为解决风力发电直接并网所产生的功率波动问题,提出了一种基于改进阿基米德优化算法融合自适应噪声完全集合经验模态分解(complete ensemble EMD with adaptive noise,CEEMDAN)的容量配置方法。采用由限幅与滑动平均结合的加权滤波算法...为解决风力发电直接并网所产生的功率波动问题,提出了一种基于改进阿基米德优化算法融合自适应噪声完全集合经验模态分解(complete ensemble EMD with adaptive noise,CEEMDAN)的容量配置方法。采用由限幅与滑动平均结合的加权滤波算法平滑风电出力,同时减小平滑结果的滞后性,得到风电并网功率和混合储能系统(hybrid energy storage system,HESS)参考功率。为了合理分配HESS的内部功率,借助CEEMDAN分解HESS的参考功率,得到高低频分量。综合考虑HESS功率和容量、荷电状态(state of charge,SOC)与负荷缺点率等因素,构建以年综合成本最小为目标的容量优化配置模型并采用改进阿基米德优化算法求解。基于实际算例进行仿真分析,结果表明,与原始风电并网相比,HESS配置方案将波动率减少了13.538%,平滑度提高了16.057%。相较于传统单一储能平抑效果更加明显,减少了容量配置。同时,对比传统阿基米德优化算法节省了15.325%的投资成本。展开更多
消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函...消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。展开更多
文摘为解决风力发电直接并网所产生的功率波动问题,提出了一种基于改进阿基米德优化算法融合自适应噪声完全集合经验模态分解(complete ensemble EMD with adaptive noise,CEEMDAN)的容量配置方法。采用由限幅与滑动平均结合的加权滤波算法平滑风电出力,同时减小平滑结果的滞后性,得到风电并网功率和混合储能系统(hybrid energy storage system,HESS)参考功率。为了合理分配HESS的内部功率,借助CEEMDAN分解HESS的参考功率,得到高低频分量。综合考虑HESS功率和容量、荷电状态(state of charge,SOC)与负荷缺点率等因素,构建以年综合成本最小为目标的容量优化配置模型并采用改进阿基米德优化算法求解。基于实际算例进行仿真分析,结果表明,与原始风电并网相比,HESS配置方案将波动率减少了13.538%,平滑度提高了16.057%。相较于传统单一储能平抑效果更加明显,减少了容量配置。同时,对比传统阿基米德优化算法节省了15.325%的投资成本。
文摘消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。
