基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测

为提高风电功率预测精度,提出基于自适应二次模态分解(QMD)、卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的超短期风电功率预测模型。针对风电功率的波动性,利用改进的完全自适应噪声集成经验模态分解方法(ICEEMDAN)对风电功率数据进行分解。引入麻雀搜索算法(SSA)对变分模态分解(VMD)的分解数量与惩罚因子进行优化,使VMD具有自适应性。将ICEEMDAN分解得到的高频分量I_(1)用SSA-VMD进行第二次分解,降低序列不平稳度。同时,构建包含2层池化层的CNN网络进行特征提取与BiLSTM网络的超短期预测模型,最终的风电功率即为各子序列预测结果之和。通过算例分析进行实验表明,所提风电功率预测方法的预测精度优于其他模型,验证了预测模型的优越性。

基于PEMFC-P2G与风光不确定的综合能源系统优化调度

以氢气为主要燃料的质子交换膜燃料电池是一种良好的清洁能源利用介质,为应对“双碳目标”的挑战,提出基于质子交换膜燃料电池与电转气(P2G)混合储能并考虑系统中风电、光伏出力不确定性因素的综合能源系统模型。首先,对膜燃料电池进行精细化建模分析;其次,对风电、光伏等新能源采取基于小波变换-神经网络的短期预测;最后,建立包含设备运行维护成本、实时电价政策的外购能源等经济成本以及碳惩罚成本的最小优化目标的混合整数线性规划模型,且以系统安全稳定运行为约束。某园区的算例分析结果表明,所提出的考虑新能源出力与PEMFC-P2G混合储能优化模型能有效降低运行成本、减少碳排放,具有良好的经济性与环保性。