CN115860450A - 一种基于状态空间模型的预测控制方法、装置及介质 - Google Patents
一种基于状态空间模型的预测控制方法、装置及介质 Download PDFInfo
- Publication number
- CN115860450A CN115860450A CN202211564654.8A CN202211564654A CN115860450A CN 115860450 A CN115860450 A CN 115860450A CN 202211564654 A CN202211564654 A CN 202211564654A CN 115860450 A CN115860450 A CN 115860450A
- Authority
- CN
- China
- Prior art keywords
- model
- output
- prediction
- historical
- space model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000012994 industrial processing Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 17
- 239000007788 liquid Substances 0.000 description 8
- 239000012071 phase Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000009835 boiling Methods 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- TYJJADVDDVDEDZ-UHFFFAOYSA-M potassium hydrogencarbonate Chemical compound [K+].OC([O-])=O TYJJADVDDVDEDZ-UHFFFAOYSA-M 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请公开了一种基于状态空间模型的预测控制方法、装置及介质,涉及流程工业生产加工技术领域,为了缩短预测周期,本申请根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;根据预测输入数据对被控对象进行设置;一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,对被控对象进行控制,计算量大幅度减小,缩短预测周期。
Description
技术领域
本申请涉及流程工业生产加工技术领域,特别是涉及一种基于状态空间模型的预测控制方法、装置及介质。
背景技术
随着科学技术的飞速发展,在实现工业大型化、高集成度和高效化,减少能源消耗,提高生产质量的过程中,导致生产单元、转置乃至流程中所涉及的系统、过程控制对象更加复杂、强耦合更多约束条件,更多的目标优化。为追求更大的经济效益和社会效益,对控制技术水平与性能的要求越来越高。
精馏塔是进行精馏的一种塔式汽液接触装置,在石化、炼油工业中得到大量的应用。其原理是:蒸汽由塔底进入,蒸发出的气相与下降液进行逆流接触,两相接触中,下降液中的易挥发(低沸点)组分不断地向气相中转移,气相中的难挥发(高沸点)组分不断地向下降液中转移,气相愈接近塔顶,其易挥发组分浓度愈高,而下降液愈接近塔底,其难挥发组分则愈富集,从而达到组分分离的目的。在精馏塔的运行过程中,温度、液位、压力、流量参数对分离起着至关重要的作用,由于精馏塔应用的广泛性,对精馏塔的产品质量预测具有十分重要的意义,通过对精馏塔的产品质量进行预测,可以及时进行控制与优化,使其能够操作平稳,提高产品合格率,减少高价值组分在低价值产品中的流失。
模型预测控制(Model Predictive Control,MPC)由于在复杂多变量系统上具有出色的约束优化控制能力,因此在石油,化工等过程领域中获得了广泛的应用。本质上,MPC的约束优化控制能力主要产生于在线求解带约束的二次规划(Quadratic Programming,QP)问题。二次规划的传统数值求解算法虽然适用范围广,但是大多涉及矩阵求逆、分解等操作,因此实时性较低,使得MPC模型存储数据过大导致算法计算超时,控制周期长。
由此可见,提供一种缩短预测周期的预测控制方法,是本领域人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种缩短预测周期的基于状态空间模型的预测控制方法。
为解决上述技术问题,本申请提供一种基于状态空间模型的预测控制方法,包括:
获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;
根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;
根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;
根据预测输入数据对被控对象进行设置。
优选地,上述基于状态空间模型的预测控制方法中,历史输入数据包括:控制输入向量与输入可测扰动向量。
优选地,上述基于状态空间模型的预测控制方法中,根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型之后,还包括:
根据历史输入数据与历史输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中。
优选地,上述基于状态空间模型的预测控制方法中,根据输入数据与输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中之后,还包括:
通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值。
优选地,上述基于状态空间模型的预测控制方法中,通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值之后,还包括:
将预测输出模型转换为带约束的二次规划问题,得到目标函数;
根据预设约束条件对目标函数求解,得到目标控制序列;
对应地,根据预测输入数据对被控对象进行设置,包括:
根据目标控制序列对被控对象进行设置。
优选地,上述基于状态空间模型的预测控制方法中,根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型,包括:
根据控制输入向量、输入可测扰动向量建立中间状态空间模型、预测输出模型,中间状态空间模型如下:
x(k+1)=Ax(k)+Buu(k)+Bvv(k)
预测输出模型如下:
y(k)=Cx(k)+Duu(k)+Dvv(k)
式中,x表示被控对象的中间状态向量,维数为n;u表示被控对象的控制输入向量,维数为nu;v表示的是被控对象的输入可测扰动向量,维数为nv;y表示被控对象的输出向量,维数为ny;k表示时刻,A、Bu、Bv、C、Du、Dv为已知实常系数系统矩阵,其中,
优选地,上述基于状态空间模型的预测控制方法中,根据历史输入数据与历史输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中,包括:
当控制输入向量的维数nu小于被控对象的输出向量维数ny时,对中间状态空间模型与预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
当控制输入向量的维数nu小于被控对象的输出向量维数ny时,对中间状态空间模型与预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
为解决上述技术问题,本申请还提供一种基于状态空间模型的预测控制装置,包括:
获取模块,用于获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;
建立模块,用于根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;
预测模块,用于根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;
设置模块,用于根据预测输入数据对被控对象进行设置;其中,历史输入数据、历史输出数据为多维度向量。
为解决上述技术问题,本申请还提供一种基于状态空间模型的预测控制装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现上述的基于状态空间模型的预测控制方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的基于状态空间模型的预测控制方法的步骤。
本申请所提供的基于状态空间模型的预测控制方法,获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;根据预测输入数据对被控对象进行设置。一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,计算量大幅度减小,缩短预测周期,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
另外,本申请还提供一种装置及介质,与上述方法对应,效果同上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本申请实施例提供的一种基于状态空间模型的预测控制方法的流程图;
图2为本申请实施例提供的一种基于状态空间模型的预测控制装置的结构图;
图3为本申请实施例提供的另一种基于状态空间模型的预测控制装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种基于状态空间模型的预测控制方法、装置及介质。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
精馏塔是进行精馏的一种塔式气液接触装置。利用混合物中各组分具有不同的挥发度,即在同一温度下各组分的蒸气压不同这一性质,使液相中的轻组分(低沸物)转移到气相中,而气相中的重组分(高沸物)转移到液相中,从而实现分离的目的。精馏塔也是石油化工生产中应用极为广泛的一种传质传热装置。由于精馏塔应用的广泛性,对精馏塔的控制与优化就具有十分重要的意义。通过对精馏塔的控制与优化,使其能够操作平稳,提高产品合格率,减少高价值组分在低价值产品中的流失,同时节能降耗,减少再沸器的热负荷。因此,对精馏塔的控制与优化就具有较高的经济效益。
模型预测控制由于在复杂多变量系统上具有出色的约束优化控制能力,因此在石油,化工等过程领域中获得了广泛的应用。本质上,MPC的约束优化控制能力主要产生于在线求解带约束的二次规划问题。二次规划的传统数值求解算法虽然适用范围广,但是大多涉及矩阵求逆、分解等操作,因此实时性较低,使得MPC模型存储数据过大导致算法计算超时,控制周期长。
本申请应用于精馏塔、分馏塔等流程工业生产加工技术场景中,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
为解决上述技术问题,本申请提供一种基于状态空间模型的预测控制方法,如图1所示,包括:
S11:获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;
S12:根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;
S13:根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;
S14:根据预测输入数据对被控对象进行设置。
本实施例中,获取被控对象的历史输入数据、历史输出数据;这里的被控对象可以指的是精馏塔,输入数据指的是由人为设置的可控参数或者一些可测的扰动量,例如回流比;塔顶温度、压力;进料温度,组分组成;塔底再沸器回流温度,组分组成;整体塔的塔板数;中间循环回流及抽出物料等。输出数据指的是被动的可检测的数据,输入数据的变化会导致输出数据的变化,例如产品组成、产品速度、化学焓、热量等参数。
状态空间模型是动态时域模型,以隐含着的时间为自变量。状态空间模型在经济时间序列分析中的应用正在迅速增加。状态空间模型存储数据量更小,模型更加轻量化。
在本实施例中,历史输入数据、历史输出数据为多维度矩阵,是包括时间节点的数据集,根据历史输入数据建立中间状态空间模型,即通过分析历史输入数据之间的关系,建立起一个被控对象的输入数据的中间状态空间模型。建立状态空间模型,有多种方法可以用来建立状态空间模型,例如,差分方程法和Z传递函数法。根据中间状态空间模型与历史输入数据、历史输出数据建立预测输出模型。
使用建立的中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据,这里提到的预设输出参数指的是根据当前需求设置的目标参数,通过中间状态空间模型、预测输出模型得到预测输入数据,再根据预测输入数据对被控对象进行设置,则会使被控对象输出目标参数。
优选地,历史输入数据包括:控制输入向量与输入可测扰动向量。
在生产过程,存在一些不可控但可测的输入数据,例如进料流量,通过测量作为输入可测扰动向量数据参与中间状态空间模型、预测输出模型的建立。
优选地,根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型,包括:
根据控制输入向量、输入可测扰动向量建立中间状态空间模型、预测输出模型,中间状态空间模型如下:
x(k+1)=Ax(k)+Buu(k)+Bvv(k)
预测输出模型如下:
y(k)=Cx(k)+Duu(k)+Dvv(k)
式中,x表示被控对象的中间状态向量,维数为n;u表示被控对象的控制输入向量,维数为nu;v表示的是被控对象的输入可测扰动向量,维数为nv;y表示被控对象的输出向量,维数为ny;k表示时刻;A、Bu、Bv、C、Du、Dv为已知实常系数系统矩阵,其中,
通过本申请提供的基于状态空间模型的预测控制方法,包括:获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;根据预测输入数据对被控对象进行设置。一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,计算量大幅度减小,缩短预测周期,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
根据上述实施例,本申请实施例提供一种优化方案,基于状态空间模型的预测控制方法,根据中间状态空间模型与历史输入数据、历史输出数据建立预测输出模型之后,还包括:
根据历史输入数据与历史输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中。
在多变量系统中,控制量MV、CV输入个数不定,操作变量(Manipulated Variable,MV)为输入数据、被控变量(Controlled Varible,CV)为输出数据,这两者的大小会影响状态估计的效果,为实现MPC控制器优化求解,对模型进行扩展,将不可测干扰量包括在中间状态变量中,以减小由于输入输出数据量的差异带来的误差。
本实施例提供一种具体的实施方案,
根据历史输入数据与历史输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中,包括:
当控制输入向量的维数nu小于被控对象的输出向量维数ny时,对中间状态空间模型与预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
当控制输入向量的维数nu小于被控对象的输出向量维数ny时,对中间状态空间模型与预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
通过对模型的扩展,将不可测干扰量包括在中间状态变量中,使模型抗扰性能提升,能对扰动进行估计。
根据上述实施例,本申请实施例提供一种优化方案,根据输入数据与输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中之后,还包括:
通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值。
在实际工业现场中,输入随机信号、输出随机信号、测量噪声模型都不能准确得到,一般都是通过观测器进行不可测部分的估计,而且现场的模型一般都是非线性对象,所以,一般都会采用扩展卡尔曼滤波(Kalman Filter)器实现对状态向量的估计。
优选地,通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值如下:
其中,
其中,x(k-1)表示k-1时刻的控制器状态,表示用k-1时刻的控制器状态估计的k时刻的观测器状态;/>表示k时刻的输出估计值;y(k)表示k时刻的实际输出测量值;Kk表示k时刻的状态补偿增益矩阵;Pk表示k时刻的状态协方差矩阵;Q表示预测模型输入状态噪声协方差矩阵;R表示预测模型输出测量噪声协方差矩阵。
采用观测器可预测输出,对不稳定系统进行控制,适用性强,采用观测器进行对状态进行观测,可以解决由于模型误差,不可测扰动等因素导致的预测误差,然后通过Kalman观测器补偿,更加适应实际现场的复杂性,控制器鲁棒性能更强。
本申请实施例提供一种优选方案,基于状态空间模型的预测控制方法,通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值之后,还包括:
将预测输出模型转换为带约束的二次规划问题,得到目标函数;
根据预设约束条件对目标函数求解,得到目标控制序列;
对应地,根据预测输入数据对被控对象进行设置,包括:
根据目标控制序列对被控对象进行设置。
模型预测控制又称为滚动时域控制,是近年来被广泛讨论的一种反馈控制策略,在工业实践过程中发展起来的一种有效的控制方法。模型预测控制算法基于控制系统模型预测未来时刻内控制系统的输出,并通过求解带有约束条件的最优控制问题,使控制系统在未来一段时间内的跟踪误差最小,具有鲁棒性强的特点。模型预测控制算法具备预测模型、滚动优化和反馈校正基本特征,能够有效处理多个优化目标以及系统约束问题,并能及时弥补模型失配、时变、干扰等引起的不确定性等,适合于无人车辆的轨迹跟踪控制,
尤其对于高速、低附着等极限工况下的跟踪控制具有很大的优势。模型预测控制算法的本质是:在每个控制周期内,得到一组控制序列,使得目标函数最小,将最终优化问题转换为一个带有约束的二次规划(Quadratic Programming,QP)问题的优化求解。利用序列二次规划算法对目标函数求解,得到目标控制序列,根据目标控制序列对被控对象进行控制与优化,使其能够操作平稳,提高产品合格率。
具体地,
(1)进行QP问题求解矩阵的具体转换,定义MPC控制算法损失函数如下:
min J(zk)=Jy(zk)+Ju(zk)+JΔu(zk)
st.
yj,min(i)≤yj(k+i|k)≤yj,max(i),i=1:p,j=1:ny
uj,min(i)≤uj(k+i-1|k)≤uj,max(i),i=1:p,j=1:nu
Δuj,min(i)≤Δuj(k+i-1|k)≤Δuj,max(i),i=1:p,j=1:nu
其中,zk表示QP问题的决策向量。
其中,其它分目标函数的含义和实现形式如下:
Jy(zk)表示的是设定值跟踪的目标函数,其实现形式如下:
其中,各参数含义如下:k表示当前的控制间隔;p表示预测时域;ny表示被控对象的输出个数;zk表示QP决策向量,其表示形式如下:
ej(k+i|k)表示的是第k个时刻,预测的第i步长的第j个输出的偏差,该偏差的求解表示见步骤(2)。
(2)对于区间要求的其中/>分别是输出变量的区间上下限,为了消除模型失配、干扰等因素对控制系统的影响,我们采用模型输出与实际系统输出之差进行修正。那么第j个输出变量在k+j时刻的跟踪误差ej(k+i|k)定义为:
(3)对于状态变量估计值中Ju(zk)函数是用于实现控制量跟踪的目标函数,我们对其表示形式如下所示:
其中,k表示当前的控制间隔;p表示预测时域;nu表示被控对象的输出个数;zk表示QP决策向量,其表示形式如下:
uj,ta(k+i|k)表示在第k个控制周期,第i步预测步长的第j个控制量的目标MV值;
(4)对于状态变量估计值中JΔu(zk)是用于实现MV增量最小的目标函数,我们对其表示形式如下所示:
其中,k表示当前的控制间隔;p表示预测时域;nu表示被控对象的输出个数;zk表示QP决策向量,其表示形式如下:
(5)对上述偏差式zk进行转换,因为其偏差项的表示是非光滑的,无法直接使用QP求解算法直接求解。通过分析第一项偏差的求解原理,我们可以得出以下结论:
ej(k+i|k)是满足下面表示关系的最小εj:
εj≥0
在输出变量违反区间控制要求时,直接将输出变量校正回区间内,可能会产生大幅度超调,并可能导致系统长时间振荡。为避免此问题,减缓控制作用,可以建立相应的区间轨迹,使被控变量沿着区间轨迹逐步趋向区间。因此,上面的约束条件修改为如下所示:
εj≥0
(6)进一步进行转换,则上面的最优求解问题,可以转换为一个标准的QP求解问题,如下所示:
min J(zk)=Jy(zk)+Ju(zk)+JΔu(zk)
st.
uj,min(i)≤uj(k+i-1|k)≤uj,max(i),i=1:p,j=1:nu
Δuj,min(i)≤Δuj(k+i-1|k)≤Δuj,max(i),i=1:p,j=1:nu
εj≥0,j=1:ny
其中,zk表示QP决策向量,其表示形式如下:
Jy(zk)的表示形式如下所示:
其它几项的求解与原定义的优化求解问题表述一样,就将一个非光滑的优化问题转化为一个标准的光滑问题,就可以采用QP求解算法进行求解,接下来则是对上面问题进行具体公式的推导。
令时间步数为0,则对于未来p步的预测值的求解,可以采用以下公式求解:
通过如上公式可基于需求,设置时刻,并求解未来时刻的预测输入值。
求解矩阵为:
进行进一步推导得:
代入相关公式,可以得到约束条件的矩阵表示形式如下:
其中,矩阵Mz,Mε,Mlim,Mv,Mu,以及Mx都是基于对象的约束条件计算得到。
在上述实施例中,对于基于状态空间模型的预测控制方法进行了详细描述,本申请还提供基于状态空间模型的预测控制装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
基于功能模块的角度,图2为本申请实施例提供的一种基于状态空间模型的预测控制装置的结构图,如图2所示,基于状态空间模型的预测控制装置,包括:
获取模块21,用于获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;
建立模块22,用于根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;
预测模块23,用于根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;
设置模块24,用于根据预测输入数据对被控对象进行设置;其中,历史输入数据、历史输出数据为多维度向量。
具体地,获取模块21获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;建立模块22根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;预测模块23根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;设置模块24根据预测输入数据对被控对象进行设置;其中,历史输入数据、历史输出数据为多维度向量。一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,计算量大幅度减小,缩短预测周期,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
另外,装置还包括:
扩展模块,用于根据历史输入数据与历史输出数据的数量值,对中间状态空间模型与预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中。
估计模块,用于通过Kalman滤波算法对扩展后的中间状态空间模型与预测输出模型中的各个状态变量进行估计,得到状态变量估计值。
约束模块,用于将预测输出模型转换为带约束的二次规划问题,得到目标函数;
求解模块,用于根据预设约束条件对目标函数求解,得到目标控制序列;
设置模块还用于根据目标控制序列对被控对象进行设置。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图3为本申请实施例提供的另一种基于状态空间模型的预测控制装置的结构图,如图3所示,基于状态空间模型的预测控制装置包括:存储器30,用于存储计算机程序;
处理器31,用于执行计算机程序时实现如上述实施例(基于状态空间模型的预测控制方法)获取用户操作习惯信息的方法的步骤。
本实施例提供的基于状态空间模型的预测控制装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器31可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器31可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器31可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器31还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器30可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器30至少用于存储以下计算机程序301,其中,该计算机程序被处理器31加载并执行之后,能够实现前述任一实施例公开的基于状态空间模型的预测控制方法的相关步骤。另外,存储器30所存储的资源还可以包括操作系统302和数据303等,存储方式可以是短暂存储或者永久存储。其中,操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于实现基于状态空间模型的预测控制方法所涉及到的数据等。
在一些实施例中,基于状态空间模型的预测控制装置还可包括有显示屏32、输入输出接口33、通信接口34、电源35以及通信总线36。
本领域技术人员可以理解,图3中示出的结构并不构成对基于状态空间模型的预测控制装置的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的基于状态空间模型的预测控制装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:基于状态空间模型的预测控制方法,获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;根据预测输入数据对被控对象进行设置。一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,计算量大幅度减小,缩短预测周期,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述基于状态空间模型的预测控制方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的计算机可读存储介质,其上存储有计算机程序,当处理器执行该程序时,可实现以下方法:基于状态空间模型的预测控制方法,获取被控对象的历史输入数据、历史输出数据,其中,历史输入数据、历史输出数据为多维度矩阵;根据历史输入数据、历史输出数据建立中间状态空间模型、预测输出模型;根据中间状态空间模型、预测输出模型与预设输出参数,得到预测输入数据;根据预测输入数据对被控对象进行设置。一个多维度的输出数据包括当前被控对象的全部需检测的输出数据,通过中间状态空间模型、预测输出模型可得到一个多维度向量的预设输出参数对应的一个多维度向量的预测输入数据,不需要每一个输出参数都对应一个包含多个输入参数的求解计算,计算量大幅度减小,缩短预测周期,通过对被控对象的预测分析,进行控制与优化,使其能够操作平稳,提高产品合格率。
以上对本申请所提供的基于状态空间模型的预测控制方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于状态空间模型的预测控制方法,其特征在于,包括:
获取被控对象的历史输入数据、历史输出数据,其中,所述历史输入数据、所述历史输出数据为多维度矩阵;
根据所述历史输入数据、所述历史输出数据建立中间状态空间模型、预测输出模型;
根据所述中间状态空间模型、所述预测输出模型与预设输出参数,得到预测输入数据;
根据所述预测输入数据对所述被控对象进行设置。
2.根据权利要求1所述的基于状态空间模型的预测控制方法,其特征在于,所述历史输入数据包括:控制输入向量与输入可测扰动向量。
3.根据权利要求2所述的基于状态空间模型的预测控制方法,其特征在于,所述根据所述历史输入数据、所述历史输出数据建立中间状态空间模型、预测输出模型之后,还包括:
根据所述历史输入数据与所述历史输出数据的数量值,对所述中间状态空间模型与所述预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中。
4.根据权利要求3所述的基于状态空间模型的预测控制方法,其特征在于,所述根据输入数据与输出数据的数量值,对所述中间状态空间模型与所述预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中之后,还包括:
通过Kalman滤波算法对扩展后的所述中间状态空间模型与所述预测输出模型中的各个状态变量进行估计,得到状态变量估计值。
5.根据权利要求4所述的基于状态空间模型的预测控制方法,其特征在于,所述通过Kalman滤波算法对扩展后的所述中间状态空间模型与所述预测输出模型中的各个状态变量进行估计,得到状态变量估计值之后,还包括:
将所述预测输出模型转换为带约束的二次规划问题,得到目标函数;
根据预设约束条件对所述目标函数求解,得到目标控制序列;
对应地,所述根据所述预测输入数据对所述被控对象进行设置,包括:
根据所述目标控制序列对所述被控对象进行设置。
6.根据权利要求3所述的基于状态空间模型的预测控制方法,其特征在于,所述根据所述历史输入数据、所述历史输出数据建立中间状态空间模型、预测输出模型,包括:
根据所述控制输入向量、所述输入可测扰动向量建立中间状态空间模型、预测输出模型,所述中间状态空间模型如下:
x(k+1)=Ax(k)+Buu(k)+Bvv(k)
所述预测输出模型如下:
y(k)=Cx(k)+Duu(k)+Dvv(k)
7.根据权利要求6所述的基于状态空间模型的预测控制方法,其特征在于,所述根据所述历史输入数据与所述历史输出数据的数量值,对所述中间状态空间模型与所述预测输出模型进行扩展,将不可测干扰量包括在中间状态变量中,包括:
当所述控制输入向量的维数nu小于所述被控对象的输出向量维数ny时,对所述中间状态空间模型与所述预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
当所述控制输入向量的维数nu小于所述被控对象的输出向量维数ny时,对所述中间状态空间模型与所述预测输出模型采用输入扩展方式进行扩展,扩展后的扩展中间状态空间模型与扩展预测输出模型如下:
8.一种基于状态空间模型的预测控制装置,其特征在于,包括:
获取模块,用于获取被控对象的历史输入数据、历史输出数据,其中,所述历史输入数据、所述历史输出数据为多维度矩阵;
建立模块,用于根据所述历史输入数据、所述历史输出数据建立中间状态空间模型、预测输出模型;
预测模块,用于根据所述中间状态空间模型、所述预测输出模型与预设输出参数,得到预测输入数据;
设置模块,用于根据所述预测输入数据对所述被控对象进行设置;其中,所述历史输入数据、所述历史输出数据为多维度向量。
9.一种基于状态空间模型的预测控制装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于状态空间模型的预测控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,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执行时实现如权利要求1至7任一项所述的基于状态空间模型的预测控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211564654.8A CN115860450A (zh) | 2022-12-07 | 2022-12-07 | 一种基于状态空间模型的预测控制方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211564654.8A CN115860450A (zh) | 2022-12-07 | 2022-12-07 | 一种基于状态空间模型的预测控制方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860450A true CN115860450A (zh) | 2023-03-28 |
Family
ID=85670773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211564654.8A Pending CN115860450A (zh) | 2022-12-07 | 2022-12-07 | 一种基于状态空间模型的预测控制方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860450A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381511A (zh) * | 2023-05-30 | 2023-07-04 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908351A (zh) * | 2019-11-25 | 2020-03-24 | 东南大学 | 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN114428455A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN115113518A (zh) * | 2021-03-18 | 2022-09-27 | 上海交通大学 | 基于数据驱动的通用动态矩阵控制系统及控制方法 |
-
2022
- 2022-12-07 CN CN202211564654.8A patent/CN115860450A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908351A (zh) * | 2019-11-25 | 2020-03-24 | 东南大学 | 一种融合支持向量机的scr脱硝系统扰动抑制预测控制方法 |
CN114428456A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN114428455A (zh) * | 2020-10-29 | 2022-05-03 | 北京国电智深控制技术有限公司 | 一种火电机组控制系统的控制方法及装置 |
CN115113518A (zh) * | 2021-03-18 | 2022-09-27 | 上海交通大学 | 基于数据驱动的通用动态矩阵控制系统及控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381511A (zh) * | 2023-05-30 | 2023-07-04 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
CN116381511B (zh) * | 2023-05-30 | 2023-08-29 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biegler et al. | Advances in sensitivity-based nonlinear model predictive control and dynamic real-time optimization | |
Madhuranthakam et al. | Optimal tuning of PID controllers for FOPTD, SOPTD and SOPTD with lead processes | |
Huang et al. | Modified Smith fuzzy PID temperature control in an oil-replenishing device for deep-sea hydraulic system | |
Bequette | Nonlinear predictive control using multi‐rate sampling | |
Zavala et al. | Optimization-based strategies for the operation of low-density polyethylene tubular reactors: nonlinear model predictive control | |
Biegler | Advances in nonlinear programming concepts for process control | |
Panda et al. | Parameter estimation of integrating and time delay processes using single relay feedback test | |
Lu et al. | Multirate dynamic inferential modeling for multivariable processes | |
Arefi et al. | Wiener-neural identification and predictive control of a more realistic plug-flow tubular reactor | |
de Canete et al. | Dual composition control and soft estimation for a pilot distillation column using a neurogenetic design | |
WO2009114941A1 (en) | Method of multi-dimensional nonlinear control | |
Mjalli | Neural network model-based predictive control of liquid–liquid extraction contactors | |
CN115860450A (zh) | 一种基于状态空间模型的预测控制方法、装置及介质 | |
Valluru et al. | An integrated frequent RTO and adaptive nonlinear MPC scheme based on simultaneous Bayesian state and parameter estimation | |
Nebeluk et al. | Efficient MPC algorithms with variable trajectories of parameters weighting predicted control errors | |
CN110989726B (zh) | 一种应用于化工生产的改进型自抗扰技术温度控制系统 | |
Ricardez-Sandoval et al. | Simultaneous design and control of chemical processes with application to the Tennessee Eastman process | |
Ławryńczuk | Training of neural models for predictive control | |
Ye et al. | Global self-optimizing control with active-set changes: A polynomial chaos approach | |
Paul et al. | Dynamic model-based sensor network design algorithm for system efficiency maximization | |
Yan et al. | Identification of systems with slowly sampled outputs using LPV model | |
Pan et al. | Data-based construction of feedback-corrected nonlinear prediction model using feedback neural networks | |
CN109884884A (zh) | 一种系统控制品质的调整方法及相关装置 | |
Taylor et al. | Nonlinear dynamic data reconciliation: In-depth case study | |
Parvizi Moghadam et al. | Online monitoring for industrial processes quality control using time varying parameter model |
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 |