基于CPS和VMD的实时电力需求饱和自适应预测

电力数据具有非平稳性和随机性的特点,导致电力需求预测结果误差较大,为此,提出基于CPS和VMD的实时电力需求饱和自适应预测方法。基于CPS与VMP建立自适应变分模态分解模型,利用实时电力需求序列和各模态分解余量之间的信息散度差来判断相关性程度,实现模态分解,通过自适应模态分解得到电力需求序列的分解余量,依靠其建立自适应预测模型,并对模型进行训练,完成对实时电力需求饱和自适应预测。实验结果表明,设计方法预测结果的平均绝对误差低于5.0,平均绝对百分比误差低于2.45%。

基于广义回归神经网络的风力发电场设备温度自适应预测方法

传统预测方法很难有效处理风力发电场设备温度各种影响因素之间的非线性关系,从而导致预测结果的不准确。针对上述问题,研究一种基于广义回归神经网络的风力发电场设备温度自适应预测方法。分析风力发电场设备温度影响因素并收集这些因素对应的数据,组成样本,对样本实施离群值处理和归一化处理。利用广义回归神经网络自适应预测设备温度并利用鸽群优化算法(PIO算法)自适应调整广义回归神经网络预测模型参数——平滑因子σ,提高其自适应能力。结果表明,所研究方法的预测偏度最高误差仅为0.3℃,说明该方法在预测温度时具有良好的准确性,预测值接近实际值。

带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.

基于热湿负荷与自适应预测时域微网优化调度

为了提升建筑冷热电联供(CCHP)微网灵活性并减少负荷波动,开展建筑湿负荷参与日前需求响应的效果和日内预测时域的自适应调节方法研究.在日前阶段,构建包含建筑湿负荷的冷负荷需求响应模型;在日内阶段,提出基于预测负荷方差的自适应预测时域模型预测控制(MPC)方法.在日前阶段,分析分时电价下包含湿负荷的冷负荷需求响应对总经济成本和蓄能水罐蓄冷量的影响;在日内阶段,分析采用自适应预测时域MPC方法对计算时间、成本和各类设备工作状态的影响.结果表明,考虑湿负荷的冷负荷需求响应降低了日前阶段成本7.75%;在日内阶段,自适应预测时域MPC方法不仅能够平衡计算时间和成本,还能够增加蓄能量和平滑燃气内燃机出力.

城市固废焚烧过程烟气含氧量自适应预测控制

在城市固体废弃物焚烧(Municipal solid waste incineration,MSWI)过程中,烟气含氧量是影响焚烧效果的重要工艺参数.由于固废焚烧过程的复杂性,在实际应用过程中,难以实现烟气含氧量的有效控制.面向城市固废焚烧过程烟气含氧量控制的实际需求,提出一种基于数据驱动的烟气含氧量自适应预测控制方法.首先,采用自适应模糊C均值(Fuzzy C-means,FCM)算法辅助确定径向基函数(Radial basis function,RBF)神经网络隐含层神经元个数及初始中心,建立基于FCM算法的径向基函数神经网络预测模型,并在控制过程中通过自适应更新策略在线调节预测模型参数;然后,利用梯度下降算法求解控制律,并基于李雅普诺夫理论分析了所提控制方法的稳定性;最后,基于城市固废焚烧厂实际数据,验证了所提控制方法的有效性.

四轮驱动电动汽车转向行驶自适应预测控制

为改善四轮驱动电动汽车在转向行驶工况下因车速较快导致的横向稳定性下降问题,提出了一种基于模型预测控制(Model Predictive Control,MPC)的自适应预测控制方法。在建立车辆三自由度模型、轮胎模型和驾驶员模型的基础上,通过结合模型预测控制和比例积分微分(Proportional Integral Derivative,PID)控制,设计了自适应预测控制器,以实现四轮驱动电动汽车横向稳定控制。通过CarSim软件与Simulink软件进行联合仿真,结果表明,与传统PID控制相比,自适应预测控制的侧向位移减小了7.9%,横摆角速度降低了37.5%,所提出的控制方法有效提高了期望路径的跟踪精度,改善了四轮驱动电动汽车在转向行驶过程中的横向稳定性。

无模型自适应预测控制的研究与应用

所谓的无模型自适应其实是一种以动态模型为基础来设计的一种自适应的方法,更确切地说是“基于动态模型的自适应方法”,从名称上即可看出其特征,而其依靠“动态模型”,用来判断此方法是否可行的基础,同时,按照对象能够直接简化为“动态模型”,以此来判定是否适用于系统,本篇文章的重点就是分析无模型自适应预测控制的研究与应用。

一类非线性系统的自适应预测控制

针对一类非线性系统 ,将其等价为时变线性系统 ,然后用三次样条函数逼近时变系数 ,利用梯度算法在线辨识多项式的系数以实现时变系统的参数估计 ,最后运用广义预测控制策略 ,实现了对原非线性系统的自适应预测控制 .

基于神经网络自适应预测算法的谐波检测

神经网络已广泛应用于谐波检测中,它能单步推出各次谐波分量,具有计算量少、精度高等优点,提出一种基于神经网络的自适应预测算法,利用当前时刻数据和前N 1个时刻的历史数据,可预测出将来时刻的谐波电流,从而快速、准确地跟踪负载电流的变化,实现了谐波检测的实时性、快速性,达到了预测速度和精度的统一。仿真结果表明该算法对各次谐波兼具良好的预测速度和精度,与目前常用的基于瞬时无功功率的ip iq算法相比,在负载电流发生突变时,该算法延时更小,收敛速度更快。

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(p,d,0)模型结构的时间序列分析方法,提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验,结果表明:减小遗忘因子可以提高一步预测的性能。此外,将该算法分别应用于工作日和双休日的数据时,仿真实验都取得了较好的预测效果,说明该算法对不同交通流状况具有较好的适应性。

基于背景杂波自适应预测的红外弱小目标检测

文章根据背景杂波和运动目标的红外成像差异 ,提出了两种自适应杂波预测技术的低信噪比小目标检测方法。首先讨论了一种基于均方误差最小的自适应线性预测器 ,该预测器计算量小 ,易满足实时要求 ,且对平稳和线性云层红外背景图像具有很好的背景预测能力。然后提出了一种基于非线性函数可调整的BP神经网络预测器 ,该预测器中的非线性函数可调整且非线性程度很高 ,能很好的适应各种复杂的起伏背景 ,特别是非平稳和非线性杂波背景。

基于三维自适应预测的高光谱图像无损压缩算法

利用高光谱图像具有较强的谱间相关性的特点 ,本文提出一种基于三维自适应预测的高光谱图像无损压缩方法 ,首先根据相关系数计算波段预测顺序 ,然后利用相关性较强的空间邻点和谱间邻点 ,采用基于神经网络模型的自适应预测方法进行三维预测编码 .实验结果表明 ,该方法能够有效的去除高光谱图像的空间和谱间相关性 ,与现在最优的无损压缩国际标准JPEG LS相比 ,压缩后的平均比特率能够降低 0

跟踪系统中跟踪器延迟的自适应预测补偿方法

跟踪系统中跟踪器的延迟会对系统的稳定性和跟踪精度产生不利影响。为此以典型Ⅱ型系统为例,理论上定量地分析了跟踪器延迟对跟踪系统的影响,并提出了将采用LMS算法和横向滤波器结构的自适应滤波器用于延迟预测补偿的方法。仿真结果验证了方法的有效性。

基于背景自适应预测的红外弱小运动目标检测

介绍了一种检测背景杂波中弱小红外目标的新方法．该方法根据背景红外辐射空间分布上的相关性，采用ＬＭＳ自适应空间预测滤波技术对背景空间红外辐射分布进行预测，并根据预测误差检测红外运动目标．本文还介绍了改进预测效果的方法，并以实际录取图像的处理结果。

矿井瓦斯浓度自适应预测及其预警应用

为有效分析煤矿瓦斯监测数据,较准确地预测瓦斯浓度,根据矿井瓦斯实时监测数据和现场采煤方式的特点,分解数据形成的时间序列,用自回归(AR)、径向基函数神经网络(RBFNN)和高斯过程回归(GPR)3个模型组合进行预测。以预测有效度作为其精度的评估指标,得出最佳瓦斯浓度预测结果,实现瓦斯浓度自适应预测,并结合瓦斯监测数据的统计特征,实现瓦斯浓度的实时动态预警。实例分析表明:应用该方法能够提高预测精度,实现超前预警。

月径流序列的混沌特征识别及Volterra自适应预测法的应用

在混沌动力系统相空间重构的基础上,利用关联维数法和最大Lyapunov指数法,对月径流时间序列进行混沌特性识别。然后结合自适应技术的实时递推特性和Volterra级数的非线性表征能力,利用Volterra自适应滤波法可对径流时间序列进行预测。通过江桥站和丰满水库实际月径流序列的预测结果表明,月径流序列中存在着一定的混沌特征。应用Volterra自适应法可以有效地对水文时间序列进行预测,与加权一阶局域预测法相比,能够实现更高精度的多步预测。

混沌跳频通信的非线性自适应预测对抗

基于混沌跳频码序列构造固有的确定性、非线性等特点，提出了对抗混沌跳频通信的非线性自适应预测对抗的新概念。以 Ｌｏｇｉｓｔｉｃ－Ｋｅｎｔ映射设计的混沌跳频码为例，采用基于 Ｓｉｇｍｉｏｄ函数的Ｖｏｌｔｅｒｒｅ自适应滤波预测器对其进行预测研究。仿真实验结果表明：非线性自适应预测器比神经网络预测器具有更高的预测对抗效果。

化工过程强非线性系统的变模型自适应预测控制

提出一种变模型自适应预测控制算法 ;基于非线性状态空间模型 ,通过每步在当前工作点 (非平衡点 )线性化获得线性化子模型 ,以此进行状态反馈预测控制 ,线性化子模型随工作点变化 ,且不限于平衡点。通过pH值控制的对比仿真实验 ,证明其对强非线性过程的控制效果优于传统的多模型预测控制。最后分析讨论了该控制算法存在的几个重要问题 。

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。

无线传感器网络自适应预测加权数据融合算法

为提高无线传感器网络监测系统的可靠性及寿命,提出了一种基于分簇的自适应的预测加权数据融合(AFWDF)算法。AFWDF算法依据数据在时间上的相关性,建立预测模型。源节点与簇头利用前期监测数据的变化态势自适应调整预测模型参数对后期数据进行预测,源节点通过预测值与测量值比较提取特征值和剔除异常值,簇头根据特征值和预测值还原监测值,并计算监测值可信度和权重进行加权数据融合。通过性能分析及仿真,得出AFWDF可靠性较高,且在模拟环境下网络寿命周期比SAEMDA和BPNDA算法提高了15%左右。