CN101589363A - 动态模型预测控制 - Google Patents
动态模型预测控制 Download PDFInfo
- Publication number
- CN101589363A CN101589363A CNA2007800444424A CN200780044442A CN101589363A CN 101589363 A CN101589363 A CN 101589363A CN A2007800444424 A CNA2007800444424 A CN A2007800444424A CN 200780044442 A CN200780044442 A CN 200780044442A CN 101589363 A CN101589363 A CN 101589363A
- Authority
- CN
- China
- Prior art keywords
- variable
- dynamic
- controlled variable
- value
- performance
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
Abstract
本发明提供一种动态模型预测控制的方法,其中,将操作变量的稳态优化和动态运动计算一起确定为一个优化解法(211)的一部分。该方法组合了稳态优化和动态运动计算,由此确定与过程的动态运动和产生的动态响应一致的稳态最优目标,从而受控变量在稳态和动态中都不违反受控变量的下/上限。该方法使用与每一个受控变量相对应的上限动态违反变量和下限动态违反变量。当稳态优化与改变条件下的大模型预测控制的应用相关时,该方法提供将部分动态优化与稳态优化相混合的独特的性能,特别在约束违反或接近约束违反时,在不必改变控制器调节的情况下,为了改善的和增强的控制性能,可以动态地实时使用该方法。
Description
技术领域
本发明涉及在模型预测控制器中确定操作变量的动态运动,具体地,本发明涉及一种计算方法,其中,作为一个优化解法的一部分同时进行稳态优化和动态运动计算。
背景技术
自从1980年开始,模型预测控制(MPC)的基本公式包括两步解法。受约束的稳态优化解法的第一步包括根据过去操作变量运动的结果,基于当前预测的将来稳态,对受控变量和操作变量二者确定最优稳态目标。在动态运动计算解法的第二步中,计算操作变量的动态运动以获得达到最优稳态目标的过程。然而,通过控制时域上的操作变量的多个将来运动或它们的某些改变,动态运动被计算为不受约束的最少均方解以最小化受控变量在预测时域上的预测误差的平方,而不是计算为明确的约束动态解。此外,通过采用滚动时域(receding horizon)方法,重复执行这些两步解法以持续更新最优稳态目标及动态运动。2步解法的一个关键不足是即使稳态解不违反(violate)上/下限,受控变量值也可能违反上/下限。作为无约束解的动态运动计算不能确保受控变量不违反受控变量各自的上/下限,同时如稳态优化步骤更早确定的那样向稳态目标运动。因此,在现有的MPC中,在改变过程条件的情况下,MPC的动态性能可能发生显著的改变。另外,在一组过程条件下,改善不良性能的任何企图必然将导致控制器调节(controller tuning)的改变,在某些其它过程条件下,这随后会产生不良的性能。对于宽范围的操作条件,现有的MPC在性能上并不良好。
实际上,为了避免该问题,使用用于受控变量和操作变量二者的各种形式的调节权重。特定地,对于动态运动计算,需要受控变量权重和操作变量权重以确保使受控变量的动态违反最小。通常,通过减少运动的尺寸来并从而降低接近最优稳态目标的速度,增加操作变量权重减少受控变量的动态违反。一定量的操作变量的调节权重对于维持在控制下的过程的动态稳定性是必不可少的。然而,实际上,调节权重的有效性相当受限于并且非常依赖于操作的范围。一组调节权重值不能确保在改变操作条件的情况下受控变量的动态违反是相同的。因此,实际上,基于折衷的办法来设置调节权重,由此通过接受缓慢的过程性能来取得受控变量的动态违反。因此,为了维持控制下的过程的响应和稳定性,需要不时地调整调节权重。这是试错法。在改变干扰条件的情况下,被不良调节的MPC将通过根据受控变量的过量的动态违反来执行。在中等大小的MPC中,不容易设置在所有时间始终如一地进行执行的调节权重。本质上,现有技术中的2步解法包括特征为在稳态优化中无约束的动态运动的效果的正反馈环路及相反的情况。这使得现有的MPC由于在包括受控变量和操作变量二者的调节权重的可测量的和不可测量的干扰干扰中的一定的动态改变量而更容易受到自身引起的不稳定性。
在最近的25年中,在工业领域,2步解法已经是MPC实施的壁垒。从1980年Shell开发公司第一次引入2步解法至今,该解法基本保持相同。Lu等人的现有专利US PAT#5758047涉及一种2步解,其中第一步的稳态目标和动态运动计算是协调的,在第二步中通过增强的问题求解动态运动。基本上,在另一较早的US专利#4616308中Morshedi等人公开了涉及动态运动的计算的相同的2步过程。
发明内容
现有MPC的关键问题是通常仅通过调节权重来控制受控变量的动态违反。
因此,本发明的目的是提供一种系统和方法,该系统和方法明确地约束在到达操纵变量运动中受控变量的动态违反,从而导致改善的和鲁棒的控制性能。
附图说明
图1是说明现有MPC中的2步解的框图;
图2是说明根据本发明的动态MPC的框图;
图3是受控变量的动态违反的说明;
图4.1是动态MPC的说明;
图4.2是具有约束稳态最优目标的预测动态违反的动态MPC的说明;
图4.3是具有不约束稳态最优目标的预测动态违反的现有MPC的说明;
图5说明操作变量运动约束锥形;
图6是DeButanizer示意性过程流图表;
图7是DeButanizer示例的过程变量;
图8是具有和不具有U8PC01的动态嵌入的性能比较。
具体实施方式
在图1中,示出说明2步现有MPC过程控制的框图。过程201的特征是多个通常被称作受控变量(过程输出变量)203、操作变量(过程输入变量)202及干扰变量(过程不受控制的输入变量)204的变量。该过程涉及其中操作变量和干扰变量的改变的结果引起受控变量在一段时间上的某些改变的任何形式的操作。典型地,普遍已知稳态为受控变量的改变固定为常数或包括以不变速度改变的近常数值。稳态表示在操作变量和/或干扰变量改变之后过程的最终状态。对于稳定过程,对于固有地稳定过程当输出变量的改变速度变为零,或者对于开环非稳定过程,输出的改变速度达到常数,则获得稳态,例如液体蓄电池,当输出变量的改变速度达到常数时获得稳态。为了揭示本发明,这些类型的过程都被认为以它们各自的方式达到稳态。然而,为了说明,本文将仅考虑固有稳定过程而不丧失一般性。
图1中描述的过程101可以是包括一个输入变量和一个输出变量的简单过程或是包括多个输入变量和多个输出变量的更复杂的过程。随着现有MPC的过程的大小变大,受控变量的动态违反问题变得更加困难并且富有挑战性。
在图1中,113构成在现有技术中一般知道的模型预测控制,模型预测控制包括稳态优化器和动态控制器。稳态优化器112首先根据操作变量的先前的运动、干扰变量的改变及受控变量的反馈,基于预测的稳态,计算操作变量和受控变量的最优稳态目标。然后将稳态最优目标传到动态控制器以确定可能使过程达到目标稳态的操作变量的将来运动。动态控制器111不管怎样将这个执行为预测的受控变量距它们的稳态目标的最小均方最小化。然后对过程应用操作变量的计算出的将来运动102的第一运动以对过程起作用。重复该计算循环,然后过程渐渐地达到最终的稳态。
图3说明现有MPC中出现的有关于稳态优化和操作变量的动态运动的受控变量301的动态违反的非典型问题。图3也说明了所期望或希望的根据本发明的不违反CV路径302。如下所述,根据本发明,不违反CV路径被确定为包括稳态优化和动态控制运动计算的组合优化解法的一部分。
在图2中,提出了改进的MPC,在该MPC中,将现有MPC中的2步解法合并为一个优化步骤解法。
假设通过一组变量来表征过程,该一组变量例如是:
Md表示操作变量的动态值
Cd表示受控变量的动态值
Dd表示干扰变量的动态值
M表示操作变量的稳定值
C表示受控变量的稳态值
D表示初始时干扰变量的值。
稳态时,C=Cd,M=Md
此外,假设:
存在m个操作变量,
存在c个受控变量,
存在d个干扰变量。
对于大多数典型的MPC应用,除了过去值和当前值,不存在已知或给出的干扰变量的将来值,在这些情况下,使用D就够了。然而,除了已知/给出的将来值,使用Dd将认为是使用如惯常使用的D。因此,在公式中,适当的Dd和D将被互换使用。
过程201被认为是动态系统,通过下面的公式表征受控变量的动态响应
(C,Cd)=G(Md,Dd) 1
其中,G描述对于给出的一组动态运动Md和Dd中动态干扰将来改变,作为(C,Cd)的受控变量的动态响应。(C,Cd)被认为由作为C的稳态响应和作为Cd的动态响应组成。当然,在过程的稳态中,Cd达到值C。为了明确表达,在适当的情况下,C和Cd二者被认为是分离的。除了变量Md,为了稳态优化,将使用M作为稳态变量。重要的是应该注意,Dd被本质上认为是外部变量,其不通过优化解法确定而是影响优化解法。通常,在MPC应用中,Dd涉及在控制循环开始时测量的实际动态改变,而对于大多数将来的动态改变被认为是未知的并因此为零。然而,如在本发明的另一实施例中进一步揭示的,本文中的公式允许更有趣的情况,其中,可以包括将来的D的动态改变。
本发明提出的动态MPC的目的是通过以上述等式1表征的过程,优化受到与变量(C,Cd,M,Md)相关的一组约束的涉及(C,Cd,M,Md)的目标函数,如下所述,这将导致(C,Cd,M,Md)的最优值的确定。由于(C,Cd)是相互依赖的变量,因此本质上,所提出的动态优化产生(M,Md)作为最优解。
如下以普通形式并以等式2的示例性形成使目标函数J被最大化。
J=F(M,C,Dd,Md,Cd)+∑∑P l c C l+∑∑P h c C h 1.1
其中,F是过程经过时域达到过程的稳态的某个优化函数。因此,如上述公式所述,要考虑到通过本文进一步描述的优化过程确定的稳态变化及相关动态运动二者来优化J。然而,在大多数实际应用中,F(M,C,Dd,Md,Cd)实际形式是F(M,C,D),不包括动态变量。本领域技术人员将理解不包括动态变量(Md,Cd)实际上并不破坏这里给出的公式。因此,在本文中,我们可以假设优化函数将是形式F(M,C,D)而不损失一般性。
为了说明而不是限制,下面是简单形式的优化函数:
J=PmM+PcC+∑∑P i c C i+∑∑P h c C h 2
等式2结合了稳态优化函数和受控变量的所有下/上动态违反的全部罚值(penalty)的总数。应该理解本领域技术人员将期望在本文描述的优化过程中可以包括的F(M,C,Dd,Md,Cd)的各种变化形式。为了说明而不是限制,本文中G被认为是在模型预测控制领域中普遍使用的阶跃响应(离散时间)类型的线性动态模型。这就是说,对过程使用离散系数动态模型,可以通过下式确定受控变量的稳态值
Ci=Ci *+∑gi,j(Mj-Mj *)+∑gi,l(Dl-Dj *)。
通过下式确定受控变量的动态值:
Ci k=Ci k*+∑gi,j kΔMj *+∑gil kΔDlj k。
其中,服从:
Ml≤M≤Mh 2.1
Cl≤C≤Ch 2.2
Ci=Ci *+∑gi,j(Mj-Mj *) 2.2.1
-ΔMj l≤ΔMj≤ΔMj h 2.3
0≤ΔMj +≤Mj h 2.3.1
0≤ΔMj -≤Mj h 2.3.2
ΔMj=ΔMj +-ΔMj - 2.3.3
ΔMj 1=Mj 1-Mj *其中,Mj *是Mj的当前值
ΔMj k=Mj k-Mj k-1 k=2..kMV 2.3.4
ΔMj k=0 k=kMV+1..kCV 2.3.5
∑ΔMj k=Mj-Mj * 2.3.6
-θ≤Ci k-Ci k ref-C h i+C l i≤θ 2.4
0≤C h i 2.5
0≤C l i 2.6
Ci k=Ci k*+∑gi,j kΔMj k+∑gi,l kΔDl k 2.7
其中:
Ml是操作变量M的下限,
Mh是操作变量M的上限,
Cl是受控变量C的下限,
Ch是受控变量C的上限,
ΔMj是操作变量j的动态运动向量,
ΔMj +是操作变量j的正的动态运动向量,
ΔMj -是操作变量j的负的动态运动向量,
ΔMj l是操作变量j的动态运动的下限,
ΔMj h是操作变量j的动态运动的上限,
ΔMj k是从现在开始在时间k的操作变量Mj的动态控制运动,
Mj是操作变量j的最优稳态目标,
Mj *是操作变量j的当前值,
Dlj是干扰变量l的当前值,
Dl *是干扰变量l的前一时间周期值,
Ci *是受控变量的当前预测稳态值,
Ci基于最近过去的过程条件,
Ci是通过优化确定的稳态值,
Ci k是从现在开始到k时间间隔的受控变量Ci的预测值,
Ci k ref是从现在开始在k时间间隔的受控变量Ci的期望值,下面进一步对此进行描述,
C i h是受控变量Ci的上限动态违反变量,
C i i是受控变量Ci的下限动态违反变量,
Ci k*是基于过去的过程条件在时间K上的受控变量Ci的动态值,
gi,j是对于操作变量Mj的单位改变受控变量Ci的阶跃响应模型的稳态增益,
gi,j k是对于操作变量Mj的单位改变受控变量Ci的过程模型的阶跃响应系数,
ΔDl k是在时间k上Dl的改变,
gi,lj k是对于干扰变量Dl的单位改变受控变量Ci的过程模型的阶跃响应系数,
θ是受控变量的预测动态值距其参考路径的偏差的允许容差,是较小的数,
Pm是操作变量的价格值,通常负值表示花费,正值表示收益,
Pc是受控变量的价格值,通常负值表示罚值,正值表示收益,
P c l是要对动态违反受控变量的下限的受控变量应用的大的罚值,
P c h是要对动态违反上限的受控变量应用的大的罚值,
K涉及从现在开始的将来时间,k=1..kMV..kCV
其中,kMV与用于操作变量运动的控制时域相关,没有操作变量被应用至该时域之外,从而允许受控变量达到它们的稳态。
KCV与用于受控变量达到稳态的时间相关,其应该是对于操作变量M中的变化而达到稳态所需要的最长时间加上最长控制时域。为了简单说明,假设该时间为考虑了对于全部操作变量的改变受控变量的全部响应的到稳态的最大时间加上全部操作变量的最长控制时域。
Dd是干扰变量在其将来值方面的动态值的向量,对于本文的大多数部分,将使用D代替Dd而不损失一般性。
提供上面引出的约束的简短描述以进一步阐明公式。约束2.1是操作变量的稳态最优值的下/上限约束。
约束2.2是受控变量的稳态最优值的下/上限约束。约束2.2.1涉及对于操作变量M的稳态目标中的改变受控变量C中的稳态改变。
约束2.3是用于操作变量的控制运动的下/上限约束。根据2.3.1和2.3.3其可以进一步拆分为正动态运动和负动态运动约束。这些代替2.3成为操作约束。
约束2.3.3用于操作变量的控制运动的总数,j必须等于其最优稳态目标和当前值之差。这是为了确保动态运动使受控变量成为最优稳态值。
可以将约束2.3进一步修改如下:
-(1-kMV/k)ΔMj l≤ΔMj,k≤(1-kMV/k)ΔMj h k=1..kMV 2.3.7
约束2.3.7形成用于最大控制运动的锥形约束轮廓(profile)501,确保更早地应用最重要的动态运动而不是更晚。在图5中描述了操作变量运动约束锥形的说明。存在许多其它的各种形状的锥形,这些锥形可以用于基于下面的过程的动态响应的需要及其特性来定义每一个操作变量的动态约束轮廓。
约束2.4是导致对于距期望的参考路径的偏差具有允许的容差的稳态目标的受控变量的动态约束。可以以许多替换的方式指定Ci,k ref。最简单的形式是线性路径(见图4.1,411)
Ci k ref=Ci l*+r(Ci-Ci l*) k=1..kref
Ci k ref=Ci l k=kref+1..kCV 2.4.1
按照所希望的那样来设置r。也可以通过适当的公式2.4.1来使用第一阶响应路径(见图4.1,412)。为了简单,在本文中假设是线性路径。典型地,虽然参考路径可能比操作变量使用的控制时域更长,但是在受控变量到达稳态的时间之前,参考路径应该完全终止。
重要地,注意约束2.4.1提供了稳态最优目标和受控变量的动态路径的互连(interlinking)。另外,约束2.4-2.7本质上约束了稳态最优目标以避免受控变量动态违反下/上限。
约束2.5涉及当受控变量违反上限时受控变量的动态违反变量。当不违反上限时,这些上限动态违反变量将达到零的值。然而,在无可行解的情况下,上限动态违反变量将是非零的,其值将表示在将来的各个时间上受控变量的违反程度。
约束2.6涉及当受控变量违反下限时受控变量的动态违反。当不违反下限时,这些下限动态违反变量将达到零的值。然而,在无可行解的情况下,下限动态违反变量将是非零的,其值将表示在将来的各个时间上受控变量的违反程度。
约束2.7涉及响应于操作变量的动态运动,使用在现有技术中已知的阶跃响应模型的受控变量的动态响应。
约束2.1-2.2.1涉及如在现有MPC中所普遍执行的稳态优化,但是,约束2.3-2.7是特定并明确地有关于操作变量的动态运动和受控变量的动态响应的附加的约束,将操作变量的动态运动和受控变量的动态响应进行合并来产生动态最优解,其中稳态目标和受控变量距其下/上限的偏差的避免/最小化一致。在动态MPC 211中将这些约束合并为一个优化问题。
相反地,在现有技术中,目标函数仅涉及J=F(M,C,D),外在分离地确定Md,Cd。
因此,动态MPC的以上公式将导致过程的最优稳态,同时确保当使动态违反最小化不可行或失败时,避免受控变量的动态违反。
以上的优化解法将导致操作变量的动态运动与变量的最优稳态目标一起被确定。由此获得的解将表示操作变量的最优稳态目标和动态运动二者的一步解,其中当可行时完全避免了受控变量对其限值的动态违反,或者将用于违反的罚值最小化。通过相对于其它受控变量以及对于上/下动态违反变量多次调整罚值的相对值,能够定义受控变量的动态违反的程度和行为。
如上所述,有趣的是不存在用于操作变量的调节参数。在动态控制运动计算及稳态优化中,现有的MPC包括用于受控变量和操作变量二者的调节权重。在本发明中,不需要用于操作变量的调节权重,仅需要有关于受控变量的调节权重。通过在最优稳态目标和动态运动的组合解法中明确地包括受控变量的动态违反,完全消除了现有MPC中的操作变量调节权重。通过较少数量的调节权重,动态MPC的调节将更简单和更有效。在现有技术中,代替在确定操作变量动态运动中受控变量的明确的动态违反,对于操作变量设计各种形式的调节权重以控制受控变量的动态违反。以需要频繁修正的自组(ad hoc)方式来最佳设置操作变量调节权重。
在本发明中,通过在稳态优化中嵌入动态运动计算,作为直接结果,解的稳态部分阻止优化器向最终稳态前进的太猛烈。这使得过程完成闭环中的动态工作,并使得过程在不动态地违反受控变量限值的情况下,以最大改变速度逐渐达到最终稳态。然而,在由于干扰影响的结果动态违反变得不可避免的情况下,在本发明中,优化器将尽力将违反维持到最小。
上述动态MPC将被应用在“滚动时域”方法中,在该方法中将应用每一个操作变量的第一动态运动,并且将考虑包括任何测量和没有测量的干扰影响的结果的实际过程响应的反馈重复优化的全部计算。然而,在每一个控制周期,动态MPC将避免受控变量的动态违反,同时逐渐地使过程向最优稳态目标状态前进。
本领域技术人员将理解,上述动态MPC优化的方法可以适用于与普遍已知为例如蓄电池等级等的斜坡(ramp)形过程行为一起进行工作。
再次分析约束2.4是有趣的。其表述了包括下侧动态违反和上侧动态违反的双侧约束。双侧不等约束引起动态MPC性能的有趣的改善。在图4.2中,示出动态MPC可能出现的有趣的情况。在该情况下,初始时将受控变量421调整为较小以确保不存在受控变量的任何上限动态违反。即,在该情况下,动态运动约束稳态最优目标。如果已预测的上限动态违反先前是由于任何不利的干扰影响,当干扰影响变弱时,动态MPC逐渐将最优稳态目标向上限423推回。为了避免动态违反的该最优稳态目标临时调整是现有MPC不可能有的、动态MPC的独特特征。
相反地,如图4.3所示,现有MPC中立即将最优稳态目标推到上限,而不管预测的动态违反431。实际上,除了源于由于将进一步引起动态不稳定性的干扰影响的原始的动态违反,该立刻强烈的推向最终的稳态目标还将导致自身的动态违反。
本发明的另一实施例
通过对以上普通形式采用下面的改变能够获得在本发明中给出的动态MPC的第一替换简化形式。例如,为了优化,以(C,Cd)=G(M,Dd)考虑过程动态响应,通过M代替Md。换句话说,排除Md作为优化解法的一部分。这将导致目标函数变为:
J=F(M,C,Dd,Cd)+∑∑P l c C l+∑∑P h c C h
在该简化形式中,将避免由稳态解法产生的受控变量的动态违反或使其最小化。然而,由于外部确定的操作变量的动态运动,受控变量可以后来依然进行动态违反。在包括大问题的环境中该简化形式可能是有利的,从而节省计算时间。通过该形式,也将相应的操作变量动态约束2.3-2.3.7从优化中消除。
通过将(C,Cd)=G(M,Dd)采用为(Cd)=G(Md,Dd)并且采用J=F(Dd,Md,Cd)+∑∑P l c C l+∑∑P h c C h能够获得上述动态MPC的第二替换简化形式。在该形式中,明显地,在确定(C,M)过程中在外部完成稳态解。然而,通过如下的修改约束2.3.6合并外部稳态解
∑ΔMj k=Mj s-Mj * 2.3.6.1
并且,约束2.2被修改为
Cs≤C≤Cs 2.2.1
其中,
Mj s是分开确定的稳态解值,
Cs是分开确定的稳态解值。
在该形式中,除了在约束设置中需要的操作变量和受控变量的稳态值被给出之外,以与在完整形式公式中的相同的方式来避免受控变量的动态违反或使其最小化,但是,在完整形式的公式中稳态值和动态运动一起被确定。在包括具有多个控制器的大过程的实践中,该形式的动态MPC依然是有用的,其中,每一个控制器本身采用所提出的动态优化的简化形式,同时对分开确定的稳态解做出响应。
动态前馈约束
揭示了本发明的另一实施例,其中在优化中如何考虑Dd。对于典型的MPC应用中,Dd被认为是控制周期开始时的被测量干扰向量,不具有已知的或所分配的将来值的。然而,在本发明提出的优化公式中,Dd可以具有将来时间依赖值,尤其在与动态操作变量相同的时域中。在该情况下,这提供了有趣并有用的应用。在一个特定情况下,其中如果Dd是与上游(upstream)MPC相关的前馈变量,则Dd提供不仅包含对上游MPC的当前动态运动而且包含对在下游(downstream)MPC动态运动的确定中由当前动态运动确定的将来动态运动。换句话说,下游的动态MPC不仅对由上游的动态MPC产生的当前动态运动做出响应,而且还对由上游动态运动计划的所有将来动态运动做出响应。上游动态运动对下游动态MPC的这种前馈效果肯定是在现有技术中无法意料的。这是至今为止管理两个互联的MPC的交互作用的完全新颖的方式,在现有技术对此根据没有考虑。
在另一种情况下,其中Dd可以涉及通过在例如计划的关机或电涌过程中发生的已知动态改变而被表征的“真实环境/外部”前馈变量。
总之,Dd可以具有将来值,并通过这样来在本文给出的动态优化结构中提供多个新颖的应用和能力。
灵活的嵌入式动态模型预测控制
本发明的另一个实施例涉及本文描述的作为在动态优化结构中的动态模型预测控制的模型预测控制的部分的“嵌入”。通过认识到变量组(Md,Cd)不需要包括组(M,C)中所有的变量来达到这一点。也就是说仅被选择的操作变量和相关的被选择的受控变量被包括在(Md,Cd)中,为此可以在上面提出的公式中使用(Md,Cd)的部分选择的组。这意味着有时可以选择大的模式预测控制中的一部分以具有所选择的操作变量和受控变量的完整的动态处理。换句话说,在改变设备操作条件的情况下,可以动态地进行在大的模型预测控制中的动态嵌入。例如,在处于或接近某流体或控制器输出的阀饱和时,可以实时进行该动态嵌入以提高更大的模型预测控制器的鲁棒性。这完全是在现有技术中不存在的MPC的新的能力。换句话说,在本发明提出的优化方法的构架中,在改变条件的情况下,可以执行包括动态和稳态优化的混合和匹配的方法。这意味着当保证特定设备条件时,如在不安全的操作条件的情况下,可以进行大MPC的部分的动态嵌入。这也可以用于在以动态优化求解大MPC的情况下禁止昂贵的计算和缓慢的实时响应。
给出了说明动态模型预测控制的嵌入的本发明的该实施例的示例。在图6中,描述了典型的DeButanizer过程单元的示意图。在图7中,给出了操作变量、受控变量及前馈变量的列表。如图6所示,过程单元控制包括压力调节环与单元的其它控制。组成大的MPC控制器以包括图7中列出的所有变量,这些变量包括具有10个操作变量、17个受控变量及2个干扰变量的压力调节环。如本发明的嵌入式动态MPC的应用所表明的,选择例如作为操作变量的U8PC01_P和作为受控变量的U8PC01_PV等与压力调节相关的变量,以仅在剩余的其它变量稳态优化的环境中对嵌入式动态优化处理这些变量。在该示例中,对嵌入式动态优化选择压力控制环的原因是将对单元的馈送速率推到其最大值时,压力控制输出U8PC01_OP将饱和。在多种示例中,为了在最大馈送速率维持单元的稳定性,需要一直保持压力被控制。单元压力往往影响再沸器(reboiler)温度,该温度反过来将影响顶层和底层产品流的质量。因此,对于整体性能来说,控制压力通常是至关重要的。为此,将对动态嵌入选择压力控制环路。
在图8中,示出具有和不具有动态嵌入的压力控制环路的单元的性能的比较。特定地,比较顶层和底层产品流的质量的性能,示出在动态嵌入情况下的改善的性能。注意,即使质量变量本身没有被动态地嵌入,但是,具有动态嵌入的压力控制环路导致产品质量控制上的改善的性能。该改善来自压力调节环路的动态运动和动态受控变量控制的间接的影响。使用来自Princeton的Unified Control Technology Corp的MPA仿真包NJ 08540来产生对比的结果。该示例显示在提高大的MPC性能上本发明潜在的有益效果。这显示了即使部分的动态嵌入也可以导致改善的性能。
总之,上面揭示的一般形式的动态MPC及其简化形式提供了多种公式,该公式可用于解决包括具有多个MPC的复杂过程的大的控制系统应用。该设计基于考虑到计算时间和复杂性的明智的工程平衡性能。
可以使用当今可利用的求解机来求出上述优化问题的解。过程越复杂和越大,将需要越具体的计算步骤。对于线性动态系统,包括如本文所述的公式的优化的线性设计方法将产生用于模型预测控制器的组合的稳态和动态控制运动结果。可以预想对于非线性动态系统,将使用适当的非线性优化方法。
本领域技术人员将理解,在不脱离本发明的范围的情况下,可以进行各种修正和改变。
Claims (19)
1.一种动态模型预测控制器的操作方法,所述动态模型预测控制器用于控制和优化具有多个独立受控的操作变量、至少一个受控变量及零个或更多干扰变量的过程的操作,所述动态模型预测控制器的操作方法包括以下步骤:
a)将所述操作变量的动态运动、以及所述操作变量和所述受控变量的稳态值同时确定作为组合了稳态和动态的优化过程的结果,其中,根据与所述操作变量和所述受控变量相关的稳态约束以及与所述操作变量和所述受控变量相关的动态约束,与所述操作变量和所述受控变量的稳态值一起确定所述操作变量的预定数量的动态运动,所述动态约束包括恰当时与所述干扰变量相关的动态约束;
b)执行滚动时域形式的控制,其中,通过对由在先前时间间隔上应用的控制动作产生的过程响应的监视和反馈来在连续的时间间隔上执行所述优化。
2.根据权利要求1所述的方法,其中,所述优化过程进一步包括J=F(M,C,Dd,Md,Cd)+∑∑P l c C l+∑∑P h c C h形式的目标函数J,其中F是在到达所述过程的稳态的时间的时域上用于所述过程的某个优化函数,Md是操作变量在预定时域上的动态值,M是所述操作变量的稳态值,Cd是受控变量在达到稳态的时域上的动态值,C是所述受控变量的稳态值,Dd是所述干扰变量在不大于所述操作变量的动态值的所述时域的时域上的动态值向量,并且其中所述过程被进一步认为是动态系统,并通过(C,Cd)=G(Md,Dd)来表征在稳态和动态中的所述受控变量的响应,P c l是要对动态地违反受控变量的下限的受控变量所应用的罚值,P c h是要对动态地违反受控变量的上限的受控变量所应用的罚值,此外,C i h是受控变量Ci的上限动态违反变量,C i l是所述受控变量Ci的下限动态违反变量,根据所述受控变量的属性和特征,受控变量罚值与经济标准和/或安全标准相关。
3.根据权利要求1所述的方法,其中,所述稳态约束包括:
Ml≤M≤Mh
Cl≤C≤Ch
其中,
M是所述操作变量的稳态值
C是所述受控变量的稳态值
Ml是所述操作变量M的下限,
Mh是所述操作变量M的上限
Cl是所述受控变量C的下限,
Ch是所述受控变量C的上限。
4.根据权利要求1所述的方法,其中,所述动态操作变量约束包括:
Ml≤Md≤Mh
-ΔMj l≤ΔMj≤ΔMj h
0≤ΔMj +≤Mj h
0≤ΔMj -≤Mj l
ΔMj=ΔMj +-ΔMj -
-(1-kMV/k)ΔMj l≤ΔMj,k≤(1-kMV/k)ΔMj h k=1..kMV
其中
ΔMj l=Mj l-Mj *,其中,Mj *是Mj的当前值
ΔMj是操作变量j的动态运动向量
ΔMj +是操作变量j的正的动态运动向量
ΔMj -是操作变量j的负的动态运动向量
ΔMj l是操作变量j的动态运动的下限
ΔMj h是操作变量j的动态运动的上限
ΔMj k是从现在开始到时间k的所述操作变量Mj的动态控制运动
Mj是所述操作变量的最优稳态值
Mj *是所述操作变量j的当前值。
5.根据权利要求1所述的方法,其中,所述受控变量的所述动态约束包括:
Cl≤Ci k≤Ch
-θ≤Ci k-Ci k ref-C h i+C l i≤θ
0≤C h i
0≤C l i
其中,
Ci k是从现在开始在k时间间隔的所述受控变量Ci的预测值
Ci k ref是从现在开始在k时间间隔的所述受控变量Ci的期望值
C i h是所述受控变量Ci的上限动态违反变量,
C i l是所述受控变量Ci的下限动态违反变量,
Ci k*是基于过去的过程条件在时间k上的所述受控变量Ci的动态值
θ是所述受控变量的预测动态值距其参考路径的偏差的允许容差,θ是较小的数
k涉及从现在开始的将来时间,k=1..kMV..kCV
kMV涉及用于操作变量运动的控制时域,操作变量不被应用于该时域之外以允许所述受控变量达到稳态
kCV涉及达到所述受控变量的稳态的时间,kCV是由于所述操作变量M的改变而达到稳态的最长的时间加上最长的控制时域。
6.根据权利要求2所述的优化函数F(M,C,D,Md,Cd),其中,所述优化函数F(M,C,D,Md,Cd)是对优化函数F()不存在所述操作变量和所述受控变量的动态值的影响的例如PmM+PcC的简单形式,其中,
Pm是所述操作变量的价格值,通常负值表示花费,正值表示收益,
Pc是所述受控变量的价格值,通常负值表示罚值,正值表示收益。
7.根据权利要求2所述的受控变量动态响应(C,Cd)=G(Md,Dd),其中,所述(C,Cd)=G(Md,Dd)是用于稳态的表示为Ci=Ci *+∑gi,j(Mj-Mj *)的线性动态形式以及用于动态响应的表示为Ci k=Ci k*+∑gi,j kΔMj k+∑gi,l kΔDl k的线性动态形式中的一个,
其中,
Ci *是基于所述操作变量和所述干扰变量的过去的改变的、所述受控变量的当前预测的稳态值
Ci是所述受控变量的稳态值
Ci k是从现在开始到时间K上的所述受控变量Ci的预测值
Ci k*是基于过去的过程条件在时间K上的所述受控变量Ci的动态值
gi,j是对于所述操作变量Mj的单位变化所述受控变量Ci的阶跃响应模型的稳态增益
gi,j k是对于所述操作变量Mj的单位变化受控变量Ci的过程模型的阶跃响应系数
ΔDl k是在时间k上Dl的变化
gi,lj k是对于所述干扰变量Dl的单位变化受控变量Ci的过程模型的阶跃响应系数。
8.一种动态模型预测控制器的操作方法,所述动态模型预测控制器用于控制和优化具有多个独立受控的操作变量、至少一个受控变量及零个或更多干扰变量的过程的操作,所述动态模型预测控制器的操作方法包括以下步骤:
a)将所述操作变量和所述受控变量的稳态值确定作为组合了稳态和动态的优化过程的结果,其中,根据与所述操作变量和所述受控变量相关的稳态约束以及所述受控变量相关的动态约束,以所述操作变量和所述受控变量的稳态值进行确定,所述动态约束包括恰当时与所述干扰变量相关的动态约束;
b)执行滚动时域形式的控制,其中,通过对由在先前时间间隔上应用的控制动作产生的过程响应的监视和反馈来在连续的时间间隔上执行所述优化。
9.根据权利要求8所述的方法,其中,所述优化过程进一步包括J=F(M,C,Dd,Cd)+∑∑P l c C l+∑∑P h c C h形式的目标函数J,其中F是在到达所述过程的稳态的时间的时域上用于所述过程的某个优化函数,M是所述操作变量的稳态值向量,C是所述受控变量的稳态值向量,Dd是干扰变量的向量,Cd是受控变量在达到稳态的时域上的向量动态值,P c l是要对动态地违反受控变量的下限的受控变量所应用的罚值,P c h是要对动态地违反受控变量的上限的受控变量所应用的罚值,并且其中所述过程被进一步认为是动态系统,并通过(C,Cd)=G(M,Dd)来表征所述受控变量的动态响应,此外,C i h是受控变量Ci的上限动态违反变量,C i l是所述受控变量Ci的下限动态违反变量。
10.根据权利要求8所述的方法,其中,所述稳态约束包括:
Ml≤M≤Mh
Cl≤C≤Ch
其中,
M是所述操作变量的稳态值
C是所述受控变量的稳态值
Ml是所述操作变量M的下限,
Mh是所述操作变量M的上限
Cl是所述受控变量C的下限,
Ch是所述受控变量C的上限。
11.根据权利要求8所述的方法,其中,所述受控变量的所述动态约束包括:
Cl≤Ci k≤Ch
-θ≤Ci k-Ci k ref-C h i+C l i≤θ
0≤C h i
0≤C l i
其中,
Ci k是从现在开始到k时间间隔的受控变量Ci的预测值
Ci k ref是从现在开始到k时间间隔的受控变量Ci的期望值
C i h是受控变量Ci的上限动态违反变量,
C i l是受控变量Ci的下限动态违反变量,
Ci k*是基于过去的过程条件在时间k上的所述受控变量Ci的动态值
θ是所述受控变量的预测动态值距其参考路径的偏差的允许容差,θ是较小的数
k涉及从现在开始的将来时间,k=1..kMV..kCV
kMV涉及用于操作变量运动的控制时域,操作变量不被应用于该时域之外以允许所述受控变量达到稳态
kCV涉及达到所述受控变量的稳态的时间,kCV是由于所述操作变量M的改变而达到稳态的最长的时间加上最长的控制时域。
12.根据权利要求9所述的优化函数F(M,C,D,Cd),其中,所述优化函数F(M,C,D,Cd)是不存在所述操作变量和所述受控变量的动态值的影响的例如PmM+PcC的一个简单形式,其中,
Pm是所述操作变量的价格值,通常负值表示花费,正值表示收益,
Pc是所述受控变量的价格值,通常负值表示罚值,正值表示收益。
13.根据权利要求9所述的受控变量动态响应(C,Cd)=G(M,Dd),其中,所述(C,Cd)=G(M,Dd)是用于稳态的表示为Ci=Ci *+∑gi,j(Mj-Mj *)的线性动态形式以及用于动态响应的表示为Ci k=Ci k*+∑gi,j(Mj-Mj *)+∑gi,l kΔDl k的线性动态形式中的一个,
其中,
Ci *是基于所述操作变量和所述干扰变量的过去的改变的、所述受控变量的当前预测的稳态值
Ci是所述受控变量的稳态值
Ci k是从现在开始到时间K上的所述受控变量Ci的预测值
Ci k*是基于过去的过程条件在时间K上的受控变量Ci的动态值
gi,j是对于所述操作变量Mj的单位变化所述受控变量Ci的阶跃响应模型的稳态增益
ΔDl k是在时间k上Dl的变化
gi,lj k是对于所述干扰变量Dl的单位变化受控变量Ci的过程模型的阶跃响应系数。
14.一种动态模型预测控制器的操作方法,所述动态模型预测控制器用于控制和优化具有多个独立受控的操作变量、至少一个受控变量及零个或更多干扰变量的过程的操作,所述动态模型预测控制器的操作方法包括以下步骤:
a)将所述操作变量的动态运动确定作为组合了稳态和动态的优化过程的结果,其中,根据与所述操作变量和所述受控变量相关的稳态约束以及与所述操纵变量和所述受控变量相关的动态约束,确定所述操作变量的预定数量的动态运动以满足所述操作变量和所述受控变量的给定/已知稳态值,所述动态约束包括恰当时与所述干扰变量相关的动态约束;
b)执行滚动时域形式的控制,其中,通过对由在先前时间间隔上应用的控制动作产生的过程响应的监视和反馈来在连续的时间间隔上执行所述优化。
15.根据权利要求14所述的方法,其中,所述优化过程进一步包括J=F(Dd,Md,Cd)+∑∑P l c C l+∑∑P h c C h形式的目标函数J,其中F是在到达所述过程的稳态的时间的时域上用于所述过程的某个优化函数,Dd是干扰变量的向量,Md是所述操作变量在预定时域上的动态值的向量,Cd是受控变量在达到稳态的时域上的向量动态值,P c l是要对动态地违反受控变量的下限的受控变量所应用的罚值,P c h是要对动态地违反受控变量的上限的受控变量所应用的罚值,并且其中所述过程被进一步认为是动态系统,并通过(C,Cd)=G(Md,Dd)来表征所述受控变量的动态响应,此外,C i h是受控变量Ci的上限动态违反变量,C i l是所述受控变量Ci的下限动态违反变量。
16.根据权利要求14所述的方法,其中,所述动态操作变量约束包括:
Ml≤Md≤Mh
-ΔMj l≤ΔMj≤ΔMj h
0≤ΔMj +≤Mj h
0≤ΔMj -≤Mj l
ΔMj=ΔMj +-ΔMj -
∑ΔMj=Ms-M0
其中,
ΔMj l=Mj l-Mj *,其中,Mj *是Mj的当前值
ΔMj是操作变量j的动态运动向量
ΔMj +是操作变量j的正的动态运动向量
ΔMj -是操作变量j的负的动态运动向量
ΔMj l是操作变量j的动态运动的下限
ΔMj h是操作变量j的动态运动的上限
ΔMj k是在时间k上所述操作变量Mj的动态控制运动
Mj是所述操作变量的最优稳态值
Mj *是所述操作变量j的当前值。
17.根据权利要求14所述的方法,其中,所述受控变量的所述动态约束包括:
Cs≤C≤Cs Cl≤Ci k≤Ch
-θ≤Ci k-Ci k ref-C h i+C l i≤θ
0≤C h i
0≤C l i
其中,
Ci k是从现在开始到k时间间隔的所述受控变量Ci的预测值
Ci k ref是从现在开始到k时间间隔的所述受控变量Ci的期望值
C i h是所述受控变量Ci的上限动态违反变量,
C i l是所述受控变量Ci的下限动态违反变量,
Ci k*是基于过去的过程条件在时间k上的受控变量Ci的动态值
Cs是给出的所述受控变量的稳态目标
θ是所述受控变量的预测动态值距其参考路径的偏差的允许容差,θ是较小的数
k涉及从现在开始的将来时间,k=1..kMV..kCV
kMV涉及用于操作变量运动的控制时域,操作变量不被应用于该时域之外以允许所述受控变量达到稳态
kCV涉及达到所述受控变量的稳态的时间,kCV是由于所述操作变量M的改变而达到稳态的最长的时间加上最长的控制时域。
18.根据权利要求15所述的优化函数F(Dd,Md,Cd),其中,所述优化函数F(Dd,Md,Cd)可以是一个简单的空形式,其中执行所述动态变量以满足外在确定的所述操作变量和所述受控变量的稳态值。
19.根据权利要求15所述的受控变量动态响应Cd=G(Md,Dd),其中,所述Cd=G(Md,Dd)是用于稳态的表示为Ci=Ci *+∑gi,j(Mj-Mj *)的线性动态形式以及用于动态响应的表示为Ci k=Ci k*+∑gi,j kΔMj k+∑gi,l kΔDl k的线性动态形式中的一个,
其中,
Ci *是基于所述操作变量和所述干扰变量的过去的改变的、所述受控变量的当前预测的稳态值
Ci是所述受控变量的稳态值
Ci k是从现在开始到时间K上的所述受控变量Ci的预测值
Ci k*是基于过去的过程条件在时间K上的受控变量Ci的动态值
gi,j是对于所述操作变量Mj的单位变化所述受控变量Ci的阶跃响应模型的稳态增益
gi,j k是对于所述操作变量Mj的单位变化受控变量Ci的过程模型的阶跃响应系数
ΔDl k是在时间k上Dl的变化
gi,lj k是对于所述干扰变量Dl的单位变化受控变量Ci的过程模型的阶跃响应系数。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US87411606P | 2006-12-11 | 2006-12-11 | |
US60/874,116 | 2006-12-11 | ||
US11/999,056 US7826909B2 (en) | 2006-12-11 | 2007-12-04 | Dynamic model predictive control |
US11/999,056 | 2007-12-04 | ||
PCT/US2007/024952 WO2008073259A1 (en) | 2006-12-11 | 2007-12-06 | Dynamic model predictive control |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101589363A true CN101589363A (zh) | 2009-11-25 |
CN101589363B CN101589363B (zh) | 2013-05-29 |
Family
ID=39499232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800444424A Expired - Fee Related CN101589363B (zh) | 2006-12-11 | 2007-12-06 | 动态模型预测控制 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7826909B2 (zh) |
CN (1) | CN101589363B (zh) |
GB (1) | GB2458052B (zh) |
WO (1) | WO2008073259A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103842924A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模方法 |
CN107113189A (zh) * | 2014-10-24 | 2017-08-29 | 霍尼韦尔国际公司 | 用于计算用以支持级联模型预测控制(mpc)的代理极限的装置和方法 |
Families Citing this family (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7467614B2 (en) | 2004-12-29 | 2008-12-23 | Honeywell International Inc. | Pedal position and/or pedal change rate for use in control of an engine |
US7389773B2 (en) | 2005-08-18 | 2008-06-24 | Honeywell International Inc. | Emissions sensors for fuel control in engines |
US7738975B2 (en) | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
US7930044B2 (en) * | 2006-09-07 | 2011-04-19 | Fakhruddin T Attarwala | Use of dynamic variance correction in optimization |
US8046089B2 (en) * | 2008-06-20 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for model predictive control (MPC) of a nonlinear process |
US8060290B2 (en) | 2008-07-17 | 2011-11-15 | Honeywell International Inc. | Configurable automotive controller |
US8112163B2 (en) * | 2009-03-23 | 2012-02-07 | Fakhruddin T Attarwala | Embedded dynamic alarm control system |
US9760067B2 (en) * | 2009-09-10 | 2017-09-12 | Honeywell International Inc. | System and method for predicting future disturbances in model predictive control applications |
US8620461B2 (en) | 2009-09-24 | 2013-12-31 | Honeywell International, Inc. | Method and system for updating tuning parameters of a controller |
DE102009054905A1 (de) * | 2009-12-17 | 2011-06-22 | Robert Bosch GmbH, 70469 | Verfahren zum Ermitteln von Funktionsparametern für ein Steuergerät |
US8504175B2 (en) * | 2010-06-02 | 2013-08-06 | Honeywell International Inc. | Using model predictive control to optimize variable trajectories and system control |
US8670945B2 (en) | 2010-09-30 | 2014-03-11 | Honeywell International Inc. | Apparatus and method for product movement planning to support safety monitoring in inventory management systems |
US8554343B2 (en) | 2010-12-08 | 2013-10-08 | Mitsubishi Electric Research Laboratories, Inc. | Method for solving control problems |
US9677493B2 (en) | 2011-09-19 | 2017-06-13 | Honeywell Spol, S.R.O. | Coordinated engine and emissions control system |
US9650934B2 (en) | 2011-11-04 | 2017-05-16 | Honeywell spol.s.r.o. | Engine and aftertreatment optimization system |
US20130111905A1 (en) | 2011-11-04 | 2013-05-09 | Honeywell Spol. S.R.O. | Integrated optimization and control of an engine and aftertreatment system |
US8719196B2 (en) | 2011-12-19 | 2014-05-06 | Go Daddy Operating Company, LLC | Methods for monitoring computer resources using a first and second matrix, and a feature relationship tree |
US8600915B2 (en) | 2011-12-19 | 2013-12-03 | Go Daddy Operating Company, LLC | Systems for monitoring computer resources |
JP5969919B2 (ja) * | 2012-12-28 | 2016-08-17 | アズビル株式会社 | 最適化装置および方法ならびに制御装置および方法 |
CN103116278B (zh) * | 2013-01-13 | 2015-12-09 | 中国科学院合肥物质科学研究院 | 一种基于多目标逆向优化的反应堆三废控制方法与系统 |
CN103048923B (zh) * | 2013-01-17 | 2016-04-06 | 浙江大学 | 用于工业水槽液位串级预测控制系统的一致性约束方法 |
US9027067B2 (en) * | 2013-03-12 | 2015-05-05 | The United States Of America, As Represented By The Secretary Of The Navy | System and method for interactive spatio-temporal streaming data |
US9852481B1 (en) | 2013-03-13 | 2017-12-26 | Johnson Controls Technology Company | Systems and methods for cascaded model predictive control |
US10418833B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with cascaded frequency response optimization |
US9235657B1 (en) | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
US9436179B1 (en) | 2013-03-13 | 2016-09-06 | Johnson Controls Technology Company | Systems and methods for energy cost optimization in a building system |
CN103425048B (zh) * | 2013-05-22 | 2017-03-15 | 上海交通大学 | 一种基于动态优化的多模型广义预测控制系统及其控制方法 |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
US10175681B2 (en) | 2014-05-01 | 2019-01-08 | Johnson Controls Technology Company | High level central plant optimization |
EP3051367B1 (en) | 2015-01-28 | 2020-11-25 | Honeywell spol s.r.o. | An approach and system for handling constraints for measured disturbances with uncertain preview |
EP3056706A1 (en) | 2015-02-16 | 2016-08-17 | Honeywell International Inc. | An approach for aftertreatment system modeling and model identification |
EP3091212A1 (en) | 2015-05-06 | 2016-11-09 | Honeywell International Inc. | An identification approach for internal combustion engine mean value models |
US11086310B2 (en) * | 2015-05-27 | 2021-08-10 | Honeywell International Inc. | Method and apparatus for real time model predictive control operator support in industrial process control and automation systems |
EP3734375B1 (en) | 2015-07-31 | 2023-04-05 | Garrett Transportation I Inc. | Quadratic program solver for mpc using variable ordering |
US10272779B2 (en) | 2015-08-05 | 2019-04-30 | Garrett Transportation I Inc. | System and approach for dynamic vehicle speed optimization |
US10190789B2 (en) | 2015-09-30 | 2019-01-29 | Johnson Controls Technology Company | Central plant with coordinated HVAC equipment staging across multiple subplants |
US10283968B2 (en) | 2015-10-08 | 2019-05-07 | Con Edison Battery Storage, Llc | Power control system with power setpoint adjustment based on POI power limits |
US10564610B2 (en) | 2015-10-08 | 2020-02-18 | Con Edison Battery Storage, Llc | Photovoltaic energy system with preemptive ramp rate control |
US10554170B2 (en) | 2015-10-08 | 2020-02-04 | Con Edison Battery Storage, Llc | Photovoltaic energy system with solar intensity prediction |
US10389136B2 (en) | 2015-10-08 | 2019-08-20 | Con Edison Battery Storage, Llc | Photovoltaic energy system with value function optimization |
US10222427B2 (en) | 2015-10-08 | 2019-03-05 | Con Edison Battery Storage, Llc | Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue |
US10700541B2 (en) | 2015-10-08 | 2020-06-30 | Con Edison Battery Storage, Llc | Power control system with battery power setpoint optimization using one-step-ahead prediction |
US10250039B2 (en) | 2015-10-08 | 2019-04-02 | Con Edison Battery Storage, Llc | Energy storage controller with battery life model |
US10222083B2 (en) | 2015-10-08 | 2019-03-05 | Johnson Controls Technology Company | Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs |
US10190793B2 (en) | 2015-10-08 | 2019-01-29 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities |
US10742055B2 (en) | 2015-10-08 | 2020-08-11 | Con Edison Battery Storage, Llc | Renewable energy system with simultaneous ramp rate control and frequency regulation |
US11210617B2 (en) | 2015-10-08 | 2021-12-28 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs |
US10418832B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with constant state-of charge frequency response optimization |
US10197632B2 (en) | 2015-10-08 | 2019-02-05 | Taurus Des, Llc | Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal |
US10415492B2 (en) | 2016-01-29 | 2019-09-17 | Garrett Transportation I Inc. | Engine system with inferential sensor |
US10036338B2 (en) | 2016-04-26 | 2018-07-31 | Honeywell International Inc. | Condition-based powertrain control system |
US10124750B2 (en) | 2016-04-26 | 2018-11-13 | Honeywell International Inc. | Vehicle security module system |
US10643167B2 (en) * | 2016-07-28 | 2020-05-05 | Honeywell International Inc. | MPC with unconstrained dependent variables for KPI performance analysis |
US10594153B2 (en) | 2016-07-29 | 2020-03-17 | Con Edison Battery Storage, Llc | Frequency response optimization control system |
US10778012B2 (en) | 2016-07-29 | 2020-09-15 | Con Edison Battery Storage, Llc | Battery optimization control system with data fusion systems and methods |
US11199120B2 (en) | 2016-11-29 | 2021-12-14 | Garrett Transportation I, Inc. | Inferential flow sensor |
US10761496B2 (en) | 2017-06-12 | 2020-09-01 | Honeywell International Inc. | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance |
US11057213B2 (en) | 2017-10-13 | 2021-07-06 | Garrett Transportation I, Inc. | Authentication system for electronic control unit on a bus |
US10838441B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with modulating device demand control |
US10838440B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with discrete device selection prioritization |
US11159022B2 (en) | 2018-08-28 | 2021-10-26 | Johnson Controls Tyco IP Holdings LLP | Building energy optimization system with a dynamically trained load prediction model |
US11163271B2 (en) | 2018-08-28 | 2021-11-02 | Johnson Controls Technology Company | Cloud based building energy optimization system with a dynamically trained load prediction model |
CN110045611B (zh) * | 2019-04-24 | 2020-10-09 | 华北电力大学 | 一种应用于间歇搅拌釜式反应器的鲁棒迭代学习模型预测控制方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4616308A (en) * | 1983-11-15 | 1986-10-07 | Shell Oil Company | Dynamic process control |
US5457625A (en) * | 1994-04-13 | 1995-10-10 | The M. W. Kellogg Company | Maximizing process production rates using permanent constraints |
US5758047A (en) * | 1995-06-14 | 1998-05-26 | Lu; Zhuxin Joseph | Method of process controller optimization in a multivariable predictive controller |
JP3956057B2 (ja) * | 1996-01-31 | 2007-08-08 | エイエスエム アメリカ インコーポレイテッド | 熱処理のモデル規範型予測制御 |
US6381504B1 (en) * | 1996-05-06 | 2002-04-30 | Pavilion Technologies, Inc. | Method for optimizing a plant with multiple inputs |
US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
US6122557A (en) * | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
US6633798B2 (en) * | 2001-07-31 | 2003-10-14 | L & P Property Management Company | Control system for baling machine |
US6980938B2 (en) * | 2002-01-10 | 2005-12-27 | Cutler Technology Corporation | Method for removal of PID dynamics from MPC models |
SE522691C3 (sv) * | 2002-06-12 | 2004-04-07 | Abb Ab | Dynamisk on-line-optimering av produktionsprocesser |
US20050193739A1 (en) * | 2004-03-02 | 2005-09-08 | General Electric Company | Model-based control systems and methods for gas turbine engines |
US7536232B2 (en) * | 2004-08-27 | 2009-05-19 | Alstom Technology Ltd | Model predictive control of air pollution control processes |
-
2007
- 2007-12-04 US US11/999,056 patent/US7826909B2/en not_active Expired - Fee Related
- 2007-12-06 CN CN2007800444424A patent/CN101589363B/zh not_active Expired - Fee Related
- 2007-12-06 GB GB0910885A patent/GB2458052B/en not_active Expired - Fee Related
- 2007-12-06 WO PCT/US2007/024952 patent/WO2008073259A1/en active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103842924A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模方法 |
CN107113189A (zh) * | 2014-10-24 | 2017-08-29 | 霍尼韦尔国际公司 | 用于计算用以支持级联模型预测控制(mpc)的代理极限的装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2008073259A1 (en) | 2008-06-19 |
GB2458052A (en) | 2009-09-09 |
GB2458052B (en) | 2011-05-11 |
CN101589363B (zh) | 2013-05-29 |
US7826909B2 (en) | 2010-11-02 |
GB0910885D0 (en) | 2009-08-05 |
US20080140227A1 (en) | 2008-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101589363B (zh) | 动态模型预测控制 | |
Seki et al. | Industrial application of a nonlinear model predictive control to polymerization reactors | |
Mohanty et al. | Differential evolution algorithm based automatic generation control for interconnected power systems with non-linearity | |
Li et al. | Offset-free fuzzy model predictive control of a boiler–turbine system based on genetic algorithm | |
CN104375475B (zh) | 间歇反应器中间歇反应过程的优化控制方法 | |
Tatjewski | Advanced control and on-line process optimization in multilayer structures | |
EP2788827B1 (en) | Apparatus and methods for non-invasive closed loop step testing using a tunable trade-off factor | |
Ferramosca et al. | Offset-free multi-model economic model predictive control for changing economic criterion | |
US20080071395A1 (en) | Model predictive control with stochastic output limit handling | |
Jamaludin et al. | Dynamic real‐time optimization with closed‐loop prediction | |
Suárez et al. | Nonlinear MPC for fed-batch multiple stages sugar crystallization | |
Bequette | Non‐linear model predictive control: a personal retrospective | |
vE Conradie et al. | Adaptive control utilising neural swarming | |
CN103105777A (zh) | 一种应用于锥型双螺杆挤出机的神经网络自适应控制算法 | |
CN103995466A (zh) | 一种基于软约束的区间预测控制建模及优化方法 | |
Lebukan et al. | Implementation of plant-wide PI-fuzzy controller in tennessee eastman process | |
CN104538993A (zh) | 一种梯级水电站群自动发电控制方法 | |
Lee et al. | Value function-based approach to the scheduling of multiple controllers | |
CN115451424B (zh) | 一种基于压力前馈的燃煤锅炉给煤控制方法 | |
Kögel et al. | Set-point tracking using distributed MPC | |
Dokucu et al. | Reduced-order methodologies for feedback control of particle size distribution in semi-batch emulsion copolymerization | |
Moro et al. | A mixed-integer model predictive control formulation for linear systems | |
MacKinnon et al. | Robust closed-loop dynamic real-time optimization | |
Imsland et al. | On combining economical performance with control performance in NMPC | |
Conte et al. | Inventory control by model predictive control methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130529 Termination date: 20141206 |
|
EXPY | Termination of patent right or utility model |