向碳中和能源系统的过渡需要大量安装可再生能源和经济上可行的能源储存解决方案。本研究通过优化满足社区热电需求的能源系统的设计和控制策略来解决这些挑战。所提出的系统将太阳能和风能与能源储存相结合,包括季节性热能储存 (STES) 和电池,并通过热泵耦合。这种方法提高了自给自足能力并有效缓解季节性不匹配。为了模拟 STES 系统中储存器和地面之间的热传递,我们采用了多节点集中参数方法。优化问题被表述为周期最优控制问题,然后将其转录为非线性规划问题。为了降低计算复杂性,我们应用平均法,这大大降低了解决问题所需的工作量。我们将这种方法应用于一个案例研究,其中经济优化的配置预计 30 年内每个家庭的供热和电力总能源成本约为 75 欧元/月。这项研究证明了在现实场景中设计经济可行的自主能源社区的可行性,并为设计系统组件和控制策略提供了一个全面的优化框架。
摘要 — 本研究通过一种计算效率高的鲁棒控制策略解决了联网电动汽车的生态自适应巡航控制问题。该问题在空间域中采用非线性电力传动系统模型和运动动力学的真实描述来制定,以产生凸最优控制问题 (OCP)。OCP 通过一种新颖的鲁棒模型预测控制 (RMPC) 方法解决,该方法处理由于模型不匹配和前导车辆信息不准确而引起的各种干扰。RMPC 问题通过半正定规划松弛和单线性矩阵不等式 (sLMI) 技术解决,以进一步提高计算效率。使用实验收集的驾驶周期评估所提出的实时鲁棒生态自适应巡航控制 (REACC) 方法的性能。通过与标称 MPC 进行比较来验证其鲁棒性,标称 MPC 会导致速度限制约束违规。所提出方法的能源经济性优于最先进的时域 RMPC 方案,因为可以将更精确拟合的凸动力传动系统模型集成到空间域方案中。与传统恒定距离跟随策略 (CDFS) 的额外比较进一步验证了所提出的 REACC 的有效性。最后,验证了 REACC 可以借助 sLMI 和由此产生的凸算法实现实时实现。
建筑能源灵活性对于改善当地可再生能源消费和提高建筑自给自足能力至关重要。热带地区丰富的太阳能资源为减少碳排放和实现净零排放提供了绝佳机会,但该地区的建筑能源灵活性研究仍不足。因此,本研究提出并实施了一种基于模型预测控制 (MPC) 的实用控制框架,揭示了采用混合冷却系统的热带办公楼的能源灵活性潜力。考虑到数据可用性对实际控制性能的影响,还在实际和虚拟的端到端实验中研究了具有替代数据使用配置的 MPC。首次证明所提出的框架可以有效调节建筑负荷。与基线控制相比,光伏自耗和建筑自给自足分别提高了 19.5% 和 10.6%。在测试的三个数据类别(内部干扰、外部干扰和系统条件)中,准确的当地天气条件被证明对理想的控制结果最为关键。此外,模拟量化了不同建筑特征下更高数据粒度带来的好处。基于系统实验,建立了数据可用性与控制性能之间的关系。据此,提出了一个以数据为中心的框架,以提高最优控制研究的可重复性和可扩展性。可以指导未来的研究,以促进大规模的实际实施。
摘要 — 有效的弹性改进策略使电网能够应对破坏性的极端事件。大多数电网停电都是由配电网中断引起的。受电力系统弹性研究的迫切需求的推动,本文提出了一种优先级加权最佳负荷恢复技术,以增强配电网对极端事件的弹性。所提出的技术基于智能配电技术,并被设计为顺序多步决策过程 (MDP) 和混合整数线性规划 (MILP)。它被公式化为具有模型预测控制 (MPC) 方法的最优控制问题。我们将设计的基于 MILP-MPC 的负荷恢复技术应用于简化的单总线版本的 IEEE 13 总线配电系统,该系统集成了分布式能源 (DER),例如风力涡轮机、光伏阵列、微型涡轮机和储能设备。该技术使用可再生能源的预测信息、微型涡轮机的燃料状态和储能设备的充电状态,在每个控制步骤中实时执行缩减和滚动优化。我们考虑了触发上游公用电网停电并导致配电网孤岛运行的极端事件。我们证明了所提出的 MPC 方法在主电网停电导致孤岛运行期间根据优先级恢复配电网负载的有效性。
随着通用纠错量子计算机的发展,我们有许多机会来测试当前和近期量子硬件的解决问题的能力 [1]。除了化学、人工智能和采样问题之外,组合优化问题也是量子加速解决方案的绝佳候选 [2]。与此同时,关于如何构建下一代能源网的新范式正在出现,这种能源网安全、有弹性、经济高效,可以容纳大量分布式可再生能源。这样的系统可能涉及密集的在线计算、多个时间尺度上的最优控制和广泛的状态监控,以动态适应不同的发电和需求 [3]。鉴于这项任务的复杂性,离线优化和合理设计电网属性以实现更高效的在线计算和观察对于未来电网的性能至关重要。在最简单的描述中,电网可以建模为一个无向图,其中系统中的总线被分配给图节点,分支被分配给图边。在这个抽象层次上,设计电力系统的第一步是解决图上定义的组合优化问题。许多与电网相关的组合优化问题都是 NP 完全的 [4] [5] [6]。因此,在无法获得精确解的情况下,确定和评估新型近似和启发式解决方法的性能对于电力系统设计中组合优化问题尤为重要。
课程编号 课程名称 先修课程* 夏季 秋季 春季 525.610 机器人系统的微处理器 525.637 强化学习基础 O 525.642 使用 VHDL 进行 FPGA 设计 O VL/O VL/O 525.645 现代导航系统 OO 525.661 无人机系统与控制 525.609 OO 525.728 检测与估计理论 525.614 VL O 525.777 控制系统设计方法 525.666, 525.609 IP(奇数) 535.622 机器人运动规划 OO 535.630 机器人运动学与动力学 OO 535.642 机械工程控制系统 O 535.645 数字控制与系统应用 535.642 O 535.724 机器人动力学和航天器 O 535.726 机器人控制 535.630 IP 535.741 最优控制与强化学习 535.641 O 605.716 复杂系统的建模与仿真 VL 605.724 应用博弈论 O 605.745 不确定性下的推理 O 625.615 优化简介 OO 625.741 博弈论 625.609*, 625.603* O (偶数) 625.743 随机优化与控制 625.603* VL (奇数) 665.645 机器人人工智能 VL VL VL 665.681 传感系统的应用 AS.110.109, 605.206 VL VL VL 665.684 机器人系统开发685.621, 535.641, 605.613, 535.630 VL VL VL
在追求量子模拟和容错量子计算的过程中,稳健性和可调谐性之间的权衡是一个核心挑战。特别是,量子架构通常被设计为以牺牲可调谐性为代价来实现高相干性。许多当前的量子比特设计具有固定的能级,因此可控相互作用的类型有限。在这里,通过将固定频率的超导电路绝热转换为可修改的 Floquet 量子比特,我们展示了具有完全可调各向异性的 XXZ Heisenberg 相互作用。该交互模型可以充当一组富有表现力的量子操作的原语,但也是自旋系统量子模拟的基础。为了说明我们的 Floquet 协议的稳健性和多功能性,我们定制了 Heisenberg Hamiltonian 并实现了具有良好估计保真度的双量子比特 iSWAP、CZ 和 SWAP 门。此外,我们在更高的能级之间实现了 Heisenberg 相互作用,并使用它来构建三量子比特 CCZ 门,同样具有竞争保真度。我们的协议适用于多个固定频率高相干性平台,为高性能量子信息处理提供了一系列交互。它还确立了 Floquet 框架作为探索量子电动力学和最优控制工具的潜力。
简介:具有可控资产(例如电池)的可再生能源社区 (REC) 的控制可以形式化为最优控制问题。本文提出了一种通用公式来处理此类问题,即使用重新分配密钥重新分配社区成员产生的电力。这些密钥代表分配给每个社区成员的本地电力生产盈余(即社区内产生但未被任何社区成员消费的电力)的份额。这种形式化使我们能够共同优化可控资产和重新分配密钥,从而最小化成员电费的总价值。方法:为了执行此优化,我们提出了两种算法,旨在以滚动式方式解决最优开环控制问题。此外,我们还提出了另一种近似算法,该算法仅优化可控资产(而不是同时优化可控资产和重新分配密钥)。我们在可再生能源社区控制问题上测试这些算法,这些问题由合成数据构建,灵感来自 REC 的真实案例。结果:我们的结果表明,当同时优化可控资产和重新分配密钥(即提出的前两种算法)时,成员电费的总价值会大大降低。讨论:这些发现强烈主张,在控制可再生能源社区等能源系统时,需要采用更全面的算法,从传统(非常精细)控制角度和更大的经济角度对其进行共同优化或联合优化。
本论文旨在通过明确推理其模型与现实世界之间的差距,奠定必要的基础,使自主系统能够在复杂、变化和不确定的环境中确保自身安全。它首先介绍了一套新颖的鲁棒最优控制公式和算法工具,允许在时变、多智能体系统中进行可处理的安全分析,以及在部分未知环境中进行安全的实时机器人导航;这些方法在大型无人机交通模拟和物理四旋翼平台上得到了展示。此后,它利用贝叶斯机器学习方法将基于模型的保证转化为高置信度保证,根据有关物理系统和周围智能体的证据变化来监控预测模型的可靠性。该原则首先应用于通用安全框架,允许对无人机等安全关键型机器人系统使用基于学习的控制(例如强化学习),然后结合认知科学和动态博弈论的见解,实现以人为本的安全导航和交互;这些技术在物理四旋翼飞行器(在未建模的风中和人类行人中飞行)和模拟高速公路驾驶中得到展示。论文最后讨论了未来的挑战和机遇,包括安全分析和强化学习之间的衔接,以及围绕学习和适应“闭环”的必要性,以便自信地部署日益先进的自主系统。
本论文旨在通过明确推理其模型与现实世界之间的差距,奠定必要的基础,使自主系统能够在复杂、变化和不确定的环境中确保自身安全。它首先介绍了一套新颖的鲁棒最优控制公式和算法工具,允许在时变、多智能体系统中进行可处理的安全分析,以及在部分未知环境中进行安全的实时机器人导航;这些方法在大型无人机交通模拟和物理四旋翼平台上得到了演示。此后,它借鉴贝叶斯机器学习方法将基于模型的保证转化为高置信度保证,根据有关物理系统和周围智能体的证据变化来监控预测模型的可靠性。该原则首先应用于通用安全框架,允许对无人机等安全关键型机器人系统使用基于学习的控制(例如强化学习),然后结合认知科学和动态博弈论的见解,实现安全的以人为本的导航和交互;这些技术在实体四旋翼飞行器(在未建模的风中和人类行人中飞行)和模拟高速公路驾驶中得到展示。论文最后讨论了未来的挑战和机遇,包括安全分析和强化学习之间的衔接,以及围绕学习和适应“闭环”的必要性,以便自信地部署日益先进的自主系统。