CN117977583A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117977583A CN117977583A CN202410384264.5A CN202410384264A CN117977583A CN 117977583 A CN117977583 A CN 117977583A CN 202410384264 A CN202410384264 A CN 202410384264A CN 117977583 A CN117977583 A CN 117977583A
- Authority
- CN
- China
- Prior art keywords
- period
- error
- wind speed
- group
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 241001672018 Cercomela melanura Species 0.000 title claims abstract description 44
- 238000004146 energy storage Methods 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 100
- 238000003062 neural network model Methods 0.000 claims abstract description 76
- 238000005070 sampling Methods 0.000 claims abstract description 68
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims description 23
- 230000000306 recurrent effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 description 10
- 238000005096 rolling process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012216 screening 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
- 238000011156 evaluation 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
- 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
- 230000000694 effects Effects 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
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提出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，该方法包括设置预测时段和当前时刻之前的采样时段，将采样时段划分为第一时段、第二时段和第三时段，第二时段、第三时段和当前时刻之后的第四时段组成预测时段；获取第一时段至第三时段三个风速组；基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得第二时段至第四时段的三个预测值集；基于第二时段风速组和对应预测值集，利用正负划分法和第二循环神经网络模型得到第三时段修正序列；基于第三时段风速组、修正序列和对应预测值集，利用比例划分法和第三循环神经网络模型得到第四时段修正序列；结合第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值。
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阶误差补偿的储能辅助黑启动的风速预测方法。
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，需要根据历史风速数据，对风电场的持续有效出力概率风速进行评估。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阶误差补偿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阶误差补偿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阶误差补偿的储能辅助黑启动的风速预测方法，包括：
设置预测时段和当前时刻之前的采样时段，将所述采样时段划分为第一时段、第二时段和第三时段，所述第二时段、第三时段和当前时刻之后的第四时段组成所述预测时段；
获取采样时段内的风速序列，所述风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；
基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，所述初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
基于所述第二时段风速组和所述第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；
基于所述第三时段风速组、所述第三时段修正序列和所述第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；
基于所述第四时段预测值集和所述第四时段修正序列得到第四时段的最终风速预测值，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，所述基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，包括：利用CEEMD算法对所述第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
在本申请的第一方面的方法中，所述第二时段风速组包括第一设定数量的风速测量值，所述第二时段预测值集包括第一设定数量的风速预测值，所述第二时段误差序列包括第一设定数量的误差值，所述第三时段修正序列包括第二设定数量的误差预测值，所述基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列，包括：将所述第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第三时段修正序列。
在本申请的第一方面的方法中，所述第三时段误差序列包括第二设定数量的误差值，所述基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列，包括：针对第三时段误差序列的各误差值，基于所述第三时段风速组和所述第三时段预测值集获得各误差值对应的比值；按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第四时段修正序列。
为达上述目的，本申请第二方面实施例提出了一种基于双阶误差补偿的储能辅助黑启动的风速预测系统，包括：
设置模块，用于设置预测时段和当前时刻之前的采样时段，将所述采样时段划分为第一时段、第二时段和第三时段，所述第二时段、第三时段和当前时刻之后的第四时段组成所述预测时段；
获取模块，用于获取采样时段内的风速序列，所述风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；
预测模块，用于基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，所述初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
第一修正模块，用于基于所述第二时段风速组和所述第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；
第二修正模块，用于基于所述第三时段风速组、所述第三时段修正序列和所述第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；
控制模块，用于基于所述第四时段预测值集和所述第四时段修正序列得到第四时段的最终风速预测值，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。
在本申请的第二方面的系统中，所述预测模块，具体用于：利用CEEMD算法对所述第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
在本申请的第二方面的系统中，所述第二时段风速组包括第一设定数量的风速测量值，所述第二时段预测值集包括第一设定数量的风速预测值，所述第二时段误差序列包括第一设定数量的误差值，所述第三时段修正序列包括第二设定数量的误差预测值，所述第一修正模块，具体用于：将所述第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第三时段修正序列。
在本申请的第二方面的系统中，所述第三时段误差序列包括第二设定数量的误差值，第二修正模块，具体用于：针对第三时段误差序列的各误差值，基于所述第三时段风速组和所述第三时段预测值集获得各误差值对应的比值；按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第四时段修正序列。
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阶误差补偿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，通过设置预测时段和当前时刻之前的采样时段，将采样时段划分为第一时段、第二时段和第三时段，第二时段、第三时段和当前时刻之后的第四时段组成预测时段；获取采样时段内的风速序列，风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；基于第二时段风速组和第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；基于第三时段风速组、第三时段修正序列和第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，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，基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列，进而得到第三时段误差序列，然后基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，其中，综合第二时段误差序列和第三时段误差序列这双阶误差来获得第四时段修正序列，且在各阶误差中利用正负划分法和比例划分法，以提高第四时段修正序列的准确性，从而实现了提高风速的预测精度。
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阶误差补偿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基于双阶误差补偿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阶误差补偿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阶误差补偿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阶误差补偿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过程的具体流程示意图。
如图1所示，该基于双阶误差补偿的储能辅助黑启动的风速预测方法包括以下步骤：
步骤S101，设置预测时段和当前时刻之前的采样时段，将采样时段划分为第一时段、第二时段和第三时段，第二时段、第三时段和当前时刻之后的第四时段组成预测时段。
具体地，在步骤S101中，基于当前时刻确定采样时段，采样时段包括当前时刻之前的第三时段、第三时段之前的第二时段以及第二时段之前的第一时段。第一时段、第二时段、第三时段、第四时段的采样频率相同。第一时段、第二时段、第三时段、第四时段该四个时段内的采样点数量的比值为预先设置好的。例如第一时段、第二时段、第三时段、第四时段该四个时段内的采样点数量的比值为6:2:1:1。
步骤S102，获取采样时段内的风速序列，风速序列包括第一时段风速组、第二时段风速组和第三时段风速组。
具体地，在步骤S102中，获取采样时段内的风速序列，风速序列由多个采样点处的风速测量值组成。采样时段内所有风速测量值基于所处时段划分为第一时段风速组、第二时段风速组、第三时段风速组。第一时段内的各风速测量值也称第一风速测量值，第二时段内的各风速测量值也称第二风速测量值，第三时段内的各风速测量值也称第三风速测量值。第一时段风速组的第一风速测量值数量、第二时段风速组的第二风速测量值数量和第三时段风速组的第三风速测量值数量比值例如为6:2:1。
步骤S103，基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集。
具体地，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分解为有限个数量的模态分量（Intrinsic Mode Function，IMF）。
在步骤S103中，基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，包括：利用CEEMD算法对第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
在步骤S103中，利用CEEMD算法对第一时段风速组进行分解得到的模态分量的数量等于分解层数K，其中第k个模态分量表示为IMFk，k取1~K。由于第一时段风速组包括多个第一风速测量值，故步骤S103中分解得到的每个模态分量可以看作是由第一时段风速组的所有采样点的第一风速测量值分解得到的子模态分量组成。即每个模态分量的子模态分量数量等于第一风速测量值数量。每个模态分量对应的采样点与第一时段风速组一致，每个子模态分量由对应采样点处的第一风速测量值分解得到。
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预测值，其中预设数量等于第二时段的采样点数量、第三时段的采样点数量与第四时段的采样点数量的和。
故对每一个模态分量，将该模态分量输入第一循环神经网络模型中输出该模态分量对应的子模态分量预测值集。该子模态分量预测值集位于预测时段内。该模态分量的子模态分量预测值集包括预设数量的子模态分量预测值。其中，预设数量的子模态分量预测值包括第二时段子模态分量预测值集、第三时段子模态分量预测值集和第四时段子模态分量预测值集。第二时段子模态分量预测值集包括的子模态分量预测值的数量等于第二风速测量值数量等于第二时段的采样点数量。第三时段子模态分量预测值集包括的子模态分量预测值的数量等于第三风速测量值数量等于第三时段的采样点数量。第四时段子模态分量预测值集包括的子模态分量预测值的数量等于第四时段的采样点数量。第二时段子模态分量预测值集的数量、第三时段子模态分量预测值集的数量、第四时段子模态分量预测值集的数量分别等于分解层数K。
在步骤S103中，将第二时段内对所有第二时段子模态分量预测值集求和得到第二时段预测值集，将第三时段内对所有第三时段子模态分量预测值集求和得到第三时段预测值集，将第四时段内对所有第四时段子模态分量预测值集求和得到第四时段预测值集，第二时段预测值集、第三时段预测值集和第四时段预测值集组成预测时段内的初始预测值集。其中由于第二时段子模态分量预测值集包括的子模态分量预测值的数量等于第二时段的采样点数量，第三时段子模态分量预测值集包括的子模态分量预测值的数量等于第三时段的采样点数量，第四时段子模态分量预测值集包括的子模态分量预测值的数量等于第四时段的采样点数量，故第二时段预测值集包括第二时段预测值的数量等于第二时段的采样点数量，各第二时段预测值等于对应相同采样点下的分解层数的第二时段子模态分量预测值的和。第三时段预测值集包括第三时段预测值的数量等于第三时段的采样点数量，各第三时段预测值等于对应相同采样点下的分解层数的第三时段子模态分量预测值的和。第四时段预测值集包括第四时段预测值的数量等于第四时段的采样点数量，各第四时段预测值等于对应相同采样点下的分解层数的第四时段子模态分量预测值的和。其中第二时段预测值和第三时段预测值对应的实际值为采样时段内的风速序列中对应时段内的对应采样点的风速测量值。
在步骤S103中第一循环神经网络模型可以采用门控循环单元网络（gatedrecurrent unit，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。
步骤S104，基于第二时段风速组和第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列。
在步骤S104中，由于第二时段风速组包括的风速测量值（即第二风速测量值）的数量为第一设定数量（第一设定数量等于第二时段的采样点数量），第二时段预测值集包括的风速预测值（即第二时段预测值）的数量为第一设定数量，故基于第二时段风速组和第二时段预测值集获得的第二时段误差序列包括第一设定数量的误差值。设置第三时段修正序列包括第二设定数量（第二设定数量等于第三时段的采样点数量）的误差预测值。
在步骤S104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进行滚动循环。在当前次滚动循环时输入数据为上一次的输入数据和输出数据。每次滚动循环时输出数据的个数与输入数据的个数比为1：1，输出数据的最早采样时刻为输入数据的最晚采样时刻的下一时刻。
在步骤S104中，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列，包括：将第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第三时段修正序列。
在步骤S104中，第二时段误差序列满足：Ci=yi ’-yi，其中Ci为第二时段误差序列内的第i个误差值，i取1~N。N为第一设定数量（第一设定数量等于第二时段的采样点数量）。yi ’为第二时段风速组的第i个风速测量值（即第i个第二风速测量值），yi为第二时段预测值集的第i个风速预测值（即第i个第二时段预测值）。则第二时段误差序列为C1,C2,C3,...,CN,将Ci大于等于0的分为非负误差组，如非负误差组为C+1,C+2,C+3,..,.C+q，小于0的分为负误差组，如负误差组为C-1,C-2,C-3,...,C-p，非负误差组的非负误差个数为q，负误差组的负误差个数为p。非负误差组权重和负误差组权重/>满足：
将非负误差组的C+1,C+2,C+3,...C+q每项乘以非负误差组权重得到目标非负误差组，负误差组的C-1,C-2,C-3,...C-p每项乘以负误差组权重/>得到目标负误差组，将目标非负误差组输入第二循环神经网络模型进行滚动循环，直至输出结果包括包含第三时段的误差预测序列，从所有次滚动循环的输出结果中筛选出第三时段的误差预测序列作为目标非负误差组的第三时段的目标误差预测序列；将目标负误差组输入第二循环神经网络模型进行滚动循环，直至输出结果包括包含第三时段的误差预测序列，从所有次滚动循环的输出结果中筛选出第三时段的误差预测序列作为目标负误差组的第三时段的目标误差预测序列；基于目标非负误差组的第三时段的目标误差预测序列和目标负误差组的第三时段的目标误差预测序列依据时间排序排列后再计算均值得到第三时段修正序列。第三时段修正序列包括的目标误差预测均值（也称第一修正值）的数量为第二设定数量。
在步骤S104中，第二循环神经网络模型也可以采用GRU模型。
步骤S105，基于第三时段风速组、第三时段修正序列和第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列。
在步骤S105中，第三时段误差序列包括第二设定数量的误差值。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进行滚动循环。在当前次滚动循环时输入数据为上一次的输入数据和输出数据。每次滚动循环时输出数据的个数与输入数据的个数比为1：1，输出数据的最早采样时刻为输入数据的最晚采样时刻的下一时刻。
在步骤S105中，第三时段误差序列满足：C*j=yyj ’-（yyj+yy*j），其中C*j为第三时段误差序列内的第j个误差值，j取1~M。M为第二设定数量（第二设定数量等于第三时段的采样点数量）。yyj ’为第三时段风速组的第j个风速测量值（即第j个第三风速测量值），yyj为第三时段预测值集的第j个风速预测值（即第j个第三时段预测值），yy*j为第三时段修正序列的第j个第一修正值。则第三时段误差序列为C*1,C*2,C*3,...,C*M。
在步骤S105中，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列，包括：针对第三时段误差序列的各误差值，基于第三时段风速组和第三时段预测值集获得各误差值对应的比值；按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第四时段修正序列。
在步骤S105中，针对第三时段误差序列（C*1,C*2,C*3,...,C*M）的各误差值，将每一个误差值对应的预测值（即第三时段预测值）与实际值（即第三风速测量值）做一个比值，将比值大于等于1的误差值划分到增大误差组，比值小于1的误差值划分到缩小误差组，增大误差组和缩小误差组分别输入第三循环神经网络模型进行滚动循环，直至输出结果包括包含第四时段的误差预测序列，分别从所有次滚动循环的输出结果中筛选出第四时段的误差预测序列作为增大误差组和缩小误差组对应的第四时段的目标误差预测序列；基于增大误差组和缩小误差组对应的第四时段的目标误差预测序列依据时间排序排列后再计算均值得到第四时段修正序列。第四时段修正序列包括的目标误差预测均值（也称第二修正值）的数量为第三设定数量。
在步骤S105中，第三循环神经网络模型也可以采用GRU模型。
步骤S106，基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，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S106中，将第四时段预测值集的各第四时段预测值与第四时段修正序列中对应采样点的第二修正值相加即可获得第四时段的最终风速预测值。
以第一循环神经网络模型、第二循环神经网络模型、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，获取采样时段内的风速序列，风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；利用CEEMD算法对第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入GRU获得对应的预测序列（即预测时段内的子模态分量预测值集），对所有预测序列叠加得到初始预测值集，初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
第二时段的实际值与预测值相减得到误差序列（即基于第二时段风速组和第二时段预测值集获得第二时段误差序列），按正负划分法得到非负误差组和负误差组；确定系数（即非负误差组权重和负误差组权重）；将非负误差组和负误差组分别乘以对应的系数后输入GRU进行误差值的预测得到对应的误差预测值（即第三时段的目标误差预测序列），得到的所有的目标误差预测序列依据时间排序排列后再计算均值得到对应时段的第一修正值（即第三时段修正序列）；
将第三时段的预测值与第一修正值相加得到初步预测值，第三时段的实际值与初步预测值相减得到误差序列（即第三时段误差序列），基于第三时段风速组和第三时段预测值集获得各误差值对应的比值；按照比例划分法得到增大误差组和缩小误差组；将增大误差组和缩小误差组输入GRU进行误差值的预测得到对应的误差预测值（即第四时段的目标误差预测序列），得到的所有的目标误差预测序列依据时间排序排列后再计算均值得到对应时段的第二修正值（即第四时段修正序列）；第四时段的预测值（即第四时段预测值集）与第二修正值相加得到最终预测值（即最终风速预测值）。
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。其中比例误差反馈-CEEMD-GRU，差值误差反馈-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 percentageerror, 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 各模型的评价指标的误差系数表
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。
为了实现上述实施例，本申请还提出一种基于双阶误差补偿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阶误差补偿的储能辅助黑启动的风速预测系统的框图。
如图3所示，该基于双阶误差补偿的储能辅助黑启动的风速预测系统包括设置模块11、获取模块12、预测模块13、第一修正模块14、第二修正模块15和控制模块16，其中：
设置模块11，用于设置预测时段和当前时刻之前的采样时段，将采样时段划分为第一时段、第二时段和第三时段，第二时段、第三时段和当前时刻之后的第四时段组成预测时段；
获取模块12，用于获取采样时段内的风速序列，风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；
预测模块13，用于基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
第一修正模块14，用于基于第二时段风速组和第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；
第二修正模块15，用于基于第三时段风速组、第三时段修正序列和第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；
控制模块16，用于基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，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，预测模块13，具体用于：利用CEEMD算法对第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
进一步地，在本申请实施例的一种可能的实现方式中，第二时段风速组包括第一设定数量的风速测量值，第二时段预测值集包括第一设定数量的风速预测值，第二时段误差序列包括第一设定数量的误差值，第三时段修正序列包括第二设定数量的误差预测值，第一修正模块14，具体用于：将第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第三时段修正序列。
进一步地，在本申请实施例的一种可能的实现方式中，第三时段误差序列包括第二设定数量的误差值，第二修正模块15，具体用于：针对第三时段误差序列的各误差值，基于第三时段风速组和第三时段预测值集获得各误差值对应的比值；按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第四时段修正序列。
需要说明的是，前述对基于双阶误差补偿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阶误差补偿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，通过设置预测时段和当前时刻之前的采样时段，将采样时段划分为第一时段、第二时段和第三时段，第二时段、第三时段和当前时刻之后的第四时段组成预测时段；获取采样时段内的风速序列，风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；基于第二时段风速组和第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；基于第三时段风速组、第三时段修正序列和第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，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，基于第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列，进而得到第三时段误差序列，然后基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；基于第四时段预测值集和第四时段修正序列得到第四时段的最终风速预测值，其中，综合第二时段误差序列和第三时段误差序列这双阶误差来获得第四时段修正序列，且在各阶误差中利用正负划分法和比例划分法，以提高第四时段修正序列的准确性，从而实现了提高风速的预测精度。
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 (10)
1.一种基于双阶误差补偿的储能辅助黑启动的风速预测方法，其特征在于，包括：
设置预测时段和当前时刻之前的采样时段，将所述采样时段划分为第一时段、第二时段和第三时段，所述第二时段、第三时段和当前时刻之后的第四时段组成所述预测时段；
获取采样时段内的风速序列，所述风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；
基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，所述初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
基于所述第二时段风速组和所述第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；
基于所述第三时段风速组、所述第三时段修正序列和所述第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；
基于所述第四时段预测值集和所述第四时段修正序列得到第四时段的最终风速预测值，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。
2.根据权利要求1所述的基于双阶误差补偿的储能辅助黑启动的风速预测方法，其特征在于，所述基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，包括：
利用CEEMD算法对所述第一时段风速组进行分解得到多个模态分量；
将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
3.根据权利要求2所述的基于双阶误差补偿的储能辅助黑启动的风速预测方法，其特征在于，所述第二时段风速组包括第一设定数量的风速测量值，所述第二时段预测值集包括第一设定数量的风速预测值，所述第二时段误差序列包括第一设定数量的误差值，所述第三时段修正序列包括第二设定数量的误差预测值，所述基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列，包括：
将所述第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；
确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；
将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；
利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；
基于各目标误差预测序列计算均值得到第三时段修正序列。
4.根据权利要求3所述的基于双阶误差补偿的储能辅助黑启动的风速预测方法，其特征在于，所述第三时段误差序列包括第二设定数量的误差值，所述基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列，包括：
针对第三时段误差序列的各误差值，基于所述第三时段风速组和所述第三时段预测值集获得各误差值对应的比值；
按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；
利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；
基于各目标误差预测序列计算均值得到第四时段修正序列。
5.一种基于双阶误差补偿的储能辅助黑启动的风速预测系统，其特征在于，包括：
设置模块，用于设置预测时段和当前时刻之前的采样时段，将所述采样时段划分为第一时段、第二时段和第三时段，所述第二时段、第三时段和当前时刻之后的第四时段组成所述预测时段；
获取模块，用于获取采样时段内的风速序列，所述风速序列包括第一时段风速组、第二时段风速组和第三时段风速组；
预测模块，用于基于所述第一时段风速组利用CEEMD算法和第一循环神经网络模型获得预测时段内的初始预测值集，所述初始预测值集包括第二时段预测值集、第三时段预测值集和第四时段预测值集；
第一修正模块，用于基于所述第二时段风速组和所述第二时段预测值集获得第二时段误差序列，基于第二时段误差序列利用正负划分法和第二循环神经网络模型得到第三时段修正序列；
第二修正模块，用于基于所述第三时段风速组、所述第三时段修正序列和所述第三时段预测值集获得第三时段误差序列，基于第三时段误差序列利用比例划分法和第三循环神经网络模型得到第四时段修正序列；
控制模块，用于基于所述第四时段预测值集和所述第四时段修正序列得到第四时段的最终风速预测值，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。
6.根据权利要求5所述的基于双阶误差补偿的储能辅助黑启动的风速预测系统，其特征在于，所述预测模块，具体用于：
利用CEEMD算法对所述第一时段风速组进行分解得到多个模态分量；将各模态分量分别输入第一循环神经网络模型获得对应的预测时段内的子模态分量预测值集，对所有子模态分量预测值集求和得到预测时段内的初始预测值集。
7.根据权利要求6所述的基于双阶误差补偿的储能辅助黑启动的风速预测系统，其特征在于，所述第二时段风速组包括第一设定数量的风速测量值，所述第二时段预测值集包括第一设定数量的风速预测值，所述第二时段误差序列包括第一设定数量的误差值，所述第三时段修正序列包括第二设定数量的误差预测值，所述第一修正模块，具体用于：
将所述第二时段误差序列的各误差值，按大小划分得到非负误差组和负误差组；确定非负误差组的非负误差个数和负误差组的负误差个数，进而得到非负误差组权重和负误差组权重；将非负误差组和负误差组分别乘以对应的权重得到目标非负误差组和目标负误差组；利用第二循环神经网络模型，分别针对目标非负误差组和目标负误差组进行预测得到对应的第三时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第三时段修正序列。
8.根据权利要求7所述的基于双阶误差补偿的储能辅助黑启动的风速预测系统，其特征在于，所述第三时段误差序列包括第二设定数量的误差值，第二修正模块，具体用于：
针对第三时段误差序列的各误差值，基于所述第三时段风速组和所述第三时段预测值集获得各误差值对应的比值；按照比值大小，将第三时段误差序列的各误差值划分为增大误差组和缩小误差组；利用第三循环神经网络模型，分别针对增大误差组和缩小误差组进行预测得到对应的第四时段的目标误差预测序列；基于各目标误差预测序列计算均值得到第四时段修正序列。
9.一种电子设备，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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410384264.5A CN117977583B (zh) | 2024-04-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410384264.5A CN117977583B (zh) | 2024-04-01 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117977583A true CN117977583A (zh) | 2024-05-03 |
| CN117977583B CN117977583B (zh) | 2024-07-12 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222707A (zh) * | 2020-01-13 | 2020-06-02 | 湖北工业大学 | 一种基于时间序列突变误差校正的风速预测方法 |
| KR102207287B1 (ko) * | 2019-12-16 | 2021-01-25 | 인하대학교 산학협력단 | 비산 석면 농도 예측 장치 및 그 방법 |
| CN114781739A (zh) * | 2022-05-06 | 2022-07-22 | 北京华能新锐控制技术有限公司 | 基于eemd的双向lstm网络风速预测方法 |
| 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 |
| CN116341717A (zh) * | 2023-02-23 | 2023-06-27 | 青岛理工大学 | 一种基于误差补偿的风速预测方法 |
| CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源（上海）有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 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 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102207287B1 (ko) * | 2019-12-16 | 2021-01-25 | 인하대학교 산학협력단 | 비산 석면 농도 예측 장치 및 그 방법 |
| CN111222707A (zh) * | 2020-01-13 | 2020-06-02 | 湖北工业大学 | 一种基于时间序列突变误差校正的风速预测方法 |
| 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 |
| CN114781739A (zh) * | 2022-05-06 | 2022-07-22 | 北京华能新锐控制技术有限公司 | 基于eemd的双向lstm网络风速预测方法 |
| CN116341717A (zh) * | 2023-02-23 | 2023-06-27 | 青岛理工大学 | 一种基于误差补偿的风速预测方法 |
| CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源（上海）有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张妍;韩璞;: "基于CEEMD-LSSVM的风电场短期风速预测", 计算机仿真, no. 08, 15 August 2017 (2017-08-15) * |
| 赵辉;周杰;王红君;岳有军;: "基于CEEMDAN-PE和QGA-BP的短期风速预测", 电子技术应用, no. 12, 6 December 2018 (2018-12-06) * |
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 | |
| CN111784068A (zh) | 基于eemd的电力负荷组合预测方法及装置 | |
| CN117748501B (zh) | 一种储能辅助黑启动的风功率预测方法和系统 | |
| CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
| CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| CN111967652B (zh) | 一种双层协同实时校正光伏预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN117708547A (zh) | 一种新型汽轮机组振动信号处理的方法及系统 | |
| 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 | |
| CN113869590A (zh) | 一种基于eemd-lstm的区域能源互联网负荷预测方法及系统 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| 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 | |
| CN117977583A (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 | |
| 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 | |
| CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
| CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
| CN117744893B (zh) | 一种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 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN117787509B (zh) | 一种用于储能辅助黑启动的风速预测方法和系统 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN114492923A (zh) | 一种长时间尺度功率预测方法 |
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 |