一种储能辅助黑启动的风速预测方法和系统与流程

本技术涉及风电，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：

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、本技术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，本技术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。

3、本技术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。

4、本技术的第三个目的在于提出一种电子设备。

5、本技术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，本技术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：

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、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；

9、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；

10、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；

11、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；

12、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；

13、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；

14、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。

15、在本技术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。

16、在本技术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。

17、在本技术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。

18、在本技术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。

19、在本技术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。

20、在本技术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。

21、为达上述目的，本技术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：

22、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；

23、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；

24、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；

25、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；

26、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；

27、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；

28、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；

29、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。

30、为达上述目的，本技术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，以实现本技术第一方面提出的方法。

31、为达上述目的，本技术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技术第一方面提出的方法。

32、本技术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。

33、本技术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，或通过本技术的实践了解到。