用于提供对复杂动力系统的优化控制的方法和系统技术方案

公开了用于提供对复杂动力系统的优化控制的方法和系统。方法包括：提供（S1）仿真模型（f）以基于当前场景参数矢量（p）和控制矢量（u）预测动力系统（sys）的系统状态矢量（x）；在每次使用仿真模型（f）对动力系统（sys）仿真期间，使用（S2）模型预测控制MPC算法来提供控制矢量（u）；通过MPC算法针对场景参数矢量（p）和初始系统状态矢量（x0）的每个仿真组合计算（S3）所得到的优化控制值（u*（p,x0））；使用机器学习算法针对优化控制值（u*（p,x0））生成（S4）对场景参数矢量（p）和初始系统状态矢量（x0）之间的关系进行近似的机器学习的控制启发（ua（p,x0））；和使用控制启发来控制（S5）由仿真模型（f）建模的动力系统（sys）。

【技术实现步骤摘要】
用于提供对复杂动力系统的优化控制的方法和系统本专利技术涉及一种用于使用机器学习的、基于场景的控制启发（heuristics）来提供对诸如车辆的复杂动力系统的优化控制的系统和方法。诸如工厂或车辆的系统正变得越来越复杂。作为结果，对系统进行控制的对应的控制也变得更复杂。这导致针对对应的控制系统的编程和配置的增加的要求。此外，计算要求变得更严苛并且执行系统控制的必要的计算时间确实增加。相应地，本专利技术的目的是提供一种用于控制复杂动力系统的方法系统，所述方法系统高度地高效并且要求更少的计算资源用于执行对复杂动力系统的控制。根据本专利技术的第一方面通过包括权利要求1的特征的用于执行对复杂动力系统的优化控制的方法来实现该目的。本专利技术根据第一方面提供了一种用于使用机器学习的、基于场景的控制启发来执行对复杂动力系统的优化控制的方法，所述方法包括如下步骤：提供用于基于当前场景参数矢量和控制矢量来及时预测所述动力系统的系统状态矢量的仿真模型；在每次在针对不同的场景参数矢量和初始系统状态矢量使用所述仿真模型来对动力系统进行仿真期间，使用模型预测控制MPC算法来提供控制矢量，通过模型预测控制MPC算法来本文档来自技高网...

【技术保护点】
1.一种用于使用机器学习的基于场景的控制启发来执行对复杂动力系统（sys）的优化控制的方法，所述方法包括步骤：a）提供（S1）仿真模型（f），仿真模型（f）用于基于当前场景参数矢量（p）和控制矢量（u）及时预测所述动力系统（sys）的系统状态矢量（x）；b）在每次在针对不同的场景参数矢量（p0, p1, p2, ..）和初始系统状态矢量（x00, x01, x02, ..）使用仿真模型（f）对动力系统（sys）进行仿真期间，使用（S2）模型预测控制MPC算法来提供控制矢量（u）；c)通过MPC算法针对场景参数矢量（p）和初始系统状态矢量（x0）的每个仿真组合来计算（S3）所得到的优化控制值（u...

【技术特征摘要】
2017.05.15 EP 17171020.51.一种用于使用机器学习的基于场景的控制启发来执行对复杂动力系统（sys）的优化控制的方法，所述方法包括步骤：a）提供（S1）仿真模型（f），仿真模型（f）用于基于当前场景参数矢量（p）和控制矢量（u）及时预测所述动力系统（sys）的系统状态矢量（x）；b）在每次在针对不同的场景参数矢量（p0,p1,p2,..）和初始系统状态矢量（x00,x01,x02,..）使用仿真模型（f）对动力系统（sys）进行仿真期间，使用（S2）模型预测控制MPC算法来提供控制矢量（u）；c)通过MPC算法针对场景参数矢量（p）和初始系统状态矢量（x0）的每个仿真组合来计算（S3）所得到的优化控制值（u*（p,x0））并且保存所得到的优化控制值；d)使用机器学习算法针对保存的所得到的优化控制值（u*（p,x0））来生成（S4）对对应的场景参数矢量（p）和初始系统状态矢量（x0）之间的关系进行近似的机器学习的控制启发（ua（p,x0））；以及e）使用生成的机器学习的控制启发来控制（S5）由所述仿真模型（f）建模的复杂动力系统（sys）。2.根据权利要求1所述的方法，其中机器学习算法使用扩散映射。3.根据权利要求1或2所述的方法，其中机器学习算法使用具有闭合可观察量的扩散映射用于近似所述动力系统。4.根据权利要求1所述的方法，其中机器学习算法使用支持矢量机。5.根据前述权利要求1至4中的任一项所述的方法，其中生成的机器学习的控制启发被传递到控制器，所述控制器根据传递的机器学习的控制启发在线控制动力系统。6.根据前述权利要求1至5中的任一项所述的方法，其中机器学习的控制启发包括用于控制由所述仿真模型建模的复杂动力系统的近似法则。7.一种控制启发生成平台（1），用于...

【专利技术属性】
技术研发人员：D哈特曼，B奥布斯特，EOJ万纳贝格，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：德国,DE