利用优选状态数的MCMC模拟农机装备负载

传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法中状态数的选取常依赖于主观经验,用于农机装备负载模拟时,状态数取值不当将导致负载模拟精度降低或算法运行时间冗长。针对此问题,该研究提出一种基于伪损伤一致性的状态数优选方法。首先确定MCMC算法中状态数的初选范围,然后分别计算范围内不同状态数所对应的负载模拟结果,最后以生成的模拟负载与原始载荷之间的损伤一致性为评价准则确定优选状态数。利用拖拉机关键零部件的实测载荷数据对该方法进行验证。结果表明,随着状态数的提高,模拟负载与原始载荷之间的损伤一致性变化趋于平稳,算法运算时长增速不断提高,相比于传统方法,基于优选状态数的MCMC算法能够得到伪损伤差异在1%以内的负载模拟结果,与载荷谱编制的目标需求更加匹配,在保证模拟结果精度的同时有效减少运算成本。该研究能够为农机装备关键零部件的动态仿真分析及可靠性试验提供更加可靠的数据支撑。

优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。