[发明专利]用于提供对复杂动力系统的优化控制的方法和系统

说明书

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（u_a（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）。

技术领域

本发明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。

背景技术

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。

发明内容

相应地，本发明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。

根据本发明的第一方面通过包括以下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。

本发明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算法来针对场景参数矢量和初始系统状态矢量的每个仿真组合计算所得到的优化控制值，并且保存所得到的优化控制值；

使用机器学习算法针对保存的所得到的优化控制值来生成对对应的场景参数矢量和初始系统状态矢量之间的关系进行近似的机器学习的控制启发，以及

使用生成的机器学习的控制启发来控制由所述仿真模型建模的复杂动力系统。

在根据本发明的第一方面的方法的可能的实施例中，机器学习算法使用扩散映射。

在根据本发明的第一方面的方法的另一个可能的实施例中，机器学习算法使用具有闭合可观察量（closed observable）的扩散映射以用于对动力系统进行近似。

在根据本发明的第一方面的方法的另一个可能的实施例中，机器学习算法使用支持矢量机。

在根据本发明的第一方面的方法的进一步的可能的实施例中，所生成的机器学习的控制启发被传递到控制器，所述控制器根据所传递的机器学习的控制启发来在线控制动力系统。

在根据本发明的第一方面的方法的另一个可能的实施例中，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。

根据进一步的方面本发明提供了包括以下特征的控制启发生成平台。

根据第二方面本发明提供了一种控制启发生成平台，用于提供使用于控制由仿真模型f建模的动力系统的机器学习的控制启发，所述仿真模型f存储在模型存储中并且被适配于基于当前场景参数矢量和控制矢量来及时预测动力系统的系统状态矢量，