基于分布式模型预测控制的城轨列车协同控制方法研究

围绕城市轨道交通列车高密度追踪控制问题,研究基于分布式模型预测控制(DMPC)的列车协同控制方法。首先,对列车进行受力分析并建立列车运行的状态空间模型,在此基础上提出系统控制目标并设计控制策略;其次,在保证行车安全的前提下,基于DMPC设计考虑位置、速度和加速度等前车动态行为的列车一致性协同控制方法,并应用李雅普诺夫稳定性定理对该系统的稳定性进行分析和验证;最后,结合北京地铁11号线西段线路,对提出的列车协同控制方法进行仿真验证。试验结果表明:提出的列车协同控制方法能够在保障列车安全运行的前提下,使列车间的状态达到一致,且具有良好的同步性。将本方法与跟随控制方法进行对比分析,结果表明:采用协同控制方法能够使列车间隔和速度差更小,满足城轨列车高密度追踪控制要求。

分布式城市需水预测模型

城市需水过程和城市土地利用单元的类型密切相关,不同建设用地类型对水资源的需求强度具有显著差异.本研究基于8类城市建设用地与3类主要城市需水过程的空间关系建立了分布式城市需水预测模型.以厦门市为对象进行模型的应用研究,通过PEST软件(parameter estimation)率定了建设用地单元上的需水参数,分析了参数的合理性,预测了厦门市2020年城市的需水总量及其空间分布.结果表明厦门市2020年的城市需水总量将达到36657万吨,比2014年增长24.17%;居民用地和工业用地的需水强度大于其他建设用地类型,厦门岛内居民用地的需水强度远大于厦门市其他行政区居民用地的需水强度.厦门市城市建成区需水量的空间分布与人口密度具有很好的相关性,不同用地类型上需水强度差异明显.

基于分布式模型预测控制的城市快速路多匝道协同控制

模型预测控制(Model Predictive Control, MPC)是一种适用于多匝道协同控制的控制策略,但其因计算时间过长而难以在复杂路网中实时实施。为了减少MPC控制复杂路网的计算时间,采用分布式控制思想,考虑交通流的单向性,提出一种贯序分布式多匝道MPC控制方案,各控制器依次根据上游控制器传递的交通信息确定最优匝道控制率。最优控制模型采用METANET交通流模型作为过程模型,综合考虑通行效率、匝道队列和控制信号波动构建目标函数,通过求解目标函数在线优化问题得到最佳的入口匝道控制率。仿真结果表明,相较于集中式MPC控制和分散式MPC控制,所提出的贯序分布式多匝道MPC控制方案可以在提高路网表现和降低计算复杂度间达到平衡。

基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络(Long Short-Term Memory,LSTM)和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型(LSTM模型、NeuralProphet模型、BP神经网络模型)相比,LSTM-NeuralProphet模型的平均绝对误差在四季24 h时间分辨率的数据集上降低了0.18%~1.96%,在夏季15 min时间分辨率的数据集上降低了0.45%~11.90%。实验结果表明,LSTM-NeuralProphet模型具有更好的拟合效果和更高的预测精度,能较准确地预测双时间尺度下的城市需水量,可以较好地应用于城市短期需水预测研究中。

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.

系统动力学模型用于城市需水量预测

将系统动力学方法运用于城市需水量预测,其建立的模型可以全面地考虑各种主要因素对城市需水量的影响,较好地解决社会及经济发展水平等影响城市需水量预测所产生的误差问题。结果表明,应用系统动力学模型预测城市需水量,系统性强,预测结果准确度高。

应用灰色新陈代谢GM(1,1)模型预测中长期城市需水量

研究了灰色系统理论在中长期城市需水量预测中的应用。由于常规GM(1,1)模型被用于预测时,精度较高的仅仅是最近的几个数据,越往未来发展,该模型的预测意义就越弱。针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型。并利用此模型对北方某缺水城市未来10年的需水量进行了预测。结果表明:模型精度较高,预测误差较小。对于中长期城市需水量预测这样复杂的问题,灰色新陈代谢预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期城市需水量预测的工具之一。

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m3和79 818.34万m3,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.

城市需水量预测模型的评价和选优研究

在系统研究国内外城市需水量预测方法和模型的基础上,对各种预测方法和模型进行了归类,并重点分析评价了自适应过滤模型、回归分析模型、灰色预测模型、组合预测模型、系统动力学模型、人工神经网络模型、支持向量机模型等目前几种常用的预测模型,比较了各模型的预测效果、精度、应用条件等,最后探讨了实际运用中预测模型的选优问题,为具体情况下预测方法的选择提供了参考。

基于遍历灰色模型的城市生活需水量预测研究与应用

介绍遍历灰色模型T—GM（1，1）的原理及建模方法，以昆明市1995-2005年城市生活用水量为原始数据建立遍历灰色模型T—GM（1，1），运用后验差对模型进行精度检验，其模型拟合精度高、精度等级为一级．利用所建模型对昆明市2006-2008年的生活需水量进行预测，预测结果与实际用水量非常相近，相对误差最大仅为0．818％，具有很高的预测精度．经预测，2010年昆明市生活用水量为3．111×10^8m^3，2020年将达到4．570×10^8m^3．

基于分布式水文模型的城市暴雨积水过程模拟

采用分布式水文模型对暴雨内涝过程进行了建模分析,以降雨、产流、汇流、排水、积水为序,计算出不同降雨强度下、不同渍水点处积水信息的时序结果。通过对贵阳市花溪区实验区域进行建模,并对有无建筑物约束情况下的积水扩散进行对比实验,结果显示存在建筑物约束情况下的积水扩散实验更符合实际的积水淹没效果。该模型能够对水务、交通等相关部门的科学决策起到基础支撑作用,更加满足海绵城市对城市治涝的需求。

灰色预测模型在城市需水量预测中的应用

城市需水量的预测对给水工程运行管理和城市基础设施规划有重要意义。文中利用灰色系统理论建立预测年需水量的GM(1,1)模型,并以北京市年用水量为原始数据进行了实际预测,且通过后验差检验验证了GM(1,1)模型的应用条件及其在需水量预测中的应用范围,可为我国其他城市年用水量预测提供参考。

等维新息GM(1,1)模型在郑州市城市生活需水量预测中的应用

针对常规GM(1,1)模型存在的不足,建立了等维新息GM(1,1)城市生活需水量预测模型。利用此模型对郑州市2010、2015和2020年的需水量预测结果分别为36003×104m3、51216×104m3和73349×104m3。

基于BP神经网络构建城市时需水量预测模型

针对建立精确的时需水量与其影响因素的显式预测模型比较困难的问题,在研究天气因素对供水系统日需水量影响的基础上,建立了时需水量天气因素敏感的BP模型。结合水厂的实际供水量历史数据,基于MATLAB语言编写相关计算程序,验证了模型的可行性。

灰色预测模型的改进在城市需水量预测中的应用

阐述灰色预测模型计算步骤及其改进方法,将改进灰色预测方法应用到石河子市城市需水预测的实例研究中,通过对预测结果的分析,发现改进模型的模拟精度更高,预测结果可为石河子市用水规划和宏观调控提供参考。

基于灰色Verhulst的城市生活需水量预测模型

根据城市生活需水量的特性,建立基于灰色Verhulst的城市生活需水量预测模型,可解决需水量呈S形曲线增长时的中长期预测问题。实例应用表明,灰色Verhulst模型用于城市生活需水量预测,能够满足精度要求。

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。

改进的灰色预测模型在城市年需水量预测中的应用

应用灰色系统理论建立了某城市年需水量的灰色GM(1,1)模型。在分析灰色预测模型建模思路及建模前提的基础上,应采用改进的灰色预测模型进行该市年需水量预测。结果表明:改进灰色预测模型与灰色GM(1,1)模型相比,平均相对误差以及原点误差均较小,适用性范围更广,可用于城市的年用水量预测。

粒子群算法在城市需水预测模型中的应用

需水预测是确定城市水资源规划和管理决策的重要依据,其预测精度受到诸多因素的影响,具有较大的不确定性和模糊性。作为一种新型集群智能进化算法,粒子群优化算法具有容易理解,易于实现,不要求目标函数和优化条件可微等特点,十分适合应用于非线性模型参数的拟合问题中,因此本文将其引入需水预测领域,用来拟合需水预测指数模型中的参数并应用两篇文献中的实例检验建立的模型。检验结果表明,相对于复杂模型,用粒子群算法拟合该模型不仅容易实现而且具有更高的预测精度,因此在需水预测中有很强的适用性。