针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动...针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动检测方法。针对VMD方法参数难确定的问题,利用天牛须搜索(Beetleantennaesearch,BAS)对VMD方法的最佳参数进行优化搜索。搜索过程以VMD分解后各本征模函数的包络熵极小值与VMD迭代次数的结合作为适应度函数。根据搜索结果设定VMD方法的最佳分解层数K和惩罚因子α,并运用参数优化VMD对扰动信号进行分解。针对扰动信号经分解后本征模函数的筛选问题,以包络熵为指标,选取包络熵较小值的本征模函数进行TEO解调分析,提取扰动信号的特征信息。仿真结果表明,融合算法能实现对微电网电能质量扰动的准确检测,并具有良好的抗噪性。展开更多
多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超...多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。展开更多
文摘针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动检测方法。针对VMD方法参数难确定的问题,利用天牛须搜索(Beetleantennaesearch,BAS)对VMD方法的最佳参数进行优化搜索。搜索过程以VMD分解后各本征模函数的包络熵极小值与VMD迭代次数的结合作为适应度函数。根据搜索结果设定VMD方法的最佳分解层数K和惩罚因子α,并运用参数优化VMD对扰动信号进行分解。针对扰动信号经分解后本征模函数的筛选问题,以包络熵为指标,选取包络熵较小值的本征模函数进行TEO解调分析,提取扰动信号的特征信息。仿真结果表明,融合算法能实现对微电网电能质量扰动的准确检测,并具有良好的抗噪性。
文摘多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。
