【技术实现步骤摘要】
本公开涉及电网调频，尤其涉及一种基于超容储能的预测混叠程度误差修正方法及装置。
技术介绍
1、目前我国各大区域电网中，主要以大型水电和火电机组(燃煤机组/燃气机组)作为电网调频电源。通过调整调频电源出力来响应系统频率变化。但水电及火电机组在调频方面具有一定的局限性。近些年，风电、太阳能等新能源发电占比增加导致大量的火电机组长期承担繁重的agc调节任务，造成了发电煤耗增高、设备磨损严重等一系列负面影响。现有电力调频资源已难以满足可再生能源入网需求。而超级电容参与的混合储能系统对于一次调频协调控制，通过对典型工况划分，依据优化决策模块实现频率偏差到功率的转换，通过pcs系统控制模块实现超级电容储能系统的充/放电控制，最终辅助传统发电机组完成一次调频过程。在额定功率范围内，都可以在1s内以99％以上的精度完成指定功率的输出，其综合响应能力完全满足在agc调频的时间尺度内的功率变换需求，大幅超过常规火电厂的调节能力。系统的调节需求越紧迫，这种技术的优势越明显。
2、基于上述超级电容储能的混合储能系统，通常采用vmd(variational modedecomposition)算法等实现调频信号的分配。vmd是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(imf)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分
技术实现思路
1、本公开实施例提供了一种基于超容储能的预测混叠程度误差修正方法及装置，用以解决现有的预测模型预测混叠程度误差大的问题。
2、基于上述问题，第一方面，提供一种基于超容储能的预测混叠程度误差修正方法，包括：
3、获取原始调频信号并确定分解层数；
4、将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度，对所述预测混叠程度进行修正，并确定对应的比值修正误差序列和差值修正误差序列；
5、将所述比值修正误差序列和差值修正误差序列分别进行归一化，得到对应比值修正误差归一化序列和差值修正误差归一化序列，确定较小的修正误差归一化序列对应的目标修正值；
6、确定所述目标修正值对应的修正序列，并确定该修正序列的稳定性是否符合预设条件，若符合则输出该目标修正值，若不符合则利用对应的修正误差序列对该目标修正值进行修正得到修正后的修正值并输出。
7、结合第一方面，在一种可能的实施方式中，所述将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度，对所述预测混叠程度进行修正，并确定对应的比值修正误差序列和差值修正误差序列，包括：
8、将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度；
9、利用比值修正系数和差值修正系数分别对所述预测混叠程度进行修正得到比值修正值和差值修正值；
10、针对所述比值修正值和差值修正值，结合所述分解层数分别对对应的调频信号进行反向预测，得到对应的比值反向预测信号和差值反向预测信号；
11、将所述比值反向预测信号和所述差值反向预测信号分别与原始调频信号作差得到比值修正误差序列和差值修正误差序列。
12、结合第一方面，在一种可能的实施方式中，所述比值修正系数为历史预测值和历史真实值的比值，所述差值修正系数为预测调频信号和原始调频信号之间的差值。
13、结合第一方面，在一种可能的实施方式中，所述预测模型采用循环神经网络模型，以调频信号和分解层数为输入，混叠程度为输出，将历史数据输入模型进行训练得到所述预测模型。所述反向预测模型与所述预测模型类似采用循环神经网络模型，以混叠程度和分解层数为输入，调频信号为输出，将数据输入模型进行训练得到所述反向预测模型。
14、结合第一方面，在一种可能的实施方式中，
15、所述确定较小的修正误差归一化序列对应的目标修正值，包括：
16、将所述比值修正误差归一化序列中的值求和平均，得到对应比值修正误差值；
17、将所述差值修正误差归一化序列中的值求和平均，得到对应差值修正误差值；
18、对所述比值修正误差值和差值修正误差值进行比较，得到其中的较小值，并确定其对应的较小的修正误差归一化序列；
19、基于所述较小的修正误差归一化序列，确定其对应的目标修正值。
20、结合第一方面，在一种可能的实施方式中，所述确定所述目标修正值对应的修正序列，并确定该修正序列的稳定性是否符合预设条件，若符合则输出该目标修正值，若不符合则利用对应的修正误差序列对该目标修正值进行修正得到修正后的修正值并输出，包括：
21、基于所述目标修正值确定其对应的比值修正序列或差值修正序列；
22、确定所述比值修正序列或差值修正序列的稳定性，并与预设值进行比较；
23、若所述比值修正序列或差值修正序列的稳定性大于预设值，则输出该比值修正序列或差值修正序列对应的修正值；
24、若所述比值修正序列或差值修正序列的稳定性不大于预设值，则基于目标修正值对应的比值修正误差或差值修正误差对该目标修正值进行修正，得到修正后的修正值并输出。
25、结合第一方面，在一种可能的实施方式中，采用下式确定所述修正序列的稳定性：
26、
27、其中，ωmed表征修正序列中的中位数，ωmax表征修正序列中的最大值。
28、结合第一方面，在一种可能的实施方式中，采用下式对修正值进行修正，得到所述修正后的修正值：
29、
30、其中，αj表征当前修正值，(αi)max表征修正序列中的最大值，(αi)min表征修正序列中的最小值，当j＝a时，αa表征通过比值修正所得的修正值，当j＝b时，αb表征通过差值修正所得的修正值。
31、第二方面，提供一种基于超容储能的预测混叠程度误差修正装置，包括：
32、信号获取模块，用于获取原始调频信号并确定分解层数；
33、修正模块，用于将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度，对所述预测混叠程度进行修正，并确定对应的比值修正误差序列和差值修正误差序列；
34、归一化模块，用于将所述比值修正误差序列和差值修正误差序列分别进行归一化，得到对应比值修正误差归一化序列和差值修正误差归一化序列，确定本文档来自技高网...
【技术保护点】
1.一种基于超容储能的预测混叠程度误差修正方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度，对所述预测混叠程度进行修正，并确定对应的比值修正误差序列和差值修正误差序列，包括：
3.如权利要求2所述的方法，其特征在于，所述比值修正系数为历史预测值和历史真实值的比值，所述差值修正系数为预测调频信号和原始调频信号之间的差值。
4.如权利要求1所述的方法，其特征在于，所述预测模型采用循环神经网络模型，以调频信号和分解层数为输入，混叠程度为输出，将历史数据输入模型进行训练得到所述预测模型；
5.如权利要求1所述的方法，其特征在于，所述确定较小的修正误差归一化序列对应的目标修正值，包括：
6.如权利要求1所述的方法，其特征在于，所述确定所述目标修正值对应的修正序列，并确定该修正序列的稳定性是否符合预设条件，若符合则输出该目标修正值，若不符合则利用对应的修正误差序列对该目标修正值进行修正得到修正后的修正值并输出，包括：
7.如权利要求
8.如权利要求6所述的方法，其特征在于，采用下式对修正值进行修正，得到所述修正后的修正值：
9.一种基于超容储能的预测混叠程度误差修正装置，其特征在于，包括：
10.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的基于超容储能的预测混叠程度误差修正方法的步骤。
...【技术特征摘要】
1.一种基于超容储能的预测混叠程度误差修正方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，将所述原始调频信号和分解层数输入预测模型中得到该分解层数下的预测混叠程度，对所述预测混叠程度进行修正，并确定对应的比值修正误差序列和差值修正误差序列，包括：
3.如权利要求2所述的方法，其特征在于，所述比值修正系数为历史预测值和历史真实值的比值，所述差值修正系数为预测调频信号和原始调频信号之间的差值。
4.如权利要求1所述的方法，其特征在于，所述预测模型采用循环神经网络模型，以调频信号和分解层数为输入，混叠程度为输出，将历史数据输入模型进行训练得到所述预测模型；
5.如权利要求1所述的方法，其特征在于，所述确定较小的修正误差归一化序列对应的目标修正值，包括：
6.如权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：吴剑，程源，孙茂祥，关日新，李志鹏，王华卫，
申请(专利权)人：华能太仓发电有限责任公司，
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。