XiaoMi-AI文件搜索系统
World File Search System预测控制
模型对基于生产者的太阳能地区加热网络中双向传热的预测控制
具有分散热量生产的地区供暖网络非常适合包括在空间有限的城市地区的可再生能源份额。一个新概念是一个基于生产的地区供暖网络，其中一些甚至所有建筑物都配备了分散的建筑物水平的热量储藏和热量产生植物。为了利用相互连接的加热网络的全部潜力，带有剩余热量的建筑物旨在将热量转移到有加热需求的建筑物中，以防止中央供暖厂的激活。这项工作提出了一项关于使用模型预测控制策略来管理区域供暖网络中建筑物之间双向传热的初步可行性研究。我们将此问题提出为最佳控制问题，并为每个潜在的传热连接结合了二进制决策变量。这会导致难以解决的混合企业非线性优化问题。该问题通过基于快速的基于梯度的优化算法与组合积分近似策略相结合解决。进行了一个有关使用建筑级太阳能热收集器和储罐的住宅供暖网络的案例研究。优化操作与从一个月的测量中获得的实际操作进行了比较。结果表明，具有双向传热的优化策略可以利用整个网络中产生的总热量。在案例研究中，这导致了中央热供应商所需的热能的近75％。仅当所有建筑物产生或储存的热量不足以满足网络内的总热量需求时，才需要中央供暖提供商。
通过随机模型预测控制对反向燃料电池的可再生能源发电和不确定需求进行优化管理
近年来，可再生能源 (RES) 的广泛传播促使学术界和工业界研究能够更好地利用可再生能源发电来供应能源系统的方法和技术。在文献中，人们研究了不同的技术来管理可再生能源发电并优化其运行。风能和太阳能等可再生能源变化多端且难以预测，因此人们开发了许多随机算法来最佳地管理其预测中的不确定性。为了处理可再生能源预测误差和电力需求的不确定性，并获得电力系统的灵活性，即系统发电机对负载或系统组件性能的意外变化做出反应的能力，必须集成储能系统 (ESS) [1]。电池等电化学储能系统得到了广泛的研究，文献中可以找到许多关于电池管理的著作 [2]。一种有效且环保的电池替代品是电转氢 (P2H) 系统，其中可能的发电过剩通过
深度基于模型的强化学习，用于对机器人系统的预测控制，并具有稀疏奖励
抽象的稀疏奖励和样本效率是增强学习领域的开放研究领域。在考虑对机器人技术和其他网络物理系统的增强学习应用时，这些问题尤其重要。之所以如此，是因为在这些领域中，许多任务都是基于目标的，并且自然而然地表达了二进制成功和失败，动作空间较大且连续，并且与环境的实际相互作用受到限制。在这项工作中，我们提出了深层的价值和预测模型控制（DVPMC），这是一种基于模型的预测增强学习算法，用于连续控制，该算法使用系统识别，值函数近似和基于采样的优化对选择动作。该算法是根据密集的奖励和稀疏奖励任务进行评估的。我们表明，它可以使预测控制方法的性能与密集的奖励问题相匹配，并且在样本效率和性能的指标上，在稀疏奖励任务上优于模型和基于模型的学习算法。我们验证了使用DVPMC训练在仿真的机器人上培训的代理商的性能。可以在此处找到实验的视频：https：//youtu.be/ 0q274kcfn4c。
通过多生产者消费者节点和经济模型预测控制对多能源系统进行建模和控制
本研究涉及多能源系统 (MES) 建模和经济模型预测控制 (EMPC) 的高级控制。由于有多种能源载体，MES 可提供能源灵活性、效率和适应性。MES 被视为整合可再生能源的杠杆。本文开发了一种称为多产消者节点 (MPN) 的 MES 新型公式技术。MPN 使 MES 建模成为可能，考虑到 MES 动态、多种能源载体、转换器、并网和离网。此外，这种 MES 建模方法与 EMPC 等预测控制策略兼容。事实上，EMPC 能够考虑负载、天气、可再生能源和能源电网成本预测，以最大限度地降低经济成本。实施了一个真实案例研究来检查 MPN 功能，它由两种能源载体的可再生发电机、负载、存储组成。为了代表冬季和夏季的实际情况，我们开发了两种真实场景。通过 MPN 和 EMPC 高级控制建模，仿真结果表明，节点得到了最佳控制，设备动态在分钟尺度上得到考虑，并且在执行经济成本最小化的同时考虑了从一个载体到另一个载体的能量转换。所得结果表明，与基于规则的控制的基准相比，提出的 MPN 建模和优化方法在冬季情况下将经济成本降低了 8.21%，在夏季情况下将经济成本降低了 84.24%。
使用基于物理的模型对频率调节市场的电池系统进行多尺度模型预测控制
我们为固定电池系统提出了一种多尺度模型预测控制 (MPC) 框架，该框架利用高保真模型来权衡能源和频率调节 (FR) 市场提供的短期经济激励与长期退化效应。我们发现 MPC 框架可以大幅减少长期退化，同时正确响应 FR 和能源市场信号（与使用低保真模型的 MPC 公式相比）。我们的结果还证明，可以使用现代非线性规划求解器将复杂的电池模型嵌入闭环 MPC 模拟中（我们在 Julia 中提供了一个高效且易于使用的实现）。我们利用从模拟中获得的见解来设计一个低复杂度的 MPC 公式，该公式与使用高保真模型获得的行为相匹配。这是通过设计一个合适的终端惩罚项来实现的，该惩罚项隐式地捕获长期退化。结果表明，通过正确设计成本函数，可以在低复杂度 MPC 公式中解释复杂的退化行为。我们相信，我们的概念验证结果具有工业意义，因为电池供应商正在寻求参与快速变化的电力市场，同时保持资产完整性。
利用数据驱动的稳健模型预测控制实现混合可再生能源系统的建筑气候控制
虽然可再生能源系统和模型预测控制 (MPC) 的实施可以减少不可再生能源的消耗，但使用 MPC 进行建筑气候控制的一个挑战是天气预报的不确定性。在这项工作中，我们提出了一个数据驱动的稳健模型预测控制 (DDRMPC) 框架，以解决天气预报不确定的情况下使用可再生混合能源系统进行建筑气候控制的问题。控制和能源系统配置包括供暖、通风、空调、地热热泵、光伏板和电力储存电池。从气象站收集历史天气预报和测量数据，以识别预测误差并用于不确定性集构建。数据驱动的不确定性集是使用多种机器学习技术构建的，包括带核密度估计 (KDE) 的主成分分析 (PCA)、结合 PCA 和 KDE 的 K 均值聚类以及狄利克雷过程混合模型 (DPMM)。最后，开发了一个数据驱动的稳健优化问题，以获得具有可再生能源系统的建筑物的最佳控制输入。使用康奈尔大学校园内控制带有可再生能源系统的建筑物的案例研究来展示所提出的 DDRMPC 框架的优势。
智能电网的发展
随着智能电网的发展，它需要增加分布式智能、优化和控制。模型预测控制 (MPC) 促进了智能电网应用的这些功能，即：微电网、智能建筑、辅助服务、工业驱动、电动汽车充电和分布式发电。其中，本文重点全面回顾了 MPC 在电网整合分布式能源 (DER) 电力电子接口中的应用。特别是，详细介绍了风能转换系统、太阳能光伏、燃料电池和储能系统的电力转换器的预测控制。还回顾了电网连接转换器的预测控制方法、基于人工智能的预测控制、未解决的问题和未来趋势。该研究强调了 MPC 在促进各种可持续电网连接 DER 的高性能、最佳功率提取和控制方面的潜力。此外，该研究为人工智能技术提供了详细的结构，这些技术有利于提高性能、简化部署并减少电力转换器预测控制的计算负担。
使用型号预测控制方法
摘要：本文提出了电池电量状态（SOC）的能源管理策略，该策略使用层次分布式模型预测控制（HDMPC），用于在太阳能驱动的长期持续飞机上独立的微电网。微电网的创新设计是两层结构，其中第一层由名为PV电池模块（PBM）的光伏生成和电池存储系统组成。第二层称为微电网子系统（MGSS），由几个PBM组成，每个PBM都为飞机上的特定DC负载提供了功率。控制系统分为两个级别：网格级模型预测控制（MPC）和转换器级MPC。网格级MPC采用分布式模型预测控制策略，以获得每个模块的参考功率。使用监督模型预测控制（SMPC）策略，转换器级MPC计算转换器的控制变量。新的微电网结构和提议的控制策略提高了能源系统的可靠性，并提高了其能量利用率。
建筑能源管理系统策略回顾：模型预测控制、需求侧管理、优化、故障检测与诊断
预计未来 20 年，建筑能耗将增长 40% 以上。电力仍然是建筑物消耗的最大能源，而且需求还在不断增长。为了减轻日益增长的需求的影响，需要制定战略来提高建筑物的能源效率。在住宅建筑中，家用电器、水和空间供暖是能源消耗增加的原因，而在非住宅建筑中，空间供暖和其他杂项设备是能源利用增加的原因。建筑能源管理系统支持建筑管理人员和业主提高现代和现有建筑的能源效率，非住宅和住宅建筑都可以从建筑能源管理系统中受益，以减少能源消耗。根据建筑类型，可以使用不同的管理策略来实现节能。本文回顾了提高能源效率的建筑能源管理系统的管理策略。研究了非住宅和住宅建筑中的不同管理策略。随后，从建筑类型、建筑系统和管理策略的角度讨论了所回顾的研究。最后，本文讨论了建筑能源管理系统提高能源效率的未来挑战。
人工胰腺模型预测控制（MPC），具有数据驱动的多步 - 先前的血糖预测因子
我们介绍了闭环胰岛素输送算法的设计和内部评估，用于处理1型糖尿病（T1D），该糖尿病（T1D）由数据驱动的多步进血糖（BG）预测因子集成到线性时间变化（LTV）模型预测控制（MPC）框架中。我们建议通过可用数据识别葡萄糖调节系统的开环模型，而是建议将整个BG预测拟合在MPC中使用的预定义预测范围，作为过去输入 - IPUT数据的非线性函数，以及未来胰岛素控制输入的FFI NE功能的非线性函数。对于非线性部分，提出了一个长的短期内存（LSTM）网络，而对于A ffi Ne组件，选择了线性回归模型。与传统的线性MPC相比，基于从数据确定的外源性（ARX）输入模型的自动回归的传统线性MPC相比，我们评估了在三种模拟场景中提出的LSTM-MPC控制器：每天的标称案例，每天有3顿饭，每天的饮食措施是一个随机的进餐情况，与最近出版的饮食中的餐饮造成了25％的股份和25％的股份，并与25％的造成了一份，并与25％的造成了一份。此外，在所有情况下，都没有给予前喂食推注。我们的方法提供了对整个MPC控制器的未来葡萄糖浓度和良好闭环性能的准确预测。For the more challenging random meal generation scenario, the mean ± standard deviation percent time in the range 70-180 [mg / dL] was 74.99 ± 7.09 vs. 54.15 ± 14.89, the mean ± standard deviation percent time in the tighter range 70-140 [mg / dL] was 47.78 ± 8.55 vs. 34.62 ± 9.04, while the mean ± standard严重低血糖的偏差百分比百分比，即，对于我们提出的LSTM-MPC控制器和传统的ARX-MPC，<54 [mg / dl]对9.45±11.71为1.00±3.18。