【技术实现步骤摘要】
本申请涉及风电，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。
技术介绍
1、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。
技术实现思路
1、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。
2、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。
3、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。
4、本申请的第三个目的在于提出一种电子设备。
5、本申请的第四个目的在于提出一种计算机可读存储介质。
6、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：
7、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；
8、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；
9
10、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；
11、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；
12、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；
13、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。
14、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。
15、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。
16、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。
17、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。
18、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。
19、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。
20、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：
21、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；
22、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；
23、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；
24、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；
25、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；
26、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；
27、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。
28、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。
29、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。
30、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本文档来自技高网...
【技术保护点】
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：
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；
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：
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，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。
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，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；
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
7.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。
8.一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：
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；
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1-7中任一项所述的方法。
...【技术特征摘要】
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：
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；
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：
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，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。
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，...
【专利技术属性】
技术研发人员：李志鹏，赵俊博，王小辉，燕云飞，郭昊，郝博瑜，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。