一种适用于模块化多电平换流器的多阶段模型预测控制方法

模块化多电平换流器(MMC)具有可扩展性强、输出电能质量高等优点,在电能传输领域受到了广泛的关注。针对传统模型预测控制权重因子设计复杂、桥臂环流谐波分量大等问题,文中提出了一种多阶段模型预测控制(MSMPC)方法。所提出MSMPC方法包括三个阶段:1)第一阶段获得输出电流跟踪的参考控制选项,实现交流电流控制;2)第二阶段通过引入两个环流因子来计算前阶段控制中上、下桥臂的子模块(SMs)的最优数量;3)第三阶段提出一种子模块预测电压分组排序方法,可有效减少电压排序次数和降低开关频率。与传统的MPC方法相比,所提出的MSMPC方法避免了权重因子设计,提高了环流抑制的性能,同时降低了控制器的计算量。通过仿真和实验结果验证了所提MSMPC方法的有效性。

冬小麦产量分阶段预测模型

为了解决冬小麦估产的时效性和运行化问题,通过对河北省玉田县2007～2009年冬小麦的连续监测,在不同生育期(抽穗期、灌浆期和收获期)对其产量构成三因子(穗数、粒数和粒质量)进行实地抽样测定,并结合冬小麦各个生长发育期的生理生态特点,建立相应的分阶段单产预测模型。试验发现,单因子模型的应用,可使冬小麦估产的预报时间提前到抽穗期,其拟合精度可达到88%以上。双因子模型的应用可使预报时间提前到抽穗后期至灌浆期,模型拟合精度大于90%;结果表明,冬小麦分阶段预产模型可以作为县级区域农业遥感业务化运行系统的基础,增强农业遥感监测产量的预警能力。

基于油液分析的装备状态多阶段组合预测模型

状态预测是状态维修的关键步骤之一。针对装备状态变化规律复杂、特点难易准确掌握的关键问题,以延时时间概念和两阶段预知模型为基础,提出了根据不同阶段特点采用不同预测方法的多阶段组合预测模型。通过油液分析及其相关规定,对装备运行阶段进行了具体划分,给出了适应各阶段特点的预测方法。最后,通过实例验证了该模型的有效性。

面向“最后一公里”的无人机需求预测

针对"最后一公里"配送的无人机需求预测问题,考虑无人机性能、空域环境和运输任务等限制条件,分别以最大化快递运输量、最小化运输成本为目标函数,建立多阶段无人机需求预测模型。考虑快递业务历史数据和影响因素,建立组合预测模型预测快递业务量;利用动态分配算法预测无人机快递分担量和无人机需求量。以某区域实际快递数据和低空飞行条件进行算例分析。结果表明,本文提出的预测方法不仅可以根据配送中心业务量、工作时间和成本要求提供灵活的无人机需求方案,还能够使得无人机的工作时间利用率达到95%以上。

基于小波分解技术和随机森林算法的负荷概率预测

当前负荷概率预测受到越来越多研究人员的关注,其中多阶段预测系统已经证明了其在提高负荷概率预测整体性能方面的有效性。在使用分位数回归森林和随机森林建立概率预测之前,采用4种基于小波分解的方法预处理负荷时间序列,通过不同的模型对变换得到的负荷分量进行预测,以提高预测精度并减少计算工作量。以2014年全球能源预测竞赛期间公布的实际数据为例进行了数值仿真分析,并与多个基准进行了比较,证明了所提方法的有效性。

含电池储能系统的智能楼宇多阶段能量管理策略

智能楼宇是新型电力系统中不可或缺的组成部分。面对分布式电源出力与负荷需求的不确定性的问题,智能楼宇系统的可靠与经济运行更加依赖于内部能量的优化调度。为协调优化智能楼宇的能量管理,为含电池储能系统以及充电场站的智能楼宇提出了一种多阶段能量管理方法:在日前阶段,设计采用能够应对可再生电源出力和负荷需求不确定性的鲁棒优化策略,同时考虑了储能系统的时间耦合约束;在日内阶段,基于加权模型预测控制的方法,以日前优化策略为参考,采用滚动优化和反馈校正的方式,动态调整各可控机组的有功出力、储能系统的充放电功率、电动汽车的充电策略以及与主网的能量交易,以适应源荷实时波动性。对某智能楼宇利用风电和光伏能源、采用传统的和本文提出的能源管理策略时的数据进行仿真分析。结果表明,本文所提出多阶段能量管理方法可有效控制含电池储能系统的智能楼宇的运行成本,同时可降低与主网的联络线功率,减小可再生能源和负荷的随机性和波动性对系统运行的影响。

公司多阶段财务危机动态预警研究

以上市公司的季度数据为研究样本,以指数加权移动平均控制图模型为研究方法,以被实施特别处理和暂停上市为两个财务危机演变状态,建立了一个多阶段动态财务危机预警模型;实证结果表明,该模型对上市财务危机公司具有较好的预测效果,有较大的应用价值.

Two-stage prediction and update particle filtering algorithm based on particle weight optimization in multi-sensor observation

The reasonable measuring of particle weight and effective sampling of particle state are consid- ered as two important aspects to obtain better estimation precision in particle filter. Aiming at the comprehensive treatment of above problems, a novel two-stage prediction and update particle filte- ring algorithm based on particle weight optimization in multi-sensor observation is proposed. Firstly, combined with the construction of muhi-senor observation likelihood function and the weight fusion principle, a new particle weight optimization strategy in multi-sensor observation is presented, and the reliability and stability of particle weight are improved by decreasing weight variance. In addi- tion, according to the prediction and update mechanism of particle filter and unscented Kalman fil- ter, a new realization of particle filter with two-stage prediction and update is given. The filter gain containing the latest observation information is used to directly optimize state estimation in the frame- work, which avoids a large calculation amount and the lack of universality in proposal distribution optimization way. The theoretical analysis and experimental results show the feasibility and efficiency of the proposed algorithm.