作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。...作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。首先,通过改进的集合经验模态分解对历史比差特征进行数据前处理。其次,提出了基于数据驱动的双向时序卷积网络、双向门控循环单元和多头注意力机制混合深度学习模型,对分解后的不同模态分量进行预测。此外,引入自适应选择最优窗宽的核密度概率估计方法,拟合预测结果构建不同置信度下的预测区间,并比较不同核函数对于预测区间的影响。通过算例分析,验证了所提模型在提高确定性预测和概率区间预测准确度方面的有效性。展开更多
为解决网联汽车由于驾驶员误差存在导致的速度轨迹偏移问题,本文提出一种实时的考虑驾驶员误差的网联混合车队生态驾驶策略。首先通过实车试验采集不同驾驶员的驾驶员误差数据,建立基于马尔可夫链的驾驶员误差模型,用于预测未来一段时...为解决网联汽车由于驾驶员误差存在导致的速度轨迹偏移问题,本文提出一种实时的考虑驾驶员误差的网联混合车队生态驾驶策略。首先通过实车试验采集不同驾驶员的驾驶员误差数据,建立基于马尔可夫链的驾驶员误差模型,用于预测未来一段时间的驾驶员误差。然后以最小化整个车队的燃油消耗为优化目标,将车队速度轨迹优化问题描述为一个最优控制问题,采用快速随机模型预测控制(fast stochastic model predictive control,FSMPC)算法求解车队中网联汽车的最优速度轨迹。仿真和智能网联微缩车试验结果表明,相比于传统的基于快速模型预测控制(fast model predictive control,FMPC)的生态驾驶策略,本文所提出的生态驾驶策略能够有效减小车辆的速度轨迹偏移,并降低整个车队的燃油消耗,且满足实时性要求。展开更多
文摘作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。首先,通过改进的集合经验模态分解对历史比差特征进行数据前处理。其次,提出了基于数据驱动的双向时序卷积网络、双向门控循环单元和多头注意力机制混合深度学习模型,对分解后的不同模态分量进行预测。此外,引入自适应选择最优窗宽的核密度概率估计方法,拟合预测结果构建不同置信度下的预测区间,并比较不同核函数对于预测区间的影响。通过算例分析,验证了所提模型在提高确定性预测和概率区间预测准确度方面的有效性。
文摘为解决网联汽车由于驾驶员误差存在导致的速度轨迹偏移问题,本文提出一种实时的考虑驾驶员误差的网联混合车队生态驾驶策略。首先通过实车试验采集不同驾驶员的驾驶员误差数据,建立基于马尔可夫链的驾驶员误差模型,用于预测未来一段时间的驾驶员误差。然后以最小化整个车队的燃油消耗为优化目标,将车队速度轨迹优化问题描述为一个最优控制问题,采用快速随机模型预测控制(fast stochastic model predictive control,FSMPC)算法求解车队中网联汽车的最优速度轨迹。仿真和智能网联微缩车试验结果表明,相比于传统的基于快速模型预测控制(fast model predictive control,FMPC)的生态驾驶策略,本文所提出的生态驾驶策略能够有效减小车辆的速度轨迹偏移,并降低整个车队的燃油消耗,且满足实时性要求。
