多目标粒子群算法用于补料分批生化反应器动态多目标优化

多目标优化是过程系统工程的重要课题,通常以加权或约束方式将其转换为单一目标,未能反映多目标间的复杂关系,不利于随时根据需求作出有效的决策。基于群智能的粒子群算法具有全局优化性能,且易于实现。为使其适于多目标优化,应拓展功能,实施改造。以Pareto支配概念评价种群个体的优劣,设计了确定局部最优点和全局最优点的操作。又利用各粒子的局部最优点信息进行速度更新,以加强种群的多样性,避免因早熟而陷于局部最优。还设置了外部优解库,并通过分散度计算,以适当的策略进行更新,使之逐步均匀地逼近于Pareto最优解集。由此构建一种多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）,并用于补料分批生化反应器的动态多目标优化,取得了满意的结果。可基于所搜得的Pareto最优解集,分析目标间的关系,为合理决策提供有效的支持。经与NSGA-II比较,MOPSO算法具有更为优良的性能。     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

基于小波包分析和K-OPLS的集成方法在颗粒粒径分布检测中的应用

颗粒粒径分布的实时在线检测对于调控气固流化床中颗粒的流化特性具有重要意义。基于混料均匀设计法安排实验,以声发射(AE)技术为检测手段,结合小波包分析,提出采用K-OPLS方法构建颗粒粒径分布的声信号预测模型,定量描述小波包能量特征与颗粒粒径分布的非线性变化规律。实验结果显示,留一交叉验证法的均方根误差(RMSE)仅为0.063,表明基于K-OPLS的颗粒粒径分布声信号预测模型能准确测量气固流化床中颗粒的粒径分布,具有良好的工业应用前景。     

有约束过程动态优化问题的改进克隆选择算法

状态变量带约束的过程动态优化问题是化工系统工程的重要课题,有一定的难度。通过将其转换为等价的非线性规划后,可采用元启发式方法求解。人工免疫系统的克隆选择算法(CSA)简练易用,全局搜索性能良好,但局部寻优能力较弱,且无处理约束的机制。为此,拟引入免疫网络自学习算子,均匀设计方法,以及目标与约束分离的处理机制,构建改进的克隆选择算法(ICSA),并将其用于状态变量带约束的间歇反应器和乙醇生物反应器的动态优化等实例,效果良好。试验结果表明三种策略有效地改进了CSA的性能,使ICSA能以较少的计算代价搜索到较优的控制策略。     

适于混合整数非线性规划的混合粒子群优化算法

通过加强粒子群优化（PSO）算法处理约束和整数变量的能力,使其适于求解混合整数非线性规划（MINLP）,构建了一种混合粒子群优化（HPSO）算法.建立了种群的约束矩阵来反映其解满足约束的情况,运用Pareto支配概念评价解的优劣,确定种群的局部最优点和全局最优点.通过增设基于距离函数的概率取整操作和随机变异的解修复操作,加快了搜优速率.利用各粒子的局部最优点信息更新速度,采用多粒子群策略增强了种群多样性.实例测试结果显示,与其他算法相比,HPSO算法具有更好的全局寻优能力,收敛速度更快.     

混合优化人工免疫网络用于过程动态优化

常见的用于求解过程动态优化的方法局部寻优能力强,易陷入局部点;而优化人工免疫网络虽局部寻优能力弱,但不易陷入局部点.针对这些方法的不足,提出了一种新的算法--混合优化人工免疫网络,将优化人工免疫网络植入局部寻优操作和二次响应机制,应用于Park-Ramirez和Lee-Ramirez生物反应器,此算法能以较少的计算代价搜索到最佳控制策略.将其用于模型参数发生变化的Lee Ramirez生物反应器,实验结果表明,此算法的二次响应机制可以节省85％的评价次数.     

基于模型的锂离子电池SOC及SOH估计方法研究进展

电池管理系统是保证锂离子电池高效、安全运行的重要手段。在电池管理系统功能中,电池状态估计,特别是荷电状态(state of charge,SOC)估计和健康状态(state of health,SOH)估计至关重要。SOC/SOH不仅与全生命周期内电池安全运行直接相关,也是其他功能有效实现的必要前提。本文围绕模型类电池状态估计方法,综述了国内外在锂离子电池模型构建、SOC及SOH估计方法方面的研究进展;指出了模型类状态估计方法存在的难点和局限,提出了今后研究重点。     

基于模型的锂离子电池SOC及SOH估计方法研究进展

电池管理系统是保证锂离子电池高效、安全运行的重要手段。在电池管理系统功能中,电池状态估计,特别是荷电状态（state of charge,SOC）估计和健康状态（state of health,SOH）估计至关重要。SOC/SOH不仅与全生命周期内电池安全运行直接相关,也是其他功能有效实现的必要前提。本文围绕模型类电池状态估计方法,综述了国内外在锂离子电池模型构建、SOC及SOH估计方法方面的研究进展;指出了模型类状态估计方法存在的难点和局限,提出了今后研究重点。