CN117039895B - 一种用于储能辅助黑启动的风功率预测方法及*** - Google Patents
一种用于储能辅助黑启动的风功率预测方法及*** Download PDFInfo
- Publication number
- CN117039895B CN117039895B CN202311296296.1A CN202311296296A CN117039895B CN 117039895 B CN117039895 B CN 117039895B CN 202311296296 A CN202311296296 A CN 202311296296A CN 117039895 B CN117039895 B CN 117039895B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- historical
- historical wind
- speed component
- energy storage
- 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 81
- 241001672018 Cercomela melanura Species 0.000 title claims abstract description 76
- 238000004146 energy storage Methods 0.000 title claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 239000002245 particle Substances 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification 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
- 238000012935 Averaging Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于风电技术领域,具体提出一种用于储能辅助黑启动的风功率预测方法及***,该方法包括利用EEMD算法和循环神经网络模型得到历史风速数据的各历史风速分量的历史风速分量预测值;基于历史风速分量及其权重、历史风速分量预测值构建误差系数函数;将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;基于EEMD算法和循环神经网络模型得到实时风速数据的多个实时风速分量预测值;基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值进而获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。由本公开的方法能够提高风功率的预测精度。
Description
技术领域
本公开属于风电技术领域,尤其涉及一种用于储能辅助黑启动的风功率预测方法及***。
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***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***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***进行黑启动,需要对根据历史风速数据,对风电场的持续有效出力概率或风功率进行了评估。然而传统地风功率预测存在预测精度差的问题。
发明内容
本公开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,本公开提供了一种用于储能辅助黑启动的风功率预测方法及***,主要目的在于提高风功率的预测精度。
根据本公开的第一方面,提供了一种用于储能辅助黑启动的风功率预测方法,包括:
获取历史风速数据,利用EEMD算法对所述历史风速数据进行分解获得多个历史风速分量;
将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;
基于所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;
将所述误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;
获取实时风速数据,基于所述EEMD算法和所述循环神经网络模型得到多个实时风速分量预测值;
基于所述多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;
基于所述风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用所述风功率预测值参与储能辅助黑启动。
在本公开的第一方面提供的用于储能辅助黑启动的风功率预测方法中,所述改进的粒子算法的获得方法包括:利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;基于所述相对变化率和最大迭代次数获得改进的惯性权值系数;利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
在本公开的第一方面提供的用于储能辅助黑启动的风功率预测方法中,所述循环神经网络模型选用门控循环单元网络模型。
在本公开的第一方面提供的用于储能辅助黑启动的风功率预测方法中,所述误差系数函数包括目标函数和约束条件,所述目标函数由所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,所述约束条件指的是所有历史风速分量的权重的和为1。
根据本公开的第二方面,还提供了一种用于储能辅助黑启动的风功率预测***,包括:
历史风速获取模块,用于获取历史风速数据,利用EEMD算法对所述历史风速数据进行分解获得多个历史风速分量;
历史风速预测模块,用于将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;
函数构建模块,用于基于所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;
权重优化模块,用于将所述误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;
实时风速处理模块,用于获取实时风速数据,基于所述EEMD算法和所述循环神经网络模型得到多个实时风速分量预测值;
实时风速预测模块,用于基于所述多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;
风功率预测模块,用于基于所述风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用所述风功率预测值参与储能辅助黑启动。
在本公开的第二方面提供的用于储能辅助黑启动的风功率预测***中,在所述权重优化模块中,所述改进的粒子算法的获得方法包括:利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;基于所述相对变化率和最大迭代次数获得改进的惯性权值系数;利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
在本公开的第二方面提供的用于储能辅助黑启动的风功率预测***中,所述循环神经网络模型选用门控循环单元网络模型。
在本公开的第二方面提供的用于储能辅助黑启动的风功率预测***中,在所述函数构建模块中,所述误差系数函数包括目标函数和约束条件,所述目标函数由所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,所述约束条件指的是所有历史风速分量的权重的和为1。
根据本公开的第三方面,还提供了一种用于储能辅助黑启动的风功率预测设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面提出的用于储能辅助黑启动的风功率预测方法。
根据本公开的第四方面,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开的第一方面提出的用于储能辅助黑启动的风功率预测方法。
在本公开一个或多个方面中,获取历史风速数据,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量;将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;基于多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;获取实时风速数据,基于EEMD算法和循环神经网络模型得到多个实时风速分量预测值;基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;基于风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。在这种情况下,利用EEMD算法分解历史风速数据,利用循环神经网络模型获得的多个历史风速分量对应的历史风速分量预测值,然后在将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;相对于现有的固定权重,本公开的方法对历史风速分量的权重进行优化以得到目标权重,在目标权重下历史风速分量预测值与历史风速分量的误差系数最小,因此利用目标权重得到的风速预测值更加接近实时风速数据,提高了风速预测的准确性,由于风功率基于风速得到,故提高了风功率的预测精度。
本公开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,或通过本公开的实践了解到。
附图说明
本公开上述的和/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示出本公开实施例提供的一种用于储能辅助黑启动的风功率预测方法的流程示意图;
图2示出本公开实施例提供的风速预测步骤的流程示意图;
图3示出本公开实施例提供的实验结果示意图;
图4示出本公开实施例提供的用于储能辅助黑启动的风功率预测***的框图;
图5是用来实现本公开实施例的用于储能辅助黑启动的风功率预测方法的用于储能辅助黑启动的风功率预测设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
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公开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。在本公开的描述中,“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。还应当理解,本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例,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,旨在用于解释本公开,而不能理解为对本公开的限制。
本公开提供了一种用于储能辅助黑启动的风功率预测方法、***、设备及非瞬时计算机可读存储介质,主要目的在于提高风功率的预测精度。
本公开的实施例涉及的风功率预测方法没有直接预测风功率,而是先预测风速,在将根据预测的风速得到风功率作为所需的风功率预测值。具体过程如下。
在第一个实施例中,图1示出本公开实施例提供的一种用于储能辅助黑启动的风功率预测方法的流程示意图。图2示出本公开实施例提供的风速预测步骤的流程示意图。
如图1所示,该用于储能辅助黑启动的风功率预测方法,包括:
步骤S11,获取历史风速数据,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量。
在步骤S11中,获取的历史风速数据是风速信号序列。
在步骤S11中,考虑到传统单一数据分解技术有时并能充不分捕获数据序列中复杂的非线性关系,导致预测结果不准,且风速、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。为此,本公开的方法步骤S11中基于信号尺度分解降维的思想,采用集合经验模态分解(EnsembleEmpirical ModeDecomposition,EEMD)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。
易于理解地,EEMD算法是一种改进的经验模态分解(Empirical ModeDecomposition,EMD)算法。EMD算法是一种针对信号分析的自适应数据挖掘方法。它通过将非线性序列分解为若干不同尺度的本征模态函数IMF(Intrinsic Mode Function)分量和1个剩余分量,获得平稳序列,在分解过程中基于信号的自身尺度,非常适合用来处理波动性较大的风速波形,理论上可以应用于任何类型的时间序列信号。其中IMF分量需符合以下 2个条件:1)信号过零点个数与局部极值点数至多相差1 个;2)整个定义域范围内的序列均值趋于 0。EMD 具体分解过程如下:
a)求出时间t对应的原始信号X(t) 中所有极值点(包括极大值和极小值),采用3次样条差值函数拟合出原始信号的上包络线 l1( t)、下包络线l2( t);
b)求出上包络线 、下包络线的中位值m1( t),即m1(t)=[l1(t)+l2(t)]/2。
c)令h1(t)=X(t)-m1(t),若h1(t)不满足IMF分量的 2 个条件,则继续重复步骤a、b,直至 k次迭代后求出h1(t)满足这2个条件,即可得C1(t)=h1k(t)。h1k(t) 为k次迭代后的h1(t) 。
d)将第一次EMD得到的第一个IMF 分量(即IMF1)分离出原始信号,以剩余分量r1(t)=X(t)-C1(t)作为原始信号,再重复上述步骤,重新分解序列信号,得到 n 个 IMF 分量,当剩余分量 rn( t)满足单调性时即为最终结果,分解后信号为:
其中,Ci(t)为第i次EMD得到的IMF分量,rn(t)为第n次EMD后的剩余分量。在模态分解过程中会导致错误的IMF分量,极易出现模态混叠现象,从而不能实现较为理想的效果。故对EMD算法进行改进以解决该问题,改进的后的EMD算法即为EEMD算法。
改进过程如下:
A)首先在原始信号中加入服从正态分布的白噪声序列,构成新的目标序列,定义α为噪声幅值,ε为标准差;
B)对该目标序列进行 EMD,求出 n 个 IMF 分量Ci(t)和1个剩余的残差分量rn(t);
C)将步骤A、B循环迭代r次,每次采用不同幅值的白噪声序列,将r次分解得到的IMF 分量求整体平均,作为原始信号的IMF分量。
在步骤S11中,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量时,历史风速数据为原始信号X(t),分解得到的n个IMF分量即为n个历史风速分量。如图2所示,n个历史风速分量分别为IMF1、IMF2、……、IMFn。其中,IMF1为第一次利用EEMD分解得到的历史风速分量、IMF2为第二次利用EEMD分解得到的历史风速分量、……、IMFn为第n次利用EEMD分解得到的历史风速分量。IMF1、IMF2、……、IMFn在后续运算时可以分别用s(1)、s(2)、……、s(n)表示。
步骤S12,将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值。
在步骤S12中,循环神经网络模型选用门控循环单元网络模型(gated recurrentunit,GRU)。
在步骤S12中,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;/>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。
在步骤S12中,如图2所示,将步骤S11得到的n个历史风速分量分别输入到GRU网络中进行预测得到对应的n个历史风速分量预测值。n个历史风速分量预测值分别是y(1)、y(2)、……、y(n)。
步骤S13,基于多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数。
在步骤S13中,各历史风速分量有对应的权重。即历史风速分量IMF1、IMF2、……、IMFn的权重分别为q1、q2、……、qn。各历史风速分量的权重q1、q2、……、qn也可以用q(1)、q(2)、……、q(n)表示。
在步骤S13中, 误差系数函数包括目标函数和约束条件,目标函数由多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,约束条件指的是所有历史风速分量的权重的和为1。
具体地,误差系数函数满足:
式中,为目标函数,/>为约束条件。/>为历史风速分量IMFm对应的历史风速分量预测值,/>为历史风速分量IMFm对应的权重,/>为历史风速分量IMFm。m取1、2、……、n。n为历史风速分量的数量。基于历史风速分量、对应的历史风速分量预测值和历史风速分量的权重以预测误差的平方和为目标构建得到误差系数函数。
步骤S14,将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重。
在步骤S14中,考虑到固定权重不能很好的提升预测结果,故利用改进的粒子算法对权重进行优化以得到误差系数函数最小时对应的目标权重,进而提高后续预测结果的精度。
具体地,易于理解地,传统粒子算法(Particle Swarm Optimization, PSO)是一种基于鸟类捕食行为的群智能寻优算法,粒子群算法初始化一群随机粒子,然后通过迭代寻找最优解。pi为第i个粒子经历过的最优位置,Pg为群体经历的最优位置,在每一次迭代中, 粒子通过个体极值pi和全局极值Pg来更新自己的速度和位置,传统粒子算法的更新公式满足:
式中,为第i个粒子第j维第T+1次迭代的速度,/>为第i个粒子第j维第T次迭代的速度,/>为第i个粒子第j维经历过的最优位置,/>为第i个粒子第j维第t次迭代的位置,/>为第i个粒子所在群体经历的最优位置,/>为第i个粒子第j维第T+1次迭代的位置。/>为粒子群的维度。/>为惯性权值系数;/>和/>是加速因子;rand为0到1之间的随机数,j表示向量的维度。其中,改进的粒子群算法(IPSO)的种群粒子数可以为20,每个粒子的维数可以为2,算法迭代进化次数可以为100。
在步骤S14中,考虑到为粒子群算法中最重要的一个参数,/>的选择是影响算法搜索行为和性能的关键所在;较大的/>具有较强的全局收敛能力,而较小/>的则有较强的局部收敛能力。因此,随着迭代次数的增加,惯性权重应不断减少,从而使得微粒群算法在初期具有较强的全局收敛能力,而晚期具有较强的局部收敛能力。故利用误差系数函数获得改进的惯性权值系数进而获得改进的粒子算法。
具体地,在步骤S14中,改进的粒子算法的获得方法包括:利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;基于相对变化率和最大迭代次数获得改进的惯性权值系数;利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
第i个粒子在第T次迭代时粒子适应度值的相对变化率满足:
式中,fitnessi(T)表示第i个粒子在第T次迭代时的适应度值(第T次迭代时的误差系数函数值)。fitnessi(T-1)表示第i个粒子在第T-1次迭代时的适应度值。
改进的第i个粒子在第T次迭代时的惯性权值系数满足:
其中,表示粒子群算法的最大迭代次数。惯性权值系数/>为非线性递减惯性权值。
将惯性权值系数替代传统粒子算法的惯性权值系数/>,得到改进的粒子算法。在改进的粒子算法中,当粒子适应值相对增加时,惯性权值系数/>也相应增加,相反惯性权值系数/>将随之减小。这种算法将加快粒子向最优位置飞行的速度,从而加快算法的收敛速度,避免了传统的粒子群算法存在的容易陷入局部最优、收敛速度快,导致收敛精度低等弊端。
步骤S14,将误差系数函数作为改进的粒子算法的适应度函数,适应度值为函数值,采用改进的粒子算法(即改进PSO算法)获得适应度值为最小误差系数函数值(minfitness)时的各历史风速分量的目标权重。目标权重即为产生误差最小的权重系数。各历史风速分量的目标权重可以表示为q1’、q2’、……、qn’。
在本实施例中,步骤S11-步骤S14可以看做确定误差最小的加权系数(即目标权重)的过程(参见图2)。在获取目标权重后利用后续步骤对实时风速数据进行预测。
步骤S15,获取实时风速数据,基于EEMD算法和循环神经网络模型得到多个实时风速分量预测值。
具体地,在步骤S15中,利用EEMD算法对实时风速数据进行分解获得多个实时风速分量。实时风速分量的数量与历史风速分量的数量一致。即实时风速分量的数量为n。如图2所示,n个实时风速分量分别为IMF1’、IMF2’、……、IMFn’。将各个实时风速分量分别输入循环神经网络模型得到对应的实时风速分量预测值。n个实时风速分量预测值分别为Y1’、Y2’、……、Yn’。步骤S15中获取实时风速分量预测值的过程可以参照步骤S11和步骤S12中获取历史风速分量预测值的过程,此处不在赘述。
步骤S16,基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值。
具体地,在步骤S16中,将得到的n个实时风速分量预测值Y’乘以对应的目标权重,即Y1’*q1’,..., Yn’*qn’,再将求和就得到了风速预测值,即风速预测值等于Y1’*q1’+Y2’*q2’+...+ Yn’*qn’。
在本实施例中,步骤S15-步骤S16可以看做实时风速的预测阶段(参见图2)。在获得风速预测值后利用后续步骤得到风功率预测值。
步骤S17,基于风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。
在步骤S17中,风速与风功率(即风电机组的发电功率)的关系式满足:
其中,为风机额定输出功率(kW);v为风机轮毂高度处的风速(m/s),/>为额定风速(m/s);/>为切入风速(m/s),/>为切出风速(m/s)。
在步骤S17中,将风速预测值看做风机轮毂高度处的风速v,按照风速与风功率的关系式获得风功率预测值。
为验证本公开的方法的效果,获取的实验数据(即历史风速数据)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。
图3示出本公开实施例提供的实验结果示意图。图3示出了GRU、PSO-GRU、EEMD-IPSO-GRU、EEMD-PSO-GRU与本公开的最优化加权(即最小权重系数)-EEMD-IPSO-GRU的风速数据,从图3中可以明显的看出,利用本公开的方法所建立的模型与原始数据(即实际风速)的拟合程度最好,单一的GRU模型误差系数最大。
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。BP(BackPropagation,反向传播)、GRU,EEMD-GRU,最优化加权-EEMD-PSO-GRU称为基准模型,用来与本公开的组合模型(即最优化加权-EEMD-IPSO-GRU)进行比较。
在本公开的实验中,选择平均绝对误差(Mean absolute error, MAE)、残差平方和(Sum of Squares for Error,SSE)、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。本公开的实验中,实验结果如表1。
表1 各模型的评价指标表
如表所示,当与其他所有的基准模型对比时,本公开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MAPE值比所有基准模型分别减少了56.1%,94.58%,97.36%和96.93%。在所有情况下,MAE、SSE、RMSE遵循相同的规律。将最优化加权-EEMD-IPSO-GRU与最优化加权-EEMD-PSO-GRU进行比较时,前者具有更好的预测性能,表中的MAPE值降低了87.66%。减少的原因是改进后的粒子群算法能有效地避免早熟,并具有较好的收敛速度及精度。当比较最优化加权-EEMD-PSO-GRU模型与EEMD-GRU模型时,前者也提高了后者的预测精度,减少的原因是对每个IMF的预测结果进行最优化加权可以明显克服传统的EEMD不能降低原始数据中复杂的非线性关系的缺点。GRU与BP模型相比,GRU具有令人满意的预测性能,这证明GRU的预测能力强于BP。
在本公开实施例的用于储能辅助黑启动的风功率预测方法中,获取历史风速数据,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量;将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;基于多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;获取实时风速数据,基于EEMD算法和循环神经网络模型得到多个实时风速分量预测值;基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;基于风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。在这种情况下,利用EEMD算法分解历史风速数据,利用循环神经网络模型获得的多个历史风速分量对应的历史风速分量预测值,然后在将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;相对于现有的固定权重,本公开的方法对历史风速分量的权重进行优化以得到目标权重,在目标权重下历史风速分量预测值与历史风速分量的误差系数最小,因此利用目标权重得到的风速预测值更加接近实时风速数据,提高了风速预测的准确性,由于风功率基于风速得到,故提高了风功率的预测精度。
下述为本公开***实施例,可以用于执行本公开方法实施例。对于本公开***实施例中未披露的细节,请参照本公开方法实施例。
请参见图4,图4示出本公开实施例提供的用于储能辅助黑启动的风功率预测***的框图。该用于储能辅助黑启动的风功率预测***可以通过软件、硬件或者两者的结合实现成为***的全部或一部分。该用于储能辅助黑启动的风功率预测***10包括历史风速获取模块11、历史风速预测模块12、函数构建模块13、权重优化模块14、实时风速处理模块15、实时风速预测模块16和风功率预测模块17,其中:
历史风速获取模块11,用于获取历史风速数据,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量;
历史风速预测模块12,用于将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;
函数构建模块13,用于基于多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;
权重优化模块14,用于将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;
实时风速处理模块15,用于获取实时风速数据,基于EEMD算法和循环神经网络模型得到多个实时风速分量预测值;
实时风速预测模块16,用于基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;
风功率预测模块17,用于基于风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。
可选地,在函数构建模块13中,误差系数函数包括目标函数和约束条件,目标函数由多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,约束条件指的是所有历史风速分量的权重的和为1。
可选地,在权重优化模块14中,改进的粒子算法的获得方法包括:利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;基于相对变化率和最大迭代次数获得改进的惯性权值系数;利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
可选地,循环神经网络模型选用门控循环单元网络模型。
要说明的是,上述实施例提供的用于储能辅助黑启动的风功率预测***在执行用于储能辅助黑启动的风功率预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将用于储能辅助黑启动的风功率预测设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用于储能辅助黑启动的风功率预测***与用于储能辅助黑启动的风功率预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在本公开实施例的用于储能辅助黑启动的风功率预测***,历史风速获取模块用于获取历史风速数据,利用EEMD算法对历史风速数据进行分解获得多个历史风速分量;历史风速预测模块用于将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;函数构建模块用于基于多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;权重优化模块用于将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;实时风速处理模块用于获取实时风速数据,基于EEMD算法和循环神经网络模型得到多个实时风速分量预测值;实时风速预测模块用于基于多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;风功率预测模块用于基于风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用风功率预测值参与储能辅助黑启动。在这种情况下,利用EEMD算法分解历史风速数据,利用循环神经网络模型获得的多个历史风速分量对应的历史风速分量预测值,然后在将误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;相对于现有的固定权重,本公开的***对历史风速分量的权重进行优化以得到目标权重,在目标权重下历史风速分量预测值与历史风速分量的误差系数最小,因此利用目标权重得到的风速预测值更加接近实时风速数据,提高了风速预测的准确性,由于风功率基于风速得到,故提高了风功率的预测精度。
根据本公开的实施例,本公开还提供了一种用于储能辅助黑启动的风功率预测设备、一种存储有计算机指令的非瞬时计算机可读存储介质(可以简称为可读存储介质)和一种计算机程序产品。
图5是用来实现本公开实施例的用于储能辅助黑启动的风功率预测方法的用于储能辅助黑启动的风功率预测设备的框图。用于储能辅助黑启动的风功率预测设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。用于储能辅助黑启动的风功率预测设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴电子设备和其它类似的计算装置。本公开所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例,并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图4所示,用于储能辅助黑启动的风功率预测设备20包括计算单元21,其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机存取存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM 23中,还可存储用于储能辅助黑启动的风功率预测设备20操作所需的各种程序和数据。计算单元21、ROM 22以及RAM23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
用于储能辅助黑启动的风功率预测设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等,存储单元28与计算单元21通信连接;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许用于储能辅助黑启动的风功率预测设备20通过诸如因特网的计算机网络和/或各种电信网络与其他用于储能辅助黑启动的风功率预测设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理,例如执行用于储能辅助黑启动的风功率预测方法。例如,在一些实施例中,用于储能辅助黑启动的风功率预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到用于储能辅助黑启动的风功率预测设备20上。当计算机程序加载到RAM 23并由计算单元21执行时,可以执行上述描述的用于储能辅助黑启动的风功率预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于储能辅助黑启动的风功率预测方法。
本公开中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑电子设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或用于储能辅助黑启动的风功率预测设备使用或与指令执行***、装置或用于储能辅助黑启动的风功率预测设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或电子设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储电子设备、磁储存电子设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种用于储能辅助黑启动的风功率预测方法,其特征在于,包括:
获取历史风速数据,利用EEMD算法对所述历史风速数据进行分解获得多个历史风速分量;
将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;
基于所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数;
将所述误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;
获取实时风速数据,基于所述EEMD算法和所述循环神经网络模型得到多个实时风速分量预测值;
基于所述多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;
基于所述风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用所述风功率预测值参与储能辅助黑启动;
所述误差系数函数包括目标函数和约束条件,目标函数由多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,约束条件指的是所有历史风速分量的权重的和为1;
误差系数函数满足:
式中,为目标函数,/>为约束条件,为历史风速分量IMFm对应的历史风速分量预测值,/>为历史风速分量IMFm对应的权重,/>为历史风速分量IMFm,m取1、2、……、n,n为历史风速分量的数量。
2.如权利要求1所述的用于储能辅助黑启动的风功率预测方法,其特征在于,所述改进的粒子算法的获得方法包括:
利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;
基于所述相对变化率和最大迭代次数获得改进的惯性权值系数;
利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
3.如权利要求1所述的用于储能辅助黑启动的风功率预测方法,其特征在于,所述循环神经网络模型选用门控循环单元网络模型。
4.一种用于储能辅助黑启动的风功率预测***,其特征在于,包括:
历史风速获取模块,用于获取历史风速数据,利用EEMD算法对所述历史风速数据进行分解获得多个历史风速分量;
历史风速预测模块,用于将各个历史风速分量分别输入循环神经网络模型得到对应的历史风速分量预测值;
函数构建模块,用于基于所述多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建误差系数函数,其中,所述误差系数函数包括目标函数和约束条件,目标函数由多个历史风速分量、对应的历史风速分量预测值和各历史风速分量的权重构建得到,约束条件指的是所有历史风速分量的权重的和为1;
误差系数函数满足:
式中,为目标函数,/>为约束条件,为历史风速分量IMFm对应的历史风速分量预测值,/>为历史风速分量IMFm对应的权重,/>为历史风速分量IMFm,m取1、2、……、n,n为历史风速分量的数量;
权重优化模块,用于将所述误差系数函数作为适应度函数,采用改进的粒子算法获得适应度值为最小误差系数函数值时的各历史风速分量的目标权重;
实时风速处理模块,用于获取实时风速数据,基于所述EEMD算法和所述循环神经网络模型得到多个实时风速分量预测值;
实时风速预测模块,用于基于所述多个实时风速分量预测值和对应的历史风速分量的目标权重获得风速预测值;
风功率预测模块,用于基于所述风速预测值、风机额定输出功率、额定风速、切入风速和切出风速获得风功率预测值,以在发生停电故障时利用所述风功率预测值参与储能辅助黑启动。
5.如权利要求4 所述的用于储能辅助黑启动的风功率预测***,其特征在于,在所述权重优化模块中,所述改进的粒子算法的获得方法包括:利用各次迭代时的误差系数函数获得对应次的粒子适应度值的相对变化率;基于所述相对变化率和最大迭代次数获得改进的惯性权值系数;利用改进的惯性权值系数替换传统粒子算法的惯性权值系数,从而获得改进的粒子算法。
6.如权利要求4所述的用于储能辅助黑启动的风功率预测***,其特征在于,所述循环神经网络模型选用门控循环单元网络模型。
7.一种用于储能辅助黑启动的风功率预测设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的用于储能辅助黑启动的风功率预测方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的用于储能辅助黑启动的风功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296296.1A CN117039895B (zh) | 2023-10-09 | 2023-10-09 | 一种用于储能辅助黑启动的风功率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296296.1A CN117039895B (zh) | 2023-10-09 | 2023-10-09 | 一种用于储能辅助黑启动的风功率预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117039895A CN117039895A (zh) | 2023-11-10 |
CN117039895B true CN117039895B (zh) | 2024-01-26 |
Family
ID=88635830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311296296.1A Active CN117039895B (zh) | 2023-10-09 | 2023-10-09 | 一种用于储能辅助黑启动的风功率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117039895B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408164B (zh) * | 2023-12-13 | 2024-03-22 | 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*** |
CN117498352B (zh) * | 2023-12-29 | 2024-04-16 | 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 |
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*** |
CN117829202B (zh) * | 2024-03-05 | 2024-05-10 | 西安热工研究院有限公司 | 一种基于双误差的储能辅助黑启动的风速预测方法和*** |
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*** |
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*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
JP2013108462A (ja) * | 2011-11-22 | 2013-06-06 | Fuji Electric Co Ltd | 風力発電量予測システム、そのプログラム |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN105389634A (zh) * | 2015-12-01 | 2016-03-09 | 广东智造能源科技研究有限公司 | 一种组合式短期风电功率预测***及方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN110942170A (zh) * | 2019-08-29 | 2020-03-31 | 华北电力大学(保定) | 一种基于信息处理的短期风速预测方法及*** |
CN112819189A (zh) * | 2019-11-15 | 2021-05-18 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于历史预测值的风力出力预测方法 |
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*** |
CN114444763A (zh) * | 2021-12-16 | 2022-05-06 | 国网浙江省电力有限公司绍兴供电公司 | 基于afsa-gnn的风电功率预测方法 |
CN115034493A (zh) * | 2022-06-24 | 2022-09-09 | 江苏方天电力技术有限公司 | 一种考虑机组运行状态的风电场黑启动路径寻优方法 |
CN116826724A (zh) * | 2023-06-27 | 2023-09-29 | 广东电网有限责任公司广州供电局 | 基于多重数据筛选的风电功率区间预测方法及相关设备 |
CN116823520A (zh) * | 2023-06-06 | 2023-09-29 | 淮阴工学院 | 分布式智能制造能源供给***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362175B (zh) * | 2022-03-10 | 2022-06-07 | 山东大学 | 基于深度确定性策略梯度算法的风电功率预测方法及*** |
-
2023
- 2023-10-09 CN CN202311296296.1A patent/CN117039895B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013108462A (ja) * | 2011-11-22 | 2013-06-06 | Fuji Electric Co Ltd | 風力発電量予測システム、そのプログラム |
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN105389634A (zh) * | 2015-12-01 | 2016-03-09 | 广东智造能源科技研究有限公司 | 一种组合式短期风电功率预测***及方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN110942170A (zh) * | 2019-08-29 | 2020-03-31 | 华北电力大学(保定) | 一种基于信息处理的短期风速预测方法及*** |
CN112819189A (zh) * | 2019-11-15 | 2021-05-18 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于历史预测值的风力出力预测方法 |
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*** |
CN114444763A (zh) * | 2021-12-16 | 2022-05-06 | 国网浙江省电力有限公司绍兴供电公司 | 基于afsa-gnn的风电功率预测方法 |
CN115034493A (zh) * | 2022-06-24 | 2022-09-09 | 江苏方天电力技术有限公司 | 一种考虑机组运行状态的风电场黑启动路径寻优方法 |
CN116823520A (zh) * | 2023-06-06 | 2023-09-29 | 淮阴工学院 | 分布式智能制造能源供给***及方法 |
CN116826724A (zh) * | 2023-06-27 | 2023-09-29 | 广东电网有限责任公司广州供电局 | 基于多重数据筛选的风电功率区间预测方法及相关设备 |
Non-Patent Citations (4)
Title |
---|
Wind Speed Data Repairing Method Based on Bidirectional Prediction;Xincheng Shen et al.;《2021 IEEE International Conference on Power Electronics, Computer Applications》;第715-721页 * |
基于EMD分解的风电场风速和输出功率年度预测;王晓兰 等;《太阳能学报》;第32卷(第03期);第301-306页 * |
基于特征变权的超短期风电功率预测;王晓东 等;《太阳能学报》;第44卷(第2期);第52-58页 * |
海上风电机组的模型设计与动态仿真研究;刘洋 等;《船舶工程》;第42卷(第S1期);第554-557页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117039895A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117039895B (zh) | 一种用于储能辅助黑启动的风功率预测方法及*** | |
Al-qaness et al. | Boosted ANFIS model using augmented marine predator algorithm with mutation operators for wind power forecasting | |
Li et al. | Short-term load-forecasting method based on wavelet decomposition with second-order gray neural network model combined with ADF test | |
US8996185B2 (en) | Method for scheduling power generators based on optimal configurations and approximate dynamic programming | |
Fang et al. | Deep reinforcement learning for scenario-based robust economic dispatch strategy in internet of energy | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN111429142B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN113240193A (zh) | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 | |
CN114696351A (zh) | 一种电池储能***动态优化方法、装置、电子设备和存储介质 | |
Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
CN112766609A (zh) | 一种基于云计算的用电量预测方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
CN115360717B (zh) | 用于综合能源的配电网调度方法、***、设备及介质 | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
CN116566840A (zh) | 一种基于经验小波变换和组合模型的容器云资源预测方法 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
US20160093002A1 (en) | Optimal Battery Pricing and Energy Management for Localized Energy Resources | |
Zhao et al. | Multi-Step Short-Term Wind Power Prediction Model Based on CEEMD and Improved Snake Optimization Algorithm | |
Li et al. | Regional Ultra-Short-Term Wind Power Combination Prediction Method Based on Fluctuant/Smooth Components Division | |
CN115630772B (zh) | 综合能源检测配电方法、***、设备及存储介质 |
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 |