Можно ли получить данные смещенных и непредвзятых прогнозируемых управляемых переменных при использовании APMonitor для прогнозирующего управления моделью в Python? - PullRequest
Новая
       12

Можно ли получить данные смещенных и непредвзятых прогнозируемых управляемых переменных при использовании APMonitor для прогнозирующего управления моделью в Python?

0 голосов
/ 19 сентября 2019

Я пытаюсь построить код Python для модели Predictive Control с использованием APMonitor.Однако я не хочу получать результаты на стороннем онлайн-сервере.Поэтому я хочу собрать данные о предсказанных предвзятых и непредвзятых и построить их на Python самостоятельно.

1 Ответ

1 голос
/ 19 сентября 2019

Попробуйте это в Python Gekko: 

# get additional solution information
import json
with open(m.path+'//results.json') as f:
    results = json.load(f)

Вы можете получить несмещенный результат модели, получив словарное значение вашей переменной v с помощью v.name.Вы можете получить предвзятый прогноз модели с помощью v.name+'.bcv'.Вот пример, который также показывает, как получить необработанную информацию о траектории.

Plot raw results

Это дает вам доступ к необработанным данным.Пример показывает, как построить график из данных JSON. 

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

m = GEKKO()
m.time = np.linspace(0,20,41)

# Parameters
mass = 500
b = m.Param(value=50)
K = m.Param(value=0.8)

# Manipulated variable
p = m.MV(value=0, lb=0, ub=100)
p.STATUS = 1  # allow optimizer to change
p.DCOST = 0.1 # smooth out gas pedal movement
p.DMAX = 20   # slow down change of gas pedal

# Controlled Variable
v = m.CV(value=0)
v.STATUS = 1  # add the SP to the objective
m.options.CV_TYPE = 2 # squared error
v.SP = 40     # set point
v.TR_INIT = 1 # set point trajectory
v.TAU = 5     # time constant of trajectory

# Process model
m.Equation(mass*v.dt() == -v*b + K*b*p)

m.options.IMODE = 6 # control
m.solve(disp=False,GUI=True)

# get additional solution information
import json
with open(m.path+'//results.json') as f:
    results = json.load(f)

plt.figure()
plt.subplot(2,1,1)
plt.plot(m.time,p.value,'b-',label='MV Optimized')
plt.legend()
plt.ylabel('Input')
plt.subplot(2,1,2)
plt.plot(m.time,results['v1.tr'],'k-',label='Reference Trajectory')
plt.plot(m.time,v.value,'r--',label='CV Response')
plt.ylabel('Output')
plt.xlabel('Time')
plt.legend(loc='best')
plt.show()
...