分数阶Boost变换器的混沌控制研究

基于电容电感均为分数阶的事实,对分数阶连续导通模式Boost变换器的非线性动力学特性进行分析,提出了基于优化参数共振微扰法的分数阶Boost变换器混沌控制策略。首先,采用预估-校正算法建立了峰值电流控制分数阶Boost变换器的预估-校正模型,通过分岔图详细分析了电路参数对变换器非线性动力学特性的影响。然后,采用优化参数共振微扰法对变换器进行混沌控制,推导了系统的稳定判据,计算了扰动信号的最优幅值与相位。最后,在MATLAB/Simulink中进行仿真实验。研究表明,选择合理的扰动信号,能够有效抑制变换器的混沌现象,使变换器由混沌回归稳定状态。与参数共振微扰法相比,优化后的控制策略提高了系统的鲁棒性。仿真结果验证了所提策略的有效性。

基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法

针对因深度学习自身局限性和递归预测策略产生的累积误差,导致航迹预测精度不高的问题,提出了一种基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法。首先,引入卷积模块用于提取航迹数据之中具有潜在关联的空间位置特征,利用双向长短时记忆网络提取航迹数据中的时序特征,并实现对空中目标的实时单步预测和多步超前预测;其次,引入整合移动平均自回归为残差修正模型,对实时单步预测产生的残差建模,计算混合神经网络模型多步超前预测时的残差值;最后,将混合神经网络模型和残差修正模型的输出结果进行融合,得到最终的航迹预测值。实验结果表明,该算法大大降低了神经网络因自身局限性产生的误差和因递归策略预测产生的累积误差,能够显著提高空中目标航迹短期预测的精度。

融合DEM与FY-4A数据的ECMWF预报产品深度学习订正方法

精准的数值天气预报是精细化气象公共服务和商业服务的重要前提。欧洲中期天气预报中心(European Center forMedium Weather Forecasting,ECMWF)预报产品在全球被广泛采用,但始终存在系统预报误差。针对数值天气预报中的误差和多源数据融合中的非线性映射等问题,设计了一个ECMWF数值预报产品的深度学习订正模型(Numerical Forecast CorrectionNetwork,NFC-Net)。NFC-Net引入了FY-4A卫星观测数据、数字高程模型数据(Digital Elevation Model,DEM)和ERA5历史实况数据订正预报结果,利用多源数据空间分辨率对齐模块、时空特征提取模块解决多源异构数据特征的提取与融合问题,并通过UNet网络实现ECMWF预报产品的订正。为了评估所提算法的性能,利用NFC-Net对ECMWF产品中的2 m气温和10 m风速两个天气要素开展订正试验,并将试验结果与ECMWF预报结果、ANO方法订正结果、Convlstm方法订正结果、Fuse-CUnet方法订正结果和ERA5实况进行对比。结果显示,NFC-Net模型订正的2 m气温和10 m风速的均方根误差(Root Mean Squared Error,RMSE)分别较ECMWF预报产品下降49.71%和50.86%。表明NFC-Net模型可以充分利用多源数据有效改善复杂地形条件下的订正结果。NFC-Net模型可用于订正ECMWF预报结果,显著提升数值天气预报的精度。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

基于深度学习的超大直径盾构姿态预测研究

传统的盾构姿态纠偏措施多是在盾构机实际轴线已经偏离设计轴线之后采取的被动控制措施,具有一定的滞后性,而盾构姿态纠偏不及时会给施工过程和完成后的隧道本身带来严重的危害。为了准确预测盾构姿态偏差,为提前纠偏提供决策支持,本文依托江阴—靖江长江隧道超大直径盾构施工项目,提出一种基于CNN-EMD-LSTM的深度学习模型,该模型既能捕捉时间序列的维度特征和时变特征,又能提高盾构姿态数据分解重构方法的预测精度;通过消融实验对CNN-EMD-LSTM模型中每个部分的重要性进行探讨,并对CNN-EMD-LSTM模型在不同窗口长度、不同滑动步长下的预测效果进行对比。研究结果表明:CNN-EMD-LSTM模型对超大直径盾构姿态的预测效果较好;可以通过调节不同推进区间的压力进行盾构姿态纠偏;CNN-EMD-LSTM模型中各个部分按重要性从大到小排序依次为EMD、CNN、LSTM;窗口长度过大或过小都会增大模型预测误差,而滑动步长越小模型的预测效果越好。

基于历史数据挖掘的海上船舶交通事故预测

为优化船舶航行路线,减少因交通事故导致的延误和拥堵,提升海上运输效率和效益,研究基于历史数据挖掘的海上船舶交通事故预测方法。从海事机构获取海上船舶交通事故历史数据后,采用数据挖掘方法中的一维局阿尼自编码器对海上船舶交通事故历史数据展开挖掘,得到海上船舶交通事故特征,再建立灰色SCGM(1,1)C模型,将海上船舶交通事故特征输入到该模型中,并运用当前预测状态中间值作为修正产生,对灰色SCGM(1,1)C模型预测结果进行修正后,得到海上船舶交通事故预测结果。实验表明,该方法具备较强的海上船舶交通事故历史数据挖掘能力,灰色SCGM(1,1)C模型输出的海上船舶交通事故预测结果 DBI数值较高,预测海上船舶交通事故能力较好。

基于MPC的光电热联合系统建模与控制优化

为解决我国北方地区冬季采暖产生的能源消耗与环境污染问题,改善光资源丰富、较丰富地区光能利用率不足的现状,充分利用谷电和日照优势,针对太阳能利用与建筑采暖相结合的分布式能源系统性问题,提出一种基于TRNSYS动态建模与数值建模相结合的光电热联合供暖系统。综合考虑小范围内供暖温度的时滞性以及系统各设备的出力情况,联合Matlab搭建模型预测控制器(MPC),提出一种基于MPC的误差实时校正优化控制策略。分析表明:采用MPC的控制优化,在热负荷跟踪方面,最大误差降低4.16%,平均误差降低2.79%;在室内温度控制方面,最大偏差降低1.2℃,平均偏差降低0.2℃;在太阳能利用占比方面,太阳辐射强度趋近于800 W/m^(2)时,太阳能利用占比差距达最大8.9%。分析结果说明该系统可以更快速、更准确地跟踪建筑热负荷波动,并且有效抑制室内温度波动,提高清洁能源的利用率。

基于改进TS模糊的直流电弧炉闪变抑制优化

为提高静止无功补偿器(static var compensator,SVC)应对直流电弧炉等冲击性负载的闪变抑制性能,文中在改进Takagi-Sugeno(TS)模糊算法的基础上,提出一种SVC滚动预测控制方法。首先,建立直流电弧炉电气模型并仿真分析其无功特性;然后,针对经典TS模糊预测算法应用于波动负荷时出现的输出异常置0情况,提出一种范围自适应修正的改进方法,该方法能消除一类算法应用机理导致的异常值,从而提高TS模糊算法对波动负荷无功功率预测的可靠性和准确性;最后,基于模型训练时间约束,建立无功功率半周期滚动预测控制模型,提前10 ms预测无功功率,改善了SVC传统控制系统响应的滞后特性。仿真结果表明,相比于SVC传统控制方法,所提方法的平均闪变改善率提高了54.17%,验证了所提方法对闪变现象的抑制效果提升显著。

考虑骨料类型的沥青混合料疲劳预估模型

为了更准确预测不同骨料类型沥青混合料的疲劳性能,本研究基于JTG D50—2017《公路沥青路面设计规范》中的疲劳预估模型(JTG模型)进行了深入探讨。采用均匀试验设计法,对AC-16C型沥青混合料进行了四点弯曲小梁疲劳试验。通过67组玄武岩、石灰岩和花岗岩沥青混合料的疲劳数据,对JTG模型参数进行了修正。研究发现:(1)简化的JTG模型适用于沥青混合料疲劳寿命预估,不同骨料类型对模型参数a的取值有影响;(2)玄武岩沥青混合料疲劳寿命最长,石灰岩最短,花岗岩居中;(3)修正后的JTG模型与实际疲劳试验数据高度吻合。本研究为沥青混合料的疲劳性能提供了更为精确的预估模型。

基于ARMA-AE-LSTM模型的进场交通流预测方法

为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。

欠驱动高超滑翔飞行器集群协同编队控制方法

针对高超声速滑翔飞行器滑翔段轴向过载不可控导致编队位置控制困难的问题,提出一种基于一致性编队控制和预测校正理论的协同编队控制方法。在协同制导架构基础上,基于多智能体一致性理论设计分布式集群编队控制策略,由编队中各飞行器的绝对位置和相对位置生成协调变量,采用动态逆方法生成基本编队控制指令;通过设计侧向机动控制指令,对编队队形进行调整,并采用双阶段预测校正控制算法实现编队集群的侧向机动控制。仿真结果表明:该方法能够实现欠驱动高超声速飞行器集群的编队队形生成和保持、良好的编队队形调节能力及对初始位置误差的鲁棒性。

基于传感器的农业温室数据直报系统与智能调控研究

农业物联网、大数据、人工智能等技术的飞速发展为温室蔬菜生产的数据采集、分析、调控提供了有力支撑。为满足温室环境数据智能直报场景需求,制定了温室环境传感器的部署规范,设计并对比分析了基于LSTM、CNN-LSTM及CNN-LSTM-Attention的3种温室调控温度预测模型。基于CNN-LSTM-Attention预测模型的性能最好,其MSE、MAE、R^(2)分别为0.4570、0.3195和0.9873。设计了基于ARIMA的温室传感器数据纠错方法,实现土壤湿度预测数据值与实际测量差异不显著。整合了常见温室果蔬种植作物对环境信息的参数阈值模型,并开发了温室数据直报与智能调控系统移动端,能够指导温室环境传感器的规范部署、温度预测与纠错及常见温室果蔬种植辅助决策。研究结果为温室数据直报场景的数据采集、业务分析、温室调控提供技术手段,有助于智慧温室蔬菜产业高质量发展。

大断面浅埋隧道地表沉降Peck修正公式及其应用

针对经典Peck公式未考虑隧道断面形状、埋深对大断面浅埋隧道地表沉降影响的不足,考虑断面形状与隧道埋深修正系数改进Peck公式。利用白塔山隧道地表沉降实测数据对修正公式进行验证,两个监测断面预测值与实测值平均相对误差8.3%,最大相对误差18.4%。进而采用修正Peck公式对不同断面形状、不同埋深隧道开挖引起的地表沉降进行预测。结果表明:地表最大沉降与断面形状修正系数成正相关,地表最大沉降依次为矩形-1(Ⅰ)>马蹄形-1(Ⅱ)>圆形(Ⅴ)>矩形-2(Ⅲ)>马蹄形-2(Ⅳ);随着大断面浅埋隧道埋深增加,地表最大沉降减小而地表沉降槽宽度相应增大。地表沉降曲线形态由窄而深过渡到宽而浅,地表核心沉降区面积也逐渐减小。研究成果可为类似工程提供理论支持和技术参考。

注CO_(2)对原油体系黏度影响实验及其预测模型

为了探究不同温度、压力和CO_(2)含量对原油黏度的影响,采用轻质原油和CO_(2)体系室内实验的方法进行测试。结果显示:在一定温度或CO_(2)含量条件下,原油黏度随着压力的变化呈现出先降低、后升高的趋势,其中饱和压力起到关键的转折作用。此外,在保持压力恒定时,原油黏度随着温度的升高呈现出下降趋势。温度对黏度的影响相对于压力更为敏感,且随着CO_(2)含量的增加,温度对黏度的影响逐渐减弱。通过对贝格斯-罗宾逊模型进行修正,提出了一种含饱和压力的新预测模型,绝对平均百分比误差从52.83%降为8.96%。该模型在轻质原油条件下表现出更好的预测准度,为实际生产提供了一定的理论指导。

考虑时间约束的近解析滑翔轨迹快速规划方法

针对时间可控再入滑翔问题,提出一种基于阻力加速度-能量剖面的轨迹快速规划方法。该方法将滑翔轨迹规划问题分为纵向轨迹规划与侧向规划。在纵向轨迹规划部分,设计基于走廊边界双参数插值的多段光滑阻力加速度剖面,并给出终端当地弹道倾角约束的施加方法;重点推导考虑地球自转影响的时间、航程解析预测表达式,提升预测算法的快速性和精度,进而通过校正双剖面参数完成剖面设计,同时满足终端能量、航程、时间及当地弹道倾角约束。侧向规划则采用动态/静态航向角误差走廊方法,以实现禁飞区规避和终端航向调整;进一步引入考虑纵侧向运动耦合的目标航程及时间校正策略,完成考虑时间约束的3自由度滑翔轨迹生成。以美国通用飞行器CAV-H再入滑翔为例进行仿真,验证新方法的有效性、多任务适用性。验证结果表明:与现有时间解析预测方法相比,新的预测方法具有相当的计算效率和较高的计算精度优势;与现有基于标准剖面的方法相比,新规划方法具有较高的终端精度、计算效率以及较大的时间可调范围,亦可实现飞行能力边界的快速预示。

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

电力电子换流器无延时解耦并行仿真模型

为提高传统一步延时解耦模型的仿真精度,提出了一种电力电子换流器无延时解耦并行仿真模型.在预测步骤中,采用3/2步长预测解耦接口状态量;在校正步骤中,采用中矩形积分,对系统状态矩阵非对角的变导纳部分和状态量乘积矩阵进行离散化处理,构造出具有1/2时延的解耦形式,推导出无延时解耦并行仿真模型,并将其数值稳定域与传统一步延时解耦模型进行对比分析.最后,通过仿真和搭建物理实验样机来验证所提模型.结果表明:所提模型具有恒导纳、高精度和并行度的特点,大步长仿真结果与参考模型的最大相对误差低于5%,FPGA板卡上硬件资源LUTs、DSPs占比分别为8.2%和6.5%,可以实现280 ns步长的实时仿真.

基于多维关联规则的用电负荷智能预测方法

用电负荷预测受到冗余数据影响,负荷预测值与实际值相差较大,因此提出基于多维关联规则的用电负荷智能预测方法。使用多维关联规则挖掘用电负荷频繁项集,获取全部用电负荷待预测数据,根据挖掘结果划分用电负荷种类。计算多维关联规则提升度,预处理冗余数据,生成待预测目标集。根据获取的用电序列,整合全部频繁项集,构建预测模型,并进行强关联学习。通过调整负荷数据训练收敛程度,获取用电负荷的最大、最小值。在用电设备节点中注入用电负荷预测多维关联规则修正数值,避免噪声数据影响预测结果。实验结果表明,该方法最大、最小负荷与实际数据,分别在9月30日和6月15日存在5 MW和0.3 MW的误差,说明该方法预测结果精准。

基于深度学习的盾构姿态预测及纠偏研究

以苏州某在建隧道工程为研究背景,基于机器学习技术提出一种盾构姿态预测模型和纠偏方法。首先通过卷积神经网络挖掘盾构姿态数据的空间特征,然后通过双向长短期记忆神经网络挖掘数据的时序特征,紧接着通过注意力机制挖掘重要的时间特征信息。在预测结果的基础上,引入Apriori算法对盾构数据的关联规则提取,并提出盾构姿态纠偏方法。实验结果表明该文提出的盾构姿态预测模型具有较好的泛化能力,且相较于选取的3种基准模型,得到的均方根误差和平均绝对误差值最小,具有更高的预测精度。基于姿态理论控制模型,构建多环姿态控制模型,实现对姿态调整获取参数建议值,为智能化姿态控制提供参考依据。