【技术实现步骤摘要】
本专利技术涉及电解槽控制，尤其是涉及一种基于学习和全驱系统的pem电解槽温度预测控制方法和设备。
技术介绍
1、proton exchange membrane electrolyzer(pem电解槽)是一种采用了质子交换膜的电解槽。pem电解槽的温度控制对于其结构安全以及工作效率至关重要。影响槽内温度的因素有很多，如电化学反应产生的热能，与外界的热传导，以及冷却系统的影响等等。因此，如何将pem电解槽的温度稳定在一个安全且高效的范围内也是一个值得探究的问题。
2、目前，国内外有一些工作研究了pem电解槽的温度控制。部分方案采用了经典的pid控制器来控制冷却液的温度。pid控制器是一种常见的反馈控制方法，通过测量系统输出(即温度)与期望值之间的差异，调整控制输入(即加热或冷却)来维持温度在期望范围内。然而，pid控制器存在着响应的速度较慢，并且难以处理复杂的非线性系统等问题，这限制了其在pem电解槽温度控制中的应用效果；
3、另外部分方案使用了模型预测控制的方法，但为了使用模型预测控制方法，将原本的pem电解槽系统线性近似成了一个线性系统，这会存在着模型的预测精度问题。另外部分方案使用了模糊逻辑控制以及pi控制器来调节输入的水温。虽然模糊逻辑控制不需要系统的精确的数学模型，对非线性以及不确定性有较强的适应性，但是它存在着依赖于较强的经验规则，不具有较强的可解释性等缺点，并且设计了过于复杂的规则后则会承担计算推理的负担。
4、综上，当前的电解槽温度控制方案存在预测精度不理想，受外界干扰严重等问题
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于学习和全驱系统的pem电解槽温度预测控制方法和设备，以解决电解槽温度控制方案存在预测精度不理想，受外界干扰严重的问题。
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术的一个方面，提供了一种基于学习和全驱系统的pem电解槽温度预测控制方法，包括如下步骤：
4、步骤s1，构建pem电解槽温度的动态模型，以pem电解槽水流速率为控制对象，基于全驱系统理论，构建用于消除所述动态模型与温度相关的非线性部分的反馈控制律；
5、步骤s2，构建状态约束和终端约束并在线求解优化问题，得到当前时刻的pem电解槽水流速率的控制律，通过控制pem电解槽水流速率实现pem电解槽温度控制，其中，利用预先通过机器学习估计得到的噪声概率分布和噪声支撑集，得到用于模型预测控制的所述状态约束和终端约束。
6、作为优选的技术方案，所述的步骤s2中，噪声概率分布和噪声支撑集的获取过程包括如下步骤：
7、步骤s001，获取多个历史噪声数据点，通过机器学习进行主成分分析，得到主成分特征；
8、步骤s002，将各个历史噪声数据点投影到各个主成分上，通过核密度估计得到在各个主成分上的累积概率密度信息；
9、步骤s003，针对各个主成分上的累积概率密度信息，通过进行置信区间截断处理得到噪声支撑集；
10、步骤s004，针对所述多个历史噪声数据点，通过高维核密度估计得到所述噪声支撑集中各个点的概率分布，即所述噪声概率分布。
11、作为优选的技术方案，所述的步骤s001中，主成分特征的获取采用下式实现：
12、w＝[d1,d2,…,dn]t
13、
14、s＝pλpt
15、p＝[p1,p2,…,pr]
16、λ＝diag(λ1,…,λr)
17、其中，w为包括n个历史噪声数据点的矩阵，w0为w中心化后的矩阵，p＝[p1,p2,…,pr]表示特征向量矩阵，λ＝diag(λ1,…,λr)表示特征值组成的对角阵，t表示转置。
18、作为优选的技术方案，所述的噪声支撑集为：
19、
20、噪声概率分布为：
21、
22、其中，为历史噪声数据点的均值，表示第k个主成分上的累积概率密度函数，α为显著性水平，表示的逆运算，d表示历史噪声数据点的向量，k表示归一常数，fkde(d)表示核密度估计得到的d的概率分布。
23、作为优选的技术方案，所述的步骤s1中，动态模型为：
24、t(k+1)＝f1(t(k))+f2(mw,t(k))+t(k)+d(k)
25、反馈控制律建模为：
26、mw＝f2-1(-f1(t(k)),t(k))
27、其中，t(k)、mw、d(k)分别表示离散后的温度、水流速率以及外界噪声，f1(t(k))为与温度相关的非线性部分，f2(mw,t(k))是关于水流速率的单减函数。
28、作为优选的技术方案，当反馈控制率为u(i+1|k)＝kpt(i+1|k)+v(i+1|k)时，所述的状态约束为：
29、
30、z(i)＝{z|hz≤h-ζ(i)}
31、z(i+1|k)＝φz(i|k)+v(i|k),z(0|k)＝t(k)
32、e(i+1|k)＝φe(i|k)+d(i|k),e(0|k)＝0
33、minζ(i|k)
34、s.t.pr[hje(i|k)≤ζ(i|k)]≥1-∈
35、e(i|k)～pe(i|k)
36、其中，m(i)表示i时刻的状态约束，z(i+1|k)、e(i+1|k)分别为标称系统、误差系统，φ＝i+kp，i为单位矩阵，kp为步骤s2中线性的动态模型的lqr的解，t(i+1|k)为温度系统在从k时刻被观测到开始在i+1时刻的状态，u(i+1|k)、v(i+1|k)分别为步骤s2中线性的动态模型中待解决的控制输入，模型预测控制方法中第i步的控制输入，hj为h的第j行，∈表示机会约束容忍超出原本约束的概率，pr表示事件发生的概率，pe(i|k)表示误差在第i步时估计的概率分布，z(i)表示机会约束的集合，表示闵可夫斯基差，表示闵可夫斯基和，表示估计的噪声支撑集。
37、作为优选的技术方案，通过求解下式的最大鲁棒正不变集，得到所述的终端约束z(n)：
38、
39、其中，n为控制时域的步长。
40、作为优选的技术方案，所述的优化问题为：
41、
42、minv jn(v)
43、s.t.z(i+1|k)＝φz(i|k)+v(i|k)
44、z(0|k)＝t(k)
45、φ＝i+kp
46、z(i+1|k)∈m(i+1),i＝0,1,…,n-1
47、z(n+1|k)∈z(n)
48、其中，n为历史噪声数据点的数量，v(i|k)为模型预测控制方法中第i步的控制输入，b为步骤s2中线性的动态模型的输入系数矩阵，p为的解，kp为反馈控制系数，φ＝i+kp，i为单位矩阵，qz、ru本文档来自技高网...
【技术保护点】
1.一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的步骤S2中，噪声概率分布和噪声支撑集的获取过程包括如下步骤：
3.根据权利要求2所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的步骤S001中，主成分特征的获取采用下式实现：
4.根据权利要求3所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的噪声支撑集为：
5.根据权利要求1所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的步骤S1中，动态模型为：
6.根据权利要求1所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，当反馈控制率为u(i+1|k)＝KpT(i+1|k)+v(i+1|k)时，所述的状态约束为：
7.根据权利要求6所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，通过求解下式的最大鲁棒正不
8.根据权利要求1所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的优化问题为：
9.根据权利要求1所述的一种基于学习和全驱系统的PEM电解槽温度预测控制方法，其特征在于，所述的步骤S2中，通过控制PEM电解槽水流速率实现PEM电解槽温度控制的过程为：
10.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述基于学习和全驱系统的PEM电解槽温度预测控制方法的指令。
...【技术特征摘要】
1.一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，所述的步骤s2中，噪声概率分布和噪声支撑集的获取过程包括如下步骤：
3.根据权利要求2所述的一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，所述的步骤s001中，主成分特征的获取采用下式实现：
4.根据权利要求3所述的一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，所述的噪声支撑集为：
5.根据权利要求1所述的一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，所述的步骤s1中，动态模型为：
6.根据权利要求1所述的一种基于学习和全驱系统的pem电解槽温度预测控制方法，其特征在于，当反馈控...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。