基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先，通过考虑输入、输出间的耦合，建立基于并行支持向量机的多步预测模型；然后，将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略，得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

电池储能系统参与用户侧削峰填谷的鲁棒优化调度策略

现有的用户侧调峰领域的储能调度鲁棒优化方法,缺乏考虑非线性多目标优化模型的研究。当储能出力范围直接受负荷不确定性限制时,传统列和约束生成算法无法求解此类模型。针对以上问题,文章考虑负荷、电池储能等约束条件,建立了以净负荷方差、用户侧用电支出等为优化目标的电池储能系统调度鲁棒优化模型,并同时考虑了用户负荷波动、新能源出力波动等不确定因素。由于第二阶段的决策与优化结果会影响第一阶段决策的取值范围,需要改进列和约束生成算法以实现对该类鲁棒优化问题的求解。通过将目标函数、部分约束条件视为多个子问题考虑,对原列和约束生成算法的每次迭代中的子问题求解步骤进行扩充,使每次迭代中求解多个子问题,能够有效拓宽该算法的适用范围。最后,仿真结果验证了该方法的有效性,能够在不改变传统算法性能优势的情况下成功应用于非线性多目标鲁棒优化问题。     

基于数据驱动的微小故障诊断方法综述

能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键,本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点,从数据驱动的角度对现有研究进行综述.并将其分为三大类: 基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术,进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题,而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望,提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.     

电力系统和通信网络交互影响下的连锁故障分析

传统的对于电力系统连锁故障的研究仅限制在电力网络,很少考虑电力网络和通信网络间的交互作用。以IEEE 118节点系统和新英格兰39节点系统为例,基于直流潮流模型建立了较为符合电力系统运行实际的电力网络和通信网络交互作用模型,通过调节相关参数研究了电力通信网络不同的路由策略对于电力系统连锁故障大停电的影响,并结合复杂网络的理论讨论了复杂网络之间的内在相似性。仿真结果表明通过调整通信网络参数设置恰当的路由策略,可以降低大规模连锁故障的概率。而且在不同电力系统下仿真发现,网络间最优相似策略是相同的,采用该相似策略可以有效地降低大规模连锁故障的概率。     

基于多智能体技术的大电网连锁跳闸预防控制

在大规模电网中，由简单故障触发的电力系统连锁故障会引起大停电的灾难性后果。为实现复杂大电网的实时安全控制，文中从预防线路连锁跳闸角度提出了一种大电网在线分布式计算的多智能体控制方法，提出了最佳切机切负荷控制策略来预防连锁故障。该方法不再把分布式计算局限于分层分区控制，而是把每个电网节点定义为一个智能体。模型中每个智能体在各自邻域内采用预测控制算法，经智能体间的协作求解最优控制措施。利用预测控制的滚动优化，在每个控制步内对系统控制变量和约束集进行筛选，以线性规划求解。每步优化控制算法中，计算数据由实际电网状态测量值得到。IEEE 118节点系统测试结果验证了该方法的快速性和有效性。     

Robustly stable model predictive control based on parallel support vector machines with linear kernel

Robustly stable multi-step-ahead model predictive control (MPC) based on parallel support vector machines (SVMs) with linear kernel was proposed. First, an analytical solution of optimal control laws of parallel SVMs based MPC was derived, and then the necessary and sufficient stability condition for MPC closed loop was given according to SVM model, and finally a method of judging the discrepancy between SVM model and the actual plant was presented, and consequently the constraint sets, which can guarantee that the stability condition is still robust for model/plant mismatch within some given bounds, were obtained by applying small-gain theorem. Simulation experiments show the proposed stability condition and robust constraint sets can provide a convenient way of adjusting controller parameters to ensure a closed-loop with larger stable margin.     

考虑网络演化的直流潮流停电模型与自组织临界性分析

直流潮流停电（OPA）模型及其改进模型能模拟连锁故障停电过程,并能从宏观上揭示大停电的自组织临界性,但没有考虑电网结构变化对大停电的影响。文中在OPA模型基础上,考虑了慢动态过程中电网结构的演化特征,建立了考虑网络演化的OPA模型。对2个典型复杂网络演化方式的仿真表明:按小世界方式和无标度方式演化的电网都会自组织到临界状态;小世界电网特有的高聚类系数和低特征路径长度易扩大连锁故障的广度和深度,其平均损失负荷大于无标度电网;无标度电网通过小规模的线路连锁开断,释放系统压力,减少大停电概率。研究结果对未来的电网建设及大停电的整体预防有一定指导意义。     

基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法

提出了一种基于经验模态分解（Empirical Mode Decomposition, EMD）和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数（Intrinsic Mode Function, IMF）进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback–Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。     

基于多核支持向量机的非线性模型预测控制

Multi-kernel-based support vector machine （SVM） model structure of nonlinear systems and its specific identification method is proposed, which is composed of a SVM with linear kernel function followed in series by a SVM with spline kernel function. With the help of this model, nonlinear model predictive control can be transformed to linear model predictive control, and consequently a unified analytical solution of optimal input of multi-step-ahead predictive control is possible to derive. This algorithm does not require online iterative optimization in order to be suitable for real-time control with less calculation. The simulation results of pH neutralization process and CSTR reactor show the effectiveness and advantages of the presented algorithm.     

基于多头概率稀疏自注意力模型的综合能源系统多元负荷短期预测

精准的多元负荷短期预测是综合能源系统调度和运行的基础。综合能源系统中的多种负荷之间存在较强的耦合作用,目前已有的单一负荷预测难以挖掘不同负荷之间复杂的内在联系。对此,提出一种基于多头概率稀疏自注意力模型的多元负荷短期预测方法。首先,采用皮尔逊相关系数分析多元负荷之间的相关性,并提取多元负荷之间的耦合特征;然后,使用改进位置编码的多头概率稀疏自注意力机制学习长序列输入的依赖关系,并且采用多元预测任务的参数软共享机制,通过不同子任务对共享特征的差异化选择,实现多元负荷的联合预测;最后,在亚利桑那州立大学Tempe校区的多元负荷数据集上对所提模型的性能进行验证,结果表明所提预测方法相较于其他预测模型能够有效提高预测精度。