本发明公开了储能辅助黑启动的风速智能预测方法及系统，该方法，对原始风速序列分别进行CEEMD集合经验模态分解和VMD变分模态分解得到对应的固有模态函数IMF分量；将IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数；对误差系数进行TDPWCA基于优势互补的双维数据预处理得到TDPWCA子序列；将TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型以输出得到原始风速序列的最终IMF分量预测值。本发明基于信号尺度分解降维的思想，并建立预测模型，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。
储能辅助黑启动的风速智能预测方法及系统
技术领域
[0001] 本发明涉及风速智能预测技术领域，特别是涉及储能辅助黑启动的风速智能预测方法及系统。
背景技术
[0002] 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。这就需要对根据历史风速数据，对风电场的持续有效出力概率进行了评估。传统的风速预测存在预测精度差的问题。
[0003] CEEMD的不足之处在于进行EMD分解时产生的IMF个数仍存在差异，导致集合平均产生误差，在预测结束求和时会导致误差加大。VMD算法存在对噪声敏感的特性，当存在噪声时，可能会使分解出现模态混叠现象。传统的粒子群算法存在法容易陷入局部最优、收敛速度快，导致收敛精度低等弊端。
发明内容
[0004] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005] 为此，本发明为解决风速、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。提出一种储能辅助黑启动的风速智能预测方法，采用基于优势互补的双维数据预处理技术对两种分解方法进行加权处理，结合了两种分解方法的优点的同时克服了彼此的缺点，提高了预测精度。
[0006] 本发明的另一个目的在于提出一种储能辅助黑启动的风速智能预测系统。
[0007] 为达上述目的，本发明一方面提出一种储能辅助黑启动的风速智能预测方法，包括：
[0008] 对原始风速序列分别进行CEEMD集合经验模态分解和VMD变分模态分解得到对应的固有模态函数IMF分量；
[0009] 将所述IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数；
[0010] 对所述误差系数进行TDPWCA基于优势互补的双维数据预处理得到TDPWCA子序列；
[0011] 将所述TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型以输出得到原始风速序列的最终IMF分量预测值。
[0012] 本发明实施例的储能辅助黑启动的风速智能预测方法还可以具有以下附加技术特征：
[0013] 在本发明的一个实施例中，对原始风速序列进行CEEMD集合经验模态分解得到对应的固有模态函数IMF分量，包括：
[0014] 基于所述原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
[0015] 利用EMD经验模态分解对所述合成信号进行分解得到初始IMF分量和残差的集合；
[0016] 计算所有初始IMF分量和残差的集合平均值以得到CEEMD 子序列对应的第一IMF分量。
[0017] 在本发明的一个实施例中，对原始风速序列进行VMD变分模态分解得到对应的固有模态函数IMF分量，包括：
[0018] 基于所述原始风速序列的原始风速信号构建VMD的约束变分模型；
[0019] 利用ADMM算法求解基于增广Lagrange 函数的约束变分模型的最优解以分解所述原始风速信号得到VMD子序列对应的第二IMF分量。
[0020] 在本发明的一个实施例中，将所述IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数，包括：
[0021] 将所述第一IMF分量输入至训练好的GRU中进行预测得到第一IMF分量预测值，并基于第一IMF分量预测值和第一IMF分量实际值建立第一误差评测指标以计算得到CEEMD子序列对应的第一误差系数；
[0022] 将所述第二IMF分量输入至训练好的GRU中进行预测得到第二IMF分量预测值，并基于第二IMF分量预测值和第二IMF分量实际值建立第二误差评测指标以计算得到VMD子序列对应的第二误差系数。
[0023] 在本发明的一个实施例中，在将所述TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型之前，所述方法，还包括：训练所述IWOA‑BP组合预测模型，包括：
[0024] 初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
[0025] 将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，所述训练集，包括IMF分量的第一权重和阈值；
[0026] 更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
[0027] 输出算法的最优解，并将当前得到的第二权重和阈值作为所述BP神经网络的最优参数，并根据所述最优参数得到训练好的IWOA‑BP组合预测模型。
[0028] 为达上述目的，本发明另一方面提出一种储能辅助黑启动的风速智能预测系统，包括：
[0029] 风速序列分解模块，用于对原始风速序列分别进行CEEMD集合经验模态分解和VMD变分模态分解得到对应的固有模态函数IMF分量；
[0030] 误差系数计算模块，用于将所述IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数；
[0031] 序列处理生成模块，用于对所述误差系数进行TDPWCA基于优势互补的双维数据预处理得到TDPWCA子序列；
[0032] 分量预测输出模块，用于将所述TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型以输出得到原始风速序列的最终IMF分量预测值。
[0033] 本发明实施例的储能辅助黑启动的风速智能预测方法和系统，基于信号尺度分解降维的思想，采用CEEMD 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。
[0034] 本发明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，或通过本发明的实践了解到。
附图说明
[0035] 本发明上述的和/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：
[0036] 图1是根据本发明实施例的储能辅助黑启动的风速智能预测方法的流程图；
[0037] 图2是根据本发明实施例的储能辅助黑启动的风速智能预测方法的逻辑示意图；
[0038] 图3是根据本发明实施例的模型性能验证效果示意图；
[0039] 图4是根据本发明实施例的储能辅助黑启动的风速智能预测系统的结构示意图。
具体实施方式
[0040] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0041] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0042] 下面参照附图描述根据本发明实施例提出的储能辅助黑启动的风速智能预测方法和系统。
[0043] 图1是本发明实施例的储能辅助黑启动的风速智能预测方法的流程图。
[0044] 如图1所示，该方法包括但不限于以下步骤：
[0045] S1，对原始风速序列分别进行CEEMD集合经验模态分解和VMD变分模态分解得到对应的固有模态函数IMF分量；
[0046] S2，将IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数；
[0047] S3，对误差系数进行TDPWCA基于优势互补的双维数据预处理得到TDPWCA子序列；
[0048] S4，将TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型以输出得到原始风速序列的最终IMF分量预测值。
[0049] 图2为本发明实施例的逻辑流程图，如图2所示：
[0050] 可以理解的是，经验模态分解 EMD(Empirical Mode Decomposition)法从本质上而言是将一个信号进行平稳化处理，它将信号中不同等级的波动或趋势逐级分解。而 CEEMD集合经验模态分解通过向原始信号中添加互为正负的白噪声，既能解决EMD的模式混淆问题又能抵消白噪声残留。本发明的一个实施例中，对原始风速序列进行CEEMD分解：
[0051] 1）向原始风速序列中的原始信号 Xi中加人正负白噪声Ii‑Ii，得到合成信号Pi、Ni：
[0052]
[0053] 2)采用EMD 对步骤(1)获得的成对合成信号进行分解：
[0054]
[0055] 其中， 为第i次试验加入正白噪声信号后合成信号的第j个固有模态函数IMF(Intrinsic Mode Function)或残差； 为第i次试验加入负白噪声信号后合成信号的第j个 IMF 或残差;m为IMF和残差的总数。
[0056] 重复步骤(1)和(2)M次，得到M组IMF和残差的集合：
[0057]
[0058] 3）计算所有IMF和残差的集合平均值，即为CEEMD风速序列所得的IMF和残差。
[0059]
[0060] 则原始风速序列可分解为：
[0061]
[0062] 可以理解的是，CEEMD的不足之处在于进行EMD分解时产生的IMF个数仍存在差异，导致集合平均产生误差，在预测结束求和时会导致误差加大。
[0063] 可以理解的是，与CEEMD 算法所使用的循环筛分剥离不同，变分模态分解VMD算法将信号分解过程转移到变分框架内，通过搜索约束变分模型最优解来实现信号的自适应分解。迭代求解变分模型，最终可以根据被分解信号的频域特性完成信号频带的自适应分解，得到若干个IMF’分量。
[0064] 在本发明的一个实施例中，基于VMD算法，对于原始信号Xi，其对应的约束变分模型表达式为：
[0065]
[0066] 式中，{uM}为分解得到的M个模态分量，{WM}为各模态分量的中心频率， 是一个指数，表示中心频率，表示单位脉冲函数。引入增广 Lagrange 函数求解上述约束变分问题的最优解，即：
[0067]
[0068] 式中，a 为二次惩罚因子，可在高斯噪声存在的情况下保证信号的重构准确度；引入Lagrange 乘法，其中λ为Lagrange乘法算子 ，用来保持约束条件的严格性。
[0069] 进一步地，利用 ADMM 求取上述增广 Lagrange 函数的鞍点约束变分模型的最优解。求得的模态分量及中心频。VMD算法存在对噪声敏感的特性，当存在噪声时，可能会使分解出现模态混叠现象，这点CEEMD可以克服。
[0070] 可以理解的是，门控循环单元(gated recurrent unit, GRU)网络是 LSTM 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。
[0071] 在本发明的一个实施例中，更新门和重置门状态分别为 zt和rt，输入为 xt，隐层状态为 ht，数学表达式为：
[0072]
[0073] 其中， 是t时刻输入状态与上一时刻隐层状态 的过程向量； 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，U表示隐层状态对过程向量的权重矩阵，W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； yt为 t 时刻的输出。
[0074] 进一步地，原始风速序列经CEEMD分解，得到M个IMF（IMF1,...,IMFM）分量；将M个IMF分量放入训练好的GRU进行预测，得到IMF分量的预测值y1,y2,...,yM，每个预测值对应的IMF分量的真实值为s1,s2,...,sM，建立误差评
[0075] 测指标RMSE：
[0076]
[0077] 由此得到每个CEEMD子序列对应的误差系数W1,W2,...,Wm。
[0078] 进一步地，原始风速序列经VMD分解，得到M个IMF’（IMF’1,...,IMF’M）分量；将M个IMF’分量放入GRU进行预测，得到预测值y’1,y’2,...,y’M，每个预测值对应的实际值为s’1,s’2,...,s’M，得到每个VMD子序列对应的误差系数W’1,W’2,...,W’m。
[0079] 进一步地，基于上述的误差系数进行基于优势互补的双维数据预处理（Two‑dimensional Data Preprocessing With Complementary Advantages，TDPWCA）TDPWCA的子序列为[T1，T2，……Tn……，TM，Tres]，Tn=qn*IMFn+q’n*IMF’n，qn、q’n分别为IMF和IMF’对应的权重系数：
[0080] ,
[0081] 进一步地，将[T1，T2，……Tn……，TM，Tres]分别放入IWOA‑BP鲸鱼算法‑BP神经网络模型中预测，得到对应的预测值y1’’,...,yM’’,yres’’；将对应的预测值y1’’,...,yM’’,yres’’相加后即得到最终的预测值。
[0082] 在本发明的一个实施例中，对IWOA‑BP鲸鱼算法进行训练以得到最终训练好的预测模型。
[0083] 其中，IWOA改进鲸鱼算法：
[0084] 1)包围目标猎物
[0085] 以距离猎物位置最近的座头鲸位置为最优解，剩余座头鲸以向该最优解位置靠拢为目的，逐渐更新自身位置，其中，包围目标猎物的数学模型的计算式为：
[0086]
[0087] 式中，D为鲸鱼个体与当前最优解的距离, 是第t次迭代对应的全局最优解,为第t次迭代对应的鲸鱼的位置,A为第一系数，C为第二系数, 为第t+1次迭代对应的鲸鱼的位置,其中， 、 ， 为第一随机向量， 为第二随机向量，
r1,r2均属于[0,1]， ，为收敛因子， 为最大迭代次数；
[0088] 然而ＷＯＡ算法在进化搜索过程中却是非线性变化的，收敛因子ａ线性递减策略不能完全体现出算法实际的优化搜索过程。因此本发明提出前期增大值提高 WOA 在全局解空间的搜索能力，后期减小a 值使 WOA 进行更精细的局部开发，采用该类非线性策略的改进型收敛因子的具体公式：
[0089]
[0090] 改进后平衡了WOA的全局和局部搜索能力。
[0091] 2)螺旋线位置更新
[0092] 传统的鲸鱼算法是以螺旋上升的形式游向猎物,螺旋形路径的数学表达如下：
[0093]
[0094] 式中，D=|X*(t)‑X(t)|，表示鲸鱼与猎物之间的距离，b是一个常数，l是位于[‑1,1]之间的随机数。
[0095] 鲸鱼狩猎时假设有鲸鱼有50%的概率在收缩包围和螺旋上升之间进行随机选择，优化鲸鱼的位置。表达式如下：
[0096]
[0097] 3)搜寻猎物
[0098] 其中，搜寻猎物阶段的数学模型的计算式如下：
[0099]
[0100] 式中， 为当前迭代t随机选取的鲸鱼个体的位置。
[0101] 可以理解的是，BP神经网络是一种由误差反向传播算法训练的多层前馈网络，包含输入层、隐含层、输出层，分为前向传递和反向传播两个阶段，前向传递中信号经过一系列计算从输入层经隐含层传递到输出层计算预测值，若预测值与实际值误差未达到阈值，再通过误差反向传播来更新网络的权值与偏置大小，降低误差。本发明基于改进的鲸鱼算法确定初始的BP神经网络的最优参数：
[0102] 步骤F1：初始化BP神经网络的可调参数，初始种群规模n=20,最大迭代次数Tmax=150,需要优化的自变量个数N=in*hn+hn+hn*on+on,其中，in为BP神经网络的输入层的神经元个数,hn为BP神经网络的隐含层的神经元个数,on为BP神经网络的输出层的神经元个数；
[0103] 步骤F2：将训练集中的权值，阈值的误差作为改进的鲸鱼算法的适应度函数，记录当前最优适应度值以及其位置信息；
[0104] 步骤F3：更新座头鲸个体的位置信息，判断迭代数是否达到最大迭代数，若是，结束算法；若否，当前迭代数t加1，返回步骤F2；
[0105] 步骤F4：输出最优解，并将此时得到的权重、阈值作为所述BP神经网络的最优参数。
[0106] 可以理解的是，在本发明实施例中，实验数据（原始风速数据）来自具有储能辅助黑启动能力的风电场。从2017年7月1日至2017年7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。
[0107] 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。（即CEEMD‑WOA‑BP、VMD‑WOA‑BP、VMD‑IWOA‑BP、CEEMD‑IWOA‑BP）称为基准模型，用来与本发明提出的模型TDPWCA‑IWOA‑BP进行比较。如图3所示，从图中可以明显的看出案例从本发明所建立的模型与原始数据的拟合程度最好，CEEMD‑BP模型误差系数最大。
[0108] 如表1和表2所示，当与其他所有的基准模型对比时，本发明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，其中预测的平均MAPE值比所有基准模型分别减少了54.60％，95.80％，96.57％和98.12％。在所有情况下，MAE、SSE、RMSE遵循相同的规律。将TDPWCA‑IWOA‑BP与CEEMD‑IWOA‑BP以及VMD‑IWOA‑BP进行比较时，前者具有更好的预测性能，原因是TDPWCA能够很好的坚固CEEMD和VMD的优点，又能克服彼此的缺点，能够更加充分的挖掘原始序列背后的非线性关系。当比较CEEMD‑IWOA‑BP模型与CEEMD‑WOA‑BP模型时，前者也提高了后者的预测精度，提高的原因是收敛因子改进后平衡了WOA的全局和局部搜索能力。
[0109] 表1
[0110]
[0111] N表示样本容量， 和 分别表示时刻n的实际值和预测值。
[0112] 表2
[0113]
[0114] 根据本发明实施例的储能辅助黑启动的风速智能预测方法，解决了风速、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。以基于信号尺度分解降维的思想，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。
[0115] 为了实现上述实施例，如图4所示，本实施例中还提供了储能辅助黑启动的风速智能预测系统10，该系统10包括，风速序列分解模块100、误差系数计算模块200、序列处理生成模块300和分量预测输出模块400；
[0116] 风速序列分解模块100，用于对原始风速序列分别进行CEEMD集合经验模态分解和VMD变分模态分解得到对应的固有模态函数IMF分量；
[0117] 误差系数计算模块200，用于将IMF分量输入至训练好的GRU循环神经网络模型中进行预测得到对应的IMF分量预测值，并基于IMF分量预测值和IMF分量实际值建立对应的误差评测指标以分别得到CEEMD子序列和VMD子序列对应的误差系数；
[0118] 序列处理生成模块300，用于对误差系数进行TDPWCA基于优势互补的双维数据预处理得到TDPWCA子序列；
[0119] 分量预测输出模块400，用于将TDPWCA子序列输入至训练好的IWOA‑BP组合预测模型以输出得到原始风速序列的最终IMF分量预测值。
[0120] 进一步地，上述风速序列分解模块100，还用于：
[0121] 基于原始风速序列中的原始风速信号和正负白噪声信号得到合成信号；
[0122] 利用EMD经验模态分解对合成信号进行分解得到初始IMF分量和残差的集合；
[0123] 计算所有初始IMF分量和残差的集合平均值以得到CEEMD子序列对应的第一IMF分量。
[0124] 进一步地，上述风速序列分解模块100，还用于：
[0125] 基于原始风速序列的原始风速信号构建VMD的约束变分模型；
[0126] 利用ADMM算法求解基于增广Lagrange 函数的约束变分模型的最优解以分解原始风速信号得到VMD子序列对应的第二IMF分量。
[0127] 进一步地，上述误差系数计算模块200，还用于：
[0128] 将第一IMF分量输入至训练好的GRU中进行预测得到第一IMF分量预测值，并基于第一IMF分量预测值和第一IMF分量实际值建立第一误差评测指标以计算得到CEEMD子序列对应的第一误差系数；
[0129] 将第二IMF分量输入至训练好的GRU中进行预测得到第二IMF分量预测值，并基于第二IMF分量预测值和第二IMF分量实际值建立第二误差评测指标以计算得到VMD子序列对应的第二误差系数。
[0130] 进一步地，在上述分量预测输出模块400之前，还包括：模型训练模块，用于训练IWOA‑BP模型，包括：
[0131] 初始化BP神经网络的可调参数，初始IWOA鲸鱼算法的种群规模、最大迭代次数，以及需要优化的自变量个数；
[0132] 将训练集的误差数据作为IWOA的适应度函数，并记录当前最优适应度值以及IWOA中座头鲸个体的位置信息；其中，训练集，包括IMF分量的第一权重和阈值；
[0133] 更新位置信息，并判断迭代数是否达到最大迭代数，若是，结束算法；
[0134] 输出算法的最优解，并将当前得到的第二权重和阈值作为BP神经网络的最优参数，并根据所述最优参数得到训练好的IWOA‑BP组合预测模型。
[0135] 根据本发明实施例的储能辅助黑启动的风速智能预测系统，解决了风速、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。以基于信号尺度分解降维的思想，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。
[0136] 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发明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。
[0137] 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。在本发明的描述中，“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。
