Der Kontrollhorizont und der Vorhersagehorizont

Sep 24 2020

Ich habe die Bibliographie und die Gekko-Programmierstruktur für die modellprädiktive Steuerung überprüft. Obwohl ich verstanden habe, wie es programmiert ist und welchen Zweck es hat. Ich würde gerne verstehen, wie Gekko die Unterschiede zwischen dem Kontrollhorizont und dem Vorhersagehorizont verwaltet, wie zum Beispiel in Seborg beschrieben. Ich kann keine Differenzierung im Code erkennen. Unten finden Sie ein Beispiel für eine MPC-Anwendung zur Veranschaulichung.

from gekko import GEKKO
import numpy as np
import matplotlib.pyplot as plt  

m = GEKKO()

# Time Horizon [0,1,2,...,39,40]
m.time = np.linspace(0,40,41)

# MV = Manipulated Variable
u = m.MV(value=0, lb=0, ub=100)
u.STATUS=1; u.DCOST=0.1; u.DMAX=20

# CV = Controlled Variable
x = m.CV(value=0,name='x')
x.STATUS=1; x.SP=45

# Define model
K = m.Param(value=0.8); tau = 15.0
m.Equation(tau*x.dt() == -x + K*u)

# Options and solve
m.options.CV_TYPE = 2
m.options.MV_TYPE = 0
m.options.NODES   = 3
m.options.IMODE   = 6

# Define Control and Prediction Horizon
m.options.CTRL_HOR = 10
m.options.CTRL_TIME = 1
m.options.PRED_HOR = 40
m.options.PRED_TIME = 2

m.solve(disp=False)

# Plot results
plt.figure()
plt.subplot(2,1,1)
plt.step(m.time,u.value,'b-',label='MV Move Plan')
plt.legend()
plt.ylabel('MV')
plt.subplot(2,1,2)
plt.plot([0,40],[45,45],'k-',label='Target Setpoint')
plt.plot(m.time,x.value,'r--',label='CV Response')
plt.ylabel('CV')
plt.xlabel('Time')
plt.legend(loc='best')
plt.show()

Ich würde mich über Ihr Feedback freuen, wie ich np.linspace()die im Code verwendete Anweisung berücksichtigen sollte .

Vielen Dank.

Sandra Rodríguez

Antworten

1 JohnHedengren Sep 24 2020 at 12:54

Der Kontrollhorizont ist der Abschnitt des Zeithorizonts, in dem MV-Bewegungen zulässig sind. Der Vorhersagehorizont erstreckt sich über den Kontrollhorizont hinaus, um die endgültigen CV-Ergebnisse vorherzusagen, jedoch ohne MV-Bewegung. Es handelt sich um ein Legacy-Konzept von Industriemodell-Predictive-Controllern, die einen kurzfristigen Umzugsplan berechnen müssen, aber auch vorhersagen müssen, wo sich die MVs und CVs der Controller letztendlich niederlassen werden.

Option 1: Verwenden Sie die Gekko-Optionen, um den Zeithorizont zu definieren (nicht empfohlen).

Die Parameter CTRL_HOR, CTRL_TIME, PRED_HOR, und PRED_TIMEsind Optionen aus APMonitor aber nicht der Gekko Lösung ändern , wenn Sie festgelegt m.options.CSV_READ=0. Das Deaktivieren des Lesens der CSV-Datei wird nicht empfohlen, da Gekko die CSV-Datendatei verwendet, um Änderungen mitzuteilen.

m.options.CSV_READ = 0

# Define Control and Prediction Horizon
m.options.CTRL_HOR = 10
m.options.CTRL_TIME = 1
m.options.PRED_HOR = 40
m.options.PRED_TIME = 1

Option 2: m.time()Zum Definieren des Zeithorizonts

Die Verwendung m.timeist die bevorzugte Methode zum Definieren Ihres MPC-Zeithorizonts. Es kann mit mehr als nur einem Kontroll- und Vorhersageintervall ungleichmäßig sein.

m.time = [0,1,2,3,4,6,8,10,15,25,35,50,80]

Reduzieren Sie die Freiheitsgrade des Vorhersagehorizonts

Der Zweck des Vorhersagehorizonts besteht darin, den stationären Zustand zu berechnen und die letzte zulässige MV-Bewegung vom Steuerhorizont konstant zu halten. Wenn Sie die MV-Bewegung nach einem bestimmten Punkt nicht mehr zulassen müssen, m.Connection()können Sie die MV-Werte miteinander verknüpfen, um die Bewegung nach einem bestimmten Zeithorizont nicht mehr zuzulassen.

# Create prediction horizon
for i in range(9,len(m.time)):
    m.Connection(u,u,8,i)     # connect end point node
    m.Connection(u,u,8,i,1,2) # connect internal node

Hier ist der vollständige Code für dieses Beispielproblem.

from gekko import GEKKO
import numpy as np
import matplotlib.pyplot as plt  

m = GEKKO()

# Time Horizon
m.time = [0,1,2,3,4,6,8,10,15,25,35,50,80]

# MV = Manipulated Variable
u = m.MV(value=0, lb=0, ub=100)
u.STATUS=1; u.DCOST=0.1; u.DMAX=20

# CV = Controlled Variable
x = m.CV(value=0,name='x')
x.STATUS=1; x.SP=45

# Define model
K = m.Param(value=0.8); tau = 15.0
m.Equation(tau*x.dt() == -x + K*u)

# Options and solve
m.options.CV_TYPE = 2
m.options.MV_TYPE = 0
m.options.NODES   = 3
m.options.IMODE   = 6

# Create prediction horizon
for i in range(9,len(m.time)):
    m.Connection(u,u,8,i)     # connect end point node
    m.Connection(u,u,8,i,1,2) # connect internal node

m.solve(disp=True)

# Plot results
plt.figure()
plt.subplot(2,1,1)
plt.step(m.time,u.value,'b-',label='MV Move Plan')
plt.plot(m.time[0:8],u.value[0:8],'o',color='orange',label='Control Horizon')
plt.plot(m.time[8:],u.value[8:],'x',color='purple',label='Prediction Horizon')
plt.legend()
plt.ylabel('MV')
plt.subplot(2,1,2)
plt.plot([0,80],[45,45],'k-',label='Target Setpoint')
plt.plot(m.time,x.value,'r.-',label='CV Response')
plt.ylabel('CV')
plt.xlabel('Time')
plt.legend(loc='best')
plt.show()