针对购买、维护光伏发电和储能设备会产生大量经济性成本,同时在部分天气情况下不充足的光照条件给光伏制氢储能系统的运行带来挑战的问题,提出了一种基于改进的多目标灰狼优化(Improved Grey Wolf Optimization,IGWO)算法的光伏制氢储...针对购买、维护光伏发电和储能设备会产生大量经济性成本,同时在部分天气情况下不充足的光照条件给光伏制氢储能系统的运行带来挑战的问题,提出了一种基于改进的多目标灰狼优化(Improved Grey Wolf Optimization,IGWO)算法的光伏制氢储能系统配置优化方法。对系统进行建模,增设两种储能设备以保证系统的稳定运行。IGWO算法使用混沌理论进行种群的初始化,使种群更彻底地搜索解空间;对狼群位置的更新使用莱维轨迹进行扰动以扩大搜索范围,使算法不易陷入局部最优点;使用贪婪策略更新个体的位置。以降低光伏制氢储能系统的经济性成本、弃光惩罚成本和购电成本为优化目标,使用该优化算法求解系统各组件的配置容量。算例分析结果表明,IGWO算法相较于原始方法可更加有效地降低光伏制氢储能系统的经济性成本、弃光率和购电率。展开更多
为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。展开更多
文摘为了同时优化质子交换膜燃料电池(proton exchange membrane fuel cells,PEMFC)系统的效率和输出功率,文章首先建立PEMFC系统的机理模型,并分析系统效率和输出功率特性;其次针对传统灰狼算法(grey wolf optimizer,GWO)的初始化种群不均匀和易出现早熟收敛的问题,引入佳点集种群初始化策略和非线性收敛因子策略,并由此提出一种改进多目标灰狼优化算法(multi-objective grey wolf optimizer,MOGWO),有效改善了灰狼算法的搜索精度和收敛性能;然后针对改进多目标灰狼优化算法求得的Pareto最优解集,使用TOPSIS评价法得出逼近理想解的最佳解,确定PEMFC系统的最佳运行条件;最后对所提出的MOGWO算法进行仿真验证,结果表明该算法能够有效提高PEMFC系统在实际运行中的输出功率和系统效率。
文摘针对购买、维护光伏发电和储能设备会产生大量经济性成本,同时在部分天气情况下不充足的光照条件给光伏制氢储能系统的运行带来挑战的问题,提出了一种基于改进的多目标灰狼优化(Improved Grey Wolf Optimization,IGWO)算法的光伏制氢储能系统配置优化方法。对系统进行建模,增设两种储能设备以保证系统的稳定运行。IGWO算法使用混沌理论进行种群的初始化,使种群更彻底地搜索解空间;对狼群位置的更新使用莱维轨迹进行扰动以扩大搜索范围,使算法不易陷入局部最优点;使用贪婪策略更新个体的位置。以降低光伏制氢储能系统的经济性成本、弃光惩罚成本和购电成本为优化目标,使用该优化算法求解系统各组件的配置容量。算例分析结果表明,IGWO算法相较于原始方法可更加有效地降低光伏制氢储能系统的经济性成本、弃光率和购电率。
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
