逐级独立优化的MMC模型预测控制

模型预测控制(MPC)方法应用于模块化多电平换流器(MMC)系统时存在计算负担大、配置加权因子困难等难题。在分析MMC离散数学模型的基础上,利用系统输出电平作为控制项,提出了简化有限控制集的无加权因子的逐级独立优化模型预测控制策略。通过设计独立目标函数来逐级实现交流输出跟踪以及环流抑制的控制目标,并在环流抑制环节中引入误差补偿模块以抵偿桥臂误差电压。此外,提出的基于BFPRT算法的子模块电容电压均衡策略能够在保证电容电压控制精度的同时,避免在每个控制周期对桥臂子模块电压进行完全排序,从而提高了系统运行速度。最后MATLAB/Simulink仿真结果和MMC样机实验结果均验证了所提方法的可行性、有效性以及出色的计算效率。     

三相脉宽调制整流器的约束预测控制

本文将基于并行神经网络优化的约束模型预测控制(MPC)应用于脉宽调制(PWM)整流器中,提高了电网的质量.在三相静止坐标系下,建立了三相PWM整流器的解耦数学模型,采用约束模型预测控制策略,突破了有限集和无约束条件下预测控制的局限性.为了提高单步优化的速度,采用神经网络优化算法求解模型预测控制的在线优化.在保证系统单位功率因数的前提下,当系统负载突然变化时,具有快速动态响应稳定输出直流电压的性能.采用FPGA控制器实现并行计算,减少了预测控制算法的计算时间.最后,通过仿真和实验结果得到,采用本文的控制策略,总谐波失真(THD)降低了2.5%,达到稳态的时间大约是PI控制算法的五分之一,为12 ms,验证了该方法的可行性和有效性.     

三相脉宽调制整流器的约束预测控制（英文）

本文将基于并行神经网络优化的约束模型预测控制(MPC)应用于脉宽调制(PWM)整流器中,提高了电网的质量.在三相静止坐标系下,建立了三相PWM整流器的解耦数学模型,采用约束模型预测控制策略,突破了有限集和无约束条件下预测控制的局限性.为了提高单步优化的速度,采用神经网络优化算法求解模型预测控制的在线优化.在保证系统单位功率因数的前提下,当系统负载突然变化时,具有快速动态响应稳定输出直流电压的性能.采用FPGA控制器实现并行计算,减少了预测控制算法的计算时间.最后,通过仿真和实验结果得到,采用本文的控制策略,总谐波失真(THD)降低了2.5%,达到稳态的时间大约是PI控制算法的五分之一,为12 ms,验证了该方法的可行性和有效性.     

基于DDPG深度强化学习的电站脱硝过程优化控制

针对选择性催化还原(selective catalytic reduction,SCR)脱硝系统脱硝过程存在非线性、多工况等复杂特点,提出一种基于MiniBatchKMeans聚类与Stacking模型融合的SCR脱硝过程NOx预测方法。该方法通过应用MiniBatchKMeans聚类算法对训练集进行工况聚类与划分优化,建立基于XGBoost、随机森林、LightGBM以及线性回归的Stacking融合框架预测模型(Stacking-XRLL),实现电站SCR系统多变工况下NOx排放的精准预测。以广东某电站SCR系统脱硝过程中NOx排放数据为例进行建模仿真与实验,结果表明与单一建模方法多层前馈神经网络(BP)、长短期记忆神经网络(LSTM)以及门控循环单元神经网络(GRU)相比,Stacking-XRLL建模方法的平均预测精确度达到了99%,并最终结合建立好的深度确定性策略梯度(DDPG)强化学习模型,实现电站SCR脱硝过程的参数优化控制。     

基于随机森林算法的煤自燃温度预测模型研究

针对传统煤自燃温度预测模型预测精度较差、基于支持向量机(SVM)的预测模型对参数的选取要求较高和基于神经网络的预测模型测试时易出现过拟合的问题,提出了一种基于随机森林算法的煤自燃温度预测模型。利用煤自燃程序升温实验选取O_2浓度、CO浓度、C_2H_4浓度、CO/ΔO_2比值、C_2H_4/C_2H_6比值作为煤自燃预警指标数据,并对指标数据进行处理,将数据分为学习集和测试集;对学习集抽样形成决策树并按决策树最优特征分裂形成随机森林;采用均方误差值和判定系数(R~2)优化随机森林算法的参数,进而构建随机森林模型;将测试集数据输入已训练好的随机森林模型,得到煤自燃温度预测结果。模型对比结果表明:与基于粒子群优化反向传播(PSO-BP)神经网络算法和基于SVM算法的煤自燃温度预测模型相比,随机森林测试阶段的R~2为0.869 7,PSO-BP测试阶段的R~2为0.783 6,SVM测试阶段的R~2为0.835 0,说明基于随机森林算法的煤自燃温度预测模型能够较为准确地对煤自燃温度进行预测,具有较强的鲁棒性和普适性,解决了基于PSO-BP神经网络算法的煤自燃温度预测模型和基于SVM算法的煤自燃温度预测模型容易出现过拟合的问题。     

基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测.     

工业大系统双层结构预测控制的集中优化与分散控制策略

为降低工业大系统模型预测控制(Model predictive control,MPC)在线计算复杂度,同时保证系统的全局优化性能,提出一种集中优化、分散控制的双层结构预测控制策略.在稳态目标计算层(Steady-state target calculation, SSTC),基于全局过程模型对系统进行集中优化,将优化结果作为设定值传递给动态控制层;在动态控制层,将大系统划分为若干个子系统,每个子系统分别由基于各自子过程模型的模型预测控制进行控制,为减少各子系统之间的相互干扰,在各个子系统之间添加前馈控制器对扰动进行补偿,提高系统的总体动态控制性能.该策略的优点在于能确保系统全局最优性的同时降低了在线计算量,提高了工业大系统双层结构预测控制方法的实时性.仿真实例验证该方法的有效性.     

移动威胁情况下的无人机路径规划

针对路径规划中存在快速移动威胁, 提出基于威胁状态预测的模型预测控制(MPC)算法, 进行无人机动态路径规划. 采用转换量测卡尔曼滤波算法预测移动威胁的状态, 弥补MPC算法无法有效预测快速移动威胁的不足. 根据移动威胁的预测状态, 评估无人机的威胁代价, 与路径长度等约束共同构建目标函数, 通过滚动优化目标函数, 得到一系列在线控制量, 完成路径规划. 仿真结果表明该方法可以有效躲避移动威胁, 进行实时路径规划.     

基于数值计算模型的MMC半桥型子模块仿真方法

模块化多电平换流器（MMC）的各半桥子模块均由两个开关组（1个IGBT和1个反并联的二极管）构成。针对MMC在包含的子模块规模较大的情况下,对采用电路模型分割法对MMC进行分割后的子模块进行仿真求解时仍然会占用较多资源,效率不高的问题,提出了基于数值计算模型的MMC半桥子模块仿真验证方法。首先通过分析三相MMC及其半桥子模块（HBSM）的工作机制,把半桥型子模块中的两个开关组等效为在高、低阻态不断切换的等效电阻并给出了其等效电路。然后针对电容支路的离散化问题,根据梯形积分法推导了MMC半桥型子模块的数值求解公式,给出了数值计算电路模型。最后基于MATLAB仿真平台建立了基于数值计算模型的半桥子模块仿真验证模型,通过与详细模型子模块的仿真波形对比分析,结果表明了所建立的子模块数值计算模型是可行的。     

基于广义投影神经网络优化的模型预测控制*

为降低模型预测控制优化问题的计算复杂度,以时滞系统的模型预测控制问题作为研究对象,利用神经网络动态平衡点与优化问题解相对应的特点,提出一种基于广义投影神经网络的模型预测控制优化算法。首先,将模型预测控制优化问题描述为一个带约束的二次规划问题,进一步,通过广义投影神经网络模型进行在线优化。该方法充分发挥了神经网络并行、结构简单的优点,通过具体实例仿真,验证了本文算法的有效性与优越性。     

基于聚类和随机森林的协同过滤推荐算法

针对基于邻近关系的协同过滤算法在线推荐效率低的问题,提出了一种可离线训练评分预测模型的算法。通过聚类算法降低用户-项目评分矩阵中用户向量和项目向量的维数,并对数据进行转换使其适用于监督模型;利用转换后的数据离线训练随机森林模型,在线推荐时只需根据随机森林模型的规则进行评分预测,无需查找最邻近用户或项目。实验结果表明,该算法在不降低评分预测精度的情况下,在线推荐效率远高于基于邻近关系的协同过滤算法。     

基于改进网格搜索算法的随机森林参数优化

随机森林是一种有效的集成学习算法,被广泛应用于模式识别中。为了得到更高的预测精度,需要对参数进行优化。提出了一种基于袋外数据估计的分类误差,利用改进的网格搜索算法对随机森林算法中的决策树数量和候选分裂属性数进行参数优化的随机森林算法。仿真结果表明,利用该方法优化得到的参数都能够使随机森林的分类效果得到一定程度的提高。     

一种空间飞行器姿态控制非线性模型的预测控制新算法

空间飞行器的姿态控制受到诸如带时延的非线性动态特性、模型和参数的不确定性等因素的影响 ,其控制相当复杂。传统的控制技术 (如PID控制 )对控制对象的过程模型要求较高 ,且不能解决过程控制中非线性、时变、控制输入的约束性等因素的影响 ,其控制所能达到的性能和效率也远不够满足当前飞行器的控制要求。该文将介绍一种新型的基于控制输入的函数空间最优化的模型预测控制算法 ,称为函数空间模型预测控制 (F -MPC)。该法可用于线性和非线性系统 ,对过程模型要求不高 ,能在控制输入约束条件存在的情况下通过在线优化使系统很好地跟踪期望轨迹 ,并且解决了PID控制所遇到的问题。同时 ,将该算法用于空间飞行器的姿态控制仿真 ,仿真结果表明控制效果很好。     

一种间歇测量下产品质量轨迹跟踪控制方法

在间歇过程中,传统工艺缺少产品质量的在线传感器,因此很难直接跟踪产品质量轨迹。基于过程变量与产品质量之间的偏最小二乘(PLS)模型,提出一种间歇测量下产品质量轨迹跟踪控制方法。在批内设定时间窗口,首先利用缺失数据算法估计未知的过程变量,再根据过程变量预测产品质量,并采用迭代学习控制和模型预测控制(MPC)相结合的方法设计控制器,达到跟踪当前批次产品质量设定点的目的。该方法采用移动窗口实现MPC的滚动优化,克服了批间和批内的干扰,从而使输出轨迹能精确跟踪期望轨迹。最后,在连续搅拌反应釜(CSTR)上进行仿真研究,仿真结果说明了该方法的有效性。     

一类随机干扰作用下的非线性系统的自适应控制

利用随机干扰作用下的采样数据训练模糊神经网络可得到对象含噪声信息的统计辨识模型 ,通过预估及校正算法在线调整控制输入以弥补模型偏差的影响 ,实现系统的自适应控制 .仿真实验结果表明该控制方案具有较高的控制精度、较强的抗干扰能力和良好的自适应性能     

布谷鸟搜索算法优化BP神经网络的网络流量预测

为了提高预测精度,提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction,CS-BPNN)。根据混沌理论建立网络流量学习样本,采用BP神经网络对学习样本进行训练,将模型参数当一个鸟巢,通过模拟布谷鸟寻窝产卵的行为找到最优模型参数,最后采用网络流量数据进行仿真实验,测试模型性能。仿真实验表明:所提出模型较好的解决了BP神经参数优化问题,能够获得更加理想的网络流量预测结果。     

结合ResNet和特征工程的QAR数据预测方法

为解决QAR数据存在的数据缺失、数据异常等问题,提出一种将神经网络模型与特征工程相结合的方法,用于实现对飞机的QAR数据中飞行状态参数的精准预测。首先通过引入ResNet(残差神经网络)模型大幅加深了预测网络模型的深度,同时缓解了深层网络带来的梯度消失/爆炸问题,完成了预测精度的一次提升。之后通过Pearson相关系数与随机森林相结合的特征提取方法提取训练特征,训练后得到更加精确的预测模型,完成了预测精度的二次提升。结果表明,特征工程与模型优化相结合的处理方法更加精确、高效,为QAR缺失数据补充和QAR数据异常检测提供了一种新方法,提升了数据的质量,可更好地进行数据分析与挖掘工作。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.     

深度森林在用户购买预测中的应用

针对电商大数据时代用户未来购买行为预测，在京东平台真实数据集上，提出时间滑动窗口技术和窗口权重递减设置，从五方面构建整体用户行为特征，综合考虑深度学习的表征学习能力和集成学习的训练效率，引入多层异源集成算法，将随机森林、XGBoost等多种算法进行组合，搭建基于深度森林模型的用户购买行为预测算法框架，实现准确高效的用户购买预测结果。算法训练时间为68 s,预测准确率达89.3%,相对于集成学习算法和深度神经网络模型取得了更好的效果。