网讯：随着全球对可再生能源的需求日益增长，新能源发电技术正成为解决能源和环境挑战的重要方案之一。其中，风能作为一种广泛应用的可再生能源形式，具有独特的优势。然而，风力发电的随机性和波动性给其在电网中的稳定性和可靠性带来了一定的挑战。针对这一现象，储能元件的充放电动作能够很好地行使平抑风电波动的职能，通过风电功率与输送电网功率差额进行“削峰填谷”，从而对电力系统的运行进行优化，因此储能系统的容量配置成为关键技术之一，合理的容量配置可以很好地调节风能发电的不稳定性，提高能源利用效率，并确保可靠的电力供应。
《中国电力》2024年第7期刊发了刘抒睿等撰写的《基于VMD分解下的皮尔逊相关性分析及T-tFD的混合储能容量配置》一文。文章以风储联合系统为研究对象，提出一种基于改进后的北方苍鹰算法（sine-cosine northern goshawk optimization，SCNGO）-VMD平抑风电波动的混合储能容量优化配置策略。首先，对风电功率进行基于SCNGO-VMD结合皮尔逊相关性分析（Pearson correlation analysis，PCA）的2次分解，根据相关系数差值，确定与原功率曲线强相关的2组分量，提取并重构为并网功率，剩余部分则作为波动分量输出为混合储能功率进行配置；在混合储能容量配置中，再次对混合储能功率进行SCNGO-VMD的分解，得到的IMF以t检验分频（t-test frequency division，T-tFD）算法实现高低频分界点的选取，并重构为蓄电池/超级电容功率，从而确定最优的容量配置。
在清洁能源发展迅速的大环境下，风电出力的随机性和波动性会对电力系统的稳定造成影响，因此对风电波动平抑是当前清洁能源发展的一个基础性问题。提出一种基于改进后的北方苍鹰算法（sine-cosine northern goshawk optimization，SCNGO）优化变分模态分解（VMD）参数平抑风电波动的混合储能容量配置策略，对风电功率进行参数优化的VMD过后利用皮尔逊相关性分析判断强弱相关分界点，经过2次分配后得到并网功率与混合储能功率；对混合储能功率进行基于t检验分频算法的功率分配，得到蓄电池/超级电容的容量配置。基于此策略，以储能元件年综合成本作为模型，结合算例进行经济性评估并对并网功率进行波动量分析及改进北方苍鹰算法的优越性分析。结果表明：基于SCNGO-VMD的储能容量配置策略能有效平抑风电波动，平抑后的并网功率1 min、10 min的最大波动量仅为国家要求的18.2%、45.52%，相应的储能配置成本为传统配置策略中的最低值。其配置的混合储能容量更具经济性，验证了改进的北方苍鹰算法在迭代速度与精度上均优于传统的智能优化算法。
01 对象为风储联合系统的风电功率分配策略
1.1 风储联合系统
图1 风储联合系统拓扑
Fig.1 Topology of wind power-storage joint system
表1 国家标准风电波动要求
Table 1 Wind power fluctuation requirements by national standard
其中，混合储能在此承担了平抑风电波动的作用，当Pwind(t)＞Pout(t)时，储能吸收风电的功率过剩；当Pwind(t)＜Pout(t)时，储能补偿并网功率缺额。混合储能与并网功率模型为
1.2 风电功率的分配策略
近些年来，平抑风电波动的混合储能的容量配置策略一般采用滤波方法或信号分解对风电功率进行波动滤除，得到的并网功率输送给电网之后，再对波动分量进行基于信号频率特征的混合储能容量配置。
然而，传统的容量配置策略对波动平抑往往难以兼顾信号特征保留，且对波动分量的自适应度较差，难以得到最优的储能容量配置。为克服上述缺陷，本文提出一种基于VMD的结合皮尔逊相关性分析以及重构算法对功率进行分配的策略。该策略首先对风电出力进行VMD，将分解得到的IMF分量进行皮尔逊相关性分析，滤除与原始功率相关性较弱的一次弱相关分量，保留一次强相关分量，一次强相关分量将作为并网功率的一部分向电网输送；而滤除的一次弱相关分量则继续进行VMD，对其运用皮尔逊相关性分析再次滤除与一次弱相关分量相关性较差的IMF分量（这里简称二次弱相关分量），而相关性较强的IMF分量（这里简称二次强相关分量）则同样作为并网功率的一部分向电网输送。
至此，上文滤除的2部分弱相关IMF分量（一次弱相关分量以及二次弱相关分量）将作为混合储能功率进行第3次VMD，并对其IMF进行基于t检验分频算法的功率分配；T-tFD算法可以根据功率信号特征，提取这些IMF分量的频率，分层为高频部分以及低频部分，作为蓄电池与超级电容器功率，从而得到最优的储能容量配置。其中，SCNGO将贯穿整个功率分配过程，对应不同功率曲线的3次VMD参数进行优化，这样既保证VMD的质量，又能充分保证HESS对风电波动的平抑效果，满足国家要求的并网功率且保留原信号特征。本文容量配置策略如图2所示。
图2 本文功率分配方法
Fig.2 Power allocation method used in this article
02 变分模态分解
VMD是一种通过多分辨率分解非线性信号的新型技术，本质是构造一个带约束的变分问题，实现信号的频带分离。经过分解后，将会得到一系列不同中心频率的IMF分量。
03 基于改进北方苍鹰算法的变分模态参数优化策略
VMD的参数惩罚因子α一定程度上决定了分信号的信号特征以及信息富余度；分解层数K则会影响到信号分解质量，对K值的选取不当可能会造成无用分量的产生及分信号的模态混叠。
由于本文模型为多峰复杂模型，运用传统的智能优化算法求解VMD参数时存在收敛速度慢、精度低等缺陷，故对北方苍鹰算法进行改进，使其能够较好地权衡[α,K]参数的选取，在能够保证VMD分解效果的情况下提高算法效率。
北方苍鹰算法（northern goshawk optimization，NGO）模拟了北方苍鹰的猎物识别，竞逐，抓捕和再追捕过程，具有适用性广泛，鲁棒性强的特点。算法具体分为识别与追捕2个阶段。
3.1 折射反向学习改进策略
3.2 正余弦与权重改进策略
北方苍鹰猎物识别阶段的过程中，种群依赖于区域搜索范围。当识别的猎物处于局部最优位置时，容易影响整体种群的搜索取向，导致大量成员陷入，而缺少对其他区域的勘探。从算法角度来看，陷入局部最优解容易导致算法运行停滞，影响寻优的多样性，导致收敛精度低。
针对该现象，本文在苍鹰的识别阶段中引入一种正余弦算法，通过正余弦震荡特性模拟种群中个体之间的交流和合作，维持寻优区域多样性，避免陷入局部最优解，提高全局搜索能力。
其次，加入了由非线性权重因子ω主导的位置更新策略如图3所示。前期较小的ω使解位置受位置更新的影响较小，有利于算法全局搜索，后期较大的ω使得位置更新与当前解位置产生依赖性，使得算法收敛速度加快，ω表达式为
图3 步长搜索因子与权重值曲线
Fig.3 Step search factor and weight value curve
3.3 l系数改进策略
3.4 基于改进策略的变分模态参数优化流程
图4 SCNGO-VMD算法流程
Fig.4 SCNGO-VMD algorithm flowchart
SCNGO为NGO算法集合多种策略改进而来。在给定信号数据时，运用SCNGO进行VMD参数优化使其具有了能根据信号本身特征进行参数调整的自适应性。
04 基于相关性分析以及t检验分频算法的模态分量分配
4.1 一次相关性分配
对风电功率Pwind进行第1次SCNGO-VMD分解，得到的一系列IMF分量与Pwind曲线的特征相似程度会随着分量频率增高而衰减。若能对这些分量中针对相似程度的强弱进行分类重构，则可以提取与原信号曲线趋势接近的分量，从而对波动的滤除。本文提出一种皮尔逊相关性分析方法，对各IMF分量与Pwind特征的相关程度判定，基于相关性强弱对分量进行重构。
根据皮尔逊相关系数的统计学意义，两个相邻IMF分量对于原始数据的相关系数差r越大，说明两者分别对于原始数据信号特征的差异越明显。在这些分量中，一定存在对于某两个IMF的r值最大值rmax，将rmax系数组成的这两个IMF之间作为区分强弱相关分量的分界点。由于相关性强的分量包含与原始功率极为相似的大部分信号特征，波动量少导致信号较为稀疏，有用信息富余度高，故将其保留并求和重构作为一次强相关分量向电网输送，起到初次平滑风电功率的作用；弱相关分量为除去强相关分量后保留下来的波动较大、特征与风电功率有较大差异的分量。这些信号一部分由噪声、扰动组成，无用信息占比高，但不排除仍存在与风电功率特征相似的少量信息，为避免对风电功率平抑过度，故将对这些相关性较弱的IMF分量进行重构，作为一次弱相关分量进行4.2节的再分配。
4.2 二次相关性分配
将一次弱相关分量进行基于第2次SCNOG-VMD的分解后，以上小节的皮尔逊相关性分析对IMF再次进行求和重构，得到二次强相关分量图片。图片与一次强相关分量图片一同构成Pout向并网输送；这样能够保证Pwind的有用信息最大程度上被包含，且两组强相关分量数据经过相关性系数差为依据的两次分配之后，波动性强的数据已被充分过滤，剩余高频高波动的二次弱相关分量则构成混合储能功率进行下一步分配。
4.3 基于混合储能功率t检验分频分配策略（T-tFD）
以二次弱相关分量（波动分量）作为混合储能功率PHESS，进行第3次SNGO-VMD的分解。
值得注意的是，4.1节中的皮尔逊相关性分析对功率的分配旨在考虑的是风电功率的固有特征与有用信息的保留程度层面完成对并网功率输送。而对于混合储能功率来说，混合储能元件的充放电特性使得分界点的选取重心应在信号的频率层面，故本文提出t检验分频算法作为界定混合储能高低频分界点的方法。
结合3.4节对包络线的概述，IMF分量作为包含原始信号局部特征的振动模式，它们的上下包络线应相对于时间轴局部对称。高频分量波动性强，包络线由众多的信号峰值连接而成，由于IMF的局部对称性，包络线的对称导致分量也形成对称，此时数据均值将趋近于0；而对于峰值点较少的低频分量，包络线由这少量峰值点插值获取，此时包络趋势与原信号趋势走向偏差明显，因此在满足局部对称性的条件下无法保证信号分量充分对称，此时分量均值将不再趋近于0。只需要t检验功率数据的均值与0这个常数分布的显著性，如果在5%的置信度水平下是同一分布，则t检验结果为0，反之则为1。不显著为0的量，数值上一定是紧密且对于x轴高度对称的，故作为高频功率输出分配给超级电容器；显著为0的量信号特征稀疏且数值对称性较弱，作为低频功率输出分配给蓄电池。
整体IMF分配策略流程如图5所示。图5中：i、j、m分别为不同组VMD分界的IMF迭代量；k1、k2、k3为不同组VMD分解的分解层数。
图5 功率分配算法流程
Fig.5 Power allocation algorithm flowchart
05 混合储能的额定参数和经济模型
为得到基于IMF分频重构功率分配后各储能元件的容量配置，运用t检验分频策略所得混合储能与蓄电池、超级电容器的功率联系，通过模型求解对应额定参数指标。同时结合全年综合成本模型作为实际工程应用下的配置成本参考。
5.1 混合储能的额定参数
5.2 混合储能经济模型
06 算例分析
6.1 原始风电数据波动量分析
选取西南某装机容量为50 MW的风电场某典型日风电出力数据，通过Matlab仿真得到功率曲线如图6所示。
图6 风电出力
Fig.6 Wind power output
对图6进行波动量分析，得到1 min与10 min最大波动量如表2所示。
表2 1 min与10 min波动量分析
Table 2 Analysis of 1 min and 10 min fluctuations
由表2可知，Pwind在1 min级的最大波动超出了国家规定的装机容量/5（装机容量＜50 MW）并网要求；如果将Pwind直接接入并网，会导致并网供电可靠性不足，不利于电网的稳定性，故需要对对风电波动进行平抑。
6.2 对风电功率的IMF进行皮尔逊相关性分析
对分解Pwind的VMD进行寻优，初始化各项参数，设置最大迭代次数为100。图7为寻优值在三维空间的散点图以及适应度函数曲线的空间拟合位置，算法经11次迭代得到点[α,K,Fmin]=[8944, 20, 6.8722]，即参数的最优解。
图7 最优值在散点图以及空间拟合的分布
Fig.7 The distribution of optimal values in spatial fitting and scatter plots
图8 第1次相关性分析结果
Fig.8 Results of the first correlation analysis
图9为Pwind经SCNGO-VMD分解后的20个IMF分量示意。
图9 风电出力与部分IMF分量对比
Fig.9 Comparison between wind power output and some IMF components
由图9可知，分量频率自小到大依次呈递增趋势，幅值则呈递减趋势。容易看到，IMF(1)总体曲线趋势与Pwind最为相近，幅值区间被包含在其上下界。这是因为IMF(1)拥有比其他IMF分量更高的皮尔逊相关系数，包含了Pwind的绝大部分特征。相对于其余分量而言，各分量与Pwind的特征差异较明显，且幅值区间逐渐与Pwind偏离，曲线趋势以紧密且幅值不一的波动居多。
6.3 对一次弱相关分量的IMF进行皮尔逊相关性分析
考虑到一次弱相关分量仍然包含一部分Pwind的有用信息，对其进行第2次VMD分解。经SCNGO寻优得到的VMD初始化参数为[α,K]=[9864, 19]，进一步将其分解为19个中心频率不同的IMF分量并计算分量间的相关系数差，如图10所示。
图10 第2次相关性分析结果
Fig.10 Results of the second correlation analysis
图10中，IMF(2)与IMF(3)之间的皮尔逊相关系数差值最大，根据式（3），将IMF(1)、IMF(2)作为一次弱相关分量衍生的二次强相关分量图片共同输出为并网功率Pout。此时，Pout继承了Pwind的大部分有用信息与信号特征，而二次弱相关分量则作为HESS功率履行平抑风电波动的职能。图11为2次分配提取的强相关分量与风电功率的特征对比。
图11 强相关分量曲线特征
Fig.11 Characteristics of strongly correlated component curves
由图11可知，一次强相关分量图片曲线的宏观走势接近于风电功率，其幅值始终位于其局部上下界之间，相关性体现在较大时间尺度的曲线趋势以及幅值信息；二次强相关分量图片的曲线走势在全时段与风电功率的局部波峰波谷贴合，相关性体现在小时间尺度的曲线趋势。两者共同构成的并网功率包含了风电功率极大部分特征，在滤除波动的前提下避免了失真情况，保证了电力系统的稳定运行。
6.4 对HESS进行基于t检验分频算法的功率分配
对混合储能功率即二次弱相关分量功率进行第3次SCNGO-VMD的分解，VMD初始化寻优参数为[α,K]=[9331, 9]。
将分解得到的9个IMF分量进行基于T-tFD算法的高低频重构，即分别对每个IMF进行t检验，判断各个分量是否显著于0的情况，t检验结果如表3所示。其中，0代表数据均值不显著于0常数分布，1代表均值显著于0常数分布，将是否显著于0分布作为区分HESS高低频分界点的依据。
表3 t检验结果
Table 3 T-test results
分析可知，IMF(1)、IMF(2)由于功率曲线较为稀疏，功率曲线平缓，频率相比其他分量较小，其数据均值与0相差较大、曲线上下半轴数据无法充分对称，故作为低频功率分配给蓄电池进行补偿；IMF(3)~IMF(9)由于频率大、波动性强，IMF的包络线局部对称，数据峰值同样对称，此时他们的包络线趋势与原曲线趋势近似，均值趋近于0，故作为高频分量分配给超级电容进行补偿。
取低频低幅值的IMF(1)以及高频高幅值的IMF(9)进行包络分析，如图12所示。
图12 IMF(1)与IMF(9)的包络线
Fig.12 IMF(1) and IMF(9) envelope lines
图12中，2个IMF作为振动模式分量，无论频率高低，包络线都充分满足局部对称性。IMF(1)的包络线与信号本身偏差较大，峰值点无规律地分布在正负半轴，且峰值大小不一，求数据均值时正负峰值无法很好地抵消，此时整组数据的均值不趋近于0，t检验将其结果判定为显著于0；而由于IMF(9)是高频高幅值分量，不论是上下包络线或者数据峰值都具有良好的对称性，求数据均值时，上下半轴数据相互抵消，结果是一个趋近于0的值，t检验故将其判定为不显著于0的分量。
经上述T-tFD算法对IMF分量进行重构后，得到的功率分配后的Pbat与Psc结果如图13所示。
图13 蓄电池/超级电容器功率分配
Fig.13 Battery/supercapacitor power distribution
由于超级电容器功率密度大，响应快速，循环充放电次数多，与波动量大的功率信号相适应，经过t检验分频重构让其很好补偿了高频高幅值部分；蓄电池能量密度大，但是频繁地充放电会造成寿命损耗，故补偿了低频部分的HESS功率。
6.5 并网波动量分析
为验证本文优化算法对风电波动平抑的性能，测定经本文策略求得并网功率的1 min、10 min波动与传统EMD、传统PSO-VMD、传统NGO-VMD以及传统SCNGO-VMD等几种优化VMD参数的信号分解算法，经滤除高频波动分量得到的并网功率波动进行对比，分析结果如图14、图15所示。
图14 1 min波动量对比
Fig.14 Comparison of 1-minute volatility
图15 10 min波动量对比
Fig.15 Comparison of 10-minute volatility
原始风电的1 min、10 min波动量很大一部分超出了国家并网要求。经过6.1节分析，最大波动量分别为9.46 MW、18.1 MW，超出了要求的89.2%、6.47%。由图14、图15可知，EMD、不同算法优化VMD参数的功率分配方法对风电波动的平抑起到了一定的作用，EMD功率分配方法使得并网功率的1 min、10 min级波动最大波动为4.06 MW、14.71 MW；而PSO-VMD和NGO-VMD则为3.26 MW、11.81 MW以及2.93 MW、10.75 MW；算法性能较好的SCNGO-VMD则为1.54 MW、8.84 MW。可见，不同的优化算法由于分解效果差异，将会直接影响到波动的平抑程度，SCNGO相对于其他两种优化算法平抑程度更高，即对于VMD参数优化具有更好的优越性。
以容量配置策略的角度相较于传统算法进行分析，本文策略的1 min最大波动量为0.91 MW，仅为国家标准并网要求的18.2%；10 min最大波动量为7.74 MW，仅为国家标准并网要求的45.52%；相较于传统的SCNGO-VMD容量配置策略，不同尺度波动量分别下降了40.9%以及11.31%。可见，同样是基于SCNGO-VMD的本文策略得到的并网功率因为经过2次相关性分析平滑处理，波动量降幅明显，且风电功率曲线特征能够很好地被保留下来，较低的波动量进一步减少了电网的冲击，提高了电网的稳定性以及供电可靠性。
6.6 容量配置经济性分析
对t检验分频算法对混合储能进行功率分配得到Pbat、Psc，以最小化全年综合成本CHESS作为目标函数，设定约束条件后寻优配置容量以及CHESS大小。各储能相关参数如表4所示，基于此，为检验t检验分频算法作为容量配置策略的经济性，得到风电波动不同频率分界点的额定参数曲线以及年综合成本曲线如图16、图17所示。
表4 储能相关参数
Table 4 Energy storage related parameters
图16 不同分界点功率/容量曲线
Fig.16 Power/capacity curves at different boundary points
图17 EMD、VMD不同分界点成本曲线
Fig.17 Cost curves at different boundary points of EMD and VMD
由图16可知，随着分界点的右移，蓄电池的额定功率与额定容量呈上升趋势，这是因为蓄电池逐渐分配到了更多来自分界点左侧频率自低到高的IMF分量；而超级电容分配得到的功率即为分界点右侧的另一部分分量，这部分分量频率较高，但幅值较小，并随着分界点的右移使得其承担的分量逐渐减少，故额定功率与额定容量呈下降趋势。可见，分界点的选取需要合理地考虑储能元件的性质，若分界点选取较小，超级电容器将承担大部分功率，若分界点选取较大，蓄电池则会承担大部分功率，这其中由于IMF分量的频率各不相同，分界点的选取应首要考虑对应不同频段的储能元件特性。
结合图17，可以看到选取不同分界点时，全年综合成本呈上下浮动趋势，而基于VMD的T-tFD策略在分界点取2时得到成本最小值2189.76万元。由于T-tFD策略可以综合混合储能分量高低频特性自适应选取分界点，经过t检验后，认为IMF(1)~IMF(2)具有较明显的低频特性，而IMF(3)~IMF(9)具有高频特性，因为蓄电池、超级电容器自身对高低频功率具有不同的响应特性，所以基于VMD的T-tFD选取的分界点2而重构得到的Pbat、Psc，经模型求得的容量配置即为考虑经济性的最优配置，此时全年综合成本达到最低。此外，可以看到，基于EMD的T-tFD策略的容量配置成本均大于VMD，且最低成本在分界点取4时，值为4178.73万元，计算可得基于VMD的T-tFD策略最小成本仅为其52.4%，说明相较于EMD，VMD的信号分解质量更高，效果更好。
图18为5.4节对HESS进行VMD分解各IMF分量频谱图，以EMD分解作为对照，其对HESS进行分解的分量频谱如图19所示。
图18 VMD分解各IMF频谱
Fig.18 Spectra of each IMF after VMD decomposition
图19 EMD分解各IMF频谱
Fig.19 Spectra of each IMF after EMD decomposition
分析可知，经参数优化的VMD分解后的各IMF分量频谱基本位于其中心频率两侧分布，且各自分量特征能够明显区分。其中，低频高幅值分量集中于频谱图左侧，高频低幅值分量集中于频谱图右侧，且自IMF(1)、IMF(2)之后幅值下降剧烈，这也进一步验证了6.4节中，T-tFD算法认为的分界点2为高低频分界点；而经EMD分解的7个IMF分量在低频区段有较为明显的模态混叠现象，这会影响到信号的后续特征分析质量，这也是图17中基于EMD的T-tFD算法的储能成本比基于VMD的T-tFD策略更大的原因。
表5为几种容量配置策略的额定参数及成本示意，分别为单一蓄电池及超级电容器、基于EMD的T-tFD最优配置、基于VMD的T-tFD最优配置。
表5 各分配策略结果分析
Table 5 Results of different allocation strategies
以经济型角度分析，基于VMD的T-tFD容量配置策略使得其额定参数以及全年综合成本均有明显降低，相较于单一的蓄电池、单一的超级电容器储能，总成本分别下降了50.21%、50.89%。可见，混合储能相较于单一储能够更好地降低系统成本。此外，由于经SCNGO参数改进的VMD分解克服了EMD无法自适应调整分解层数K的缺陷，使其具有更加优良的分解效果，得以更好地进行容量配置，相较于基于EMD的T-tFD容量配置策略，得到的蓄电池额定功率与额定容量分别降低了1.2%、1.9%；超级电容器额定功率与额定容量分别降低了6.47%、39.18%；全年综合成本则降低了47.38%。
综上，经分析可知，VMD作为参与容量配置的信号分解算法相较于EMD具有更好的分解性能与分信号质量；基于VMD的T-tFD容量分配策略无论是从信号分析角度或者经济角度，都有更好的优越性。
6.7 SCNGO优越性分析
将第1次对Pwind的VMD参数寻优作为算例，对比SCNGO与NGO、PSO以及文献[10-11]所采用的WOA、SAA算法迭代情况，如图20所示。
图20 迭代次数对比
Fig.20 Comparison of iteration times
由图20可知，对于Pwind这类频率高、波动较大的信号，SCNGO的反向折射学习策略以及l系数的改进在算法初始化、迭代后期这两个重要阶段增加了对最优值的锁定速度，使得SCNGO经过11次迭代即达到收敛，显著优于其他传统智能优化算法。此外，SCNGO算法的正余弦与权重改进策略使其有效地避免了陷入局部最优解情况，而SSA、PSO算法均不同程度上陷入了局部最优解，导致运行停滞，大大降低了收敛速度。
07 结论
本文旨在解决平抑风电波动问题，提出了一种结合SCNGO-VMD算法的混合储能容量配置策略。经过算例验证得到以下结论。
1）采用SCNGO算法优化VMD的2个参数α、K能够克服传统智能优化算法收敛速度慢、精度差、容易陷入局部最优解的缺陷，且得到的α、K参数能很好地适配当前曲线特性，提高了VMD的分解质量。
2）对风电功率的分量进行皮尔逊相关性分析，由2次强相关分量重构得到的并网功率在其曲线特征充分继承了风电功率的同时，能够较大限度地平抑风电波动，且满足了国家并网要求，提高了电力系统稳定性。
3）HESS功率经t检验分频算法得到的蓄电池/超级电容容量配置，能够充分降低系统成本，验证了混合储能相较于单一储能、VMD相较于EMD，都能体现出不同程度的经济性。
