基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

多模型系统的神经网络控制器设计

针对多模型不确定系统,文章给出利用神经网络同时逼近多个常规控制器,实现多模型控制的神经网络控制方法.仿真实验结果表明了该方法简单有效,鲁棒性强.     

多模型自适应控制的空分系统整体能耗优化

运用多模型自适应控制技术,针对空分系统的整体能耗优化,就空分系统模型集的建立、控制器的设计、切换算法等方面进行了分析。空分系统作为一个实时变化的有机整体,在整体运行过程中存在的操作环境改变对系统的影响,当系统发生变化及波动时,根据相应切换算法切换到可以满足生产变化的模型,采用适合的控制器,以达到实时监控、安全生产的效果,最大限度地优化了系统运行。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

非线性系统的多模型DMC解耦设计

针对工业生产过程大多为多输入多输出非线性系统,干扰因素多,耦合作用强,常规控制方法难以获得满意控制效果的特.提出一种基于动态矩阵控制(DMC)的多模型控制方法,采用误差指标切换函数作为切换准则,根据其最小值来选择与实际最接近模型,并将基于此模型的控制器切换为当前控制器.结合目标函数解耦方法,在模型中考虑其他通道输入对当...     

具有降阶模型的多模型鲁棒自适应控制

传统鲁棒自适应控制由于考虑了实际系统存在的不确定性,在一定程度上扩大了常规自适应控制的应用范围,但是传统鲁棒自适应控制大多只是从系统全局稳定性的角度出发来设计控制器而忽略系统动态和稳态性能,导致其无法在工况多变的实际被控系统中取得令人满意的效果。针对传统鲁棒自适应控制的不足,本文对由ARMA模型描述并包含未建模动态的系统设计了多模型鲁棒自适应控制器。首先采用正则化技术将系统未建模动态转化为系统有界扰动,并在系统降阶模型的基础上根据系统工况的变化设计了多个固定控制器和2个鲁棒自适应控制器,并根据性能指标函数选择最佳控制器作为当前系统控制器以提高系统性能。仿真实验说明当系统存在未建模动态以及系统工况发生变化时,本文设计的控制器能获得较好的控制效果。     

改进的局部保持投影算法的多模型软测量

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进的局部保持投影算法的多模型建模方法。该方法通过有监督自适应权值的局部保持投影算法对输入数据空间进行特征提取,并结合最近邻分类器算法进行输入空间的划分,最后融合支持向量机实现多模型建模。仿真应用结果表明:将改进的局部保持投影算法应用在UCI数据库的Iris数据集的分类中,其分类精度高于基本的局部保持投影算法的分类精度;同时将改进的局部保持投影算法的多模型建模方法应用于双酚A生产的软测量多模型建模中,该方法能够有效的进行输入空间地划分,构建回归模型的数据更加合理,使得模型估计精度得到了提高,并具有更强的泛化能力。     

多模型分层切换车速控制

针对汽车纵向动力学建模存在较大不确定性的问题,设计了一种多模型分层切换车速控制系统。在不同汽车参数和工况下,辨识得到节气门开度到车速的传递函数,并建立不确定模型集合对其进行描述基础上,应用鲁棒控制理论对监督器和鲁棒控制器集合进行设计,实现了多模型分层切换车速控制。实验结果表明,与自适应控制器相比,设计的控制器对参数变化具有更快的调节能力,实现了更加快速准确的控制。     

基于期望模式修正方法的混合网格多模型估计

针对期望模式修正(EMA)变结构多模型估计中基础模型集固定不变而扩张模型修正能力有限等问题,提出了一种改进的EMA变结构多模型算法(M-EMA).该算法将所用模型集合构造为混合网格结构,并引入自适应网格(AG)技术和可能模型集(LMS)技术,用于混合网格中修正模型网格与基础模型网格的生成,从而使参与状态估计的模型集合更加接近于系统真实模式,达到优化模型集合的目的.仿真实验证明,该算法有效提高跟踪精度和稳定性,同时减少了对目标机动方式与模型集合拓扑结构设计的依赖.