【技术实现步骤摘要】
本专利技术涉及超容储能黑启动，尤其涉及一种超容储能黑启动风功率预测误差控制优化方法。
技术介绍
1、风电预测系统是现代电力系统的重要组成部分，随着风电装机容量的不断增加，准确的风功率预测对于电网稳定运行和电力调度具有重要意义。然而，风电预测存在诸多挑战，包括风速、风向等气象因素的高度不确定性和复杂性。这些因素导致预测模型在实际应用中往往存在较大的误差。传统的预测模型难以同时兼顾不同时间尺度的变化，且在面对不同风况时，预测误差分布不均衡，影响了预测结果的准确性和可靠性。因此，建立一个能够处理多层级误差分布，并能在不同时间段和风况下进行校正的预测模型成为亟待解决的问题。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术旨在解决现有风电预测模型在处理多层级误差分布方面的不足，提供一种能够对预测误差进行层级化处理和校正的方法。具体而言，本专利技术通过建立分层贝叶斯模型，对预测误差进行总体误差分布、不同时间段的误差分布和特定风况下的误差分布的层级化处理，并使用马尔科夫链蒙特卡罗方法或变分推理方法对模型进行求解，从而得到校正后的预测结果。通过该方法，可以有效提高风功率预测的准确性和稳定性，减少预测误差对电网运行和电力调度的影响。
3、为解决上述技术问题，本专利技术提供如下技术方案，一种超容储能黑启动风功率预测误差控制优化方法，包括：
4、收集多模态数据，进行多模态数据预处理，并将预处理后的多模态数据输入多模态变分自编码器模型
5、作为本专利技术所述的超容储能黑启动风功率预测误差控制优化方法的一种优选方案，其中：所述收集多模态数据包括，气象数据、历史风电数据和环境传感器数据；所述气象数据包括风速、风向、气温、湿度；所述历史风电数据包括发电功率、风速记录；所述环境传感器数据包括温度传感器、湿度传感器数据；所述多模态数据预处理包括，进行数据归一化、去噪和补全缺失值，统一数据格式并清洗数据；其中数据归一化处理将不同量纲的数据转换为同一量纲，去噪处理采用低通滤波器和均值滤波器，补全缺失值采用插值法和填充法。
6、作为本专利技术所述的超容储能黑启动风功率预测误差控制优化方法的一种优选方案，其中：所述多模态变分自编码器模型包括编码器、解码器和潜在空间；编码器将多模态数据映射到潜在空间，解码器将潜在空间的表示还原为原始数据；
7、所述生成统一的特征表示包括，构建多模态变分自编码器模型数据融合公式具体如下：
8、；信息过滤函数可以表示为多层卷积神经网络的运算过程，具体为：
9、；
10、其中，为融合后的特征表示，为数据模态的数量，为模态的数据索引，为输入数据，为第i个模态的数据权重矩阵， 为激活函数，为复杂信息过滤函数，为第i个模态中第j个数据的均值，为第i个模态中第j个数据的标准差，为每个模态的数据维度；为时间变量，用于积分运算；为对时间的偏导数，为数据的积分变量，为卷积核的数量，为卷积后的特征，为均值向量，为协方差矩阵，为卷积层数；为第层的卷积核；为第层的输入特征；为第层的偏置；表示卷积操作。
11、作为本专利技术所述的超容储能黑启动风功率预测误差控制优化方法的一种优选方案，其中：所述构建预测模型包括短期预测模型、中期预测模型和长期预测模型，短期预测模型采用长短期记忆网络lstm，中期预测模型采用自回归积分滑动平均模型arima，长期预测模型采用趋势分析方法，并结合小波变换进行多尺度时间序列分析如下：
12、；其中，为多尺度时间序列分析后的预测结果，为时间尺度数量，为第s个时间尺度，为第s个时间尺度的时间范围，为第s个时间尺度中的数据点数，为第s个时间尺度的权重矩阵，为激活函数，为第s个时间尺度的信息过滤函数，为第s个时间尺度的卷积核，为输入数据，为第s个时间尺度中第i个数据点的均值，为第s个时间尺度中第i个数据点的协方差矩阵，为第s个时间尺度的趋势分析函数，为第s个时间尺度下的数据点，为第s个时间尺度的积分变量；外层求和表示对所有时间尺度的预测结果进行求和，确保所有时间尺度的信息都被考虑；内层求和表示在每个时间尺度上对所有数据点进行求和，对所有数据点的信息进行综合；权重矩阵表示每个时间尺度上的权重；指数函数表示数据的高斯分布，用于在特征提取过程中增加非线性变换；激活函数；表示多层卷积神经网络的运算过程，提取数据中信息，其中为卷积层数，为第s个时间尺度第l层的卷积核，为第层的输入特征，为第s个时间尺度第l层的偏置；表示在每个时间尺度上进行趋势分析，其中和为线性趋势的参数；具体展开为：
13、。
14、作为本专利技术所述的超容储能黑启动风功率预测误差控制优化方法的一种优选方案，其中：所述构建预测模型包括，根据预测结果进行分析判断，设时间跨度为t，短期、中期和长期的时间窗为；
15、短期波动率计算：
16、，
17、其中，为短期内预测结果的平均值。中期趋势斜率计算：
18、，
19、其中，为中期时间窗口内时间的平均值，为中期内预测结果的平均值。长期趋势斜率计算：
20、，
21、其中，为长期时间窗口内时间的平均值，为长期内预测结果的平均值。
22、若短期波动率σshort大于阈值σthreshold，且波动频率超出预期，则预测结果反映短期波动；
23、若大于阈值，则预测结果反映中期趋势明显；
24、若大于阈值, 且小于阈值，则预测结果反映长期变化趋势；
25、若σshort、βmedium和均衡，即σshort、βmedium和处于预期范围内，则预测结果反映多尺度信息均衡。
26、作为本专利技术所述的超容储能黑启动风功率预测误差控制优化方法的一种优选方案，其中：所述根据预测结果进行分析判断包括，若短期波动率σshort大于阈值σthreshold，且波动频率超出预期，则持续进行实时数据监控，增加传感器的数量和数据采集频率；当检测到超出预期的频率波动时，数据采集频率提高至每分钟或每秒，并建立快速响应机制，包括自动调整系统参数和手动干预；当预测波动超过预设阈值时，自动调整风电机组的输出功率和超容储能系统的充放电速率，同时通知运维人员进行现场检查；若短期波动持续加剧，则优化短期预测模型lstm，通过引入新的实时数据和重复训练提高模型的响应能力；当优化完成后，将新模型部署到实时监控系统中，定期评估模型性能并进行调整；若短期波动仍超过阈值，则触发报警系统，并设置多级报警机制，根据波动程度通本文档来自技高网...
【技术保护点】
1.一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：包括，
2.如权利要求1所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述收集多模态数据包括，气象数据、历史风电数据和环境传感器数据；所述气象数据包括风速、风向、气温、湿度；所述历史风电数据包括发电功率、风速记录；所述环境传感器数据包括温度传感器、湿度传感器数据；
3.如权利要求2所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述多模态变分自编码器模型包括编码器、解码器和潜在空间；编码器将多模态数据映射到潜在空间，解码器将潜在空间的表示还原为原始数据；
4.如权利要求3所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述构建预测模型包括短期预测模型、中期预测模型和长期预测模型，短期预测模型采用长短期记忆网络LSTM，中期预测模型采用自回归积分滑动平均模型ARIMA，长期预测模型采用趋势分析方法，并结合小波变换进行多尺度时间序列分析如下：
5.如权利要求4所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述
6.如权利要求5所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述根据预测结果进行分析判断包括，若短期波动率σshort大于阈值σthreshold，且波动频率超出预期，则持续进行实时数据监控，增加传感器的数量和数据采集频率；当检测到超出预期的频率波动时，数据采集频率提高至每分钟或每秒，并建立快速响应机制，包括自动调整系统参数和手动干预；当预测波动超过预设阈值时，自动调整风电机组的输出功率和超容储能系统的充放电速率，同时通知运维人员进行现场检查；若短期波动持续加剧，则优化短期预测模型LSTM，通过引入新的实时数据和重复训练提高模型的响应能力；当优化完成后，将新模型部署到实时监控系统中，定期评估模型性能并进行调整；若短期波动仍超过阈值，则触发报警系统，并设置多级报警机制，根据波动程度通知不同级别的运维人员；当报警系统启动时，自动记录对应数据，并提供波动分析报告，供运维人员参考；
7.如权利要求6所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述构建孪生网络进行相似度学习包括，孪生网络由两部分相同的神经网络组成，输入两个不同的样本，输出相似度，孪生网络通过对比学习的方式训练，输入正样本对和负样本对，以最小化正样本对的距离和最大化负样本对的距离：
8.如权利要求7所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述分层贝叶斯模型包括多层级误差分布，分层结构包括总体误差分布、不同时间段的误差分布和已标记风况下的误差分布，利用马尔科夫链蒙特卡罗方法或变分推理方法对模型进行求解，马尔科夫链蒙特卡罗方法包括使用随机抽样技术，对贝叶斯模型进行参数估计，以及通过变分推理方法优化变分下界，对贝叶斯模型进行近似推理，公式如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的一种超容储能黑启动风功率预测误差控制优化方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的一种超容储能黑启动风功率预测误差控制优化方法的步骤。
...【技术特征摘要】
1.一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：包括，
2.如权利要求1所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述收集多模态数据包括，气象数据、历史风电数据和环境传感器数据；所述气象数据包括风速、风向、气温、湿度；所述历史风电数据包括发电功率、风速记录；所述环境传感器数据包括温度传感器、湿度传感器数据；
3.如权利要求2所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述多模态变分自编码器模型包括编码器、解码器和潜在空间；编码器将多模态数据映射到潜在空间，解码器将潜在空间的表示还原为原始数据；
4.如权利要求3所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述构建预测模型包括短期预测模型、中期预测模型和长期预测模型，短期预测模型采用长短期记忆网络lstm，中期预测模型采用自回归积分滑动平均模型arima，长期预测模型采用趋势分析方法，并结合小波变换进行多尺度时间序列分析如下：
5.如权利要求4所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述构建预测模型包括，根据预测结果进行分析判断，设时间跨度为t，短期、中期和长期的时间窗为；
6.如权利要求5所述的一种超容储能黑启动风功率预测误差控制优化方法，其特征在于：所述根据预测结果进行分析判断包括，若短期波动率σshort大于阈值σthreshold，且波动频率超出预期，则持续进行实时数据监控，增加传感器的数量和数据采集频率；当检测到超出预期的频率波动时，数据采集频率提高至每分钟或每秒，并建立快速响应机制，包括自动调整系统参数和手动干预；当预测波动超过预设阈值时，自动调整风电机组的输...
【专利技术属性】
技术研发人员：李志鹏，杨甲铭，王华卫，严弢，邱逢涛，赵亚东，罗威，李诗林，
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。