基于AEKF滤波与H∞滤波的锂离子电池SOC联合估计

锂电池荷电状态（SOC）的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有卡尔曼滤波SOC估计方法存在估计精度低、鲁棒性差等问题,采用锂离子电池的二阶电阻-电容等效电路模型,通过HPPC循环脉冲实验和动态应力测试工况放电实验,结合带可变遗忘因子的递推最小二乘法（VFFRLS）及开窗理论,对等效电路模型参数进行在线辨识,提出利用自适应扩展卡尔曼滤波（AEKF）算法和H_∞滤波算法联合估计SOC的方法。结果表明：与AEKF算法相比,在DST工况下该算法可以使电池荷电状态估计的最大绝对误差减小3.902 9%,平均绝对误差减小0.962 2%,均方根误差减小0.551 5%。与H_∞滤波算法相比,在DST工况下该算法可以使电池荷电状态估计最大绝对误差减小1.309%,平均绝对误差减小2.893 4%,均方根误差减小2.613 6%。     

DC-DC变换器自适应反步控制器设计

研究了存在系统不确定性以及输入电压干扰的情况下,DC-DC变换器的输出电压跟踪问题.假设输入电压扰动为连续有界函数,提出了一种结构相对简单的自适应反步控制器.在控制器设计过程中,采用了自适应动态面控 制 (ADSC)技术,以简化控制器结构设计.此外,利用自适应律估计负载电流的不确定性以及输入电压的干扰.通过构造李雅普诺夫函数,证明了所有闭环信号都是一致最终有界的.最后,通过仿真试验与试验平台验证了提出的控制方案的有效性.     

基于集成经验模态分解和最小二乘双支持向量回归机的风速预测算法研究

为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。     

基于有源滤波器自适应阻抗重塑的高速铁路谐波谐振抑制

针对电力机车和牵引网阻抗参数耦合所引起的牵引供电系统的谐波谐振现象,首先基于阻抗分析法建立了有源滤波器、电力机车和牵引网的小信号阻抗模型,使用广义奈奎斯特判据分析了牵引供电系统谐波谐振的机理以及有源滤波器对牵引供电系统谐波谐振的影响。其次,提出一种基于阻抗重塑的牵引供电系统谐波谐振抑制方法,通过并网点电压前馈的方式在有源滤波器中引入虚拟阻抗,并利用自适应参数设计提升了虚拟阻抗对动态系统的适应性。最后,在Matlab/Simulink中搭建了“牵引网-电力机车-有源滤波器”统一仿真模型,验证有源滤波器的自适应阻抗重塑对谐波谐振抑制的有效性。     

基于自适应容积卡尔曼滤波的动态谐波检测

对电网中的谐波进行实时、准确的检测是有效治理谐波的前提。针对某些运行工况下电网中出现的动态谐波,提出了一种基于自适应容积卡尔曼滤波的动态谐波检测算法估计谐波信号的幅值和相角。首先针对传统卡尔曼滤波处理非线性关系上的局限性,利用容积卡尔曼滤波不需要任何线性化关系的特性估计谐波的状态向量和误差偏差矩阵,然后引入噪声估值遗忘因子来实时更新系统的噪声矩阵方程。最后通过对比实验,验证了该算法在动态谐波检测上的优越性能,并将其应用于有源滤波器的谐波检测中。     

基于改进自适应密度峰值算法的日负荷曲线聚类分析

电力市场的逐步开放以及大量可再生能源的接入使用户具有更多的用电自由,导致电力用户类型多样化、用户间负荷特性差异逐渐增大、负荷数据的类簇分布情况复杂化。为解决传统聚类算法面对不均衡负荷数据集时聚类效果不佳以及缺乏自适应能力等问题,提出一种改进自适应密度峰值聚类(Improved self-adaptive Density Peak Clustering,ISDPC)算法。首先,基于K-最近邻(K-Nearest Neighbor,KNN)和相对密度的思想定义了一种新的密度度量方式。然后在决策图中拟合分段函数得到最优类簇数目。最后,通过构造加权KNN图改进样本分配策略。试验结果表明,与传统聚类算法相比,所提方法聚类结果更加精确、具备自适应能力、鲁棒性更强。     

回声信号处理综合实验设计及实现

针对学生对卷积和相关概念不清的问题,结合生活现象,本文设计了回声信号处理综合实验。实验内容包括回声产生、回声特性分析、回声消除,它将难以理解的卷积、自相关、互相关概念有机地串在一起,帮助学生理解和应用。实践表明,理论推导和实验编程相结合有助于学生将所学的知识融会贯通,且学生在做与生活密切联系的综合实验时,积极性高,收获大。     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

切削加工参数优化及自适应控制技术综述

阐述离线切削参数优化技术的研究现状,在线自适应切削加工技术的应用,探讨数控加工过程中离线参数优化技术,以及在线自适应加工技术的关键难点。     

基于语义融合的域内相似性分组行人重识别

无监督跨域行人重识别旨在使有标签源域数据集上训练的模型适应目标域数据集。然而,基于聚类的无监督跨域行人重识别算法在网络特征学习过程中常因输入行人图片情况各异而产生噪声,从而影响聚类效果。针对这一问题,提出一种基于语义融合的域内相似性分组行人重识别网络,首先在Baseline网络的基础上添加语义融合层,依次从空间和通道2个方面对中间特征图进行相似特征的语义融合,从而提升网络的自适应感知能力。此外,通过充分利用域内相似性细粒度信息,进而提高网络对全局和局部特征的聚类精准度。通过在DukeMTMC-ReID、Market1501和MSMT17这3个公开数据集上进行实验,结果表明,所提算法的均值平均精度（m AP）和Rank识别准确率与近年无监督跨域行人重识别算法相比有显著提升。