本发明专利技术公开了基于运算改进型VMD的超级电容储能调频并网方法及系统，属于风速预测技术领域，包括以下步骤：利用变分模态分解方法分解原始风速时间序列得到若干子序列；对每个子序列进行幅角化处理得到每个子序列的振幅表示形式；对所有子序列的振幅表示形式通过独立运算计算得到独立值；递增变分模态分解的分解层数，重复以上步骤，记录每次循环得到的独立值；比较得到所有独立值中的最大独立值，将最大独立值对应的子序列作为最优子序列；将最优子序列输入预测神经网络中进行预测得到预测结果，将预测结果相加得到超容储能并网的风速预测结果。本发明专利技术能够提高预测精度、增强模型鲁棒性、促进超容储能的合理利用以及提升并网稳定性。
【技术实现步骤摘要】
本专利技术属于风速预测，具体涉及基于运算改进型vmd的超级电容储能调频并网方法及系统。
技术介绍
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、然而传统的预测方法一般是采用vmd（variational mode decomposition，变分模态分解）对原始数据进行分解，然后放入神经网络进行预测，但是现有的变分模态分解存在分解后的子序列还互相相关的问题，就是经过vmd分解后的子序列彼此之间的相关性较高，子序列之间彼此不够独立，把彼此不够独立的子序列放入神经网络预测会导致预测结果不准确的问题。
技术实现思路
1、本专利技术的目的在于克服现有的变分模态分解存在分解后的子序列还互相相关的问题，提出了基于运算改进型vmd的超级电容储能调频并网方法及系统。
2、为达到上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供基于运算改进型vmd的超级电容储能调频并网方法，包括以下步骤：
4、s1、利用变分模态分解方法分解原始风速时间序列得到若干子序列；
<
p>5、s2、对每个子序列进行幅角化处理得到每个子序列的振幅表示形式；6、s3、对所有子序列的振幅表示形式通过独立运算计算得到独立值；
7、s4、返回s1，递增变分模态分解的分解层数，重复s1-s3步骤，记录每次循环得到的独立值，直至变分模态分解的分解层数到达最大；
8、s5、比较得到所有独立值中的最大独立值，将最大独立值对应的子序列作为最优子序列；
9、s6、将最优子序列输入预测神经网络进行预测得到预测结果，将预测结果相加得到超容储能并网的风速预测结果。
10、进一步地，所述若干子序列的个数为大于等于4的偶数个。
11、进一步地，所述幅角化处理的方法为：
12、
13、
14、
15、其中，分别为第1,2,3，…，
k个子序列的振幅表示形式，为第
i个子序列的振幅表示形式的大小，为子序列中的元素，为第
i个子序列的振幅表示形式的角度，
k为子序列个数，
n为子序列中的元素个数，
i为中间变量，arccos（）为反余弦函数，∠表示角的度量。
16、进一步地，所述独立运算为：
17、
18、
19、其中，为独立值，为第i个独立序列，为独立规则，为第2i-1个子序列的振幅表示，为第2i个子序列的振幅表示，
k为子序列个数，
i为中间变量。
20、进一步地，所述独立运算规则具体为：
21、
22、
23、||=
24、其中，为第
i个独立序列，||为第
i个独立序列的大小，为第2
i-1个子序列，为第2
i-1个子序列的振幅表示，为第2
i-1个子序列中的元素，为第2
i-1个子序列的振幅表示的角度，为第2
i个子序列，第2
i个子序列的振幅表示，为第2
i个子序列中的元素，为第2
i个子序列的振幅表示的角度。
25、进一步地，所述独立序列的方向表示具体为：
26、垂直于和形成的平面；
27、当a2i-1＞a2i时，垂直于和形成的平面朝上；
28、当a2i-1＜a2i时，垂直于和形成的平面朝下。
29、进一步地，所述递增变分模态分解的分解层数是分解层数加2。
30、第二方面，本专利技术提供基于运算改进型vmd的超级电容储能调频并网系统，使用所述的基于运算改进型vmd的超级电容储能调频并网方法，包括：
31、变分模态分解序列模块，用于利用变分模态分解方法分解原始风速时间序列得到若干子序列；
32、幅角化处理模块，用于对每个子序列进行幅角化处理得到每个子序列的振幅表示形式；
33、独立运算模块，用于对所有子序列的振幅表示形式通过独立运算规则计算得到独立值；
34、递增循环模块，用于递增变分模态分解的分解层数，记录每次循环得到的独立值，直至变分模态分解的分解层数到达最大；
35、最优子序列得到模块，用于比较得到所有独立值中的最大独立值，将最大独立值对应的子序列作为最优子序列；
36、风速预测结果得到模块，用于将最优子序列输入预测神经网络中进行预测得到预测结果，将预测结果相加得到超容储能并网的风速预测结果。
37、第三方面，本专利技术提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于运算改进型vmd的超级电容储能调频并网方法。
38、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于运算改进型vmd的超级电容储能调频并网方法。
39、与现有技术相比，本专利技术具有以下有益的技术效果：
40、本专利技术提出的基于运算改进型vmd的超级电容储能调频并网方法，将原始风速时间序列分解为多个不同频率和振幅的模态分量即子序列，反映了风速数据在不同时间尺度上的特征，更精细地捕捉风速的波动性和趋势性，对不同类型的风速数据都具有较好的适应性，即使面对复杂多变的风速环境，也能保持较高的预测精度，通过将风速序列分解为多个子序列进行预测，即使某个子序列受到外部干扰或异常值的影响，也不会对整个预测结果造成太大的影响，从而增强了模型的抗干扰能力，通过选择独立程度最高的层数进行分解，可以确保用于预测的子序列包含尽可能多的有用信息，从而减少预测误差。独立性高的子序列对噪声和异常值的敏感度较低，因此基于这些子序列构建的预测更加鲁棒。相比于直接对原始信号进行预测，先通过信号分解选择独立程度高的子序列可以显著降低计算复杂度。该方法能够处理非线性、非平稳的风速时间序列，对不同类型的风本文档来自技高网
...
【技术保护点】
1.基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述若干子序列的个数为大于等于4的偶数个。
3.根据权利要求1所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述幅角化处理的方法为：
4.根据权利要求1所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述独立运算为：
5.根据权利要求4所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述独立运算规则具体为：
6.根据权利要求4所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述独立序列的方向表示具体为：
7.根据权利要求1所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，所述递增变分模态分解的分解层数是指分解层数加2。
8.基于运算改进型VMD的超级电容储能调频并网系统，使用权利要求1-7任一项中所述的基于运算改进型VMD的超级电容储能调频并网方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项中所述的基于运算改进型VMD的超级电容储能调频并网方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项中所述的基于运算改进型VMD的超级电容储能调频并网方法。
...
【技术特征摘要】
1.基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，所述若干子序列的个数为大于等于4的偶数个。
3.根据权利要求1所述的基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，所述幅角化处理的方法为：
4.根据权利要求1所述的基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，所述独立运算为：
5.根据权利要求4所述的基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，所述独立运算规则具体为：
6.根据权利要求4所述的基于运算改进型vmd的超级电容储能调频并网方法，其特征在于，所述独立序列的方向表示具体为：
7.根...
【专利技术属性】
技术研发人员：李志鹏，张宇翼，马益文，寇水潮，王小辉，康祯，
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。