基于遗传算法的多变量增量型广义预测控制

针对多变量增量型广义预测控制算法增量系数难于根据系统特性选择的问题,提出基于遗传算法的多变量增量型广义预测控制算法.多变量增量型广义预测控制算法通过将求解出来的控制增量分别乘以相应的增量系数,来提高系统的鲁棒性和稳定性,同时采用阶梯式的控制策略降低多变量广义预测控制算法的计算量,运用改进的遗传算法优化整定多变量增量型广义预测控制的增量系数增强系统的跟踪特性.通过原油常压塔的侧线产品质量控制的仿真,验证了该方法有较好的鲁棒牲和抗干扰性.     

利用极值蚁群优化的制粉出力建模变量选择算法

针对制粉出力难以直接测量,以及制粉系统包含变量多且各变量间耦合性强的问题,提出了一种利用极值蚁群优化的制粉出力建模变量选择法,并采用支持向量机根据所选变量建立了制粉出力的预测模型.该算法基于蚁群优化的正反馈原理,对蚂蚁搜索到的各个变量的相对重要性加以区分,并根据幂律分布选择重要性较小的变量进行变异,使得较差解不断得到改善,从而引导蚂蚁朝着最优解的方向搜索.采用制粉系统现场数据对所提算法、蚁群算法和蚁群遗传算法进行比较,结果表明,所提算法具有更快的收敛速度,且由其所选变量建立的制粉出力模型具有较高的预测精度.     

多变量非线性系统模糊直接广义预测研究

对参数未知多变量非线性系统提出一种模糊直接广义预测控制算法．该算法将多变量非线性系统转化为多变量时变线性系统,然后利用模糊系统来逼近控制增量表达式,对控制器参数向量即网络权值向量中的未知向量基于跟踪误差进行自适应调整．     

基于LSSVM-GPC的流化床锅炉多变量协调控制方法

为了获得良好的流化床锅炉控制品质,提出了一种基于最小二乘支持向量机广义预测控制(LSSVM-GPC)的多变量协调控制方法,以适应流化床锅炉多变量、强耦合、大滞后的动力学特性.在研究流化床机理模型的基础上,采用LSSVM算法辨识流化床模型,并将所得的决策函数转化为广义预测模型.对比结果显示,LSSVM预测模型能够准确描述对象输出特性,并有效去除测量噪声.为了解决FBC多变量预测控制中易出现的病态矩阵以及调节量动作频繁等问题,进一步利用关联分析法,设计了基于LSSVM-GPC的流化床协调控制方法.仿真结果表明,结合该方法能使锅炉负荷响应具有良好的快速性和稳定性,同时能保持床温基本稳定,并有效避免调节量的频繁变化,达到了节能优化控制的目的.     

融合机制与高斯混合回归算法的成品油管道顺序输送混油长度预测模型

成品油管道顺序输送过程中会出现混油现象,精确预测混油长度对油品批次切割具有重要意义,混油长度机制模型存在精度不高,数值计算量庞杂等问题。当前基于机器学习算法构建的全局预测模型未考虑实际工况多模态特性,预测精度受限;直接引入高斯混合回归算法辨识数据模态难以准确表征变量间复杂非线性关系。采用现有机制计算公式与高斯混合回归算法构建融合机制认知的局部建模算法,基于真实成品油管道顺序输送混油长度数据集进行不同模型预测结果对比试验。结果表明,融合机制认知与局部建模算法能有效表征变量间函数关系,新模型预测精度有明显优势。     

预测我国人口总量的具有外生变量的半参数自回归模型

由于现有人口总量线性预测模型不能理想地描述人口这一非线性问题,根据1952-2005年我国人口总量数据和GDP总量数据自身特点及建模的需要,首先对数据进行对数变换和差分运算得到平稳时间序列,然后将GDP总量这一外生变量的滞后量和人口总量的滞后量作为被解释变量建立了含有外生变量的半参数模型.利用RMSE法(即最小化拟合残差)来选择显著变量及最佳带宽,最后检验所建模型的随机误差项服从独立正态分布.结果表明所建模型能较理想地描述非线性问题,其预测精度与其它线性模型相比有了一定的提高.     

一种新的电液比例变量泵P-Q特性曲线测试方法

对开环加载测试方法进行数值仿真和试验验证的结果发现,电液比例变量泵P Q特性曲线在恒流和恒压段分别存在较大的滞环和振动,因此提出了系统压力闭环控制的测试方法.该方法根据泵不同工作模式下测试系统不同的加载要求,在恒流模式下通过PI调节实现压力控制,在恒压模式下通过PD调节削弱压力振动,并设计了可根据泵的工作状态自动调整控制策略及控制信号的自适应控制器.对闭环加载测试方法进行数值仿真和试验验证,结果表明,所提出的方法可有效消除测试过程中存在的流量测量误差和压力振动,对电液比例变量泵P Q特性曲线测试工作的改进具有实际意义.     

操作变量与前馈变量转换对模型预测控制可行域影响机制

模型预测控制因其解耦性和强鲁棒性得以在过程控制中广泛使用.在实际生产过程中,因操作需要常常放开控制器对部分操作变量的控制,此部分操作变量则转化为前馈变量.变量之间的转换将使系统的结构在方系统、胖系统和瘦系统之间发生转换.对于瘦系统,操作变量的维数少于被控变量,其控制效果往往低于其他结构的系统.同时,原操作变量不被控制器控制后,转换为前馈变量,也会影响对系统的控制效果.可行域能直接反映系统控制效果.在对状态空间模型进行多步预测推导的基础上,将部分控制变量与前馈变量进行转换,用空间几何映射表示变量转换,并分析转换对系统可行域的影响.最后,针对实际生产过程中放开部分控制变量的情况,提出预判机制,以保证系统可控.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于神经网络的多变量非线性系统的广义预测控制

为了使广义预测控制的思想成功应用于多变量非线性系统,用神经网络对其进行开环解耦得到单变量非线性系统后,采用一种复合多层前馈神经网络结构作为单变量非线性系统预测模型,利用递推最小二乘法和Davidon最小二乘法作为在线学习算法,建立了一种适合多变量非线性系统的自校正广义预测控制器。     

基于滚动优化的离散事件系统控制

将预测控制的广义原理应用到离散事件系统（Discrete Event System,DES)的控制理论中，得出了DES基于滚动窗口监控的一般方法。根据系统行动 描述定义了受控DES的行为模型，并提出了DES的预测模型集、子预测模型集和基于滚动窗口的监控算法。     

基于循环统计量的轧机偏心线性预测及补偿控制

提出了一种轧机偏心特性曲线概念. 基于偏心测试信号的循环统计量建立线性预测模型,在线确定轧机偏心补偿量数据,实现轧机偏心的实时直接数据补偿控制. 该方法能够准确反映并跟踪轧机偏心扰动的实际变化,满足对轧机偏心信号进行在线实时补偿控制的要求.     

预测模型组合开关

不同预测模型在同一时刻都存在不同的预测误差,最优组合预测的预测精度要比其他模型高,但并不是所有时刻误差都最小,有的时刻可能比单项预测误差还大,因此,在预测时就存在较大的风险.再组合预测可以降低预测风险,但方法比较复杂难以推广.针对这些问题,我们设计一种预测模型组合开关,根据数据的变化,不同时刻采用不同预测模型,使预测误差每一期都最小,或不是最大.实证结果表明,预测模型开关能够根据数据特征有效控制模型输出.     

基于BP神经网络的双模型光伏发电量预测

光伏系统的发电量受到太阳辐照强度、温度、湿度和压强等多种天气变量的影响,变化复杂,具有间歇性和波动性.传统预测模型中需要以天气预报数据作为输入,但其与实际的天气变量存在一定偏差,这给预测结果带来了不可避免的误差.为了进一步提高预测精度,本文提出了天气变量预测数据到天气变量实际数据和天气变量实际数据到光伏系统发电量的双模型预测系统,并对训练好的模型进行了测试和分析,预测结果表明,此模型能够达到较高的预测精度,具有一定的可行性和有效性.     

基于Laguerre函数模型的多变量广义预测自适应控制

通过对Laguerre函数模型结构的分析 ,把多变量广义预测自适应控制方法应用于该模型中 ,利用Laguerre函数模型近似控制对象系统结构 ,将模型中间参量的辨识和模型的预测输出有效的统一了起来 ,克服了单纯基于参数化模型预测控制通常需要已知系统的时延和阶次的局限 ,为适合该类模型的工业对象应用提供一种有参考价值的控制方法。     

基于DPCA-BP神经网络的中长期电力负荷预测方法

针对PCA-神经网络预测方法解决预测问题时,忽视数据自相关性而造成的预测结果难以满足实际工程要求精度的研究现状,建立了预测数据的增广矩阵.通过计算前l时刻数据确定增广矩阵的维数,并把得到增广后的预测数据作为BP神经网络的输入变量,建立了基于DPCA-BP神经网络的预测模型,给出了模型结构.该模型能有效地去除自变量系统中与因变量无关的数据信息,增加自变量系统中数据的自相关性.算例比较分析表明,所建立模型的模型成分解释性增强,预测精度提高,预测效果优于PCA-BP神经网络方法.     

航空发动机模糊自适应广义预测解耦控制

为克服航空发动机控制回路间的耦合作用,针对具有不确定大时延的航空发动机分布式控制系统,提出了一类模糊自适应广义预测解耦控制算法.利用发动机非线性模型的输入输出数据对模糊自适应推理网络进行离线训练,网络的前提参数训练后固定,后件参数则可在线调整以使网络能更好地逼近实际系统.将模糊自适应推理网络作为广义预测控制器的预测模型,可以省去常规广义预测控制器的反馈校正机构.仿真表明:当参考轨迹为阶跃信号、斜坡信号时,所设计的控制器均具有良好的动态跟踪特性和解耦特性,当时延发生变化时,系统输出仍然能稳定地跟踪参考轨迹,说明该控制器对时延不敏感,鲁棒性强.     

基于mRMR-ESN的单变量光伏功率预测

设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance,mRMR)方法分别对两种模型进行特征提取,并选用在时间序列预测方面具有优势的回声状态网络(echo state networ...     

灰多元前移线性回归组合预测模型的构建及其应用

基于灰色系统理论具有时间序列和累加的特性,将灰色理论引入到前移线性回归分析模型中,建立一种新的组合预测模型―灰多元前移线性回归组合预测模型.该模型很好地处理了灰色系统模型中难以体现线性因素的问题,同时也大大弱化了前移线性回归分析模型中异常数据对预测效果的影响,使预测能及时跟踪因变量的动态变化.本文重点将上述组合预测模型应用于湖南省电力需求的预测问题中,结果表明,该模型在实际应用中是十分有效的,预测结果可以作为管理决策的理论依据.     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.