针对股价预测中存在的不确定性、间断性、随机性和非线性等问题,提出一种TRSSA-ELM(Tent Random Walk Sparrow Optimization Algorithm-Extreme Learning Machine)股价预测模型。首先,采用自适应Tent混沌映射和随机游走策略对算法进行改...针对股价预测中存在的不确定性、间断性、随机性和非线性等问题,提出一种TRSSA-ELM(Tent Random Walk Sparrow Optimization Algorithm-Extreme Learning Machine)股价预测模型。首先,采用自适应Tent混沌映射和随机游走策略对算法进行改进,增强种群多样性和随机性,提高算法局部和全局的寻优能力。其次,使用单峰、多峰和固定维多峰测试函数对TRSSA(Tent Random Walk Sparrow Optimization Algorithm)性能进行了验证,相比于SSA(Sparrow Optimization Algorithm)、AO(Aquila Optimizer)、POA(Pelican Optimization Algorithm)和GWO(Grey Wolf Optimizer),TRSSA算法具有更好的收敛速度、精度和统计性质。最后,由于ELM(Extreme Learning Machine)模型随机生成权重和阈值,降低了预测精度和泛化能力,应用TRSSA算法优化ELM模型的权重和阈值,并用三安光电股票数据集对TRSSA-ELM模型进行了测试。实验结果表明,TRSSA-ELM模型相比于SSA-ELM、ELM、SVR(Support Vector Regression)和GBDT(Gradient Boosting Decision Tree),具有更好的预测精度和稳定性。展开更多
为实现混合动力两栖车综合效率最优,提出一种功率协调预测控制策略。该策略旨在协同优化能量管理策略与车速控制策略之间的耦合关系。针对车速预测模型失配的问题,提出利用极限学习机进行实时误差预测,并通过预测值进行预测模型校正。...为实现混合动力两栖车综合效率最优,提出一种功率协调预测控制策略。该策略旨在协同优化能量管理策略与车速控制策略之间的耦合关系。针对车速预测模型失配的问题,提出利用极限学习机进行实时误差预测,并通过预测值进行预测模型校正。设计模型预测控制器实现能量管理与车速控制的实时优化控制,并通过仿真进行验证。研究结果表明:提出的策略相较于传统的基于模型预测控制的能量管理策略能够降低等效燃油消耗、荷电状态(State of Charge,SOC)标准差、母线电压标准差和电池容量衰退,降低幅度分别为9.35%、59.63%、15.79%和45.33%;通过有无模型校正的功率协调预测控制对比,表明通过模型校正可实现等效燃油消耗、SOC标准差、母线电压标准差和电池容量衰退分别降低6.95%、25.91%、13.46%和24.07%,体现了所提出的基于极限学习机模型校正的功率协调预测控制在提升燃油经济性、维持电气系统稳定性和降低电池损耗方面的优越性。展开更多
文摘为实现混合动力两栖车综合效率最优,提出一种功率协调预测控制策略。该策略旨在协同优化能量管理策略与车速控制策略之间的耦合关系。针对车速预测模型失配的问题,提出利用极限学习机进行实时误差预测,并通过预测值进行预测模型校正。设计模型预测控制器实现能量管理与车速控制的实时优化控制,并通过仿真进行验证。研究结果表明:提出的策略相较于传统的基于模型预测控制的能量管理策略能够降低等效燃油消耗、荷电状态(State of Charge,SOC)标准差、母线电压标准差和电池容量衰退,降低幅度分别为9.35%、59.63%、15.79%和45.33%;通过有无模型校正的功率协调预测控制对比,表明通过模型校正可实现等效燃油消耗、SOC标准差、母线电压标准差和电池容量衰退分别降低6.95%、25.91%、13.46%和24.07%,体现了所提出的基于极限学习机模型校正的功率协调预测控制在提升燃油经济性、维持电气系统稳定性和降低电池损耗方面的优越性。
