Neural network-based event-triggered cluster quasi-consensus for unknown multiagent systems with directed topology

This paper studies cluster quasi-consensus problem for a class of unknown nonlinear multiagent systems (MASs) with directed communication topology. First, a distributed continuous neural network (NN)-based adaptive protocol is presented for solving this problem by introducing reference model to each agent. Then, taking limited communication resource and energy consumption into account, a distributed event-triggered cluster quasi-consensus protocol is proposed. Different from the existing results, two event-triggered mechanisms are constructed in the proposed event-triggered protocol to reduce communication load and control update frequency as possible. The sufficient conditions that guarantee cluster quasi-consensus under the both proposed protocols are obtained, respectively. Zeno behavior is proved to be excluded. Finally, simulation results verify the effectiveness of the proposed protocols.     

联合聚类方法和深度学习的混凝土坝变形预测

混凝土大坝变形预测对其安全运行具有重要意义,针对传统分析方法难以捕捉长期序列时序特征从而导致预测精度较低的问题,本文采用麻雀优化算法（SSA）和K调和均值算法（KHM）相结合对监测值进行聚类以捕捉序列时序特征,然后采用自适应噪声完备集合经验模态分解（CEEMDAN）等方法对聚类结果进行降噪处理,最后采用长短期记忆（LSTM）模型对序列进行预测。分析结果表明,本文所提出的聚类方法具有较好的长序列特征识别能力,结合基于CEEMDAN分解方法去除序列中存在的冗余信息,从而使LSTM模型能够更好地捕捉变形值的时序特性,进而提高预测精度。所提模型具有较好的精度和适应性,可为大坝变形预测提供一种有效方法。     

水风光互补适应性调度的集合卡尔曼滤波方法北大核心CSCD

水风光互补是实现能源转型、助力碳中和的重要途径。传统的水风光互补中长期调度模型,忽略了气候变化和人类活动引起的水风光资源变异,得到的静态调度规则难以适应变化环境。为此,本研究采用集合卡尔曼滤波技术开展适应性调度研究。首先进行确定性优化调度,得到最优运行轨迹;其次识别调度函数的决策变量与自变量,构建线性调度函数;最后采用集合卡尔曼滤波动态更新调度函数的参数,形成适应性调度规则。以锦屏一级水电站及周边风、光电站为实例,研究表明适应性调度规则较常规调度和静态调度,在检验期年均发电量分别提高6.45亿k W·h和0.53亿k W·h,说明论文所提方法可有效追踪最优轨迹的变化来适应变化环境。     

异步电机低速电制动控制

阐述了异步电机电制动的控制策略;分析实际应用中低速电制动转矩出现偏差的原因,并通过MATLAB绘制出当定向角度出现偏差时给定转矩与实际转矩在三维空间中的比例关系。为解决低速电制动时由于转子磁场定向偏差引起电机转矩不准的问题,采用基于无功功率模型的转子时间常数自适应控制进行校正。试验结果表明该控制策略可以实现校正转子磁场定向偏差的功能,具有良好的动态性能,可以满足地铁列车的性能要求。     

基于主从博弈的多主体投资多微网系统优化配置

随着越来越多微电网协同运行,微网与微网间、微网与配网间电能交互过程愈发复杂,同时也影响着微网运营商及配网运营商的投资利益。为了探索两者间联合投资的最佳规划策略,提出一种基于主从博弈的多主体投资多微网系统优化配置方法。首先,在多微网系统模型基础上,构建考虑多微电网运营商运行成本、经济收益,以及配电网运营商投资微电网成本、延缓配电网升级及售购电收益的函数模型。然后,分别以多微网系统支付函数最小和配网收益最大为目标建立主从博弈模型,并提出自适应遗传算法与粒子群算法相结合的算法,求解多微网系统分布式电源最优配置。最后,通过4组方案进行对比实验,证明了所提规划方法能更好地平衡多微网运营商和配网运营商间的收益。     

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。     

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。     

Simultaneous wireless information and power transfer with fixed and adaptive modulation

Activating Wireless Power Transfer (WPT) in Radio-Frequency (RF) to provide on-demand energy supply to widely deployed Internet of Everything devices is a key to the next-generation energy self-sustainable 6G network. However, Simultaneous Wireless Information and Power Transfer (SWIPT) in the same RF bands is challenging. The majority of previous studies compared SWIPT performance to Gaussian signaling with an infinite alphabet, which is impossible to implement in any realistic communication system. In contrast, we study the SWIPT system in a well-known Nakagami-m wireless fading channel using practical modulation techniques with finite alphabet. The attainable rate-energy-reliability tradeoff and the corresponding rationale are revealed for fixed modulation schemes. Furthermore, an adaptive modulation-based transceiver is provided for further expanding the attainable rate-energy-reliability region based on various SWIPT performances of different modulation schemes. The modulation switching thresholds and transmit power allocation at the SWIPT transmitter and the power splitting ratios at the SWIPT receiver are jointly optimized to maximize the attainable spectrum efficiency of wireless information transfer while satisfying the WPT requirement and the instantaneous and average BER constraints. Numerical results demonstrate the SWIPT performance of various fixed modulation schemes in different fading conditions. The advantage of the adaptive modulation-based SWIPT transceiver is validated.