CN115115110A - 一种波浪发电装置模型预测控制方法、装置和电子设备 - Google Patents

一种波浪发电装置模型预测控制方法、装置和电子设备 Download PDF

Info

Publication number
CN115115110A
CN115115110A CN202210739886.6A CN202210739886A CN115115110A CN 115115110 A CN115115110 A CN 115115110A CN 202210739886 A CN202210739886 A CN 202210739886A CN 115115110 A CN115115110 A CN 115115110A
Authority
CN
China
Prior art keywords
moment
predicted value
time interval
time
system state
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.)
Pending
Application number
CN202210739886.6A
Other languages
English (en)
Inventor
肖曦
林泽川
黄宣睿
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210739886.6A priority Critical patent/CN115115110A/zh
Publication of CN115115110A publication Critical patent/CN115115110A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提供了一种波浪发电装置模型预测控制方法、装置和电子设备，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果。

Description

一种波浪发电装置模型预测控制方法、装置和电子设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种波浪发电装置模型预测控制方法、装置和电子设备。
背景技术
目前，传统的波浪发电模型预测控制方法需要设置足够长的预测区间(如至少2个波浪周期)才能够取得理想的能量提取效率，这就需要在每一时刻都求解一个高维度的优化问题，计算量较大，不利于实际控制器实现。
发明内容
为解决上述问题，本申请实施例的目的在于提供一种波浪发电装置模型预测控制方法、装置和电子设备。
第一方面，本申请实施例提供了一种波浪发电装置模型预测控制方法，包括：
获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
根据外推控制律、所述第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
第二方面，本申请实施例还提供了一种波浪发电装置模型预测控制装置，包括：
获取模块，用于获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
第一处理模块，用于根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
第二处理模块，用于根据外推控制律、所述第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
第三处理模块，用于利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
第四处理模块，用于利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面，本申请实施例还提供了一种电子设备，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本申请实施例上述第一方面至第四方面提供的方案中，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，与相关技术中需要较长的优化时间区间内的预测序列才可以得到理想的控制方案相比，利用外推时间区间代替一部分优化时间区间，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，就可以达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果，大大减小了计算量，易于控制器实现，提高了控制效率。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例1所提供的一种波浪发电装置模型预测控制方法的流程图；
图2示出了本申请实施例2所提供的一种波浪发电装置模型预测控制装置的结构示意图；
图3示出了本申请实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
目前，传统的波浪发电模型预测控制方法需要设置足够长的预测区间(如至少2个波浪周期)才能够取得理想的能量提取效率，这就需要在每一时刻都求解一个高维度的优化问题，计算量较大，不利于实际控制器实现。
基于此，本申请以下各实施例提出的波浪发电装置模型预测控制方法、装置和电子设备，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，就可以达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果，大大减小了计算量，易于控制器实现，提高了控制效率。
在执行本申请提出的波浪发电装置模型预测控制方法之前，需要先执行以下操作：
为了实现波浪发电装置模型预测控制方法，首先需要确定一些参数，主要包括优化时间区间N、外推时间区间M、以及外推控制律μ。这些参数按照如下流程选择：
(1)根据波浪发电装置的尺寸、电机参数等信息，确定波浪发电装置的最大运行范围，包括最大浮体位置zm和最大浮体速度vm，和最大辐射力子系统状态ξm；
(2)对任意的外推控制律μ(*)，按照如下方式选择其对应的外推区间长度M：M的取值应使得波浪发电装置从所述最大运行范围内任意系统状态出发并在μ控制下，在M步之内都进入稳态，并在满足上述条件下M应取尽可能小的数值；
(3)按照如下方式选择优化区间长度N：N的取值应尽可能长，同时保证在实际控制器上求解上述模型预测控制的优化问题所需要的时间小于所要求的控制更新周期；
(4)按照如下方式选择外推控制律μ：其控制形式选择为线性谐振控制，即：
μ(xi)＝-Rgvi+Kgzi,i＝k+N,…,k+N+M-1
其中，xi表示外推时间区间内各时刻的系统状态预测值；μ(xi)表示针对外推时间区间内各时刻的系统状态预测值的外推控制律控制推力；vi表示外推时间区间内各时刻的浮体速度；zi表示外推时间区间内各时刻的浮体位置；Rg表示电机等效阻尼系数；Kg表示电机等效弹性系数。
(5)按照如下方式选择Rg和Kg的数值：首先，根据实际海域情况得到波浪参数范围；然后，对Rg和Kg的数值进行搜索：在每组Rg和Kg数值下，按照上述步骤(1)至步骤(3)确定N和M数值，并进行数值仿真，得到上述波浪参数范围内的平均效率；最终，选择平均效率最高的Rg和Kg组合。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出的一种波浪发电装置模型预测控制方法的执行主体是波浪发电装置的控制器。
参见图1所示的波浪发电装置模型预测控制方法的流程图，一种波浪发电装置模型预测控制方法，包括以下具体步骤：
步骤100、获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间。
在上述步骤100中，在第k时刻，观测并获取当前系统状态xk，该状态包括：
xk＝[vk,zk,ξk]T
其中，vk为浮体速度，zk为浮体位置，ξk为辐射力子系统状态；观测该状态的方法为现有技术。同时获取波浪激励力预测值wk,wk+1,…,wk+N+M-1。
其中，wk,wk+1,…,wk+N-1分别为第k,…,k+N-1时刻的波浪激励力预测值，N为优化区间；wk+N,wk+N+1,…,wk+N+M-1分别为第k+N,…,k+N+M-1时刻的波浪激励力预测值，M为外推区间。这里预测区间长度为N+M，其中前N步区间为优化区间，指最终要求解的优化控制序列所在区间(最终要求解的是前N步控制序列)；后M步区间为外推区间，指在优化区间基础上，使用外推控制律进行进一步前向预测的区间(后M步的控制序列使用外推控制律来代替，从而不需要求解)。
步骤102、根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值。
在上述步骤102中，先按下式建立波浪发电系统的离散状态模型f(*)：
xk+1＝f(xk,uk,wk) (1)
式1中，xk+1为第k+1时刻系统状态预测值，xk为第k时刻系统状态，uk为第k时刻电机推力预测值，wk为第k时刻波浪激励力。该离散状态模型可以为线性或非线性的。建立该离散状态模型的方法为现有技术。
建立波浪发电系统输出能量模型如下：
Rk＝R(xk,uk,wk) (2)
式2中，Rk为从第k时刻到第k+1时刻之间系统输出能量，xk为第k时刻系统状态，uk为第k时刻电机推力，wk为第k时刻波浪激励力。
迭代地使用上述公式1的单步模型，可以得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值：
xk+1＝f(xk,uk,wk)
xk+2＝f(xk+1,uk+1,wk+1)
…
xk+N＝f(xk+N-1,uk+N-1,wk+N-1)
其中，xk+1,xk+2,…,xk+N表示k+1,k+2,…,k+N时刻的系统状态预测值，uk,uk+1,…,uk+n-1表示k,k+1,…,k+N-1时刻的任意预测控制序列，wk,wk+1,…,wk+N-1表示k,k+1,…,k+N-1时刻的波浪激励力预测值。
所述第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值，应满足如下条件：
-vmax≤vi≤vmax,i＝k+1,…,k+N
-zmax≤zi≤zmax,i＝k+1,…,k+N
-umax≤ui≤umax,i＝k,…,k+N-1
-dumax≤ui+1-ui≤dumax,i＝k,…,k+N-2
-pmax≤R(xi,ui,wi)≤pmax,i＝k,…,k+N-1
其中，vi为第i时刻的浮体速度，vmax为浮体速度最大值；zi为第i时刻浮体位置，zmax为浮体位置最大值；ui为第i时刻电机推力，umax为电机推力最大值；ui+1为第i+1时刻电机推力，dumax为电机推力变化率最大值；R(xi,ui,wi)为第i时刻系统输出能量，pmax为电机输出功率最大值。
所述浮体速度最大值、所述浮体位置最大值、所述电机推力最大值、所述电机推力变化率最大值、所述电机输出功率最大值，均预先缓存在所述控制器中。
上述第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测模型，提供了在给定初始状态xk、波浪激励力序列wk,wk+1,…,wk+N-1、和预测控制序列uk,uk+1,…,uk+N-1下，计算优化区间内系统状态预测值xk+1,xk+2,…,xk+N的方案。
步骤104、根据外推控制律、第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值。
在上述步骤104中，所述外推控制律满足以下公式3：
μ(xi)＝-Rgvi+Kgzi,i＝k+N,…,k+N+M-1 (3)
其中，xi表示外推时间区间内各时刻的系统状态预测值；μ(xi)表示外推时间区间内各时刻的外推控制律控制推力；vi表示外推时间区间内各时刻的浮体速度；zi表示外推时间区间内各时刻的浮体位置；Rg表示电机等效阻尼系数；Kg表示电机等效弹性系数。
所述电机等效阻尼系数，预先缓存在所述控制器中。
通过以上外推控制律，可以计算得到外推时间区间内各时刻的电机推力预测值。因此，所述外推时间区间内各时刻的电机推力预测值是已知量，而所述优化时间区间内各时刻的所述电机推力预测值是本方法的待求解量。
从系统状态xk+N出发，进一步迭代地使用公式1的单步模型，得到如下式所示的外推区间内的系统状态预测值：
xk+N+1＝f(xk+N,μ(xk+N),wk+N)
xk+N+2＝f(xk+N+1,μ(xk+N+1),wk+N+1)
…
xk+N+M＝f(xk+N+M-1,μ(uk+N+M-1),wk+N+M-1)
其中，xk+N+1,xk+N+2,…,xk+N+M为第k+N+1,k+N+2,…,k+N+M时刻的系统状态预测值，wk+N,wk+N+1,…,wk+N+M-1为第k+N,k+N+1,…,k+N+M-1时刻的波浪激励力预测值，μ(*)为外推控制律。
步骤106、利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标。
具体地，所述步骤106，包括以下具体步骤(1)至步骤(3)：
(1)利用所述优化时间区间内各时刻的系统状态、电机推力以及波浪激励力预测值，得到第一评价指标：
Figure BDA0003713620780000101
其中，E1表示第一评价指标；Ri表示所述优化时间区间内第i时刻输出能量；xi为第i时刻系统状态；ui为第i时刻电机推力预测值；wi为第i时刻波浪激励力；
(2)利用所述外推时间区间内各时刻的系统状态、电机推力以及波浪激励力预测值，得到第二评价指标：
Figure BDA0003713620780000102
其中，E2表示第二评价指标；xi表示第i时刻系统状态；ui表示第i时刻电机推力预测值，wi表示第i时刻波浪激励力；
(3)利用得到的所述第一评价指标和所述第二评价指标，得到优化评价指标E：
E＝E1+E2
通过以上的步骤100到步骤106的内容可以看出。对于优化区间内的任意控制预测控制序列uk,uk+1,…,uk+N-1，都可以按上述方法计算出其对应的总评价指标的数值，并考察其对应的总约束条件的满足情况。
这里，考虑一个优化问题：找到x的值，使得f(x)最大化，且满足g(x)<0。上述的过程所做的就是明确了函数f和g的具体表达式，也就是如何根据任意的x来计算f(x)和g(x)的数值，只有这样才能够求解x的最优值。结合到本实施例提出的波浪发电装置模型预测控制方法，x就是优化时间区间中各时刻的所述电机推力预测值，f就是总评价指标E，g就是如下约束条件：
-vmax≤vi≤vmax,i＝k+1,…,k+N
-zmax≤zi≤zmax,i＝k+1,…,k+N
-umax≤ui≤umax,i＝k,…,k+N-1
-dumax≤ui+1-ui≤dumax,i＝k,…,k+N-2
-pmax≤R(xi,ui,wi)≤pmax,i＝k,…,k+N-1
其中，vi为第i时刻的浮体速度，vmax为浮体速度最大值；zi为第i时刻浮体位置，zmax为浮体位置最大值；ui为第i时刻电机推力，umax为电机推力最大值；ui+1为第i+1时刻电机推力，dumax为电机推力变化率最大值；R(xi,ui,wi)为第i时刻系统输出能量，pmax为电机输出功率最大值。
步骤108、利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
这里，利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值的过程中，应该使优化评价指标E最大化且满足上述约束条件。
利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值的具体过程是现有技术，这里不再赘述。
综上所述，本实施例提出一种波浪发电装置模型预测控制方法，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，与相关技术中需要较长的优化时间区间内的预测序列才可以得到理想的控制方案相比，利用外推时间区间代替一部分优化时间区间，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，就可以达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果，大大减小了计算量，易于控制器实现，提高了控制效率。
实施例2
本实施例提出一种波浪发电装置模型预测控制装置，用于执行上述实施例1提出的波浪发电装置模型预测控制方法。
参见图2所示的一种波浪发电装置模型预测控制装置的结构示意图，本实施例提出一种波浪发电装置模型预测控制装置，包括：
获取模块200，用于获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
第一处理模块202，用于根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
第二处理模块204，用于根据外推控制律、第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
第三处理模块206，用于利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
第四处理模块208，用于利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
具体地，所述第一处理模块，用于根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值，包括：
xk+1＝f(xk,uk,wk)
xk+2＝f(xk+1,uk+1,wk+1)
…
xk+N＝f(xk+N-1,uk+N-1,wk+N-1)
其中，xk+1,xk+2,…,xk+N表示k+1,k+2,…,k+N时刻的系统状态预测值，uk,uk+1,…,uk+N-1表示k,k+1,…,k+N-1时刻的任意预测控制序列，wk,wk+1,…,wk+N-1表示k,k+1,…,k+N-1时刻的波浪激励力预测值。
综上所述，本实施例提出一种波浪发电装置模型预测控制装置，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，与相关技术中需要较长的优化时间区间内的预测序列才可以得到理想的控制方案相比，利用外推时间区间代替一部分优化时间区间，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，就可以达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果，大大减小了计算量，易于控制器实现，提高了控制效率。
实施例3
本实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例1描述的波浪发电装置模型预测控制方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(5)：
(1)获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
(2)根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
(3)根据外推控制律、所述第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
(4)利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
(5)利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构(用总线51来代表)，总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本申请实施例中的存储器55可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出一种计算机可读存储介质和电子设备，将预测的时间区间划分为优化时间区间和外推时间区间，设定在外推时间区间中利用计算得到的外推时间区间内各时刻的外推控制律控制推力来进行控制，并根据外推时间区间内各时刻的系统状态预测值、电机推力预测值以及波浪激励力预测值这些运行信息，结合优化时间区间内的各时刻的系统状态以及波浪激励力预测值的运行信息，对所述预测控制序列进行处理，得到所述优化时间区间内各时刻的电机推力，与相关技术中需要较长的优化时间区间内的预测序列才可以得到理想的控制方案相比，利用外推时间区间代替一部分优化时间区间，从而使用较短的优化时间区间内的预测序列就可以得到理想的控制方案，就可以达到与利用较长的优化时间区间的预测序列得到的控制方案相同的控制效果，大大减小了计算量，易于控制器实现，提高了控制效率。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种波浪发电装置模型预测控制方法，其特征在于，包括：
获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
根据外推控制律、第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值，包括：
xk+1＝f(xk,uk,wk)
xk+2＝f(xk+1,uk+1,wk+1)
…
xk+N＝f(xk+N-1,uk+N-1,wk+N-1)
其中，xk+1,xk+2,…,xk+N表示k+1,k+2,…,k+N时刻的系统状态预测值，uk,uk+1,…,uk+N-1表示k,k+1,…,k+N-1时刻的任意预测控制序列，wk,wk+1,…,wk+N-1表示k,k+1,…,k+N-1时刻的波浪激励力预测值。
3.根据权利要求1所述的方法，其特征在于，所述外推控制律，包括：
所述外推控制律满足以下公式：
μ(xi)＝-Rgvi+Kgzi,i＝k+N,…,k+N+M-1
其中，xi表示外推时间区间内各时刻的系统状态预测值；μ(xi)表示外推时间区间内各时刻的系统状态预测值的外推控制律控制推力；vi表示外推时间区间内各时刻的浮体速度；zi表示外推时间区间内各时刻的浮体位置；Rg表示电机等效阻尼系数；Kg表示电机等效弹性系数。
4.根据权利要求3所述的方法，其特征在于，所述根据外推控制律、所述第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值，包括：
xk+N+1＝f(xk+N,μ(xk+N),wk+N)
xk+N+2＝f(xk+N+1,μ(xk+N+1),wk+N+1)
…
xk+N+M＝f(xk+N+M-1,μ(uk+N+M-1),wk+N+M-1)
其中，xk+N+1,xk+N+2,…,xk+N+M表示k+N+1,k+N+2,…,k+N+M时刻的系统状态预测值，wk+N,wk+N+1,…,wk+N+M-1表示k+N,k+N+1,…,k+N+M-1时刻的波浪激励力预测值。
5.根据权利要求1所述的方法，其特征在于，所述利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标，包括：
利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到第一评价指标：
Figure FDA0003713620770000031
其中，E1表示第一评价指标；Ri表示所述优化时间区间内第i时刻输出能量；xi为第i时刻系统状态；ui为第i时刻电机推力预测值；wi为第i时刻波浪激励力；
利用所述外推时间区间内各时刻的系统状态、电机推力预测值与车子以及波浪激励力预测值，得到第二评价指标：
Figure FDA0003713620770000032
其中，E2表示第二评价指标；xi表示第i时刻系统状态，ui表示第i时刻电机推力预测值；wi表示第i时刻波浪激励力；
利用得到的所述第一评价指标和所述第二评价指标，得到优化评价指标E：
E＝E1+E2。
6.根据权利要求2所述的方法，其特征在于，所述第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值，应满足如下条件：
-vmax≤vi≤vmax,i＝k+1,…,k+N
-zmax≤zi≤zmax,i＝k+1,…,k+N
-umax≤ui≤umax,i＝k,…,k+N-1
-dumax≤ui+1-ui≤dumax,i＝k,…,k+N-2
-pmax≤R(xi,ui,wi)≤pmax,i＝k,…,k+N-1
其中，vi为第i时刻的浮体速度，vmax为浮体速度最大值；zi为第i时刻浮体位置，zmax为浮体位置最大值；ui为第i时刻电机推力，umax为电机推力最大值；ui+1为第i+1时刻电机推力，dumax为电机推力变化率最大值；R(xi,ui,wi)为第i时刻系统输出能量，pmax为电机输出功率最大值。
7.一种波浪发电装置模型预测控制装置，其特征在于，包括：
获取模块，用于获取第k时刻的所述波浪发电装置的系统状态和从第k时刻到第k+N+M-1时刻中各时刻的波浪激励力预测值；其中，第k时刻到第k+N-1时刻为优化时间区间；第k+N时刻到第k+N+M-1时刻为外推时间区间；
第一处理模块，用于根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值；
第二处理模块，用于根据外推控制律、第k+N到第k+M+N-1时刻中各时刻的波浪激励力预测值、以及所得到的第k+N时刻的系统状态预测值，得到所述外推时间区间内各时刻的系统状态预测值和所述外推时间区间内各时刻的电机推力预测值；
第三处理模块，用于利用所述优化时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，以及所述外推时间区间内各时刻的系统状态、电机推力预测值以及波浪激励力预测值，得到优化评价指标；
第四处理模块，用于利用优化算法，对所述优化时间区间内各时刻的所述电机推力预测值进行处理，得到所述优化时间区间内各时刻的最优电机推力预测值。
8.根据权利要求7所述的装置，其特征在于，所述第一处理模块，用于根据获取到的第k时刻的所述波浪发电装置的系统状态、从第k时刻到第k+N-1时刻中各时刻的波浪激励力预测值和从第k时刻到第k+N-1时刻中各时刻的电机推力预测值，得到第k+1时刻到第k+N时刻的波浪发电系统的系统状态预测值，包括：
xk+1＝f(xk,uk,wk)
xk+2＝f(xk+1,uk+1,wk+1)
…
xk+N＝f(xk+N-1,uk+N-1,wk+N-1)
其中，xk+1,xk+2,…,xk+N表示k+1,k+2,…,k+N时刻的系统状态预测值，uk,uk+1,…,uk+N-1表示k,k+1,…,k+N-1时刻的任意预测控制序列，wk,wk+1,…,wk+N-1表示k,k+1,…,k+N-1时刻的波浪激励力预测值。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-6任一项所述的方法的步骤。
10.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-6任一项所述的方法的步骤。
CN202210739886.6A 2022-06-24 2022-06-24 一种波浪发电装置模型预测控制方法、装置和电子设备 Pending CN115115110A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739886.6A CN115115110A (zh) 2022-06-24 2022-06-24 一种波浪发电装置模型预测控制方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739886.6A CN115115110A (zh) 2022-06-24 2022-06-24 一种波浪发电装置模型预测控制方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN115115110A true CN115115110A (zh) 2022-09-27

Family

ID=83330131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739886.6A Pending CN115115110A (zh) 2022-06-24 2022-06-24 一种波浪发电装置模型预测控制方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN115115110A (zh)

Similar Documents

Publication Publication Date Title
Jensen et al. Implementation of an adaptive meta-model for Bayesian finite element model updating in time domain
Safaeian Hamzehkolaei et al. An enhanced simulation-based design method coupled with meta-heuristic search algorithm for accurate reliability-based design optimization
US20090164178A1 (en) Crashworthiness design methodology using a hybrid cellular automata algorithm for the synthesis of topologies for structures subject to nonlinear transient loading
Li et al. High-dimensional reliability-based design optimization involving highly nonlinear constraints and computationally expensive simulations
CN112861362B (zh) 一种基于整车油耗的动力总成性能参数优化方法和装置
Steltzner et al. Input force estimation using an inverse structural filter
JP6902487B2 (ja) 機械学習システム
CN115115110A (zh) 一种波浪发电装置模型预测控制方法、装置和电子设备
CN105677936A (zh) 机电复合传动系统需求转矩的自适应递归多步预测方法
CN116404631A (zh) 一种电网负荷预测方法、装置和电子设备
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN116011071A (zh) 基于主动学习的空中造楼机结构可靠性分析方法及系统
CN115076019B (zh) 一种用于波浪发电装置的控制方法、装置和电子设备
US20220067517A1 (en) Artificial neural network
CN112734125A (zh) 一种光伏出力预测方法、装置和电子设备
Mueller Real-time hybrid simulation with online model updating
CN113449863A (zh) 一种基于查表的神经网络量化方法
CN113064349A (zh) 固定时间收敛的非线性平台滑模控制方法、装置及系统
CN117112236B (zh) 基于数据涌流及波动性预测的辖区服务器配置方法及系统
CN116720280A (zh) 一种电机运行路径设计方法、系统及电子设备
CN115270515B (zh) 基于边界面模型的土体状态数据预测方法、装置和设备
US20230206094A1 (en) Inferring device, inferring method and non-transitory computer readable medium
CN115114819B (zh) 基于adaboost算法的平面编织面板蜂窝夹芯结构的失效面模拟方法
US20220253578A1 (en) Converting implicit dynamic models into explicit dynamic models
Liu et al. Gray-and Black-Box Modeling of Ships and Wave Energy Converters Based on Bayesian Regression

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