基于改进GSA算法的多能源移动电源车优化配置

传统能源供给模式很难覆盖高原高寒地区的能源孤岛,而多能源移动电源车因其机动灵活、环境适应性强的特点成为较好的解决手段。现有多能源移动电源车尚缺乏针对高原高寒独特背景下的应用研究,且当前研究中的多能源配置算法存在收敛速度慢、易陷入局部最优等问题。本文提出一种基于改进型万有引力算法的多能源配置算法,以多能源移动电源车年经济成本为目标,在万有引力算法的基础上,引入粒子群算法的思想,将个体历史最优和全局最优位置赋权,引入粒子群速度迭代计算,提高粒子群收敛的速度和方向性。依据西藏某地区实际应用算例,该算法在收敛速度和全局搜索能力的优越性得到验证。结果表明,本文设计的移动电源车多能源配置具有更好的经济性,可为高原高寒地区多能源移动电源车的优化配置提供设计依据。

基于EMD-SC和AGSA优化支持向量机的超短期风电功率组合预测

风电功率存在较大的随机性、波动性和相关性,这会对风电并网带来极大的挑战。为提高超短期风电功率预测精度,提出一种基于经验模态分解(empirical mode decomposition,EMD)、谱聚类(spectral clustering,SC)和改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化支持向量机(support vector machine,SVM)参数的超短期风电功率组合预测方法。首先通过经验模态分解对风电原始数据进行去噪处理,剔除不规则的数据;然后应用谱聚类对经验模态分解后的子序列进行聚类分析,再应用改进型引力搜索算法优化支持向量机模型对各个子序列进行预测;最后将各子序列的预测结果相加得到最终预测值。以某风电场的实际数据为算例,仿真研究表明,所提出的组合模型能够提高风电功率预测精度,且预测效果较好,同时也证明了所采用方法的合理性。该方法能够用于风电功率的精确预测。