Question

我从Pyomo开始，对这个包有一些具体的问题。我正在使用DAE-Toolbox并希望使用此工具箱进行模拟和参数估计。这是我的代码：

DAE-Model-script（来自pyomo-examples）：

from pyomo.environ import *
from pyomo.dae import *

model = ConcreteModel()

time_vec = [0,1,2,3,4,5,6,7,8,9,10,11,12,13]
model.t = ContinuousSet(initialize= time_vec)

meas_time_vec = [1,2,3,5]
model.MEAS_t = Set(within=model.t,initialize =meas_time_vec)    # Measurement times, must be subset of t

meas_data_vec ={1:0.264,2:0.594,3: 0.801,5: 0.959}
model.x1_meas = Param(model.MEAS_t, initialize=meas_data_vec)

model.x1 = Var(model.t, initialize =0)
model.x2 = Var(model.t, initialize=1)

model.p1 = Var(bounds=(-1.5,1.5))
model.p2 = Var(bounds=(-1.5,1.5))

model.x1dot = DerivativeVar(model.x1,wrt=model.t)
model.x2dot = DerivativeVar(model.x2)

def _init_conditions(model):
    yield model.x1[0] == model.p1
    yield model.x2[0] == model.p2
model.init_conditions = ConstraintList(rule=_init_conditions)

# Alternate way to declare initial conditions
#def _initx1(model):
#   return model.x1[0] == model.p1      
#model.initx1 = Constraint(rule=_initx1)

#def _initx2(model):
#   return model.x2[0] == model.p2
#model.initx2 = Constraint(rule=_initx2)

def _x1dot(model,i):
    return model.x1dot[i] == model.x2[i]
model.x1dotcon = Constraint(model.t, rule=_x1dot)

def _x2dot(model,i):
    return model.x2dot[i] == 1-2*model.x2[i]-model.x1[i]
model.x2dotcon = Constraint(model.t, rule=_x2dot)

def obj(model):
    return sum((model.x1[i]-model.x1_meas[i])**2 for i in model.MEAS_t)
model.obj = Objective(rule=obj)

运行脚本：

rom pyomo.environ import *
from pyomo.dae import *
from Parameter_Estimation2 import model
import copy


#model copy
model_sim_window = copy.deepcopy(model)
model_sim_loop = copy.deepcopy(model)



#(1) Parameter Estimation
discretizer = TransformationFactory('dae.collocation')
discretizer.apply_to(model,nfe=8,ncp=5)
solver=SolverFactory('ipopt')
results = solver.solve(model,tee= True)
p_1 = value(model.p1)
p_2 = value(model.p2)
print('p_1',p_1)
print('p_2',p_2)


#(2) Simulation-window
model_sim_window.obj.deactivate()
model_sim_window.t.value = (0,20)
model_sim_window.p1.value = p_1
model_sim_window.p2.value = p_2
sim = Simulator(model_sim_window, package='casadi')
tsim, profiles = sim.simulate(numpoints=100, integrator='cvodes')


#(3)Simulation-loop
model_sim_loop.obj.deactivate()
model_sim_loop.p1.value = p_1
model_sim_loop.p2.value = p_2
sim = Simulator(model_sim_loop, package='casadi')
x0=[0,0]
result =[x0]
t_vec =[0]

for t in range(0,20):

    model_sim_loop.t.value = (t,t+1)
    tsim, profiles = sim.simulate(numpoints=10, integrator='cvodes',initcon=x0)
    result.append(profiles[-1])
    t_vec.append(tsim[-1])
    x0= profiles[-1]


print('result',result)
print('time',t_vec)

现在，问题：

有没有办法重复使用模型实例进行参数估算（评论1）和模拟（评论2）？我用一个解决了这个问题 “丑陋的”深层扫描。
pyomo.dae模拟器是一个步骤方法，可用于逐步方式将dae系统集成到循环中。我想改变输入（步骤之间的测量，控制信号）没有重新启动我的
我知道，cvodes有这样一种方法。
如何将pyomo用于模型预测控制。有没有例子？什么是一个好的起点？

谢谢＆amp;再见

Hendrixon

Answer 1

1）模拟器中存在一个错误，导致它无法应用于离散模型，因此您使用两种模型的方法是当前的方法（注意，您应该使用{{1}复制模型而不是深度复制）。模拟器中的这个错误将在下一个Pyomo版本中修复。

2）请参阅模拟器文档中的this section，我认为这正是您所要求的。

3）参见基于Pyomo构建的非线性模型预测控制框架的this paper。

Answer 2

感谢您的回复！

1）我使用抽象模型解决了这个问题。

2）我已阅读Simulator文档中的部分，并进行了一些测试。但是我想在＆＃34;实时＆＃34;中实现pyomo.dae模拟器。应用。我的工作流程：

从工厂读取测量数据
设置模型的输入
进行模拟步骤
等到下一个数据进入
设置输入.....
进行模拟步骤（从上次模拟开始步骤，不需要init）
......等等

我知道包pyfmi（来自Jmodelica）有一个模拟器/集成的步骤方法，它们使用cvode。目前我使用IDAS-Solver，因为我有DAE-System。 pyomos IDAS接口有这样一个逐步的集成方法吗？

3）非常有趣！

谢谢！

Pyomo：DAE参数估计和模型的逐步模拟

2 个答案: