如何在最优控制中限制 SoC？

如何解决如何在最优控制中限制 SoC？

我正在尝试建立这个生理模型。我想模拟运动员的恢复，这类似于电动汽车的充电状态。我不确定如何限制 100% SoC。

我遇到的问题是问题变得非常大，因为我需要获取以前的 SoC 来测量当前的 SoC。此外，我不确定如何模拟放电率与充电率不同的事实。谢谢

#discharging
W'Exp = (P - CP) * dt                     
soc = soc - W'Exp                       
#If the Power for the data point is below CP or CV,W' is reconstituted:
W'Rec = (CP - P) * dt                            
Rate = (W' - W'Bal) / W'                         
soc = soc + W'Rec * Rate

解决方法

对于第一个问题，我猜SOC是一个变量。变量的上下限可以设置如下：

m = GEKKO()    
SOC = m.Var(10,lb=0,ub=100)

10 是 SOC 的初始值。对于您的第二个问题，是否给出了 P,CP,W'Bal？

查看发现 here 作为 example problem 的简单能量存储模型的 Gekko 实现。您可以为运动员修改此模型。

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

m = GEKKO(remote=False)

t = np.linspace(0,24,24*3+1)
m.time = t

m.options.SOLVER   = 1
m.options.IMODE    = 6
m.options.NODES    = 3
m.options.CV_TYPE  = 1
m.options.MAX_ITER = 300

p = m.FV()           # production
p.STATUS = 1
s = m.Var(100,lb=0) # storage inventory
store = m.SV()       # store energy rate
vy = m.SV(lb=0)      # store slack variable
recover = m.SV()     # recover energy rate
vx = m.SV(lb=0)      # recover slack variable

eps = 0.7

d = m.MV(-20*np.sin(np.pi*t/12)+100)

m.periodic(s)

m.Equations([p + recover/eps - store >= d,p - d == vx - vy,store == p - d + vy,recover == d - p + vx,s.dt() == store - recover/eps,store * recover <= 0])
m.Minimize(p)

m.solve(disp=True)

#%% Visualize results
fig,axes = plt.subplots(4,1,sharex=True)

ax = axes[0]
ax.plot(t,store,'C3-',label='Store Rate')
ax.plot(t,recover,'C0-.',label='Recover Rate')

ax = axes[1]
ax.plot(t,d,'k-',label='Electricity Demand')
ax.plot(t,p,'C3--',label='Power Production')

ax = axes[2]
ax.plot(t,s,'C2-',label='Energy Inventory')

ax = axes[3]
ax.plot(t,vx,label='$S_1$')
ax.plot(t,vy,label='$S_2$')
ax.set_xlabel('Time (hr)')

for ax in axes:
    ax.legend(bbox_to_anchor=(1.01,0.5),\
              loc='center left',frameon=False)
    ax.grid()
    ax.set_xlim(0,24)
    loc = mtick.MultipleLocator(base=6)
    ax.xaxis.set_major_locator(loc)

plt.tight_layout()
plt.show()