一种基于高精度风速预测的超容储能并网方法及系统与流程

本发明涉及风电储能，具体为一种基于高精度风速预测的超容储能并网方法及系统。

背景技术：

1、由于风速变化的随机性，大规模风电场并网给电网调度带来困难，进而影响系统的稳定性。为了提高风电场的可调度性，一般方法采用神经网络法对未来一天的风速进行预测，通过预测的风速值计算风电场向电网发送的功率，并将预测值提交到电网调度机构。同时，在风电场的出口处接入超容储能系统，快速响应弥补风电场实际发出功率与预测功率的误差，从而提高电网依据风功率预测进行风电场发电调度的可信性，改善了风电场与电力系统之间的协调运行能力。

2、然后传统的预测仅仅是把历史风速序列放入神经网络中进行预测，比如用历史的n个值去预测未来的0.1n个值，然而历史的风速序列具有非线性和复杂性，直接放入神经网络进行预测会增大预测难度（预测误差大），为此本发明提出一种数据预处理的算法，该算法能大大降低历史数据的预测难度。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有技术的预测误差较大，不能满足高精度风速预测的要求。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于高精度风速预测的超容储能并网方法，包括：采集风电场数据，对原始风速序列进行vmd分解获得子序列，计算每个子序列的复杂度评分，根据子序列的复杂度评分进行子序列改造；利用粒子群算法优化lstm模型的参数，建立风速预测模型，利用风速预测模型对改造后的子序列进行预测；将改造后的子序列的预测结果相加，得到风速预测值，根据风速预测值动态调整超容储能系统的并网策略，优化储能系统的运行效果。

4、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：所述vmd分解包括，对原始风速序列进行去噪处理，得到长度为的平滑风速数据序列，设定初始的最大分解层数，初始分解层数，频谱特征变化率阈值参数和最大迭代次数；对风速数据序列进行频谱分析，对进行快速傅里叶变换，计算主要频率分量，表示为：

5、，

6、，

7、其中，表示频域信号；表示时间；表示虚数单位；表示频率；进行vmd分解，得到当前层数 的imf子序列，计算每个imf子序列的频谱特征，并评估主频变化率，表示为：

8、，

9、其中，表示第个imf子序列的主频变化率；表示第个imf子序列的主频；表示第个imf子序列的主频；当所有imf子序列的主频变化率都小于变化率阈值参数时，分解层数 增加一层，重新进行vmd分解并评估主频变化率；当存在imf子序列的主频变化率都大于等于变化率阈值参数，达到最大迭代次数或时，停止迭代分解，输出最终的imf子序列。

10、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：所述复杂度评分包括，从历史数据中获取100个历史风速子序列，使用风速预测模型进行预测获得预测误差；计算与历史风速子序列的相似度，与历史风速子序列的相似度表示为：

11、，

12、其中，表示中的值；表示中的值；依次计算获得，子序列的复杂度评分表示为：

13、，

14、依次计算的复杂度评分。

15、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：所述子序列改造包括，设子序列，复杂度评分为，第一次改造后的序列表示为：

16、，

17、其中，表示产生范围内的随机数；表示选取最小值；表示激活函数；表示激活函数；表示选取最大值；对中每个序列进行改造，改造过程需要满足：

18、，

19、对改造后的子序列进行复杂度评分获得，再重复进行改造获得，重复复杂度评分和改造的过程100次；将100次复杂度评分中对应的改造序列作为最终输出的子序列，利用风速预测模型进行预测。

20、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：利用所述粒子群算法优化lstm模型的参数包括，确定lstm模型参数的范围，初始化粒子群，每个粒子表示一个lstm模型参数的组合，初始化速度和位置，根据改造后的风速子序列的复杂度评分设定粒子在搜索空间中的环境因素；

21、使用lstm模型对每个粒子的参数组合进行训练和预测，计算预测误差作为适应度函数值，根据每个粒子的当前位置和环境因素，定义速度更新公式，在粒子速度更新公式中引入环境因素，使粒子的搜索行为受到环境因素的影响，表示为：

22、，

23、其中，表示粒子在时间的新速度；表示惯性权重；表示粒子在时间的速度；表示个体学习因子；表示个体随机数；表示粒子在时间的个体最优位置；表示粒子在时间的当前位置；表示社会学习因子；表示社会随机数；表示全局最优位置；表示环境权重系数；表示粒子在时间的环境因素值；更新粒子的速度和位置，通过对粒子位置进行约束控制粒子的搜索范围，避免过早收敛，粒子位置的约束条件表示为：

24、，

25、其中，表示粒子在时间的新位置；表示将粒子位置限制在最小值和最大值之间；表示参数范围的最小值；表示参数范围的最大值；重复计算适应度函数、环境因素、更新速度和位置的步骤，对于每个粒子，若当前适应度函数值优于历史最优值，则更新个体最优位置；若当前粒子的适应度函数值优于所有粒子的历史最优值，则更新全局最优位置；当达到预定的迭代次数或适应度值收敛时，停止迭代，输出lstm模型参数。

26、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：所述粒子在搜索空间中的环境因素包括，将复杂度评分与粒子的位置进行对应，使复杂度评分能够影响粒子的搜索行为，定义粒子当前位置与第个子序列的距离为：

27、，

28、环境因素根据粒子当前位置与所有子序列的复杂度评分之间的关系计算得出，表示为：

29、，

30、其中，表示子序列的数量；表示第个子序列的复杂度评分。

31、作为本发明所述的基于高精度风速预测的超容储能并网方法的一种优选方案，其中：所述个体随机数和社会随机数不使用随机生成的方式，而是使随迭代次数的增加而增大，随的变化动态调整，表示为：

32、，

33、其中，表示当前迭代次数；表示最大迭代次数。

34、一种采用本发明任一所述方法的基于高精度风速预测的超容储能并网系统，其中：vmd分解模块，采集风电场数据，对原始风速序列进行vmd分解获得子序列，迭代进行子序列复杂度评分的计算和子序列改造，将复杂度评分最小的改造后的子序列作为最终子序列输出；风速预测模块，利用粒子群算法优化lstm模型的参数，结合子序列的复杂度评分设置环境因素，并定义随机数的计算方式，获得最优lstm模型的参数建立风速预测模型，利用风速预测模型对改造后的子序列进行预测；储能调整模块，将子序列预测结果相加获得风速预测值，根据风速预测值动态调整超容储能系统的并网策略，优化储能系统的运行效果。

35、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，包括：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

36、一种计算机可读存储介质，其上存储有计算机程序，包括：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。

37、本发明的有益效果：本发明方法通过对风速数据的vmd分解与复杂度改造、利用粒子群算法优化lstm模型参数进行高精度风速预测，并基于预测结果动态调整超容储能系统的并网策略，实现了风电场输出功率的平稳性和储能系统运行效率的提升，优化了电网的整体运行效果。