基于人员轨迹的空间和时间特征，预测并预警地铁换乘站大客流的方法

《Expert Systems with Applications》：Prediction and warning method for large passenger flow in metro transfer stations based on spatial and temporal characteristics of personnel trajectories

微电网中可再生能源整合面临设备可靠性和出力波动挑战，本研究提出光伏-风电-固态氧化物燃料电池储能混合系统优化方案，采用灰狼优化改进机器学习算法实现成本最小化和可靠性最大化，仿真表明该系统总净现成本1342万英镑，可靠性达0.00612%，优于传统方法。

　　将可再生能源整合到微电网中是一种应对能源生成波动和电力需求变化的有效策略。然而，设计一个理想且可靠的能源管理系统仍然是一个挑战，因为可再生能源输出的不确定性以及设备的可靠性问题相当显著。本文提出了一种优化配置和管理策略，用于连接混合光伏-风力发电系统与混合固体氧化物燃料电池（SOFC）储能系统的微电网。该模型通过负载损失概率指数来整合设备停机率和可靠性约束。为了应对这一问题，采用了基于灰狼优化算法的机器学习方法，这种方法相较于传统算法表现出更快的收敛速度和更高的精度。研究者进行了模拟场景，其中考虑了设备故障的问题。根据所获得的结果，作者观察到忽略设备停机率会导致成本的低估和可靠性的高估。在所有测试的组合中，光伏-风力-储能系统表现最佳，其总净现值成本为134.2万英镑，可靠性值为0.00612%。所提出的储能系统克服了基于能量和基于功率的储能技术的局限性，具有更高的适应性和更强的韧性。总体而言，这项研究支持了这样一个观点，即现实的系统行为和先进的优化技术在提升小型电网应用中混合可再生能源系统的成本效率和可靠性方面起着至关重要的作用。

在微电网系统中，可再生能源如太阳能、风能、地热能、氢能和生物质能，以及化石燃料如石油和天然气，都是广泛存在的资源。许多国家拥有丰富的石油和天然气储量，因此应发展替代能源，而不是完全依赖化石燃料。近年来，利用可再生能源的重要性日益增加。鉴于许多国家地区的分布特性，采用分布式、无需接入主电网的系统，以从可再生能源中发电，为偏远地区提供电力是一种可行的选择。然而，使用这类资源的主要困难在于其输出的不可预测性和较高的投资成本。在此背景下，各种可再生能源系统（RES）被实施，以相互补充，构建一个可靠且成本可控的系统（Ho等，2014；Shahzad，2012）。

在建模混合能源系统时，确定理想系统的设备容量至关重要。技术与经济指标在这些系统的建模中被广泛应用。实用指标基于系统提供负载的能力，而经济指标则考虑系统在能源生产过程中的成本。设计的主要目标是选择设备容量，以最小化系统成本，同时确保负载需求的稳定供应，即保证高可靠性。因此，可以认为混合系统的最佳设计应实现设备的最大容量。需要注意的是，不准确的优化会导致系统成本增加，同时减少最优负载供应（Bamisile等，2024）。在（Ahmadpour等，2021）中，提出了一个包含光伏、风力涡轮机和柴油发电机的混合系统的最优设计。本文的一个主要思想是优化系统的年度费用、无法满足需求的可能性以及排放污染。传统电力系统的五个主要组成部分包括发电、通信、输电、改造和消费（Kalyan等，2023）。

在（Sankarananth等，2023）中，提出了一种结合人工智能和元启发式优化策略的方法，用于控制智能电网中的可再生能源。混合长短期记忆（LSTM）-强化学习模型在精准度、召回率和准确率方面分别达到了0.92、0.93和0.92，同时有效管理了能源需求预测。强化学习-模拟退火算法在负载平衡方面显示了0.91的准确率。这些结果证实了该模型在智能和离网环境中的实用性。电力需求与供应必须保持实时平衡。在分布式系统结构中，采用储能技术可以将原本刚性的系统转变为更加灵活的系统，从而实现可再生能源的广泛使用（Lopez等，2022；Rahman等，2024）。在（Pavlov-Kagadejev等，2024）中，提出了一种结合信号分解和LSTM网络的混合方法，用于风力发电预测。LSTM超参数通过改进的爬行搜索算法（RSA）进行优化。利用不同分辨率的风力时间序列数据，分别进行了一步、两步和三步的预测，且在分解和不分解两种情况下进行了比较。统计分析表明，所提出的方法在性能上优于其他元启发式调优的LSTM模型。此外，还通过可解释性分析估算出总特征重要性，以揭示最佳模型的运行机制。在（Sibtain等，2025）中，提出了一种使用注意力机制的循环神经网络，用于预测可再生能源的发电量；这种方法也挑战了可再生能源发电所面临的不确定性与储能问题。它还能进行时间序列分解，并引入改进的元启发式算法以优化网络的超参数。该方法在真实生活条件下的太阳能和风力农场数据集上进行了测试。结果的性能通过与表面合格求解器比较，使用标准回归指标和统计测试进行评估。同时，Shapley Additive解释也被用于最佳模型，以阐述特征重要性。

为了减少年度系统成本并考虑负载无法满足的可能性，本文提出了一个结合风力涡轮机和光伏系统的燃料电池储能系统的优化设计（Mokaramian等，2025）。在（Rangel等，2023）中，最佳设计的风力-光伏系统基于负载供应不足的可能性、过剩的生产能力、未使用能源的可能性、项目的使用寿命成本、能源的表面成本以及生产单元和电池银行的生命周期成本。为了优化成本并考虑系统总能源短缺，提出了一个理想的风力-光伏-电池混合系统设计（Taloba和Rayan，2025）。正如（Stoean等，2023）所讨论的，使用深度学习方法可以准确预测光伏发电。该研究分析了通过时间序列数据和天气变量训练的LSTM和双向LSTM（BiLSTM）网络。为了改进模型，实施了爬行搜索算法（RSA）以寻找最优超参数。研究显示，所提出的模型在性能上优于使用其他元启发式方法的模型，最佳模型的R2值为0.604，归一化均方误差为0.014，比传统机器学习方法提高了约13%。在（El-Kenawy等，2023）中，提出了一种基于自适应动态灰狼-喉部优化（ADGWDTO）算法的风速预测方法。该算法可以优化MLP、KNR和LSTM模型，以平衡探索与开发的平衡。使用全球能源预测竞赛2012数据集，该模型的均方根误差为0.0035。统计分析确认了其在现有预测方法中的优越准确性和鲁棒性。

在（Dama?evicius等，1795）中，考虑到不同燃料电池的初始投资成本，提出了一个包含光伏-生物质到生物柴油的混合燃料电池系统的技术与财务设计。在（Mokaramian等，2022）中，通过基于人工蜂群的算法优化了风力-光伏系统与燃料电池储能系统的组合。在（González-Ramírez等，2023）中，考虑了包括损失水库和负载损失可能性的可靠性指标，提出了一个风力-光伏系统与燃料电池系统的优化设计，采用的是花粉授粉算法。在（Chen等，2022）中，提出了一个优化混合风力涡轮机-光伏-柴油-电池系统的方案，同时考虑了系统的总能源短缺并最小化现值成本。

在（Azad和Shateri，2023）中，提出了一个包含可再生能源和电池储能的混合系统的最优能源管理方案，考虑了可靠性和成本评估。灰狼元发现方法（GWO）被用于本研究，该方法基于灰狼群体狩猎的倾向。灰狼方法是一种有效的解决问题的方法，具有快速的收敛速度。尽管已有许多研究（Hwang等，2025；Mokaramian等，2021；Muqeet等，2022）针对智能电网和产消者（prosumer）服务的能源管理（EM）进行了探讨，但在通信、控制、能源估算和EM方面仍需显著改进。在（Kumar等，2025）和（Aghdam等，2023）中，提出了两个主要因素，即可靠性与拥挤指数，用于能源管理。尽管（Fakhar等，2023）研究了包含通信、监测和智能评估等多种因素的能源管理，但仍然考虑了可再生能源（RES）的随机性。产消者操作受到一些决策限制，这些限制可能影响其完整性，因为市场相关的交易环境会带来问题，如可再生能源价格的协商以及产消者之间的财富转换。在（Nejati Amiri等，2023）和（Zheng等，2023）中，建立了一个提升产消者参与度的框架。根据（Nepal等，2023）的研究，引入服务等级协议（SLA）后，可靠性和高质量是实现无缝和适当利益相关者角色的关键因素，但地区分歧（ROD）和动态地区收敛（ROC）并未被研究。

在（Moya等，2023）中，组织一个大规模的相位维度设备数据集，并在真实场景中研究这些数据，是研究中解决的问题。通过使用纽约电网的历史数据构建一个通用的机器学习（ML）模型，研究还探讨了电力系统及其相关设备的风险规避特性（Yousefi和Hadi-Vencheh，2023）。智能电网环境严重依赖机器学习算法来应对一系列挑战，如可靠性、能源管理以及预测。例如，（Zhao等，2023）的研究预测了智能电网中空调的次日电力使用，以评估机器学习的效率。为了确保微电网的可靠性，研究还探讨了基于人工神经网络（ANN）的混合支持向量机（SVM）在防御集和电网技术中的有效性（Kabir等，2025）。本研究使用隔离森林算法来评估无监督机器学习，预测了通信网络数据完整性攻击（Mokaramian等，2021）。

在本研究中，作者详细分析了混合可再生能源系统的最佳配置，以最小化系统总成本并确保可靠性。研究中使用了机器学习和机器学习-灰狼优化（ML-GWO）的优化能力，以在现实和具有挑战性的天气条件下找到最经济的系统配置，同时满足能源需求。研究中使用的太阳能和风能数据对应于三个月的周期。通过这些数据，作者展示了所提出方法在不同场景下的应用效果，包括设备故障和无故障情况。在模拟中，作者发现忽略设备故障率会导致成本的低估和可靠性的高估。在所有测试的组合中，光伏-风力-储能系统表现最佳，其总净现值成本为134.2万英镑，可靠性值为0.00612%。这种系统能够克服基于能量和基于功率的储能技术的局限性，提供更高的适应性和更强的韧性。

研究还发现，使用基于灰狼优化算法的机器学习方法能够更有效地解决系统优化问题。与传统方法相比，这种方法在收敛速度和精度方面具有明显优势。此外，作者还探讨了如何在不同场景下评估系统的性能，包括考虑设备故障率和不考虑设备故障率两种情况。通过这些分析，研究者能够更全面地了解系统的运行机制和优化潜力。在某些情况下，设备故障率的考虑能够显著提高系统的可靠性，而忽略这一因素则可能导致系统在实际运行中出现更多的问题。

研究还涉及了多个技术领域的交叉应用，如人工智能、元启发式优化、机器学习、深度学习等。这些技术的结合为可再生能源系统的优化提供了新的思路和方法。例如，深度学习方法在预测光伏和风能的发电量方面表现出色，而机器学习算法则在能源管理、负载平衡和需求预测等方面发挥了重要作用。通过这些技术的应用，研究者能够更准确地评估系统的性能，并找到最优的配置方案。

在某些研究中，作者还考虑了系统的经济性和技术性之间的平衡。例如，在优化混合可再生能源系统时，不仅需要考虑系统的成本，还需要评估其可靠性。通过结合不同的技术指标，如负载损失概率指数、设备停机率、可靠性约束等，研究者能够更全面地分析系统的性能。此外，研究还探讨了如何在不同的场景下评估系统的可靠性，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

研究还涉及了系统的实时性和灵活性问题。在微电网系统中，电力需求和供应必须保持实时平衡，而储能技术的引入可以显著提高系统的灵活性。通过结合不同的储能技术，如固体氧化物燃料电池（SOFC）和电池储能，研究者能够找到更适应不同场景的系统配置。此外，研究还探讨了如何在不同的天气条件下优化系统的性能，如在风速和太阳能辐射波动较大的情况下，如何调整设备的容量以满足负载需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

在某些研究中，作者还考虑了系统的可解释性问题。例如，在使用深度学习模型进行预测时，如何解释模型的输出结果，以确保其可靠性和有效性。通过引入可解释性分析，研究者能够更清楚地了解模型的运行机制，并找到最优的配置方案。此外，研究还探讨了如何在不同的场景下评估模型的性能，如在考虑设备故障率的情况下，模型的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

研究还涉及了系统的可持续性和环保性问题。在优化混合可再生能源系统时，不仅要考虑系统的经济性和可靠性，还需要评估其对环境的影响。例如，在预测光伏和风能的发电量时，如何减少碳排放和环境污染。通过结合不同的优化技术，如机器学习和元启发式算法，研究者能够找到更环保的系统配置。此外，研究还探讨了如何在不同的场景下评估系统的环保性，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

在某些研究中，作者还考虑了系统的安全性和稳定性问题。例如，在使用无监督机器学习算法预测通信网络的数据完整性攻击时，如何确保系统的安全性。通过引入隔离森林算法，研究者能够更有效地识别和预测潜在的安全威胁。此外，研究还探讨了如何在不同的场景下评估系统的安全性，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

研究还涉及了系统的智能化和自动化问题。在智能电网环境中，如何利用机器学习算法提高系统的智能化水平，以应对各种挑战。例如，在预测电力需求和供应时，如何通过机器学习算法实现更精确的预测。通过结合不同的技术指标，如负载损失概率指数、设备停机率、可靠性约束等，研究者能够更全面地分析系统的运行情况，并找到最优的配置方案。此外，研究还探讨了如何在不同的场景下评估系统的智能化水平，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

在某些研究中，作者还考虑了系统的数据处理和分析问题。例如，在使用历史数据构建机器学习模型时，如何处理和分析大量的数据，以提高模型的准确性。通过结合不同的数据处理技术，如信号分解和时间序列分析，研究者能够更有效地提高模型的性能。此外，研究还探讨了如何在不同的场景下评估数据处理的效果，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

研究还涉及了系统的创新性和前瞻性问题。在优化混合可再生能源系统时，如何引入新的技术和方法，以提高系统的创新性和前瞻性。例如，在使用注意力机制的循环神经网络进行预测时，如何提高模型的创新性和前瞻性。通过结合不同的技术指标，如负载损失概率指数、设备停机率、可靠性约束等，研究者能够更全面地分析系统的运行情况，并找到最优的配置方案。此外，研究还探讨了如何在不同的场景下评估系统的创新性和前瞻性，如在考虑设备故障率的情况下，系统的表现是否能够满足需求。通过这些分析，研究者能够更准确地预测系统的运行情况，并找到最优的配置方案。

综上所述，本研究通过综合运用多种优化技术，提出了一个能够有效应对可再生能源输出不确定性和设备可靠性问题的混合能源系统配置方案。该方案不仅在成本控制方面表现出色，还在可靠性保障方面取得了显著成果。研究者通过结合机器学习和元启发式优化算法，找到了更经济、更可靠的系统配置，同时考虑了设备故障率对系统性能的影响。这些研究为未来混合可再生能源系统的优化提供了重要的参考和指导，特别是在小型电网应用中，如何实现成本效率和系统可靠性的平衡。此外，研究还涉及了系统的智能化、环保性、安全性和数据处理等多个方面，为全面优化混合可再生能源系统提供了新的思路和方法。