CN105511263A - 一种基于层次分解的分布式模型预测控制方法 - Google Patents
一种基于层次分解的分布式模型预测控制方法 Download PDFInfo
- Publication number
- CN105511263A CN105511263A CN201510960679.3A CN201510960679A CN105511263A CN 105511263 A CN105511263 A CN 105511263A CN 201510960679 A CN201510960679 A CN 201510960679A CN 105511263 A CN105511263 A CN 105511263A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- connected set
- list entries
- state
- sampling instant
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于层次分解的分布式模型预测控制方法。对于分布式系统根据通信网络结构获得分布式系统的邻接矩阵,将邻接矩阵利用基于相邻矩阵的通路搜索法,将每个子系统划分成若干个连通集,然后构建连通集的可达矩阵,根据解释模型法中的层次分解方法确定每个连通集的层次,将同一层次的所有连通集合并为一个连通集,从而构建得到具有串联结构的连通集集合,在每个采样时刻按照串联顺序依次求解各连通集中的每个子系统的最佳控制输入序列,进而对分布式系统进行预测控制。本发明方法避免了非直接关联的连通集之间的通信,在保证系统稳定性的同时,大幅减少通信负担,解决了传统协作式分布式模型预测控制方法必需的通信负担较高的问题。
Description
技术领域
本发明涉及分布式模型预测控制领域,特别是涉及一种基于层次分解的分布式模型预测控制方法,其特点是保证系统稳定性的同时,大大减少传统协作式分布式模型预测控制方法所必需的通信负担。
背景技术
1、分布式控制(Distributedcontrol)
分布式控制是一种相对于集中控制的控制方式,控制对象由多个相互耦合子系统组成的,每个子系统由一个独立的控制器控制,控制器与控制器之间通过网络交换信息,并采用一定的协调策略达到某一共同的控制目标或整体性能。
分布式控制一般应用于有如下特点的工业过程:由多个子系统组成,系统之间通过能量、质量相互耦合作用,系统模型复杂、约束多、目标多。例如城市交通系统、分布式能源系统、城市供水网络等。
与集中式控制对比,分布式控制具有以下优势:
1)对于空间分布分散、范围广的系统,集中控制难以实现;
2)对于大型,有耦合系统的控制,如果采用集中控制,会受到计算速度和装置规模的限制;
3)当一个或几个子系统出现故障时,集中式控制方式还会出现工作失效的情况,灵活性、容错性相对较弱。
与分散式控制对比,分布式控制的控制性能更好。
模型预测控制是一类通过利用对象模型,预测被控对象未来输出的优化控制方法。基本原理是利用过程模型预测系统在一定的控制作用下未来的动态行为,在此基础上根据给定的约束条件和性能要求滚动地求解最佳控制作用并实施当前控制,在滚动的每一步通过检测实时信息修正对未来动态行为的预测。
分布式预测控制(Distributedmodelpredictivecontrol,DMPC)将模型预测控制应用到分布式控制中。由于MPC可以很好地处理输入和状态约束,能在具有异步和延迟采样的情况下预测系统未来的控制输入和状态序列,同时具有优越的动态性能,可以实时地根据其他控制器的信息做出控制策略,DMPC在处理分布式、协调控制问题上具有一定的优势,目前已经成为分布式预测控制的重要研究方向。
按照子系统优化性能指标考虑的范围,DMPC方法可以分为协作式方法和非协作式方法,协作式DMPC方法对于非协作式方法有更精确的解。但是对于大规模系统,由于子系统个数庞大、子系统间通信网络网复杂,若采用协作式DMPC方法会导致较重的通讯负担。目前协作式DMPC的主要研究都关注于如何设计整个DMPC控制系统,而对于如何减少传统协作式DMPC方法所必需的通讯负担,这方面的研究较少。
发明内容
基于上面所述的一些研究热点和问题,本发明提出一种基于层次分解的分布式模型预测控制方法,可以在保证系统稳定性的同时,大大减少传统协作式分布式模型预测控制方法所必需的通信负担。
本发明通过以下步骤的技术方案予以实现,如图1所示:
(1)对于一个包含m个子系统Si的分布式系统,i=1,…,m,i表示子系统的序数,m表示子系统的总数,根据通信网络结构获得分布式系统的邻接矩阵A;
(2)由步骤(1)所得的邻接矩阵A利用基于相邻矩阵的通路搜索法,将每个子系统划分成若干个连通集Φ;
(3)将步骤(2)所得的连通集Φ,构建连通集的可达矩阵B,根据解释模型法中的层次分解方法确定每个连通集的层次;将同一层次的所有连通集合并为一个连通集,从而构建得到具有n个连通集串联结构的连通集集合Φh,h=1,…,n,h表示连通集的序数,n表示连通集的总数,其中下标h代表连通集的顺序,例如Φ1就是第一个连通集;
(4)如图3所示,由步骤(3)构建得到不同层次的所有连通集集合Φh(h=1,…,n),在每个采样时刻求解其中每个子系统Si的最佳控制输入序列,进而对分布式系统进行预测控制。
所述步骤(4)在每个采样时刻求解其中每个子系统Si的最佳控制输入序列的计算过程包括状态更新,热启动和连通集顺序求解,具体为:
(4.1)状态更新:采用直接测量可测状态的方法或者引入状态观测器对分布式系统不可测的状态进行估计;
(4.2)热启动:对于每一采样时刻k,将上一采样时刻的子系统Si的最佳控制输入序列u* i(k-1)进行修正,修正后的控制输入序列作为采样时刻k迭代求解的初始输入序列u这种热启动的方法可以保证系统稳定性,同时可在一定程度上加快求解的进程。
(4.3)连通集顺序求解:具有n个连通集串联结构的连通集集合Φh(h=1,…,n)按照串联顺序,依次求解k时刻连通集集合的最佳控制输入序列U* h(k)。
由于最终子系统被划分为串联的连通集,为了减少通信负担,按照串联分布式模型预测控制方法的思路,每个连通集按照串联顺序依次求解控制输入,即连通集内的子系统按照传统协作式DMPC的框架,同步迭代求解k时刻最佳的控制输入。
所述步骤(1)根据通信网络结构获得分布式系统的邻接矩阵A具体为:根据子系统间的耦合关系,用节点代表一个子系统,一条有向边代表两个子系统间的影响作用,将整个分布式系统转化为有向图,根据解释模型法(ISM)求出有向图的邻接矩阵A。
对于子系统Si可以测量的状态,所述步骤(4.1)状态更新中,直接用传感器测量每个子系统Si的状态值,并对当前时刻该子系统Si的状态进行更新;
对于子系统Si不可测的状态,所述步骤(4.1)状态更新中,引入状态观测器利用子系统Si的输入输出数据对状态进行测量获得观测值,然后采用观测值对当前时刻该子系统Si的状态进行更新;
所述的步骤(4.2)热启动中,最佳控制输入序列u* i(k-1)采用以下方式进行修正:将第一位去除,其他位向左移一位,在末位补0。
对于子系统Si可以测量的状态,所述步骤(4)具体为:
41)状态更新和热启动,间隔时间进行采样,对于每一采样时刻,采用以下方式获得当前采样时刻的初始控制输入序列:
在采样时刻k,子系统Si接收传感器检测到所有子系统的状态量xj(k),j=1,…,m,并接收其他子系统k-1时刻的最佳控制输入序列然后取采用以下公式的作为采样时刻k的初始控制输入序列;
其中,M为控制时域,表示子系统Si在采样时刻k的初始控制输入序列,u* i(k-1+l|k-1)(l=1,…,M-1)表示子系统Si在采样时刻k-1求解得到的未来时刻l的控制输入,l=1,…,M-1,表示子系统Si在采样时刻k-1求解得到的未来时刻M-1的最佳控制输入;
对于k=1初始采样时刻,任取一组符合系统初始约束的输入序列作为其初始的最佳控制输入序列;
42)连通集顺序求解,对每个连通集Φh进行迭代求解:
对于第h个连通集Φh,接收其上游的连通集在k采样时刻所有子系统的最佳控制输入序列的集合求解获得该连通集内每个子系统的最佳控制输入序列;
43)迭代重复上述步骤获得所有时刻所有连通集下的子系统的最佳控制输入序列。
所述的步骤42)中由上游最佳控制输入序列的集合求解获得最佳控制输入序列的具体过程为:
421)连通集Φh中的子系统Si,i=1,…,gh,接收上游连通集在k采样时刻的最佳控制输入序列的集合
422)在迭代次数p(p≥1):
4221)子系统Si(i=1,…,ga)接收连通集Φh中除当前子系统以外的其它子系统在迭代次数p-1的最佳控制输入序列延续到迭代次数p保持不变,迭代次数p=1时取采样时刻k-1的最佳控制输入序列作为最佳控制输入序列up-1 j(k),求解以下公式得到最佳解
ui(k+l|k)∈ui,l=0,…,M-1
xi(k+l|k)∈xi,l=1,…,P-1
xi(k+P|k)=0
其中,ωi表示子系统Si的权重,Ji(k)表示子系统Si的局部目标函数,qi和ri分别是子系统Si的状态加权矩阵和控制加权矩阵,l表示未来采样时刻,ui和xi分别表示子系统Si的输入约束域和状态约束域,P为预测时域,J(k)分布式系统在采样时刻k时的目标函数,ui(k+l|k)表示子系统Si在采样时刻k对未来时刻l作出的控制输入,xi(k+l|k)在控制输入ui(k+l|k)的作用下,子系统Si在未来时刻l的状态,xi(k+P|k)是子系统Si在未来时刻P的状态;
按照以下公式更新得到迭代次数p的最佳控制输入序列up i(k)(i=1,…,gh):
其中,更新系数wi≥0,i=1,…,gh,并且∑wi=1;
4222)计算偏差
4223)将偏差结果与设定的误差精度εi比较,如果连通集Φh的求解迭代结束;否则p=p+1,返回到步骤4221)进行迭代。迭代次数迭代次数
本发明的有益效果是:
本发明方法分为离线计算和在线计算两部分,离线计算包括串联连通集集合的构建,在线计算包括状态更新、热启动、连通集的顺序求解。相对于已有技术,本发明较好地解决了传统协作式分布式模型预测控制方法必需的通信负担较高的问题。
本发明利用子系统间通信网络的结构特征,引入解释模型法中邻接矩阵、可达矩阵、层次分解,和相邻矩阵的通路搜索法,将子系统划分成若干个串联的连通集。在每个采样时刻,连通集按照串联顺序依次求解最佳控制输入序列,并将此序列只传递给下游连通集,不需与其他连通集的通信。连通集内子系统同步迭代求解控制输入,此时子系统只与连通集内的其他子系统通信,而不与其他连通集内的子系统通讯,大大减少通信负担。
从整体而言,本发明方法在保证系统稳定性的同时,可以大大减少传统协作式分布式模型预测控制方法所必需的通信负担。
附图说明
图1是本发明方法流程图;
图2是本发明连通集Φh求解控制输入的流程图;
图3是系统的有向图;
图4是本发明方法和传统协作式分布式模型预测控制方法求解结果对比图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明的实施例及其过程如下:
(1)本发明进行实施和仿真的硬件平台是装有Windows7系统的PC机。用PC上的Matlab对被控对象的模型进行仿真。实施例应用一个包含6个单输入单输出(SISO)线性系统的分布式系统,其传递函数矩阵为:
控制参数如下:
λ假设没有干扰与模型失配;
λ采样时间为5min;
λ预测时域P为15,控制时域M为3,采样时域为150;
λ子系统Si(i=1,…,6)的权重ωi分别是0.5,0.4,0.3,0.2,0.1,0.5,误差精度εi都取值为10-6;
λ子系统Si(i=1,…,6)的状态加权矩阵qi和控制加权矩阵ri分别取适当维数的单位矩阵。
根据上述公式中模型和子系统间的耦合关系,将整个分布式系统转化为有向图如图3所示,进而根据解释模型法(ISM)求出有向图的邻接矩阵A。
(2)将步骤(1)所得的邻接矩阵A利用以下的基于相邻矩阵的通路搜索法,将每个子系统划分成若干个连通集Φ:
Step1:从相邻矩阵中剔除全为0的列及其对应的行,并按剔除次序将节点号列入次序表中,重复上述过程,直到无全零列为止;
Step2:对从Step1中的得到的缩小的布尔矩阵用通路搜索法找出环路,并用“拟节点”代替含有环路的子集,构成新的布尔矩阵;
Step3:重复Step1和Step2,直到节点相邻矩阵消失为止。次序表中的节点或拟节点表示一个连通集,表中连通集的次序为求解顺序。
上述通路搜索的方法如下:
Step1:从相邻矩阵的第一行开始,向右找到第一个含有非零元素的列t;
Step2:从t列向下找到与第v行的交点;
Step3:a若从v行向左可找到含有非零元素的列,则该列对应的节点便是回流点,从而构成一个回路;
b若从v行向左找不到非零元素,则向右找到第一个含有非零元素的列,作为新的t列,并返回Step2。
(3)划分成连通集后,采用层次分解法,构建连通集的串联结构,实施步骤如下:
Step1:构建连通集的可达矩阵B;
Step2:构建可达集R(Si):可达矩阵B中第i行元素为1对应的列要素的集合:
R(Si)={Sj∈S|bij=1}(1)
Step3:构建先行集Q(Sj):可达矩阵B中第i列元素为1对应的行要素的集合:
Q(Sj)={Si∈S|bij=1}(2)
Step4:将节点、可达集R(Si)和先行集Q(Sj)按照顺序列在一张表中,寻找满足R(Si)∩Q(Sj)=R(Si)的节点,删除该节点,更新可达集R(Si)和先行集Q(Sj),继续寻找满足R(Si)∩Q(Sj)=R(Si)的节点并删除。重复该操作,知道所有节点都被删除;
Step5:将同时被删除的连通集合并为一个连通集,根据被删除顺序的反序,可得到各连通集的层次关系。
将同一层次的所有连通集合并为一个连通集,从而构建得到具有n个连通集串联结构的连通集集合Φh,h=1,…,n,h表示连通集的序数,n表示连通集的总数;
利用上述基于相邻矩阵的通路搜索法和层次分解法,实施例将系统分解成表1所示串联连通集集合:
表1串联连通集
(4)由步骤(3)构建得到不同层次的所有连通集集合Φh,在每个采样时刻求解其中每个子系统Si的最佳控制输入序列,进而对分布式系统进行预测控制。
对于子系统Si可以测量的状态其计算过程具体为:
41)间隔时间进行采样,对于每一采样时刻,采用以下方式获得当前采样时刻的初始控制输入序列:
在采样时刻k,子系统Si接收传感器检测到所有子系统的状态量xj(k),j=1,…,m,并接收其他子系统k-1时刻的最佳控制输入序列然后取采用以下公式的作为采样时刻k的初始控制输入序列;
其中,M为控制时域,表示子系统Si在采样时刻k的初始控制输入序列,u* i(k-1+l|k-1)(l=1,…,M-1)表示子系统Si在采样时刻k-1求解得到的未来时刻l的控制输入。
对于k=1初始采样时刻,任取一组符合系统初始约束的输入序列作为其初始的最佳控制输入序列;
42)对于第h个连通集Φh,接收其上游的连通集在k采样时刻所有子系统的最佳控制输入序列的集合求解获得该连通集内每个子系统的最佳控制输入序列;
421)连通集Φh中的子系统Si,i=1,…,gh,接收上游连通集在k采样时刻的最佳控制输入序列的集合
422)在迭代次数p(p≥1):
4221)子系统Si接收连通集Φh中除当前子系统以外的其它子系统在迭代次数p-1的最佳控制输入序列延续到迭代次数p保持不变,迭代次数p=1时取采样时刻k-1的最佳控制输入序列作为最佳控制输入序列up-1 j(k),求解以下公式得到最佳解
ui(k+l|k)∈ui,l=0,…,M-1
xi(k+l|k)∈xi,l=1,…,P-1
xi(k+P|k)=0
其中,ωi表示子系统Si的权重,Ji(k)表示子系统Si的局部目标函数,qi和ri分别是子系统Si的状态加权矩阵和控制加权矩阵,l表示未来采样时刻,ui和xi分别表示子系统Si的输入约束域和状态约束域。
按照以下公式更新得到迭代次数p的最佳控制输入序列up i(k)(i=1,…,gh):
其中,更新系数wi≥0,i=1,…,gh,并且∑wi=1;
4222)计算偏差
4223)将偏差结果与设定的误差精度εi比较,如果连通集Φh的求解迭代结束;否则p=p+1,返回到步骤4221)进行迭代。
43)迭代重复上述步骤获得所有时刻所有连通集下的子系统的最佳控制输入序列。
由此,同时采用本发明方法和传统的协作式DMPC方法来解决该分布式系统的控制问题,两种方法的模型、优化问题和结束迭代的终止条件都一样,只是通信方式不同。
图4是两种方法的求解结果,图中每个点代表一个采样时刻,横坐标是一个采样时刻结束时所消耗的迭代次数,纵坐标是对应的目标函数值;带*的曲线是基于层次分解的DMPC方法的结果曲线,带·的曲线是传统的协作式DMPC方法的结果曲线。
分析图4,发现本发明方法和协作式DMPC方法都需要经过100次左右达到稳态,目标函数值几乎不变。由于每个子系统的输入序列和状态序列都是相同形式的矩阵,假设每个子系统要传递的信息量为1,则到系统稳定时,采用基于层次分解的DMPC方法只需要3338,而协作式DMPC方法所需的通信负担为9300,约为基于层次分解的DMPC方法的2.8倍。对于整个仿真过程,基于层次分解的DMPC方法只需要4938,而采用协作式DMPC方法所需的通信负担为10920,约为基于层次分解的DMPC方法的2.2倍。所以采用本发明方法可以大大减轻传统的协作式DMPC方法所必需的通信负担。
综上,本发明方法在保证系统稳定性的同时,对改善传统协作式DMPC通信负担较高的问题有效性很高。
实施例中可见本发明技术效果显著突出,通过将子系统划分为串联的连通集集合,只有直接关联的上下游连通集才会进行通信,避免了非直接关联的连通集之间的通信,在保证系统稳定性的同时,大幅减少通信负担。
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (8)
1.一种基于层次分解的分布式模型预测控制方法,其特征在于:
(1)对于一个包含m个子系统Si的分布式系统,i=1,…,m,i表示子系统的序数,m表示子系统的总数,根据通信网络结构获得分布式系统的邻接矩阵A;
(2)由步骤(1)所得的邻接矩阵A,利用基于相邻矩阵的通路搜索法,将每个子系统划分成若干个连通集Φ;
(3)将步骤(2)所得的连通集Φ,构建连通集的可达矩阵B,根据解释模型法中的层次分解方法确定每个连通集的层次;
将同一层次的所有连通集合并为一个连通集,从而构建得到具有n个连通集串联结构的连通集集合Φh,h=1,…,n,h表示连通集的序数,n表示连通集的总数;
(4)由步骤(3)构建得到不同层次的所有连通集集合Φh,在每个采样时刻求解其中每个子系统Si的最佳控制输入序列,进而对分布式系统进行预测控制。
2.根据权利要求1所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:
所述步骤(4)在每个采样时刻求解其中每个子系统Si的最佳控制输入序列的计算过程包括状态更新,热启动和连通集顺序求解,具体为:
(4.1)状态更新:采用直接测量可测状态的方法或者引入状态观测器对分布式系统不可测的状态进行估计;
(4.2)热启动:对于每一采样时刻k,将上一采样时刻的子系统Si的最佳控制输入序列u* i(k-1)进行修正,修正后的控制输入序列作为采样时刻k迭代求解的初始输入序列
(4.3)连通集顺序求解:具有n个连通集串联结构的连通集集合Φh(h=1,…,n)按照串联顺序,依次求解k时刻连通集集合的最佳控制输入序列U* h(k)。
3.根据权利要求1所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:所述步骤(1)根据通信网络结构获得分布式系统的邻接矩阵A具体为:根据子系统间的耦合关系,用节点代表一个子系统,一条有向边代表两个子系统间的影响作用,将整个分布式系统转化为有向图,根据解释模型法(ISM)求出有向图的邻接矩阵A。
4.根据权利要求2所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:对于子系统Si可以测量的状态,所述步骤(4.1)状态更新中,直接用传感器测量每个子系统Si的状态值,并对当前时刻该子系统Si的状态进行更新。
5.根据权利要求2所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:对于子系统Si不可测的状态,所述步骤(4.1)状态更新中,引入状态观测器利用子系统Si的输入输出数据对状态进行测量获得观测值,然后采用观测值对当前时刻该子系统Si的状态进行更新。
6.根据权利要求2所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:所述的步骤(4.2)热启动中,最佳控制输入序列u* i(k-1)采用以下方式进行修正:将第一位去除,其他位向左移一位,在末位补0。
7.根据权利要求2所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:对于子系统Si可以测量的状态,所述步骤(4)具体为:
41)间隔时间进行采样,对于每一采样时刻,采用以下方式获得当前采样时刻的初始控制输入序列:
在采样时刻k,子系统Si接收传感器检测到所有子系统的状态量xj(k),j=1,…,m,并接收其他子系统k-1时刻的最佳控制输入序列然后取采用以下公式的作为采样时刻k的初始控制输入序列;
其中,M为控制时域,表示子系统Si在采样时刻k的初始控制输入序列,u* i(k-1+l|k-1)表示子系统Si在采样时刻k-1求解得到的未来时刻l的最佳控制输入,l=1,…,M-1,表示子系统Si在采样时刻k-1求解得到的未来时刻M-1的最佳控制输入;
对于k=1初始采样时刻,任取一组符合系统初始约束的输入序列作为其初始的最佳控制输入序列;
42)对每个连通集Φh进行迭代求解:对于第h个连通集Φh,接收其上游的连通集在k采样时刻所有子系统的最佳控制输入序列的集合求解获得该连通集内每个子系统的最佳控制输入序列;
43)迭代重复上述步骤获得所有时刻所有连通集下的子系统的最佳控制输入序列。
8.根据权利要求7所述的一种基于层次分解的分布式模型预测控制方法,其特征在于:所述的步骤42)中由上游最佳控制输入序列的集合求解获得最佳控制输入序列的具体过程为:
421)连通集Φh中的子系统Si,i=1,…,gh,gh表示该连通集Φh中子系统的总数,接收上游连通集在k采样时刻的最佳控制输入序列的集合
422)在迭代次数p,p≥1:
4221)子系统Si接收连通集Φh中除当前子系统以外的其它子系统在迭代次数p-1时的最佳控制输入序列延续到迭代次数p保持不变,迭代次数p=1时取采样时刻k-1的最佳控制输入序列作为最佳控制输入序列求解以下公式得到最佳解
ui(k+l|k)∈ui,l=0,…,M-1
xi(k+l|k)∈xi,l=1,…,P-1
xi(k+P|k)=0
其中,ωi表示子系统Si的权重,Ji(k)表示子系统Si的局部目标函数,qi和ri分别是子系统Si的状态加权矩阵和控制加权矩阵,l表示未来采样时刻,ui和xi分别表示子系统Si的输入约束域和状态约束域,P为预测时域,J(k)分布式系统在采样时刻k时的目标函数,ui(k+l|k)表示子系统Si在采样时刻k对未来时刻l作出的控制输入,xi(k+l|k)在控制输入ui(k+l|k)的作用下,子系统Si在未来时刻l的状态,xi(k+P|k)是子系统Si在未来时刻P的状态;
按照以下公式更新得到迭代次数p时的最佳控制输入序列up i(k),i=1,…,gh:
其中,更新系数wi≥0,i=1,…,gh,并且∑wi=1;
4222)计算偏差
4223)将偏差结果与设定的误差精度εi比较,如果连通集Φh的求解迭代结束;否则p=p+1,返回到步骤4221)进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510960679.3A CN105511263B (zh) | 2015-12-18 | 2015-12-18 | 一种基于层次分解的分布式模型预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510960679.3A CN105511263B (zh) | 2015-12-18 | 2015-12-18 | 一种基于层次分解的分布式模型预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105511263A true CN105511263A (zh) | 2016-04-20 |
CN105511263B CN105511263B (zh) | 2018-08-07 |
Family
ID=55719334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510960679.3A Active CN105511263B (zh) | 2015-12-18 | 2015-12-18 | 一种基于层次分解的分布式模型预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105511263B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974356A (zh) * | 2016-07-22 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断方法 |
CN108427284A (zh) * | 2018-04-09 | 2018-08-21 | 中国石油大学(华东) | 一类串联结构多智能体系统协调一致性控制方法 |
CN108829109A (zh) * | 2018-07-25 | 2018-11-16 | 西北工业大学 | 基于分布式模型预测控制的中性浮力机器人姿态与轨迹控制方法 |
CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及系统 |
CN111158349A (zh) * | 2020-01-15 | 2020-05-15 | 浙江大学 | 一种基于多步线性化策略的无人驾驶车辆模型预测控制方法 |
CN111897217A (zh) * | 2020-07-20 | 2020-11-06 | 清华大学 | 一种模型预测控制器的时域分解加速方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477449A (en) * | 1993-04-14 | 1995-12-19 | Kabushiki Kaisha Toshiba | Hierarchical model predictive control system based on accurate manipulation variable prediction |
US6445963B1 (en) * | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
CN101770209A (zh) * | 2010-03-09 | 2010-07-07 | 浙江大学 | 一种多时间尺度复杂大系统的分散预测控制方法 |
-
2015
- 2015-12-18 CN CN201510960679.3A patent/CN105511263B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477449A (en) * | 1993-04-14 | 1995-12-19 | Kabushiki Kaisha Toshiba | Hierarchical model predictive control system based on accurate manipulation variable prediction |
US6445963B1 (en) * | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
CN101770209A (zh) * | 2010-03-09 | 2010-07-07 | 浙江大学 | 一种多时间尺度复杂大系统的分散预测控制方法 |
Non-Patent Citations (3)
Title |
---|
刘雨波等: "分布式预测控制全局协调及稳定性分析", 《化工学报》 * |
吕琳媛: "复杂网络链路预测", 《电子科技大学学报》 * |
蔡星等: "基于串联结构的分布式模型预测控制", 《自动化学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105974356A (zh) * | 2016-07-22 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断方法 |
CN105974356B (zh) * | 2016-07-22 | 2019-02-05 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断方法 |
CN108427284A (zh) * | 2018-04-09 | 2018-08-21 | 中国石油大学(华东) | 一类串联结构多智能体系统协调一致性控制方法 |
CN108829109A (zh) * | 2018-07-25 | 2018-11-16 | 西北工业大学 | 基于分布式模型预测控制的中性浮力机器人姿态与轨迹控制方法 |
CN108829109B (zh) * | 2018-07-25 | 2021-06-08 | 西北工业大学 | 基于分布式模型预测控制的中性浮力机器人姿态与轨迹控制方法 |
CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及系统 |
CN109597844B (zh) * | 2019-01-31 | 2020-12-22 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及系统 |
CN111158349A (zh) * | 2020-01-15 | 2020-05-15 | 浙江大学 | 一种基于多步线性化策略的无人驾驶车辆模型预测控制方法 |
CN111158349B (zh) * | 2020-01-15 | 2021-01-08 | 浙江大学 | 基于多步线性化策略的无人驾驶车辆模型预测控制方法 |
CN111897217A (zh) * | 2020-07-20 | 2020-11-06 | 清华大学 | 一种模型预测控制器的时域分解加速方法 |
CN111897217B (zh) * | 2020-07-20 | 2022-03-11 | 清华大学 | 一种模型预测控制器的时域分解加速方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105511263B (zh) | 2018-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105511263A (zh) | 一种基于层次分解的分布式模型预测控制方法 | |
CN101976835B (zh) | 一种大规模电力系统牛顿潮流的并行计算方法 | |
CN104037776B (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
CN110376889A (zh) | 具有时变时滞的异构网络化多智能体系统分组一致的方法 | |
Zhou et al. | Comparison of machine-learning models for predicting short-term building heating load using operational parameters | |
CN105260786A (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN102183802B (zh) | 一种基于卡尔曼滤波及演化建模的短期气候预测方法 | |
CN107123994A (zh) | 区间无功优化模型的线性化求解方法 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
CN114818483B (zh) | 一种基于图神经网络的机电扰动定位及传播预测方法 | |
CN103942434A (zh) | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 | |
CN103474989A (zh) | 一种基于灵敏度分析的网络重构方法 | |
CN105160441A (zh) | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 | |
CN108933440A (zh) | 采用滑模预估控制算法的微电网通信时延状态预估方法 | |
Aliberti et al. | Indoor air-temperature forecast for energy-efficient management in smart buildings | |
Aruta et al. | Optimizing heating operation via GA-and ANN-based model predictive control: Concept for a real nearly-zero energy building | |
CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
Sun et al. | Optimal tracking control of switched systems applied in grid-connected hybrid generation using reinforcement learning | |
CN101404040B (zh) | 基于子图同构的对电力系统实时仿真的计算资源划分方法 | |
CN107395704A (zh) | 一种Spark云计算平台下的结构物理参数辨识方法 | |
Revati et al. | Facilitating energy-efficient operation of smart building using data-driven approaches | |
Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
CN108521345B (zh) | 一种考虑通信中断的孤岛微电网的信息物理协同应对方法 | |
CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
Min et al. | Research on mid-long term load forecasting based on combination forecasting mode |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Zuhua Inventor after: Zhao Jun Inventor after: Liu Yuanlong Inventor before: Zhao Jun Inventor before: Liu Yuanlong Inventor before: Xu Zuhua |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |