CN111356959A - 用于计算机辅助地控制技术系统、特别是发电设备的方法 - Google Patents

用于计算机辅助地控制技术系统、特别是发电设备的方法 Download PDF

Info

Publication number
CN111356959A
CN111356959A CN201880075694.1A CN201880075694A CN111356959A CN 111356959 A CN111356959 A CN 111356959A CN 201880075694 A CN201880075694 A CN 201880075694A CN 111356959 A CN111356959 A CN 111356959A
Authority
CN
China
Prior art keywords
technical system
control
data set
parameters
technical
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
Application number
CN201880075694.1A
Other languages
English (en)
Other versions
CN111356959B (zh
Inventor
D.海因
A.亨切尔
S.乌德卢夫特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN111356959A publication Critical patent/CN111356959A/zh
Application granted granted Critical
Publication of CN111356959B publication Critical patent/CN111356959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种用于对技术系统、特别是发电设施进行计算机辅助控制以实现所述技术系统的预给定技术行为的方法，其中提供用于控制所述系统的运行数据组，其中提供用于描述所述技术系统的作用方式的系统模型，其中基于所述运行数据组并且基于所述系统模型，使用优化方法确定优化数据组，其中基于所述优化数据组，借助于选择方法选择所述技术系统的相关参数，所述相关参数与所述技术系统的其他参数相比使得能够对所述技术系统进行更有利的控制，其中使用所选择的相关参数确定用于所述技术系统的控制方法，其中借助于所述控制方法对所述技术系统进行控制。

Description

用于计算机辅助地控制技术系统、特别是发电设备的方法
技术领域
本发明涉及一种用于计算机辅助地控制技术系统、特别是发电设备的方法。
背景技术
在现有技术中已知各种用于控制发电设备的方法。特别是为了有效控制发电设备，确定最优控制方法和使用所述最优控制方法是有利的。
发明内容
本发明的任务在于提供和使用一种用于计算机辅助地控制技术系统的改进方法。
该任务通过独立权利要求解决。在从属权利要求中说明了本发明的扩展。
所描述的方法的优点在于，实现了对所述技术系统的改进的控制。这是通过以下方式实现的，基于运行数据组并且基于所述技术系统的系统模型，使用特别是无梯度的优化方法来确定优化数据组。借助于所述优化方法，使用一种开放方法来确定优化数据组。基于所述优化数据组，借助于选择方法来选择所述技术系统的相关参数，所述相关参数与所述技术系统的其他参数相比使得能够对所述技术系统进行更有利的控制。
借助于所选择的相关参数确定用于所述技术系统的控制方法。所确定的控制方法用于控制所述技术系统。将术语“控制”理解为控制和调节二者。通过所提出的方法，可以以较少的计算工作量确定用于所述技术系统的优化控制方法。
在一个实施方式中，所使用的选择方法是自适应互信息特征选择方法（adaptivemutual information feature selection，AMIFS）。与其他选择方法相比，借助于该方法可以选择更合适的相关参数来用于控制所述技术系统。因此，通过更精确地选择所述相关参数，可以实现所述控制方法的进一步改进。
在另一实施方式中，基于所选择的相关参数借助于基于模型的强化学习方法来确定所述控制方法。由此可以快速且准确地确定用于所述技术系统的优化控制方法。
在另一实施方式中，借助于无模型的强化学习方法基于所选择的相关参数来确定所述控制方法。所述无模型的强化学习方法也可以用于确定针对所述技术系统优化的控制方法。
在一个实施方式中，作为优化方法使用种群优化方法。在此，可以使用非常适合于所描述的方法的粒子群优化方法。
附图说明
结合对实施例的以下描述，本发明的上述属性、特征和优点以及实现它们的方式将变得更加清楚和更容易理解，下面结合附图对所述实施例进行详细地解释，其中
图1示出了用于确定控制方法的各种方法的示意图，
图2示出了用于基于运行数据组确定系统模型的示意图，
图3示出了用于种群优化方法的第一方法状态的示意图，
图4示出了用于种群优化方法的第二方法状态的示意图，以及
图5示出了用于执行该方法的系统的示意性结构。
具体实施方式
图1以示意图示出了用于为技术系统产生控制方法的各种方法。在第一程序点1处，提供用于控制所述技术系统的预给定运行数据组。例如，通过实验确定所述运行数据组或用预给定值来填充所述运行数据组。在一个简单的实施方式中，在第一程序点1处创建所述运行数据组期间，将随机值用于所述控制。所述运行数据组从第一程序点1直接传送到第四程序点4。
在第二程序点2处，基于所述运行数据组，借助于使用机器学习方法的回归训练来确定用于所述技术系统的系统模型3。
在此，例如可以使用神经网络，特别是递归神经网络来确定用于所述技术系统的系统模型3，所述技术系统例如是发电设备。所述发电设备可以被构造为例如燃气涡轮机或风力涡轮机。将所确定的系统模型3传送到第四程序点4。
在第四程序点4处，使用所述运行数据组和系统模型3并借助于无梯度的优化方法，特别是借助于种群优化方法来确定控制数据组5。控制数据组5至少针对该系统的一个状态包括为至少一个控制参数分配的最优值，特别是为多个控制参数分配的值。优选地，所述控制数据组针对所述系统的多个状态包括分配给控制参数的最优值。由此所述控制数据组描述了用于特别是针对所述技术系统的不同状态控制所述技术系统的控制参数的值，以实现所述技术系统的期望最优行为。
在第五程序点6处使用控制数据组5，以使用选择方法确定相关的控制参数。第五程序点6处的所述选择方法被构造为选择所述技术系统的有限数量的相关技术参数，所述相关技术参数与所述技术系统的其他技术参数相比使得能够更好地控制所述技术系统。
可以使用各种方法来选择相关参数。例如，可以使用基于与所述控制参数有关的互信息（Mutual Information）的方法。例如，可以使用AMIFS方法从所述技术系统的可用参数中选择设定数量的相关参数。例如，Michel Tesmer和Pablo A. Estévez在2004 IEEE，0-7803-8359-1/04，303至308页中描述了所述AMIFS方法（Adaptive Feature Selection byUsing Mutual information，通过使用互信息进行自适应特征选择）。此外，也可以使用其他选择方法来选择预给定数量的相关参数，如例如Isabelle Guyon等人在“AnIntroduction to Variable and Feature Selection”，Journal of Machine LearningResearch 3（2003）1157-1182页中描述的。此外，也可以使用MIFS或MIFS-U方法来选择预给定数量的更相关参数。但是，测试已经表明，AMIFS方法特别适合于在诸如发电设备的技术系统中选择更相关的参数。MIFS和MIFS-U方法例如由R．Battiti在IEEE Transaction onNeural Networks，第5卷，第4期，537至550页，1994年7月的“Using Mutual Informationfor Selecting Features in Supervised Neural Net Learning”中进行了描述。
在第五程序点6处，借助于上述方法之一从可用参数的集合中确定一定数量的相关参数7。借助于所确定的相关参数7，在第六程序点8处借助于基于模型的学习方法确定用于所述技术系统的具有改进值的优化控制方法。在此，例如将在第二程序点2处确定的系统模型3用作用于基于模型的学习方法的模型。
可以以函数、表格、特性曲线等形式创建所述控制方法。例如，可以将所述控制方法构造为数据组，其中所述数据组针对所述系统的多个状态分别具有一个控制参数的值。此外，可以将所述控制方法构造为数据组，其中所述数据组针对所述技术系统的每个状态分别具有所述技术系统的多个控制参数的值。
在另一实施方式中，可以借助于第七程序点9处的相关参数7并且考虑到在第一程序点1处提供的运行数据组，借助于无模型的强化学习方法（model free reinforcementlearning），特别是使用强化机器学习方法确定用于所述技术系统的其他优化控制方法。
可以以函数、表格、特性曲线等形式创建所述其他控制方法。例如，可以将所述其他控制方法构造为数据组，其中所述数据组针对所述系统的多个状态分别具有一个控制参数的值。此外，可以将所述其他控制方法构造为数据组，其中所述数据组针对所述技术系统的每个状态分别具有所述技术系统的多个控制参数的值。
在随后的第八程序点10处，控制单元将由第六程序点8确定的所述控制方法或由第七程序点9确定的所述其他控制方法用于控制所述技术系统。
图2以示意图示出了一种可能的方法，利用该方法在第二程序点2处基于由第一程序点1提供的运行数据确定用于所述技术系统的系统模型3。
借助于状态空间S、动作空间A和随机过渡函数P对所述技术系统的描述对应于众所周知的马尔可夫决策过程。假定可以用这样的过程来描述所述技术系统。对于该过程而言存在报酬函数c：S x A x S->R，其中R以实数rt的形式表示报酬的空间，所述报酬是所述系统为了在状态st下选择动作at而获得的，以及其中所述系统转换到状态st+1。
所描述的方法可以应用于以下任何类型的技术系统，该技术系统的动态行为可以由状态空间S和动作空间A用随机过渡函数P（st，at，st+1）描述。在此，st，st+1分别是所述技术系统在时刻t和t+1的状态。此外，at表示在时刻t影响所述技术系统的控制动作。此外，at+1表示在时刻t+1影响所述技术系统的控制动作。
所述技术系统的每个状态都通过多个状态变量或环境变量表征。所述环境变量是所述技术系统的可测量状态参量，例如燃气涡轮机的气压、气体温度、燃烧室加速度等。以类似的方式，这些状态参量例如是风力涡轮机情况下的风速、转子叶片的转数、转子叶片的转速、转子叶片的加速度等。
动作at是所述技术系统在时刻t的控制参数，即调节参量，所述控制参数又对所述技术系统的后续状态产生影响。状态st可以具有多个状态变量，或者可以由多个状态变量来表征。类似于状态st，动作at也可以包括多个动作变量，并且因此可以通过多个调节参量的变化来表征动作。可以在技术系统上更改的调节参量的一个示例是燃气涡轮机中的阀门设置。在风力涡轮机的情况下，该示例是例如转子叶片的角位置或转子自身的取向。但是，所述技术系统（特别是风力涡轮机或燃气涡轮机）的所有其他控制参数也可以用作动作变量。通常还将所述技术系统设计为，使得所述状态空间和所述动作空间重叠，也就是说所述技术系统中的调节参量也可以表征所述技术系统的状态。
现在的目标是确定预给定未来时间段内所有动作的最优规则，所述最优规则使得针对所述预给定时间段的每个状态的预期累积报酬函数或平均报酬函数c最大化。在此，使得报酬函数c最大化对应于动作选择规则的一种可能设计。将所述报酬函数特别是设定为其反映所述技术系统的期望属性。在最简单的情况下，所述报酬函数可以例如针对在设定的未来时间段内所述技术系统的期望状态或所述技术系统的期望状态序列具有最大值。在下文中，假定该技术系统由具有离散时间步长的马尔可夫决策过程描述，其中状态空间S和A是连续的。
图2示出了用于为技术系统确定系统模型的方法的示意图。在根据图2的方法中，以表格11的形式示出了运行数据组，该运行数据组是根据第一程序点1提供的。所述运行数据组例如是对所述技术系统测量或检测预给定的持续时间而得到的。在此，s(t)表示所述技术系统的状态，a(t)表示为状态s(t)设定的动作，而r(t)表示针对状态s(t)下的动作a(t)实现的报酬。s(t+l)表示在动作a(t)之后从状态s(t)产生的状态。
基于当前的运行数据组，例如通过受到监视的机器学习一直对系统模型3进行适配，直到所测量的状态和使用系统模型3计算出的状态尽可能一致为止。每个动作at可以具有多个动作变量x0，x1，...，xI-1。因此，这些动作变量表示至少一个或多个调节参量。在处理块12中，现在将第一处理步骤13时的动作at应用于状态st。在此使用系统模型3。在第一处理步骤13时，确定随后产生的下一个状态st+1。此外，为状态st和状态st+1之间的过渡确定报酬rt。将报酬rt转发给求和块14。
此外，在第二处理步骤15时将动作at+1应用于状态st+1。在此再次使用系统模型3。在第二处理步骤15中，确定基于状态st+1和动作at+1而产生的状态st+2。此外，为第二处理步骤15确定报酬rt+1。将报酬rt+1输送给求和块14。
对于设定数量的状态st+(T-1)，用相应的处理步骤执行相应的动作at+2至at+T-1，确定相关的报酬rt+2到rt+T-1并转发给求和块14。在此分别使用系统模型3。
在求和块14中，对报酬rt，rt+1，...，rt+T-1求和，其中可以优选地使用加权因子
Figure 852961DEST_PATH_IMAGE001
。对于k=0，加权因子
Figure 520703DEST_PATH_IMAGE001
等于1，并且随着k的大小增大而减小。
Figure 658423DEST_PATH_IMAGE002
可以取0和1之间的值。通过这种方式可以实现，还在未来存在的更加不确定的状态对报酬总和的影响更小。在求和块14中确定的所述报酬总和可以用于优化所述模型，也就是说，用于优化在各自状态st+k下的动作at+k。为此，可以在迭代步骤中更改各个动作at。由此优化了轨迹。
在图1的第四程序点4中，处理来自第一程序点1的运行数据组和由第二程序点2基于所述运行数据组确定的系统模型。在第四程序点4处，基于所述运行数据组和所述系统模型，借助于特别是无梯度的优化过程，特别是借助于种群优化方法来确定改进的控制数据组5。根据所选择的实施方式，可以使用粒子群优化方法。
例如从WO 2015/043806 A1已知一种用于使用种群优化方法基于第一控制数据组确定第二控制数据组的方法。此外，Daniel Hein等人的“Reinforcement Learning withParticle Swarm Optimization Policy (PSO-P) in Continuous State and ActionSpaces”，International Journal of Swarm Intelligence Research，第7卷，第3期，2016年7月至9月，23至42页公开了种群优化方法。
图3示出了种群优化方法的示意图。示出具有运行数据组的第二表格17，该运行数据组例如是对所述技术系统检测或测量而得到的。在此，在一列中示出了在时刻t的状态s(t)，针对在时刻t的状态s(t)的动作a(t)，从中得到的在时刻t+1的状态s(t+l)，以及报酬r(t)。根据所选择的实施方式，也可以借助于该方法才确定报酬r(t)。
此外，设置了第二处理块12，其具有处理步骤13、15、16和求和块14。在处理步骤13、15、16中，使用在图2中确定的系统模型3以计算出从测量的状态和可能的动作中产生的状态和从中产生的报酬。附加地，确定适应度函数fst（x），其中动作向量x具有动作at，at+1至at+T-1。
在该方法中，根据种群优化方法迭代地改变状态变量的向量x，直到确定状态变量的以下向量x为止，该向量对于设定数量的动作来说具有最大的报酬总和，即具有最大适应度函数fst（x）。有关所描述方法的细节描述在Daniel Hein等人的文章“ReinforcementLearning with Particle Swarm Optimization Policy (PSO-P) in Continuous Stateand Action Spaces”，International Journal of Swarm Intelligence Research，第7卷，第3期，2016年7月至9月，23至42页中。
例如，相应地在第三表格18中将动作序列x按顺序用相关的适应度函数f(x)列出。
图4示出了根据图3的方法，其中在根据第三表格18确定最好的动作序列x之后，将最好的动作序列的状态s(t)和相关动作a(t)写入第四表格19中。
随后，在设定动作a(t)时，重新遍历根据图3的方法，并且在此过程中再次执行动作序列x的变化，其中动作a(t)保持不变。将基于该变化产生的最优动作序列x用于设定第二最优动作a(t+1)并将其写入第四表格19中。以这种方式创建第四表格19，在该第四表格中确定了针对状态s(t)至s(t+T-l)优化的动作a(t)至a(t+T-l)。接着将第四表格19作为第二控制数据组5传递到第五程序点6。
第五程序点6借助于选择方法基于第二控制数据组5确定设定数量的选择的参数，该设定数量的选择的参数比所述设定数量的其他参数能够更好地控制所述技术系统。
如上所述，可以在所述选择方法中使用多个方法之一。例如可以将具有参数的互信息的方法用于选择所述参数，如例如Jorge R. Vergara，Pablo A. Estévez在“A Reviewof Feature Selection Methods Based on Mutual Information”中所描述的那样。优选地，使用如前所述的自适应互信息的选择方法（AMIFS）。
因此，作为第五程序点6的结果，确定所述技术系统的预给定数量的更相关、即更重要的参数来用于优化控制。
接着借助于根据第七程序点8的基于模型的机器学习方法或借助于根据第八程序点9的无模型机器学习方法来处理更相关的参数7，以确定在第九程序点10处用于控制所述技术系统的控制方法。
例如，报酬函数（rt，rt+1，...）可以表示一种优化标准，例如燃气轮机中有害物质的尽可能低的排放量或风力涡轮机中尽可能高的发电量。但是，此外在确定所述报酬函数时也可以考虑其他优化标准。
例如，为了计算所述互信息，对于燃气涡轮机可以将以下参数用作类别：环境压力，环境温度，燃气涡轮机的温度，废气温度，阀门位置等。对于风力发电设备，也就是对于风力涡轮机，可以例如将以下参数用作类别：转子的转数，发电功率，转子叶片的迎角，转子的取向，一天中的时间，气压等。
图5以示意图示出了计算单元20，该计算单元经由控制线路与发电设备21的执行器22连接。此外，计算单元20经由传感器线路与传感器23连接。传感器23被构造用于检测发电设备21的参数，特别是运行参数和环境参数。计算单元20被构造为根据根据第九程序点10确定的控制方法来控制或调节所述发电设备。
尽管已经通过优选的实施例详细地图示和描述了本发明，但是本发明不受公开的示例的限制，并且本领域技术人员可以在不脱离本发明的范围的情况下从中导出其他变形。

Claims (8)

1.一种用于对技术系统、特别是发电设备进行计算机辅助控制以实现所述技术系统的预给定技术行为的方法，
其中提供用于控制所述系统的运行数据组，
其中提供用于描述所述技术系统的作用方式的系统模型，
其中基于所述运行数据组并且基于所述系统模型，使用优化方法确定优化数据组，
其中基于所述优化数据组，借助于选择方法选择所述技术系统的相关参数，所述相关参数与所述技术系统的其他参数相比使得能够对所述技术系统进行更有利的控制，
其中使用所选择的相关参数确定用于所述技术系统的控制方法，
其中借助于所述控制方法对所述技术系统进行控制。
2.根据权利要求1所述的方法，其中，所述选择方法是自适应互信息特征选择方法（AMIFS）。
3.根据前述权利要求中任一项所述的方法，其中，借助于基于模型的强化学习方法基于所选择的相关参数来确定所述控制方法。
4.根据权利要求1或2所述的方法，其中，借助于无模型的强化学习方法基于所选择的参数来确定所述控制方法。
5.根据前述权利要求中任一项所述的方法，其中，作为优化方法使用种群优化方法。
6.根据权利要求5所述的方法，其中，作为种群优化方法使用粒子群优化方法。
7.一种计算单元，其被构造为执行根据前述权利要求中任一项所述的方法。
8.一种计算机程序产品，其具有存储在机器可读载体上的程序代码，用于执行根据权利要求1至6中任一项所述的方法。
CN201880075694.1A 2017-11-24 2018-10-11 用于计算机辅助地控制技术系统的方法 Active CN111356959B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17203614.7 2017-11-24
EP17203614.7A EP3489773A1 (de) 2017-11-24 2017-11-24 Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage
PCT/EP2018/077663 WO2019101422A1 (de) 2017-11-24 2018-10-11 Verfahren zum rechnergestützten steuern eines technischen systems, insbesondere einer energieerzeugungsanlage

Publications (2)

Publication Number Publication Date
CN111356959A true CN111356959A (zh) 2020-06-30
CN111356959B CN111356959B (zh) 2024-05-28

Family

ID=60543355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880075694.1A Active CN111356959B (zh) 2017-11-24 2018-10-11 用于计算机辅助地控制技术系统的方法

Country Status (4)

Country Link
US (1) US11720069B2 (zh)
EP (1) EP3489773A1 (zh)
CN (1) CN111356959B (zh)
WO (1) WO2019101422A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210393A1 (de) 2021-09-20 2023-03-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines technischen Systems

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100070098A1 (en) * 2007-01-02 2010-03-18 Volkmar Sterzing Method for the computer-aided regulation and/or control of a technical system, especially a gas turbine
WO2010121695A1 (de) * 2009-04-22 2010-10-28 Powitec Intelligent Technologies Gmbh Regelsystem
CN102023570A (zh) * 2009-09-09 2011-04-20 西门子公司 用于计算机辅助地学习对技术系统的控制和/或调节的方法
CN104598654A (zh) * 2014-10-07 2015-05-06 芜湖扬宇机电技术开发有限公司 点火提前角预测系统及其方法
CN106485594A (zh) * 2016-05-10 2017-03-08 国网江苏省电力公司南京供电公司 一种主配网一体化事故响应决策方法
DE102016010796A1 (de) * 2016-09-09 2017-03-30 Daimler Ag Verfahren zur Kalibrierung eines Simulationsmodells zur Berechnung der Funktionalität einer Abgasnachbehandlungseinrichtung

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050192680A1 (en) * 2004-02-27 2005-09-01 Mark Cascia System and method for optimizing global set points in a building environmental management system
JP5832644B2 (ja) * 2011-06-03 2015-12-16 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
KR101920251B1 (ko) 2013-09-25 2018-11-20 지멘스 악티엔게젤샤프트 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법
DE102014212747A1 (de) * 2014-07-01 2016-01-07 Siemens Aktiengesellschaft Interaktives Assistenzsystem und Verfahren zur rechnergestützten Steuerungsoptimierung für ein technisches System
US9897984B2 (en) * 2014-08-05 2018-02-20 Mitsubishi Electric Research Laboratories, Inc. Model predictive control with uncertainties
US20160209031A1 (en) * 2015-01-20 2016-07-21 Alstom Technology Ltd Model-based controls for a furnace and method for controlling the furnace

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100070098A1 (en) * 2007-01-02 2010-03-18 Volkmar Sterzing Method for the computer-aided regulation and/or control of a technical system, especially a gas turbine
WO2010121695A1 (de) * 2009-04-22 2010-10-28 Powitec Intelligent Technologies Gmbh Regelsystem
CN102023570A (zh) * 2009-09-09 2011-04-20 西门子公司 用于计算机辅助地学习对技术系统的控制和/或调节的方法
CN104598654A (zh) * 2014-10-07 2015-05-06 芜湖扬宇机电技术开发有限公司 点火提前角预测系统及其方法
CN106485594A (zh) * 2016-05-10 2017-03-08 国网江苏省电力公司南京供电公司 一种主配网一体化事故响应决策方法
DE102016010796A1 (de) * 2016-09-09 2017-03-30 Daimler Ag Verfahren zur Kalibrierung eines Simulationsmodells zur Berechnung der Funktionalität einer Abgasnachbehandlungseinrichtung

Also Published As

Publication number Publication date
CN111356959B (zh) 2024-05-28
EP3489773A1 (de) 2019-05-29
US11720069B2 (en) 2023-08-08
WO2019101422A1 (de) 2019-05-31
US20200348631A1 (en) 2020-11-05

Similar Documents

Publication Publication Date Title
US20210383041A1 (en) In-situ thermodynamic model training
JP5832644B2 (ja) 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
JP5448841B2 (ja) 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および／または開ループ制御のための方法
CN109274314A (zh) 机器学习装置、伺服电动机控制装置、伺服电动机控制系统以及机器学习方法
JP5300739B2 (ja) コンピュータ支援によって技術システムを制御および／または調整する方法
GirirajKumar et al. PSO based tuning of a PID controller for a high performance drilling machine
CN108628355A (zh) 伺服控制装置及系统、机器学习装置及方法
JP6285466B2 (ja) 非線形プロセス用非線形コントローラの設計方法
JP7379833B2 (ja) 強化学習方法、強化学習プログラム、および強化学習システム
CN101566829A (zh) 针对技术系统的计算机辅助的开环和/或闭环控制的方法
US9952566B2 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
US20070135938A1 (en) Methods and systems for predictive modeling using a committee of models
CN113614743A (zh) 用于操控机器人的方法和设备
JP5698572B2 (ja) モデリング装置および該方法
JP2023106043A (ja) 運転支援装置、運転支援方法及びプログラム
CN111356959B (zh) 用于计算机辅助地控制技术系统的方法
CN116629137B (zh) 风电机组能效管理方法、装置及变桨通讯控制系统
JP5125875B2 (ja) Ｐｉｄコントローラのチューニング装置、ｐｉｄコントローラのチューニング用プログラムおよびｐｉｄコントローラのチューニング方法
CN110454322B (zh) 基于多变量动态矩阵的水轮机调速控制方法、装置及系统
Ruan et al. Human operator decision support for highly transient industrial processes: a reinforcement learning approach
CN115598979A (zh) 一种液压系统的模型参数辨识方法、装置及液压工程机械
JP2023023455A (ja) 学習装置、学習方法、および、学習プログラム、並びに、制御装置
JP7409345B2 (ja) 学習処理装置、制御装置、学習処理方法、制御方法、学習プログラムおよび制御プログラム
JP6904473B1 (ja) モデル作成支援装置、モデル作成支援方法及びプログラム
JP2020003893A (ja) ロバスト調整装置及びモデル作成方法

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