【技術實現步驟摘要】
本公開實施例涉及控制，尤其涉及一種基于scn深度koopman模型的明渠預測控制方法。
技術介紹
1、明渠系統是一類典型的渠道系統，其機理模型是依據明渠水流滿足質量守恒和動量守恒而建立的名為圣維南方程的雙曲型擬線性偏微分方程，因為無法求得解析解，因此難以直接應用一般的控制策略。
2、現有的明渠系統建模方法主要是通過對圣維南方程進行離散化，然后在平衡點處進行線性化得到常微分方程或者代數方程，使其滿足一些經典控制算法的應用條件，常用的離散化方法有preissmann隱式差分以及有限體積法。然而上述方法難以避免的會出現以下的問題：
3、使用簡化模型作為控制對象，必然會導致模型精度的缺失，當誤差達到一定程度時，會造成控制器失效，同時無法應對環境因素變化造成的影響；
4、由于線性化方法是在系統平衡點附近進行的，當系統逐漸遠離平衡點時，模型精度也會越來越低，逐漸超出控制器的鎮定范圍，導致控制失效。
5、可見，亟需一種控制效率和精準度高的基于scn深度koopman模型的明渠預測控制方法。
技術實現思路
1、有鑒于此，本公開實施例提供一種基于scn深度koopman模型的明渠預測控制方法，至少部分解決現有技術中存在控制效率和精準度較差的問題。
2、本公開實施例提供了一種基于scn深度koopman模型的明渠預測控制方法，包括：
3、步驟1，采集明渠系統對應的狀態數據和控制序列；
4、步驟2，基于狀態數據和控制序列
5、步驟3，根據訓練好的編碼器和解碼器建立狀態更新方程；
6、步驟4，根據訓練好的編碼器和解碼器以及狀態更新方程構建優化問題并求解，得到優化控制器對明渠系統進行預測控制。
7、根據本公開實施例的一種具體實現方式，所述步驟1具體包括：
8、步驟1.1，使用圣維南方程描述明渠系統對應的動力學模型；
9、步驟1.2，使用preissmann隱式差分的方法將其離散化，隨機給定一組合適范圍的閘門的控制序列作為激勵信號，計算閘前水位在n個時間步長的內數值作為狀態數據。
10、根據本公開實施例的一種具體實現方式，所述步驟2具體包括：
11、步驟2.1，構建基于隨機配置網絡的編碼器和解碼器，其中，所述編碼器用于將原始狀態空間映射到特征狀態空間，所述解碼器用于將特征空間重構回原始空間；
12、步驟2.2，根據預設的訓練方式，利用狀態數據和控制序列分別訓練編碼器和解碼器。
13、根據本公開實施例的一種具體實現方式，所述預設的訓練方式為
14、步驟2.2.1，根據不等式誤差計算編碼器最后一個隱藏層內節點對應的網絡參數，其中，所述網絡參數包括權重參數和偏置；
15、步驟2.2.2，根據權重參數和偏置計算編碼器的最優輸出權重；
16、步驟2.2.3，根據編碼器的最優輸出權重、狀態數據和控制序列計算編碼器的當前輸出并據此計算第一誤差；
17、步驟2.2.4，判斷第一誤差是否小于第一閾值，若是，則結束編碼器訓練，若否，則增加最后一個隱藏層內節點數并重新執行步驟2.2.1至步驟2.2.3，直至第一誤差小于第一閾值；
18、步驟2.2.5，根據權重參數和偏置計算解碼器的最優輸出權重
19、步驟2.2.6，將狀態數據和編碼器的輸出作為解碼器的輸入，根據解碼器的最優輸出權重計算解碼器的當前輸出并具體計算第二誤差；
20、步驟2.2.7，判斷第二誤差是否小于第二閾值，若是，則結束解碼器訓練，若否，則增加最后一個隱藏層內節點數并重新執行步驟2.2.5至步驟2.2.6，直至第二誤差小于第二閾值。
21、根據本公開實施例的一種具體實現方式，所述步驟3具體包括：
22、步驟3.1，將訓練好的編碼器和解碼器的輸出轉換為數學表達形式；
23、步驟3.1，使用最小二乘的方法估算koopman算子矩陣并結合編碼器和解碼器的數學表達形式構建狀態更新方程。
24、根據本公開實施例的一種具體實現方式，所述步驟4具體包括：
25、步驟4.1，將訓練好的編碼器和解碼器以及狀態更新方程作為等式約束構建優化問題；
26、步驟4.2，在當前時間步求解優化問題，得到一組長度為nc的優化控制序列，將優化控制序列的第一個分量作用于明渠系統，在下一個時間步重新求解優化問題，重復上述步驟，得到一個向前滾動的優化控制器并據此實現控制目標，其中，nc為控制時域。
27、本公開實施例中的基于scn深度koopman模型的明渠預測控制方案，包括：步驟1，采集明渠系統對應的狀態數據和控制序列；步驟2，基于狀態數據和控制序列訓練基于隨機配置網絡的編碼器和解碼器；步驟3，根據訓練好的編碼器和解碼器建立狀態更新方程；步驟4，根據訓練好的編碼器和解碼器以及狀態更新方程構建優化問題并求解，得到優化控制器對明渠系統進行預測控制。
28、本公開實施例的有益效果為：通過本公開的方案，首先，為了保證建模的準確性，提高控制系統的魯棒性，基于隨機配置網絡(stochastic?configuration?network)的網絡框架被應用于明渠系統的建模中，其是一種基于數據驅動的隨機化學習方法，相較于傳統基于梯度下降的神經網絡，具有更快的訓練速度。在學習系統的動態演化時，使用基于koopman算子的全局線性化建模方法，將隨機配置網絡學習到的高維特征線性演進，預測下一時刻的系統的狀態。最后結合上述兩個方法得到的系統模型，設計模型預測控制器，實現對明渠系統水位的高效精準控制。
本文檔來自技高網...【技術保護點】
1.一種基于SCN深度Koopman模型的明渠預測控制方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述步驟1具體包括：
3.根據權利要求1所述的方法，其特征在于，所述步驟2具體包括：
4.根據權利要求3所述的方法，其特征在于，所述預設的訓練方式為
5.根據權利要求4所述的方法，其特征在于，所述步驟3具體包括：
6.根據權利要求5所述的方法，其特征在于，所述步驟4具體包括：
【技術特征摘要】
1.一種基于scn深度koopman模型的明渠預測控制方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述步驟1具體包括：
3.根據權利要求1所述的方法，其特征在于，所述步驟2具體包括：...
【專利技術屬性】
技術研發人員：岑麗輝，翁楠，陳中，謝永芳，陳曉方，殷澤陽，
申請(專利權)人：中南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。