基于证据理论的迭代多步预测方法研究

为了有效利用复杂非线性工程系统中各种不确定信息和主观知识,本文结合相空间重构理论和证据推理理论,建立时序证据的多步预测模型.本文先对时序证据进行相空间重构;针对时序证据预测中信息量大且存在误差累积的不足,采用时序证据滑动窗口处理方法,以降低累积误差;窗口内运用迭代融合规则,以降低信息量的存储.将该模型应用于某型陀螺仪漂移预测,试验结果证明,本文方法能够有效降低迭代时产生的累积误差和信息量,结论更接近实际情况.

一种扰动自适应的鲁棒预测控制算法

针对实际生产中扰动的时变性,提出了一种扰动自适应的鲁棒预测控制(RAMPC)算法以提高扰动抑制性能。采用时间序列(ARMA)模型在线辨识系统的不可测扰动,通过基于多次迭代思想的递推辨识算法(multi-iteration pseudo-linear regression,MIPLR)来保证在线辨识的质量和收敛速度。考虑到数据与辨识模型的不确定性,改用min-max形式描述MPC算法的控制作用优化命题,并将在线辨识过程中的误差数据引入min-max命题,使在线辨识与控制作用鲁棒优化求解紧密结合起来,提高算法鲁棒性。进一步将此min-max问题转换为一个等效的非线性min问题,并采用多步线性化方法实现快速求解,解决了传统min-max方法在线计算负荷高的问题。仿真结果表明了该算法的有效性。

处理解释一体化的层间多次波识别与压制——以四川盆地高石梯—磨溪地区灯影组为例

层间多次波的存在严重影响地震资料品质,造成合成地震记录与实际资料不匹配,对油气勘探开发造成许多负面影响。由于层间多次波来自表层以下的反射位置,因而与一次波差异小,且多源叠加造成多次波周期性特征复杂,目前还没有非常有效的压制方法可以借鉴。针对层间多次波“识别难,压制难”问题,在广泛技术调研的基础上,改变思路,提出了一种处理解释一体化的层间多次波识别与压制技术方案,以四川盆地高石梯—磨溪地区灯影组为例,介绍其实际应用效果。首先,研发了基于反射率法的多次波正演模拟技术,通过含与不含多次波正演模拟结果与实际资料对比分析,结合其它多种手段论证了高石梯—磨溪地区井震不匹配主要是由层间多次波造成的,并得到VSP资料的验证。其次,利用剥层法多次波正演模拟与周期性分析,明确了灯影组层间多次波主要来源于其上覆4组速度反转层。其后,在层间多次波模拟与来源层位指导下,通过多次波压制试验优选技术,建立了偏移前、偏移后和叠后分步组合迭代的多次波压制技术流程,并通过层控剩余速度分析与叠加速度优化,以及层控Radon变换解决了层间多次波与一次波速度差异小的瓶颈问题。最后,基于速度谱上速度展度,研发了多次波发育强度平面预测技术,形成了点、线、面完整的多次波压制处理质控技术,保障了在压制多次波的同时不伤及有效波。该技术方案在高石梯—磨溪地区已经得到规模化应用,落实了超深层地层结构,取得了显著地质效果;在GS1井区应用中提高了井震匹配程度,储层预测符合率提高了20%以上;在GS19井区应用中首次在灯影组内幕发现了大量弱“串珠”反射,它们是未来重要的资源接替区;在高石梯东地区应用中消除了台缘带假像,降低了井位部署风险。

设备状态的多项式神经网络迭代多步预测法

设备状态趋势预测技术是实现设备预知维护的重要手段。为了实现设备的预知维护,在BP算法和一般多步预测法的基础上,提出设备状态的多项式神经网络迭代多步预测法。方法具有较强泛化能力和较快收敛速度的多项式神经网络,采用迭代法更新样本中的历史数据,逐次训练预测模型进行时间序列预测。将方法应用于某石化企业压缩机振动峰峰值的时间序列预测上,并与一般多步预测法相比,多项式神经网络迭代多步预测法在短期预测中改进效果不大明显,但在中长期预测中则具有更高的预测精度。测试结果证明,多项式神经网络迭代多步预测法能更好地满足工程实际应用需要,为设备预知维护提供了一个新思路。

基于改进连续潮流法的电压稳定极限计算方法

针对电压稳定性分析连续潮流法的计算效率、精度及收敛性问题,提出了一种改进型的连续潮流法。该方法在参数化中,有机结合了物理参数化和局部参数化在不同区域的优点,在校正过程引入了一种新的预测-校正法,在步长控制中,提出了变步长控制函数,极大地提高了算法的计算精度、效率和收敛性。最后通过实例证明该方法可以提高连续潮流法分析电压稳定性的效率,并验证了该方法的有效性。

基于最优运动矢量预测过程的改进与优化

为解决UmhexagonS算法在预测最优运动矢量过程中运动估计时间消耗较大的问题,提出一种改进的情景分类(situation classification UMHS,SCUMH)算法。在起始点搜索环节得到最优点后,直接进入EDR模型的三步迭代运动情景分类判定;对大范围搜索模型进行矢量预测,根据最优预测运动矢量落入范围采取1/8区域划分搜索;在5×5搜索模型中,根据运动矢量的分布特性采取一种由内向外扩展的搜索顺序,节省了运动估计时间。实验结果表明,在运动估计时间方面,SCUMH算法比UmhexagonS算法节省了33.48%,在微运动情景下节省了27.05%,PSNR与码率基本不变。

超声波电机多步预测迭代学习转速控制

超声波电机的时变非线性运行特征,使其不易得到期望的运动控制性能。本文从二维(2D)系统角度出发,给出一种包含控制量差分项的迭代学习控制器形式。随后,基于2D目标函数,采用多步预测思想进行迭代学习控制器设计,推导出一种多步预测迭代学习控制策略,并用于超声波电机转速控制。仿真和实验结果表明,控制策略有效,迭代过程中学习效果明显,电机控制性能良好。

基于自适应迭代学习控制的MPC系统经济性能设计

针对模型预测控制(model predictive control,MPC)系统经济性能设计问题,结合自适应迭代学习控制的设计思想,提出了一种自适应步长迭代学习控制(adaptive step iterative learning control,ASILC)策略。该策略将系统变量方差与控制器参数之间的关系近似成离散的线性区间组合,并借助上一步迭代的过程信息,自适应地更新迭代步长,逐步使系统的经济性能达到最优。将该方法应用于乙烯裂解炉控制系统中,仿真结果表明:与迭代学习控制方法相比,ASILC能更快地收敛到最优工作点附近,得到最优经济性能下的控制器参数λ,经过7次优化迭代后经济性能目标值提高了28.92%。