期刊文献+
共找到305篇文章
< 1 2 16 >
每页显示 20 50 100
风电场风速短期多步预测改进算法 被引量:110
1
作者 潘迪夫 刘辉 李燕飞 《中国电机工程学报》 EI CSCD 北大核心 2008年第26期87-91,共5页
对风电场风速实现较准确的预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。该文运用时间序列法对我国某风电场测风站实测风速建立时序求和自回归滑动平均(auto regress iveintegrated moving average,ARIMA)ARIMA(11,1,0... 对风电场风速实现较准确的预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。该文运用时间序列法对我国某风电场测风站实测风速建立时序求和自回归滑动平均(auto regress iveintegrated moving average,ARIMA)ARIMA(11,1,0)模型,并进行风速预测。针对模型在超前1步预测时出现的延时问题,引入卡尔曼预测法加以改进,提出卡尔曼时间序列法。针对时序模型超前多步预测精度低的问题,提出滚动式时间序列法。对提出的两种改进方法进行实例验证,结果表明,卡尔曼时间序列法不仅改善了预测延时问题,而且把超前1步预测的平均相对预测误差从6.49%降低为3.19%;滚动式时间序列法改善了多步预测的精度问题,模型超前3、5、10步预测的平均相对预测误差分别仅为7.01%,7.63%,8.42%。两种改进方法都没有明显增加时间序列法的建模计算量。 展开更多
关键词 风力发电 风电场 多步预测 卡尔曼滤波 时间序列
下载PDF
一种多步预测的变流器有限控制集模型预测控制算法 被引量:91
2
作者 沈坤 章兢 王坚 《中国电机工程学报》 EI CSCD 北大核心 2012年第33期37-44,173,共8页
变流器有限控制集模型预测控制(finite control setmodel predictive control,FCS-MPC)算法是一种变流器优化控制算法。该算法具有动态响应快、处理系统约束灵活且无需PWM调制器和相关参数设计等优点,但仅可确保所选开关函数组合在一个... 变流器有限控制集模型预测控制(finite control setmodel predictive control,FCS-MPC)算法是一种变流器优化控制算法。该算法具有动态响应快、处理系统约束灵活且无需PWM调制器和相关参数设计等优点,但仅可确保所选开关函数组合在一个控制周期内的最优,这样将使得系统控制趋于保守,而影响系统控制性能。分析传统变流器FCS-MPC算法的保守性,提出一种在一个控制周期内同时考虑最优开关函数组合及次优开关函数组合,并确保在两个控制周期内所选开关函数组合最优的多步预测的FCS-MPC算法(finitecontrol set model predictive control with multi-step prediction,FCS-MPCMSP);进行采用该算法的两电平三相电压型逆变器在空载、带阻感性负载、带非线性负载及负载投入等工况下的仿真和实验。仿真及实验结果表明:采用该算法的三相电压型逆变器输出电压与给定电压的差值明显小于采用传统FCS-MPC算法的情况,改善了逆变器输出电压质量,从而验证了该算法的有效性及可行性。 展开更多
关键词 有限控制集 模型预测控制 三相电压型逆变器 保守 多步预测
下载PDF
基于小波分析的石油价格长期趋势预测方法及其实证研究 被引量:52
3
作者 梁强 范英 魏一鸣 《中国管理科学》 CSSCI 2005年第1期30-36,共7页
本文将小波方法引入到油价长期趋势的预测中 ,利用小波多尺度分析的功能 ,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势 ,从总体上把握油价的非线性波动特征 ,从... 本文将小波方法引入到油价长期趋势的预测中 ,利用小波多尺度分析的功能 ,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势 ,从总体上把握油价的非线性波动特征 ,从而能够很好地利用油价时间序列的历史数据 ,开展对未来一段时期内的多步预测。实证研究中 ,对Brent油价开展了时间跨度为 1年的趋势预测 ,并将预测结果与ARIMA、GARCH、Holt winters等方法得到的结果进行了比较 ,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的 。 展开更多
关键词 小波分析 石油价格 长期趋势 时间序列 多步预测
下载PDF
多步预测的小波神经网络预报模型 被引量:24
4
作者 金龙 秦伟良 姚华栋 《大气科学》 CSCD 北大核心 2000年第1期79-86,共8页
采用小波分析与人工神经网络相结合的方法, 进行了一种新的非线性长期预报模型研究。结果表明,所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果,独立样本的预报效果也令人满意。并且, 该预报模型具有误差收敛快, ... 采用小波分析与人工神经网络相结合的方法, 进行了一种新的非线性长期预报模型研究。结果表明,所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果,独立样本的预报效果也令人满意。并且, 该预报模型具有误差收敛快, 预报时效长以及建模所需阶数低等显著优点, 具有很好的研究前景。 展开更多
关键词 小波神经网络 平均气温 多步预测 网络预报模型
下载PDF
基于混沌理论进行股票市场的多步预测 被引量:24
5
作者 郭刚 史忠科 戴冠中 《信息与控制》 CSCD 北大核心 2000年第2期177-181,共5页
提出一种基于混沌理论进行股票价格多步预测的方法 .只需要考虑系统是否混沌 ,然后依据混沌理论给出了进行股票价格多步预测明确的最大时间尺度 .
关键词 混沌理论 多步预测 股票市场 非线性系统
下载PDF
一种基于EMD的短期风速多步预测方法 被引量:33
6
作者 刘兴杰 米增强 +1 位作者 杨奇逊 樊小伟 《电工技术学报》 EI CSCD 北大核心 2010年第4期165-170,共6页
针对风速时间序列的非线性和非平稳性,提出了一种基于经验模式分解(EMD)的短期风速多步预测新方法。该方法首先对风速时间序列进行EMD处理,将其分解为一系列相对平稳的分量,以减少不同特征信息之间的干涉;然后利用游程判定法,将波动程... 针对风速时间序列的非线性和非平稳性,提出了一种基于经验模式分解(EMD)的短期风速多步预测新方法。该方法首先对风速时间序列进行EMD处理,将其分解为一系列相对平稳的分量,以减少不同特征信息之间的干涉;然后利用游程判定法,将波动程度相近的分量重构为高-中-低频三个分量,使所得分量特征信息集中且预测分量大幅减少;之后针对三分量的特征分别建立相应的多步预测模型;最后将三分量的多步预测结果进行自适应叠加作为最终的预测风速。算例结果表明,运用本文方法使风速多步预测的精度得到了大幅提高,同时在风速波动剧烈时也能保证较好的预测效果。 展开更多
关键词 风电场 短期风速 多步预测 经验模式分解
下载PDF
针对时间序列多步预测的聚类隐马尔科夫模型 被引量:24
7
作者 章登义 欧阳黜霏 吴文李 《电子学报》 EI CAS CSCD 北大核心 2014年第12期2359-2364,共6页
时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针... 时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高. 展开更多
关键词 时间序列 多步预测 隐马尔科夫模型 聚类
下载PDF
基于模糊神经网络和R/S分析的股票市场多步预测 被引量:12
8
作者 杨一文 刘贵忠 蔡毓 《系统工程理论与实践》 EI CSCD 北大核心 2003年第3期70-76,共7页
将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS... 将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS)正是上述模糊建模思想的神经网络实现的一种形式 .R/ S分析表明 ,上海股票市场的价格波动具有长期记忆性 ,因而可以预测 .基于此 ,利用 ANFIS对上证综合指数进行多步预测 。 展开更多
关键词 神经模糊建模 R/S分析 多步预测
原文传递
基于CEEMD和改进时间序列模型的超短期风功率多步预测 被引量:22
9
作者 赵征 汪向硕 《太阳能学报》 EI CAS CSCD 北大核心 2020年第7期352-358,共7页
根据风功率非平稳特性,提出一种基于互补集合经验模态分解和时间序列分析方法中的差分自回归滑动平均模型的新型风功率组合多步预测模型。首先对风功率序列进行互补集合经验模态分解,以降低风功率序列的非平稳特性;之后采用模糊熵理论... 根据风功率非平稳特性,提出一种基于互补集合经验模态分解和时间序列分析方法中的差分自回归滑动平均模型的新型风功率组合多步预测模型。首先对风功率序列进行互补集合经验模态分解,以降低风功率序列的非平稳特性;之后采用模糊熵理论对各分量进行复杂度评估,对复杂度相近的相邻分量重新组合,从而有效降低预测时间和计算量;然后对新组合的各分量建立差分自回归滑动平均(ARIMA)模型,再对各分量进行残差序列检验,对存在异方差特性的分量建立ARIMA-GARCH模型;最后叠加各分量预测结果得到最终的风功率多步预测值。实验结果表明,所提的组合预测模型具有较高的预测精度。 展开更多
关键词 风功率预测 互补集合经验模态分解 模糊熵 ARIMA-GARCH模型 多步预测
下载PDF
基于数据序列分辨率压缩尺度优化的月度电量预测方法 被引量:19
10
作者 王飞 李正辉 +5 位作者 李渝 王铁强 丘刚 郭怀东 马辉 王东升 《电力系统保护与控制》 EI CSCD 北大核心 2020年第11期62-68,共7页
准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首... 准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首先将数据分辨率压缩尺度选择建模成一个优化问题。然后通过数据驱动方式进行求解。最后再利用长短期记忆(Long Short-term Memory,LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度。利用美国PJM电力市场的历史电量数据对所提方法进行验证。仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能。 展开更多
关键词 电量预测 分辨率 尺度压缩 多步预测 长短期记忆神经网络
下载PDF
基于RBF神经网络多步预测的自适应PID控制 被引量:15
11
作者 姬晓飞 孟令柏 +1 位作者 申东日 陈义俊 《甘肃科学学报》 2003年第2期71-75,共5页
 提出一种基于RBF神经网络多步预测的自适应PID控制算法.该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识,利用多步预测误差对PID型控制器网络进行训练,从而实现PID参数的在线自适应寻优.通过对典型非线性系统的仿真研究...  提出一种基于RBF神经网络多步预测的自适应PID控制算法.该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识,利用多步预测误差对PID型控制器网络进行训练,从而实现PID参数的在线自适应寻优.通过对典型非线性系统的仿真研究,该控制系统具有较强的适应性和鲁棒性. 展开更多
关键词 神经网络 多步预测 PID控制 RBF网络 非线性系统
下载PDF
小波分解层数及其组合分量对短期风速多步预测的影响分析 被引量:18
12
作者 王东风 王富强 牛成林 《电力系统保护与控制》 EI CSCD 北大核心 2014年第8期82-89,共8页
针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测... 针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。 展开更多
关键词 风速预测 小波分解 RBF网络 时间序列 多步预测
下载PDF
基于长短时记忆网络的Encoder-Decoder多步交通流预测模型 被引量:17
13
作者 王博文 王景升 +3 位作者 王统一 张子泉 刘宇 于昊 《重庆大学学报》 CSCD 北大核心 2021年第11期71-80,共10页
交通流序列多为单步预测。为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经... 交通流序列多为单步预测。为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证。实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系。除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210~5.422、0.061~0.191。相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136。实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务。 展开更多
关键词 交通流预测 LSTM 编码器解码器 多步预测 深度学习
下载PDF
基于Keras长短时记忆网络的矿井瓦斯浓度预测研究 被引量:17
14
作者 张震 朱权洁 +4 位作者 李青松 刘衍 张尔辉 赵庆民 秦续峰 《安全与环境工程》 CAS CSCD 北大核心 2021年第1期61-67,78,共8页
瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标... 瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的基于LSTM网络建立的矿井瓦斯浓度多步预测模型,实现了对矿井瓦斯浓度发展趋势的预测,并利用损失函数计算预测误差大小,评估模型的预测精度;最后以贵州某煤矿掘进工作面为工程背景,利用基于LSTM网络建立的矿井瓦斯浓度多步预测模型,开展了矿井瓦斯浓度预测研究,并通过与ARMA模型、ARIMA模型的预测结果进行对比,验证该模型的预测效果。结果表明:该模型预测结果的均方根误差RMSE值最小仅为2%,且预测步长约为ARMA模型、ARIMA模型的5倍,说明该模型的预测效果好,可为煤矿井下合理规避瓦斯灾害事故提供科学依据。 展开更多
关键词 瓦斯浓度预测 LSTM 神经网络 PYTHON 多步预测
下载PDF
基于深度学习的办公建筑照明插座能耗多步预测 被引量:17
15
作者 周璇 雷尚鹏 闫军威 《华南理工大学学报(自然科学版)》 EI CAS CSCD 北大核心 2020年第10期19-29,共11页
照明插座能耗多步预测对建筑电力负荷调度、能耗优化管理等节能技术的研究具有重要意义。然而,由于受到人行为、室外干球温度、相对湿度等诸多因素的影响,照明插座能耗时间序列具有不确定性、随机性以及非线性等特征,难以准确预测。文... 照明插座能耗多步预测对建筑电力负荷调度、能耗优化管理等节能技术的研究具有重要意义。然而,由于受到人行为、室外干球温度、相对湿度等诸多因素的影响,照明插座能耗时间序列具有不确定性、随机性以及非线性等特征,难以准确预测。文中分析了大型办公建筑照明插座分项能耗时间序列的分布特征,采用长短期记忆模型,提出了基于深度学习的多步预测建模方法,讨论了隐含层数、隐含层神经元数与迭代次数等深度学习建模超参数的选择问题,并探讨了样本数量对模型预测精度的影响。仿真结果表明,与BP神经网络模型、最小二乘支持向量机模型相比,深度学习预测模型的24 h多步预测平均精度分别提高了13.25%与4.23%。 展开更多
关键词 照明插座能耗 多步预测 深度学习 长短期记忆模型 大型办公建筑
下载PDF
基于小波变换与传统时间序列模型的臭氧浓度多步预测 被引量:17
16
作者 陈亚玲 赵智杰 《环境科学学报》 CAS CSCD 北大核心 2013年第2期339-345,共7页
采用最大重叠小波分解与重构方法,将影响O3小时浓度的不同时间尺度的物化过程分离出来,以提高序列的光滑性.同时,选择合适的传统时间序列模型(如ARIMA模型等)来描述不同过程的序列特征,并分别拟合预报.最后,在建模中引入24h季节项,以实... 采用最大重叠小波分解与重构方法,将影响O3小时浓度的不同时间尺度的物化过程分离出来,以提高序列的光滑性.同时,选择合适的传统时间序列模型(如ARIMA模型等)来描述不同过程的序列特征,并分别拟合预报.最后,在建模中引入24h季节项,以实现提前24h一次性预测未来1d的O3逐时浓度.结果表明,预报的平均相对误差为12.92%,平均绝对误差和均方根误差分别为10.04μg·m-3和13.98μg·m-3,预报值与实测值的相关系数和匹配指数分别为0.96和0.98.随着预测期的延长,预报误差仍处于可接受范围内.该方法同样适用于每日最大O3小时浓度预报,研究结果为发布天气预报式的空气质量预报提供了新思路,便于公众规划出行并减少大气污染暴露. 展开更多
关键词 最大重叠小波变换 自回归滑动平均法(ARIMA) 臭氧小时浓度 多步预测
原文传递
基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究 被引量:16
17
作者 柳玉 曾德良 +2 位作者 刘吉臻 白恺 宋鹏 《太阳能学报》 EI CAS CSCD 北大核心 2014年第2期214-220,共7页
讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步... 讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明,多步预测方法可得到风速预测曲线,适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据,能准确分析不同风电场或不同风电机组的机组特性。 展开更多
关键词 风速预测 最小二乘支持向量机 小波包变换 多步预测 信息粒化
下载PDF
基于WPD-AHA-ELM模型的水质时间序列多步预测 被引量:12
18
作者 崔东文 袁树堂 《三峡大学学报(自然科学版)》 CAS 2023年第1期6-13,共8页
根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH_(3)-N多步预测.首先介绍AHA原理,在... 根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH_(3)-N多步预测.首先介绍AHA原理,在不同维度条件下选取6个典型函数对AHA进行仿真测试,并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较;其次利用WPD对水质时序数据进行小波包分解,以降低水质序列数据的复杂度;并在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入、输出;最后通过各分量训练样本构建ELM适应度函数,采用AHA对适应度函数进行寻优,利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测,将预测结果加和重构得到最终多步预测结果.结果表明:AHA具有较好的寻优精度和全局搜索能力,寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH_(3)-N超前1步至超前5步预测的平均绝对百分比误差分别在0.05%~1.23%、0.10%~3.15%、0.13%~3.67%、0.65%~10.6%之间,具有较小的预测误差,其中尤以超前1步至超前3步的预测效果最好.WPD-AHA-ELM模型预测精度随着超前预测步数的增加而降低. 展开更多
关键词 水质预测 小波包分解 人工蜂鸟算法 极限学习机 仿真测试 多步预测
下载PDF
基于多步模型预测控制的模块化多电平换流器环流控制策略 被引量:15
19
作者 郭鹏 何志兴 +4 位作者 罗安 徐千鸣 周发云 岳雨霏 周奔 《电力系统自动化》 EI CSCD 北大核心 2017年第16期137-143,157,共8页
模块化多电平换流器(MMC)以其结构模块化、低谐波输出以及冗余控制等优点在中高压领域得到了广泛的关注与研究。推导了MMC离散数学模型,提出了基于多步模型预测控制的MMC环流控制方法,能够实现桥臂环流的多步优化控制并有效地降低预测... 模块化多电平换流器(MMC)以其结构模块化、低谐波输出以及冗余控制等优点在中高压领域得到了广泛的关注与研究。推导了MMC离散数学模型,提出了基于多步模型预测控制的MMC环流控制方法,能够实现桥臂环流的多步优化控制并有效地降低预测控制计算量。首先利用环流电流离散状态方程进行单步环流预测,再选取满足单步预测效果的投入模块数进行多步环流预测,最终求解出桥臂投入模块数的优化解,实现环流电流的多步优化控制,从而有效地抑制环流中的谐波电流。所提多步预测控制利用单步预测得到的优化解构建多步预测的有限控制集,可以大幅减少多步预测所需要的循环预测次数,有效地降低控制器的计算量。最后在PSCAD/EMTDC中搭建了201电平MMC时域仿真控制系统,仿真结果验证了所提方法的正确性与有效性。 展开更多
关键词 模块化多电平换流器 环流抑制 模型预测控制 多步预测
下载PDF
基于时序模型的高炉煤气发生量多步预测对比 被引量:13
20
作者 包向军 翁思浩 +3 位作者 陈光 汪晶 陈谞 谢竟成 《钢铁》 CAS CSCD 北大核心 2022年第9期166-172,共7页
为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步... 为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.0570,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.0428,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.0694,LSTM模型为0.0940。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.0601,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。 展开更多
关键词 高炉煤气预测 时序预测 长短记忆模型 季节性差分自回归移动平均 多步预测
原文传递
上一页 1 2 16 下一页 到第
使用帮助 返回顶部