基于库普曼模型的明渠系统预测控制方法、系统及设备技术方案

本公开实施例中提供了一种基于库普曼模型的明渠系统预测控制方法、系统及设备，属于数据识别技术领域，具体包括：采集渠池内多个采样点并计算全部采样点的系统状态；根据Koopman算子理论得到升维状态；根据系统状态和升维状态迭代训练初始控制模型，得到目标控制模型；根据目标控制模型求解控制函数，得到最优控制增量序列。通过本公开的方案，对明渠系统的渠池进行采样得到系统状态，并将系统状态映射到更高维的特征空间，然后，通过重复的学习训练，得到一个误差最小的目标控制模型，并根据目标控制模型求解控制函数，得到最优控制增量序列对明渠系统水位进行控制，提高了明渠系统预测控制的适应性、鲁棒性和控制精度。鲁棒性和控制精度。鲁棒性和控制精度。

【技术实现步骤摘要】
基于库普曼模型的明渠系统预测控制方法、系统及设备


[0001]本公开实施例涉及自动控制
，尤其涉及一种基于库普曼模型的明渠系统预测控制方法、系统及设备。

技术介绍

[0002]目前，明渠系统是一种典型的渠道系统，其动态特性符合流体的一般规律，它的机理模型脱胎于奈维斯托克斯方程，是一组双曲型拟线性偏微分方程，名为圣维南方程。圣维南方程无法解析求解，难以直接用于一般的控制策略。常用的手段是通过离散化、线性化等方式将偏微分方程简化为更简单的形式，如常微分方程、代数方程。然而，一方面，对原方程的简化必然导致系统模型精度的丢失；另一方面，现行的线性化方法总是在平衡点附近的线性化，这样得到的模型会随着系统状态远离平衡点而精度越来越低，逐渐超出控制算法鲁棒性的极限，导致系统故障。
[0003]可见，亟需一种适应性、鲁棒性和控制精度高的基于库普曼模型的明渠系统预测控制方法。

技术实现思路

[0004]有鉴于此，本公开实施例提供一种基于库普曼模型的明渠系统预测控制方法、系统及设备，至少部分解决现有技术中存在适应性、鲁棒性和控制精度较差的问题。
[0005]第一方面，本公开实施例提供了一种基于库普曼模型的明渠系统预测控制方法，包括：
[0006]采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；
[0007]将所述状态数据和所述控制数据输入升维函数，得到升维状态；
[0008]根据所述系统状态和所述升维状态迭代训练初始控制模型，根据Koopman算子理论得到目标控制模型；
[0009]根据所述目标控制模型求解控制函数，得到最优控制增量序列。
[0010]根据本公开实施例的一种具体实现方式，所述采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态的步骤，包括：
[0011]将全部所述采样点离散化，并随机给所述明渠系统的一组闸门的控制序列；
[0012]根据预设算法计算全部所述采样点的水位和流量在N个时间步长内的数值，并将所述数值作为所述系统状态。
[0013]根据本公开实施例的一种具体实现方式，所述将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态的步骤之前，所述方法还包括：
[0014]采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网路的神经元维数都设置为1，得到所述升维函数。
[0015]根据本公开实施例的一种具体实现方式，所述神经元的正向传播表达式为
[0016]h1＝tanh(W0x+b0)
[0017]h
i+1
＝tanh(W
i
h
i
+b
i
),i＝1,2
[0018]Ψ(x)＝tanh(W3h3+b3)，
[0019]其中，W0∈R
l
×
d
,b0∈R
l
，W
i
∈R
l
×
l
,b
i
∈R
l
,i＝1,2，W3∈R
M
×
l
，b0∈R
M
分别为神经网络的权重和偏置，h
i
为隐层神经元输出，tanh为双曲正切函数。
[0020]根据本公开实施例的一种具体实现方式，所述根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型的步骤，包括：
[0021]将预设的期望模型转换为状态空间方程；
[0022]基于所述状态空间方程、根据所述系统状态和所述升维状态，固定所述初始控制模型的可调节参数后优化模型矩阵；
[0023]根据优化后的模型矩阵求解所述可调节参数并计算损失函数；
[0024]迭代优化所述模型矩阵并在每次迭代后计算所述损失函数，直至所述损失函数的值小于阈值时，根据本次迭代得到的模型矩阵和可调节参数形成所述目标控制模型。
[0025]根据本公开实施例的一种具体实现方式，所述根据所述目标控制模型求解控制函数，得到最优控制增量序列的步骤之后，所述方法还包括：
[0026]根据所述最优控制增量序列控制所述明渠系统的闸门开度。
[0027]第二方面，本公开实施例提供了一种基于库普曼模型的明渠系统预测控制系统，包括：
[0028]采集模块，用于采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；
[0029]升维模块，用于将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；
[0030]训练模块，用于根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；
[0031]计算模块，用于根据所述目标控制模型求解控制函数，得到最优控制增量序列。
[0032]第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0033]至少一个处理器；以及，
[0034]与该至少一个处理器通信连接的存储器；其中，
[0035]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于库普曼模型的明渠系统预测控制方法。
[0036]本公开实施例中的基于库普曼模型的明渠系统预测控制方案，包括：采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；根据所述目标控制模型求解控制函数，得到最优控制增量序列。
[0037]本公开实施例的有益效果为：通过本公开的方案，对明渠系统的渠池进行采样得到系统状态，并将系统状态映射到更高维的特征空间，然后，通过重复的学习训练，得到一个误差最小的目标控制模型，并根据目标控制模型求解控制函数，得到最优控制增量序列对明渠系统水位进行控制，提高了基于库普曼模型的明渠系统预测控制的适应性、鲁棒性
和控制精度。
附图说明
[0038]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
[0039]图1为本公开实施例提供的一种基于库普曼模型的明渠系统预测控制方法的流程示意图；
[0040]图2为本公开实施例提供的一种明渠系统的结构示意图；
[0041]图3为本公开实施例提供的一种神经网络拟合升维函数示意图；
[0042]图4为本公开实施例提供的一种基于库普曼模型的明渠系统预测控制系统的结构示意图；
[0043]图5为本公开实施例提供的电子设备示意图。
具体实施方式
[0044本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于库普曼模型的明渠系统预测控制方法，其特征在于，包括：采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态；将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态；根据所述系统状态和所述升维状态迭代训练初始控制模型，得到目标控制模型；根据所述目标控制模型求解控制函数，得到最优控制增量序列。2.根据权利要求1所述的方法，其特征在于，所述采集明渠系统的渠池内多个采样点并计算全部所述采样点的系统状态的步骤，包括：将全部所述采样点离散化，并随机给定所述明渠系统的一组闸门的控制序列；根据预设算法计算全部所述采样点的水位和流量在N个时间步长内的数值，并将所述数值作为所述系统状态。3.根据权利要求1所述的方法，其特征在于，所述将所述状态数据和所述控制数据输入升维函数，根据Koopman算子理论得到升维状态的步骤之前，所述方法还包括：采用三个隐层全连接神经网络拟合，并将所述隐层全连接神经网路的神经元维数都设置为1，得到所述升维函数。4.根据权利要求3所述的方法，其特征在于，所述神经元的正向传播表达式为h1＝tanh(W0x+b0)h
i+1
＝tanh(W
i
h
i
+b
i
)，i＝1，2Ψ(x)＝tanh(W3h3+b3)，其中，W0∈R
l
×
d
，b0∈R
l
，W
i
∈R
l
×
l
，b
i
∈R
l
，i＝1，2，W3∈R
M
×
l
...

【专利技术属性】
技术研发人员：岑丽辉，曾宁俊，谢永芳，陈晓方，谢世文，
申请(专利权)人：中南大学，
类型：发明
国别省市：