城市污水处理过程多时间尺度分层模型预测控制
这是一篇关于城市污水处理过程,多时间尺度,模型预测控制,分层控制,模糊神经网络的论文, 主要内容为由于人口快速增长、工农业迅速发展和水污染加剧等因素,世界各国都面临着严重的水资源短缺问题。污水处理为解决该问题提供了一种有效的方案,其不仅可以减少水污染物的排放实现污水无害化利用,还可以产生可再生水源,维持生态和自然物质循环的平衡。活性污泥法污水处理工艺具有运行方式灵活、处理效率高、运行成本低以及不易产生二次污染等优点,已广泛应用于城市污水处理厂以净化水质。然而,活性污泥法中各种生化反应的反应速率不同,同时各变量的采集装置具有不同的物理特性,使得污水处理过程变量具有不同的采样周期,变量间体现时间尺度差异性,这可能会降低闭环系统的运行性能,甚至破坏系统的稳定性。因此,如何设计有效的控制方法应对城市污水处理过程的时间尺度差异性问题,保证城市污水处理过程的稳定高效运行,仍是城市污水处理过程控制的难点。为克服时间尺度差异性给城市污水处理过程带来的控制难题,文章提出一种城市污水处理过程多时间尺度分层模型预测控制方法。首先,建立了基于模糊神经网络的城市污水处理过程多时间尺度预测模型,获得了城市污水处理过程不同时间尺度被控变量的预测输出。其次,设计了一种城市污水处理过程多时间尺度模型预测控制器(Multi-time Scale Model Predictive Control,MSMPC),实现了城市污水处理过程中具有慢时间尺度采样特性的被控变量在快时间尺度的控制,提高了城市污水处理厂的控制性能。然后,设计了一种城市污水处理过程多时间尺度分层模型预测控制器(Multi-time Scale Hierarchical Model Predictive Control,MSHMPC),通过分层控制结构和分层优化算法实现不同层次控制器跟踪不同时间尺度的城市污水处理过程被控变量,进一步提高了城市污水处理厂的控制性能。最后,设计了城市污水处理过程多时间尺度分层模型预测控制系统,实现了城市污水处理过程在不同时间尺度采样信息下的稳定运行,并获得了较好的控制性能。该论文主要的研究工作包括以下几点:1.城市污水处理过程多时间尺度预测模型设计。为了获得不同时间尺度被控变量的预测输出,设计了基于模糊神经网络的城市污水处理过程多时间尺度预测模型。首先,分别构建用于预测溶解氧浓度和硝态氮浓度的模糊神经网络预测模型;其次,利用具有不同时间尺度的历史数据预训练模糊神经网络,初始化神经网络预测的时间尺度;最后,设计基于滑窗机制的在线更新算法校正模型参数。实验结果表明,所提出的城市污水处理过程多时间尺度预测模型能够预测不同时间尺度的系统输出,并具有较高的预测精度。2.城市污水处理过程多时间尺度模型预测控制器设计。为了提高城市污水处理厂的运行性能,设计了城市污水处理过程多时间尺度模型预测控制器用于实现城市污水处理过程中具有慢时间尺度采样特性的被控变量在快时间尺度的控制。首先,构建多时间尺度模型预测控制结构实现对设定值的准确跟踪。其次,设计多时间尺度模型预测控制器,建立快时间尺度预测模型,并采用梯度下降算法计算控制律。最后,理论证明了MSMPC的稳定性。在1号基准仿真模型对所提出的MSMPC进行仿真试验并详细分析,实验结果表明MSMPC在控制精度方面具有较好的运行性能。3.城市污水处理过程多时间尺度分层模型预测控制器设计。为了实现城市污水处理过程不同时间尺度被控变量的准确跟踪,根据控制器结构设计了城市污水处理过程多时间尺度分层模型预测控制器用于提高城市污水处理厂的运行性能。首先,构建分层模型预测控制结构,采用不同层次控制器跟踪不同时间尺度的被控变量。其次,设计分层优化方法求解最优控制问题,获得合理的控制律。最后,理论证明了MSHMPC的稳定性。在1号基准仿真模型对所提出的MSHMPC进行仿真试验并详细分析,实验结果表明MSHMPC在控制精度方面具有较好的运行性能。4.城市污水处理过程多时间尺度分层模型预测控制系统设计。为了实现MSHMPC在实际污水处理厂中的应用,文中设计了城市污水处理过程多时间尺度分层模型预测控制系统。首先,根据需求分析确定系统需要具备的功能模块。其次,将系统功能模块进行封装,完成城市污水处理过程多时间尺度分层模型预测控制系统的集成。最后,将设计的城市污水处理过程多时间尺度分层模型预测控制系统应用于北京市某污水处理厂,实际应用效果表明,该系统能够提高城市污水处理过程的运行效率。
磷酸铁锂储能电池包SOC和SOH估计研究
这是一篇关于电池包不一致性,SOC估计,SOH估计,分数阶模型,多时间尺度的论文, 主要内容为面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery Management System,BMS)对其状态进行监测和控制,其中电池荷电状态(State of charge,SOC)即剩余电量的准确估计是BMS中最为基础和重要的功能。目前对SOC估计的研究中大多存在着难以保证估计结果长期准确的问题,究其原因,是在估计中未考虑电池老化。因此本文将表征电池老化的电池健康状态(State of health,SOH)考虑在SOC估计中,实现SOC与SOH的长期准确估计。此外,由于单体电池的电压与容量远远无法满足实际储能需要,因此本文的研究对象为磷酸铁锂电池单体经串并联后组成的电池包,与电池单体不同,在对电池包进行估计研究时需要考虑其不一致性。针对上述问题本文的主要工作如下:首先,介绍磷酸铁锂电池工作原理,搭建电池测试平台,设计实验对磷酸铁锂电池温度特性及老化特性进行分析。随后针对电池包不一致性,依据实验得出不同成包方式下电池包的性能变化,为后续电池包SOC与SOH估计研究奠定基础。其次,基于分数阶理论,建立了电池单体的阶次可变的二阶分数阶模型,并利用HMPSO优化算法实现了包括分数阶阶次在内的模型参数辨识,通过多工况下的对比实验,证实该模型准确性优于整数阶模型及固定阶次的分数阶模型。随后针对电池包的不一致性,构建“差异模型”实现对电池包不一致性的实时量化,以此获取能表征电池包综合性能的特征单体,建立基于特征单体的电池包模型。再次,基于本文所建立的二阶分数阶模型,设计出针对分数阶系统的H无穷状态观测器,利用连续频率分布模型,将分数阶模型等价转换为频域积分形式,应用Lyapunov稳定性理论及LMI方法,实现对电池单体SOC的估计。基于电池在不同工况下的实验数据,验证了该观测器的估计精度优于EKF算法,且具有良好的自适应性及鲁棒性。随后依据电池包SOC定义,给出基于特征单体的电池包SOC估计方法。依据电池包不同老化程度下的实验数据,证实了该估计方法能够实现对电池包SOC的估计且准确度较高,同时指出其应对电池老化效果差,也证实了本文将SOH估计考虑在SOC估计中的必要。最后,给出基于滚动时域估计器的SOH估计方法,将其用于估计特征单体的SOH,从而求得电池包SOH。考虑到电池老化的缓慢性及状态变换的时效性,基于多时间尺度策略,对特征单体的SOC和SOH进行协同估计,进而求得电池包SOC与SOH。依据实验结果表明,本文实现了对电池包SOC及SOH的长期准确估计。
城市污水处理过程多时间尺度分层模型预测控制
这是一篇关于城市污水处理过程,多时间尺度,模型预测控制,分层控制,模糊神经网络的论文, 主要内容为由于人口快速增长、工农业迅速发展和水污染加剧等因素,世界各国都面临着严重的水资源短缺问题。污水处理为解决该问题提供了一种有效的方案,其不仅可以减少水污染物的排放实现污水无害化利用,还可以产生可再生水源,维持生态和自然物质循环的平衡。活性污泥法污水处理工艺具有运行方式灵活、处理效率高、运行成本低以及不易产生二次污染等优点,已广泛应用于城市污水处理厂以净化水质。然而,活性污泥法中各种生化反应的反应速率不同,同时各变量的采集装置具有不同的物理特性,使得污水处理过程变量具有不同的采样周期,变量间体现时间尺度差异性,这可能会降低闭环系统的运行性能,甚至破坏系统的稳定性。因此,如何设计有效的控制方法应对城市污水处理过程的时间尺度差异性问题,保证城市污水处理过程的稳定高效运行,仍是城市污水处理过程控制的难点。为克服时间尺度差异性给城市污水处理过程带来的控制难题,文章提出一种城市污水处理过程多时间尺度分层模型预测控制方法。首先,建立了基于模糊神经网络的城市污水处理过程多时间尺度预测模型,获得了城市污水处理过程不同时间尺度被控变量的预测输出。其次,设计了一种城市污水处理过程多时间尺度模型预测控制器(Multi-time Scale Model Predictive Control,MSMPC),实现了城市污水处理过程中具有慢时间尺度采样特性的被控变量在快时间尺度的控制,提高了城市污水处理厂的控制性能。然后,设计了一种城市污水处理过程多时间尺度分层模型预测控制器(Multi-time Scale Hierarchical Model Predictive Control,MSHMPC),通过分层控制结构和分层优化算法实现不同层次控制器跟踪不同时间尺度的城市污水处理过程被控变量,进一步提高了城市污水处理厂的控制性能。最后,设计了城市污水处理过程多时间尺度分层模型预测控制系统,实现了城市污水处理过程在不同时间尺度采样信息下的稳定运行,并获得了较好的控制性能。该论文主要的研究工作包括以下几点:1.城市污水处理过程多时间尺度预测模型设计。为了获得不同时间尺度被控变量的预测输出,设计了基于模糊神经网络的城市污水处理过程多时间尺度预测模型。首先,分别构建用于预测溶解氧浓度和硝态氮浓度的模糊神经网络预测模型;其次,利用具有不同时间尺度的历史数据预训练模糊神经网络,初始化神经网络预测的时间尺度;最后,设计基于滑窗机制的在线更新算法校正模型参数。实验结果表明,所提出的城市污水处理过程多时间尺度预测模型能够预测不同时间尺度的系统输出,并具有较高的预测精度。2.城市污水处理过程多时间尺度模型预测控制器设计。为了提高城市污水处理厂的运行性能,设计了城市污水处理过程多时间尺度模型预测控制器用于实现城市污水处理过程中具有慢时间尺度采样特性的被控变量在快时间尺度的控制。首先,构建多时间尺度模型预测控制结构实现对设定值的准确跟踪。其次,设计多时间尺度模型预测控制器,建立快时间尺度预测模型,并采用梯度下降算法计算控制律。最后,理论证明了MSMPC的稳定性。在1号基准仿真模型对所提出的MSMPC进行仿真试验并详细分析,实验结果表明MSMPC在控制精度方面具有较好的运行性能。3.城市污水处理过程多时间尺度分层模型预测控制器设计。为了实现城市污水处理过程不同时间尺度被控变量的准确跟踪,根据控制器结构设计了城市污水处理过程多时间尺度分层模型预测控制器用于提高城市污水处理厂的运行性能。首先,构建分层模型预测控制结构,采用不同层次控制器跟踪不同时间尺度的被控变量。其次,设计分层优化方法求解最优控制问题,获得合理的控制律。最后,理论证明了MSHMPC的稳定性。在1号基准仿真模型对所提出的MSHMPC进行仿真试验并详细分析,实验结果表明MSHMPC在控制精度方面具有较好的运行性能。4.城市污水处理过程多时间尺度分层模型预测控制系统设计。为了实现MSHMPC在实际污水处理厂中的应用,文中设计了城市污水处理过程多时间尺度分层模型预测控制系统。首先,根据需求分析确定系统需要具备的功能模块。其次,将系统功能模块进行封装,完成城市污水处理过程多时间尺度分层模型预测控制系统的集成。最后,将设计的城市污水处理过程多时间尺度分层模型预测控制系统应用于北京市某污水处理厂,实际应用效果表明,该系统能够提高城市污水处理过程的运行效率。
磷酸铁锂储能电池包SOC和SOH估计研究
这是一篇关于电池包不一致性,SOC估计,SOH估计,分数阶模型,多时间尺度的论文, 主要内容为面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery Management System,BMS)对其状态进行监测和控制,其中电池荷电状态(State of charge,SOC)即剩余电量的准确估计是BMS中最为基础和重要的功能。目前对SOC估计的研究中大多存在着难以保证估计结果长期准确的问题,究其原因,是在估计中未考虑电池老化。因此本文将表征电池老化的电池健康状态(State of health,SOH)考虑在SOC估计中,实现SOC与SOH的长期准确估计。此外,由于单体电池的电压与容量远远无法满足实际储能需要,因此本文的研究对象为磷酸铁锂电池单体经串并联后组成的电池包,与电池单体不同,在对电池包进行估计研究时需要考虑其不一致性。针对上述问题本文的主要工作如下:首先,介绍磷酸铁锂电池工作原理,搭建电池测试平台,设计实验对磷酸铁锂电池温度特性及老化特性进行分析。随后针对电池包不一致性,依据实验得出不同成包方式下电池包的性能变化,为后续电池包SOC与SOH估计研究奠定基础。其次,基于分数阶理论,建立了电池单体的阶次可变的二阶分数阶模型,并利用HMPSO优化算法实现了包括分数阶阶次在内的模型参数辨识,通过多工况下的对比实验,证实该模型准确性优于整数阶模型及固定阶次的分数阶模型。随后针对电池包的不一致性,构建“差异模型”实现对电池包不一致性的实时量化,以此获取能表征电池包综合性能的特征单体,建立基于特征单体的电池包模型。再次,基于本文所建立的二阶分数阶模型,设计出针对分数阶系统的H无穷状态观测器,利用连续频率分布模型,将分数阶模型等价转换为频域积分形式,应用Lyapunov稳定性理论及LMI方法,实现对电池单体SOC的估计。基于电池在不同工况下的实验数据,验证了该观测器的估计精度优于EKF算法,且具有良好的自适应性及鲁棒性。随后依据电池包SOC定义,给出基于特征单体的电池包SOC估计方法。依据电池包不同老化程度下的实验数据,证实了该估计方法能够实现对电池包SOC的估计且准确度较高,同时指出其应对电池老化效果差,也证实了本文将SOH估计考虑在SOC估计中的必要。最后,给出基于滚动时域估计器的SOH估计方法,将其用于估计特征单体的SOH,从而求得电池包SOH。考虑到电池老化的缓慢性及状态变换的时效性,基于多时间尺度策略,对特征单体的SOC和SOH进行协同估计,进而求得电池包SOC与SOH。依据实验结果表明,本文实现了对电池包SOC及SOH的长期准确估计。
引入时间信息的深度序列推荐技术研究
这是一篇关于深度学习技术,序列推荐,时间信息,多任务学习,多时间尺度的论文, 主要内容为长久以来,序列推荐一直是推荐系统领域的研究热点。大多数序列推荐模型仅关注用户行为序列的顺序建模,忽略了有效利用序列中的时间信息、深入挖掘其中蕴含的语义知识,因此推荐性能受到制约。时间信息建模对于序列推荐意义深远。一方面,用户交互行为的时间戳包含丰富语义,各类待利用的时间信息对于理解用户真实意图进而实现精准推荐十分关键;另一方面,时间信息具有容易获取的独特优势,序列推荐能够利用时间信息有效缓解数据稀疏问题。本文从引入时间信息的角度,对序列推荐中的下一交互时间预测和绝对时间周期性建模两种时间信息利用方式进行研究和探索。本文的主要工作和贡献总结如下:对于序列推荐中的下一交互时间预测,本文专注于设计更加贴近现实场景的多任务组合形式来提升推荐表现。该方式的思路是对下一物品及交互时间两个拟合目标进行多任务联合学习。少数前人工作以并行式多任务学习范式同时预测两个目标,然而这些工作均忽略了下一物品预测结果对于交互时间预测的关键影响。因此,本文提出了一种考虑主辅任务间序列依赖关系的序列式多任务序列推荐模型。该方法以序列式多任务学习范式依次预测下一物品及交互时间,有效发挥下一物品预测结果对于交互时间预测的核心作用。同时模型使用双向时间间隔感知Transformer网络用于序列建模,捕捉序列内部任意两次交互之间的时间间隔对于用户兴趣表征的影响。在三个公开真实数据集上的实验表明,该模型的推荐效果超过了所有基准方法,并验证了模型关键组件的有效性。对于序列推荐中的绝对时间周期性建模,本文专注于学习多种时间尺度周期性并进行有效融合。该方式旨在挖掘用户行为序列中潜在的周期规律,产生满足用户兴趣并且契合当前推荐时间上下文的推荐结果。少数前人工作将多个维度的绝对时间表示作为输入特征用于注意力计算或者序列建模,但是这些工作均忽略了不同时间尺度下用户偏好和周期性规律的差异。因此,本文提出了一种多时间尺度融合的序列推荐模型。该方法使用多时间尺度增强的Transformer网络在7种不同时间尺度下建模序列中物品之间的交互性和周期性,显式抽取不同时间尺度下的周期模式。同时模型利用基于用户身份的个性化注意力机制融合序列中每个位置的多种尺度表示,捕捉面向用户个人的周期规律偏好。另外为了在一定程度上增强同一用户不同时间尺度表示的相关性,并缓解用户在某些时间尺度下的交互稀疏问题,本文在模型训练过程中引入对比学习进一步提高网络的表征能力和建模能力。在三个公开真实数据集上的实验表明了该模型的推荐效果优势,并验证了模型关键组件的贡献。综上所述,本文从引入时间信息的角度,针对序列推荐中的两种时间信息利用方式进行深入研究,提出了两个新颖的序列推荐模型,在多个公开真实数据集上的实验证明了本文方法的优越性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/54655.html
