CN117806159A - 线性模型预测控制的控制方法及装置、车辆、电子设备 - Google Patents
线性模型预测控制的控制方法及装置、车辆、电子设备 Download PDFInfo
- Publication number
- CN117806159A CN117806159A CN202211213955.6A CN202211213955A CN117806159A CN 117806159 A CN117806159 A CN 117806159A CN 202211213955 A CN202211213955 A CN 202211213955A CN 117806159 A CN117806159 A CN 117806159A
- Authority
- CN
- China
- Prior art keywords
- model
- control
- state space
- matrix
- linear
- 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 65
- 239000011159 matrix material Substances 0.000 claims description 148
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 239000000498 cooling water Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 abstract description 8
- 238000007726 management method Methods 0.000 description 24
- 238000010276 construction Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本公开提供了一种线性模型预测控制的控制方法及装置、车辆、电子设备,依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,基于模型参数,对线性状态空间模型进行更新,计算更新后的线性状态空间模型的最优解,将最优解确定为下一时间控制节点中线性状态空间模型的控制输入对应的线性控制量。将线性控制目标的计算过程转换为确定线性状态空间模型的模型参数上,在确定模型参数后计算更新后的线性状态空间模型的最优解,将最优解确定为下一时间控制节点中线性状态空间模型的控制输入对应的线性控制量,单个时间控制节点的模型参数的计算量远小于相关技术中计算不同时间控制点下不同控制目标控制量的线性计算。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种线性模型预测控制的控制方法及装置、车辆、电子设备。
背景技术
热管理是保护新能源汽车安全、维持新能源汽车适宜的温度区间及均匀性的必要手段。针对发动机温度、电池温度、加热管出水口温度等控制目标,通常采用车辆热管理控制模型实现,而该车辆热管理控制模型是一个复杂的、非线性、参数时变的模型。
车辆热管理控制模型的控制输入通常为线性的,但发动机温度、电池温度、加热管出水口温度等控制目标通常为非线性的,因此为了确保其控制输入为线性的,车辆热管理控制模型可调用内置的群优化算法,直接求解车辆热管理控制模型的线性控制输入;但是由于调用的群优化算法计算时间长,占用计算资源多,不适合应用于如车辆等嵌入式环境中。因此如何对车辆热管理控制模型的控制输入进行优化控制,成为亟待解决的问题。
发明内容
本公开提供了一种线性模型预测控制的控制方法及装置、车辆、电子设备。其主要目的在于实现利用线性模型预测控制算法优化控制车辆热管理的控制任务。
根据本公开的第一方面,提供了一种线性模型预测控制的控制方法,其中,包括:
依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;
基于所述模型参数,对所述线性状态空间模型进行更新;
计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
可选的,所述模型参数包括:第一初始模型参数、第二初始模型参数及第三初始模型参数,所述转换矩阵包括:第一转换矩阵、第二转换矩阵及第三转换矩阵;
在依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数之前,所述方法还包括:
构建第一初始模型参数与初始模型状态量矩阵的乘积作为第一转换矩阵;其中,所述初始模型状态量矩阵由多个温度参数构建,所述模型状态量包括:发动机冷却水温度、电池温度、热水管出水口温度及热水管能耗;
构建第二初始模型参数与初始控制输入量矩阵作为第二转换矩阵;其中,所述初始控制输入量矩阵由多个控制阀参数构建,所述控制阀参数包括:发动机三通阀开度、电池四通阀开度、电池水泵转速以及热水管能耗;
构建第三初始模型参数与初始可测干扰量矩阵作为第三转换矩阵;其中,所述初始可测干扰量矩阵由可测得的、车辆热管理系统所需的干扰量构建;
基于所述第一转换矩阵、所述第二转换矩阵及所述第三转换矩阵构建所述线性状态空间模型。
可选的,所述模型参数包括:目标模型参数;
所述依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数包括:
将所述第一初始模型参数、第二初始模型参数及第三初始模型参数合并至一个模型参数矩阵中;
将模当前时间控制节点的型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并至一个控制输入矩阵中;
基于所述模型参数矩阵、所述控制输入矩阵及预设初始化矩阵采用最小二乘法算法,计算所述当前时间控制节点下所述线性状态空间模型的所述目标模型参数。
可选的,所述基于所述模型参数,对所述线性状态空间模型进行更新,包括:
将所述线性状态空间模型的模型参数更新为所述目标模型参数,以对所述线性状态空间模型进行更新。
可选的,所述线性状态空间模型为如下模型;
X(k+1)=A*X(k)+BU*U+Bd*Ud
其中,A为所述第一初始模型参数或第一目标模型参数、BU为所述第二初始模型参数或第二目标模型参数,X(k)为所述模型状态量矩阵,U为所述控制输入量矩阵,Bd为所述第三初始模型参数或第三目标模型参数,Ud为所述可测干扰量矩阵,k当前时间控制节点,所述目标模型参数包括第一目标模型参数、第二目标模型参数及第三目标模型参数。
可选的,所述计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量包括:
在所述当前时间控制节点处,将更新后的线性状态空间模型转化为二次规划;
使用二次规划对所述更新后的线性状态空间模型求得最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的控制量,其中,所述当前时间控制节点与所述下一时间控制节点间隔预设时间。
根据本公开的第二方面,提供了一种线性模型预测控制的控制装置,包括:
确定单元,用于依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;
更新单元,用于基于所述模型参数,对所述线性状态空间模型进行更新;
计算单元,用于计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
可选的,所述装置还包括:
第一构建单元,用于在依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数之前,构建第一初始模型参数与初始模型状态量矩阵的乘积作为第一转换矩阵;其中,所述初始模型状态量矩阵由多个温度参数构建,所述模型状态量包括:发动机冷却水温度、电池温度、热水管出水口温度及热水管能耗;
第二构建单元,用于构建第二初始模型参数与初始控制输入量矩阵作为第二转换矩阵;其中,所述初始控制输入量矩阵由多个控制阀参数构建,所述控制阀参数包括:发动机三通阀开度、电池四通阀开度、电池水泵转速以及热水管能耗;
第三构建单元,用于构建第三初始模型参数与初始可测干扰量矩阵作为第三转换矩阵;其中,所述初始可测干扰量矩阵由可测得的、车辆热管理系统所需的干扰量构建;
第四构建单元,用于基于所述第一转换矩阵、所述第二转换矩阵及所述第三转换矩阵构建所述线性状态空间模型。
可选的,所述模型参数包括:目标模型参数;
所述确定单元包括:
第一合并模块,用于将所述第一初始模型参数、第二初始模型参数及第三初始模型参数合并至一个模型参数矩阵中;
第二合并模块,用于将当前时间控制节点的模型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并至一个控制输入矩阵中;
计算模块,用于基于所述模型参数矩阵、所述控制输入矩阵及预设初始化矩阵采用最小二乘法算法,计算所述当前时间控制节点下所述线性状态空间模型的所述目标模型参数。
可选的,所述更新单元还用于:
将所述线性状态空间模型的模型参数更新为所述目标模型参数,以对所述线性状态空间模型进行更新。
可选的,所述更新单元将所述线性状态空间模型更新为如下模型;
X(k+1)=A*X(k)+BU*U+Bd*Ud
其中,A为所述第一初始模型参数或第一目标模型参数、BU为所述第二初始模型参数或第二目标模型参数,X(k)为所述模型状态量矩阵,U为所述控制输入量矩阵,Bd为所述第三初始模型参数或第三目标模型参数,Ud为所述可测干扰量矩阵,k当前时间控制节点,所述目标模型参数包括第一目标模型参数、第二目标模型参数及第三目标模型参数。
可选的,所述计算单元包括:
第一转化模块,用于在所述当前时间控制节点处,将更新后的线性状态空间模型转化为二次规划;
确定模块,用于使用二次规划对所述更新后的线性状态空间模型求得最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的控制量,其中,所述当前时间控制节点与所述下一时间控制节点间隔预设时间。
根据本公开的第三方面,提供了一种车辆,包括:
如前述第二方面所述的装置。
根据本公开的第四方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第五方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第六方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供了一种线性模型预测控制的控制方法及装置、车辆、电子设备,依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;基于所述模型参数,对所述线性状态空间模型进行更新;计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。相比于车辆热管理控制模型调用群优化算法的方式,群优化算法每次执行不同时间控制点下对应的不同控制目标时,均需要根据群优化算法的执行逻辑重新调取计算资源以完成控制目标控制量的线性计算,使得计算时间长,占用计算资源多,而本申请实施例提供的控制方法中,将线性控制目标的计算过程转换为确定线性状态空间模型的模型参数上,在确定模型参数后计算更新后的线性状态空间模型的最优解,将最优解确定为下一时间控制节点中线性状态空间模型的控制输入对应的线性控制量,单个时间控制节点的模型参数的计算量远小于相关技术中计算不同时间控制点下不同控制目标控制量的线性计算,由此可见该种控制方法可以简化计算过程,进而减少计算时间及计算资源的占用,使得本公开实施例提供的方法能够在嵌入式开发的环境中部署,从而实现将本公开应用于车辆热管理控制模型,实现滚动优化控制。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的一种线性模型预测控制的控制方法的流程示意图;
图2为本公开实施例提供的一种车辆热管理控制模型示意图;
图3为本公开实施例提供的一种线性状态空间模型示意图;
图4为本公开实施例提供的一种构建线性状态空间模型的方法的流程示意图;
图5为本公开实施例提供的一种确定模型参数的方法的流程示意图;
图6为本公开实施例提供的一种线性模型预测控制的控制装置的结构示意图;
图7为本公开实施例提供的另一种线性模型预测控制的控制装置的结构示意图
图8为本公开实施例提供的示例电子设备500的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的线性模型预测控制的控制方法及装置、车辆、电子设备。
图1为本公开实施例所提供的一种线性模型预测控制的控制方法的流程示意图。
如图1所示,该方法包含以下步骤:
步骤101,依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标。
在本公开实施例中,针对发动机温度、电池温度以及热水管出水口温度的热管理任务的联合控制。如图2所示,图2为车辆热管理控制模型示意图,其中各个部件的流量模型使用浅层神经网络和多项式拟合数据得到;电池热模型、发动机热模型中的热物性参数作为温度和流量的时变参数,使用查表法计算;发动机三通阀开度、电池四通阀开度、电池水泵占空比、暖风水泵占空比、wptc(Water Positive Temperature Coefficient,热水管)功率作为控制输入,为控制算法的求解变量;其余模型需要的输入作为可测干扰量;发动机温度、wptc出水口温度、电池温度等目标作为主要的控制目标。
该车辆热管理控制模型可以在全工况范围内准确的拟合出整个系统的变化,但是该车辆热管理控制模型过于复杂,无法更好的应用算法进行寻优控制。该车辆热管理控制模型在运行的整个工况是非线性的,但其在局部区域的特性是线性的,参数也可以作为时不变参数处理。因而可以使用在线系统辨识技术在每个预设时间间隔的时间控制节点处辨识一个线性状态空间模型。
将图2所示的一种车辆热管理控制模型简化为如图3所示的线性状态空间模型,得到线性状态空间模型。线性状态空间模型中将线性控制目标的计算过程转换为确定线性状态空间模型的模型参数上,在确定模型参数后计算更新后的线性状态空间模型的最优解,将最优解确定为下一时间控制节点中线性状态空间模型的控制输入对应的线性控制量,单个时间控制节点的模型参数的计算量远小于相关技术中计算不同时间控制点下不同控制目标控制量的线性计算。
实际应用中,利用在线系统辨识技术,确定线性状态空间模型的模型参数。需要说明的是,图3所示的线性状态空间模型仅为示范性的,当车辆的控制目标不同时,所确定的线性状态空间模型也存在差异,本公开不对车辆的控制目标构成限定。本公开实施例以发动机三通阀开度、电池四通阀开度、电池水泵占空比、暖风水泵占空比、wptc功率作为控制输入为例进行说明,但是该种说明方式并不构成对控制输入变量种类、数目的限定。
步骤102,基于所述模型参数,对所述线性状态空间模型进行更新。
利用在线系统识别技术确定模型参数,可以使用但不限定递推最小二乘法进行识别计算。将由在线系统识别技术的确定的模型参数更新到线性状态空间模型中,得到新的线性状态空间模型为下一步的优化控制提供更为精确的模型参数。
步骤103,计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
呈由步骤102得到的新的线性状态空间模型,在每个预设时间间隔的控制点处处理一个线性模型预测控制(Model Predictive Control,MPC)问题。将更新后的线性状态空间模型利用MPC算法进行优化控制。将求解得到的控制量作用于控制目标,实现对控制目标的控制。
本公开提供了一种线性模型预测控制的控制方法,依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;基于所述模型参数,对所述线性状态空间模型进行更新;计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。相比于车辆热管理控制模型调用群优化算法的方式,群优化算法每次执行不同时间控制点下对应的不同控制目标时,均需要根据群优化算法的执行逻辑重新调取计算资源以完成控制目标控制量的线性计算,使得计算时间长,占用计算资源多,而本申请实施例提供的控制方法中,将线性控制目标的计算过程转换为确定线性状态空间模型的模型参数上,在确定模型参数后计算更新后的线性状态空间模型的最优解,将最优解确定为下一时间控制节点中线性状态空间模型的控制输入对应的线性控制量,单个时间控制节点的模型参数的计算量远小于相关技术中计算不同时间控制点下不同控制目标控制量的线性计算,由此可见该种控制方法可以简化计算过程,进而减少计算时间及计算资源的占用,使得本公开实施例提供的方法能够在嵌入式开发的环境中部署,从而实现将本公开应用于车辆热管理控制模型,实现滚动优化控制。
图4为本公开实施例提供的一种构建线性状态空间模型的方法的流程示意图,在依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数之前,所述方法包含以下步骤:
步骤201,构建第一初始模型参数与初始模型状态量矩阵的乘积作为第一转换矩阵;其中,所述初始模型状态量矩阵由多个温度参数构建,所述模型状态量包括:发动机冷却水温度、电池温度、热水管出水口温度及热水管能耗。
A为待确定的第一初始模型参数,模型状态量包括:发动机冷却水温度TE(k),电池温度Tb(k),热水管出水口温度Twptc(k),热水管能耗Pwptc(k)。构建第一转换矩阵为:
步骤202,构建第二初始模型参数与初始控制输入量矩阵作为第二转换矩阵;其中,所述初始控制输入量矩阵由多个控制阀参数构建,所述控制阀参数包括:发动机三通阀开度、电池四通阀开度、电池水泵转速以及热水管能耗。
BU为待确定的第二初始模型参数,控制输入量分别为:发动机三通阀开度tpv,电池四通阀开度fpv,电池水泵转速pmp,暖风水泵转速acp,WPTC能耗Pwptc。构建的第二转换矩阵为:
步骤203,构建第三初始模型参数与初始可测干扰量矩阵作为第三转换矩阵;其中,所述初始可测干扰量矩阵由可测得的、车辆热管理系统所需的干扰量构建。
Bd为待确定的第三初始模型参数,将其他非控制量,但是模型必须的可测干扰量作为第三转换矩阵Ud。需要说明的是,在实际工况当中有许多干扰量是模型必须的输入量,但是各种干扰量对模型的影响又不尽相同,因此在本公开实施例中选取对模型影响较大的可测干扰量进行说明,本公开实施例以发动机功率、车速、电池电流作为可测干扰量进行说明。
步骤204,基于所述第一转换矩阵、所述第二转换矩阵及所述第三转换矩阵构建所述线性状态空间模型。
在本公开实施例中,当前时间控制节点下控制目标对应的控制量,例如模型状态量中的发动机冷却水温度TE,在整个车辆热管理系统运行的工况中是非线性的、参数时变的;但是其在局部时间节点的特性是线性的,参数也可以作为时不变参数处理。因此在每个预设时间间隔的时间控制节点处,均可完成一次线性状态空间模型的控制输入对应的线性控制量。
将所述的第一转换矩阵、所述第二转换矩阵及第三转换矩阵构建为线性状态空间模型,得到公式1:
进一步地,在本实施例一种可能的实现方式中,图5为本公开实施例提供的一种确定模型参数的方法的流程示意图,所述依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数包含以下步骤:
步骤301,将所述第一初始模型参数、第二初始模型参数及第三初始模型参数合并至一个模型参数矩阵中。
利用在线系统识别技术确定模型参数A、BU、Bd,使用递推最小二乘法进行辨别计算。将模型参数A、BU、Vd合并至一个新的矩阵中得到:
θ=[A BU Bd]
步骤302,将当前时间控制节点的模型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并至一个控制输入矩阵中。
在本公开实施例中,当前时间控制节点下控制目标对应的控制量,例如模型状态量中的发动机冷却水温度TE,在整个车辆热管理系统运行的工况中是非线性的、参数时变的;控制目标中的模型状态量以及可测干扰量可以通过但传感器等测量方法测得,控制输入量采集当前时间控制节点的控制输入;需要说明的是,本公开实施例并不对如何测量模型状态量以及可测干扰量进行限定。
将获得的当前时间控制节点下的模型状态量、控制输入量以及可测干扰量数据分别合并成模型状态量矩阵、控制输入矩阵以及可测干扰量矩阵。将模型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并得到一个控制输入矩阵:
步骤303,基于所述模型参数矩阵、所述控制输入矩阵及预设初始化矩阵采用最小二乘法算法,计算所述当前时间控制节点下所述线性状态空间模型的所述目标模型参数。
预设初始化矩阵记作K=X(k+1)假设为最小二乘估计得到的参数
本申请实施例中的模型参数更新如下:
遗忘因子λ必须选择接近于1的正数,不小于0.9;初值P(0)=106I,
作为本公开实施例的额一种可实现的方式,所述基于所述模型参数,对所述线性状态空间模型进行更新包括:
将所述线性状态空间模型的模型参数更新为所述目标模型参数,以对所述线性状态空间模型进行更新。
进一步地,在本实施例一种可能的实现方式中,所述线性状态空间模型被更新为如下公式:
X(k+1)=A*X(k)+BU*U+Bd*Ud
其中,A为所述第一初始模型参数或第一目标模型参数、Bu为所述第二初始模型参数或第二目标模型参数,X(k)为所述模型状态量矩阵,U为所述控制输入量矩阵,Bd为所述第三初始模型参数或第三目标模型参数,Ud为所述可测干扰量矩阵,k当前时间控制节点,所述目标模型参数包括第一目标模型参数、第二目标模型参数及第三目标模型参数。
在每个预设时间间隔的控制点处,所述预设时间间隔的控制点为按照一定时间间隔的控制周期的采样点。根据步骤301-步骤303所示的方法,将计算得到的模型参数A、BU、Bd更新到线性状态空间模型中。
进一步地,在本实施例一种可能的实现方式中,所述计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量包括:
在每个预设时间间隔的控制点处,将更新后的线性状态空间模型转化为二次规划;
使用二次规划求解,将更新后的线性状态空间模型转化为如下公式:
xi+1=Axi+Bui+C (3)
其中,A为所述第一初始模型参数或第一目标模型参数、B为所述第二初始模型参数或第二目标模型参数,xi为所述模型状态量矩阵,ui为控制输入量矩阵,C为Bd*Ud,其中,Bd为所述第三初始模型参数或第三目标模型参数,Ud为可测干扰量矩阵。
对公式3进行二次规划求解:并进行构造目标函数。将目标函数表示为二次型:
未来N个步长内
xi+2=Axi+1+Bui+1+C=A2xi+ABui+Bui+1+AC+C
xi+3=Axi+2+Bui+2+C=A3xi+A2Bui+ABui+1+Bui+2+A2C+AC+C
写成空间状态模型为
记作
则
记作
X=KU+M
构造目标函数
f(U)=(X-Xref)TQ(X-Xref)+UTRU
=(M+KU-Xref)TQ(M+KU-Xref)+UTRU
=(KU)TQ(KU)+UTRU+2(M-Xref)(KU)T+常数项
则目标函数可以表示为二次型
将计算得到的控制量的第一部分作用于被控对象,在下一个预设时间间隔的控制点,重复使用在线系统辨别技术获取模型参数,计算得到控制量的过程。优化控制过程。
在本公开实施例中,控制任务的首要目标是满足发动机温度、电池温度以及wptc出水口温度的温度要求。次要任务是wptc能耗最优、最次是各项控制量变化率最小。当发动机的温度不满足发动机供热的最低要求时,使用wptc供热,保证电池温度以及wptc出水口温度的温度要求。当发动机的温度满足发动机供热的最低要求时,利用发动机的冷却水给电池以及wptc加热。随着使用发动机的冷却水给电池及wptc供热,若发动机温度低于最低要求时,则切换为wptc供热。在保证发动机温度的最低要求的前提下,尽可能使用发动机的冷却水供热,这样可以使wptc的能耗尽可能低。
与上述的线性模型预测控制的控制方法相对应,本发明还提出一种线性模型预测控制的控制装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节可参照上述的方法实施例,本发明中不再进行赘述。
图6为本公开实施例提供的一种线性模型预测控制的控制装置的结构示意图,如图6所示,包括:确定单元41、更新单元42、计算单元43。
确定单元41,用于依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;
更新单元42,用于基于所述模型参数,对所述线性状态空间模型进行更新;
计算单元43,用于计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
可选的,所述装置还包括:
第一构建单元44,用于在依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数之前,构建第一初始模型参数与初始模型状态量矩阵的乘积作为第一转换矩阵;其中,所述初始模型状态量矩阵由多个温度参数构建,所述模型状态量包括:发动机冷却水温度、电池温度、热水管出水口温度及热水管能耗;
第二构建单元45,用于构建第二初始模型参数与初始控制输入量矩阵作为第二转换矩阵;其中,初始控制输入量矩阵由多个控制阀参数构建,所述控制阀参数包括:发动机三通阀开度、电池四通阀开度、电池水泵转速以及热水管能耗;
第三构建单元46,用于构建第三初始模型参数与初始可测干扰量矩阵作为第三转换矩阵;其中,所述初始可测干扰量矩阵由可测得的、车辆热管理系统所需的干扰量构建;
第四构建单元47,用于基于所述第一转换矩阵、所述第二转换矩阵及所述第三转换矩阵构建所述线性状态空间模型。
可选的,所述模型参数包括:目标模型参数;
所述确定单元41包括:
第一合并模块411,用于将所述第一初始模型参数、第二初始模型参数及第三初始模型参数合并至一个模型参数矩阵中;
第二合并模块412,用于将当前时间控制节点的模型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并至一个控制输入矩阵中;
计算模块413,用于基于所述模型参数矩阵、所述控制输入矩阵及预设初始化矩阵采用最小二乘法算法,计算所述当前时间控制节点下所述线性状态空间模型的所述目标模型参数。
可选的,所述更新单元42还用于:
将所述线性状态空间模型的模型参数更新为所述目标模型参数,以对所述线性状态空间模型进行更新。
可选的,所述更新单元42将所述线性状态空间模型更新为如下模型;
X(k+1)=A*X(k)+BU*U+Bd*Ud
其中,A为所述第一初始模型参数或第一目标模型参数、BU为所述第二初始模型参数或第二目标模型参数,X(k)为所述模型状态量矩阵,U为所述控制输入量矩阵,Bd为所述第三初始模型参数或第三目标模型参数,Ud为所述可测干扰量矩阵,k当前时间控制节点,所述目标模型参数包括第一目标模型参数、第二目标模型参数及第三目标模型参数。
可选的,所述计算单元43包括:
第一转化模块431,用于在所述当前时间控制节点处,将更新后的线性状态空间模型转化为二次规划;
确定模块432,用于使用二次规划对所述更新后的线性状态空间模型求得最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的控制量,其中,所述当前时间控制节点与所述下一时间控制节点间隔预设时间。
需要说明的是,前述对方法实施例的解释说明,也适用于本实施例的装置,原理相同,本实施例中不再限定。
进一步的,本公开实施例还提供了一种车辆,该车辆包含上述任一实施例所述的线性模型预测控制的控制装置。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备500包括计算单元501,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)502中的计算机程序或者从存储单元508加载到RAM(Random AccessMemory,随机访问/存取存储器)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。I/O(Input/Output,输入/输出)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如线性MPC控制处理的方法。例如,在一些实施例中,线性MPC控制处理的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述线性MPC控制处理的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(LiquidCrystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种线性模型预测控制的控制方法,其特征在于,包括:
依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;
基于所述模型参数,对所述线性状态空间模型进行更新;
计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
2.根据权利要求1所述的方法,其特征在于,所述模型参数包括:第一初始模型参数、第二初始模型参数及第三初始模型参数,所述转换矩阵包括:第一转换矩阵、第二转换矩阵及第三转换矩阵;
在依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数之前,所述方法还包括:
构建第一初始模型参数与初始模型状态量矩阵的乘积作为第一转换矩阵;其中,所述初始模型状态量矩阵由多个温度参数构建,所述模型状态量包括:发动机冷却水温度、电池温度、热水管出水口温度及热水管能耗;
构建第二初始模型参数与初始控制输入量矩阵作为第二转换矩阵;其中,所述初始控制输入量矩阵由多个控制阀参数构建,所述控制阀参数包括:发动机三通阀开度、电池四通阀开度、电池水泵转速以及热水管能耗;
构建第三初始模型参数与初始可测干扰量矩阵作为第三转换矩阵;其中,所述初始可测干扰量矩阵由可测得的、车辆热管理系统所需的干扰量构建;
基于所述第一转换矩阵、所述第二转换矩阵及所述第三转换矩阵构建所述线性状态空间模型。
3.根据权利要求2所述的方法,其特征在于,所述模型参数包括:目标模型参数;
所述依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数包括:
将所述第一初始模型参数、第二初始模型参数及第三初始模型参数合并至一个模型参数矩阵中;
将当前时间控制节点的模型状态量矩阵、控制输入量矩阵及可测干扰量矩阵合并至一个控制输入矩阵中;
基于所述模型参数矩阵、所述控制输入矩阵及预设初始化矩阵采用最小二乘法算法,计算所述当前时间控制节点下所述线性状态空间模型的所述目标模型参数。
4.根据权利要求3所述的方法,其特征在于,所述基于所述模型参数,对所述线性状态空间模型进行更新,包括:
将所述线性状态空间模型的模型参数更新为所述目标模型参数,以对所述线性状态空间模型进行更新。
5.根据权利要求4所述的方法,其特征在于,所述线性状态空间模型为如下模型;
X(k+1)=A*X(k)+BU*U+Bd*Ud
其中,A为所述第一初始模型参数或第一目标模型参数、BU为所述第二初始模型参数或第二目标模型参数,X(k)为所述模型状态量矩阵,U为所述控制输入量矩阵,Bd为所述第三初始模型参数或第三目标模型参数,Ud为所述可测干扰量矩阵,k当前时间控制节点,所述目标模型参数包括第一目标模型参数、第二目标模型参数及第三目标模型参数。
6.根据权利要求5所述的方法,其特征在于,所述计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量包括:
在所述当前时间控制节点处,将更新后的线性状态空间模型转化为二次规划;
使用二次规划对所述更新后的线性状态空间模型求得最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的控制量,其中,所述当前时间控制节点与所述下一时间控制节点间隔预设时间。
7.一种线性模型预测控制的控制装置,其特征在于,包括:
确定单元,用于依据当前时间控制节点下控制目标对应的非线性控制量,确定线性状态空间模型的模型参数,所述线性状态空间模型用于通过所述模型参数以及转换矩阵将所述非线性控制量转换为线性控制量,其中,所述控制目标为模型状态量、控制输入以及可测干扰量中的至少一种非线性控制目标;
更新单元,用于基于所述模型参数,对所述线性状态空间模型进行更新;
计算单元,用于计算更新后的线性状态空间模型的最优解,将所述最优解确定为下一时间控制节点中所述线性状态空间模型的控制输入对应的线性控制量。
8.一种车辆,其特征在于,包括:所述车辆包括如权利要求7中所述的线性MPC控制处理的装置。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
11.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213955.6A CN117806159A (zh) | 2022-09-30 | 2022-09-30 | 线性模型预测控制的控制方法及装置、车辆、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213955.6A CN117806159A (zh) | 2022-09-30 | 2022-09-30 | 线性模型预测控制的控制方法及装置、车辆、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117806159A true CN117806159A (zh) | 2024-04-02 |
Family
ID=90424215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213955.6A Pending CN117806159A (zh) | 2022-09-30 | 2022-09-30 | 线性模型预测控制的控制方法及装置、车辆、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117806159A (zh) |
-
2022
- 2022-09-30 CN CN202211213955.6A patent/CN117806159A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN105867138A (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
CN116047984A (zh) | 多智能体系统的一致性跟踪控制方法、装置、设备及介质 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN106059412B (zh) | 基于信度规则库推理的他励直流电动机转速控制方法 | |
CN114498649A (zh) | 主动配电网建筑热负荷控制方法、装置、电子设备和存储介质 | |
Zhang et al. | Optimal inspection path planning of substation robot in the complex substation environment | |
CN117806159A (zh) | 线性模型预测控制的控制方法及装置、车辆、电子设备 | |
Burian et al. | Investigation of the pump unit control system with the neural network productivity estimator | |
CN116717839A (zh) | 供热控制方法、控制装置和供热系统 | |
CN114384931B (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
CN115388586A (zh) | 一种制冷控制模型、装置、电子设备及存储介质 | |
CN114528749A (zh) | 模型确定方法、装置、电子设备以及存储介质 | |
CN113993343A (zh) | 制冷设备的节能控制方法、装置、终端及存储介质 | |
CN116756265B (zh) | 一种轨迹数据的处理方法、装置、电子设备及存储介质 | |
CN115600875B (zh) | 一种环境参数的标定方法、装置、电子设备及存储介质 | |
CN117850217A (zh) | 非线性模型预测控制方法、装置、电子设备和存储介质 | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
CN115598967A (zh) | 参数整定模型训练、参数确定方法、装置、设备及介质 | |
CN115598985B (zh) | 一种反馈控制器的训练方法、装置、电子设备及介质 | |
EP4002625A1 (en) | Mitigation of peak power exchange between suppliers and facilities | |
Tang et al. | A novel self-adaptive nonlinear discrete grey model based on non-homogeneous index sequence and its application | |
CN116976107A (zh) | 基于风火打捆系统的模型更新方法、装置、设备及介质 |
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 |