CN118070685B - 一种隐身电站设计的优化方法及系统 - Google Patents
一种隐身电站设计的优化方法及系统 Download PDFInfo
- Publication number
- CN118070685B CN118070685B CN202410480282.3A CN202410480282A CN118070685B CN 118070685 B CN118070685 B CN 118070685B CN 202410480282 A CN202410480282 A CN 202410480282A CN 118070685 B CN118070685 B CN 118070685B
- Authority
- CN
- China
- Prior art keywords
- correlation function
- constructing
- function
- model
- key performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013461 design Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000005314 correlation function Methods 0.000 claims abstract description 79
- 230000000694 effects Effects 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 53
- 230000035945 sensitivity Effects 0.000 claims abstract description 25
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 239000012636 effector Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Abstract
本发明公开了一种隐身电站设计的优化方法及系统，涉及隐身电站设计技术领域，方法包括：构建影响效应因素‑关键性能指标的数学模型，确定样本数据，计算模型指标，计算影响效应因素对应的全局敏感权重值；构建欧式距离相关性函数和角度相关性函数，并进行线性加权处理，构建聚合空间相关函数；基于全局敏感权重值构建极大似然函数，确定边界约束条件；采用差分进化算法优化超参数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应，本发明解决了现有技术中基于传统高斯过程预测模型优化设计隐身电站降噪减振，准确度和精度低下的问题。
Description
技术领域
本发明涉及隐身电站设计技术领域，特别涉及一种隐身电站设计的优化方法及系统。
背景技术
隐身电站是多源微电网系统中关键储能装备，隐身电站降噪减振是目前电源装备实现野外静默性能的关键设计指标之一。近年来，人工智能技术发展迅猛，以机器学习模型为主要核心技术来预测复杂性能指标值的研究受到了广泛的关注。因此，可通过噪声、振动场仿真数据构建高精度的机器学习模型如高斯过程预测模型来预测噪声与振动的实际仿真分析结果，从而显著降低所需的耗时仿真分析，为后续引入系统性的智能优化框架提供了可能。
然而，目前的高斯过程预测模型建模效率不高，并且只针对设计参量较少的问题具有较强的非线性拟合能力。并且建模样本点在稀疏样本区域快速建模导致的部分信息丢失局限性，导致预测不准确，精度下降。
发明内容
有鉴于此，本发明的目的在于提供一种隐身电站设计的优化方法及系统，旨在解决现有技术中基于传统高斯过程预测模型优化设计隐身电站降噪减振，准确度和精度低下的问题。
本发明的一方面在于提供一种隐身电站设计的优化方法，所述方法包括：
将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值；
基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数；
基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件；
采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
与现有技术相比，本发明的有益效果在于：通过本发明提供的隐身电站设计的优化方法，能有效地提高准确度和精度，具体为，采用拉丁超立方进行样本点的抽样，能有效避免所取样本点过于密集或稀疏的问题，使得样本点在设计空间中的分布更加均匀，有效提高了高斯过程预测模型的预测精度，采用角度相关性函数与欧式距离相关性函数线性加权来构成聚合空间相关函数，融入样本点间的角度信息后，能弥补样本点间的欧式距离信息的不足，减小预测结果失真的可能，以提高模型精度，采用全局敏感权重值优化极大似然函数，将高维的极大似然函数问题降为一维的，极大缩短了建立模型所需的时间，采用差分进化算法来求解极大似然函数，可保证算法的收敛速度，有效减少优化过程陷入局部最优的可能，同时增强算法的鲁棒性，从而解决了基于传统高斯过程预测模型优化设计隐身电站降噪减振，准确度和精度低下的技术问题。
根据上述技术方案的一方面，所述模型指标的计算公式为：
，
其中，为第k个影响效应因素的模型指标，为通过落入已有样本点构建的矩形网格内样本点的个数所估计的概率密度函数，为第k个影响效应因素的矩形网格内第i个关键性能指标，为矩形网格内的第i个影响效应因素的响应值；i=1，2，...，m。
根据上述技术方案的一方面，所述全局敏感权重值的计算公式为：
，
其中，为第k个影响效应因素的全局敏感权重值，T=N0.6，N为建模样本数目，a、b为参数值。
根据上述技术方案的一方面，基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数的步骤，具体包括：
所述欧式距离相关性函数的计算公式为：
，
其中，k表示样本点的影响效应因素的数量；k=1,2，...,d；、分别表示第j个和第h个样本点的关键性能指标，为第k个超参数，为欧式距离相关函数；
所述角度相关性函数的计算公式为：
，
其中，为角度相关性函数。
根据上述技术方案的一方面，所述聚合空间相关函数的构建公式为：
，
其中，为聚合空间相关函数，、为权重系数，取值范围为（0,1）。
根据上述技术方案的一方面，基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件的步骤，具体包括：
，
其中，m为样本点数，为高斯过程的总体方差，为相关系数矩阵，为相关系数矩阵的行列式，为超参数，为系数，取值范围为[10-6,100]。
根据上述技术方案的一方面，隐身电站的高斯过程预测模型的构建公式为：
,
其中，为隐身电站的k个影响效应因素，为通过超参数所构建的高斯过程预测模型；表示第c个约束函数；表示约束函数的个数；表示影响效应因素对应的设计空间。
根据上述技术方案的一方面，所述方法还包括：
将所述最优的仿真响应与设计需求值进行对比，判断是否达设计需求；
若是，则输出所述最优的仿真响应；
若否，则重新确定构建高斯过程预测模型建模样本数据，继续执行步骤，直至输出最优的仿真响应。
根据上述技术方案的一方面，基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据的步骤，具体包括：
基于所述数学模型，采用拉丁超立方抽样，得到m个样本点的关键性能指标x；
对m个样本点的关键性能指标x进行影响效应因素评估，得到响应值y。
本发明的另一方面在于提供一种隐身电站设计的优化系统，用于执行上述任意一项所述的隐身电站设计的优化方法，所述系统包括：
数学模型构建模块，用于将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
样本数据获取模块，用于基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
权重值计算模块，用于基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值；
相关函数构建模块，用于基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数；
约束条件确定模块，用于基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件；
预测函数构建模块，用于采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
附图说明
图1为本发明第一实施例中隐身电站设计的优化方法的流程图；
图2为本发明第二实施例中隐身电站设计的优化系统的结构框图；
附图元器件符号说明：
数学模型构建模块100，样本数据获取模块200，权重值计算模块300，相关函数构建模块400，约束条件确定模块500，预测函数构建模块600；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列类型的任意的和所有的组合。
以下将结合具体实施例和附图来详细说明如何对建筑图纸中的长文本信息进行分析。
实施例一
请参阅图1，所示为本发明第一实施例中的隐身电站设计的优化方法，所述方法包括步骤S10~S15。
步骤S10，将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
在一些实施例当中，关键性能指标包括噪音、震动等物理场性能，其中，针对隐身电站的关键性能指标进行仿真分析，采用均匀实验设计方法，确定影响隐身电站关键性能的影响效应因素，构建影响效应因素-关键性能指标数学模型。其中，影响效应因素包括排烟排气管道布局、管道尺寸参数以及材料属性等因素。
步骤S11，基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
具体为，基于所述数学模型，采用拉丁超立方抽样，得到m个样本点的关键性能指标x；
对m个样本点的关键性能指标x进行影响效应因素评估，得到响应值y。
需要说明的是，采用拉丁超立方进行样本点的抽样，能有效避免所取样本点过于密集或稀疏的问题，使得样本点在设计空间中的分布更加均匀，有效提高了高斯过程预测模型的预测精度。
步骤12，基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值；
其中，所述模型指标的计算公式为：
，
其中，为第k个影响效应因素的模型指标，为通过落入已有样本点构建的矩形网格内样本点的个数所估计的概率密度函数，为第k个影响效应因素的矩形网格内第i个关键性能指标，为矩形网格内的第i个影响效应因素的响应值；i=1，2，...，m。
所述全局敏感权重值的计算公式为：
，
其中，为第k个影响效应因素的全局敏感权重值，T=N0.6，N为建模样本数目，a、b为参数值。
步骤S13，基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数；
所述欧式距离相关性函数的计算公式为：
，
其中，k表示样本点的影响效应因素的数量；k=1,2，...,d；、分别表示第j个和第h个样本点的关键性能指标，为第k个超参数，为欧式距离相关函数；
所述角度相关性函数的计算公式为：
，
其中，为角度相关性函数。
所述聚合空间相关函数的构建公式为：
，
其中，为聚合空间相关函数，、为权重系数，取值范围为（0,1）。
需要说明的是，采用角度相关性函数与欧式距离相关性函数线性加权来构成聚合空间相关函数，减小预测结果失真的可能，此外当样本点的密度不均匀时，若仅从样本点间的欧式距离考虑，可能会导致预测结果偏向于密集的样本区域，使得模型在稀疏样本区域的预测不准确性增加，从而降低了模型的精度，而融入样本点间的角度信息后，能弥补样本点间的欧式距离信息的不足，以提高模型精度。
步骤S14，基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件；
具体为，结合影响效应因素对应的全局敏感权重值，构建极大似然估计问题，求解超参数；
结合影响效应因素对应的全局敏感权重值，设立边界约束条件。
，
其中，m为样本点数，为高斯过程的总体方差，为相关系数矩阵，为相关系数矩阵的行列式，为超参数，为系数，取值范围为[10-6,100]。
需要说明的是，采用全局敏感权重值优化极大似然函数，将高维的极大似然函数问题降为一维的，极大缩短了建立模型所需的时间。通过引入边界约束限制问题搜索的方向，极大提高了搜索效率。
步骤S15，采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
其中，采用差分进化算法来求解极大似然函数，可保证算法的收敛速度，有效减少优化过程陷入局部最优的可能，同时增强算法的鲁棒性。
具体为，极大似然函数作为优化目标，将边界约束条件作为优化约束，超参数将作为输入参数，构成单目标约束优化问题；
采用差分进化算法寻找满足所有优化约束并具有最小目标函数值的最优的可行解，该可行解就对应于构建基于角度信息的高斯过程函数的超参数的最优取值。
根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，
,
其中，为隐身电站的k个影响效应因素，为通过超参数所构建的高斯过程预测模型；表示第c个约束函数；表示约束函数的个数；表示影响效应因素对应的设计空间。
此外，通过自适应粒子群算法确定高斯过程预测模型的最优解，自适应粒子群算法在粒子群算法的基础上，增加了自适应参数调整的步骤，根据粒子群的表现动态调整算法参数；
采用噪声、振动等物理场仿真模型对最优解进行仿真分析，得到最优解的真实仿真响应。
另外，所述方法还包括：
将所述最优的仿真响应与设计需求值进行对比，判断是否达设计需求；
若是，则输出所述最优的仿真响应；
若否，则重新确定构建高斯过程预测模型建模样本数据，继续执行步骤，直至输出最优的仿真响应。
为了进一步对本实施例进行说明，采用本实施例的所构建的基于角度信息的高斯过程与经典高斯过程进行对比，设置本实施例的最大建模样本数量为300，以决定系数作为精度评估指标，实验结果见表1。
表1 不同算法的优化结果对比
在相同的仿真样本数量下，本实施例的方法具有更高的预测精度，这体现了本实施例的高斯过程预测模型的准确性，本实施例的方法在隐身电站的降噪性能提升问题上具有良好的表现。本发明提供的一种隐身电站设计的优化方法，所述方法将角度信息融入高斯过程过程建模框架中，在智能进化算法的协助下提高了针对复杂问题的预测精度，提高了算法的寻优精度与效率，降低了时间成本，针对隐身电站降噪减振性能的适用性较强。
另外，本实施例的方法可以对高维度的设计空间进行准确的预测与搜索，提高了优化解的精度，可广泛用于涉及耗时仿真问题的设计优化，有利于推广应用。
综上，本发明上述实施例中的隐身电站设计的优化方法，能有效地提高准确度和精度，具体为，采用拉丁超立方进行样本点的抽样，能有效避免所取样本点过于密集或稀疏的问题，使得样本点在设计空间中的分布更加均匀，有效提高了高斯过程预测模型的预测精度，采用角度相关性函数与欧式距离相关性函数线性加权来构成聚合空间相关函数，融入样本点间的角度信息后，能弥补样本点间的欧式距离信息的不足，减小预测结果失真的可能，以提高模型精度，采用全局敏感权重值优化极大似然函数，将高维的极大似然函数问题降为一维的，极大缩短了建立模型所需的时间，采用差分进化算法来求解极大似然函数，可保证算法的收敛速度，有效减少优化过程陷入局部最优的可能，同时增强算法的鲁棒性，从而解决了基于传统高斯过程预测模型优化设计隐身电站降噪减振，准确度和精度低下的技术问题。
实施例二
请参阅图2，所示为本发明第二实施例中提出的隐身电站设计的优化系统，所述系统包括：
数学模型构建模块100，用于将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
样本数据获取模块200，用于基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
权重值计算模块300，用于基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值；
相关函数构建模块400，用于基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数；
约束条件确定模块500，用于基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件；
预测函数构建模块600，用于采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
综上，本发明上述实施例中的隐身电站设计的优化系统，能有效地提高准确度和精度，具体为，通过样本数据获取模块采用拉丁超立方进行样本点的抽样，能有效避免所取样本点过于密集或稀疏的问题，有效提高了高斯过程预测模型的预测精度，通过相关函数构建模块融入样本点间的角度信息后，能弥补样本点间的欧式距离信息的不足，减小预测结果失真的可能，以提高模型精度，通过约束条件确定模块采用全局敏感权重值优化极大似然函数，将高维的极大似然函数问题降为一维的，极大缩短了建立模型所需的时间，通过预测函数构建模块采用差分进化算法来求解极大似然函数，可保证算法的收敛速度，有效减少优化过程陷入局部最优的可能，同时增强算法的鲁棒性，从而解决了基于传统高斯过程预测模型优化设计隐身电站降噪减振，准确度和精度低下的技术问题。
以上各个实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种隐身电站设计的优化方法，其特征在于，所述优化方法包括：
将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值，所述模型指标的计算公式为：
，
其中，为第k个影响效应因素的模型指标，为通过落入已有样本点构建的矩形网格内样本点的个数所估计的概率密度函数，为第k个影响效应因素的矩形网格内第i个关键性能指标，为矩形网格内的第i个影响效应因素的响应值；i=1，2，...，m；
所述全局敏感权重值的计算公式为：
，
其中，为第k个影响效应因素的全局敏感权重值，T=N0.6，N为建模样本数目，a、b为参数值；
基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数，所述欧式距离相关性函数的计算公式为：
，
其中，k表示样本点的影响效应因素的数量；k=1,2，...,d；、分别表示第j个和第h个样本点的关键性能指标，为第k个超参数，为欧式距离相关函数，
所述角度相关性函数的计算公式为：
，
其中，为角度相关性函数，
所述聚合空间相关函数的构建公式为：
，
其中，为聚合空间相关函数，、为权重系数，取值范围为（0,1）；
基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件，所述边界约束条件为：
，
其中，m为样本点数，为高斯过程的总体方差，为相关系数矩阵，为相关系数矩阵的行列式，为超参数，为系数，取值范围为[10-6,100]；
采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
2.根据权利要求1所述的隐身电站设计的优化方法，其特征在于，隐身电站的高斯过程预测模型的构建公式为：
,
其中，为隐身电站的k个影响效应因素，为通过超参数所构建的高斯过程预测模型；表示第c个约束函数；表示约束函数的个数；表示影响效应因素对应的设计空间。
3.根据权利要求2所述的隐身电站设计的优化方法，其特征在于，所述方法还包括：
将所述最优的仿真响应与设计需求值进行对比，判断是否达设计需求；
若是，则输出所述最优的仿真响应；
若否，则重新确定构建高斯过程预测模型建模样本数据，继续执行步骤，直至输出最优的仿真响应。
4.根据权利要求1所述的隐身电站设计的优化方法，其特征在于，基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据的步骤，具体包括：
基于所述数学模型，采用拉丁超立方抽样，得到m个样本点的关键性能指标x；
对m个样本点的关键性能指标x进行影响效应因素评估，得到响应值y。
5.一种隐身电站设计的优化系统，其特征在于，用于执行如权利要求1至4中任意一项所述的隐身电站设计的优化方法，所述系统包括：
数学模型构建模块，用于将隐身电站的关键性能指标进行仿真分析，以确定影响效应因素，根据所述关键性能指标和所述影响效应因素，构建影响效应因素-关键性能指标的数学模型；
样本数据获取模块，用于基于所述数学模型，采用拉丁超立方抽样确定构建高斯过程预测模型建模样本数据；
权重值计算模块，用于基于所述样本数据，计算影响效应因素与关键性能指标之间的模型指标，并根据所述模型指标计算影响效应因素对应的全局敏感权重值，所述模型指标的计算公式为：
，
其中，为第k个影响效应因素的模型指标，为通过落入已有样本点构建的矩形网格内样本点的个数所估计的概率密度函数，为第k个影响效应因素的矩形网格内第i个关键性能指标，为矩形网格内的第i个影响效应因素的响应值；i=1，2，...，m；
所述全局敏感权重值的计算公式为：
，
其中，为第k个影响效应因素的全局敏感权重值，T=N0.6，N为建模样本数目，a、b为参数值；
相关函数构建模块，用于基于所述样本数据，构建所述样本数据的欧式距离相关性函数，再根据所述样本数据之间的角度信息，构建角度相关性函数，将所述欧式距离相关性函数和所述角度相关性函数进行线性加权处理，构建聚合空间相关函数，所述欧式距离相关性函数的计算公式为：
，
其中，k表示样本点的影响效应因素的数量；k=1,2，...,d；、分别表示第j个和第h个样本点的关键性能指标，为第k个超参数，为欧式距离相关函数，
所述角度相关性函数的计算公式为：
，
其中，为角度相关性函数，
所述聚合空间相关函数的构建公式为：
，
其中，为聚合空间相关函数，、为权重系数，取值范围为（0,1）；
约束条件确定模块，用于基于所述全局敏感权重值构建极大似然函数，确定超参数向量的边界约束条件，所述边界约束条件为：
，
其中，m为样本点数，为高斯过程的总体方差，为相关系数矩阵，为相关系数矩阵的行列式，为超参数，为系数，取值范围为[10-6,100]；
预测函数构建模块，用于采用差分进化算法优化所述边界约束条件和所述聚合空间相关函数的超参数，并根据优化后的边界约束条件和聚合空间相关函数，构建隐身电站的高斯过程预测模型，通过自适应粒子群算法优化高斯过程预测模型，输出最优的仿真响应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410480282.3A CN118070685B (zh) | 2024-04-22 | 一种隐身电站设计的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410480282.3A CN118070685B (zh) | 2024-04-22 | 一种隐身电站设计的优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118070685A CN118070685A (zh) | 2024-05-24 |
| CN118070685B true CN118070685B (zh) | 2024-07-12 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
| CN114707348A (zh) * | 2022-04-21 | 2022-07-05 | 南京理工大学 | 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
| CN114707348A (zh) * | 2022-04-21 | 2022-07-05 | 南京理工大学 | 偏最小二乘Kriging模型辅助的航空减速器高效全局优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Air quality prediction using improved PSO-BP neural network | |
| CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
| Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
| CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
| CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
| CN114297925A (zh) | 基于可行域收缩贝叶斯优化的功放设计方法 | |
| CN118070685B (zh) | 一种隐身电站设计的优化方法及系统 | |
| CN117935988A (zh) | 基于支持向量回归的再生粗骨料混凝土抗压强度预测方法 | |
| Liu et al. | Unbalanced classification method using least squares support vector machine with sparse strategy for steel surface defects with label noise | |
| CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
| CN115860056B (zh) | 一种用于混合气体浓度预测的传感器阵列神经网络方法 | |
| CN116663744A (zh) | 一种用于近零能耗建筑的能耗预测方法及系统 | |
| CN118070685A (zh) | 一种隐身电站设计的优化方法及系统 | |
| Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
| CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
| CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
| CN118094250B (zh) | 注意力信息增强的径向基函数优化设计方法 | |
| Yan et al. | Research and Application of Genetic Algorithm Based Optimization of BP Neural Network Combinatorial Model | |
| CN116205377B (zh) | 分布式光伏电站出力预测方法、系统、计算机及存储介质 | |
| CN118036447A (zh) | 一种永磁同步电机多目标优化方法 | |
| Wei et al. | A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem | |
| Kong et al. | Wind power regression prediction based on stacked LSTMs with attention mechanisms for evaluating technological improvement effects of wind turbines | |
| Liu et al. | Research on short-term power load forecasting and analysis based on EEMD-LSSVM-integrated BPNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |