CN117829202B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117829202B CN117829202B CN202410246437.7A CN202410246437A CN117829202B CN 117829202 B CN117829202 B CN 117829202B CN 202410246437 A CN202410246437 A CN 202410246437A CN 117829202 B CN117829202 B CN 117829202B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- error
- decomposition layer
- layer number
- final
- 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 53
- 241001672018 Cercomela melanura Species 0.000 title claims abstract description 44
- 238000004146 energy storage Methods 0.000 title claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 222
- 238000005070 sampling Methods 0.000 claims abstract description 102
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000295 complement effect Effects 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
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 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
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 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
- 239000002245 particle Substances 0.000 description 1
- 238000012545 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)
Abstract
本申请涉及风电技术领域，尤其提出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，该方法包括利用CEEMD算法对获取的风速序列进行分解，以获得不同分解层数下的多个模态分量并利用第一循环神经网络模型获得对应的风速分量预测值集，以获得各分解层数对应的比例误差和差值误差；确定比例误差最小时的第一目标分解层数和差值误差最小时的第二目标分解层数；进而得到判据指标以确定最终分解层数；基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值以获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用最终风速预测值参与储能辅助黑启动。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，尤其涉及一种基于双误差的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基于双误差的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基于双误差的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基于双误差的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；
利用CEEMD算法对所述风速序列进行分解，以获得不同分解层数下的多个模态分量；
针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；
从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；
基于所述第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；
基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；
基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用所述最终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，任一分解层数下，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风速分量预测值集，所述风速分量预测值集包括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。
在本申请的第一方面的方法中，针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差，包括：针对任一分解层数，将该分解层数下的各模态分量分别输入第一循环神经网络模型获得各模态分量对应的风速分量预测值集，基于风速分量预测值与对应的实际值获得各模态分量的比例误差系数和差值误差系数，进而得到该分解层数对应的比例误差和差值误差。
在本申请的第一方面的方法中，若所述判据指标大于阈值，则将所述第二目标分解层数作为最终分解层数，否则将所述第一目标分解层数作为最终分解层数。
在本申请的第一方面的方法中，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当前采样点的下一采样点的最终风速分量预测值；所述基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值，包括：针对最终分解层数下的各模态分量，将各模态分量分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值。
在本申请的第一方面的方法中，所述基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，包括：将各最终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最终风速预测值。
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和所述第二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基于双误差的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，用于利用CEEMD算法对所述风速序列进行分解，以获得不同分解层数下的多个模态分量；
双误差计算模块，用于针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；
选择模块，用于从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；
最终分解层数确定模块，用于基于所述第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；
预测模块，用于基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；
控制模块，用于基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用所述最终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。
本申请提供的基于双误差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；利用CEEMD算法对风速序列进行分解，以获得不同分解层数下的多个模态分量；针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；基于第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用最终风速预测值参与储能辅助黑启动。在这种情况下，在利用CEEMD算法得到不同分解层数下的多个模态分量的基础上，综合考虑比例误差和差值误差以确定最终分解层数，避免了仅利用CEEMD时带来的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，且综合考虑比例误差和差值误差，避免了仅采用差值误差调节反馈时带来的不能深入弥补真实值与预测值之间的误差的问题，从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基于双误差的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方法的具体流程示意图；
图3为本申请实施例所提供的一种基于双误差的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基于双误差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基于双误差的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基于双误差的储能辅助黑启动的风速预测方法的流程示意图。
如图1所示，该基于双误差的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，利用CEEMD算法对风速序列进行分解，以获得不同分解层数下的多个模态分量。
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n，即利用CEEMD算法对风速序列进行分解得到n个IMF，分别为IMF1，IMF2，…IMFn。确定分解层数范围，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直至分解层数达到分解层数最大值（即分解层数范围上限），获得不同分解层数下对应的多个模态分量。
由于风速序列包括M个风速测量值，故步骤S102中，任一分解层数下，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，针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差。
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风速分量预测值集，风速分量预测值集包括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。针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差，包括：针对任一分解层数，将该分解层数下的各模态分量分别输入第一循环神经网络模型获得各模态分量对应的风速分量预测值集，基于风速分量预测值与对应的实际值获得各模态分量的比例误差系数和差值误差系数，进而得到该分解层数对应的比例误差和差值误差。
针对任一分解层数，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第一个模态分量IMF1的风速分量预测值集，该风速分量预测值集包括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的比例误差系数和差值误差系数，进而得到该分解层数对应的比例误差和差值误差。
在步骤S103中，针对任一分解层数，各模态分量的比例误差系数满足：，其中p i为第i个模态分量的比例误差系数，N为模型输出的预设数量，y i,j为第i个模态分量对应的模型输出的第j个风速分量预测值，i取1~n，j取1~N。S i,j为y i,j对应的实际值。任一分解层数的各模态分量的比例误差系数分别为p 1,p 2,...,p n，任一分解层数的比例误差Z1满足：/>。
在步骤S103中，针对任一分解层数，各模态分量的差值误差系数满足：，其中/>为第i个模态分量的差值误差系数。任一分解层数的差值误差Z2满足：/>。
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，从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数。
具体地，在步骤S104中，从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数。如最小比例误差Z1min对应的第一目标分解层数为Np，最小差值误差Z2min对应的第二目标分解层数为Nw。
步骤S105，基于第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数。
具体地，在步骤S105中，第一目标分解层数Np下，对应的比例误差为最小比例误差Z1min，对应的差值误差为Z21；第二目标分解层数Nw下，对应的比例误差为Z12，对应的差值误差为最小差值误差Z2min。
在步骤S105中，判据指标S满足：。
在步骤S105中，若判据指标大于阈值，则将第二目标分解层数作为最终分解层数，否则将第一目标分解层数作为最终分解层数。若阈值为2，则当S＞2时选择第二目标分解层数Nw为最终分解层数，反之选择第一目标分解层数Np为最终分解层数。
步骤S106，基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值。
具体地，在步骤S106中，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当前采样点的下一采样点的最终风速分量预测值；基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值，包括：针对最终分解层数下的各模态分量，将各模态分量分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值。
在步骤S106中，第二循环神经网络模型可以采用GRU模型。
步骤S107，基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用最终风速预测值参与储能辅助黑启动。
具体地，在步骤S107中，基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，包括：将各最终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最终风速预测值。
以第一循环神经网络模型和第二循环神经网络模型分别采用GRU模型，分解层数范围为[4,13]为例。图2为本申请实施例所提供的风速预测方法的具体流程示意图。如图2所示，风速预测值的获取过程包括：获取原始风速序列，确定分解层数n其中n初始值为4，在n初始值下，对原始风速序列进行CEEMD分解，得到n个IMF，分别为IMF1，IMF2，…IMFn，将n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分解层数初始值下的比例误差Z1和差值误差Z2，判断分解层数达到分解层数最大值13，若否则按设定步长（如1）更新分解层数（如n=n+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比例误差Z1和差值误差Z2，直至分解层数达到分解层数最大值13，从所有分解层数对应的比例误差和差值误差中，确定最小比例误差Z1min和最小差值误差Z2min，其中最小比例误差Z1min对应的第一目标分解层数为Np，此时的各模态分量分别为IMF1 ’，IMF2 ’，…IMFNp ’，最小差值误差Z2min对应的第二目标分解层数为Nw，此时的各模态分量分别为IMF1 ’’，IMF2 ’’，…，IMFNw ’’；计算判据指标S；若S＞2，则第二目标分解层数Nw为最终分解层数，将IMF1 ’’，IMF2 ’’，…，IMFNw ’’分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值（分别是Y1 ’’，Y2 ’’,…,YNw ’’）然后进行求和从而得到风速预测最终结果（即当前采样点的下一采样点的最终风速预测值）；若S≤2，则第一目标分解层数Np为最终分解层数，将IMF1 ’，IMF2 ’，…，IMFNp ’分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值（分别是Y1 ’，Y2 ’，…，YNp ’）然后进行求和从而得到当前采样点的下一采样点的最终风速预测值。
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CEEMD-WOA（whale optimization algorithm, 鲸鱼优化算法）-GRU，差值误差反馈-CEEMD-PSO（Particle Swarm Optimization，粒子群优化算法）-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 absolutepercentage error, MAPE)及均方根误差(Root mean 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-WOA-GRU、差值误差反馈-CEEMD-PSO-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相比其他现有模型能够更好的提高预测精确度。
为了实现上述实施例，本申请还提出一种基于双误差的储能辅助黑启动的风速预测系统。
图3为本申请实施例所提供的一种基于双误差的储能辅助黑启动的风速预测系统的框图。
如图3所示，该基于双误差的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、双误差计算模块13、选择模块14、最终分解层数确定模块15、预测模块16和控制模块17，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，用于利用CEEMD算法对风速序列进行分解，以获得不同分解层数下的多个模态分量；
双误差计算模块13，用于针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；
选择模块14，用于从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；
最终分解层数确定模块15，用于基于第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；
预测模块16，用于基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；
控制模块17，用于基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用最终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，任一分解层数下，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风速分量预测值集，风速分量预测值集包括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。
进一步地，在本申请实施例的一种可能的实现方式中，双误差计算模块13，具体用于：针对任一分解层数，将该分解层数下的各模态分量分别输入第一循环神经网络模型获得各模态分量对应的风速分量预测值集，基于风速分量预测值与对应的实际值获得各模态分量的比例误差系数和差值误差系数，进而得到该分解层数对应的比例误差和差值误差。
进一步地，在本申请实施例的一种可能的实现方式中，若判据指标大于阈值，则将第二目标分解层数作为最终分解层数，否则将第一目标分解层数作为最终分解层数。
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当前采样点的下一采样点的最终风速分量预测值；预测模块16，具体用于：针对最终分解层数下的各模态分量，将各模态分量分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值。
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17基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，包括：将各最终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最终风速预测值。
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和第二循环神经网络模型分别采用GRU模型。
需要说明的是，前述对基于双误差的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基于双误差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；利用CEEMD算法对风速序列进行分解，以获得不同分解层数下的多个模态分量；针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；基于第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用最终风速预测值参与储能辅助黑启动。在这种情况下，在利用CEEMD算法得到不同分解层数下的多个模态分量的基础上，综合考虑比例误差和差值误差以确定最终分解层数，避免了仅利用CEEMD时带来的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，且综合考虑比例误差和差值误差，避免了仅采用差值误差调节反馈时带来的不能深入弥补真实值与预测值之间的误差的问题，从而提高了风速的预测精度。本申请的方法还弥补仅利用CEEMD的误差耗时耗力。
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他们的组合来实现：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)
1.一种基于双误差的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；
利用CEEMD算法对所述风速序列进行分解，以获得不同分解层数下的多个模态分量；
针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；
从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；
基于所述第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；
基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；
基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用所述最终风速预测值参与储能辅助黑启动；
其中，针对任一分解层数，各模态分量的比例误差系数满足：，其中p i为第i个模态分量的比例误差系数，N为模型输出的预设数量，y i,j为第i个模态分量对应的模型输出的第j个风速分量预测值，i取1~n，j取1~N。S i,j为y i,j对应的实际值，任一分解层数的各模态分量的比例误差系数分别为p 1,p 2,...,p n，任一分解层数的比例误差Z1满足：；
针对任一分解层数，各模态分量的差值误差系数满足：，其中/>为第i个模态分量的差值误差系数，任一分解层数的差值误差Z2满足：/>；
从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数，最小比例误差Z1min对应的第一目标分解层数为Np，最小差值误差Z2min对应的第二目标分解层数为Nw；
第一目标分解层数Np下，对应的比例误差为最小比例误差Z1min，对应的差值误差为Z21；第二目标分解层数Nw下，对应的比例误差为Z12，对应的差值误差为最小差值误差Z2min；
判据指标S满足：，若判据指标大于阈值，则将第二目标分解层数作为最终分解层数，否则将第一目标分解层数作为最终分解层数。
2.根据权利要求1所述的基于双误差的储能辅助黑启动的风速预测方法，其特征在于，任一分解层数下，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风速分量预测值集，所述风速分量预测值集包括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。
3.根据权利要求2所述的基于双误差的储能辅助黑启动的风速预测方法，其特征在于，针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差，包括：
针对任一分解层数，将该分解层数下的各模态分量分别输入第一循环神经网络模型获得各模态分量对应的风速分量预测值集，基于风速分量预测值与对应的实际值获得各模态分量的比例误差系数和差值误差系数，进而得到该分解层数对应的比例误差和差值误差。
4.根据权利要求1所述的基于双误差的储能辅助黑启动的风速预测方法，其特征在于，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当前采样点的下一采样点的最终风速分量预测值；
所述基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值，包括：
针对最终分解层数下的各模态分量，将各模态分量分别输入第二循环神经网络模型获得对应模态分量的当前采样点的下一采样点的最终风速分量预测值。
5.根据权利要求1所述的基于双误差的储能辅助黑启动的风速预测方法，其特征在于，所述基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，包括：
将各最终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最终风速预测值。
6.根据权利要求1所述的基于双误差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和所述第二循环神经网络模型分别采用GRU模型。
7.一种基于双误差的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，用于利用CEEMD算法对所述风速序列进行分解，以获得不同分解层数下的多个模态分量；
双误差计算模块，用于针对任一分解层数，基于所有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集，以获得该分解层数对应的比例误差和差值误差；
选择模块，用于从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数；
最终分解层数确定模块，用于基于所述第一目标分解层数和第二目标分解层数下的比例误差和差值误差计算判据指标，以确定最终分解层数；
预测模块，用于基于最终分解层数下的各模态分量，利用第二循环神经网络模型获得对应的最终风速分量预测值；
控制模块，用于基于各最终风速分量预测值获得当前采样点的下一采样点的最终风速预测值，以在发生停电故障时利用所述最终风速预测值参与储能辅助黑启动；
其中，针对任一分解层数，各模态分量的比例误差系数满足：，其中p i为第i个模态分量的比例误差系数，N为模型输出的预设数量，y i,j为第i个模态分量对应的模型输出的第j个风速分量预测值，i取1~n，j取1~N。S i,j为y i,j对应的实际值，任一分解层数的各模态分量的比例误差系数分别为p 1,p 2,...,p n，任一分解层数的比例误差Z1满足：；
针对任一分解层数，各模态分量的差值误差系数满足：，其中/>为第i个模态分量的差值误差系数，任一分解层数的差值误差Z2满足：/>；
从所有分解层数对应的比例误差和差值误差中，确定比例误差最小时对应的第一目标分解层数和差值误差最小时对应的第二目标分解层数，最小比例误差Z1min对应的第一目标分解层数为Np，最小差值误差Z2min对应的第二目标分解层数为Nw；
第一目标分解层数Np下，对应的比例误差为最小比例误差Z1min，对应的差值误差为Z21；第二目标分解层数Nw下，对应的比例误差为Z12，对应的差值误差为最小差值误差Z2min；
判据指标S满足：，若判据指标大于阈值，则将第二目标分解层数作为最终分解层数，否则将第一目标分解层数作为最终分解层数。
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 |
|---|---|---|---|
| CN202410246437.7A CN117829202B (zh) | 2024-03-05 | 2024-03-05 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410246437.7A CN117829202B (zh) | 2024-03-05 | 2024-03-05 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117829202A CN117829202A (zh) | 2024-04-05 |
| CN117829202B true CN117829202B (zh) | 2024-05-10 |
Family
ID=90521243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410246437.7A Active CN117829202B (zh) | 2024-03-05 | 2024-03-05 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829202B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118013236B (zh) * | 2024-04-08 | 2024-06-25 | 西安热工研究院有限公司 | 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 |
| CN118013235B (zh) * | 2024-04-08 | 2024-06-21 | 西安热工研究院有限公司 | 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897794A (zh) * | 2017-01-12 | 2017-06-27 | 长沙理工大学 | 一种基于完备总体经验模态分解和极限学习机的风速预测方法 |
| WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
| CN115034422A (zh) * | 2021-03-04 | 2022-09-09 | 中国电力科学研究院有限公司 | 基于波动识别和误差修正的风电短期功率预测方法和系统 |
| JP2023023146A (ja) * | 2021-08-04 | 2023-02-16 | 群馬県 | 育苗ポット |
| CN116822374A (zh) * | 2023-07-14 | 2023-09-29 | 中国人民解放军国防科技大学 | 一种风速多步预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
-
2024
- 2024-03-05 CN CN202410246437.7A patent/CN117829202B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897794A (zh) * | 2017-01-12 | 2017-06-27 | 长沙理工大学 | 一种基于完备总体经验模态分解和极限学习机的风速预测方法 |
| WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
| CN115034422A (zh) * | 2021-03-04 | 2022-09-09 | 中国电力科学研究院有限公司 | 基于波动识别和误差修正的风电短期功率预测方法和系统 |
| JP2023023146A (ja) * | 2021-08-04 | 2023-02-16 | 群馬県 | 育苗ポット |
| CN116822374A (zh) * | 2023-07-14 | 2023-09-29 | 中国人民解放军国防科技大学 | 一种风速多步预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| CEEMD-WT和CNN在短期风速预测中的应用研究;颜宏文;卢格宇;;计算机工程与应用;20170706(09);全文 * |
| Research on Monitoring of Winding Deformation of Power Transformer by On-line Parameter Estimation about Leakage Inductance;LI Peng;IEEE;20070226;全文 * |
| 基于分层模型预测控制的风电场电压协调控制策略;张哲;王成福;董晓明;杨明;梁军;张豪;;电力系统自动化;20190403(11);全文 * |
| 基于卷积神经网络和心电QRS波群的身份识别;梁盛德;王寻;梁金福;;电子测量与仪器学报;20200415(04);全文 * |
| 基于组合模型的超短期风功率预测研究;汪向硕;cnki;20200115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117829202A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| CN117748501B (zh) | 一种储能辅助黑启动的风功率预测方法和系统 | |
| 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 | |
| CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
| CN111985720B (zh) | 一种基于分布鲁棒的二阶锥最优潮流模型与求解方法 | |
| CN115102202B (zh) | 基于滚动式实时电价预测的储能控制方法 | |
| CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
| CN117708547B (zh) | 一种汽轮机组振动信号处理的方法及系统 | |
| CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| JP7342369B2 (ja) | 予測システム、予測方法 | |
| CN117744893B (zh) | 一种储能辅助黑启动的风速预测方法和系统 | |
| CN117110880A (zh) | 一种用于云端-边缘端协同的电池多状态联合估计方法 | |
| CN117787509B (zh) | 一种用于储能辅助黑启动的风速预测方法和系统 | |
| 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 | |
| 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 | |
| CN118013235B (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 | |
| 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 | |
| CN118311692A (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 | |
| CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
| CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
| CN117728504B (zh) | 一种柴发联合燃机的黑启动系统及方法 | |
| 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 | |
| WO2022054954A1 (ja) | 太陽電池の発電特性を推定する方法、システム及びプログラム |
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 |