Gekko ARX模型可能会崩溃以加载上一次迭代

Question

我对使用Gekko和一般的模型预测控制建模是非常陌生的。

我已经在Gekko中创建了一个ARX MPC，它工作得很好。然而，我注意到在最初的50-80次迭代中，结果是很好的。令人失望。然而，在第一次迭代之后，我得到了很好的结果(我猜ARX算法在这里起作用了，或者可能存在偏差？)。现在我的问题是，模型可能会在一段时间后崩溃，我必须重复50-80次迭代才能再次获得良好的结果，有没有一种方法可以“保存”最后一个计算模型，并在重新启动计算时使用它？

Answer 1

您可能会遇到的问题是“之前”的值尚未初始化。尝试使用稳定状态初始化求解一次，如example MPC application with the TCLab中所示，这是TCLab F的最终源代码块。

m.options.IMODE=1
m.solve()

然后，您可以切换到控制或模拟模式：

# set up MPC
m.options.IMODE   = 6 # MPC
m.time=np.linspace(0,120,61)

使用ARX models的背景信息

ARX模型的辨识和ARX模型的预测或控制是两个独立的应用。

识别ARX模型

​

​

用于标识ARX模型的m.sysid()函数不会保存存档，但会将模型作为输出参数返回：

yp,p,K = m.sysid(t,u,y,na,nb,pred='meas')

该模型将作为p返回。

# see https://apmonitor.com/wiki/index.php/Apps/ARXTimeSeries
from gekko import GEKKO
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# load data and parse into columns
url = 'http://apmonitor.com/do/uploads/Main/tclab_dyn_data2.txt'
data = pd.read_csv(url)
t = data['Time']
u = data['H1']
y = data['T1']

m = GEKKO(remote=False)

# system identification
na = 2 # output coefficients
nb = 2 # input coefficients
yp,p,K = m.sysid(t,u,y,na,nb,pred='meas')

plt.figure()
plt.subplot(2,1,1)
plt.plot(t,u,label=r'$Heater_1$')
plt.legend()
plt.ylabel('Heater')
plt.subplot(2,1,2)
plt.plot(t,y)
plt.plot(t,yp)
plt.legend([r'$T_{meas}$',r'$T_{pred}$'])
plt.ylabel('Temperature (°C)')
plt.xlabel('Time (sec)')
plt.show()

用ARX模型进行预测

​

​

下面是一个使用ARX模型进行预测的示例。

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

na = 2 # Number of A coefficients
nb = 1 # Number of B coefficients
ny = 2 # Number of outputs
nu = 2 # Number of inputs

# A (na x ny)
A = np.array([[0.36788,0.36788],\
              [0.223,-0.136]]) 
# B (ny x (nb x nu))
B1 = np.array([0.63212,0.18964]).T
B2 = np.array([0.31606,1.26420]).T
B = np.array([[B1],[B2]])

C = np.array([0,0])

# create parameter dictionary
# parameter dictionary p['a'], p['b'], p['c']
# a (coefficients for a polynomial, na x ny)
# b (coefficients for b polynomial, ny x (nb x nu))
# c (coefficients for output bias, ny)
p = {'a':A,'b':B,'c':C}

# Create GEKKO model
m = GEKKO(remote=False)

# Build GEKKO ARX model
y,u = m.arx(p)

# load inputs
tf = 20 # final time
u1 = np.zeros(tf+1)
u2 = u1.copy()
u1[5:] = 3.0
u2[10:] = 5.0
u[0].value = u1
u[1].value = u2

# customize names
mv1 = u[0]
mv2 = u[1]
cv1 = y[0]
cv2 = y[1]

# options
m.time = np.linspace(0,tf,tf+1)
m.options.imode = 4
m.options.nodes = 2

# simulate
m.solve()

m.open_folder()

plt.figure(1)
plt.subplot(2,1,1)
plt.plot(m.time,mv1.value,'r-',label=r'$MV_1$')
plt.plot(m.time,mv2.value,'b--',label=r'$MV_2$')
plt.ylabel('MV')
plt.legend(loc='best')
plt.subplot(2,1,2)
plt.plot(m.time,cv1.value,'r:',label=r'$CV_1$')
plt.plot(m.time,cv2.value,'b.-',label=r'$CV_2$')
plt.ylabel('CV')
plt.xlabel('Time (sec)')
plt.legend(loc='best')
plt.show()

模型保存在可以使用m.open_folder()查看的m.path文件夹中。将m = GEKKO(remote=False)设置为本地计算，并观察用于生成模型和解决方案的所有文件。