考虑异质交通流的随机参数优化速度跟驰模型

为分析交通流异质性对车辆跟驰行为的影响,基于随机参数线性回归方法改进优化速度函数.根据分位数回归对交通流速度-密度数据进行分类,对每个类别数据进行随机参数线性回归,并得到不同类别的改进优化速度函数与假设检验结果,结合改进的优化速度函数和全速度差跟驰模型建立随机优化速度跟驰模型,利用傅里叶变化理论对跟驰模型进行稳定性分析,并搭建环形车道仿真平台对跟驰模型进行数值实验.结果表明,分类处理后的随机参数模型误差较未分类降低28%;随机参数跟驰车队的速度值随着0.5分位点车辆的增多而增大;随机参数跟驰模型车队较固定参数跟驰模型车队更能反映交通流异质性对车队的影响.建立的模型能够提高仿真维度,真实反映交通流的复杂运行状况.

基于超参数优化算法的随机森林模型预测奶牛呼吸频率

奶牛呼吸频率是评估环境造成的奶牛热应激程度的重要指标之一。该研究基于随机森林(random forest,RF)算法提出了适用于生产条件下的奶牛个体呼吸频率准确预测模型,为了平衡模型精度与计算效率问题,利用遗传算法(genetic algorithm,GA)、差分进化(differential evolution,DE)算法、粒子群优化(particle swarm optimization,PSO)算法、贝叶斯优化(Bayesian optimization,BO)算法对模型超参数进行优化,并与网格搜索(grid search,GS)下的人工神经网络(artificial neural network,ANN)和极限梯度提升机(extreme gradient boosting,XGBoost)模型进行了对比分析。研究结果表明,使用融合环境参数的修正温湿指数(adjusted temperature-humidity index,ATHI)、时间区域、奶牛产奶量、泌乳天数、身体姿势以及胎次作为输入特征时,基准RF模型的预测性能最佳。在此基础上,4种智能优化算法下的RF模型性能优于GS-ANN和GS-XGBoost,其中BO-RF的综合性能最优,其决定系数、平均绝对误差、平均绝对百分比误差以及均方根误差分别为0.614次/min、7.723次/min、14.4%、9.737次/min,超参数优化耗时约为DE-RF的1/220。特征重要性分析表明,输入因子对奶牛呼吸频率的影响程度不同,ATHI是影响力最高的因子,相对重要性(relative importance,RI)为0.73,其次是时间区域(RI=0.09)和奶牛产奶量(RI=0.07)。研究为奶牛生产、健康评价及牛舍环境精准调控提供了有效方法和基础。

基于随机森林的作物模型光温产量潜力模拟优化方法

为有效降低作物模拟所需数据量,提高计算效率,基于机器学习建立冬小麦光温产量潜力估算模型。以中国冬麦区129个农业气象站点1980—2009年光温产量潜力为研究对象,选择影响光温产量潜力模拟较大的温度、日照时数、经纬度等构建特征变量。选择生长季与月份2个时间范围,基于WheatGrow模型输入输出数据建立生长季变量的随机森林模型(RF_GS)与月份变量的随机森林模型(RF_Mon),最后利用均方根误差(RMSE)评价随机森林模型的性能。结果表明,随机森林模型可在保证模拟精度的前提下降低数据需求量,且RF_GS精度优于RF_Mon;变量重要性检验与部分依赖图分析结果表明,纬度、生长季日照时数、5月日照时数、3月最低温度对光温产量潜力模拟影响较大;若模型验证数据的范围超出训练数据的范围,利用随机森林模型无法保证建模精度。

基于自抗扰控制的散乱数据随机插补优化模型

随机扰动使得网络数据分布散乱,令散乱数据随机插补精准度下降,构建了基于自抗扰控制的散乱数据随机插补优化模型。使用径向基函数对散乱数据进行逼近,实现散乱数据降噪。构建基于自抗扰控制的随机插补优化模型,即通过定义跟踪微分方程组对散乱数据进行过滤处理。通过跟踪微分算法将被扰动数据替换为稳定跟踪数据。在内部扰动和外部扰动随机插补控制量中引入补偿因子,通过非线性函数来生成随机插补控制量,实现散乱数据随机插补优化。实验结果表明,该模型所有插补数据均与实际数据一致,插补结果更为精准,具备较高的实际应用价值。

基于差分自回归—随机森林的动车组轮对旋修策略优化研究

基于动车组运行里程和轮对尺寸退化过程为非平稳时间序列的特点,将差分自回归移动平均模型(ARIMA)与随机森林算法相结合,对关键尺寸退化趋势影响下的轮对旋修策略优化进行研究。利用ARIMA对运行里程数据进行差分处理,运用基尼系数划分特征构建随机森林决策树,将轮对历史检测数据划分为训练集和测试集进行训练,以预测均值确定轮对尺寸预测值。以轮对几何尺寸和动力学性能为约束条件,以最长使用寿命、最少旋修次数和平稳性指标为优化目标,构建轮对旋修策略优化模型,并对轮对旋修量和旋修后轮径值进行预测。结果表明,当轮径旋修量为2.5 mm,轮缘厚度在HAi=28.5 mm和HBi=30 mm时旋修策略最佳,轮对寿命可提高31.4%。研究成果可为动车组轮对旋修策略优化提供理论支持。

不确定性环境下维纳模型的随机变分贝叶斯学习

多重不确定性环境下的非线性系统辨识是一个开放问题.贝叶斯学习在描述、处理不确定性方面具有显著优势,已在线性系统辨识方面得到广泛应用,但在非线性系统辨识的应用较少,且面临概率估计复杂、计算量大等难题.针对上述问题,以典型维纳(Wiener)非线性过程为对象,提出基于随机变分贝叶斯的非线性系统辨识方法.首先对过程噪声、测量噪声以及参数不确定性进行概率描述;然后利用随机变分贝叶斯方法对模型参数进行后验估计.在估计过程中,利用随机优化思想,仅利用部分中间变量概率信息估计模型参数分布的自然梯度期望,与利用所有中间变量概率信息估计模型参数比较,显著降低了计算复杂性.该方法是首次在系统辨识领域中的应用.最后,利用一个仿真实例和一个维纳模型的Benchmark问题,证明了该方法在对大规模数据下非线性系统辨识的有效性.

基于粒子群-随机森林模型的采样布局优化

采样设计是获取土壤有机质空间分布信息的关键环节,直接影响有机质预测空间分布的精度。目前常用的采样设计方法大多存在样本量大、效率低的问题。因此采用最少数量和最优空间布局的采样方案对于长时序准确监测土壤有机质的时空变化至关重要。以北京市延庆区耕层土壤有机质为研究对象,基于525个原始样点采用变异系数和相对偏差计算确定合理样本数量。通过植被指数、土壤质地类型、土壤母质类型、地形湿度指数、坡度、年均降水量等辅助变量建立随机森林模型,利用粒子群算法收敛随机森林预测误差,对各样点的空间布局进行优化,确定监测点最小数据集的最优空间分布格局。结果表明,利用粒子群-随机森林模型制定的土壤采样方案是可行的。优化后的样本数量减少至37个,减幅达92.95%;粒子群-随机森林均方根误差和模型拟合效果均优于随机抽样和粒子群-地统计抽样方法,R^(2)为0.51,RMSE达到10.66g·kg^(-1);优化后生成的空间分布图与原始数据接近,相对误差为4.71%,估计较为准确。采用的粒子群-随机森林模型较为准确的反映区域耕层土壤有机质的空间格局,且兼顾抽样精度和抽样成本,能为后续采样方案提供科学建议。

基于贝叶斯优化—随机森林回归的燃煤锅炉NO_(x)预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NOx质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δMAPE和决定系数R^(2)作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明:BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δMAPE为1.478%,R2为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。

基于均值-方差-偏度的配电网有功-无功随机模型预测控制

针对高比例具有不确定性的可再生能源接入对配电网安全经济运行带来的挑战,提出一种基于均值-方差-偏度的有功-无功随机模型预测控制协调优化策略。首先,在综合考虑有功和无功成本的基础上,基于Fish⁃er-z变换的拉丁超立方采样生成可再生能源出力场景集,进而构建表征不确定性下收益的期望-偏度模型和表征不确定性风险的方差模型。然后,建立权衡收益和风险的三阶近似矩效用函数,提出基于均值-方差-偏度的有功-无功随机模型预测控制协调优化框架。最后,基于线性化潮流方法对所提模型进行线性化处理,在改进的IEEE-37节点系统进行仿真验证。结果表明,所提策略能够有效应对可再生能源不确定性对配电网经济运行与电压质量的影响。

动态电源管理的随机切换模型与策略优化

提出一种基于连续时间Markov决策过程的动态电源管理策略优化方法.通过建立动态电源管理系统的随机切换模型,将动态电源管理问题转化为带约束的策略优化问题,并给出一种基于矢量合成的策略梯度优化算法.随机切换模型对动态电源管理系统的描述精确,策略优化算法简便有效,既能离线计算,也适用于在线优化.仿真实验验证了该方法的有效性.

基于古诺模型的电力产消者鲁棒随机市场交易研究

随着用户侧分布式能源的爆发式增长,具有源荷双重属性的产消者逐渐增多,并且开始作为新兴主体参与到电力市场中。针对含产消者的寡头电力市场出清问题,提出了一种基于古诺模型的产消者市场交易模型,并进一步采用鲁棒和随机混合方法处理产消者内部可再生能源出力的不确定性,提出了产消者鲁棒随机市场交易模型。最后,在IEEE-39节点系统上验证了所提模型和方法的有效性,并对产消者的市场力进行了评估。

基于全过程输水损失的灌区渠系优化配水模型构建——以长岗灌区为例

为发挥灌区用水调度决策潜能,以黑龙江省长岗灌区为研究区,提出一种基于全过程输水损失的灌区渠系优化配水多目标模型,该模型充分考虑灌区骨干渠系内不同渠段、渠道之间的水量平衡和各级渠道的输水能力,兼顾渠系输水损失、配水及时性与公平性多目标的协同,优化决策配水流量与输水历时。此外,利用随机森林模型预测未来气候变化情境下灌区的供需水量,基于此,计算未来气候模式下的渠系输水损失并获得长岗灌区渠系优化配水方案。结果表明:同一生育阶段内上级渠道不同渠段的输配水损失水量占上级渠道输配水损失总量的比例差异性显著,任一生育阶段内上级渠道靠近渠首的第一个渠段的输配水损失水量占比最大(返青期、抽穗开花期和乳熟期均为20.71%、分蘖期为21.21%、拔节孕穗期为25.43%);通过渠系优化配水模型得到长岗灌区作物全生育期渠系输配水总量为230.51万m^(3),总配水历时为494.32 h,输水损失总量为8.66万m^(3),与灌区采用经验系数法计算的输配水损失水量相比,输水损失减少24.89%,显著提高输配水效率。该模型有助于提供科学、合理的渠系配水方案,为综合提升灌区水资源管理能力和精细化管理水平提供决策支持。

基于多阶段随机优化的水库流量控制和洪水风险短期管理

由于水电、供水、防洪等多重目标,以及来水和需水量预测的内在不确定性,水库的短期优化管理具有挑战性。模型预测控制(MPC)通过将过程模型、预测和目标函数的制定结合起来,并通过优化算法求解,为这一管理问题提供了在线解决方案。这种预期管理有许多优点,但也可能存在预测的不确定性。在实践中,预测的不确定性有多种来源,这些来源可能危及控制决策。本研究是在MPC的闭环模式下结合确定性和概率性的径流进行了后报实验,以模拟实时洪水缓解案例。并采用基于树的约简技术,将概率流入预测与多阶段随机优化模型相结合。结果表明,基于树的MPC模型通过在决策过程中加入更长的预测时间和考虑预测的不确定性,建议在重大洪水情况的实时控制期间减少泄洪道流量。另一方面,将能源生成与确定性方法进行了比较。结果表明,该方法在不影响能量生成的前提下具有良好的应用前景。

基于随机模型预测控制的智能楼宇能量管理研究

建筑工程能够有效地满足社会群众的居住需求,但建筑楼宇同时也是我国能量消耗大户,也是我国碳排放的重要来源,如果没有进行科学的能量管理,将会增加我国的能源消耗。因此,需要积极采取优化措施,实现智能建筑能耗管理的目标,提高建筑智能楼宇的能源利用效率,实现节能降碳的工作目标。但在采取措施时,受人为因素、环境、温度、不确定性因素的影响,会对智能楼宇的运行造成一定的影响。因此,需要在随机模型预测控制的角度进行系统地分析,需要将建筑动态特性,引入楼宇能量管理的系统中,考虑多种因素对建筑楼宇的影响,通过建设随机模型预测控制,达到理想的建设效果,减少外界不确定因素对智能楼宇的影响,切实地提高社会群众居住的舒适度,提高智能楼宇运行的质量。

基于协同进化策略的大规模昂贵优化算法

随着工程或者科学问题的复杂化,优化问题的维度日益增高,导致有些问题评价一次候选解的时间很长,而进化算法在获得最优解的过程中需要进行大量的目标函数评价,因此其无法直接应用于求解大规模昂贵优化问题。代理模型辅助的进化算法可以有效地解决昂贵优化问题,但是随着问题维度的增高,训练一个准确的代理模型需要的样本也会增多,这对于大规模问题显然是难以完成的。为此,利用随机分组将大规模优化问题分成若干个低维度的子问题,通过代理模型对每个子问题进行优化,以此不断迭代搜索得到最优解。为了验证算法的有效性,在CEC'2013的15个基准测试问题上进行了测试,实验结果表明,所提出的算法在求解大规模昂贵优化问题上效果十分显著。

广泛负荷聚集商市场策略建模及风险效益分析

分布式电源、储能设备及主动负荷等需求侧资源可通过广泛负荷聚集商的统一管理参与电力市场的运营,其在提升系统经济效益的同时,也给系统优化调度带来挑战。建立了广泛负荷聚集商管理多种需求侧资源参与电力主能量及辅助服务市场的日前、实时两阶段随机优化市场策略模型,同时采用条件风险价值(CVaR)方法对市场价格波动及需求侧资源不确定性风险进行管理。利用夏普利值(Shapley value)分配方法及风险贡献度理论,对各类需求侧资源在广泛负荷聚集商运营中的效益及风险贡献进行分析。算例说明了所提出模型的有效性,定量说明了广泛负荷聚集商在需求侧资源聚合管理中提升效益、平抑风险的两方面作用,以及各类需求侧资源在聚集商运营中的效益及风险贡献。

计及风光不确定性的虚拟电厂多目标随机调度优化模型

为缓解风电和光伏发电不确定性对虚拟电厂稳定运行的影响,引入鲁棒随机优化理论,建立了计及不确定性和需求响应的虚拟电厂随机调度优化模型。首先,风力发电、光伏发电、燃气轮机发电,以及储能系统和需求响应集成为虚拟电厂,然后最大化虚拟电厂运营收益、最小化系统运行成本和弃能成本被作为目标函数,建立虚拟电厂调度优化模型。再应用鲁棒随机优化理论来转换光伏发电以及风力发电不确定性变量的约束条件,建立了虚拟电厂随机调度模型。最后,选择中国国电云南分布式电源示范工程为实例分析对象。分析结果显示:所提模型能够降低系统运行成本,双重鲁棒系数的引入能够为不同风险态度决策者提供灵活的虚拟电厂调度决策工具,协助应对风电和光伏发电的随机特性。储能系统能够借助自身充放电特性,替代燃气轮机发电机组为风电和光伏发电提供备用服务,促进风电和光伏发电并网。将需求响应纳入虚拟电厂能够实现发电侧与用电侧联动优化目标,平缓化用电负荷曲线,系统整体运营效益达到最佳。

基于区间多阶段随机规划模型的灌区多水源优化配置

灌区多水源灌溉系统中存在许多不确定性因素,随着系统环境的变化及不确定性因素的影响,导致其配水过程具有动态特征。针对灌区多水源灌溉系统的配水特点,该文建立基于区间多阶段随机规划的灌区多水源优化配置模型。同时,考虑灌溉水对作物产量的影响,引入水分敏感指数权重系数,并以黑龙江省和平灌区水稻不同生育阶段灌溉水资源优化配置进行实例研究。结果表明,在不同来水情境下,管理者可根据各个生育阶段水分敏感指数权重系数,判断作物不同生育阶段的需水敏感程度,当来水情境的来水量多时,会产生余水量,可调配给下一生育阶段;当来水情境的来水量少时,管理者可在减少灌溉水量与增加外调水之间进行权衡,并根据需水关键期与需水非关键期做出决策,使水资源在作物生育阶段间及作物生育阶段内进行分配,实现灌区多水源灌溉系统的动态配水。该模型的应用在确保作物产量的同时,使灌溉水资源在作物各个生育阶段进行合理配置,有效地避免了水资源浪费,对提高灌溉水利用效率、保证水资源的可持续利用具有重要意义。

基于混合随机规划/信息间隙决策理论的虚拟电厂调度优化模型

虚拟电厂(VPP)在调度过程中面临多种不确定因素,给决策和系统安全运行带来一定的困难。提出了基于混合随机规划/信息间隙决策理论(IGDT)的VPP调度优化模型,该模型针对电价概率分布描述较为准确、预测精度较高的特点,采用随机规划处理电价的不确定性;针对风光出力概率分布难以精确刻画、预测精度较低的特点,采用IGDT处理风光出力的不确定性,通过赋予风光出力偏差系数不同的权重,解决了IGDT同时处理风光出力不确定性的问题。此外,针对不确定性决策的盲目性和不同策略面临风险程度的不同,引入风险成本量化不同决策方案对应的风险。仿真结果验证了所提模型的有效性。

随机油价下的油田开发规划优化模型

为了科学合理地制定油田开发规划方案,建立了随机油价下的油田开发规划优化模型。首先利用功能模拟原理(微分模拟方法及神经网络方法)建立油田采油厂产量与其对应影响因素的关联关系,然后在随机油价下,根据油田开发的实际情况,在对决策变量、目标函数、约束条件进行分析的基础上,研究每个采油厂或开发单元的具体情况并建立定产量、定成本、效益最好的产能分配优化模型,并采用改进内点法对优化模型进行求解。采用这一优化过程,成功地解决了油田开发规划中随机油价下的油田(采油厂)产量、工作量及成本的最优分配问题。将该模型应用于中国某油田中后期开发阶段产量规划中,产生了巨大的经济效益。