The construction method of background value is improved in the original multi-variable grey model （MGM（1,m）） from its source of construction errors. The MGM（1,m） with optimized background value is used to elimin...The construction method of background value is improved in the original multi-variable grey model （MGM（1,m）） from its source of construction errors. The MGM（1,m） with optimized background value is used to eliminate the random fluctuations or errors of the observational data of all variables, and the combined prediction model together with the multiple linear regression is established in order to improve the simulation and prediction accuracy of the combined model. Finally, a combined model of the MGM（1,2） with optimized background value and the binary linear regression is constructed by an example. The results show that the model has good effects for simulation and prediction.展开更多
锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快...锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。展开更多
以东北地区为研究对象,分析多年冻土退化程度及空间分布。通过收集关键气象要素,使用多元线性回归模型修正部分地面温度,基于多年冻土顶部温度(temperature at the top of permafrost,TTOP)模型,利用ANUSPILN软件进行插值,分析东北多年...以东北地区为研究对象,分析多年冻土退化程度及空间分布。通过收集关键气象要素,使用多元线性回归模型修正部分地面温度,基于多年冻土顶部温度(temperature at the top of permafrost,TTOP)模型,利用ANUSPILN软件进行插值,分析东北多年冻土时空分布变化。结果表明,1970 s、1980 s、1990 s、2000 s、2010 s的多年冻土面积分别约为3.99×10^(5)、3.41×10^(5)、2.31×10^(5)、1.80×10^(5)、1.59×10^(5) km^(2)。1970 s—2010 s,东北地区的多年冻土面积显著减少约2.40×10^(5) km^(2),降幅高达60.08%。多年冻土面积占东北地区总面积的比例从27.66%下降至11.04%,而季节性冻土面积比例则从72.34%增加至88.96%。模型结果与实际钻孔数据差值仅为0.05℃,且使用修正地面温度数据的模型结果高于现有研究结果。展开更多
基金supported by the National Natural Science Foundation of China(71071077)the Ministry of Education Key Project of National Educational Science Planning(DFA090215)+1 种基金China Postdoctoral Science Foundation(20100481137)Funding of Jiangsu Innovation Program for Graduate Education(CXZZ11-0226)
文摘The construction method of background value is improved in the original multi-variable grey model （MGM（1,m）） from its source of construction errors. The MGM（1,m） with optimized background value is used to eliminate the random fluctuations or errors of the observational data of all variables, and the combined prediction model together with the multiple linear regression is established in order to improve the simulation and prediction accuracy of the combined model. Finally, a combined model of the MGM（1,2） with optimized background value and the binary linear regression is constructed by an example. The results show that the model has good effects for simulation and prediction.
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。
文摘以东北地区为研究对象,分析多年冻土退化程度及空间分布。通过收集关键气象要素,使用多元线性回归模型修正部分地面温度,基于多年冻土顶部温度(temperature at the top of permafrost,TTOP)模型,利用ANUSPILN软件进行插值,分析东北多年冻土时空分布变化。结果表明,1970 s、1980 s、1990 s、2000 s、2010 s的多年冻土面积分别约为3.99×10^(5)、3.41×10^(5)、2.31×10^(5)、1.80×10^(5)、1.59×10^(5) km^(2)。1970 s—2010 s,东北地区的多年冻土面积显著减少约2.40×10^(5) km^(2),降幅高达60.08%。多年冻土面积占东北地区总面积的比例从27.66%下降至11.04%,而季节性冻土面积比例则从72.34%增加至88.96%。模型结果与实际钻孔数据差值仅为0.05℃,且使用修正地面温度数据的模型结果高于现有研究结果。
