企业官网建设流程全解析

✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、程序设计科研仿真。

🍎完整代码获取 定制创新 论文复现点击：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍

一、整体概述

这段 Matlab 代码围绕深度学习模型预测控制器展开，提供了批处理（Batch）和顺序（Sequential）两种控制技术选择，用于解决特定的数据类型玩具问题，并实现对温度的预测与控制优化。其核心目的是通过结合长短期记忆网络（LSTM）预测未来状态，再利用模型预测控制（MPC）优化控制输入，以达到设定的温度目标。

二、代码结构与功能详细分析

（一）初始化与数据选择

1. 控制技术选择

   ：用户通过输入Logic选择控制技术，1 代表批处理控制，2 代表顺序控制。

2. 数据类型选择

   ：Datatype用于选择数据类型，范围为 1 - 3 。根据不同选择生成不同的数据集，如线性分布、正弦分布或随机分布的数据，这些数据构成设定点setpoint，作为温度控制的目标值。

3. 最大迭代次数设定

   ：通过maxIter设置最大迭代次数，范围建议在 20 - 40 之间，此参数影响后续算法的运行次数。

（二）批处理控制（Logic == 1）

1. 文件操作与路径设置

   ：创建名为Results_Batch的文件夹用于保存结果，并添加相关路径，方便后续调用函数和加载数据。

2. 优化方案选择

   ：用户选择优化方案，1 代表 LBFGS，2 代表 I - ES 。这两种优化算法将影响后续模型预测控制的求解过程。

3. 开环与闭环控制选择

   ：用户通过methodd选择开环（1）或闭环（2）控制方式。开环控制不考虑反馈，直接基于预测状态进行控制；闭环控制则利用反馈的真实室温信息进行控制调整。

4. LSTM 预测未来状态

   ：加载预训练的 LSTM 模型netLSTM及相关数据，如训练数据X_train、时间步长shiftt、训练集大小train_size和数据变换参数transs。根据是否有历史数据的选择，准备输入数据aa，进而预测未来状态pred_states。

5. 开环控制

   ：若选择开环控制，直接将预测状态作为优化状态optimised_states。加载相关模型和数据变换对象，对优化状态进行变换后输入模型预测温度，最后绘制真实温度与预测温度的对比图并保存。

6. 闭环控制

   ：选择闭环控制时，调用MPC_controller_states函数，基于预测状态、真实温度等信息进行模型预测控制，得到优化状态optimised_states。此函数内部可能涉及到根据当前预测和反馈信息调整控制输入，以最小化与设定点的误差。

7. 优化设定点温度

   ：加载另一数据集，调用MPC_Controller_states_controll函数，基于设定点温度、优化状态等信息进行进一步的控制优化，得到最终的优化状态控制量optimised_states_control。

8. 保存结果

   ：将优化后的状态和控制量保存为 CSV 文件，文件名为根据优化方案命名，同时移除之前添加的路径。

（三）顺序控制（Logic == 2）

1. 文件操作与路径设置

   ：类似于批处理控制，创建Results_Sequential文件夹并添加相关路径。

2. 优化方案选择

   ：与批处理控制类似，用户选择优化方案（LBFGS 或 I - ES），同时设置集成大小N。

3. LSTM 预测与状态更新

   ：与批处理控制前期类似，加载 LSTM 模型及相关数据。通过predictAndUpdateState函数利用 LSTM 模型逐步预测未来状态，并根据传感器获取的真实温度信息，结合模型预测控制，循环更新优化状态optimised_states、优化状态控制量optimised_states_control等变量。每次循环中，基于当前预测状态、设定点温度等信息进行控制优化，并根据反馈的真实温度调整后续预测和控制。

4. 绘制与保存结果

   ：根据优化后的状态和控制量，通过加载相关模型和数据变换对象，预测温度并绘制真实温度与优化温度、设定点温度与控制器输出的对比图，根据优化方案保存图片。最后将优化后的状态和控制量保存为 CSV 文件，并移除添加的路径。

（四）模型训练部分

1. 状态模型训练

   ：使用Learning_Clement函数对与状态相关的模型进行训练，该函数可能涉及数据预处理、模型构建、训练及评估过程。训练数据来自Box.csv文件，训练结果包括训练和测试成本、数据范围、数据变换对象及训练好的模型，并保存相关数据。

2. 控制器模型训练

   ：类似地，针对控制器模型，使用Learning_Clement函数进行训练，数据来自GSHP.csv文件，保存训练结果。

3. LSTM 模型训练

   ：使用Learning_LSTM_Clement函数训练 LSTM 模型，数据来自Box.csv文件，保存训练好的 LSTM 模型及相关数据。

三、关键函数与算法

1. LSTM 预测

   ：利用预训练的 LSTM 模型预测未来状态，通过predictAndUpdateState函数实现对 LSTM 模型的动态更新，使其能够根据新的输入数据持续预测未来状态。

2. 模型预测控制（MPC）

   ：MPC_controller_states和MPC_Controller_states_controll等函数实现模型预测控制算法。MPC 通过预测未来状态，结合设定点和系统模型，优化控制输入，以最小化系统输出与设定点之间的误差，从而实现对温度的精确控制。

3. 数据变换

   ：使用clfx.transform和clfy.inverse_transform等函数对数据进行变换，这在数据预处理和结果后处理中起到关键作用，确保数据符合模型输入要求，并将模型输出转换为实际物理量。

四、总结

该代码构建了一个完整的基于深度学习模型预测控制器的系统，涵盖数据选择、模型预测、控制优化及结果保存等多个环节。通过批处理和顺序两种控制技术，结合 LSTM 预测与 MPC 优化，能够有效地处理不同类型的数据，并实现对温度的精确控制。然而，代码中部分函数如Learning_Clement、MPC_controller_states等未给出具体实现，可能需要进一步查看相关函数文件以深入理解其内部机制。同时，在实际应用中，还需根据具体场景对代码进行调整和优化，例如数据的实时获取与处理、模型参数的进一步调优等。

⛳️ 运行结果

📣 部分代码

close all;

%%{

fprintf('Box Configuration \n')

fprintf('Inputs: \n')

fprintf('Environment:Site Outdoor Air Drybulb Temperature [C] \n')

fprintf('Environment:Site Outdoor Air Wetbulb Temperature [C] \n')

fprintf('Environment:Site Outdoor Air Relative Humidity [%%] \n')

fprintf('Environment:Site Wind Speed [m/s] \n')

fprintf('Environment:Site Wind Direction [deg] \n')

fprintf('Environment:Site Horizontal Infrared Radiation Rate per Area [W/m2] \n')

fprintf('Environment:Site Diffuse Solar Radiation Rate per Area [W/m2] \n')

fprintf('Environment:Site Direct Solar Radiation Rate per Area [W/m2] \n')

fprintf('THERMAL ZONE: BOX:Zone Outdoor Air Wind Speed [m/s] \n')

fprintf('Outputs: \n')

fprintf('THERMAL ZONE: BOX:Zone Mean Air Temperature [C] \n')

fprintf('GSHP configuration \n')

fprintf('Inputs:\n')

fprintf('Environment:Site Outdoor Air Drybulb Temperature [C] \n')

fprintf('Environment:Site Outdoor Air Wetbulb Temperature [C] \n')

fprintf('Environment:Site Outdoor Air Relative Humidity [%%] \n')

fprintf('Environment:Site Wind Speed [m/s] \n')

fprintf('Environment:Site Wind Direction [deg] \n')

fprintf('Environment:Site Horizontal Infrared Radiation Rate per Area [W/m2] \n')

fprintf('Environment:Site Diffuse Solar Radiation Rate per Area [W/m2] \n')

fprintf('Environment:Site Direct Solar Radiation Rate per Area [W/m2] \n')

fprintf('THERMAL ZONE: BOX:Zone Outdoor Air Wind Speed [m/s] \n')

fprintf('GSHPCLG:Heat Pump Electric Power [W] \n')

fprintf('GSHPCLG:Heat Pump Source Side Inlet Temperature [C] \n')

fprintf('GSHPHEATING:Heat Pump Electric Power [W] \n')

fprintf('GSHPHEATING:Heat Pump Source Side Inlet Temperature [C] \n')

fprintf('Outputs: \n')

fprintf('THERMAL ZONE: BOX:Zone Mean Air Temperature [C] \n')

fprintf('Data Driven MPC Approach. Online approach \n')

fprintf('steps: \n')

fprintf('1) Predict room temperature at time t given current weather states \n')

fprintf('2) Optimise for control at time t to reference room temperature \n')

fprintf('3) Predict room temperature at time t+1 using temperature at time t \n')

fprintf('4) Predict weather states for t+1 using temperature at t+1 (gotten from 3) \n')

🔗 参考文献

[1] Luca Ambrogioni, Umut Güçlü, Marcel AJ van Gerven, and Eric Maris. The kernel mixture network: A non-parametric method for conditional density estimation of continuous random variables. arXiv preprint arXiv:1705.07111, 2017.

[2] Christopher M Bishop. Mixture density networks. 1994.

[3] Isobel C. Gormley and Sylvia Frühwirth-Schnatter. Mixtures of Experts Models. Chapman and Hall/CRC, 2019.

[4] R.B. Gramacy and H.K. Lee. Bayesian treed Gaussian process models with an application to computer modeling. Journal of the American Statistical Association, 103(483):1119–1130,2008.

[5] Robert A Jacobs, Michael I Jordan, Steven J Nowlan, Geoffrey E Hinton, et al. Adaptivemixtures of local experts. Neural computation, 3(1):79–87, 1991.2

[6] Michael I Jordan and Robert A Jacobs. Hierarchical mixtures of experts and the em algorithm.Neural computation, 6(2):181–214, 1994.

[7] Trung Nguyen and Edwin Bonilla. Fast allocation of gaussian process experts. In InternationalConference on Machine Learning, pages 145–153, 2014.

[8] Carl E Rasmussen and Zoubin Ghahramani. Infinite mixtures of gaussian process experts. InAdvances in neural information processing systems, pages 881–888, 2002.

[9] Tommaso Rigon and Daniele Durante. Tractable bayesian density regression via logit stickbreakingpriors. arXiv preprint arXiv:1701.02969, 2017.

[10] Volker Tresp. Mixtures of gaussian processes. In Advances in neural information processingsystems, pages 654–660, 2001.

[11] Lei Xu, Michael I Jordan, and Geoffrey E Hinton. An alternative model for mixtures of experts.

[12] Rasmussen, Carl Edward and Nickisch, Hannes. Gaussian processes for machine learning (gpml) toolbox. TheJournal of Machine Learning Research, 11:3011–3015, 2010

[13] David E. Bernholdt, Mark R. Cianciosa, David L. Green, Jin M. Park, Kody J. H. Law, andClement Etienam. Cluster, classify, regress: A general method for learning discontinuous functions. Foundations of Data Science, 1(2639-8001-2019-4-491):491, 2019.

[14] Clement Etienam, Kody Law, Sara Wade. Ultra-fast Deep Mixtures of Gaussian Process Experts. arXiv preprint arXiv:2006.13309, 2020.

🍅更多免费数学建模和仿真教程关注领取