多变运行工况下混合励磁轴向磁场永磁电机自适应模型预测电流控制

针对多变运行工况下混合励磁轴向磁场永磁(hybrid excited axial field permanent magnet,HE-AFPM)电机中电励磁磁场与电枢磁场之间矢量耦合、端部漏磁等导致的电机参数非线性变化问题,该文提出一种混合励磁轴向磁场永磁电机自适应模型预测电流控制方法。详细分析HE-AFPM电机拓扑结构及参数变化特性;引入多矢量模型预测电流控制,理论推导分析HE-AFPM电机参数对控制系统的敏感性。在此基础上,将多矢量预测模型作为自适应控制的可调模型,降低了控制算法的复杂度和控制系统的计算负荷,提高了控制系统响应速度;依据波波夫(Popov)超稳定理论,引入3个不等式稳定判据设计各参数的自适应律,可实现多变运行工况下的HE-AFPM电机磁链、自感、互感等参数的有效识别,提高了控制模型的准确性和电流跟踪性能。最后,通过实验验证所提出的自适应模型预测电流控制的有效性。

基于注意力机制的CNN-LSTM-XGBoost台风暴雨电力气象混合预测模型

极端台风暴雨灾害具有非线性、极差大以及多峰值等特点。为使电网及时获取预警信息,提出一种基于注意力机制的CNN-LSTM-XGBoost台风暴雨电力气象混合预测模型。首先,利用基于注意力机制的卷积神经网络(CNN)辨识关键台风暴雨灾害特征;然后,利用长短期记忆网络(LSTM)训练时间序列预测模型以挖掘台风暴雨时序特征,使用极限梯度提升算法替换模型输出层以缓解过拟合问题;最后,以2023年台风泰利为例验证所提方法的有效性。算例分析表明,所提模型具有较高的准确性,对预测精度的提升可达40.84%以上。

脑室周围白质损伤患儿发生混合型脑性瘫痪预测模型的建立

目的建立脑室周围白质损伤(PWMI)患儿发生混合型脑性瘫痪的预测模型。资料与方法回顾性纳入2015年9月—2022年10月河南中医药大学第一附属医院经MRI诊断为PWMI(6个月~2岁)并随访至2岁后确诊为混合型脑性瘫痪的患儿,将其分为混合型组和痉挛型组。使用多因素Logistic回归分析筛选与PWMI混合型脑性瘫痪相关的MRI征象并建立预测模型,采用五折交叉及重复交叉验证对模型进行内部验证。评估模型的区分度、校准度并进行决策曲线分析。分析独立MRI征象与混合型脑性瘫痪粗大运动功能分级的相关性。结果共纳入135例PWMI脑性瘫痪患儿,痉挛型100例,混合型35例。丘脑腹外侧核(OR=27.500,95%CI 8.293~90.942)、后壳核(OR=13.700,95%CI 4.489~41.549)、海马(OR=7.200,95%CI 1.702~30.813)及尾状核损伤(OR=5.800,95%CI1.973~16.950)与混合型脑性瘫痪相关,并基于以上4个变量构建预测模型。模型的曲线下面积为0.960(95%CI0.934~0.988),五折交叉及重复交叉验证的曲线下面积分别为0.95、0.96;并具有良好的校准度(χ^(2)=3.712,P=0.529)及临床应用性。模型的4个独立MRI征象均与粗大运动功能分级相关(r=0.559、0.581、0.171、0.409,P均<0.05)。结论本研究建立的预测模型可早期准确地预测PWMI混合型脑性瘫痪高危患儿。

用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于模型预测控制的高频隔离型混合配电变压器

配电台区新型源/荷占比逐年提升,使得高/低电压、谐波放大、三相不平衡等配电终端电能质量问题凸显。提出一种基于模型预测控制的高频隔离型混合配电变压器,具备电能质量综合治理、交/直流混合配电等功能,可以满足配电终端用户高品质供用电以及新型源/荷友好接入需求。介绍了高频隔离型混合配电变压器的拓扑结构并推导了数学模型。结合拓扑结构特点,设计了连续控制集模型预测控制(CCS-MPC)策略和延时模型预测控制策略,CCS-MPC通过计算最优化占空比,实现前端变换器输出具有固定的开关频率和开关序列,减小寻优计算量。利用MATLAB/Simulink仿真软件搭建了一套10 kV/0.4 kV电压等级的高频隔离型混合配电变压器系统,验证了所提拓扑结构电能质量综合治理能力的有效性。

基于模型预测框架的燃料电池汽车混合动力系统能量管理

混合动力系统作为燃料电池汽车的关键组成部分,系统的能耗与寿命优化是推动其进一步商业化发展的关键,而能量管理策略(EMS)在提高燃料电池汽车混合动力系统的效率和燃料经济性方面发挥着重要作用。为有效降低混合动力系统的内部损耗,进一步提高系统经济性,提出了一种基于模型预测框架的混合动力系统能耗优化能量管理控制方法。首先构建包含动力系统内部损耗与氢气消耗的目标函数,然后利用模型预测架构求解目标函数来控制燃料电池的输出电流,以实现合理的能量分配,最后在Matlab中进行仿真,验证所制定方法的合理性和有效性。与应用较为广泛的等效氢耗最小策略(ECMS)相比,结果表明所提方法可以显著降低动力系统的内部损耗和氢气消耗。此外,该策略还可以有效保持蓄电池的荷电状态(SOC),延长动力系统的使用寿命。

应用混合逻辑动态模型预测控制器的磁轴承三电平调制策略

传统磁轴承三电平调制策略在数字控制系统中存在控制延迟问题,影响电流纹波抑制效果。针对上述问题,提出一种基于混合逻辑动态模型预测控制器的磁轴承三电平调制策略。基于混杂系统理论,建立混合逻辑动态模型,统一表征出驱动电路充电、放电和续流工作模态,实现三电平调制;结合模型预测控制理论,将所建立的混合逻辑动态模型作为预测模型,预测磁轴承的控制电流,实现对控制延迟的补偿,并将预测控制电流送入到代价函数中,得出驱动电路的最优控制信号;基于所提调制策略构建了磁轴承控制系统,并与传统调制策略进行对比。仿真结果表明:在轻载扰动工况下,所提调制策略相比于传统三电平滞环调制策略与传统三电平脉冲宽度调制(pulse width modulation,PWM)策略,电流纹波分别降低了49.90%和49.87%;在中载扰动工况下,所提调制策略相比于传统三电平滞环调制策略与传统三电平PWM策略,电流纹波分别降低了49.99%和49.84%;在重载扰动工况下,所提调制策略相比于传统三电平滞环调制策略与传统三电平PWM策略,电流纹波分别降低了50.08%和49.77%。在三电平调制机制的基础上,所提调制策略能够有效补偿一个采样周期的控制延迟,达到降低电流纹波的效果。

模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.

基于模型预测控制的双机组混合动力船舶能量管理研究

[目的]船舶柴电混合动力系统合理分配柴油机和电机输出功率,可大幅降低油耗和排放。针对传统混合动力能量管理策略的性能最优与运算实时的矛盾,提出采用模型预测控制(MPC)进行能量管理瞬时优化。[方法]首先,利用反向建模法搭建由双柴油发电机组、储能系统、岸电组成的客渡船混合动力系统能量流模型;然后,提出以油耗和电能消耗的总温室气体(GHG)排放为目标函数,在系统约束条件下可在线滚动优化求解的MPC能量管理算法,最终进一步进行了不同预测时域长度的灵敏度分析。[结果]仿真结果表明,MPC较传统规则控制方法可分别降低4.85%的燃油消耗量和3.54%的温室气体总排放。[结论]相比于传统的规则控制策略,MPC油耗低,温室气体排放少,且计算负荷较小,具有良好的实船应用潜力。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

高岭土-砂土混合介质电导率预测模型适用性及误差评估

为提高电导率预测模型对岩土体结构性质的反演精度,以不同黏土质量分数的高岭土-砂土混合介质为研究对象,测定其在不同孔隙液下的电导率。根据参数获取途径,将现有电导率预测模型分为拟合模型和经验模型,通过拟合计算得到各模型的电导率预测值,与实测值对比并建立误差评估体系。研究结果表明:对于高岭土-砂土混合介质,拟合模型的电导率预测效果优于经验模型。在经验模型中,不同黏土质量分数下广义Archie模型的预测值均大于实测值,在使用广义Archie模型进行电导率预测时,需进行修正和调整;Waxman-Smits模型适用于预测低黏土质量分数下混合介质的电导率;修正的Archie模型对中等黏土质量分数下混合介质的电导率预测效果较好;Rhoades模型对高黏土质量分数下混合介质的电导率预测效果最佳。

混合储能系统快速功率响应模型预测控制

针对混合储能系统平抑微电网大功率负荷突变引起的直流母线电压波动过程中控制响应速度慢、储能功率分配不合理等问题,提出混合储能系统快速功率响应模型预测控制。首先,根据储能系统预测电流值与系统功率补偿量得到储能系统预测功率并将其作为参考功率,设计基于有理函数拟合的功率配置方案对参考功率进行优化配置,得到锂电储能与飞轮储能的参考功率,实现飞轮储能系统容量的最大化利用,减少突变功率对电池影响,延长电池使用寿命。其次,通过储能系统功率电流变换关系获得参考电流值,并采用增量式模型预测控制算法对锂电-飞轮储能系统进行控制,得到最优控制输出,使实际电流快速跟随参考电流以抑制直流母线电压波动。最后,通过仿真和硬件在环半实物仿真验证所提控制策略的有效性及实用性。

基于支持向量机与模型预测控制的混合动力船舶能量管理策略

为了提高混合动力船舶能量利用效能,提升混合动力船舶燃油经济性,将在线工况识别与实时优化策略相结合,提出了基于支持向量机(support vector machine,SVM)与模型预测控制(model predictive control,MPC)的混合动力船舶能量管理策略。引入SVM理论,使用“美维凯越”号新能源游轮的实船数据,优化核函数类型及关键参数,构建船舶运行4个典型工况的在线识别模型;再通过对船舶当前时刻工况特征参数的分析与判断,确定船舶实时运行工况。以最小燃油消耗和保持储能单元荷电状态(state of charge,SOC)稳定为目标,以主机和复合储能单元之间的实时输出功率为优化变量,以功率需求预测模型为约束条件,构建模型预测控制MPC模型;为提高不同工况下功率需求预测的精度,提出基于多步马尔科夫模型的功率预测模型,并根据实时工况识别结果,更新MPC模型中的功率需求预测模型约束,实现船舶能量实时动态优化。最后,采用小波变换方法,将最优功率解分解成高频信号和低频信号;再根据复合储能单元中不同动力源工作特性的差异,将高频信号和低频信号分别分配给具有高功率密度的超级电容和具有高能量密度的蓄电池。为验证方法的有效性,开展了基于MATLAB的仿真实验,结果表明:在相同工况下,所提策略累计燃油消耗量为4 404.556 1 g,平均燃油消耗率为202.973 7 g/kWh;与基于单一模型预测控制的能量管理策略相比,所提方法可节省燃油消耗4.55%,验证了所提能量管理策略的有效性。

利用混合Plackett-Luce模型的不完整序数偏好预测

聚合不同用户的偏好时,基于序数偏好可以解决不同用户评价准则不一致问题。但用户因为候选项目过多、沟通成本高等原因不能提供完整序数偏好,影响了在线服务信誉度量、群体决策等场景中聚合结果的可靠性和准确性,而现有的预测方法未充分考虑用户群体偏好分布的多样性。针对这一问题,提出一种利用混合Plackett-Luce(PL)模型的不完整序数偏好预测(MixPLPP)方法。首先基于用户现有偏好采样完整拓展排序,其次使用采样的完整排序学习混合PL模型,再次设计基于后验概率最大化的模型选择策略为用户选择模型,最后利用所选模型预测用户完整偏好。在公开数据集Movielens上的实验结果表明,所提方法的预测准确率和Kendall秩相关系数(Kendall CC),相较于向量相似度排序(VSRank)算法提升了5.0%和9.2%;相较于基于确定性的偏好补全(CPC)提升了1.5%和3.5%;相较于BayesMallows-4提升了0.9%和2.2%。实验结果验证了所提方法具有良好的预测能力,在多个数据集上的预测效果都更好。

基于Coulomb-ETAS混合模型的强余震时空发生率预测及效能评估

为考察震后早期阶段混合模型的优势及实际预测效能,提升震后早期强余震时空预测的准确性,构建可操作的地震预测研究工作模型基础,选择能够较好反映震后空间应力分布的库仑应力变化和反映余震序列衰减且拟合效果较好的ETAS模型,构建Coulomb-ETAS混合模型。此模型依据强余震大多发生在应力加载区的实际情况,利用混合模型学习期间加载区事件的发生比例,将预测率从抑制区重新分配到加载区。以2021—2022年发生的云南漾濞6.5级、青海玛多7.4级、青海门源6.9级和四川泸定6.8级4次6.0级以上强震为例,对构建的混合模型进行检验和评估,并与单一的ETAS模型、C-RS模型进行对比。研究结果表明,3个模型在震后早期阶段对强余震均表现出相对较好的预测效果,呈现出与实际结果类似的衰减特性,仅有较少的预测失效现象。在频次滑动预测上,ETAS和Coulomb-ETAS模型优于C-RS模型,统计模型优势相对比较显著;在空间发生率预测上,Coulomb-ETAS模型优于ETAS模型,认为库仑应力分布的混合模型能够降低虚报率,进而提高空间预测的准确性。因此,从4次震例上看,该混合模型优于单一的统计模型和物理模型,能够较好地适用于主震后的强余震时空预测,也可为开展多个模型混合及强余震预测之外的地震预测业务应用场景提供参考。

基于Conv1D-LSTM混合模型的长时间序列日最高温预测研究

针对传统方法难以处理高维度数据捕捉气温数据中的非线性模式和复杂动态特征的问题,本文提出一种基于卷积神经网络(Conv1D)与长短期记忆网络(LSTM)相结合的混合模型,用于长时间序列高温预测研究。数据集包含北京市2014年至2023年间的气象数据,包括天气、日最低温、日最高温、风向等特征。通过特征工程处理,将天气和风向特征编码,并对温度特征归一化。构建的Conv1D-LSTM混合模型创新性地融合Conv1D以捕获时间序列中的局部特征,融合LSTM以学习长期依赖关系。与传统模型相比,该混合模型的均方根误差(RMSE)和平均绝对误差(MAE)分别降低约17.3%和20.5%,同时R2分数提高约1.06%,表明该模型具有更高的预测精度和泛化能力。

构建与验证低剂量CT参数对肺混合磨玻璃结节侵袭性的预测模型

目的基于低剂量CT定量参数构建肺混合磨玻璃结节侵袭性的预测模型,并验证模型预测效能。方法纳入我院2021年3月~2023年3月收治的病理证实的肺混合磨玻璃结节患者102例进行回顾性研究,根据病理结果及肺腺癌分类标准分成浸润性腺癌(IA)组(n=71)、非IA组(n=31)。患者入院后均接受低剂量CT扫描,并进行定量参数分析,比较两组结节最大直径、结节体积、结节最大横截面积、结节最大垂直长径、结节质量、平均CT值,利用多因素Logistic回归模型分析肺混合磨玻璃结节侵袭性的影响因素。基于回归分析结果构建列线图模型,通过受试者工作特征(ROC)曲线与Hosmer-Lemeshow检验进行内部验证,分析模型预测效能。结果IA组结节最大直径、结节最大横截面积、结节最大垂直长径、结节质量、结节体积高于非IA组(P<0.05)。多因素Logistic回归分析提示,结节最大直径(OR:2.675,95%CI:1.298-5.514)与最大横截面积(OR:2.380,95%CI:1.435-3.946)增高是肺混合磨玻璃结节侵袭性的独立危险因素(P<0.05)。基于多因素分析结果构建列线图模型,经校准曲线、决策曲线提示模型可靠,ROC曲线提示该模型预测肺混合磨玻璃结节侵袭性的曲线下面积为0.902(标准误:0.029,P<0.001,95%CI:0.845-0.958),敏感度80.28%,特异度80.65%。Hosmer-Lemeshow检验提示拟合度好(χ^(2)=2.596,P=0.581)。结论低剂量CT定量参数中结节最大直径、最大横截面积与肺混合磨玻璃结节侵袭性相关,基于上述参数构建模型,能对肺混合磨玻璃结节侵袭性进行预测评估。

基于LASSO-LSTM-CNN混合模型的中国能源指数预测研究

伴随着经济的高速发展,中国已成为全球一次性能源消费量最大的国家。能源兼具商品属性和金融属性,为积极应对能源危机和金融风险,中国积极转变经济增长方式,倡导绿色发展新理念。能源行业股票价格是能源市场利益相关者博弈最直接、最有效的反应,能源价格波动具有溢出效应、非对称效应和聚集效应。以我国能源指数为研究对象,通过引入深度学习技术,将高频数据和低频数据有机结合成预测大数据集,创新地构建LASSO-LSTM-CNN深度学习混合模型,预测精准度得到显著提升。研究结果显示,中长期预测可将LASSO-LSTM或LASSO-LSTM-CNN修改为多步输出的静态预测,其效果显著优于动态预测,精准度和泛化能力均有提升;但对于长期预测,由于高频数据的解释能力逐渐变弱,因此要综合考虑是否使用高频数据。我国应从生态视角认识能源在产业链中的基础与核心作用,积极发展绿色清洁能源。同时,充分利用LASSO和LSTM-CNN模型的优势,有效提升能源指数预测的准确性,为金融决策提供重要参考;在中期预测中充分考虑高频数据对预测能力的正向影响,而在中长期预测中谨慎应用高频数据。

LSTM-Prophet混合模型在物料储备需求预测中的应用

建立LSTM⁃Prophet混合模型,预测A公司未来每日物料消耗量,为工段每日物料储备提供参考,数据集来源为A公司2015年来每日物料实际消耗量。实验结果显示,LSTM⁃Prophet混合模型预测时序数据的MAE值为40.905,MAPE值为0.044,R2值为0.863,三个评价指标都优于LSTM模型、Prophet模型、ARIMA模型三个单一模型的评价指标值。验证了LSTM⁃Prophet混合模型有着更好的预测精度,可以更好地应用于工业场景。

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。