CN106647250A - 基于离线优化/在线查表方式的双层结构预测控制方法 - Google Patents
基于离线优化/在线查表方式的双层结构预测控制方法 Download PDFInfo
- Publication number
- CN106647250A CN106647250A CN201510725636.7A CN201510725636A CN106647250A CN 106647250 A CN106647250 A CN 106647250A CN 201510725636 A CN201510725636 A CN 201510725636A CN 106647250 A CN106647250 A CN 106647250A
- Authority
- CN
- China
- Prior art keywords
- steady
- state
- optimization
- value
- control
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及基于离线优化/在线查表方式的双层结构预测控制方法,包括以下步骤:稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值,输出至动态控制层;动态控制层将稳态优化层的稳态优化值作为设定点,通过模型预测控制得到控制输入值,发送至基础控制层用于控制被控对象。本发明降低了双层结构预测控制系统计算复杂度、提高控制实时性、解决稳态优化无解问题、有效消除扰动对稳态优化的干扰。
Description
技术领域
本发明涉及一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制方法,属于过程工业控制领域。
背景技术
随着当前激烈的市场竞争和人类科学技术的发展,工业过程越来越复杂,传统的经典控制方法很难满足大延时、强时变和非线性等特性的过程,因此,在降低能耗、节约资源和包含环境的前提下,一种能够适应复杂工业过程,并且能够保证产品高质量、高价值的控制方法成为控制领域的研究热点。由于预测控制能够有效地处理多变量、约束和纯滞后,在航空、航天、环境、石油、化工等领域得到了广泛的应用。
目前应用广泛的预测控制系统采用双层结构,包括稳态优化层和动态控制层两个部分。稳态优化层用于计算稳态控制输入、状态或被控输出的期望目标值,并以此作为动态控制层的设定值。虽然采用此结构的控制系统能够取得良好的经济效益,减少过程变量的波动,实现卡边控制,但由于通常稳态目标层和动态控制层采用相同的计算周期,即在每一个采样周期,需在线进行稳态目标计算和动态控制,导致双层结构预测控制实施计算量大、计算时间长,严重制约了其在高实时性领域的应用。目前尚无针对双层结构预测控制的计算复杂度进行优化的良好方法,因此针对双层结构预测控制方法进行全面分析和优化是一个特需解决的问题。
发明内容
本发明针对上述现有技术中存在的问题,提出了一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制方法,该方法有效的解决了复杂、大量的问题优化计算问题,在保证精度的情况下,提高了控制系统实时性,并且证实其在实时性能方面明显优于在线实时优化双层结构预测控制。
本发明解决其技术问题所采用的技术方案是:基于离线优化/在线查表方式的双层结构预测控制方法,包括以下步骤:
(1)稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值,输出至动态控制层;
(2)动态控制层将稳态优化层的稳态优化值作为设定点,通过模型预测控制得到控制输入值,发送至基础控制层用于控制被控对象。
所述对目标函数进行优化得到控制变量和输出变量的稳态优化值包括以下步骤:
步骤S1,生成目标函数并形成线性规划问题;
步骤S2,通过离线求解线性规划问题,建立离线数据表;
步骤S3,通过在线查找离线数据表获取下一时刻的稳态优化值。
所述生成目标函数并形成线性规划问题具体为由下式构成关于变量uss(k)、yss(k)、Δfss(k)、e(k)的线性规划问题:
线性规划问题的目标函数:
或
线性规划问题的约束条件:
Δyss(k)=GuΔuss(k)+GfΔfss(k)+e(k)
uLL≤uss(k)+Δuss(k)≤uHH
(1c)
yLL≤yss(k)+Δyss(k)≤yHH
ΔuLL≤Δuss(k)≤ΔuHH
其中,u∈U∈Rm,y∈Y∈Rn分别代表被控过程的控制输入和被控输出;Δyss(k)=yss(k+1)-yss(k),Δuss(k)=uss(k+1)-uss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量,uss(k)和yss(k)为k时刻控制输入稳态值和被控输出稳态值;αT=[α1,α2,…αm]和βT=[β1,β2,…βn]分别表示控制输入稳态变量和被控输出稳态变量的代价系数;CT=[c1,c2,…cm]为由α和β线性组合构成的代价系数向量;扰动输入增量为Δfss(k)=fss(k)-fss(k-1),fss(k)为k时刻扰动输入;Gu,Gf为稳态增益矩阵;e(k)为k时刻稳态误差修正量,uLL,uHH,yLL,yHH和ΔuLL,ΔuHH分别为理想控制输入变量的上下限,理想被控输出变量的上下限和理想控制输入变量增量的上下限。
所述通过离线求解线性规划问题,建立离线数据表包括以下步骤:
步骤S21,分别将控制输入稳态值uss(k)、被控输出稳态值yss(k)、扰动输入增量Δfss(k)、稳态偏差e(k)进行变量分段,分别分为m-1、n-1、p-1、q-1段,则相应的离散取值点如下:
ui=uLL+i×(uHH-uLL)/m(i=0,1,…,m)
yj=yLL+j×(yHH-yLL)/n(j=0,1,…,n)
Δfk=ΔfLL+k×(ΔfHH-ΔfLL)/p(k=0,1,…,p) (2)
el=eLL+l×(eHH-eLL)/q(l=0,1,…,q)
其中,uHH、uLL分别为理想控制输入变量的上下限,yHH、yLL分别为理想被控输出变量的上下限;ΔfHH和ΔfLL分别为扰动变量的上下限;eHH、eLL分别为稳态偏差的上下限;
步骤S22,离线计算各离散点处最优控制输入增量及被控输出增量稳态值,具体为:
将ui、yj、Δfk、el分别代入线性规划问题中的被控输入稳态值uss(k)、被控输出稳态值yss(k)、扰动输入增量Δfss(k)、稳态误差e(k),形成在该取值点处的线性规划问题,求解得到在该取值点处的控制输入稳态值的增量和被控输出稳态值的增量,分别记为稳态优化增量值Δui,j,k,l、Δyi,j,k,l;
步骤S23,根据稳态优化增量值得到控制输入、被控输出的最优值:
ui,j,k,l=ui+Δui,j,k,l
(3)
yi,j,k,l=yj+Δyi,j,k,l
建立ui、yj、Δfk、el、ui,j,k,l、yi,j,k,l对应为一组的数据表。
所述通过在线查找离线数据表获取下一时刻的稳态优化值包括以下步骤:
步骤S31,采集当前k时刻的数据uss(k),yss(k),Δfss(k),e(k);
步骤S32,判断当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)是否在数据表中查找到;如果是则执行步骤S33:直接查表,将得到的ui,j,k,l、yi,j,k,l分别作为k+1时刻最优稳态值uss(k+1)、yss(k+1);否则转到下一步骤;
步骤S34,以当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)为基础,得到与其距离最近的N个可查表的点;
步骤S35,根据N个点对应的ui、yj、Δfk、el,查数据表获得各点对应的稳态优化值ui,j,k,l、yi,j,k,l,记为(ua1,b1,c1,d1,ya1,b1,c1,d1),…(uaN,bN,cN,dN,yaN,bN,cN,dN);
步骤S36,通过加权的方式,计算下一时刻最优稳态值uss(k+1)、yss(k+1):
Li为N中第i个点与P的距离。
所述以当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)为基础,得到与其距离最近的N个点具体为:当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)设为4维空间的一点P,计算距离P最近的N个可查表的点
P1=(ua1,yb1,Δfc1,ed1),…PN=(uaN,ybN,ΔfcN,edN),
uai,ybi,Δfci,edi分别为与点P最近的第i个点对应的ui、yj、Δfk、el;
各点与P的距离分别为L1,…LN,且L1≤L2≤…≤LN:
本发明具有以下有益效果及优点:
(1)采用在线查表、加权计算稳态优化值,解决传统的在线求解线性规划问题时存在的大量的迭代和搜索过程,因此大大降低了计算复杂度并提高了控制实时性。
(2)采用加权方法计算稳态优化值,解决稳态优化无解问题
(3)采用将扰动变量及稳态误差变量分段,可以有效的消除扰动对稳态优化的干扰。
附图说明
图1为本发明的控制系统结构图;
图2为本发明的控制系统的控制方法;
图3为发明步骤S2的流程图;
图4为发明步骤S3的流程图;
图5为在线实时稳态优化的双层结构预测控制系统控制输入结果图;
图6为采用本发明的控制输入结果图;
图7为在线实时稳态优化的双层结构预测控制系统被控输出结果图;
图8为采用本发明的被控输出结果图;
图9为在线实时稳态优化的双层结构预测控制系统优化计算耗时结果图;
图10为采用本发明的优化计算耗时结果图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
本发明针对复杂系统中双层结构预测控制的实时稳态优化层计算时间长、不满足实时性的问题,提出一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统。该发明对过程对象的变量进行分段;通过离线优化计算,建立可供查表的数据表;在线实时计算过程中,选择与当前时刻距离最近的多个可查表点,然后通过加权的方法计算稳态优化值;以此优化值作为动态控制的设定值,通过动态控制算法计算最优控制输入并通过基础控制层实施到执行机构。
本发明提出了一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统,包括稳态优化层、动态控制层,系统结构如图1所示;
所述稳态优化层位于上层,其采用经济自优化函数或目标跟踪函数作为优化目标函数,计算关键变量的最优值,该最优值作为所述动态控制层的设定值。
所述的动态控制层位于下层,其通过模型预测、滚动优化和反馈校正计算最优控制输入值,以达到跟踪所述稳态优化层的最优值。
一种基于离线优化/在线查表方式的稳态优化的双层结构预测控制系统,其包含如下步骤,如图2所示:
步骤S1,以经济自优化方式生成目标函数,根据工艺和稳态模型构建约束条件,形成线性规划(LP)问题。所述目标函数和约束条件如式(1a)和式(1b)所示:
Δyss(k)=GuΔuss(k)+GfΔfss(k)+e(k)
uLL≤uss(k)+Δuss(k)≤uHH
(1b)
yLL≤yss(k)+Δyss(k)≤yHH
ΔuLL≤Δuss(k)≤ΔuHH
其中,u∈U∈Rm,y∈Y∈Rn分别代表被控过程的控制输入和被控输出。Δyss(k)=yss(k+1)-yss(k),Δuss(k)=uss(k+1)-uss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量,其中uss(k)和yss(k)为k时刻控制输入稳态值和被控输出稳态值;αT=[α1,α2,…αm]和βT=[β1,β2,…βn]分别表示控制输入稳态变量和被控输出稳态变量的代价系数,即生产过程的成本和效益系数。因Δuss(k)和Δyss(k)之间是线性关系,故式(1a)可描述为:
其中,CT=[c1,c2,…cm]为由成本系数α和效益系数β的线性组合构成的代价系数向量。
由于扰动无法预测,因此扰动输入增量为Δfss(k)=fss(k)-fss(k-1),fss(k)为k时刻扰动输入;Gu,Gf为稳态增益矩阵;e(k)为k时刻稳态误差修正量,由于稳态值无法测量,因此采用作为稳态误差修正量,其中y(k)为k时刻被控输出值,为k-1时刻对k时刻的被控输出预测值。uLL,uHH,yLL,yHH和ΔuLL,ΔuHH分别为理想控制输入变量的上下限,理想被控输出变量的上下限和理想控制输入变量增量的上下限约束。
由式(1a)、(1b)、(1c)构成关于变量uss(k)、yss(k)、Δfss(k)、e(k)的线性规划问题。
步骤S2,通过离线求解LP问题,建立稳态优化离线数据表;
步骤S3,在实时优化过程中通过在线查找步骤S2所获取的离线数据表,获取下一时刻的稳态优化值;
步骤S4,将上层的稳态优化值传递到下层的动态控制层,并作为动态控制层的设定值,通过动态控制算法计算最优的控制输入,并将最优控制输入给执行机构。返回步骤S3,进入下一循环周期(k→k+1)。
所述步骤S2进一步包括(如图3所示):
步骤S21,综合考虑工艺、计算量及优化精度因素,对控制输入变量、被控输出变量、误差变量及扰动变量分段。具体为:在综合考虑离线计算量、精度的基础上,根据uss(k),yss(k),Δfss(k),e(k)的取值范围,进行变量分段,设分别分为m-1、n-1、p-1、q-1段,则相应的取值点如式(2):
ui=uLL+i×(uHH-uLL)/m(i=0,1,…,m)
yj=yLL+j×(yHH-yLL)/n(j=0,1,…,n)
Δfk=ΔfLL+k×(ΔfHH-ΔfLL)/p(k=0,1,…,p) (2)
el=eLL+l×(eHH-eLL)/q(l=0,1,…,q)
ΔfHH和ΔfLL分别为扰动变量的上下限;eHH、eLL分别为稳态偏差的上下限。
其中,变量分段依据以下几个方面:
(1)工艺:根据相关工艺,对生产过程影响较大的变量应尽量提高分段数量,影响较小的可以少分段;
(2)优化精度:根据精度要求,设置分段数的下限,即最小分段数。例如,要求某个变量的精度为S,变化范围为R,则分段数应不小于R/S。
(3)计算量:由于在线采用查表、加权计算方式,其计算量较小,分段的多少对计算时间的影响是线性的,可以不考虑;离线的计算量主要是求解各分段点处的线性规划问题,以内点法求解标准线性规划问题为例,其求解的时间复杂度为O[(m·n·p·q)·M4L],表示计算复杂度为(m·n·p·q)·M4L相同数量级的数,其中,M为变量总数,L为约束方程个数,在同一过程中M、L视为常数。若要求计算时间小于T,则根据计算机的处理能力可得到关于T及m、n、p、q的方程
f(T)=O[(m·n·p·q)·M4L]
求解即可得出m·n·p·q,即得到各分段数的乘积数,然后再根据工艺要求、精度要求进行各变量分段数的分配。
步骤S22,离线计算各离散点处最优控制输入增量及被控输出增量稳态值。具体为:由步骤S21确定的取值点ui、yj、Δfk、el(i=0,1,…m;j=0,1,…n;k=0,1,…p;l=0,1,…q)代替式(1a-1c)中uss(k),yss(k),Δfss(k),e(k)形成在该取值点处的线性规划(LP)问题,求解该LP问题得到稳态优化增量值,记为Δui,j,k,l和Δyi,j,k,l。
步骤S23,根据最优稳态值增量值计算最优值,建立数据表格。具体为:计算优化值,如式(3):
ui,j,k,l=ui+Δui,j,k,l
(3)
yi,j,k,l=yj+Δyi,j,k,l
由此可构造关于ui、yj、Δfk、el、ui,j,k,l、yi,j,k,l的数据表;
如图4所示,所述步骤S3进一步包括:
步骤S31,采集当前时刻(k时刻)的数据uss(k),yss(k),Δfss(k),e(k);
步骤S32,判断当前时刻(k时刻)的数据uss(k),yss(k),Δfss(k),e(k)是否可在数据表中查找到,是则转到步骤S33,否则转到步骤S34;
步骤S33,直接查表,得到k+1时刻最优稳态值uss(k+1)、yss(k+1),转至步骤S4;
步骤S34,以当前时刻(k时刻)的数据uss(k),yss(k),Δfss(k),e(k)为基础,计算其距离最近的N个点,距离为Li,i=1,2,…N。具体为:当前时刻(k时刻)的数据uss(k),yss(k),Δfss(k),e(k)设为4维空间的一点P,计算距离P最近的N个可查表的点P1=(ua1,yb1,Δfc1,ed1),…PN=(uaN,ybN,ΔfcN,edN),其距离分别为L1,…LN,其中:
步骤S35,查表,获得N个点所对应的稳态优化值,记为(ua1,b1,c1,d1,ya1,b1,c1,d1),…(uaN,bN,cN,dN,yaN,bN,cN,dN);
uai,ybi,Δfci,edi分别为与点P最近的第i个点对应的ui、yj、Δfk、el;
步骤S36,通过加权的方式,计算最优的稳态值uss(k+1)、yss(k+1);具体为:通过加权方法计算当前时刻(k时刻)的数据uss(k),yss(k),Δfss(k),e(k)对应的稳态优化值,如下式(5):
下面举实例对上述方法进行说明,针对2输入2输出的被控对象进行仿真,并加以分析。该被控对象的数学模型如下式(6)
y(s)=GU(s)u(s)+GF(s)f(s) (6)
其中,则该对象对应的稳态数学模型为式(7)
系统控制输入约束为[-0.5,0.5],被控输出约束为[-0.5,0.5],控制输入变量的增量约束被限定为0.1,控制输入的代价系数向量CT=[-2,-1],分段数为m=n=p=q=11,可查表点N=16,仿真步长为20s。根据上述步骤S1至S4及其详细子步骤设计仿真验证程序,并与在线实时进行稳态优化的双层结构预测控制系统对比,结果如图5-图10所示。其中图5-图8为采用稳态优化的双层结构预测控制系统及采用本发明的控制输入、被控输出结果图,可见,控制输入及被控输出的曲线接近,说明两种方法在控制优化的效果上是接近的;图9为在线实时稳态优化的双层结构预测控制系统每个运行周期耗时,其单个运行周期平均耗时0.0879s;图10为基于离线优化/在线查表的稳态优化的双层结构预测控制系统每个运行周期耗时,其单个运行周期平均耗时0.0015s;由图5和图6可以看出,在确保要求控制精度范围内,基于离线优化/在线实时查表方式的稳态优化的双层预测控制方法实时性好,能够更好的适用于高实时性领域。
Claims (6)
1.基于离线优化/在线查表方式的双层结构预测控制方法,其特征在于包括以下步骤:
(1)稳态优化层对目标函数进行优化得到控制变量和输出变量的稳态优化值,输出至动态控制层;
(2)动态控制层将稳态优化层的稳态优化值作为设定点,通过模型预测控制得到控制输入值,发送至基础控制层用于控制被控对象。
2.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法,其特征在于所述对目标函数进行优化得到控制变量和输出变量的稳态优化值包括以下步骤:
步骤S1,生成目标函数并形成线性规划问题;
步骤S2,通过离线求解线性规划问题,建立离线数据表;
步骤S3,通过在线查找离线数据表获取下一时刻的稳态优化值。
3.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制系统,其特征在于所述生成目标函数并形成线性规划问题具体为由下式构成关于变量uss(k)、yss(k)、Δfss(k)、e(k)的线性规划问题:
线性规划问题的目标函数:
或
线性规划问题的约束条件:
Δyss(k)=GuΔuss(k)+GfΔfss(k)+e(k)
uLL≤uss(k)+Δuss(k)≤uHH (1c)
yLL≤yss(k)+Δyss(k)≤yHH
ΔuLL≤Δuss(k)≤ΔuHH
其中,u∈U∈Rm,y∈Y∈Rn分别代表被控过程的控制输入和被控输出;Δyss(k)=yss(k+1)-yss(k),Δuss(k)=uss(k+1)-uss(k)分别为k时刻被控输出稳态值的增量和控制输入稳态值的增量,uss(k)和yss(k)为k时刻控制输入稳态值和被控输出稳态值;αT=[α1,α2,…αm]和βT=[β1,β2,…βn]分别表示控制输入稳态变量和被控输出稳态变量的代价系数;CT=[c1,c2,…cm]为由α和β线性组合构成的代价系数向量;扰动输入增量为Δfss(k)=fss(k)-fss(k-1),fss(k)为k时刻扰动输入;Gu,Gf为稳态增益矩阵;e(k)为k时刻稳态误差修正量,uLL,uHH,yLL,yHH和ΔuLL,ΔuHH分别为理想控制输入变量的上下限,理想被控输出变量的上下限和理想控制输入变量增量的上下限。
4.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法,其特征在于所述通过离线求解线性规划问题,建立离线数据表包括以下步骤:
步骤S21,分别将控制输入稳态值uss(k)、被控输出稳态值yss(k)、扰动输入增量Δfss(k)、稳态偏差e(k)进行变量分段,分别分为m-1、n-1、p-1、q-1段,则相应的离散取值点如下:
ui=uLL+i×(uHH-uLL)/m(i=0,1,…,m)
yj=yLL+j×(yHH-yLL)/n(j=0,1,…,n)
Δfk=ΔfLL+k×(ΔfHH-ΔfLL)/p(k=0,1,…,p) (2)
el=eLL+l×(eHH-eLL)/q(l=0,1,…,q)
其中,uHH、uLL分别为理想控制输入变量的上下限,yHH、yLL分别为理想被控输出变量的上下限;ΔfHH和ΔfLL分别为扰动变量的上下限;eHH、eLL分别为稳态偏差的上下限;
步骤S22,离线计算各离散点处最优控制输入增量及被控输出增量稳态值,具体为:
将ui、yj、Δfk、el分别代入线性规划问题中的被控输入稳态值uss(k)、被控输出稳态值yss(k)、扰动输入增量Δfss(k)、稳态误差e(k),形成在该取值点处的线性规划问题,求解得到在该取值点处的控制输入稳态值的增量和被控输出稳态值的增量,分别记为稳态优化增量值Δui,j,k,l、Δyi,j,k,l;
步骤S23,根据稳态优化增量值得到控制输入、被控输出的最优值:
ui,j,k,l=ui+Δui,j,k,l
yi,j,k,l=yj+Δyi,j,k,l (3)
建立ui、yj、Δfk、el、ui,j,k,l、yi,j,k,l对应为一组的数据表。
5.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法,其特征在于所述通过在线查找离线数据表获取下一时刻的稳态优化值包括以下步骤:
步骤S31,采集当前k时刻的数据uss(k),yss(k),Δfss(k),e(k);
步骤S32,判断当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)是否在数据表中查找到;如果是则执行步骤S33:直接查表,将得到的ui,j,k,l、yi,j,k,l分别作为k+1时刻最优稳态值uss(k+1)、yss(k+1);否则转到下一步骤;
步骤S34,以当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)为基础,得到与其距离最近的N个可查表的点;
步骤S35,根据N个点对应的ui、yj、Δfk、el,查数据表获得各点对应的稳态优化值ui,j,k,l、yi,j,k,l,记为(ua1,b1,c1,d1,ya1,b1,c1,d1),…(uaN,bN,cN,dN,yaN,bN,cN,dN);
步骤S36,通过加权的方式,计算下一时刻最优稳态值uss(k+1)、yss(k+1):
Li为N中第i个点与P的距离。
6.根据权利要求1所述的基于离线优化/在线查表方式的双层结构预测控制方法,其特征在于所述以当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)为基础,得到与其距离最近的N个点具体为:当前k时刻的数据uss(k),yss(k),Δfss(k),e(k)设为4维空间的一点P,计算距离P最近的N个可查表的点
P1=(ua1,yb1,Δfc1,ed1),…PN=(uaN,ybN,ΔfcN,edN),
uai,ybi,Δfci,edi分别为与点P最近的第i个点对应的ui、yj、Δfk、el;
各点与P的距离分别为L1,…LN,且L1≤L2≤L≤LN:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725636.7A CN106647250B (zh) | 2015-10-30 | 2015-10-30 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725636.7A CN106647250B (zh) | 2015-10-30 | 2015-10-30 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106647250A true CN106647250A (zh) | 2017-05-10 |
CN106647250B CN106647250B (zh) | 2019-07-16 |
Family
ID=58829654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510725636.7A Active CN106647250B (zh) | 2015-10-30 | 2015-10-30 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106647250B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688652A (zh) * | 2018-11-20 | 2019-04-26 | 昆明理工大学 | 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 |
CN109725526A (zh) * | 2017-10-31 | 2019-05-07 | 中国科学院沈阳自动化研究所 | 一种多变量半自适应预测控制方法 |
CN109870924A (zh) * | 2019-01-18 | 2019-06-11 | 昆明理工大学 | 一种应用多层稳态目标计算的模型预测控制的分布式系统控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
CN1490690A (zh) * | 2002-09-11 | 2004-04-21 | 费舍-柔斯芒特系统股份有限公司 | 在过程控制系统中的集成模型预测控制和最佳化 |
CN101813917A (zh) * | 2010-03-19 | 2010-08-25 | 浙江工业大学 | 基于线性规划实现动态优化的工业模型预测控制方法 |
CN103257572A (zh) * | 2012-11-29 | 2013-08-21 | 浙江大学 | 分馏系统中稳态优化的软约束控制方法 |
CN103350023A (zh) * | 2013-06-20 | 2013-10-16 | 中国科学院沈阳自动化研究所 | 适用于中卸式水泥生料磨系统的双层结构预测控制方法 |
US20140330402A1 (en) * | 2013-05-02 | 2014-11-06 | Aspen Technology, Inc. | Computer Apparatus And Method using Model Structure Information of Model Predictive Control |
CN104536294A (zh) * | 2014-12-10 | 2015-04-22 | 浙江大学 | 基于连续搅拌反应釜的多目标分层预测控制方法 |
-
2015
- 2015-10-30 CN CN201510725636.7A patent/CN106647250B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1161753A (zh) * | 1994-10-24 | 1997-10-08 | 奥林公司 | 模型预测控制装置与方法 |
CN1490690A (zh) * | 2002-09-11 | 2004-04-21 | 费舍-柔斯芒特系统股份有限公司 | 在过程控制系统中的集成模型预测控制和最佳化 |
CN101813917A (zh) * | 2010-03-19 | 2010-08-25 | 浙江工业大学 | 基于线性规划实现动态优化的工业模型预测控制方法 |
CN103257572A (zh) * | 2012-11-29 | 2013-08-21 | 浙江大学 | 分馏系统中稳态优化的软约束控制方法 |
US20140330402A1 (en) * | 2013-05-02 | 2014-11-06 | Aspen Technology, Inc. | Computer Apparatus And Method using Model Structure Information of Model Predictive Control |
CN103350023A (zh) * | 2013-06-20 | 2013-10-16 | 中国科学院沈阳自动化研究所 | 适用于中卸式水泥生料磨系统的双层结构预测控制方法 |
CN104536294A (zh) * | 2014-12-10 | 2015-04-22 | 浙江大学 | 基于连续搅拌反应釜的多目标分层预测控制方法 |
Non-Patent Citations (1)
Title |
---|
潘红光,等: "双层预测控制中保证动态控制可行的稳态目标计算策略", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725526A (zh) * | 2017-10-31 | 2019-05-07 | 中国科学院沈阳自动化研究所 | 一种多变量半自适应预测控制方法 |
CN109688652A (zh) * | 2018-11-20 | 2019-04-26 | 昆明理工大学 | 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 |
CN109688652B (zh) * | 2018-11-20 | 2021-06-01 | 昆明理工大学 | 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 |
CN109870924A (zh) * | 2019-01-18 | 2019-06-11 | 昆明理工大学 | 一种应用多层稳态目标计算的模型预测控制的分布式系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106647250B (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Gherwi et al. | A robust distributed model predictive control algorithm | |
Khani et al. | Robust model predictive control of nonlinear processes represented by Wiener or Hammerstein models | |
Yang et al. | Advanced-multi-step nonlinear model predictive control | |
Chen et al. | Model predictive control of nonlinear singularly perturbed systems: Application to a large-scale process network | |
CN104698842B (zh) | 一种基于内点法的lpv模型非线性预测控制方法 | |
Wei et al. | On unified framework for discrete-time grey models: Extensions and applications | |
CN103472723A (zh) | 基于多模型广义预测控制器的预测控制方法及系统 | |
CN106022521A (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
Chu et al. | Final quality prediction method for new batch processes based on improved JYKPLS process transfer model | |
CN106647250A (zh) | 基于离线优化/在线查表方式的双层结构预测控制方法 | |
Laursen et al. | Dynamic hybrid neural network model of an industrial fed-batch fermentation process to produce foreign protein | |
Scott et al. | Simulation and optimization of dynamic flux balance analysis models using an interior point method reformulation | |
Yuan et al. | Modelling and pathway identification involving the transport mechanism of a complex metabolic system in batch culture | |
CN107085371A (zh) | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 | |
Krishnamoorthy et al. | A Primal decomposition algorithm for distributed multistage scenario model predictive control | |
Liu et al. | Optimal Control of Switched Time-Delay Systems | |
CN113687632B (zh) | 一种间歇反应过程的变周期协同优化控制方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
Jiang et al. | Solving policy design problems: alternating direction method of multipliers-based methods for structured inverse variational inequalities | |
Luo et al. | Iterative improvement of parameter estimation for model migration by means of sequential experiments | |
CN109685400B (zh) | 基于时间积分igd的时滞电力系统稳定性判别方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
Chu et al. | Integrated operation optimization strategy for batch process based on process transfer model under disturbance | |
CN115453873A (zh) | 非线性结构动力学系统瞬态响应无条件稳定时间积分方法 | |
Liao | Efficient sensitivity analysis method for chaotic dynamical systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |