本公开涉及电网调频，尤其涉及一种考虑历史误差的超容储能容量分配方法及装置。
背景技术：
1、目前，我国风电、光伏装机规模不断扩大，根据国家能源局网站显示，风电、光伏发电量占全社会用电量比重将持续提升。新型电力系统下，电网调频需求显著增加。发电侧，传统发电系统的发电机与电力系统强耦合，能够提供惯量、维持电网频率，当电力系统出现故障时，同步发电机的机械惯量可以提供足够的旋转备用容量以弥补系统功率缺失，避免触及系统低频减载保护。而光伏、风电通过电力电子设备连接至电网，暂态响应速度较快，不具备根据机端频率和电压信号进行自主调节的能力，即惯量支撑、一次调频、主动调压、阻尼能力缺失，因此导致电网频率面临挑战。用电侧，分布式光伏逐步接入电网，新能源车充换电、计算机、通信等新型产业用电量超预期，均导致用电侧功率预测的难度提升，进而导致电网频率波动加剧。
2、现有火电、水电机组调频存在多方面局限性，超容储能参与电力系统调频能够减少火电机组的爬坡损耗,提高电力系统频率的稳定性。根据调频需求采用合适的方法合理分配储能容量,将有利于缩短响应时间，提高系统经济性和稳定性。
技术实现思路
1、本公开实施例提供了一种考虑历史误差的超容储能容量分配方法，用以解决现有的运算复杂、响应时间长的问题。
2、基于上述问题，第一方面，本公开实施例提供一种考虑历史误差的超容储能容量分配方法，包括：
3、获取第一调频信号及分解层数；
4、将所述第一调频信号及分解层数分别输入预先训练的四个不同的预测模型，分别对分解后产生的信号总混叠程度进行预测；其中，所述四个不同的预测模型分别采用不同的神经网络对信号总混叠程度进行预测，以及所述四个不同的预测模型分别基于历史数据中的调频信号、分解层数及混叠程度进行训练得到；
5、将得到的四个预测的总混叠程度依据第一历史误差生成分配系数，并经过综合运算得到综合预测混叠程度；所述第一历史误差为所述四个不同的预测模型预测的历史总混叠程度分别与对应的真实总混叠程度之间的误差；
6、将第二调频信号对应的误差序列输入误差预测模型，得到所述第一调频信号对应的预测误差序列，判断该预测误差序列是否符合预设条件，若符合则对所述综合预测混叠程度进行修正并输出为最终预测结果；其中，所述误差预测模型用于基于相邻两段调频信号中前一段调频信号对应的误差序列对后一段调频信号对应的误差序列进行预测；任一调频信号对应的误差序列为分别采用所述四个不同的预测模型对该任一调频信号的总混叠程度进行预测后得到的总混叠程度与对应真实总混叠程度之间的误差构成的误差序列；所述第二调频信号为所述第一调频信号上一段调频信号；
7、基于所述最终预测结果完成储能容量的分配。
8、结合第一方面，在一种可能的实施方式中，所述四个不同的预测模型分别采用反向传播神经网络bpnn、循环神经网络rnn、长短期记忆网络lstm、递归神经网络elman，以历史数据中对应的调频信号和分解层数为输入，预测总混叠程度为输出，基于总混叠程度的真值分别对每个模型进行训练，得到所述四个不同的预测模型。
9、结合第一方面，在一种可能的实施方式中，所述将得到的四个预测的总混叠程度依据第一历史误差分配系数，并经过综合运算得到综合预测混叠程度，包括：
10、针对每个预测模型，基于历史数据由该预测模型预测的历史预测总混叠程度和历史真实总混叠程度确定误差，得到第一历史误差值；
11、基于每个模型对应的第一历史误差值，通过第一公式得到该模型的分配系数；
12、基于每个模型的分配系数，利用第二公式将四个预测模型分别得到的预测总混叠程度进行综合运算，得到综合预测混叠程度；
13、其中，所述第一公式如下：
14、
15、上述ωi表征第i个模型的分配系数，ci表征第i个模型的第一历史误差，rand(0,1)表征一个在0和1之间的随机数，表征对应模型固有的特质修补函数：
16、
17、上述λ表征修正系数，用于调整函数的总体幅度，ci表征第i个模型的第一历史误差，di表征实际混叠程度，rand(0,1)表征一个在0和1之间的随机数，μmax和μmin分别表征所述调频信号频率的最大值和最小值；
18、所述第二公式如下：
19、
20、上述di表征第i个模型得到的预测总混叠程度，ωi表征第i个模型的分配系数，(ωi)max表征四个模型对应的分配系数中的最大值，(ωi)min表征四个模型对应的分配系数中的最小值。
21、结合第一方面，在一种可能的实施方式中，所述方法还包括：若不符合预设条件，则直接输出所述综合预测模型为最终预测结果。
22、结合第一方面，在一种可能的实施方式中，所述判断该预测误差序列是否符合预设条件，若符合则对所述综合预测混叠程度进行修正并输出为最终预测结果，包括：
23、判断所述预测误差序列是否增大；
24、当所述误差预测模型预测当前误差序列增大时，采用预设补偿算法对所述综合预测混叠程度进行修正，并输出修正后的综合预测混叠程度为最终预测结果。
25、结合第一方面，在一种可能的实施方式中，所述预设补偿算法采用如下方式实现：
26、
27、其中，d'表征修正后的综合预测混叠程度，c(t)表征当前误差预测模型得到的预测误差序列，d表征当前综合预测混叠程度，f(θ)表征模型的泛化修正函数：
28、
29、其中，ci表征第i个模型的第一历史误差，rand(1,1.5)表征一个在1和1.5之间的随机数。
30、第二方面，本公开实施例提供一种考虑历史误差的超容储能容量分配装置，包括：
31、信号获取模块，用于获取第一调频信号及分解层数；
32、综合预测模块，用于将所述第一调频信号及分解层数分别输入预先训练的四个不同的预测模型，分别对分解后产生的信号总混叠程度进行预测；其中，所述四个不同的预测模型分别采用不同的神经网络对信号总混叠程度进行预测，以及所述四个不同的预测模型分别基于历史数据中的调频信号、分解层数及混叠程度进行训练得到；
33、综合运算模块，用于将得到的四个预测的总混叠程度依据第一历史误差生成分配系数，并经过综合运算得到综合预测混叠程度；所述第一历史误差为所述四个不同的预测模型预测的历史总混叠程度分别与对应的真实总混叠程度之间的误差；
34、判断修正模块，用于将第二调频信号对应的误差序列输入误差预测模型，得到所述第一调频信号对应的预测误差序列，判断该预测误差序列是否符合预设条件，若符合则对所述综合预测混叠程度进行修正并输出为最终预测结果；其中，所述误差预测模型用于基于相邻两段调频信号中前一段调频信号对应的误差序列对后一段调频信号对应的误差序列进行预测；任一调频信号对应的误差序列为分别采用所述四个不同的预测模型对该任一调频信号的总混叠程度进行预测后得到的总混叠程度与对应真实总混叠程度之间的误差构成的误差序列；所述第二调频信号为所述第一调频信号上一段调频信号；
35、容量分配模块，用于基于所述最终预测结果完成储能容量的分配。
36、结合第二方面，在一种可能的实施方式中，所述综合预测模块中，四个不同的预测模型分别采用反向传播神经网络bpnn、循环神经网络rnn、长短期记忆网络lstm、递归神经网络elman，以历史数据中对应的调频信号和分解层数为输入，预测总混叠程度为输出，基于总混叠程度的真值分别对每个模型进行训练，得到所述四个不同的预测模型。
37、结合第二方面，在一种可能的实施方式中，所述综合运算模块中，将得到的四个预测的总混叠程度依据第一历史误差分配系数，并经过综合运算得到综合预测混叠程度，包括：
38、针对每个预测模型，基于历史数据由该预测模型预测的历史预测总混叠程度和历史真实总混叠程度确定误差，得到第一历史误差值；
39、基于每个模型对应的第一历史误差值，通过第一公式得到该模型的分配系数；
40、基于每个模型的分配系数，利用第二公式将四个预测模型分别得到的预测总混叠程度进行综合运算，得到综合预测混叠程度；
41、其中，所述第一公式如下：
42、
43、上述ωi表征第i个模型的分配系数，ci表征第i个模型的第一历史误差，rand(0,1)表征一个在0和1之间的随机数，表征对应模型固有的特质修补函数：
44、
45、上述λ表征修正系数，用于调整函数的总体幅度，ci表征第i个模型的第一历史误差，di表征实际混叠程度，rand(0,1)表征一个在0和1之间的随机数，μmax和μmin分别表征所述调频信号频率的最大值和最小值；
46、所述第二公式如下：
47、
48、上述di表征第i个模型得到的预测总混叠程度，ωi表征第i个模型的分配系数，(ωi)max表征四个模型对应的分配系数中的最大值，(ωi)min表征四个模型对应的分配系数中的最小值。
49、结合第二方面，在一种可能的实施方式中，所述装置还包括：若不符合预设条件，则直接输出所述综合预测模型为最终预测结果。
50、结合第二方面，在一种可能的实施方式中，所述判断修正模块中，判断该预测误差序列是否符合预设条件，若符合则对所述综合预测混叠程度进行修正并输出为最终预测结果，包括：
51、判断所述预测误差序列是否增大；
52、当所述误差预测模型预测当前误差序列增大时，采用预设补偿算法对所述综合预测混叠程度进行修正，并输出修正后的综合预测混叠程度为最终预测结果。
53、结合第二方面，在一种可能的实施方式中，所述预设补偿算法采用如下方式实现：
54、
55、其中，d'表征修正后的综合预测混叠程度，c(t)表征当前误差预测模型得到的预测误差序列，d表征当前综合预测混叠程度，f(θ)表征模型的泛化修正函数：
56、
57、其中，ci表征第i个模型的第一历史误差，rand(1,1.5)表征一个在1和1.5之间的随机数。
58、第三方面，一种计算机设备，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第一方面，或者结合第一方面的任一种可能的实施方式所述的考虑历史误差的超容储能容量分配方法的步骤。
59、第四方面，一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面，或者结合第一方面的任一种可能的实施方式所述的考虑历史误差的超容储能容量分配方法的步骤。
60、本公开实施例的有益效果包括：
61、本发明提供了一种考虑历史误差的超容储能容量分配方法及装置，在电厂的实际运行过程中，获取第一调频信号及分解层数并输入预先训练好的四个不同的预测模型，得到四个不同的预测总混叠程度；结合由历史误差得到的分配系数对四个不同的预测总混叠程度进行综合运算，得到综合预测总混叠程度；通过误差预测模型预测本次四个不同预测模型的误差序列是否增大判断，若不增大最直接输出本次综合预测总混叠程度，若增大则对本次综合预测总混叠程度进行修正后输出；根据最终的预测结果完成对调频信号的分配，进而完成超容储能容量的分配。本发明可以使得储能容量分配速度更快，缩短储能设备的响应时间，提高电厂经济效益。
1.一种考虑历史误差的超容储能容量分配方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述四个不同的预测模型分别采用反向传播神经网络bpnn、循环神经网络rnn、长短期记忆网络lstm、递归神经网络elman，以历史数据中对应的调频信号和分解层数为输入，预测总混叠程度为输出，基于总混叠程度的真值分别对每个模型进行训练，得到所述四个不同的预测模型。
3.如权利要求1所述的方法，其特征在于，所述将得到的四个预测的总混叠程度依据第一历史误差分配系数，并经过综合运算得到综合预测混叠程度，包括：
4.如权利要求1所述的方法，其特征在于，还包括：若不符合预设条件，则直接输出所述综合预测模型为最终预测结果。
5.如权利要求1所述的方法，其特征在于，所述判断该预测误差序列是否符合预设条件，若符合则对所述综合预测混叠程度进行修正并输出为最终预测结果，包括：
6.如权利要求5所述的方法，其特征在于，所述预设补偿算法采用如下方式实现：
7.一种考虑历史误差的超容储能容量分配装置，其特征在于，包括：
8.如权利要求7所述的装置，其特征在于，所述综合预测模块中，四个不同的预测模型分别采用反向传播神经网络bpnn、循环神经网络rnn、长短期记忆网络lstm、递归神经网络elman，以历史数据中对应的调频信号和分解层数为输入，预测总混叠程度为输出，基于总混叠程度的真值分别对每个模型进行训练，得到所述四个不同的预测模型。
9.一种计算机设备，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6任一所述的一种考虑历史误差的超容储能容量分配方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任意一项所述的一种考虑历史误差的超容储能容量分配方法的步骤。
