计及工况预测误差的主动配电网日前无功优化调度策略

为解决工况预测误差较大时,日前无功优化调度方案优化效果不佳的问题,提出了计及工况预测误差的主动配电网日前无功优化调度策略。首先,使用轻量级梯度提升机算法建立日前工况功率预测模型;其次,考虑大规模高比例分布式电源接入主动配电网,以调度时段内所有时间断面的多目标加权累加和为目标函数建立日前无功优化调度模型;最后,设计了一种变寻优粒子空间的改进引力搜索算法对日前无功优化调度模型进行求解,该算法根据历史工况预测误差评价指标调整寻优粒子空间各维度的上下限矩阵,从而抑制了当无功区域内工况预测误差较大时可控设备调度异常的缺陷。最后采用拓展的IEEE 33节点系统算例进行有效性验证。

融合工况预测的燃料电池汽车里程自适应等效氢耗最小控制策略

为有效地提高插电式燃料电池汽车的经济性,实现燃料电池和动力电池的功率最优分配,考虑到行驶工况、电池荷电状态(State of charge,SOC)、等效因子与氢气消耗之间的密切联系,制定融合工况预测的里程自适应等效氢耗最小策略.通过基于误差反向传播的神经网络来实现未来短期车速的预测,分析未来车辆需求功率变化,同时借助全球定位系统规划一条通往目的地的路径,智能交通系统便可获取整个行程的交通流量信息,利用行驶里程和SOC实时动态修正等效消耗最小策略中的等效因子,实现能量管理策略的自适应性.基于MATLAB/Simulink软件,搭建整车仿真模型与传统的能量管理策略进行仿真对比验证.仿真结果表明,采用基于神经网络的工况预测算法能够较好地预测未来短期工况,其预测精度相较于马尔可夫方法提高12.5%,所提出的能量管理策略在城市道路循环工况(UDDS)下的氢气消耗比电量消耗维持(CD/CS)策略下降55.6%.硬件在环试验表明,在市郊循环工况(EUDC)下的氢气消耗比CD/CS策略下降26.8%,仿真验证结果表明了所提出的策略相比于CD/CS策略在氢气消耗方面的优越性能,并通过硬件在环实验验证了所提策略的有效性.

融合工况预测的混合动力拖拉机自适应能量管理策略

针对传统等效燃油消耗最小策略(ECMS)下等效因子取值固定和工况适应性差的问题,提出了一种融合拖拉机工况预测的自适应等效燃油消耗最小策略(PA-ECMS)。以搭载混合动力液压机械无级变速动力总成的大马力拖拉机为研究对象,将ECMS策略应用于混合动力拖拉机的动力分配。首先,基于径向基(RBF)神经网络,建立了拖拉机工况预测模型,通过历史工况预测未来一段时间的工况信息;接着,结合电池荷电状态(SOC)反馈和预测的工况信息,对等效因子进行自适应调整;最后,在PA-ECMS策略框架下,对混合动力拖拉机的功率进行优化分配。仿真结果表明:与固定等效因子的ECMS策略和仅基于SOC反馈的自适应等效燃油消耗最小策略(A-ECMS)相比,采用所提策略时拖拉机在犁耕工况下的油耗分别降低了6.30%和2.55%,且具有更好的电量维持性能。

基于机器学习的纯电动汽车未来工况预测

针对新能源汽车未来行驶工况难以精确预测从而导致电池荷电状态(SOC)无法准确估计的问题,基于数字地图实时车流信息,结合机器学习算法对纯电动汽车未来行驶工况进行实时在线预测,并在互联网分布式实车在环仿真平台上开展了试验验证。结果表明,所提出的行驶工况预测算法具有较高的实时性和准确性。

基于工况预测的电动汽车两挡AMT换挡过程控制

电动汽车两挡AMT换挡过程中,在驱动电机扭矩卸载和恢复阶段,驱动电机扭矩变化速率对冲击度影响最为明显,而冲击度和换挡时间是对立的,为了平衡换挡时间和冲击度,提升换挡品质,提出一种基于工况预测的扭矩控制策略。采用欧几里得贴近度识别车辆实际行驶工况类型,建立径向基函数(Radial Basis Function,RBF)神经网络预测未来行驶车速信息;设计模糊控制器识别驾驶员期望换挡类型,在驱动电机扭矩卸载和恢复阶段,输出相应换挡类型的驱动电机扭矩变化速率。仿真分析和实车验证表明:基于工况预测的扭矩控制策略可根据预测车辆的实际行驶工况实时调整驱动电机扭矩卸载和恢复阶段的驱动电机扭矩变化速率,平衡换挡时间和冲击度,满足了驾驶员对换挡平顺性和动力性的需求,有助于实现换挡品质的提升。

改进型混合动力汽车工况预测算法的应用仿真

全局优化控制策略是一种能达到最优节能的策略,但有即时性差的缺点,车辆应用面窄。针对这一缺点,在模糊聚类理论基础上建立了一种改进的混合动力汽车工况预测算法,经过模拟仿真,此算法对行驶工况的识别和预测效果较好。在混合动力汽车应用方面,将此算法与全局优化算法相结合,仿真发现其拥有全局优化控制策略的节能优点,同时改善即时性差的缺点,可直接应用。

基于工况预测的复合储能系统功率分配策略研究

本文中提出了一种基于工况预测的复合储能系统自适应神经模糊功率分配策略,采用马尔可夫链模型对汽车未来的运行工况进行预测,得到的车速预测结果,作为自适应神经模糊控制器的一个输入,经自适应神经模糊控制器处理后得到功率分配值。实验结果表明,采用自适应神经模糊控制的复合储能系统功率分配策略可明显提升电池寿命,降低综合使用成本。

混联式混合动力汽车工况预测能量管理研究

为了解决混合动力汽车预测能量管理策略中工况预测不准确的问题,探索研究了基于工况预测的能量管理策略。首先基于模型预测的方法分别建立了多阶马尔可夫和神经网络的预测模型,对工况进行预测;在此基础上提出模型预测能量管理策略的方法,利用动态规划作为其滚动优化部分对混合动力整车的能量进行优化分配。通过仿真计算表明,基于神经网络的工况预测方法具有较高的精度,能够满足使用要求;同时基于神经网络的模型预测能量管理方法能够逼近动态规划算法的最优性,而且具有一定的实时应用潜力,为后期实车能量管理策略的实时应用打下基础。

液力反馈型空心杆采油工艺系统工况预测模型分析

针对液力反馈原理的新型空心杆采油工艺的特点 ,在理论分析的基础上 ,考虑液体运动、空心杆柱受力等因素的影响 ,完成了液力反馈型空心杆采油管柱力学分析 ,建立了空心杆采油的二维数学模型。在不同泵径、泵深、冲程、冲次、密度和含水率条件下 ,对液力反馈空心杆采油工艺系统进行了工况预测 ,分析了这些参数对系统的影响。

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。

基于越野工况预测的混合动力履带车辆能量管理策略

针对越野环境下混合动力履带车辆能量管理问题,设计了一种基于越野工况预测的能量管理策略。使用车载传感器测量车速、车辆姿态角,基于支持向量机进行路况分类,建立越野路况识别模型;针对不同的越野路况,基于马尔可夫链利用历史行驶车速和加速度建立速度预测模型;以某混合动力履带装甲车辆为对象,设计模型预测控制策略进行能量管理控制。研究结果表明,所提出的能量管理策略能够完成越野环境下履带车辆能量管理控制目标,有利于改善混合动力履带车辆性能。

基于马尔可夫链的汽车行驶工况预测

城市道路中汽车的行驶工况复杂多变。本文首先基于统计学方法探究不同地理特征对车辆速度行为的影响规律,建立不同地理特征的车辆行为数据库,详细阐述了试验数据的处理与转移概率矩阵的求解。在此基础上,利用马尔可夫链对未来行驶路线已知的汽车行驶工况进行预测。最后,以实测数据对工况的预测精度进行分析和验证,验证结果表明特征参数中平均速度的相对误差最小仅1.1%,匀速时间比的相对误差最大为14.7%,此预测方法可行。

基于灰色预测模型的有杆抽油系统工况预测研究

为了能及时跟踪有杆抽油系统在井下作业过程中出现的故障问题,以便进行针对性的处理,对工况进行预测就变得很有意义。通过使用灰色预测模型对泵功图的特征值进行预测,将预测数值与原数值对比,分析其误差。结果表明,该预测模型的拟合程度较高,对有杆抽油系统的工况预测有良好的效果。

基于电动汽车工况识别预测的锂离子电池SOE估计

能量状态(SOE)是电动汽车动力电池的重要状态指标,直接影响电动汽车续航里程,受电动汽车工况显著影响。为进行基于电动汽车工况的SOE估计,对SOE估计方法、行驶工况识别算法、行驶工况预测算法展开研究,建立基于模型的电池剩余能量状态(SOR)估计方法,提出基于信息熵理论的行驶工况识别算法,应用马尔科夫链理论构建了行驶工况预测算法,建立电动汽车系统模型,仿真获取电动汽车预测行驶工况对应的电池预测工况,实现基于电动汽车工况识别与预测的SOE估计。仿真结果验证了该方法的有效性。

页岩气压裂井下工况多步预测方法研究

为实现页岩气压裂井下工况预测,及时预控异常工况,基于粒子滤波（PF）算法与自回归滑动平均（ARMA）模型,提出优化的局部加权线性回归（LWLR）模型的方法。该方法以ARMA模型与PF算法构建PFARMA模型,并用该模型预测井口压力的变化,再将预测效果作为优化LWLR模型参数的依据,得到最优压力参数的LWLR模型,最后以某段页岩气压裂压力数据为例,比较优化的LWLR模型与传统模型的预测结果。结果表明：优化的LWLR模型预测精度有所提高,并且更能准确描述数据的变化趋势及幅度。

基于能耗参数辨识和路况预测的剩余续驶里程数据驱动算法

提出了一种基于大数据监控平台的纯电动汽车剩余续驶里程(remaining driving range,RDR)估计算法。首先利用历史运行数据实现车辆纵向动力学参数辨识,并忽略车辆参数变化和其他附件能耗变化。然后采用k近邻法(k-nearest neighbor,kNN)结合实时监控数据完成道路工况预测,进行准确的能耗估算,最终实现RDR估计。与传统的RDR估计相比,提出的方法能将最大误差控制在3km以内,具有更高的估算精度。

考虑交通信息的PHEV电量消耗轨迹预测与跟随算法研究

为提高插电式混合动力客车的燃油经济性,可利用智能交通系统(intelligent transport system,ITS)提供的多种交通信息设计工况自适应能量管理策略。为此,首先搭建了能采集多种ITS信息的仿真平台,发现了电池电量消耗速率与交通拥堵等级之间的显著相关性。据此,先利用交通拥堵等级预测剩余行程的车速以分配各路段的电量,再利用多种信息准确地预测当前路段的车速,并结合当前路段的可用电量得到电量消耗轨迹。最后在线应用时通过跟随该轨迹实现最终的能量管理策略。通过仿真分析,发现该策略的性能较CDCS策略最多可提升15%,接近动态规划所得的全局最优解。

基于深度学习的核电站事故预测及故障诊断方法

一种基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型被用来预测核电站异常工况,以有效解决核电安全系统中工况参数预测的问题。该模型利用LSTM对于长时间序列数据处理的优势,关注异常工况中核心参数的预测。根据异常工况的预测需要,LSTM模型预测功能的训练通过历史运行数据集和滚动更新方法(Rolling Update,RU)完成,并且通过测试数据集进行了实验验证。实验结果表明,此模型能够在事故工况下有效地预测核心参数变化趋势,损失值可低至3.7×10^-6。同时在小型失水事故(LOCA)的模拟工况预测中,LSTM模型能够对存在差异的同一类事故做出准确的工况走势预测,展现了其对于同类型事故工况的良好适应性。与传统数理统计方法和传统RNN方法的对比结果证明,基于LSTM的深度学习方法能够有效提升异常工况预测的准确度和时效性。

基于深度强化学习的混合动力汽车能量管理策略

混合动力汽车作为新能源汽车在现阶段过渡状态的发展主力,其电池效率和经济性至关重要。为了实现实时优化并且改善混动汽车的部分参数,提出了基于深度强化学习的能量管理策略,并在仿真过程中引入神经网络对工况进行预测。以混合动力汽车模型以及参数作为支撑,搭建了混合动力汽车仿真环境,与建立的能量管理模型进行迭代交互。应用深度强化学习中的不同算法对电池功率进行控制和改善,得到了不同算法下的优化结果,验证了所建立模型的有效性和可靠性,对电池的优化以及功率调控具有一定的实际意义。

煤气输送工况的诊断和预测

１引言煤气在输送过程中有时会发生一些异常情况，如压送机机后压力升高超过正常值，需要及时“诊断”输气阻力增大的原因并排除故障。由于道路施工或污水腐蚀等原因，煤气管道的断裂、泄漏事故亦会发生，在抢修时需改变原煤气管网的运行方案。只有事先预测新运行方案的可...