Deep Neural Koopman Operator-based Economic Model Predictive Control of Shipboard Carbon Capture System
作者: Minghao Han, Xunyuan Yin
分类: eess.SY, cs.LG
发布日期: 2025-04-09 (更新: 2025-04-12)
💡 一句话要点
提出基于深度神经Koopman算子的船舶碳捕获系统经济模型预测控制方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 船舶碳捕获 Koopman算子 深度学习 模型预测控制 经济优化 数据驱动建模 时变系统
📋 核心要点
- 国际航运的碳减排面临挑战，现有方法难以兼顾经济性和安全性。
- 论文提出基于深度神经Koopman算子的建模与控制方法，预测经济成本和系统输出。
- 实验表明，该方法显著提升经济运营性能和碳捕获率，同时保证系统安全运行。
📝 摘要（中文）
本文提出了一种基于Koopman框架的数据驱动动态建模和经济预测控制方法，用于实现船舶后燃烧碳捕获装置的安全和节能运行。具体而言，提出了一种基于深度神经Koopman算子建模方法，并在此基础上建立了一个具有时变模型参数的Koopman模型。该模型基于可访问的部分状态测量来预测整体经济运营成本和关键系统输出。利用该学习模型，开发了一种约束经济预测控制方案。尽管模型中涉及时变参数，但与经济预测控制设计相关的优化问题是凸的，可以在在线控制实施期间有效地解决。在船舶后燃烧碳捕获过程的高保真仿真环境中进行了广泛的测试。考虑了四种船舶运行条件。结果表明，该方法显著提高了整体经济运营性能和碳捕获率，并通过确保满足系统输出的硬约束来保证安全运行。
🔬 方法详解
问题定义：船舶碳捕获系统需要在满足安全约束的前提下，最小化运营成本并最大化碳捕获率。现有的控制方法可能难以同时优化经济性和安全性，并且难以处理船舶运行条件变化带来的模型不确定性。
核心思路：利用Koopman算子将非线性系统线性化，从而可以使用线性控制理论进行分析和设计。通过深度神经网络学习Koopman算子，可以从数据中提取系统的动态特性，并建立经济运营成本和关键系统输出的预测模型。经济模型预测控制（EMPC）则利用该模型，在满足约束条件下，优化未来的经济运营成本。
技术框架：该方法包含两个主要阶段：1) 基于深度神经网络的Koopman算子建模；2) 基于Koopman模型的经济模型预测控制。首先，利用历史运行数据训练深度神经网络，学习Koopman算子，建立具有时变参数的Koopman模型。然后，基于该模型，构建一个约束优化问题，目标是最小化经济运营成本，约束包括系统安全约束和控制输入约束。最后，使用凸优化求解器在线求解该优化问题，得到最优的控制输入。
关键创新：该方法的关键创新在于将深度学习与Koopman算子理论相结合，提出了一种数据驱动的动态建模方法。与传统的基于物理模型的建模方法相比，该方法可以更好地处理复杂的非线性系统，并且可以从数据中学习系统的动态特性。此外，该方法还提出了一种经济模型预测控制方案，可以在满足安全约束的前提下，优化经济运营成本。
关键设计：深度神经网络的结构包括输入层、若干隐藏层和输出层。输入层接收系统的状态测量，输出层输出Koopman算子的近似。损失函数包括预测误差项和正则化项，用于保证模型的准确性和泛化能力。经济模型预测控制的优化问题是一个凸优化问题，可以使用现成的凸优化求解器进行求解。控制器的采样时间需要根据系统的动态特性进行选择。
🖼️ 关键图片
📊 实验亮点
在高保真船舶碳捕获仿真环境中，该方法在四种不同的船舶运行条件下进行了测试。结果表明，该方法显著提高了整体经济运营性能和碳捕获率，同时保证了系统安全运行。具体性能提升数据未知，但强调了显著的改进效果。
🎯 应用场景
该研究成果可应用于船舶碳捕获系统的优化运行，降低碳排放，提高能源效率，具有重要的环境和经济价值。此外，该方法也可推广到其他工业过程的建模与控制，例如化工过程、电力系统等，实现更安全、更经济的运行。
📄 摘要（原文）
Shipboard carbon capture is a promising solution to help reduce carbon emissions in international shipping. In this work, we propose a data-driven dynamic modeling and economic predictive control approach within the Koopman framework. This integrated modeling and control approach is used to achieve safe and energy-efficient process operation of shipboard post-combustion carbon capture plants. Specifically, we propose a deep neural Koopman operator modeling approach, based on which a Koopman model with time-varying model parameters is established. This Koopman model predicts the overall economic operational cost and key system outputs, based on accessible partial state measurements. By leveraging this learned model, a constrained economic predictive control scheme is developed. Despite time-varying parameters involved in the formulated model, the formulated optimization problem associated with the economic predictive control design is convex, and it can be solved efficiently during online control implementations. Extensive tests are conducted on a high-fidelity simulation environment for shipboard post-combustion carbon capture processes. Four ship operational conditions are taken into account. The results show that the proposed method significantly improves the overall economic operational performance and carbon capture rate. Additionally, the proposed method guarantees safe operation by ensuring that hard constraints on the system outputs are satisfied.