基于PBES-LS-SVM的锂离子电池组SOC预测

针对锂离子电池组荷电状态(state of charge,SOC)难以预测的问题,提出应用主成分分析(principal component analysis,PCA)选取影响因素和秃鹰算法(bald eagle search,BES)优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的SOC预测模型。首先,采用PCA筛选出主成分特征值较大的因素后,将其组成多输入样本集合;其次,利用秃鹰搜索算法的全局搜索能力不断优化最小二乘支持向量机的惩罚系数C、核函数g,建立PBESLS-SVM预测模型;最后,应用某储能设备历史数据,采用GA-BP、BES-SVM和PBES-LS-SVM等模型分别对锂离子电池组的完整放电过程数据集与部分放电过程数据集进行仿真研究。结果表明,提出的模型SOC预测均方根误差、平均绝对误差、平均绝对百分比误差分别减小至1.79%、1.30%和3.39%。与其余预测模型相比,PBES-LS-SVM模型预测精度高、预测时间短,具备良好的收敛性、泛化性。     

考虑运行状态信息的综合能源系统图强化学习优化调度

“双碳”背景下,异质能源的耦合加剧迫使综合能源系统(integrated energy system, IES)拓扑朝着更复杂、更灵活的方向不断演变。然而,现有优化调度方法对非欧网络拓扑知识及其异质潮流约束考虑不足。针对这一问题,提出一种基于图强化学习的综合能源系统优化调度方法。首先,基于图理论在保证节点多样状态的情况下,将异质能源网络拓扑转换为网络图模型。其次,通过建立基于真实图映射的状态-动作-奖励的框架,利用图强化学习的方法学习图模型的非欧拓扑信息,将异质潮流知识加入系统节点运行状态,从而实现IES的安全优化调度。最后,利用某工业园区的真实数据进行仿真验证,所提方法相对于传统方法有效缓解了节点电压越限的问题。结果表明,所提方法能够在考虑IES真实拓扑运行状态信息和异质潮流安全的情况下实现IES的优化调度。     

基于复调制细化和Adaline网络的谐波检测方法

针对传统快速傅里叶变换（FFT）与自适应线性（Adaline）神经网络结合的谐波检测方法中,存在难以辨识频率相近谐波的问题,提出一种改进方法。首先,利用复调制频谱细化对快速傅里叶变换后的频谱峰值进行细化,确定谐波的个数和大致频率。其次,将所得谐波个数和大致频率代入Adaline神经网络中进行训练,获得准确的谐波幅值、频率和相位。最后,利用不同谐波算例对所提方法进行仿真验证。所提方法均能准确检测出各算例中的谐波个数、频率、幅值和相位,误差均保持在小数点后三位,且用时较短。结果表明,该方法可以有效解决整数次谐波附近的精细化辨识问题,准确率高且时效性好,并具备一定的自动化程度。     

基于UGOA-BP的锂电池SOC估算

电池荷电状态(SOC)的精确估算是储能设备安全运行的关键,本工作提出一种基于均匀分布策略改进的蝗虫优化算法和BP神经网络(UGOA-BP)的联合算法,在标准蝗虫优化算法(GOA)的基础上,引入了均匀分布函数,更新了非线性控制参数c,构建了新的随机调整机制,扩大了算法搜索范围,打破了局部开发受限的局面.同时,又受粒子群算...     

基于复杂网络演化博弈的可再生能源技术扩散仿真分析

“双碳”目标下,风光等可再生能源逐步替代煤等传统化石能源是实现电力系统能源转型的必然趋势,开展可再生能源技术扩散研究是模拟分析这一趋势的重要手段。然而,现有可再生能源技术扩散研究多从总体层面关注宏观扩散模型,忽略了发电商群体内部微观复杂博弈过程及相互作用对宏观扩散影响的复杂性。针对该问题,该文基于系统科学与博弈论视角,以发电商群体社会关系构建复杂网络,以不完全信息有限理性特征开展演化博弈。从发电商个体发电策略更新到发电商群体关系演化的逻辑,由点到面地分析可再生能源技术扩散的动态演化过程。基于两种典型复杂网络场景开展仿真,剖析发电商群体关系、政策标准以及市场价格等众多因素对可再生能源技术扩散演化的影响。算例结果既可为政府引导可再生能源技术在发电企业扩散方面提供理论支撑,亦可为演化博弈理论在能源行业中的广泛应用提供有益的借鉴。     

教学建筑室内火灾应急疏散路径寻优算法研究

为解决建筑内人员疏散模拟时间长、效率低、无法根据火灾情况改变疏散方向的问题,提出一种新型的混合路径规划算法。首先,在A*算法中加入奖惩机制并对启发函数进行改进。其次,通过改进斥力函数解决人工势场算法易陷入局部极小值的问题。最后,将两种算法组合,构成一种混合路径规划算法。通过对某教学建筑应用BIM和PyroSim软件进行建模与分析,验证混合路径规划算法的可行性。结果表明,所提算法不仅能够快速找到最优疏散路径,还可以避免疏散路径经过危险区域。与单一算法相比,混合路径规划算法遍历节点个数更少,路径平滑性与路径规划效果更好,路径规划效率更高。