用于基于模型的控制和优化的安全模型的制作方法

用于基于模型的控制和优化的安全模型的制作方法
【专利摘要】本发明涉及用于基于模型的控制和优化的安全模型。在一些实施方式中，控制/优化系统包括存储在模型服务器上的存储器中的例示的模型对象。该模型对象包括受控制的工厂或过程的模型。该模型对象包括接口，经由接口防止传输专有信息。该控制/优化系统还包括存储在决策支持服务器上的存储器中的决策引擎软件模块。该决策引擎软件模块被配置成经由防止传输专有信息的通信协议通过通信网络向模型对象请求信息，并且经由通信协议通过通信网络从模型对象接收所请求的信息。
【专利说明】用于基于模型的控制和优化的安全模型
【技术领域】
[0001]本公开内容大体涉及控制系统，更具体地，涉及在控制系统中运用基于模型的控制和优化的安全模型。
【背景技术】
[0002]现代生活的所有方面(航空航天和交通运输、材料和加工、生物学和医学、机器人、信息和网络等)中的基于模型的优化和控制的巨大成功已经使数学建模在工程学和物理学的所有领域中具有至关重要的角色。传统的基于模型的优化和控制方案通常假定向决策引擎完全公开模型。如果模型包括模型的所有人不愿意公开的敏感信息，那么完全公开是不希望的。当前，为模型的所有人保护模型的敏感内容的唯一补救措施是采取整体优化和/或控制方案的完全所有权。

【发明内容】

[0003]在实施方式中，一种计算机实现的方法包括:在多个模型服务器上例示多个模型对象。多个模型对象中的每一个模型对象包括受控制的工厂或过程的模型。模型中的至少一个模型包括受保护信息。该方法还包括经由通信网络向多个模型对象请求信息。该方法还包括经由通信网络从多个模型对象接收信息。另外，该方法包括生成与生成控制命令有关的多个模型对象中的至少一个模型对象的逼近。该方法还包括至少部分基于逼近和从多个模型对象接收的信息来生成控制命令。该方法还包括经由通信网络将控制命令传输给多个模型对象中的至少一个模型对象。另外，该方法包括基于控制命令来控制工业自动化组件。
[0004]在另一实施方式中，一种控制/优化系统包括存储在多个模型服务器上的存储器中的例示的多个模型对象。多个模型对象中的每一个模型对象包括受控制的工厂或过程的模型。该控制/优化系统还包括存储在多个决策支持服务器上的存储器中的多个决策引擎软件模块。决策引擎软件模块中的每一个决策引擎软件模块包括用于下述操作的软件指令:经由通信网络向多个模型对象请求信息；经由通信网络从多个模型对象接收信息；至少部分地基于从多个模型对象接收的信息来生成控制命令。其中，控制命令由多个决策引擎软件模块共同生成，并经由通信网络将控制命令传输给多个模型对象中的至少一个模型对象。
[0005]在又一实施方式中，一种控制/优化系统包括存储在模型服务器上的存储器中的例示的模型对象。该模型对象包括受控制的工厂或过程的模型。该模型对象包括接口，经由该接口阻止传输专有信息。该控制/优化系统还包括存储在决策支持服务器上的存储器中的决策引擎软件模块。该决策引擎软件模块被配置成经由防止传输专有信息的通信协议通过通信网络向模型对象请求信息，并经由通信协议通过通信网络从模型对象接收所请求的信息。【专利附图】

【附图说明】
[0006]参考附图来阅读下面的详细描述时，本发明的这些特征、方面和优点以及其他特征、方面和优点将变得更好理解，遍及附图，相同的附图标记表示相同的部分，在附图中:
[0007]图1是可以受控制的示例性商业或工业能量系统的示意图；
[0008]图2是图1中的能量系统的示例性组件的框图，该框图示出了各种互连；
[0009]图3是用于对图1中的能量系统进行建模的示例性参数混合模型的框图；
[0010]图4是图2中的示例性蒸发冷却器模块的框图；
[0011]图5是图2中的示例性锅炉模块的框图；
[0012]图6是布置为网络的表示与图1中的系统的组件相关的多个参数混合模型的图形建模工具的图形用户接口(例如，图形表示)的示例；
[0013]图7是使得控制系统能够控制图1中的系统的企业集成式参数混合模型的框图；
[0014]图8是图形建模工具的图形用户接口(例如，图形表示)的示例，其示出了对于用户可用的组件模块的库；
[0015]图9是图形建模工具的图形用户接口(例如，图形表示)的示例，其示出了当用户选择优化标记时的优化视图；
[0016]图10是图形建模工具的图形用户接口(例如，图形表示)的示例，其示出了当用户提交命令输入且图1中的系统优化方案已经更新时的优化视图；
[0017]图11是非线性的且非凸优化问题和针对该问题的双凸逼近的示例；
[0018]图12是使用参数混合模型的优化方案方程的方案图的示例；
[0019]图13是利用图形用户接口与参数混合模型交互的方法的示例；
[0020]图14是图形建模工具的图形用户接口的示例，其示出了基于第一节点被优化的模型网络；
[0021]图15是图形建模工具的图形用户接口的示例，其示出了基于由用户选择的第二节点被优化的图14中的模型网络；
[0022]图16是实现控制/优化系统的分布式企业集成式参数混合模型的框图；以及
[0023]图17是参数混合模型对象的接口和用于在决策引擎和参数混合模型对象之间进行通信的相关协议的框图。
【具体实施方式】
[0024]如上所述，现代生活的所有方面中(航空航天和交通运输、材料和加工、生物学和医学、机器人、信息和网络等)的基于模型的优化和控制的巨大成功已经使数学建模在工程学和物理学在所有领域中具有至关重要的角色。可以将物理过程的模型宽泛地分成(现象的、物理的和机械的)第一原理或(统计的和以数据为中心的)经验。第一原理(FP，first-principle)模型通常包括一组描述变量之间的已知关系的、具有可以适用于数据的系数或其他参数的方程。经验模型假定对于关系没有特定的形式，而是仅根据数据来拟合输入输出模型。由于在通用逼近结构中使用大量参数的神经网络(NN)模型具有许多有利的属性，因此神经网络模型是非线性经验建模方法中最广泛使用的形式之一。第一原理具有历史上占主导地位的非线性过程建模。二十世纪八十年代中期NN的出现使得获取表现良好的非线性经验模型成为可能。[0025]虽然广泛地认识到两种建模方法的互补的长处和短处，并且普遍接受使得其长处彼此互补的方法的价值，但只是最近才开发了使用第一原理和经验方法二者的互补长处来建立模型的系统化方法。在第8，019，701号美国专利、第8，032，235号美国专利和第2005/0187643号美国专利申请公开中更详细地描述了这种方法，上述每个专利文件的全部内容出于各种目的通过引用并入本申请中。
[0026]不管如上所述开发模型的方法如何，传统的基于模型的优化和控制方案通常假定向决策引擎(例如，在模型预测控制(MPC, model predictive control)方案的中心的二次规划(QP，quadratic programming)解算器、在生产调度方案的中心的混合整数线性规划(MILP, mixed integer linear programming)解算器等)完全(或至少部分)地公开模型。如果模型包括模型的所有人不愿意公开的敏感信息，则完全公开是不希望的。当前，如上所述，为模型的所有人保护模型的敏感内容的唯一补救措施是采取整体优化和/或控制方案的完全所有权。
[0027]然而，该选择有若干缺点。例如，使用这样的技术会导致基于模型的优化和控制方案对于具有有限的现场专业技能的最终用户而言过于昂贵。例如，生产厂经常不能为优化专家提供全职职位，因此，只能依赖外部的专业技能来支持其优化/控制应用。从外部获取援助来对所配置的基于模型的方案进行维护和故障诊断相对来说是比较昂贵的。在最坏的情况下，成本可能会达到放弃配置方案的程度而禁止。而且，由于工厂必须采取额外的步骤来保护有价值的信息，所以保护专有信息的需求仅增加了维护的成本。例如，为了摒绝为其竞争对手工作的可能性，工厂可能需要咨询者，这无疑增加了成本。
[0028]另外，用于处理模型的安全性的传统技术甚至会导致高价值的专有信息的内部暴露被不必要地扩大。例如，工厂控制工程师可以具有访问详细的反应模型的权利，即使他/她不需要访问该级别的细节。另外，在不同的实体之间作出协同决策的任何想法(例如，协同供应链优化)可能因过分关注专有信息的公开而受阻碍。例如，定价模型是公司的一些最高级别的受保护信息，可是有效地参与涉及不同等级供应链的真实供应链优化方案，通常需要来自所有参与者的精确定价策略。因此，使用云作为决策支持平台因过分关注专有数据的所有权和安全而受到阻碍。
[0029]以基本可靠的方式解决所有权和安全考量的方案是利用云架构的任何有意义的决策支持方案的基石。本文所描述的实施方式包括用于解决上面列出的难题的方法和算法。更具体地，本文所描述的实施方式将模型视为将服务提供给客户端的安全服务器。在一些实施方式中，决策引擎(例如，优化和控制引擎)通过相互询问在模型属性上达成的一致而不是不断地访问模型细节来创建受保护的模型的逼近。决策引擎可以基于所创建的在线逼近来确定决策变量的最佳值。另外，在一些实施方式中，如果需要的话可以使用根据配置的决策的暗示的反馈来修改在线逼近。而且，在一些实施方式中，可以将逼近在线模型的属性报告给受保护的模型服务器以为模型的授权的所有人提供必要的反馈，从而在必要时维护/修改模型。在一些实施方式中，可以对针对模型的查询进行加密以进一步保护受保护的模型信息不会出现未授权公开。本文所描述的实施方式通常呈现为涉及制造业和公共事业系统。然而，本文所描述的系统和方法不限于这样的应用，且可以将该系统和方法延伸到期望保护系统建模信息任何应用和所有应用。
[0030]本文所描述的实施方式在使模型内容的部分或整体保持安全的情况下尤其使得基于模型的计算、基于模型的优化和控制能够被执行。具体地，在任何时候将满足:被视为专有的模型向在其计算中利用该模型的计算引擎公开。如此，本文所描述的实施方式与经由密码对模型内容的访问进行保护的传统系统和方法根本不同。为了实现这个目的，本文所描述的实施方式包括软件实现方法，该软件实现方法将从根本上改变今天执行的基于模型的计算方式(例如，基于模型的优化和模型预测控制)。
[0031]本文所描述的实施方式可以证明对于许多应用是有益的。例如，一个这种应用是在工业工厂的操作计划和操作调度的领域内。例如向复杂用户(例如石化总厂、大学校园、大型住宅综合体等)提供蒸汽、冷却水和电力等复杂的应用，涉及由工厂操作人员经常做出的决策，例如利用哪些资源、该资源(例如容量)的设定点是什么、资源必须运行多久以及必须避免哪些现有的或即将发生的约束以及如何避免。在这类应用中作出决策的复杂性证明了需要系统优化方案，在该系统优化方案中将系统的各种组件、操作程序和约束、经济目标等适当地建模。即使是在单个工业工厂中，工厂可以决策避免将其操作程序泄露给提供自动化方案的公司，因为该公司可能会向其竞争者提供方案。本文所描述的实施方式能够保护在例如这样的情况下的操作程序。
[0032]另一个示例性的应用包括优化产品组合以给出可接受的替选配方。许多制造业务涉及遵循两个或两个以上的替选配方来生产可以达到可接受的质量的终端产品(例如乳品厂中的起司粉)。生产途径的经济优化的原理性方法要求决策引擎有权使用配方选择。产品配方常常是公司的最应该被保护的专有信息，因此，避免泄露这类配方的能力被视为对于配置决策支持方案的使能技术。
[0033]另一个示例性应用包括工业设备中的多单元优化。从乳品厂中的奶粉干燥到电厂中的锅炉运行等复杂过程常常是多单元操作，该多单元操作可以受益于原理性优化策略来提高正常操作的能量效率，降低响应于过程干扰的成本，提高有利地应对市场条件的变化的能力等。在这个方案中，解决在系统优化方案中使用的模型中的专有信息是公认的需求。
[0034]另一个示例性的应用包括制造企业中的多工厂优化。作为多单元优化的扩展，多个工厂的经济优化(例如，在制造企业内部)可以在保护模型内容方面施加更多要求，并因此，本文所描述的实施方式会是用于多个生产厂的最佳协调的使能技术。
[0035]另一个示例性的应用是生产企业中的供应链优化。这是对上面描述的场景中的多工厂优化的进一步扩展。在供应链中，由于明显的商业原因，保护模型内容的问题(例如，供应商对提供给制造设施的组件的定价策略)就显得特别突出。本文所描述的实施方式实现真正的供应链优化方案。
[0036]另一个示例性的应用包括企业中的优化买/卖决策。这类买/卖决策的示例是公用企业从电网购买天然气，煤炭，生物燃料和电力，以及可能地销售蒸汽，冷却水，甚至反过来向各种客户销售电力的决策。这类决策越来越复杂，因此基于系统模型的优化工具将越来越不可缺少。作为示例，在智能电网(例如，电网的每个节点可以作为源和汇)中的目前趋势给决策作出过程增加了更多的复杂性。本文所描述的实施方式是用于这类应用的使能技术。
[0037]在工厂的一般离线(例如，不在操作期间)规划和调度活动和工厂的一般在线(例如，在工厂的操作期间)控制和操作活动之间经常会有中断。本文所描述的实施方式解决导致这种不足的三个主要难题。首先，本文所描述的实施方式提供了用于表示整个工厂和实际上包括一个或者更多个工厂的整个企业的通用建模框架。现有的建模框架一般都无法:(a)捕获工厂运行的相关细节，因为它涉及到企业的经济目标，(b)避免难于承受的复杂性，该复杂性由要包含在代表工厂的模型中的组件数量给出，以及(C)维护模块性以使得物理工厂/过程的组件与模型组件之间有直观的对应。本文所描述的一些实施方式中通过采用参数混合建模框架解决这些难题，例如在第8，019，701号美国专利、第8，032，235号美国专利以及第2005/0187643号美国专利申请公开中所描述的，每个专利的全部内容以各种目的通过引用并入本申请中。然而，应该注意的是本文所描述的技术可以扩展到利用受控制的工厂或过程模型的其他类型的建模框架。
[0038]其次，本文所描述的实施方式解决与代表工厂的模型的离线交互(例如模型建设、规划、调度交互)的常规分离以及与模型的在线交互(例如，控制和操作交互)。特别是，在常规的系统中，配置的模型不是对所有的用户都透明。换言之，由于模型被配置到在线环境，不容易衡量或者访问模型的质量和其组件。在这些常规的系统中，修改模型一般是离线进行的并且用于修改模型的专业技能一般是高度集中的。然而事实上，有资格修改模型的一个组件的人可能没有资格修改模型的另一个组件并且这些不同的人往往物理上居住在不同的地方。一般而言，不可能对模型组件进行异步修改，并且修改频率取决于模型的类型、操作方案等大范围地变化。本文所描述的实施方式通过采用透明模型配置策略来应对这些难题，同时也维护有关这类模型的专有信息的安全性。
[0039]第三，本文所描述的实施方式提供消除在优化软件和终端用户(工厂操作员、会计部、财务部等)之间的沟通障碍的图形优化语言。尤其是，用于优化的图形语言使低能力水平也能够实现和/或配置优化方案。换言之，具有过程知识的工厂管理人员也能够拥有优化方案，而不要求具有优化背景的博士。此外，图形语言提供分布式开发、配置以及维护能力，以使得优化问题的组合和后续对优化问题的修改可以通过利益相关者在其正常操作设置中的输入来实现。
[0040]本文所描述的实施方式在底层模型的目标、优先权和约束完全透明的情形下，而且在具有保证专有信息的安全的能力下，以系统的方式来实现操作的各种方面的控制(例如，调整关键部件的定期维护、关于供应链或可用容量的中断的鲁棒性，操作的能量效率以及低环境足迹、对市场定价的压力的反应性等)。尤其是，本文所描述的实施方式以下述方式实现大规模(潜在的非线性)优化问题的图形设置、执行以及报告:工厂范围的和/或企业范围的优化方案可以同时由分布式利益相关者组来管理，而不需要集中授权来对信息和交易进行把关。为了达到这一目标，本文所描述的实施方式包括实现算法理念，以及软件执行方法的核心。
[0041]如上所述，本文所描述的实施方式有很多潜在的应用方案。例如，本文所描述的实施方式有利于改善工业工厂中操作的规划和调度。例如向复杂的能量用户(例如石化总厂、大学校园、大型住宅小区等)提供蒸汽、冷却水以及电力等复杂的应用，涉及由工厂操作人员不断地进行决策，例如应该利用哪些资源，应该设定该资源(例如容量)的哪个设定点，资源必须运行多久以及必须避免哪些现有的或即将发生的约束等。在这类应用中决策的复杂性证明需要系统优化方案，但是上述难题迄今阻碍了功能齐全的方案的开发。
[0042]此外，本文所描述的实施方式促使产品组合的优化，以给出可接受的替选配方。许多制造业务涉及经由替代配方(例如乳品厂中的起司粉)生产可达到的终端产品。本文所描述的实施方式包括制造过程的优化调度的原理性方法，以使得在任何给定的时间，以最佳成分设定制造出具有预定质量规格的终端产品。
[0043]而且，本文所描述的实施方式也有利于在工业工厂中进行多单元优化。从乳品厂中的奶粉干燥到电厂中的锅炉运行等复杂过程固有地为多单元操作，该多单元操作可受益于原理性优化策略，以例如提高操作的能量效率、降低响应过程干扰的成本、提高有利响应市场条件变化的能力等。
[0044]本文所描述的实施方式也有利于电网中的工业工厂优化买和/或卖的决策。许多大型电力消费者，例如工业工厂或大学校园具有内部发电能力。内部生成电力与从电网购买电力的经济情况变得越来越复杂，因为公用企业移离固定价格，以使他们的利益最大化。智能电网(电网的每个节点处可以作为源(例如电力供应商)和汇(例如电力消费者))中的目前趋势给决策作出过程增加了更多的复杂性。原理性优化方案可以协助这类客户在任何给定的时间，考虑到他们的优先事项和目标来做出最有利的决策。
[0045]本文所描述的实施方式包括实现上述应用的若干方面。例如，本文所描述的实施方式提供了模型质量和性能的在线透明度并且也维护专有信息的安全性。如果没有能力调查模型的质量(对于个体单元以及利用这些个体单元建成的网络二者)，则不能保持模型的逼真度。例如，用纯粹的经验建模范式不可能查明质量劣化的来源，并且因此，不能完全达到模型的在线能见度。详细的基于第一原理的模型会遭受透明度缺陷。此外，在不使模型失活的情形下修改所配置的模型的目标组件的能力是非常可取的。本实施方式中对透明模型的在线修改包括且不限于参数适应，并且包括纳入新的参数化模型，以取代早期表现不佳的参数化模型。因此，本文所述的在线透明度普遍提高了模型的质量和性能。
[0046]此外，本文所描述的实施方式为分布式用户组的问题公式提供异步授权(authoring)能力。大规模的优化问题以及工厂操作员和工程师的有限范围的能力以及职责使得问题陈述的分布式异步授权是可取的(并且通常有必要)。例如，在公用企业中，冷却水回路和蒸汽回路在操作上耦合。了解冷却水回路的专家通常很少了解蒸汽回路操作并且很有可能不被允许和/或不想承担蒸汽回路的操作的责任，反之，了解蒸汽回路的专家通常很少了解冷却水回路操作并且很有可能不被允许和/或不想承担冷却水回路的操作的责任。分布式授权能力也应适用于优化方案的结果。工厂范围和/或企业范围的优化方案的结果(例如，用于公用企业的冷却器的操作调度的甘特图(Gantt chart))被呈现给分布式用户组(例如操作员、工厂管理人员等)。此外，授权的利益相关者能够对所提出的调度进行编辑而不会产生不一致。而且，分布式用户能够更新操作的约束并且要求以一致的方式重新调度。
[0047]本文所描述的实施方式为分布式用户组的问题公式提供图形授权能力。如果没有图形编辑能力，普通的工厂操作员将无法直接维护模型。此外，如果没有用于定义优化问题或解释解算器决策的图形语言，普通的工厂操作员或工程师将无法对优化问题进行有意义的定义。本文所描述的图形授权能力也适用于整个优化问题的结果。工厂范围和/或企业范围的优化方案的结果(例如，用于冷却器的操作调度的甘特图(Gantt chart))被呈现给分布式用户组(例如操作员、工厂管理人员等)。授权的利益相关者可以对所提供的时间表进行图形编辑而不会产生不一致。此外，分布式用户组可以图形地更新操作约束并且要求以一致的方式重新调度。图形授权能力的直观性提高了优化方案的可用性和正常运行时间。
[0048]此外，本文所描述的实施方式合并了来自工厂车间和/或业务系统的实时测量结果和信息。在工厂范围和/或企业范围的优化中，网络通常由大量的组件模型、复杂的网络连接以及动态的操作条件、约束以及目标的集合而组成。保持“问题公式”最新的信息从分布在整个企业中以及往往局部自主地作用的源中获得。要求信息集中处理的方案会变得不能支持。尤其是，实时测量在问题公式上影响模型(例如，效率曲线经常基于设备的当前操作条件而改变)。实现与实时测量整合的能力可能会是成功采用工厂范围的优化方案的障碍。由于改变可以被所有利益相关者看到，因此模型透明度有利于实时信息的成功合并。
[0049]现在讨论附图，图1是示例性的商业或者工业能量系统10的示意图。如上所述，图1中的能量系统10是可以得益于本文所描述的实施方式的工厂的类型的示例。图1示出在商业和工业能量系统中常见的各种能量产生和消耗组件。例如，图1包括配置为接收燃料并产生蒸汽以用作在能量系统10的其他组件中的动力源的锅炉12。例如，在一些实施方式中，锅炉12产生的蒸汽可以被热电联产单元14利用，以驱动产生电力的发电机16，产生的电力可以被能量系统10的组件消耗和/或销售给电网18。此外，在一些实施方式中，热回收蒸汽产生(HRSG, heat recovery steam generation)系统20可以用于通过产生蒸汽进行二级热回收，其还可以用于驱动产生电力的发动机16。除了将电力销售给电网18，能量系统10也可以从电网18购买电力。至于在任何特定的时间点能量系统10是从电网18购买电力还是向电网18销售电力取决于当前能量系统10的电力供应、能量系统10的当前电力需求、能量系统10的电存储容量，从电网18买/向电网18卖电力的价格、能量系统10的日/夜循环、连接到网格18的其他发电系统的可用性和容量等。
[0050]如图中示出的，能量系统10可以包括处理单元22以及消耗一定的电能、冷却水和/或蒸汽的建筑物24。此外，在一些实施方式中，能量系统10可以包括可能与热能储存罐30相关联的并且消耗能量以生成冷却水的电力冷却器26和蒸汽冷却器28，冷却水可以通过泵32泵送至处理单元22和建筑物24用于冷却，例如用于建筑冷却，工业过程冷却等。此外，来自例如冷却器26和冷却器28的热水可以循环通过冷却塔34和关联的热交换器36和泵38，在热交换器36和泵38中热水被冷却以便随后使用。
[0051]因此，总而言之，在一般的商业或者工业能量系统10中，各种组件可以产生能量(例如称为源)和/或消耗能量(例如称为汇)。当然，图1中示出的组件仅仅是一般商业或者工业能量系统10可能包括的示例性的组件。如图1所示，能量系统10的各种组件可以基于不同的技术被配置成消耗和/或产生能量。在一些实施方式中，能量系统10的组件的互相依赖可能会极其复杂。此外,各种外部组件,例如电网18会增加能量系统10的复杂性。再次声明，图1中示出的能量系统10仅仅是可以利用本文所描述的图形建模框架的复杂工厂和企业类型的示例。
[0052]图2是示出图1的能量系统10的示例性组件的框图，其示出了各种互连关系。具体地，图2描绘了商业和工业能量系统10中典型的各种能量回路。例如，主能量回路包括燃料回路40、电回路42、冷凝器回路44 (例如，冷却塔水)、蒸发器回路46 (例如，冷却器水)以及蒸汽回路48。图2中示出的各种能量回路40、42、44、46以及48仅仅是示例性的,而不意在限制。在其他实施方式中，可以使用其他能量回路来对能量系统10进行建模。
[0053]每个能量回路40、42、44、46以及48包括用作为各个能量回路40、42、44、46以及48的输入和输出的一组定义变量。例如，燃料回路40包括tG和r，其中tG为燃料温度，Pg为燃料压力，fG为燃料流速，以及r为燃料回路40的热量因子。电回路42包括kw，其是所供应的电量。冷凝器回路44包括，其中tse为进入冷却塔的水的温度，tfc为排出冷却塔的水的温度，以及为冷凝器回路44中的水的流速。蒸发器回路46包括tsE、tfE和fE，其中tsE为离开冷却器的冷却水的温度，tfE为返回至冷却器的冷却水的温度，以及fE为冷却水的流速。蒸汽回路48包括ts、Ps和fs，其中ts为蒸汽温度，Ps为蒸汽压力，以及fs为蒸汽流速。同样，图2中示出的能量回路40、42、44、46以及48的所有变量仅仅是示例性的，而不意在限制。在其他实施方式中，可以使用其他变量来定义能量回路40、42、44、46 以及 48。
[0054]如所示出的那样，将能量回路40、42、44、46以及48耦接到组件模块，该组件模块代表能量系统10的实际能量相关设备的组，其将能量供应到能量回路40、42、44、46以及48或者消耗来自能量回路40、42、44、46以及48的能量。例如，将锅炉模块50耦接到燃料回路40和蒸汽回路48 二者，将发电机模块52耦接到燃料回路40、电回路42以及蒸汽回路48，将蒸发式冷却器模块54耦接至电回路42、冷凝器回路44合蒸发器回路46，以及将吸收式冷却器模块56耦接到蒸发器回路46和蒸汽回路48。同样，图2中示出的各种组件模块50,52,54以及56仅仅是示例性的，而不意在限制。在其他实施方式中，可以将其他组件模块耦接到各种能量回路40、42、44、46以及48。
[0055]所公开的实施方式利于对图1和图2中的能量系统10进行规划/调度和控制/操作。更具体地，如在下面更详细描述的，本文所描述的实施方式包括用于图1和图2中的能量系统10的图形语言和接口以及透明建模框架，其使得具有广泛不同的专业技能领域的不同分布式用户组能够与针对能量系统10的各个组件模块(例如，设备组)的参数混合模型交互。事实上，应该理解的是，虽然将本文所描述的实施方式被呈现为涉及能量系统10的节能操作，但是，在其他实施方式中，本文所描述的实施方式的图形语言和接口以及透明建模框架可以延伸到其他应用，如化学品制造、石油和天然气加工等。
[0056]所公开的实施方式将对图1和图2中的能量系统10的优化作为目标并且解决了对能量系统10的许多不同的能量相关组件进行建模的计算复杂性难题，包括针对发电单元、锅炉、冷却器、泵和风机等的单独的参数混合模型，以及针对约束和目标的参数混合模型。此外，所公开的实施方式提供了，在保持专有信息的安全性的情况下，经由图形语言和接口以及透明建模框架由不同的分布式用户组对模型的结构和/或参数的进行在线修改。
[0057]可以建立参数目标函数来反映能量系统10的操作的经济目标。可以建立参数约束集来反映能量系统10的操作的约束(如，冷却能力的约束，允许排放的约束等)。如下面更详细描述的，本文所描述的图形语言使得能量系统10中的所有利益相关者能够与参数混合模型的参数、参数目标函数以及参数约束集交互，即使对底层参数混合模型的访问被限定于特定用户(例如，建模专家)。还可以建立能量负荷模型来预测操作时间范围上的负荷曲线。该负荷模型可以包括，例如，冷却水需求、蒸汽需求、电力需求等。基于所有这些模型和目标，然后可以解决能量系统10的优化问题以确定服从参数约束集的能量系统10的操作条件的优化曲线。
[0058]鉴于典型的商业和工业能量系统10的复杂性，本文所描述的混合技术提供了独特的优势。混合技术利用已知的基本关系(例如，已知的动力学模型等)，对于由于缺乏基本理解而不能精确建模的现象，所述基本关系可以使用经验建模技术从基本过程建模中或多或少地获取。因为工业规模的能量设备通常被独特地设计和开发以用于密集型操作，所以利用专门设计的经验建模技术对已发布的或可用的基本建模进行显著的校准或调整，将提供更精确的能量模型。进而，更精确的能量模型能够获得更高性能的基于模型的优化和控制方案。因此，理想的建模方案结合最佳的可用基本模型和经验模型，这些模型被调整或校准以最佳地匹配在能量系统10的不同操作阶段上所收集到的能量设备测量/性能数据。取决于参数混合模型的精确性，可以识别和利用线性(例如，单值)参数或非线性(例如，随着测量的能量而不同的动力学参数)变量。
[0059]图3是用于对能量系统10和/或更具体地能量系统10的各个组件模块50、52、54、56进行建模的示例性的参数混合模型58的框图。如图所示，可以由参数混合模型58接收来自能量系统10的能量变量输入uk，能量变量输入Uk可以包括例如上述能量回路40、42、44,46以及48的变量。经验模型60可以使用能量变量输入Uk来生成经验模型输出wk。经验模型输出Wk可以是能量变量输入Uk和经验模型参数P的函数。经验模型输出Wk和能量变量输入Uk 二者可以引入到参数混合模型58的参数模型62。来自参数模型62的基本模型参数Θ,可以是能量变量输入uk和经验模型输出Wk的函数。应该注意的是，基本模型参数Θ k的长度和参数向量的值二者可以随着能量变量输入Uk和经验模型输出Wk的函数而变化。在一些实施方式中，基本模型参数9,可以包括经验模型输出wk，或在其最简单的形式中可以简单地与经验模型输出wk相同。基本模型参数Qk可以引入到可能是稳态模型或动态模型的参数化第一原理模型64。此外，参数化第一原理模型64可以从能量系统10接收能量变量输入uk。参数化第一原理模型64对已测量的或未测量的能量状态变量Xk和能量变量输出yk进行建模。能量状态变量Xk可以是能量变量输入uk、之前的能量状态变量Xk以及基本模型参数9,的函数。能量变量输出yk可以是能量变量输入uk、当前能量状态变量Xk以及基本模型参数9,的函数。能量变量输出yk可以从参数混合模型58引出作为输出。因此，定义参数混合 模型58的一般方程包括:
[0060]W^f1 (uk, P )；
[0061]Θ k=f2 (uk, wk)；
[0062]Xk=Fk (uk, Xh , Θ k);以及
[0063]yk=Gk(uk, Xk, Θ k)。
[0064]其中,Uk是k时刻的能量变量输入的向量，P是经验模型参数的向量,Wk是k时刻的经验模型输出的向量，Θ k是k时刻的基本模型参数的向量，xk是k时刻的已测量的或未测量的能量状态变量的向量，以及yk是k时刻的能量变量输出的向量。
[0065]参数混合模型58对于实时优化和控制计算是非常有效的。这种计算效率对基于模型的优化和控制策略的成功实施是至关重要的，所述策略对能量系统10的性能进行优化。动态优化方法用于计算能量系统10的操作期间的优化动态轨迹以将能量系统10作为整体来优化。具体地，可以针对能量系统10的组件模块50、52、54以及56中的各个组件来计算轨迹，以及可以基于与在上面列出的与各种能量回路40、42、44、46以及48相关联的输入和输出变量密切相关但又不相同的参数将轨迹随时间优化到目标。更具体地，如图3所示，由参数模型62生成的基本模型参数Θ k可以是不直接类似于能量变量输入Uk或能量变量输出yk的一组参数。相反，在能量系统10的操作期间的能量系统10的一些派生测量(例如，参数)可以用于生成与能量系统10的性能变量强烈相关的轨迹，即使在不直接测量能量系统10的性能变量的情况下。
[0066]例如，在能量系统10的操作期间可以不测量锅炉的效率，锅炉的效率可以用作与锅炉组件模块50的能量变量输入和输出uk、yk相关但是不相同的参数。因此，可以在能量系统10 (更具体地，锅炉组件模块50的组件)的操作期间，利用参数混合模型58计算该参数，该参数可以用于计算至锅炉的输入(锅炉的燃烧率)的优化轨迹。这允许在能量系统10的操作期间进行更好的实时控制，以使得能量系统10的中间性能能够更接近目标并且被保持。在一些实施方式中，可以通过如下求解来确定优化轨迹函数:
[0067]
【权利要求】
1.一种计算机实现的方法，包括: 在多个模型服务器上例示多个模型对象，其中，所述多个模型对象中的每一个模型对象包括受控制的工厂或过程的模型，并且其中，所述模型中的至少一个模型包括受保护信息； 经由通信网络向所述多个模型对象请求信息； 经由所述通信网络从所述多个模型对象接收所述信息； 生成与生成控制命令有关的所述多个模型对象中的至少一个模型对象的逼近； 至少部分地基于所述逼近和从所述多个模型对象接收的信息来生成控制命令； 经由所述通信网络将所述控制命令传输给所述多个模型对象中的至少一个模型对象；以及 基于所述控制命令来控制工业自动化组件。
2.根据权利要求1所述的计算机实现的方法，其中，所述多个模型对象中的每一个模型对象包括参数混合模型。
3.根据权利要求2所述的计算机实现的方法，其中，每个所述参数混合模型包括经验模型、参数模型及参数第一原理模型。
4.根据权利要求1所述的计算机实现的方法，其中，从所述多个模型对象接收的信息不包括标记为受保护信息的信息。
5.根据权利要求4所述 的计算机实现的方法，其中，所述多个模型对象中的至少一个模型对象包括利用所述受保护信息的参数混合模型。
6.根据权利要求1所述的计算机实现的方法，其中，所述多个模型对象中的每一个模型对象包括接口，经由所述接口防止传输受保护信息。
7.根据权利要求1所述的计算机实现的方法，其中，经由防止传输受保护信息的通信协议通过所述通信网络来传输所述信息和所述控制命令。
8.根据权利要求1所述的计算机实现的方法，其中，经由安全无线链路传输所述信息和所述控制命令。
9.根据权利要求1所述的计算机实现的方法，其中，经由云传输所述信息和所述控制命令。
10.根据权利要求1所述的计算机实现的方法，其中，所述模型服务器中的每一个模型服务器在物理上位于分离的设备处。
11.一种控制/优化系统，包括: 例示的多个模型对象，所述多个模型对象存储在多个模型服务器上的存储器中，其中，所述多个模型对象中的每一个模型对象包括受控制的工厂或过程的模型； 多个决策引擎软件模块，所述多个决策引擎软件模块存储在多个决策支持服务器上的存储器中，其中，所述决策引擎软件模块中的每一个决策引擎软件模块包括用于下述操作的软件指令: 经由通信网络向所述多个模型对象请求信息； 经由所述通信网络从所述多个模型对象接收所述信息； 至少部分地基于从所述多个模型对象接收的信息来生成控制命令，其中，所述控制命令由所述多个决策引擎软件模块共同生成；以及经由所述通信网络将所述控制命令传输给所述多个模型对象中的至少一个模型对象。
12.根据权利要求11所述的控制/优化系统，其中，所述多个模型对象中的每一个模型对象包括参数混合模型。
13.根据权利要求12所述的控制/优化系统，其中，来自所述多个模型对象的信息包括来自所述参数混合模型的在关注的未来步长上的逼近信息。
14.根据权利要求12所述的控制/优化系统，其中，每个参数混合模型包括经验模型、参数模型及参数第一原理模型。
15.根据权利要求11所述的控制/优化系统，其中，从所述多个模型对象接收的信息不包括标记为受保护信息的信息。
16.根据权利要求15所述的控制/优化系统，其中，所述多个模型对象中的至少一个模型对象包括利用所述专有信息的参数混合模型。
17.根据权利要求11所述的控制/优化系统，其中，所述多个模型对象中的每一个模型对象包括接口，经由所述接口防止传输专有信息。
18.根据权利要求11所述的控制/优化系统，其中，经由防止传输专有信息的通信协议通过所述通信网络来传输所述信息和所述控制命令。
19.根据权利要求11所述的控制/优化系统，其中，所述决策支持服务器中的每一个决策支持服务器在物理上位于分离的设备处，并且所述模型服务器中的每一个模型服务器在物理上位于分离的设备处。
20.一种控制/优化系统，包括: 例示的模型对象，所述模型对象存储在模型服务器上的存储器中，其中，所述模型对象包括受控制的工厂或过程的模型，并且其中，所述模型对象包括接口，经由所述接口防止传输专有信息；以及 决策引擎软件模块，所述决策引擎软件模块存储在决策支持服务器上的存储器中，其中，所述决策引擎软件模块被配置成经由防止传输专有信息的通信协议通过通信网络向所述模型对象请求信息，并且经由所述通信协议通过所述通信网络从所述模型对象接收所请求的信息。
21.根据权利要求20所述的控制/优化系统，其中，所述模型对象包括参数混合模型。
22.根据权利要求21所述的控制/优化系统，其中，来自所述模型对象的信息包括来自所述参数混合模型的在关注的未来步长上的逼近信息。
23.根据权利要求21所述的控制/优化系统，其中，所述参数混合模型包括经验模型、参数模型及参数第一原理模型。
24.根据权利要求21所述的控制/优化系统，其中，所述参数混合模型利用所述专有信息。
【文档编号】G05B13/04GK103809438SQ201310542329
【公开日】2014年5月21日 申请日期:2013年11月5日 优先权日:2012年11月5日
【发明者】比詹·萨亚尔罗德萨里, 卡迪尔·利亚诺, 亚历山大·B·史密斯 申请人:洛克威尔自动控制技术股份有限公司