采样点的风速测量值；
基于分解层数利用CEEMD算法对所述风速序列进行分解获得多个模态分量；
基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；
基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量；
基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；
更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；
基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；
基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用所述风速预测值参与储能辅助黑启动。
在本申请的第一方面的方法中，每个模态分量由所述风速序列的所有采样点的风速测量值分解得到的风速分量组成，风速分量数量等于所述风速序列的采样点数量；设置第一循环神经网络模型的参数，以使第一循环神经网络模型输出预设数量的风速分量预测值，模型输出的预设数量的风速分量预测值对应的实际值为输入的模态分量中当前采样点及之前的相同数量的风速分量；所述基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数，包括：针对任一模态分量，将该模态分量输入第一循环神经网络模型获得对应的预设数量的风速分量预测值；基于预设数量的风速分量预测值和对应的实际值获得该模态分量的第一误差系数，进而得到各模态分量的第一误差系数。
在本申请的第一方面的方法中，所述基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，包括：基于各模态分量的第一误差系数的正负性，将第一误差系数划分为非负误差组和负误差组；选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组，基本组中第一误差系数为第一基本误差系数，目标组中第一误差系数为第一目标误差系数；对基本组和目标组进行配对处理以确定多个误差对和剩余误差，任一误差对包括一个第一基本误差系数和一个第一目标误差系数，其中，各误差对中第一目标误差系数基于该误差对中第一基本误差系数与目标组的各第一目标误差系数的所有和中最接近0的和确定，配对时已成功配对的误差对中第一目标误差系数不再参与未成功配对的误差对的求和计算；剩余误差为完成所有配对后，目标组中剩余的第一目标误差系数；对任一误差对，将该误差对中的两个第一误差系数对应的模态分量求和，并结合剩余误差对应的模态分量，从而得到多个聚合模态分量。
在本申请的第一方面的方法中，各聚合模态分量的序列长度等于所述风速序列的采样点数量；设置第二循环神经网络模型的参数，以使第二循环神经网络模型输出预设数量的聚合风速分量预测值，模型输出的预设数量的聚合风速分量预测值对应的实际值为输入的聚合模态分量中当前采样点及之前的相同数量的聚合风速分量。
在本申请的第一方面的方法中，设置第三循环神经网络模型的参数，以使第三循环神经网络模型输出当前采样点的下一采样点的目标风速分量预测值；所述基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值，包括：针对任一目标分量，将该目标分量输入第三循环神经网络模型获得对应的当前采样点的下一采样点的目标风速分量预测值，进而得到各目标分量对应的目标风速分量预测值。
在本申请的第一方面的方法中，所述基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，包括：将各目标风速分量预测值进行求和从而得到当前采样点的下一采样点的风速预测值。
在本申请的第一方面的方法中，所述第一循环神经网络模型、所述第二循环神经网络模型和第三循环神经网络模型分别采用GRU模型。
为达上述目的，本申请第二方面实施例提出了一种储能辅助黑启动的风速预测系统，包括：
获取模块，用于获取风速序列，所述风速序列包括当前采样点和多个历史采样点的风速测量值；
分解模块，用于基于分解层数利用CEEMD算法对所述风速序列进行分解获得多个模态分量；
第一误差计算模块，用于基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；
重构模块，用于基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量；
第二误差计算模块，用于基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；
目标分量确定模块，用于更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；
预测模块，用于基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；
控制模块，用于基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用所述风速预测值参与储能辅助黑启动。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。
为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
本申请提供的储能辅助黑启动的风速预测方法、系统、电子设备及存储介质，通过获取风速序列，风速序列包括当前采样点和多个历史采样点的风速测量值；基于分解层数利用CEEMD算法对风速序列进行分解获得多个模态分量；基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量；基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用风速预测值参与储能辅助黑启动。在这种情况下，在利用CEEMD算法获得多个模态分量后，还利用第一循环神经网络模型得到风速分量预测值进而获得各模态分量对应的第一误差系数，通过各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，再利用第二循环神经网络模型得到第二误差系数进而得到误差和，从各分解层数对应的误差和中选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量以得到当前采样点的下一采样点的风速预测值，避免像现有技术那样仅利用传统CEEMD算法分解得到分量来进行预测，提高了风速预测的精度，进而提高了风速的预测精度。
本申请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，或通过本申请的实践了解到。
附图说明
本申请上述的和/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为本申请实施例所提供的一种储能辅助黑启动的风速预测方法的流程示意图；
图2为本申请实施例所提供的风速预测过程的具体流程示意图；
图3为本申请实施例所提供的一种储能辅助黑启动的风速预测系统的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的储能辅助黑启动的风速预测方法和系统。
本申请实施例提供了一种储能辅助黑启动的风速预测方法，以提高风速的预测精度。
图1为本申请实施例所提供的一种储能辅助黑启动的风速预测方法的流程示意图。图2为本申请实施例所提供的风速预测过程的具体流程示意图。
如图1所示，该储能辅助黑启动的风速预测方法包括以下步骤：
步骤S101，获取风速序列，风速序列包括当前采样点和多个历史采样点的风速测量值。
具体地，在步骤S101中，设置采样点数量为M，M个采样点包括当前采样点和M-1个历史采样点，获取M个采样点处采集到的风速测量值得到所需的风速序列（也称原始风速序列）。也即风速序列中风速测量值数量等于M。
步骤S102，基于分解层数利用CEEMD算法对风速序列进行分解获得多个模态分量。
易于理解地，CEEMD（Complementary Ensemble Empirical Mode Decomposition，互补集合经验模态分解）算法是一种自适应信号处理方法。其利用1组符号相反的辅助白噪声和原始信号，得到1组新的正负混合序列，再对每个序列进行EMD（Empirical ModeDecomposition，经验模态分解）分解，通过多次分解最终将原始信号（如风速序列）分解为有限个数量的模态分量（(Intrinsic Mode Function，IMF）。在步骤S102中，利用CEEMD算法对风速序列进行分解得到的模态分量数量（即分解层数）为K，其中第k个模态分量表示为IMFk，k取1~K。
由于风速序列包括M个风速测量值，故步骤S102中分解得到的每个模态分量可以看作是由风速序列的所有采样点的风速测量值分解得到的风速分量组成。风速分量数量等于风速序列的采样点数量。即每个模态分量的序列长度（即风速分量数量）等于M，模态分量中的每个子序列为一个风速分量，每个模态分量对应的采样点与获取的风速序列一致，每个风速分量由对应采样点处的风速测量值分解得到。
步骤S103，基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数。
具体地，在步骤S103中，设置第一循环神经网络模型的参数，以使第一循环神经网络模型输出预设数量的风速分量预测值，模型输出的预设数量的风速分量预测值对应的实际值为输入的模态分量中当前采样点及之前的相同数量的风速分量；基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数，包括：针对任一模态分量，将该模态分量输入第一循环神经网络模型获得对应的预设数量的风速分量预测值；基于预设数量的风速分量预测值和对应的实际值获得该模态分量的第一误差系数，进而得到各模态分量的第一误差系数。
以第一个模态分量IMF1、预设数量N，模态分量的序列长度等于M，其中M＞N，为例，模型输入为第一个模态分量IMF1，第一个模态分量IMF1包括当前采样点和M-1个历史采样点下的M个风速分量，将该模态分量输入第一循环神经网络模型获得N个风速分量预测值，N个风速分量预测值对应的实际值为第一个模态分量IMF1中当前采样点及之前的N-1个历史采样点下的风速分量，基于N个风速分量预测值和对应的N个风速分量获得第一个模态分量IMF1的第一误差系数W1。
在步骤S103中，各模态分量的第一误差系数满足：，其中/>为第k个模态分量的第一误差系数，N为模型输出的预设数量，y k,n为第k个模态分量对应的模型输出的第n个风速分量预测值，n取1~N，k取1~K。s k,n为y k,n对应的实际值。
在步骤S103中第一循环神经网络模型采用门控循环单元网络（gated recurrentunit，GRU）模型。易于理解地，GRU网络是LSTM（Long Short-Term Memory，长短期记忆网络）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。更新门和重置门状态分别为z t和r t，输入向量为x t，隐层状态为h t，数学表达式为：
式中，是t时刻输入状态与上一时刻隐层状态/>的过程向量；/>表示sigmoid函数；/>、/>分别表示输入向量对更新门和重置门的权重矩阵，/>、/>分别表示隐层状态对更新门和重置门的权重矩阵；/>表示隐层状态对过程向量的权重矩阵；W表示输入向量对过程向量的权重矩阵；/>表示输出权重矩阵，b为偏置；/>为t时刻的输出。
步骤S104，基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量。
具体地，在步骤S104中，基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，包括：基于各模态分量的第一误差系数的正负性，将第一误差系数划分为非负误差组和负误差组；选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组，基本组中第一误差系数为第一基本误差系数，目标组中第一误差系数为第一目标误差系数；对基本组和目标组进行配对处理以确定多个误差对和剩余误差，任一误差对包括一个第一基本误差系数和一个第一目标误差系数，其中，各误差对中第一目标误差系数基于该误差对中第一基本误差系数与目标组的各第一目标误差系数的所有和中最接近0的和确定，配对时已成功配对的误差对中第一目标误差系数不再参与未成功配对的误差对的求和计算；剩余误差为完成所有配对后，目标组中剩余的第一目标误差系数；对任一误差对，将该误差对中的两个第一误差系数对应的模态分量求和，并结合剩余误差对应的模态分量，从而得到多个聚合模态分量。
以非负误差组中第一误差系数的数量为L，负误差组中第一误差系数的数量为K-L为例，将K个模态分量对应的第一误差系数按照正负号分成两组，其中L个第一误差系数大于等于0，该L个第一误差系数为非负误差组，K-L个误差系数小于0，该K-L个第一误差系数为负误差组，选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组。例如L＜K-L时，非负误差组为基本组，负误差组为目标组。对基本组和目标组进行配对处理以完成聚合误差的建立，其中聚合误差包括多个误差对和剩余误差。
为便于描述配对处理的过程，以L＜K-L为例，对基本组和目标组分别进行排序，如将基本组中的第一基本误差系数从大到小进行排列，此时基本组可以表示为[Wmax-L+1,…,Wmax-2,Wmax-1,Wmax]，将目标组中第一目标误差系数从小到大进行排列[Wmin-K+L+1,…,Wmin-2,Wmin-1,Wmin]，配对处理包括：选择基本组的第一个第一基本误差系数Wmax-L+1，将该第一基本误差系数分别与目标组的K-L个第一目标误差系数求和，从K-L个和中选出最接近0的和，该最接近0的对应的第一目标误差系数与第一个第一基本误差系数Wmax-L+1配对成功，得到一个误差对；然后选择基本组的第二个第一基本误差系数Wmax-L+2，将该第一基本误差系数分别与目标组中除已经配对成功的第一目标误差系数外剩下的K-L-1个第一目标误差系数求和，从K-L-1个和中选出最接近0的和，该最接近0的对应的第一目标误差系数与第二个第一基本误差系数Wmax-L+2配对成功，得到一个误差对；参照第二个第一基本误差系数的配对过程，将基本组中剩余的L-2个第一基本误差系数完成配对，从而得到L个误差对，目标组中剩余K-2L个第一目标误差系数没有可配对的第一基本误差系数，该剩余的第一目标误差系数看作为K-2L个剩余误差。
基本组[Wmax-L+1,…,Wmax-2,Wmax-1,Wmax]对应的基本模态分量组为[IMFmax-L+1,…,IMFmax-2,IMFmax-1,IMFmax]，目标组[Wmin-K+L+1,…,Wmin-2,Wmin-1,Wmin]对应的目标模态分量组为[IMFmin-K+L+1,…,IMFmin-2,IMFmin-1,IMFmin]，在配对处理完成后，对任一误差对，从基本模态分量组和目标模态分量组中将该误差对中的两个第一误差系数对应的模态分量挑选出来进行求和以得到L个聚合模态分量，保留剩余误差在目标模态分量组中对应的模态分量以得到K-2L个聚合模态分量，从而得到所需的K-L个聚合模态分量。K-L个聚合模态分量为[H1, H2,…,HK-L]。
步骤S105，基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和。
具体地，在步骤S105中，各聚合模态分量可以看作是多个聚合风速分量组成。各聚合模态分量的序列长度（即聚合风速分量数量）等于获取的风速序列的采样点数量M；每个聚合模态分量对应的采样点与获取的风速序列一致。
设置第二循环神经网络模型的参数，以使第二循环神经网络模型输出预设数量的聚合风速分量预测值，模型输出的预设数量的聚合风速分量预测值对应的实际值为输入的聚合模态分量中当前采样点及之前的相同数量的聚合风速分量。针对任一聚合模态分量，将该聚合模态分量输入第二循环神经网络模型获得对应的预设数量的聚合风速分量预测值；基于预设数量的聚合风速分量预测值和对应的实际值获得该聚合模态分量的第二误差系数，进而得到各聚合模态分量的第二误差系数。第二误差系数满足：，其中/>为第i个聚合模态分量的第二误差系数，N为模型输出的预设数量，y’ i,n为第i个聚合模态分量对应的模型输出的第n个聚合风速分量预测值，n取1~N，i取1~ max(L,K-L)。s’ i,n为y’ i,n对应的实际值。
在步骤S105中，基于所有第二误差系数获得误差和。即=/>+/>+...+。
在步骤S105中，第二循环神经网络模型采用GRU模型。
步骤S106，更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量。
具体地，在步骤S106中，在分解层数范围下，从分解层数最小值（即分解层数范围下限）开始，按设定步长更新分解层数重复上述步骤以获得不同分解层数下的误差和，直至分解层数达到分解层数最大值（即分解层数范围上限），选择所有误差和中，误差和最小时对应的分解层数为最优分解层数，将最优分解层数下的聚合模态分量作为目标分量。目标分量可以表示为Hmin,1, Hmin,2,…,Hmin,max(L,K-L)。
步骤S107，基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值。
具体地，在步骤S107中，设置第三循环神经网络模型的参数，以使第三循环神经网络模型输出当前采样点的下一采样点的目标风速分量预测值；基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值，包括：针对任一目标分量，将该目标分量输入第三循环神经网络模型获得对应的当前采样点的下一采样点的目标风速分量预测值，进而得到各目标分量对应的目标风速分量预测值。
在步骤S107中，第三循环神经网络模型采用GRU模型。
步骤S108，基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用风速预测值参与储能辅助黑启动。
具体地，在步骤S108中，基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，包括：将各目标风速分量预测值进行求和从而得到当前采样点的下一采样点的风速预测值。
以分解层数范围为[5,12]，第一循环神经网络模型、第二循环神经网络模型和第三循环神经网络模型分别采用GRU模型为例，风速预测值的获取过程包括：如图2所示，获取原始风速序列，确定分解层数K其中K初始值为5，在K初始值下，对原始风速序列进行CEEMD分解，得到K个模态分量IMF（IMF1,...,IMFK），将K个IMF分量分别放入GRU模型进行预测，利用得到的风速分量预测值和对应的实际值获得K个模态分量的第一误差系数（即W1,...,WK）。将K个第一误差系数进行配对处理以完成聚合误差的建立，基于聚合误差利用基本模态分量组为[IMFmax-L+1,…,IMFmax-2,IMFmax-1,IMFmax]和目标模态分量组为[IMFmin-K+L+1,…,IMFmin-2,IMFmin-1,IMFmin]得到新的互补序列，即max(L,K-L)个聚合模态分量（即H1, H2,…,Hmax(L,K-L)），将max(L,K-L)个聚合模态分量分别放入GRU模型进行预测，得到max(L,K-L)个聚合模态分量的第二误差系数（即,...,/>），基于所有第二误差系数获得误差和/>，判断分解层数达到分解层数最大值12，若否则按设定步长（如1）更新分解层数（如K=K+1），返回重新确定分解层数，以获得新的分解层数对应的新的误差和，直至分解层数达到分解层数最大值12，选择误差和/>最小时对应的互补序列（即目标分量[Hmin,1, Hmin,2,…,Hmin,max(L,K-L)]），并输入GRU模型分别得到对应目标分量的目标风速分量预测值（即Y1 ’, Y2 ’,…, Ymax(L,K-L) ’）。将所有目标风速分量预测值求和从而得到风速预测最终结果，该最终结果即为当前采样点的下一采样点的风速预测值。
为了验证本申请的方法的效果，进行验证。其中，获取的实验数据（即原始风速序列）来自具有储能辅助黑启动能力的风电场。从2022年9月1日至2016年9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。
为了验证本申请所提出模型的性能，通过实验来进一步评估所提出的模型。其中GRU，CEEMD-GRU称为基准模型，用来与本申请所提出模型进行比较。在本申请的实验中，选择平均绝对百分比误差(Mean absolute percentage error, MAPE)及均方根误差(Rootmean square error, RMSE)为各模型的评价标准。本申请的实验中，实验结果如表1。
表1 各模型的评价指标表
如表1所示，当与其他所有的基准模型对比时，本申请提出的模型具有最小的误差系数。本申请的模型与CEEMD-GRU模型对比，2个评价指标的误差系数均大幅下降，证明了本申请所提出的方法能够有效的提高预测性能，将本申请的模型与GRU相比，2个评价指标的误差系数均大幅下降，证明数据预处理能够提高预测精度。
为了实现上述实施例，本申请还提出一种储能辅助黑启动的风速预测系统，火电厂配置的混合储能装置包括液流电池和超级电容器。
图3为本申请实施例所提供的一种储能辅助黑启动的风速预测系统的框图。
如图3所示，该储能辅助黑启动的风速预测系统包括获取模块11、分解模块12、第一误差计算模块13、重构模块14、第二误差计算模块15、目标分量确定模块16、预测模块17和控制模块18，其中：
获取模块11，用于获取风速序列，风速序列包括当前采样点和多个历史采样点的风速测量值；
分解模块12，用于基于分解层数利用CEEMD算法对风速序列进行分解获得多个模态分量；
第一误差计算模块13，用于基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；
重构模块14，用于基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量；
第二误差计算模块15，用于基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；
目标分量确定模块16，用于更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；
预测模块17，用于基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；
控制模块18，用于基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用风速预测值参与储能辅助黑启动。
进一步地，在本申请实施例的一种可能的实现方式中，每个模态分量由风速序列的所有采样点的风速测量值分解得到的风速分量组成，风速分量数量等于风速序列的采样点数量；设置第一循环神经网络模型的参数，以使第一循环神经网络模型输出预设数量的风速分量预测值，模型输出的预设数量的风速分量预测值对应的实际值为输入的模态分量中当前采样点及之前的相同数量的风速分量；第一误差计算模块13，具体用于：针对任一模态分量，将该模态分量输入第一循环神经网络模型获得对应的预设数量的风速分量预测值；基于预设数量的风速分量预测值和对应的实际值获得该模态分量的第一误差系数，进而得到各模态分量的第一误差系数。
进一步地，在本申请实施例的一种可能的实现方式中，重构模块14，具体用于：基于各模态分量的第一误差系数的正负性，将第一误差系数划分为非负误差组和负误差组；选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组，基本组中第一误差系数为第一基本误差系数，目标组中第一误差系数为第一目标误差系数；对基本组和目标组进行配对处理以确定多个误差对和剩余误差，任一误差对包括一个第一基本误差系数和一个第一目标误差系数，其中，各误差对中第一目标误差系数基于该误差对中第一基本误差系数与目标组的各第一目标误差系数的所有和中最接近0的和确定，配对时已成功配对的误差对中第一目标误差系数不再参与未成功配对的误差对的求和计算；剩余误差为完成所有配对后，目标组中剩余的第一目标误差系数；对任一误差对，将该误差对中的两个第一误差系数对应的模态分量求和，并结合剩余误差对应的模态分量，从而得到多个聚合模态分量。
进一步地，在本申请实施例的一种可能的实现方式中，各聚合模态分量的序列长度等于风速序列的采样点数量；设置第二循环神经网络模型的参数，以使第二循环神经网络模型输出预设数量的聚合风速分量预测值，模型输出的预设数量的聚合风速分量预测值对应的实际值为输入的聚合模态分量中当前采样点及之前的相同数量的聚合风速分量。
进一步地，在本申请实施例的一种可能的实现方式中，设置第三循环神经网络模型的参数，以使第三循环神经网络模型输出当前采样点的下一采样点的目标风速分量预测值；预测模块17，具体用于：针对任一目标分量，将该目标分量输入第三循环神经网络模型获得对应的当前采样点的下一采样点的目标风速分量预测值，进而得到各目标分量对应的目标风速分量预测值。
进一步地，在本申请实施例的一种可能的实现方式中，控制模块18中，基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，包括：将各目标风速分量预测值进行求和从而得到当前采样点的下一采样点的风速预测值。
进一步地，在本申请实施例的一种可能的实现方式中，第一循环神经网络模型、第二循环神经网络模型和第三循环神经网络模型分别采用GRU模型。
需要说明的是，前述对储能辅助黑启动的风速预测方法实施例的解释说明也适用于该实施例的储能辅助黑启动的风速预测系统，此处不再赘述。
本申请实施例中，通过获取风速序列，风速序列包括当前采样点和多个历史采样点的风速测量值；基于分解层数利用CEEMD算法对风速序列进行分解获得多个模态分量；基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量；基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用风速预测值参与储能辅助黑启动。在这种情况下，在利用CEEMD算法获得多个模态分量后，还利用第一循环神经网络模型得到风速分量预测值进而获得各模态分量对应的第一误差系数，通过各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，再利用第二循环神经网络模型得到第二误差系数进而得到误差和，从各分解层数对应的误差和中选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量以得到当前采样点的下一采样点的风速预测值，避免像现有技术那样仅利用传统CEEMD算法分解得到分量来进行预测，提高了风速预测的精度，进而提高了风速的预测精度。还克服了现有的仅传统数据分解技术(CEEMD)分解层数过多运行时间较长，分解层数较少预测不精确的问题。
为了实现上述实施例，本申请还提出一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现执行前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例所提供的方法。
在前述各实施例描述中，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申请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。在本申请的描述中，“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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种储能辅助黑启动的风速预测方法，其特征在于，包括：
获取风速序列，所述风速序列包括当前采样点和多个历史采样点的风速测量值；
基于分解层数利用CEEMD算法对所述风速序列进行分解获得多个模态分量；
基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；
基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，其中，基于各模态分量的第一误差系数的正负性，将第一误差系数划分为非负误差组和负误差组；选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组，基本组中第一误差系数为第一基本误差系数，目标组中第一误差系数为第一目标误差系数；对基本组和目标组进行配对处理以确定多个误差对和剩余误差，任一误差对包括一个第一基本误差系数和一个第一目标误差系数，其中，各误差对中第一目标误差系数基于该误差对中第一基本误差系数与目标组的各第一目标误差系数的所有和中最接近0的和确定，配对时已成功配对的误差对中第一目标误差系数不再参与未成功配对的误差对的求和计算；剩余误差为完成所有配对后，目标组中剩余的第一目标误差系数；对任一误差对，将该误差对中的两个第一误差系数对应的模态分量求和，并结合剩余误差对应的模态分量，从而得到多个聚合模态分量；
基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；
更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；
基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；
基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用所述风速预测值参与储能辅助黑启动。
2.根据权利要求1所述的储能辅助黑启动的风速预测方法，其特征在于，每个模态分量由所述风速序列的所有采样点的风速测量值分解得到的风速分量组成，风速分量数量等于所述风速序列的采样点数量；
设置第一循环神经网络模型的参数，以使第一循环神经网络模型输出预设数量的风速分量预测值，模型输出的预设数量的风速分量预测值对应的实际值为输入的模态分量中当前采样点及之前的相同数量的风速分量；
所述基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数，包括：
针对任一模态分量，将该模态分量输入第一循环神经网络模型获得对应的预设数量的风速分量预测值；基于预设数量的风速分量预测值和对应的实际值获得该模态分量的第一误差系数，进而得到各模态分量的第一误差系数。
3.根据权利要求1所述的储能辅助黑启动的风速预测方法，其特征在于，各聚合模态分量的序列长度等于所述风速序列的采样点数量；
设置第二循环神经网络模型的参数，以使第二循环神经网络模型输出预设数量的聚合风速分量预测值，模型输出的预设数量的聚合风速分量预测值对应的实际值为输入的聚合模态分量中当前采样点及之前的相同数量的聚合风速分量。
4.根据权利要求1所述的储能辅助黑启动的风速预测方法，其特征在于，设置第三循环神经网络模型的参数，以使第三循环神经网络模型输出当前采样点的下一采样点的目标风速分量预测值；
所述基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值，包括：
针对任一目标分量，将该目标分量输入第三循环神经网络模型获得对应的当前采样点的下一采样点的目标风速分量预测值，进而得到各目标分量对应的目标风速分量预测值。
5.根据权利要求4所述的储能辅助黑启动的风速预测方法，其特征在于，所述基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，包括：
将各目标风速分量预测值进行求和从而得到当前采样点的下一采样点的风速预测值。
6.根据权利要求1所述的储能辅助黑启动的风速预测方法，其特征在于，所述第一循环神经网络模型、所述第二循环神经网络模型和第三循环神经网络模型分别采用GRU模型。
7.一种储能辅助黑启动的风速预测系统，其特征在于，包括：
获取模块，用于获取风速序列，所述风速序列包括当前采样点和多个历史采样点的风速测量值；
分解模块，用于基于分解层数利用CEEMD算法对所述风速序列进行分解获得多个模态分量；
第一误差计算模块，用于基于各模态分量利用第一循环神经网络模型获得对应的风速分量预测值，进而获得各模态分量对应的第一误差系数；
重构模块，用于基于各第一误差系数的大小，对所有模态分量进行重构以得到多个聚合模态分量，其中，基于各模态分量的第一误差系数的正负性，将第一误差系数划分为非负误差组和负误差组；选择第一误差系数个数较少的一组为基本组，个数较多的一组为目标组，基本组中第一误差系数为第一基本误差系数，目标组中第一误差系数为第一目标误差系数；对基本组和目标组进行配对处理以确定多个误差对和剩余误差，任一误差对包括一个第一基本误差系数和一个第一目标误差系数，其中，各误差对中第一目标误差系数基于该误差对中第一基本误差系数与目标组的各第一目标误差系数的所有和中最接近0的和确定，配对时已成功配对的误差对中第一目标误差系数不再参与未成功配对的误差对的求和计算；剩余误差为完成所有配对后，目标组中剩余的第一目标误差系数；对任一误差对，将该误差对中的两个第一误差系数对应的模态分量求和，并结合剩余误差对应的模态分量，从而得到多个聚合模态分量；
第二误差计算模块，用于基于各聚合模态分量利用第二循环神经网络模型获得对应的聚合风速分量预测值，进而获得各聚合模态分量对应的第二误差系数，基于所有第二误差系数获得误差和；
目标分量确定模块，用于更新分解层数以获得新的误差和，直至分解层数达到分解层数最大值，选择误差和最小时对应的分解层数下的聚合模态分量作为目标分量；
预测模块，用于基于各目标分量利用第三循环神经网络模型获得对应的目标风速分量预测值；
控制模块，用于基于各目标风速分量预测值获得当前采样点的下一采样点的风速预测值，以在发生停电故障时利用所述风速预测值参与储能辅助黑启动。
8.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410182404.0A CN117744893B (zh) | 2024-02-19 | 2024-02-19 | 一种储能辅助黑启动的风速预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410182404.0A CN117744893B (zh) | 2024-02-19 | 2024-02-19 | 一种储能辅助黑启动的风速预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744893A CN117744893A (zh) | 2024-03-22 |
| CN117744893B true CN117744893B (zh) | 2024-05-17 |
Family
ID=90259511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410182404.0A Active CN117744893B (zh) | 2024-02-19 | 2024-02-19 | 一种储能辅助黑启动的风速预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744893B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
| CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
| CN110264006A (zh) * | 2019-06-21 | 2019-09-20 | 合肥工业大学 | 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法 |
| CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
| CN112669168A (zh) * | 2020-12-15 | 2021-04-16 | 国网辽宁省电力有限公司阜新供电公司 | 一种风电功率短期预测方法 |
| CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN114154779A (zh) * | 2021-10-19 | 2022-03-08 | 北京电子工程总体研究所 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
| CN115511657A (zh) * | 2022-08-23 | 2022-12-23 | 国网甘肃省电力公司电力科学研究院 | 一种基于组合预测模型的风电出力与光伏出力评估的方法 |
| CN115964923A (zh) * | 2022-11-23 | 2023-04-14 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 |
| WO2023115425A1 (zh) * | 2021-12-20 | 2023-06-29 | 南瑞集团有限公司 | 一种超短时风速预测方法及系统 |
| US11789034B1 (en) * | 2022-07-06 | 2023-10-17 | North China Electric Power University | Intelligent soft measurement method for wind speed in front of wind turbine |
| CN117076851A (zh) * | 2023-07-20 | 2023-11-17 | 中国能源建设股份有限公司 | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 |
| CN117116291A (zh) * | 2023-08-22 | 2023-11-24 | 昆明理工大学 | 一种含沙水流冲击水轮机的声信号处理方法 |
| CN117498352A (zh) * | 2023-12-29 | 2024-02-02 | 西安热工研究院有限公司 | 一种基于储能辅助黑启动能力的风速预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110008080A (ko) * | 2008-04-03 | 2011-01-25 | 카이 메디컬, 아이엔씨. | 비접촉식 생리학적 모션 센서 및 모션 센서의 사용 방법 |
-
2024
- 2024-02-19 CN CN202410182404.0A patent/CN117744893B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
| CN109802862A (zh) * | 2019-03-26 | 2019-05-24 | 重庆邮电大学 | 一种基于集合经验模态分解的组合型网络流量预测方法 |
| CN110264006A (zh) * | 2019-06-21 | 2019-09-20 | 合肥工业大学 | 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法 |
| CN110807349A (zh) * | 2019-08-02 | 2020-02-18 | 邯郸钢铁集团有限责任公司 | 基于emd分解和小波阈值的自适应降噪方法 |
| CN110543860A (zh) * | 2019-09-05 | 2019-12-06 | 燕山大学 | 基于tjm迁移学习的机械故障诊断方法及系统 |
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN112669168A (zh) * | 2020-12-15 | 2021-04-16 | 国网辽宁省电力有限公司阜新供电公司 | 一种风电功率短期预测方法 |
| CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
| CN114154779A (zh) * | 2021-10-19 | 2022-03-08 | 北京电子工程总体研究所 | 一种基于emd-som的健康评估与故障诊断方法及系统 |
| WO2023115425A1 (zh) * | 2021-12-20 | 2023-06-29 | 南瑞集团有限公司 | 一种超短时风速预测方法及系统 |
| US11789034B1 (en) * | 2022-07-06 | 2023-10-17 | North China Electric Power University | Intelligent soft measurement method for wind speed in front of wind turbine |
| CN115511657A (zh) * | 2022-08-23 | 2022-12-23 | 国网甘肃省电力公司电力科学研究院 | 一种基于组合预测模型的风电出力与光伏出力评估的方法 |
| CN115964923A (zh) * | 2022-11-23 | 2023-04-14 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法 |
| CN117076851A (zh) * | 2023-07-20 | 2023-11-17 | 中国能源建设股份有限公司 | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 |
| CN117116291A (zh) * | 2023-08-22 | 2023-11-24 | 昆明理工大学 | 一种含沙水流冲击水轮机的声信号处理方法 |
| CN117498352A (zh) * | 2023-12-29 | 2024-02-02 | 西安热工研究院有限公司 | 一种基于储能辅助黑启动能力的风速预测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 《基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究》;娄华生等;《基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究》;20230430;第46卷(第7期);第103-109页 * |
| Short-term wind speed prediction based on improved Hilbert-Huang transform method coupled with NAR dynamic neural network model;Chen Jian等;《Scientific Reports》;20240105;第14卷(第1期);第617页 * |
| 基于二次分解的改进时间序列超短期风速预测研究;赵征等;《华北电力大学学报(自然科学版)》;20200727;第47卷(第04期);第53-60页 * |
| 激光诱导击穿光谱数据综合预处理研究;张书华;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20191215(第12期);第A005-93页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744893A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117748501B (zh) | 一种储能辅助黑启动的风功率预测方法和系统 | |
| CN117744893B (zh) | 一种储能辅助黑启动的风速预测方法和系统 | |
| CN117829202B (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 | |
| CN107192953B (zh) | 一种基于GA-Elman的储能电池软故障诊断方法 | |
| CN118013235A (zh) | 基于循环综合误差补偿的储能辅助黑启动的风速预测方法 | |
| CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
| CN115018209B (zh) | 一种数字化电能计量系统运行误差长期预测方法及设备 | |
| CN117498352A (zh) | 一种基于储能辅助黑启动能力的风速预测方法及装置 | |
| CN117708547A (zh) | 一种新型汽轮机组振动信号处理的方法及系统 | |
| CN112114254A (zh) | 一种动力电池开路电压模型融合方法 | |
| CN117977583B (zh) | 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法 | |
| CN117787509B (zh) | 一种用于储能辅助黑启动的风速预测方法和系统 | |
| CN118013236B (zh) | 基于误差补偿法的储能辅助黑启动的风速预测方法和系统 | |
| CN117972363B (zh) | 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 | |
| CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
| CN118311692B (zh) | 基于双维误差补偿法的储能辅助黑启动的风速预测方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN115034449A (zh) | 架空线停电预测神经网络结构搜索方法及装置 | |
| CN117996788B (zh) | 一种基于双维预测反馈的熔盐耦合火电机组的调频方法 | |
| CN117996787B (zh) | 一种基于双向预测的熔盐耦合火电机组的调频方法 | |
| CN117878975B (zh) | 基于预测聚类的熔盐储能耦合火电机组的调频方法和系统 | |
| An | New energy vehicle lithium battery life prediction method based on improved deep learning | |
| CN117977636B (zh) | 一种基于样本熵的熔盐耦合火电机组的调频方法和系统 | |
| CN117728504A (zh) | 一种柴发联合燃机的黑启动系统及方法 | |
| Tian et al. | Fusion modeling for wind power forecasting based on redundant method elimination |
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 |