依据智能交通的PHEV自适应指数模型预测控制

为了降低插电式混合动力汽车使用成本,提出了基于智能交通系统的自适应指数模型预测控制策略。介绍了PHEV混合动力系统及工作模式,建立了动力系统关键部件模型;提出了带SOC参考轨迹的自适应指数模型预测控制方法,在模型预测方面,使用支持向量机识别车辆行驶工况,根据行驶工况自适应调整指数模型,实现了车辆状态高精度预测;在SOC轨迹规划方面,使用智能交通系统实时获取交通信息,基于DP算法规划预测时域内SOC轨迹。经实验验证,相比于理论最优控制,基于实时交通信息的自适应指数模型预测控制方法实现了96.22%的使用经济性,无交通信息参考的模型预测控制只能实现84.34%的使用经济性,说明这里提出的控制方法可以实现很高的使用经济性。

崔柯—利茨自适应指数平滑法在医院管理中的应用探讨

目的 探讨崔柯—利茨自适应指数平滑法预测模型在医院管理中的应用价值。方法 由于医疗保障制度改革的影响,某医院2003~2004年门诊诊次数据出现了陡然下降的剧烈变化,其时间序列呈阶梯型。采用崔柯—利茨自适应指数平滑法对该院2008年门诊诊次进行统计预测。结果 利用该院1998~2007年门诊诊次数据建立预测模型,当时间序列急剧变动时,崔柯—利茨自适应指数平滑法建模所得预测值能够较快跟上时间序列的变动。本模型预测该院2008年门诊诊次为25.67万人次,2008年实际值为26.45万人次,绝对误差0.81万人次,相对误差2.95%,预测效果满意。结论 崔柯—利茨自适应指数平滑预测模型适用于数据结构发生剧烈变化的时间序列的统计预测,特别适用于阶梯形数据,是可供医院统计预测选用的模型之一。

基于自适应单指数平滑法的矿井防尘用水量预测

煤矿井下防尘用水量是矿井防尘供水管网优化设计和可靠性评价的基础参数,分析实测防尘用水量,发现用水量周期性变化规律,进而预测下一周期的防尘用水量,对于矿井防尘供水水源规划、供水优化调度、供水系统改造、评价供水管网系统可靠性具有重要意义。为实现矿井防尘用水量的准确预测,建立了自动调整平滑参数的单指数平滑法预测模型,并以开滦集团钱家营煤矿防尘用水量实测数据为例,验证了应用模型进行矿井防尘用水量预测的有效性。

基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测

锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架。选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解(CEEMDAN)对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型。以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果。

Prediction model for permeability index by integrating case-based reasoning with adaptive particle swarm optimization

To effectively predict the permeability index of smelting process in the imperial smelting furnace, an intelligent prediction model is proposed. It integrates the case-based reasoning （CBR） with adaptive par- ticle swarm optimization （PSO）. The nmnber of nearest neighbors and the weighted features vector are optimized online using the adaptive PSO to improve the prediction accuracy of CBR. The adaptive inertia weight and mutation operation are used to overcome the premature convergence of the PSO. The proposed method is validated a compared with the basic weighted CBR. The results show that the proposed model has higher prediction accuracy and better performance than the basic CBR model.