具有参数自适应的交互式多模型算法

动态多模型估计（SMME）广泛应用于结构和参数的不确定／变化的估计问题中,比如目标跟踪和故障诊断与隔离,然而由先验信息选定的滤波参数是模式切换与模式未切换情况下的折衷,针对SMME,本文通过在每个滤波循环开始处起始多个状态预测器实时辨识滤波参数,包括模式切换概率和基于模型的过程噪声方差,考虑到交互式多模型（IMM）是SMME中比较有效的方法,我们将上述的参数辨识与IMM相结合,提出了一种自适应IMM（AIMM）,在跟踪一个机动目标的仿真中,AIMM表现出了比IMM更高的估计精度。     

多自由度非线性系统动态参数化模型建模方法研究

针对多自由度非线性系统的动态模型辨识问题,基于NARX(Non-linear Autoregressive with Exogenous inputs)模型的建模方法,考虑系统的物理设计参数,建立非线性系统动态参数化模型.首先,根据系统输入、输出数据建立系统不同参数下的NARX模型,并通过EFOR(Extended Forward Orthogonal Regression)算法对不同参数下NARX模型进行修正,以统一辨识得到的系统模型结构.随后,建立NARX模型系数与物理设计参数间的函数关系,得到多自由度非线性系统的动态参数化模型.以单输入、单输出两自由度非线性系统为例,根据数值仿真结果,对系统的动态参数化模型建模过程进行说明.最后,以带非线性涂层阻尼的悬臂梁作为试验对象,建立其动态参数化模型以反映其动力学特性.试验结果表明,非线性系统动态参数化模型能准确预测多自由度非线性系统的输出响应,为非线性系统的分析与优化设计提供了理论基础.     

一种多变量CAR模型结构和参数的辨识方法

本文提出了一种用于多变量系统CAR模型结构和参数估计的算法，本文法具有良好的数值计算的稳定性，估计结果的精度高，一旦确定结构后，立即得到参数估计值，没有重复计算，因此计算最小，数值仿真的结果表明本方法的有效性。     

板材多点成形过程的非参数模型及自适应控制

研究了三维板类件的多点成形复杂的非线性过程。将影响成形精度的诸多因素看作系统扰动,成形过程简化为离散的单输入单输出系统,得到其非参数模型。在满足一定假设务件的前提下,多点成形过程可线性化为一个带有单参数的线性时变系统：通过对系统的分析,得到了多点成形过程的闭环递推自适应控制算法。仿真结果表明,在自适应算法的逐次控制下,工件形状以较快的速度收敛到设计的目标形状,实现了对板类件多点成形这一复杂过程的有效控制。     

航空发动机的多参数快速故障诊断模型*

为了提高诊断效率,降低故障诊断对人的过分依赖,建立了一个航空发动机故障快速诊断模型.该模型结合粗糙集和灰色理论各自特点,利用粗糙集去除特征信息中的冗余信息;再通过多参数灰色模型对约简后的信息进行快速准确的预测.仿真对比表明,该模型在不降低预测精度的情况下能显著减少计算时间,有效提高故障预测的快速性和实时性.     

模型参数自适应迁移的多源域适应

在新领域中,常常存在样本不充分或标记不足的问题。针对此问题,人们提出了域适应,该方法利用相关领域（源域）的知识来提高当前领域（目标域）学习性能。单个源域的知识往往不充分且类别完全相同的多个源域难以满足,同时域之间存在漂移问题。而现有的多源域适应模型难以解决类别不完全一致的问题,因此给多源域适应带来了较大的挑战。为此提出了一种基于模型参数自适应迁移的方法（Adaptive Transfer for ModelParameter,ATMP）,通过对每个源域的模型参数进行私有和公有模型参数字典学习,同时将多个源域中所学的模型参数字典作为目标域的模型参数字典,然后通过对字典系数的行稀疏约束实现源域和目标域模型参数的自适应选择。除此之外,该方法迁移的是模型参数而不是数据本身,因此有效实现了对源域数据的隐私保护。经过一系列实验表明,在相关数据集上的实验显示了本文所提方法在聚类性能上的显著有效性。     

蜂群算法在太阳能电池参数辨识中的应用

为了解决太阳能电池参数辨识中参数识别精度低的问题,提出了采取基于侦查蜂阶段加入遗忘因子和邻域因子的人工蜂群算法(ABS)的解决方法.ABS算法在搜索的初期通过遗忘因子和邻域因子来使侦查蜂调整路径,从而能快速收敛到最优食物源所在区域,并使全局收敛性能在搜索后期有所提高.实验及分析表明:ABS算法的优化精度明显优于粒子群优化算法、模式搜索算法、模拟退火算法和遗传算法,为太阳能参数辨识提供了一种新的方法.     

交通流多时间尺度特性分析与参数模型研究

为揭示交通流的内在动态特性,利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,并基于相关性理论分析方法,探索了交通流在时间和空间上的相关性.针对经典的单段函数模型无法准确表征不同交通状态下交通流参数关系的问题,提出了一种二阶段交通流参数关系模型.采用PeMS系统采集的交通流数据,运用非...     

多分辨率模型联合仿真的研究

多分辨率建模是近年来仿真技术的研究热点之一。将不同分辨率的模喇有机地结合起来进行仿真研究,以发挥不间分辨率模型的优贽,对提高仿真的真实性、灵活性、可用性和可重用性具有重要意义。该文首先分析了基于兰彻斯特方程的聚合级兵力作战模型和实体级高分辨率作战模型各自的优势和不足,提出将两种不同分辨率的模型联合起来,以提高仿真结果的可信性,并给出了具体的实现方案。     

基于MATLAB的光伏模块通用仿真模型

基于光伏模块的数学模型,在Matlab仿真环境下,开发了光伏模块通用仿真模型.利用该模型,可以模拟实际光伏模块产品在不同太阳辐射强度、环境温度下的P-V和I-V特性.此外,该模型还融合了最大功率跟踪(MPPT)功能,可直接用于光伏发电系统的动态仿真,仿真结果证明了所建模型的合理性.     

光伏组件最大功率点快速识别方法

光伏组件最大功率发电是实现碳达峰和碳中和的关键技术之一,为了快速识别光伏组件最大功率点,提出了一种基于Lambert W函数的光伏最大功率点识别方法.通过对检测系统的分析,构建了实现光伏最大功率点检测结构;基于Boost变换器转换特性建立了光伏全阶段检测模型,给出了实现光伏组件全范围检测的工作条件;利用Lambert W函数推导出光伏最大功率点解析模型.实验表明,该方法可以快速识别光伏组件最大功率点,与NRM算法相比输出最大功率点功率提高了1.5％.     

载体运动下光伏组件最大功率点动态跟踪方法

光伏发电技术是实现碳达峰和碳中和的关键技术,如何实现运动载体下光伏组件最大功率点动态跟踪是光伏高效率发电的核心问题.为此,提出一种运动状态光伏组件最大功率点动态跟踪方法,通过利用惯性测量单元获取载体运动姿态,构建坐标转化关系,实现载体运动姿态与光强之间的转换;利用光伏组件五参数模型及光强关系建立了光伏组件动态模型;基于...     

柔性关节式坐标测量机多参数建模

柔性关节式坐标测量机是一种近30年发展起来的典型非正交坐标测量仪器。为提高测量精度,本文对柔性关节式坐标测量机的关节晃动进行分析,结合DH模型对测量机建立包含关节晃动的多参数模型。该建模方法为进一步研究柔性关节式坐标测量机提供了理论基础。     

基于MATLAB的光伏电池组件的输出特性研究

在恒温、恒湿等环境因素不变的情况下,改变光伏电池组件所受光照强度,对光伏电池组件的功率点进行跟踪测试,并对测试的数据MATLAB仿真,从而得出光照变化的情况下,最大功率点的变化规律.     

基于改进SSD算法的光伏组件缺陷检测研究

无人机自动化巡检是解决大型分布式光伏系统运维需求的有效方案。无人机航拍产生大量光伏板图像数据,需要算法实现更高的识别精度和更快的识别速度,为此提出一种改进的SSD算法,用于检测光伏组件缺陷。新算法在原有SSD算法中嵌入注意力机制,并使用迁移学习策略提高检测速度和准确率,能够对光伏组件普遍存在的玻璃破碎、受光面发黄、灰尘等进行自动识别和分类。通过与Faster-RCNN、YOLO3、VGG16-SSD算法对比,实验结果表明,改进SSD算法在识别准确率、召回率和检测速度方面表现良好,能有效提升光伏组件缺陷识别的效率。     

Gaussian Kernel Based SVR Model for Short-Term Photovoltaic MPP Power Prediction

Predicting the power obtained at the output of the photovoltaic (PV) system is fundamental for the optimum use of the PV system. However, it varies at different times of the day depending on intermittent and nonlinear environmental conditions including solar irradiation, temperature and the wind speed, Short-term power prediction is vital in PV systems to reconcile generation and demand in terms of the cost and capacity of the reserve. In this study, a Gaussian kernel based Support Vector Regression (SVR) prediction model using multiple input variables is proposed for estimating the maximum power obtained from using perturb observation method in the different irradiation and the different temperatures for a short-term in the DC-DC boost converter at the PV system. The performance of the kernel-based prediction model depends on the availability of a suitable kernel function that matches the learning objective, since an unsuitable kernel function or hyper parameter tuning results in significantly poor performance. In this study for the first time in the literature both maximum power is obtained at maximum power point and short-term maximum power estimation is made. While evaluating the performance of the suggested model, the PV power data simulated at variable irradiations and variable temperatures for one day in the PV system simulated in MATLAB were used. The maximum power obtained from the simulated system at maximum irradiance was 852.6 W. The accuracy and the performance evaluation of suggested forecasting model were identified utilizing the computing error statistics such as root mean square error (RMSE) and mean square error (MSE) values. MSE and RMSE rates which obtained were 4.5566 * 10⁻⁰⁴ and 0.0213 using ANN model. MSE and RMSE rates which obtained were 13.0000 * 10⁻⁰⁴ and 0.0362 using SWD-FFNN model. Using SVR model, 1.1548 * 10⁻⁰⁵ MSE and 0.0034 RMSE rates were obtained. In the short-term maximum power prediction, SVR gave higher prediction performance according to ANN and SWD-FFNN.     

基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

Multi-parameter regularization method for atmospheric remote sensing

The iteratively regularized Gauss-Newton algorithm with simple bounds on the variables is extended to the multi-parameter case. The global regularization matrix is computed by using the L-curve method for a sequence of one-parameter regularization problems. Numerical results concerning the joint retrieval of O₃ and NO₂ profiles using the scattered light from the limb of the atmosphere are presented.     

光伏发电系统MPPT控制仿真模型

在光伏发电系统优化的研究中,为了有效提高太阳能利用率,建立了光伏电池等效电路和数学模型,在MATLAB/Simulink仿真环境下搭建光伏电池通用工程模型,光伏电池通过串并联方式组合成光伏阵列,并利用电导增量法原理通过控制Boost电路占空比实现光伏阵列最大功率点跟踪(MPPT).仿真结果表明:改进模型可仿真任意光照强度、环境温度下,不同型号光伏电池及其串并联组合成光伏阵列的I-V特性,并能较好控制并实现MPPT,模型动态性能好,具有较强的实用性.