基于人工神经网络的建筑多目标预测模型

为得出一种能快够速且准确预测建筑能耗和室内热舒适状况的方法,提出应用人工神经网络来预测建筑能耗和室内热舒适状况的方法,并通过遗传优化算法对神经网络的连接权进行优化;其次,对影响建筑能耗和室内热舒适状况的主要因素进行分析,并针对这些主要因素建立基于GA-BP网络的建筑能耗和室内热舒适状况的预测模型;结合EnergyPlus模型计算所得出的144组样本数据,训练和测试所建立的住宅建筑能耗和室内热舒适状况的GA-BP网络模型,测试结果表明该模型有较高的预测精度。该预测方法的建立使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗和室内舒适状况,从而使设计向着有利于建筑节能和改善室内热环境的方向发展。

权重系数自适应调整的混合储能系统多目标模型预测控制

针对锂离子电池–超级电容车载储能系统在轨道交通领域的应用,以降低系统能耗、保证储能元件稳定运行为目标,提出一种多目标模型预测控制策略,包括系统损耗、超级电容电压、电池电流波动与电池内阻变化。针对多目标函数权重系数的设计,提出模糊控制–粒子群寻优两级优化方案。为提升控制策略的实用性,提出根据行车距离查询离线数据的方法。仿真结果表明,所提控制策略可行有效,能量利用效率高。

基于多目标模型预测控制的ANPC并网逆变器

三电平有源中点箝位(ANPC)并网逆变器能够平衡器件功率损耗,有效提高输出电能质量和效率。以三电平ANPC并网逆变器为研究对象,提出了一种多目标优化模型预测控制(MOO-MPC)算法,通过消除三电平输出可能产生多电平跳变的开关状态,可以减少模型的滚动优化次数。通过器件的开关动作损耗线性拟合,实时计算出各开关器件的功率损耗,并在目标成本函数中令不平衡损耗最小化。最后,通过算例分析验证了该控制方法的正确性和有效性。

基于满意优化的模糊多目标预测控制算法研究

提出了以满意优化取代传统的最优控制对模糊预测控制中的性能指标进行优化的方法。以模糊多目标单步预测模型为例 ,给出了系统对某一控制目标的满意优化控制算法 。

汽车自适应巡航跟车多目标鲁棒控制算法设计

为满足自适应巡航系统跟车模式下的舒适性需求并且兼顾车辆安全性,基于模型预测控制原理提出一种多目标鲁棒跟车控制算法.建立考虑前车加速度干扰的自适应巡航系统车间纵向运动学模型,该模型可全面反映系统的动态演化规律,提高模型的精度和可靠性;针对自适应巡航系统需求进行目标分析,设计一种考虑舒适性和安全性的多目标模型预测控制算法;针对模型预测控制算法鲁棒性较差的问题,引入修正项反馈,提高控制系统鲁棒性,采用向量约束管理法解决模型预测控制算法硬约束造成的控制系统无优化解问题.仿真结果表明:该算法使跟车时车辆加速度及冲击度保持在舒适性范围,同时车间距始终大于最小安全距离,兼顾了舒适性和安全性要求,实现了自适应巡航控制系统跟车目的.

基于pccsAMOPSO的宏观物流量多目标变权组合预测模型

针对现有中长期宏观物流量预测模型的局限性,提出基于pccsAMOPSO算法的多目标变权组合预测模型(Mutil-Objective Variable Weight Combination Prediction Mode,MOVWCP)对我国宏观物流量进行预测分析.为提高多目标变权组合预测模型的稳定性,提出了误差熵的概念,并与MAPE同时作为权重规划模型的目标函数,设计了基于pccsAMOPSO的智能启发式算法求解拟合期变权的Pareto前沿,并采用灵敏度差选取了变权Pareto解.一系列数值试验结果验证了本文提出的多目标变权组合预测模型及其算法的优越性.