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&再见
Hendrixon
答案 0 :(得分:0)
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。
答案 1 :(得分:0)
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"实时"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!