该文针对可再生能源消纳和虚拟电厂碳减排的问题,提出了一种基于碳捕集系统(carbon capture and storage,CCS)、电转气(power to gas,P2G)和压缩液态CO_(2)储能(liquid carbon dioxide energy storage,LCES)的虚拟电厂(virtual power pl...该文针对可再生能源消纳和虚拟电厂碳减排的问题,提出了一种基于碳捕集系统(carbon capture and storage,CCS)、电转气(power to gas,P2G)和压缩液态CO_(2)储能(liquid carbon dioxide energy storage,LCES)的虚拟电厂(virtual power plant,VPP)优化调度模型。该模型综合考虑了CCS、P2G和LCES的运行特性,以最大化VPP的碳减排效益和经济效益为目标,通过优化调度VPP内部的可再生能源、储能设备和碳捕集装置,实现了可再生能源的高效利用。提出了一种改进的霜冰优化算法(particle swarm optimizationrime optimization algorithm,PSO-RIME)用以求解VPP调度模型,并通过算例分析去验证所提模型和算法的有效性。结果表明,该模型和算法可以显著提高可再生能源的消纳能力和净收益,降低VPP的碳排放.展开更多
为了有效解决管道泄漏信号难以从复杂背景噪声中分离以及微小泄漏特征提取困难的问题,提出一种基于VMD和ELM的管道微小泄漏工况识别的方法。首先,利用霜冰优化算法RIME改进VMD的关键参数选取,实现VMD的自适应分解。采用VMD分解产生的各...为了有效解决管道泄漏信号难以从复杂背景噪声中分离以及微小泄漏特征提取困难的问题,提出一种基于VMD和ELM的管道微小泄漏工况识别的方法。首先,利用霜冰优化算法RIME改进VMD的关键参数选取,实现VMD的自适应分解。采用VMD分解产生的各阶本征模态函数之间的互信息熵值作为RIME算法参数优化中的适应度函数值,选择最佳的VMD分解参数,建立基于RIME-VMD的管道泄漏信号去噪方法。在此基础上,计算得到的滤波信号的Bubble熵值,实现对管道微小泄漏特征提取的目的。最终,将特征输入到RIME-ELM模型中进行中,实现了4种不同管道工况的识别。实验结果表明,RIMEVMD方法在滤波效果方面表现优异,其信噪比最高,达23.922 d B,说明其滤波后的重构信号中有效信号的占比最大。同时,该方法的平均绝对误差和均方误差分别为0.187和0.056,均为最小值,表明该方法重构信号中的噪声最少。将得到的故障特征向量输入到RIME-ELM模型后,分类准确率达到了95.71%,相比将故障特征向量直接输入ELM模型提高了37.4%,验证了所提出方法的有效性。展开更多
文摘该文针对可再生能源消纳和虚拟电厂碳减排的问题,提出了一种基于碳捕集系统(carbon capture and storage,CCS)、电转气(power to gas,P2G)和压缩液态CO_(2)储能(liquid carbon dioxide energy storage,LCES)的虚拟电厂(virtual power plant,VPP)优化调度模型。该模型综合考虑了CCS、P2G和LCES的运行特性,以最大化VPP的碳减排效益和经济效益为目标,通过优化调度VPP内部的可再生能源、储能设备和碳捕集装置,实现了可再生能源的高效利用。提出了一种改进的霜冰优化算法(particle swarm optimizationrime optimization algorithm,PSO-RIME)用以求解VPP调度模型,并通过算例分析去验证所提模型和算法的有效性。结果表明,该模型和算法可以显著提高可再生能源的消纳能力和净收益,降低VPP的碳排放.
文摘为了有效解决管道泄漏信号难以从复杂背景噪声中分离以及微小泄漏特征提取困难的问题,提出一种基于VMD和ELM的管道微小泄漏工况识别的方法。首先,利用霜冰优化算法RIME改进VMD的关键参数选取,实现VMD的自适应分解。采用VMD分解产生的各阶本征模态函数之间的互信息熵值作为RIME算法参数优化中的适应度函数值,选择最佳的VMD分解参数,建立基于RIME-VMD的管道泄漏信号去噪方法。在此基础上,计算得到的滤波信号的Bubble熵值,实现对管道微小泄漏特征提取的目的。最终,将特征输入到RIME-ELM模型中进行中,实现了4种不同管道工况的识别。实验结果表明,RIMEVMD方法在滤波效果方面表现优异,其信噪比最高,达23.922 d B,说明其滤波后的重构信号中有效信号的占比最大。同时,该方法的平均绝对误差和均方误差分别为0.187和0.056,均为最小值,表明该方法重构信号中的噪声最少。将得到的故障特征向量输入到RIME-ELM模型后,分类准确率达到了95.71%,相比将故障特征向量直接输入ELM模型提高了37.4%,验证了所提出方法的有效性。
