基于新型CD单元的两相交错并联高增益Boost变换器

为减少基于电容-二极管(CD)升压单元的两相交错并联高增益Boost变换器的CD单元数量,提升变换器电压增益,提出一种最后两级CD单元电容并联充电、串联供电的新型两相交错Boost变换器拓扑结构,进一步发挥CD单元的升压能力。分析新型3CD、4CD两相交错并联Boost变换器的拓扑演化过程,提出新型NCD两相交错并联Boost变换器的拓扑演化规律。以新型4CD两相交错并联Boost变换器为例,分析变换器工作原理,以及电感、电容寄生电阻对变换器电压增益的影响。最后在StarSim硬件在环实验平台搭建1 kW的新型4CD单元交错并联Boost变换器,验证该文所提拓扑的正确性。

一种基于分数阶微积分的CCM Boost变换器准在线无源参数的数字孪生辨识方法

由于具有高性价比、准确性和数字化等优点,数字孪生已成为电力电子变换器故障趋势判断和预知维护的先进技术。针对当前电力电子变换器所建立的数字孪生模型尚未考虑实际电感、电容的分数阶特性的问题,基于分数阶微积分构建电力电子电路的预估-校正数字孪生模型,应用基于粒子群优化(particle swarm optimization,PSO)算法的孪生参数辨识方法对不同分数阶阶次下的电感值(L)和电容值(C)进行辨识,并计算出等效串联电阻。通过与现有方法对比,该方法不仅提高了实际电感和实际电容的辨识精度,还能辨识出不同阶次下与不同C下的分数阶参数。最后,搭建不同L和C及分数阶阶次的连续导通模式Boost变换器物理样机,并考虑不同工况条件与不同辨识次数等因素来进行实验验证。实验结果验证了所提模型与方法的有效性。

一种应用于两相交错Boost的耦合电感的优化设计

两相交错Boost变换器具有纹波电流小的优势,但其采用的交错并联技术增加了电感数量,进而增加了装置的体积和重量,不利于其功率密度的提升。耦合电感通过将多个磁性元件集成到一个磁芯实现磁路的部分共享,从而减小了磁元件的数量和重量。因此,设计了一种反向耦合电感,并将其应用于两相交错Boost变换器,实现了装置功率密度的提升。首先,对反向耦合电感的工作原理和损耗来源进行分析;然后,在此基础上设计了一种改进的“EE”型磁芯,一方面有效提高了磁芯利用率,另一方面降低了电感的体积与重量;最后,通过有限元仿真对所提优化设计方案进行验证,同时搭建了功率等级为2 kW的两相交错Boost变换器实验平台。仿真和实验结果均验证了所提优化设计方案的有效性。

分数阶Boost变换器的混沌控制研究

基于电容电感均为分数阶的事实,对分数阶连续导通模式Boost变换器的非线性动力学特性进行分析,提出了基于优化参数共振微扰法的分数阶Boost变换器混沌控制策略。首先,采用预估-校正算法建立了峰值电流控制分数阶Boost变换器的预估-校正模型,通过分岔图详细分析了电路参数对变换器非线性动力学特性的影响。然后,采用优化参数共振微扰法对变换器进行混沌控制,推导了系统的稳定判据,计算了扰动信号的最优幅值与相位。最后,在MATLAB/Simulink中进行仿真实验。研究表明,选择合理的扰动信号,能够有效抑制变换器的混沌现象,使变换器由混沌回归稳定状态。与参数共振微扰法相比,优化后的控制策略提高了系统的鲁棒性。仿真结果验证了所提策略的有效性。

基于预估-校正算法的分数阶Boost变换器倍周期分岔研究

基于电感电容本质是分数阶的事实,对分数阶Boost变换器的非线性动力学特性进行了深入研究。采用分数阶微积分的预估-校正算法,建立了Boost变换器的预估-校正模型,在此基础上得到了以参考电流、输入电压以及电容电感阶数为分岔参数的分岔图,研究了变换器的倍周期分岔和混沌行为,同时与整数阶Boost变换器的非线性动力学行为进行了比较。研究结果表明,在一定的工作条件下,随着变换器某些电路参数的变化,分数阶Boost变换器会出现分岔和混沌等非线性现象;在相同电路参数的条件下,整数阶和分数阶变换器的稳定参数域之间存在差异,与整数阶变换器相比,分数阶变换器的参数稳定区域更小,更真实地反映了Boost变换器的非线性动力学特性。

基于能量模型的临界导通模式Boost变换器软开关方法

在变换器高频化发展的趋势中,功率器件的软开关实现对变换效率的影响更加突出。无辅助电路的临界导通工作模式下,Boost变换器主开关管在特定增益下无法实现软开关。为此,该文提出一种能量模型及相应的软开关实现方法。首先,建立死区前后储能元件能量变化的数学模型。然后,结合死区起止时刻的能量平衡方程,研究软开关无法实现的电路机理。在此基础上,考虑开关管输出电容非线性特征,提出软开关实现方法,避免了复杂谐振过程的时域精确建模,提高软开关实现的准确性。最后,搭建500W实验样机进行实验,结果表明,相较于对谐振过程建模的传统时域模型,所提方法将实际开通电压降低47%,使峰值变换效率提升0.4%,进而验证了其有效性。

引入负载扰动观测的Boost变换器定频滑模控制

针对传统线性控制方法下Boost变换器存在系统动态性能差和对负载扰动鲁棒性不强的问题,从功率平衡的角度提出1种定频滑模电流控制方法。首先,利用负载电流观测值计算维持输出电压稳定所需的输入功率;其次,通过控制电感电流调整变换器输入功率,从而将系统的状态轨迹限制在对负载扰动具有不变性的滑模面上,保证系统大信号稳定并提升其动态性能;最后,基于等效控制原理,通过PWM技术实现等效滑模控制,避免了传统滑模控制中存在的抖振及开关频率不稳定问题。在Simulink中对Boost变换器负载阶跃变换的工况进行仿真,将所提方法与传统线性控制方法对比。结果表明,采用所提方法,系统的动态性能更好,且能保证系统在负载大范围扰动下的大信号稳定。

基于PSO-CNN-XGBoost水下柱形装药峰值超压预测

为探索水下柱形装药结构、爆距等参数与水下柱形装药峰值超压的关系,将装药样本数据视为二维数据,建立粒子群优化(Particle Swarm Optimization,PSO)算法、一维卷积神经网络(1D Convolutional Neural Network,1DCNN)和极端梯度提升(Extreme Gradient Boosting,XGBoost)的水下柱形装药峰值超压融合预测算法。采用相关性分析与数据可视化方法,分析装药结构参数、爆距与峰值超压之间的关联关系。设计1DCNN深度网络挖掘不同长径比、爆距等参数与峰值超压之间的纵向时序关系。运用XGBoost算法寻找装药结构参数、爆距与峰值超压之间的横向非线性关系,提升小样本数据的预测精度。使用PSO算法优化1DCNN和XGBoost的超参数,获得最优算法结构。研究结果表明,在包含10种智能算法的对比实验中,PSO-CNN-XGBoost水下柱形装药峰值超压预测算法在精度、稳定性、拟合程度上均高于其他模型。

基于随机森林和XGBoost算法构建心脏骤停患者自主循环恢复后神经功能预后不良的风险预测模型

目的 利用机器学习算法构建预测心脏骤停(CA)患者自主循环恢复(ROSC)后神经功能预后不良的预测模型,探索结局相关因子。方法 回顾性收集2016年1月至2024年1月沧州市中心医院收治的CA行心肺复苏(CPR)后ROSC的患者481例为研究对象。收集患者临床资料,根据患者转出重症监护病房(ICU)时的格拉斯哥-匹兹堡脑功能表现分级(CPC)评分,将其分为预后良好组(GNO,n=158)和预后不良组(PNO,n=323)。481例患者按7∶3随机分为训练集(n=338)和测试集(n=143),训练集用于构建模型,测试集用评价模型效能。利用极端梯度提升(XGBoost)和随机森林(RF)两种机器学习算法构建患者神经功能预后不良的预测模型,分别得出影响患者神经功能预后的变量,应用SHAP进行XGBoost模型可解释性分析。将XGBoost和RF算法得出的变量取交集,再将交集变量进行多因素Logistic回归分析,得到差异有统计学意义的变量,进而构建决策树模型。在训练集和测试集上利用受试者工作特征(ROC)曲线和曲线下面积(AUC)评估决策树模型的预测性能。结果 通过XGBoost模型得到与神经功能预后不良相关的变量15个,RF模型得到与神经功能预后不良相关的变量14个,两种模型取交集得到11个与神经功能预后不良相关的交集变量[视神经鞘直径(ONSD)变化率、神经元特异性烯醇化酶(NSE)、入ICU第3天ONSD(ONSD day3)、心脏骤停至心肺复苏(CA-CPR)时间、ROSC时间、急性生理学与慢性健康状况评价Ⅱ(APACHEⅡ)评分、血肌酐、白蛋白、住ICU时间、血乳酸及年龄]。将这11个交集变量进行多因素Logistic回归分析,结果显示,PNO组与GNO组ONSD变化率、NSE、ONSD day3、ROSC时间及年龄这5个变量差异有统计学意义(P<0.05)。用这5个重要变量构建决策树模型,得出3个与患者神经功能预后不良最相关的变量(NSE、ROSC时间及ONSD变化率),在训练集上的决策树模型预测CA行CPR后ROSC患者神经功能预后不良的AUC为0.857(95%CI 0.809~0.903,P<0.001),在测试集上的AUC为0.834 (95%CI 0.761~0.906,P<0.001)。结论 基于XGBoost和RF这2种机器学习方法构建的决策树模型能够更准确地评估CA患者ROSC后神经功能的不良预后,且评价指标可能简化为NSE、ROSC时间及ONSD变化率。

一种基于贝叶斯优化和XGBoost的膏体流变参数预测模型

探究膏体充填料浆流变特性,对矿山合理布置充填管路,高效进行充填作业有重要意义。目的:将繁琐且影响因素众多的膏体流变参数测量试验与先进的机器学习回归预测模型相结合,实现膏体流变参数的准确预测。方法:利用不同物料配合比条件下共128组膏体流变特性试验数据作为模型数据集,选择极度梯度提升回归树(XGBoost)模型,结合贝叶斯算法(BO)对模型进行超参数寻优设置,建立了多目标参数回归预测模型。结果:研究结果表明:经贝叶斯算法优化后的BO-XGBoost模型较XGBoost模型性能显著提升,决定系数R^(2)提高6%。所构建BO-XGBoost模型真实值与预测值在屈服应力数据集上相对误差维持在0.02水平;黏度数据集维持在0.1水平。结论:BO-XGBoost模型可实现膏体流变参数的高效准确预测,创新性地使用了多目标回归模型,为矿山充填作业设计提供参考,具有一定实际工程应用意义。

高增益耦合电感组合Boost-Cuk变换器

为了解决传统变换器电压增益低的问题,将Boost变换器与Cuk变换器进行并联集成,并利用耦合电感倍压技术提高变换器的电压增益。设计而成的高增益耦合电感组合Boost-Cuk变换器保留了Cuk变换器输出电流的连续性,新型结构中使用无源钳位来吸收漏感能量,对寄生电容与漏感谐振引起的电压尖峰起到约束作用,降低了开关管的电压应力。描述了变换器电感电流连续模式(Continuous current mode,CCM)下的运行特点,并进行了该变换器的参数设计。最后,通过搭建一台100 W的试验样机来求证理论的正确性。

顾及地球物理效应的GNSS高程时间序列AdaBoost预测和插值方法

传统的GNSS高程时间序列预测和插值方法仅考虑时间变量,具有明显的局限性。本文顾及地球物理效应的影响,通过温度、大气压强、极移等数据和GNSS高程时间序列数据构建回归问题,使用自适应提升(AdaBoost)算法建模。为了验证模型的预测和插值性能,试验选取4个GNSS站的高程时间序列进行分析。建模试验表明,相较于Prophet模型,AdaBoost模型的拟合精度提升了约35%;预测结果表明,在12个月的预测周期内,AdaBoost模型在4个GNSS站的MAE值为4.0~4.5 mm,RMSE值约为5.0~6.0 mm;插值试验表明,相较于三次样条插值方法,AdaBoost插值模型的精度约提升了15%~28%。预测和插值试验表明,顾及地球物理效应的AdaBoost模型可以应用于GNSS高程时间序列预测与插值。

带感性负载的Buck-Boost变换器的非线性行为分析及优化控制

Buck-Boost变换器在某些参数发生变化时会呈现出丰富的非线性行为,这些行为将严重影响系统的稳定性,使得系统输出的电能质量劣化。文章基于实际变换器的负载特性,深入研究了感性阻抗负载下Buck-Boost变换器的非线性行为产生机理,提出了一种对数延迟反馈控制方法。该方法选取系统的输出延迟值与自身的值作差形成反馈信号;将该信号通过比例环节、求和环节和对数环节形成控制信号,以负反馈的形式施加于系统;最后基于稳定判据确定最优控制参数并对系统实施控制。为验证该方法的有效性,进行了大量的仿真实验,结果表明该方法能很好地抑制系统的非线性行为,扩展其稳定边界,改善系统输出的电能质量。

采用VAE-CatBoost的高速公路交通事件检测框架

为解决交通事件检测中特征稀少与样本失衡的问题,提出一种基于变分自编码器(VAE)-随机森林(RF)-分类梯度提升树(CatBoost)的交通事件检测框架。依据4条规则构建较为全面的初始特征集。使用VAE进行数据平衡。之后,采用RF算法筛选出最佳输入特征集。最后,采用CatBoost算法作为分类器检测交通事件。使用真实世界的交通数据集设计实验,并选择6个有效评价指标对实验结果进行评价。结果表明:所提出的交通事件检测框架除误报率之外,各项评价指标均取得最优结果,表明在交通事件检测方面具备优异性能。

Super-Boost变换器的工作模式及输出纹波电压分析

Super-Boost变换器代替传统的充、放电模块可大大减小电源的质量和体积,提高其功率密度,因此在空间电力系统中具有广阔的应用前景。但由于Super-Boost变换器有多个功率元件,且存在电感电流反向流动特性,导致其供能模式及输出纹波电压较传统Boost变换器复杂。为了给Super-Boost变换器的分析和设计提供正确的理论指导,对Super-Boost变换器供能模式及输出纹波电压进行了深入研究。研究发现,电感L_(1)和L_(2)均存在连续导电模式、伪连续导电模式和伪断续导电模式等工作模式,建立各工作模式的临界电感和输出纹波电压解析数学模型,探讨峰值电流与电感间的关系,得到了满足设计要求的最小电容和最小电感,据此给出了变换器参数设计方法,实验结果验证了理论分析的正确性。

输出本质安全型准阻抗源Boost电压变换器设计

提出一种输出本质安全型准阻抗源Boost电压变换器,介绍了其电路的基本组成,分析了准阻抗源网络中电感器和电容器的元件选型。该电路由准阻抗源电路和Boost斩波电路组成,然后连接电感电容(inductance and capacitance,LC)滤波电路,控制信号为脉宽调制波。使用MATLAB/Simulink完成电路仿真,在仿真基础上搭建实物实验电路,实验结果验证了仿真及电路的正确性和可行性。

宽增益高效率级联式四开关Buck-Boost LLC变换器

为了解决变频控制的桥臂共用型四开关Buck-BoostLLC级联变换器磁性元件设计和优化困难的问题,提出一种二次侧为特殊全桥整流结构的级联式四开关Buck-Boost LLC变换器。通过控制二次侧开关管的交叠导通时间以拓宽变换器的电压增益。该变换器可根据不同的输入电压范围工作在交叠模式和整流模式;在不改变变换器参数的条件下将增益显著提高,能够适应更宽范围的输入电压,同时保持了变换器较高的工作效率。在两种工作模式的基础上,采用移相控制使变换器所有开关管实现零电压导通(ZVS),二极管实现零电流关断(ZCS)。结合状态平面轨迹分析法,对定频控制的级联式四开关Buck-Boost LLC变换器进行模态分析,并推导两种工作模式下的输入-输出表达式和开关管的软开关实现条件。最后,通过研制一台70~280 V输入、240 W/28 V输出的实验样机,验证了理论分析的正确性。

基于STL-XGBoost-NBEATSx的小时天然气负荷预测

小时天然气负荷预测受外部特征因素与预测方法的影响,为提高其预测精度并解决其他深度学习类模型或组合模型可解释性差、训练时间过长的问题,在引入“小时影响度”这一新特征因素的同时提出一种基于极端梯度提升树(extreme gradient boosting tress,XGBoost)模型与可解释性神经网络模型NBEATSx组合预测的方法;以XGBoost模型作为特征筛选器对特征集数据进行筛选,再将筛选降维后的数据集输入到NBEATSx中训练,提高NBEATSx的训练速度与预测精度;将负荷数据与特征数据经STL(seasonal and trend decomposition using Loess)算法分解为趋势分量、季节分量与残差分量,再分别输入到XGBoost中进行预测,减弱原始数据中的噪音影响;将优化后的NBEATSx与XGBoost模型通过方差倒数法进行组合,得出STL-XGBoost-NBEATSx组合模型的预测结果。结果表明:“小时影响度”这一新特征是小时负荷预测的重要影响因素,STL-XGBoost-NBEATSx模型训练速度有所提高,具有良好的可解释性与更高的预测准确性,模型预测结果的平均绝对百分比误差、均方误差、平均绝对误差分别比其余单一模型平均降低54.20%、63.97%、49.72%,比其余组合模型平均降低24.85%、34.39%、23.41%,模型的决定系数为0.935,能够很好地拟合观测数据。

基于CatBoost-MOEAD的大直径泥水盾构施工多目标预测优化

为有效优化盾构施工参数,实现在大直径泥水盾构掘进过程中安全、高效和节能的目标,提出分类助推(CatBoost)和基于分解的多目标进化算法(MOEAD)相结合的混合智能算法;综合考虑盾构施工参数与地质条件,以主要的盾构施工参数为研究对象,选择地表沉降、贯入度和掘进比能为预测和控制目标;优化调控选择的盾构施工参数,并以武汉市轨道交通某号线为例,验证该混合算法的有效性。结果表明:采用CatBoost算法建立的预测模型在大直径泥水盾构上表现出来的预测性能良好,对3个控制目标的拟合精度(R 2)均达到0.9以上;预测模型的重要性排序表明:大直径泥水盾构的总推进力和推进速度对地表沉降、贯入度和掘进比能有显著影响;所提出的CatBoost-MOEAD混合智能算法对3个控制目标的优化效果明显,地表沉降、贯入度和掘进比能分别达到12.35%、7.47%和10.70%的优化幅度,并给出相应盾构施工参数的控制范围。

结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合,增强测试效果,但少有学者将其运用于测试数据生成方面.为进一步提高测试数据生成效率,提出一种结合SVM(support vector machine)和XGBoost(extreme gradient boosting)的链式模型,并基于此模型借助遗传算法实现多路径测试数据生成.首先,利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost),通过子模型的预测精度值筛选最优子模型,并根据路径节点顺序将其依次链接,形成一个链式模型C-SVMXGBoost(chained SVM and XGBoost).在利用遗传算法生成测试用例时,使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径),寻找预测路径与目标路径相似的路径集,对存在相似路径集的预测路径进行插桩验证,获取精确路径,计算适应度值.在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用,生成覆盖目标路径的测试数据.最后,保留进化生成中产生的适应度较高的个体,更新链式模型C-SVMXGBoost,进一步提高测试效率.实验表明,C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题,可提高测试效率.并且通过与已有经典方法相比,所提方法在覆盖率上提高可达15%,平均进化代数也有所降低,在较大规模程序上其降低百分比可达65%.