CN114355774B - 模型预测控制方法及装置 - Google Patents
模型预测控制方法及装置 Download PDFInfo
- Publication number
- CN114355774B CN114355774B CN202111619707.7A CN202111619707A CN114355774B CN 114355774 B CN114355774 B CN 114355774B CN 202111619707 A CN202111619707 A CN 202111619707A CN 114355774 B CN114355774 B CN 114355774B
- Authority
- CN
- China
- Prior art keywords
- window function
- prediction
- target reference
- reference signal
- adaptive window
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000003044 adaptive effect Effects 0.000 claims abstract description 118
- 230000007704 transition Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 169
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004886 process control Methods 0.000 abstract description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 27
- 238000005070 sampling Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 101150036841 minJ gene Proteins 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请提供了一种模型预测控制方法及装置,涉及过程控制技术领域,可以在不增加计算量的同时实现缓解预测模型输出的预测输出信号的超调量的问题。该模型预测控制方法包括:获取预测模型的预测步长以及目标参考信号,其中预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围;在确定目标参考信号为阶跃信号时,根据预测步长生成自适应窗函数,自适应窗函数的时域长度为预测步长;根据自适应窗函数更新目标参考信号,其中自适应窗函数用于对阶跃信号平滑处理,以使得更新后的目标参考信号在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态。
Description
技术领域
本申请涉及过程控制领域,尤其涉及一种模型预测控制方法及装置。
背景技术
模型预测控制(model predictive control,MPC),能够根据被控***的当前的输入信息以及被控***的控制过程的状态信息,预测被控***的控制过程输出的未来值。通常,可以通过将目标控制信号以及历史的预测输出信号作为输入信息输入至预测模型,使得预测模型预测被控***在未来时刻输出的预测输出信号。
其中,在被控***的目标参考信号是阶跃信号时,预测模型预测输出的预测输出信号往往会产生较大的超调量,目前可以缓解超调量的方式,是增加预测模型的预测步长,但是增加预测步长往往会增加模型预测控制过程中的计算量,因此,如何在不增加计算量的同时实现缓解预测模型输出的预测输出信号的超调量是一个具有挑战性的问题。
发明内容
本申请提供一种模型预测控制方法及装置,可以在不增加计算量的同时实现缓解预测模型输出的预测输出信号的超调量的问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供了一种模型预测控制方法,包括:获取预测模型的预测步长以及目标参考信号,其中预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围;在确定目标参考信号为阶跃信号时,根据预测步长生成自适应窗函数,自适应窗函数的时域长度为预测步长;根据自适应窗函数更新目标参考信号,其中自适应窗函数用于对阶跃信号平滑处理,以使得更新后的目标参考信号在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态。在上述的模型预测控制方法中,首先获取预测模型的预测步长和目标参考信号,并且在确定目标参考信号为阶跃信号时,通过将自适应窗函数的时域长度设置为预测步长,并且根据自适应窗函数更新目标参考信号,以使得更新后的目标参考信号不是在很短的时间内发生跃变,而是在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态,该自适应窗函数可以实现对阶跃信号的平滑处理,以使得更新后的目标参考信号相较于更新前的目标参考信号更为平滑。由于更新后的目标参考信号更为平滑,那么通过将更新后的目标参考信号和历史的预测输出信号作为输入信息输入至预测模型时,也使得预测模型输出的预测输出信号更为平滑,从而缓解预测模型输出的预测输出信号的超调量,以此提高模型预测控制方法的时域输出性能。由此可见在该模型预测控制方法中,是通过平滑目标参考信号的方式缓解预测模型输出的预测输出信号的超调量的,不需要通过增加预测步长的方式缓解预测模型输出的预测输出信号的超调量,以实现在不增加计算量的同时实现缓解预测模型输出的预测输出信号的超调量的问题。
可选的,根据预测步长生成自适应窗函数,包括:根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长整除2加1至预测步长整除2;或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2。
可选的,根据自适应窗函数更新目标参考信号,包括:将下一时刻的目标参考信号与当前时刻的目标参考信号的差值与自适应窗函数的积加上当前时刻的所述目标参考信号。
可选的,自适应窗函数为sigmoid函数。
第二方面,提供了一种模型预测控制装置,包括:获取单元和控制单元;获取单元,用于获取预测模型的预测步长以及目标参考信号,其中预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围;控制单元,用于在确定获取单元获取的目标参考信号为阶跃信号时,根据获取单元获取的预测步长生成自适应窗函数,自适应窗函数的时域长度为预测步长;控制单元,还用于根据自适应窗函数更新目标参考信号,其中自适应窗函数用于对阶跃信号平滑处理,以使得更新后的目标参考信号在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态。
可选的,控制单元,具体用于根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长整除2加1至预测步长整除2;
或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2。
可选的,控制单元,具体用于将下一时刻的目标参考信号与当前时刻的目标参考信号的差值与自适应窗函数的积加上当前时刻的目标参考信号,以更新目标参考信号。
可选的,自适应窗函数为sigmoid函数。
第三方面,提供了一种模型预测控制装置,模型预测控制装置包括一个或多个处理器,收发电路,以及存储器;存储器、收发电路与一个或多个处理器耦合;存储器用于存储计算机程序代码,计算机程序代码包括指令,当一个或多个处理器执行指令时,模型预测控制装置执行上述第一方面任意一项的模型预测控制方法。
第四方面,提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行上述第一方面任意一项所述的模型预测控制方法。
其中,第二方面至第四方面及其各种实现方式的具体描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面至第四方面及其各种实现方式的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例一提供的模型预测控制方法的流程示意图;
图2为本申请的实施例提供的sigmoid函数的波形图;
图3为本申请的实施例提供的目标参考信号与更新后的目标参考信号的波形示意图;
图4为经典的模型预测控制方法的流程示意图;
图5为本申请实施例二提供的模型预测控制方法的流程示意图;
图6为本申请的实施例提供的对预测模型的输入信息的仿真图;
图7为本申请的实施例提供的对预测模型的预测输出信号的仿真图;
图8为本申请的实施例提供的模型预测控制装置的结构示意图;
图9为本申请的实施例提供的模型预测控制装置的硬件结构示意图。
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描述。其中,在本申请的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。并且,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
另外,本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
此外,另外,本申请实施例中出现的“小于”或“大于”都可以包括“等于”这种情况,但需要了解的是,如果存在两个范围且该两个范围有一个共同的极值点,此时这两个范围只有一方可以包括等于。举例来说,如果a大于1,则a等于b;如果a小于1,则a等于c;在这种情况下,只能选择a大于等于1或a小于等于1。具体可根据实际情况进行选择,本申请实施例同样可以根据实际情况进行选择某一范围可以包括等于。
模型预测控制(model predictive control,MPC),能够根据被控***的当前的输入信息以及被控***的控制过程的状态信息,预测被控***的控制过程输出的未来值。通常,可以通过将目标控制信号以及历史的预测输出信号作为输入信息输入至预测模型,使得预测模型预测被控***在未来时刻输出的预测输出信号。
其中,经典的模型预测控制方法包括如下步骤:在当前采样时刻内,将预测步长内的目标参考信号与当前采样时刻的前一采样时刻的预测输出信号的首个序列值(为了清楚起见,将当前采样时刻的前一采样时刻的预测输出信号的首个序列值称为历史的预测输出信号)作为输入信息输入至预测模型,预测模型通过构建代价函数,根据约束条件,求出使得代价函数最小化的预测步长内的优化序列,并输出该优化序列作为当前采样时刻的预测输出信号,并将目标参考信号以及当前采样时刻的预测输出信号的首个序列值作为下一个采样时刻的输入信息。并且不断重复上述步骤直到模型预测控制结束。
其中,预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围。预测步长对模型预测控制方法的闭环控制性能和时域输出性能有着至关重要的影响。其中,在预测步长较大时,可以提升模型预测控制方法的闭环控制性能和时域输出性能,但是会增加模型预测控制方法的计算量;在预测步长较小时,可以减少模型预测控制方法的计算量,但会使得模型预测控制方法的闭环控制性能和时域输出性能下降。
示例性的,在当前采样时刻的目标参考信号为阶跃信号时,由于阶跃信号是在很短的时间内发生信号跃变的,使得经典的模型预测控制方法根据将目标参考信号以及当前采样时刻的前一采样时刻的预测输出信号作为输入信号输入至预测模型,预测模型预测的被控***的预测输出信号的超调量变大,超调量变大则使得经典的模型预测控制方法的时域输出性能降低。目前,可以提升模型预测控制方法的时域输出性能的普遍做法是增加预测步长,但是,增加预测步长就会增加模型预测方法的计算量。因此,如何在不增加计算量的同时实现缓解预测输出信号的超调量是一个具有挑战性的问题。
参照图1所示,本申请的实施例提供了一种模型预测控制方法,可以在不增加模型预测控制方法的计算量的同时缓解预测输出信号的超调量,该方法包括如下步骤:
101、获取预测模型的预测步长以及目标参考信号。
示例性的,在步骤101之前,需要先初始化被控***,例如被控***可以表示为被控***的传递函数,首先需要获取传递函数的输入信息,例如该输入信息可以包括上述的目标参考信号,以及传递函数的其他配置参数,以使得被控***能正常运行,输出被控***的输出信号。
然后,再获取预测模型的预测步长以及目标参考信号,其中,预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围。
在另一些实施例中,还需要获取预测模型的采样周期、控制步长等,其中控制步长为预测模型可以控制的时域范围。
102、在确定目标参考信号为阶跃信号时,根据预测步长生成自适应窗函数。
具体的,可以根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长整除2加1至预测步长整除2;或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2,并且自适应窗函数的时域长度为预测步长。
示例性的,以预测步长是8为例,在预测步长的时域范围内,目标参考信号在很短的时域范围内由初始状态跃变至跃变状态,则该目标参考信号是阶跃信号。在确定目标参考信号为阶跃信号时,需要根据预测步长生成自适应窗函数,由于预测步长为8,则负的预测步长整除2加1为-3,预测步长整除2为4,也就表示自适应窗函数的时域范围为[-3,4],由此可知自适应窗函数的时域长度为8。
示例性的,以预测步长是9为例,在预测步长的时域范围内,目标参考信号在很短的时域范围内由初始状态跃变至跃变状态,则该目标参考信号是阶跃信号。在确定目标参考信号为阶跃信号时,需要根据预测步长生成自适应窗函数,由于预测步长为9,则负的预测步长整除2为-4,预测步长整除2为4,也就表示自适应窗函数的时域范围为[-4,4],由此可知自适应窗函数的时域长度为9。
在一些实施例中,根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2减1;或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2,并且自适应窗函数的时域长度为预测步长。
在另一些实施例中,根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长除以2并向上取整然后加1至预测步长除以2向上取整;或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长除以2并向上取整然后加1至预测步长除以2向上取整减1。
103、根据自适应窗函数更新目标参考信号。
其中,自适应窗函数用于对阶跃信号平滑处理,以使得更新后的目标参考信号在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态。
示例性的,上述的自适应窗函数可以是sigmoid函数,其中,sigmoid函数也被称为logistic函数,sigmoid函数可以将一个实数映射带(0,1)的区间内,具有平滑且易于求导的特点,sigmoid函数经常被用于神经网络的激活函数,其中,sigmoid函数的函数表达式为:
其中,sigmoid函数中的参数r是阶数,r的值对应于sigmoid函数的时域长度。sigmoid函数的值域为(0,1),sigmoid函数的时域可以根据不同的情况设定不同的时域范围,参照图2所示,图2以sigmoid函数的时域范围为[-5,5]为例,生成sigmoid函数的波形图,参照图2可见sigmoid函数的波形如S曲线,由此sigmoid函数也被称为S型生长曲线。
具体的,在自适应窗函数是sigmoid函数,并且以预测步长是9为例,根据预测步长生成自适应窗函数,并根据自适应窗函数更新目标参考信号,该更新后的目标参考信号的波形与目标参考信号的波形的对比如图3所示。如图3所示,目标参考信号S1在[-4,-3)的时域范围内由初始状态的0跃变至跃变状态的1,并在[-3,4]的时域范围内,目标参考信号S1保持为跃变状态的1。根据预测步长为9生成自适应窗函数,该自适应窗函数的时域长度为预测步长9,该自适应窗函数的时域范围是[-4,4],并根据自适应窗函数更新目标参考信号,如图3所示,更新后的目标参考信号S2,在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态0,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态1,也就表示自适应窗函数可以对阶跃信号进行平滑处理。
示例性的,根据自适应窗函数更新目标参考信号时,更新后的目标参考信号具体为下一时刻的目标参考信号与当前时刻的目标参考信号的差值与自适应窗函数的积加上当前时刻的目标参考信号。
需要说明的是,采样时刻按照采样周期为5s为例,那么当前采样时刻可以是1s、5s、10s等,而当前时刻可以是1s、2s、3s等。
在上述的模型预测控制方法中,首先获取预测模型的预测步长和目标参考信号,并且在确定目标参考信号为阶跃信号时,通过将自适应窗函数的时域长度设置为预测步长,并且根据自适应窗函数更新目标参考信号,以使得更新后的目标参考信号不是在很短的时间内发生跃变,而是在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态,该自适应窗函数可以实现对阶跃信号的平滑处理,以使得更新后的目标参考信号相较于更新前的目标参考信号更为平滑。由于更新后的目标参考信号更为平滑,那么通过将更新后的目标参考信号和历史的预测输出信号作为输入信息输入至预测模型时,也使得预测模型输出的预测输出信号更为平滑,从而缓解预测模型输出的预测输出信号的超调量,以此提高模型预测控制方法的时域输出性能。由此可见在该模型预测控制方法中,是通过平滑目标参考信号的方式缓解预测模型输出的预测输出信号的超调量的,不需要通过增加预测步长的方式缓解预测模型输出的预测输出信号的超调量,以实现在不增加计算量的同时实现缓解预测模型输出的预测输出信号的超调量的问题。
示例性的,以电感耦合等离子体(inductively coupled plasma,ICP)为被控***,使用经典的模型预测控制方法和本申请的实施例提供的模型预测控制方法对被控***ICP进行控制,其中,被控***ICP是一个单输入单输出的***,被控***ICP的输出信号为电子密度,被控***ICP的输入信号为功率,通过版本为R2015a的MATLAB仿真软件对被控***ICP进行仿真,并且运行该仿真软件的计算机的基础硬件配置为处理器是i7,随机存取存储器(random access memory,RAM)的大小为16G,并且该被控***ICP在s域的传递函数为:
其中,分别使用经典的模型预测控制方法以及本申请的实施例提供的模型预测控制方法对被控***ICP创建预测模型,并且统计预测模型的预测输出信号和输入信息。
参照图4所示,使用经典的模型预测控制方法对被控***ICP创建预测模型,并且统计预测模型的预测输出信号和输入信息,包括如下步骤:
201、初始化预测模型的原始参数。
具体的,需要初始化的预测模型的原始参数,包括:设置预测模型的采样周期T为0.13s,设置历史的预测输出信号约束的最小值umin为25,设置历史的预测输出信号约束的最大值umax为65,设置历史的预测输出信号的时域范围内的差值约束的最小值Δumin为-10,设置历史的预测输出信号的时域范围内的差值约束的最大值Δumax为10,设置预测输出信号和目标参考信号的误差的代价函数权重值Q1为1,设置历史的预测输出信号的代价函数权重值Q2为10-5。
202、获取预测模型的预测步长以及目标参考信号。
其中,预测模型的预测步长Hp为4,目标参考信号Yref为周期为0.2s的阶跃信号,并且该阶跃信号的初始状态为1×1019/m3,该阶跃信号的跃变状态为3×1019/m3。其中,还需要获取控制步长Hc,被控***ICP的预测模型的控制步长Hc为1。
203、构造代价函数,生成预测输出信号。
在被控***ICP中,设定优化目标为被控***ICP的预测输出信号与目标参考信号的差值和被控***ICP的输入耗能,构建代价函数,则该代价函数为:
上述代价函数的约束条件如下:
umin≤u(k)≤umax (公式6)。
Δumin≤Δu(k)≤Δumax (公式7)。
其中,为预测输出信号,Yref为目标参考信号,U为历史的预测输出信号,Hp为预测步长,Hc控制步长,umin为历史的预测输出信号约束的最小值,umax为历史的预测输出信号约束的最大值,Δumin为历史的预测输出信号的时域范围内的差值约束的最小值,Δumax为历史的预测输出信号的时域范围内的差值约束的最大值,u(k+j)为k采样时刻所预测的k+j采样时刻的历史的预测输出信号;/>为k采样时刻预测的电感耦合等离子体产生***在k+j采样时刻的状态值,/>为k采样时刻预测的电感耦合等离子体产生***在k+j采样时刻的预测输出信号;A,B,C表征被控***传递函数的状态空间矩阵。Aj为状态空间矩阵A的j次方,Aj-i为状态空间矩阵A的j-i次方,Q1为预测模型预测的预测输出信号和预测模型的目标参考信号的误差的代价函数权重值,Q2为MPC的历史的预测输出信号的代价函数权重值;在代价函数中,Yref(k)是目标参考信号在k时刻的目标参考值,Ypre(k)是预测输出信号在k时刻的预测输出值。
对代价函数minJ(k)根据约束条件求解,求出使得代价函数minJ(k)最小化的预测步长内的优化序列,并输出该优化序列作为预测输出信号,然后将目标参考信号以及当前采样时刻的预测输出信号的首个序列值作为下一个采样时刻的输入信息,其中,由于被控***ICP的输入信号为功率,因此预测模型的输入信息也是功率,参照图6所示,图6的横坐标表示时间t,单位为秒(s),纵坐标表示功率P,单位为千瓦(KW),曲线1表示使用经典的模型预测控制方法对被控***ICP进行控制,预测模型的输入信息的波形图,该预测模型的输入信息在32×10-3s时刻至40×10-3s时刻之间的功率为10kw,在45×10-3s时刻的功率达到峰值为37kw,并在50×10-3s时刻之后的功率趋于稳定为36kw。
其中,由于被控***ICP的输出信号为电子密度,因此预测模型的预测输出信号也是电子密度,参照图7所示,图7的横坐标表示时间t,单位为秒(s),纵坐标表示电子密度Ne,单位为电子每立方米(表示为/m3),曲线3表示使用经典的模型预测控制方法对被控***ICP进行控制,预测模型预测输出的预测输出信号的波形图,该预测输出信号在32×10-3s时刻至40×10-3s时刻之间的电子密度为1×1019/m3,在44×10-3s时刻的电子密度达到峰值为3.349×1019/m3,并在50×10-3s时刻之后的电子密度区域稳定为3×1019/m3。其中,根据超调量的计算公式(峰值-终值)÷终值×100%可以算出,使用经典的模型预测控制方法对被控***ICP进行控制的预测输出信号的超调量为(3.349×1019-3×1019)÷3×1019×100%,为11.6%。
参照图5所示,使用本申请的实施例提供的模型预测控制方法对被控***ICP创建预测模型,并且统计预测模型的预测输出信号和输入信息,包括如下步骤:
301、初始化预测模型的原始参数。
具体的,步骤301与步骤201相同,在此不赘述。
302、获取预测模型的预测步长以及目标参考信号。
具体的,步骤302与步骤202相同,在此不赘述。
303、在确定目标参考信号为阶跃信号时,根据预测步长生成自适应窗函数。
其中,根据步骤302(也就是步骤202)的描述可知,目标参考信号为阶跃信号,预测步长为4,那么根据预测步长生成自适应窗函数,自适应窗函数的时域长度为预测步长4,自适应窗函数的时域范围为[-1,2],并且以自适应窗函数为sigmoid函数为例,该自适应窗函数为
(也就是上述的公式1)。
304、根据自适应窗函数更新目标参考信号。
其中,更新后的目标参考信号为Y′ref,该更新后的目标参考信号具体为:
Y′ref(k+j)=[Yref(k+1)-Yref(k)]F(r)+Yref(k) (公式8)。
其中,Yref(k+1)为下一时刻的目标参考信号,Yref(k)为当前时刻的目标参考信号,F(r)为自适应窗函数,也就是说,更新后的目标参考信号是将下一时刻的目标参考信号与当前时刻的目标参考信号的差值与自适应窗函数的积加上当前时刻的目标参考信号。
并且,自适应窗函数F(r)用于对阶跃信号平滑处理,以使得更新后的目标参考信号Y′ref在自适应窗函数F(r)的时域范围的起始时刻为阶跃信号的初始状态1×1019/m3,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态1×1019/m3。
305、构造代价函数,生成预测输出信号。
示例性的,步骤305中的代价函数minJ(k)与步骤203中的代价函数minJ(k)相同,只是将步骤203中的代价函数minJ(k)中的目标参考信号Yref变成更新后的目标参考信号Y′ref,以此实现对代价函数minJ(k)根据约束条件求解,求出使得代价函数minJ(k)最小化的预测步长内的优化序列,并输出该优化序列作为预测输出信号,然后将目标参考信号以及当前采样时刻的预测输出信号的首个序列值作为下一个采样时刻的输入信息,参照图6所示,曲线2表示使用本申请的实施例提供的模型预测控制方法对被控***ICP进行控制,预测模型的输入信息的波形图,该输入信息在32×10-3s时刻至40×10-3s时刻之间的功率为10kw,在47.5×10-3s时刻的功率达到峰值为36kw,并在50×10-3s时刻之后的功率趋于稳定为36kw。
参照图7所示,曲线4表示使用本申请的实施例提供的模型预测控制方法对被控***ICP进行控制,预测模型预测输出的预测输出信号的波形图,该预测输出信号在32×10-3s时刻至40×10-3s时刻之间的电子密度为1×1019/m3,在47×10-3s时刻的电子密度达到峰值为3.126×1019/m3,并在50×10-3s时刻之后的电子密度区域稳定为3×1019/m3。其中,根据超调量的计算公式(峰值-终值)÷终值×100%可以算出,使用本申请的实施例提供的模型预测控制方法对被控***ICP进行控制的预测输出信号的超调量为(3.126×1019-3×1019)÷3×1019×100%,为4.2%,使用本申请的实施例提供的模型预测控制方法对被控***ICP进行控制,预测模型输出的预测输出信号的超调量,明显小于,使用经典的模型预测控制方法对被控***ICP进行控制,预测模型输出的预测输出信号的超调量。
其中,图7中的曲线5表示目标参考信号,目标参考信号在32×10-3s时刻至40×10-3s时刻之间的电子密度为初始状态的1×1019/m3,在41×10-3s时刻的电子密度达到跃变状态的3×1019/m3,并在41×10-3s时刻之后的电子密度保持跃变状态的3×1019/m3。
需要说明的是,在预测模型的目标参考信号不是阶跃信号时,即可不更新目标参考信号直接构造代价函数。
上述主要从模型预测控制方法的角度对本申请提供的方案进行了介绍。可以理解的是,上述的模型预测控制方法中的一个或多个步骤可以通过相应的硬件结构和/或软件模块实现。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个步骤究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请可以根据上述方法示例进行功能模块的划分,例如,可以对应各个步骤的功能划分各个功能模块,也可以将两个或两个以上的步骤的功能集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图8示出了本申请的实施例提供的模型预测控制装置的结构示意图,该模型预测控制装置80包括获取单元801和控制单元802。
获取单元801,用于获取预测模型的预测步长以及目标参考信号,其中预测步长为预测模型对输入的目标参考信号进行预测输出的预测输出信号的时域范围。
控制单元802,用于在确定获取单元801获取的目标参考信号为阶跃信号时,根据获取单元801获取的预测步长生成自适应窗函数,自适应窗函数的时域长度为预测步长。
控制单元802,还用于根据自适应窗函数更新目标参考信号,其中自适应窗函数用于对阶跃信号平滑处理,以使得更新后的目标参考信号在自适应窗函数的时域范围的起始时刻为阶跃信号的初始状态,在自适应窗函数的时域范围的结束时刻为阶跃信号的跃变状态。
可选的,控制单元802,具体用于根据预测步长的奇偶性生成自适应窗函数;其中,在预测步长是偶数时,自适应窗函数的时域范围为负的预测步长整除2加1至预测步长整除2;或者,在预测步长是奇数时,自适应窗函数的时域范围为负的预测步长整除2至预测步长整除2。
可选的,控制单元802,具体用于将下一时刻的目标参考信号与当前时刻的目标参考信号的差值与自适应窗函数的积加上当前时刻的目标参考信号,更新目标参考信号。
可选的,自适应窗函数为sigmoid函数。
示例性的,图8中的单元也可以称为模块,例如,控制单元可以称为控制模块。另外,在图8所示的实施例中,各个单元的名称也可以不是图中所示的名称,例如,获取单元也可以称为收发单元。需要说明的是,图8中还可以包括更多或更少的单元。
示例性的,本申请的实施例还提供一种模型预测控制装置的硬件结构示意图,如图9所示,该模型预测控制装置90包括一个或多个处理器901、收发电路902以及存储器903,其中收发电路902、处理器901和存储器903通过总线904连接。
处理器901可以是中央处理器(central processing unit,CPU),通用处理器、网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。处理器还可以是其它任意具有处理功能的装置,例如电路、器件或软件模块。处理器801也可以包括多个CPU,并且处理器801可以是一个单核(single-CPU)处理器,也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
收发电路902可以用于与其他设备或通信网络通信,如以太网,RAN,无线局域网(wireless local area networks,WLAN)等。通信接口可以是模块、电路、收发器或者任何能够实现通信的装置。
存储器903可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,本申请的实施例对此不作任何限制。存储器903可以是独立存在,也可以和处理器901集成在一起。其中,存储器903用于存储计算机程序代码,计算机程序代码包括指令等。当一个或多个处理器901执行指令时,以使得模型预测控制装置90能执行本申请的实施例所提供的模型预测控制方法。
总线904可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
并且本申请的实施例提供一种计算机可读存储介质,计算机可读存储介质包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行上述任意一项模型预测控制方法。例如图1、图5中的各个步骤如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一种计算机可读存储介质中。基于这样的理解,本申请的实施例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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述的基于区块链的机器学习任务分发方法的全部或部分步骤。存储计算机软件产品的存储介质包括: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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时,使得计算机执行本申请的实施例所述的模型预测控制方法。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种模型预测控制方法,其特征在于,包括:
获取预测模型的预测步长以及目标参考信号,其中所述预测步长为所述预测模型对输入的所述目标参考信号进行预测输出的预测输出信号的时域范围;
在确定所述目标参考信号为阶跃信号时,根据所述预测步长生成自适应窗函数,所述自适应窗函数的时域长度为所述预测步长;
根据所述自适应窗函数更新所述目标参考信号,其中所述自适应窗函数用于对所述阶跃信号平滑处理,以使得更新后的所述目标参考信号在所述自适应窗函数的时域范围的起始时刻为所述阶跃信号的初始状态,在所述自适应窗函数的时域范围的结束时刻为所述阶跃信号的跃变状态;
其中,根据所述预测步长生成自适应窗函数,包括:
根据所述预测步长的奇偶性生成自适应窗函数;
其中,在所述预测步长是偶数时,所述自适应窗函数的时域范围为负的所述预测步长整除2加1至所述预测步长整除2;
或者,在所述预测步长是奇数时,所述自适应窗函数的时域范围为负的所述预测步长整除2至所述预测步长整除2。
2.根据权利要求1所述的模型预测控制方法,其特征在于,
根据所述自适应窗函数更新所述目标参考信号,包括:
将下一时刻的所述目标参考信号与当前时刻的所述目标参考信号的差值与所述自适应窗函数的积加上所述当前时刻的所述目标参考信号。
3.根据权利要求1-2任一项所述的模型预测控制方法,其特征在于,
所述自适应窗函数为sigmoid函数。
4.一种模型预测控制装置,其特征在于,包括:获取单元和控制单元;
所述获取单元,用于获取预测模型的预测步长以及目标参考信号,其中所述预测步长为所述预测模型对输入的所述目标参考信号进行预测输出的预测输出信号的时域范围;
所述控制单元,用于在确定所述获取单元获取的所述目标参考信号为阶跃信号时,根据所述获取单元获取的所述预测步长生成自适应窗函数,所述自适应窗函数的时域长度为所述预测步长;
所述控制单元,还用于根据所述自适应窗函数更新所述目标参考信号,其中所述自适应窗函数用于对所述阶跃信号平滑处理,以使得更新后的所述目标参考信号在所述自适应窗函数的时域范围的起始时刻为所述阶跃信号的初始状态,在所述自适应窗函数的时域范围的结束时刻为所述阶跃信号的跃变状态;
其中,所述控制单元,具体用于根据所述预测步长的奇偶性生成自适应窗函数;
其中,在所述预测步长是偶数时,所述自适应窗函数的时域范围为负的所述预测步长整除2加1至所述预测步长整除2;
或者,在所述预测步长是奇数时,所述自适应窗函数的时域范围为负的所述预测步长整除2至所述预测步长整除2。
5.根据权利要求4所述的模型预测控制装置,其特征在于,
所述控制单元,具体用于将下一时刻的所述目标参考信号与当前时刻的所述目标参考信号的差值与所述自适应窗函数的积加上所述当前时刻的所述目标参考信号,以更新所述目标参考信号。
6.根据权利要求4-5任一项所述的模型预测控制装置,其特征在于,
所述自适应窗函数为sigmoid函数。
7.一种模型预测控制装置,其特征在于,所述模型预测控制装置包括一个或多个处理器,收发电路,以及存储器;
所述存储器、所述收发电路与所述一个或多个处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括指令,当所述一个或多个处理器执行所述指令时,所述模型预测控制装置执行如权利要求1-3任意一项所述的模型预测控制方法。
8.一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包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如权利要求1-3任意一项所述的模型预测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111619707.7A CN114355774B (zh) | 2021-12-27 | 2021-12-27 | 模型预测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111619707.7A CN114355774B (zh) | 2021-12-27 | 2021-12-27 | 模型预测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355774A CN114355774A (zh) | 2022-04-15 |
CN114355774B true CN114355774B (zh) | 2023-07-28 |
Family
ID=81102963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111619707.7A Active CN114355774B (zh) | 2021-12-27 | 2021-12-27 | 模型预测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355774B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079577B (zh) * | 2022-07-22 | 2022-11-11 | 浙江中控技术股份有限公司 | 基于实时控制性能评估的闭环阶跃测试方法和测试装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632524A (zh) * | 2017-10-25 | 2018-01-26 | 华中科技大学 | 一种通信机房温度模型预测控制方法和*** |
CN109856978A (zh) * | 2019-03-26 | 2019-06-07 | 广东电网有限责任公司 | 一种获取被控对象模型的方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6839599B2 (en) * | 1996-05-06 | 2005-01-04 | Pavilion Technologies, Inc. | Kiln/cooler control and upset recovery using a combination of model predictive control and expert systems |
JP2005339241A (ja) * | 2004-05-27 | 2005-12-08 | Nissan Motor Co Ltd | モデル予測制御装置および車両用推奨操作量生成装置 |
US7451004B2 (en) * | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
CN100517135C (zh) * | 2005-11-18 | 2009-07-22 | 鸿富锦精密工业(深圳)有限公司 | 自动控制模拟***及自动控制模拟方法 |
CN101349893B (zh) * | 2007-07-18 | 2011-03-16 | 太极光控制软件(北京)有限公司 | 自适应模型预测控制装置 |
CN104899658A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于时间序列预测模型适用性量化的预测模型选择方法 |
CN108869175B (zh) * | 2018-06-15 | 2019-07-09 | 中南大学 | 一种基于多步预测的模型预测控制mpc的偏航控制方法 |
CN110308654B (zh) * | 2019-07-01 | 2020-06-05 | 西安电子科技大学 | 基于模型预测控制的电感耦合等离子体产生***的整定方法 |
CN113703311B (zh) * | 2021-08-27 | 2024-07-16 | 西安热工研究院有限公司 | 一种燃煤机组自组织协同预测控制方法 |
-
2021
- 2021-12-27 CN CN202111619707.7A patent/CN114355774B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632524A (zh) * | 2017-10-25 | 2018-01-26 | 华中科技大学 | 一种通信机房温度模型预测控制方法和*** |
CN109856978A (zh) * | 2019-03-26 | 2019-06-07 | 广东电网有限责任公司 | 一种获取被控对象模型的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114355774A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022501678A (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
JP2022501677A (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
CN113434253B (zh) | 集群资源调度方法、装置、设备及存储介质 | |
CN111650835B (zh) | 一种随机跳变***的自适应事件触发异步滑模控制方法 | |
CN114355774B (zh) | 模型预测控制方法及装置 | |
US11620049B2 (en) | Method, electronic device and computer program product for managing storage space | |
CN109491956B (zh) | 一种异构协同计算*** | |
Muliukha et al. | Preemptive queueing system with randomized push-out mechanism | |
EP3239905A1 (en) | Methods and apparatus for use in predicting non-stationary time-series data | |
CN112823362A (zh) | 超参数调整方法、装置以及程序 | |
CN113919217B (zh) | 自抗扰控制器自适应参数整定方法及装置 | |
Shin et al. | Linear control theory for gene network modeling | |
CN117311998A (zh) | 一种大模型部署方法及*** | |
CN115345312A (zh) | 一种电子设计自动化方法及装置 | |
CN108011366B (zh) | 一种配电网可控资源协调优化控制方法和装置 | |
Yang et al. | On-demand inference acceleration for directed acyclic graph neural networks over edge-cloud collaboration | |
CN115940202A (zh) | 基于人工智能的多逆变器功率分配控制方法、装置及设备 | |
CN112186777B (zh) | 抑制频率振荡的agc频率偏差系数调整方法、***及装置 | |
CN112214718A (zh) | 基于改进动态规划算法求解有界背包问题的方法 | |
Smolensky | Overview: Computational, Dynamical, and Statistical Perspectives on the Processing and Learning Problems in Neural Network Theory | |
Shi et al. | Approximate dynamic programming with combined policy functions for solving multi-stage nurse rostering problem | |
CN117114055B (zh) | 面向工业应用场景的fpga二值神经网络加速方法 | |
US20240193413A1 (en) | Quantization-aware training with numerical overflow avoidance for neural networks | |
US20220147387A1 (en) | Method and system for using computational resources of a multiprocessor computing system | |
Zhao et al. | Explore adaptive dropout deep computing and reinforcement learning to large-scale tasks processing for big data |
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 |