CN107561937B - 基于事件驱动的灯联网控制方法 - Google Patents

基于事件驱动的灯联网控制方法 Download PDF

Info

Publication number
CN107561937B
CN107561937B CN201710765685.2A CN201710765685A CN107561937B CN 107561937 B CN107561937 B CN 107561937B CN 201710765685 A CN201710765685 A CN 201710765685A CN 107561937 B CN107561937 B CN 107561937B
Authority
CN
China
Prior art keywords
state
estimator
measurement
event
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710765685.2A
Other languages
English (en)
Other versions
CN107561937A (zh
Inventor
唐文明
彭力
唐贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MINSTAR OPTOELECTRONICS TECHNOLOGY (KUNSHAN) CO LTD
Original Assignee
MINSTAR OPTOELECTRONICS TECHNOLOGY (KUNSHAN) CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MINSTAR OPTOELECTRONICS TECHNOLOGY (KUNSHAN) CO LTD filed Critical MINSTAR OPTOELECTRONICS TECHNOLOGY (KUNSHAN) CO LTD
Priority to CN201710765685.2A priority Critical patent/CN107561937B/zh
Publication of CN107561937A publication Critical patent/CN107561937A/zh
Application granted granted Critical
Publication of CN107561937B publication Critical patent/CN107561937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Selective Calling Equipment (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明为基于事件驱动的灯联网控制方法，其使用关联的马尔可夫决策过程的二次近似值函数的简单参数化，将能够获得基于事件的采样和估计策略，从而最小化一类系统的性能上限，有效地应用于计算具有高维状态空间系统的策略。

Description

基于事件驱动的灯联网控制方法
技术领域
本发明涉及灯具照明技术，特别涉及区域灯具照明技术，具体的，其展示一种基于事件驱动的灯联网控制方法。
背景技术
在公共场合,如办公室、教室、会议室、园区、地下车库等有灯光需求时，往往需要进行区域控制，如只有人或车出现的地方开灯等，以达到节能高效利用的目的。这些带有偶然的临时出现的动作我们称作一个事件。
在基于事件的控制中，只有在某些事件发生时才启动系统或者改变控制信号。例如，只有当一些测量值的偏差超过系统平衡状态时，才可以应用控制信号。因此，仅在需要时才应用控制动作，同时降低系统必须被检测和启动的速度，从而保持良好的控制性能。
原则上，确定如何最佳地安排系统的感测或启动的问题可以作为马尔科夫的决定过程。然而，这些马尔可夫决策过程的最优值函数通常没有一个简单的结构。确定最佳值函数的表达式或简单参数通常是不可能的，因此需要考虑一种物理系统模型状态空间的离散化的数值方法。
因此，有必要提供一种基于事件驱动的灯联网控制方法。
发明内容
本发明的目的是提供一种基于事件驱动的灯联网控制方法，其使用关联的马尔可夫决策过程的二次近似值函数的简单参数化，将能够获得基于事件的采样和估计策略，从而最小化一类系统的性能上限，有效地应用于计算具有高维状态空间系统的策略。
本发明通过如下技术方案实现上述目的：
一种基于事件驱动的灯联网控制方法，其对设备进行状态测量后，通过技术及控制信号将测量量应用到下一个状态测量；
信号
Figure GDA0002760245090000011
为最近的状态测量的值，并且应用恒定控制信号
Figure GDA0002760245090000012
直到接收到新的测量值，
设备的状态递推为：
Figure GDA0002760245090000013
控制变量at表示状态采样的时间，则
Figure GDA0002760245090000014
的递推为：
Figure GDA0002760245090000015
将误差定义为：
Figure GDA0002760245090000016
误差递推为：
et+1＝(1-at)((A+BK-I)xt+(I-BK)et)+ωt (4)
设定：
Figure GDA0002760245090000021
状态和误差的递推为：
zt+1＝((1-at)A1+atA2)zt+vt (6)
其中
Figure GDA0002760245090000022
且
Figure GDA0002760245090000023
基于事件的采样方案是在采样时间将整个系统状态发送到估计器，简化了分析，因为估计误差在每个采样时间都复位为零，但当在每个时间段内仅发送输出测量值时，分析将变得复杂；
当接收到新的测量值时，状态估计必须实时更新，可以由前面讨论的控制方法扩展到输出测量的估计问题，
在估计问题中，考虑一个动态性的系统
xt+1＝Axt+wt，yt＝Cxt+vt (9)
当所有输出测量可得时，稳态卡尔曼滤波器根据递归
Figure GDA0002760245090000024
产生最佳状态估计值
Figure GDA0002760245090000025
此处的L是稳态卡尔曼滤波观测器增益，估计器使
Figure GDA0002760245090000026
最小化；
在由设备和估计器组成的系统中将设备的输出的测量值间歇地传输到估计器，操作如下：如果
Figure GDA0002760245090000027
是当前状态估计，并且在时间t无可用测量，则状态
Figure GDA0002760245090000028
的估计是
Figure GDA0002760245090000029
如果在时间t有可用测量，则状态
Figure GDA00027602450900000210
的估计是
Figure GDA00027602450900000211
使用变量at∈{0,1}来表示已经进行了测量，状态估计随着
Figure GDA0002760245090000031
变化；
进而，状态估计误差
Figure GDA0002760245090000032
的动态方程为：
Figure GDA0002760245090000033
用A1＝A表示开环估计器动态，A2＝A+LC表示闭环估计器动态来简化符号；
安排测量，以尽量减少传输速率和估计误差，即确定一个策略，选择at使
Figure GDA0002760245090000034
最小；事件检测器可以观察设备的当前状态以及估计器使用的当前状态估计：
当发生取决于估计误差的事件时，将当前输出测量值yt发送到估计器，然后估计器相应地更新其状态估计；
提出基于事件选择的at的传输策略：令
Figure GDA0002760245090000035
且令ρ和Y是优化问题的解；则有
Figure GDA0002760245090000036
通过设置
Figure GDA0002760245090000037
将测量值发送给估计器；
进而由
Figure GDA0002760245090000038
得出该策略产生的成本的上限。
本发明使用关联的马尔可夫决策过程的二次近似值函数的简单参数化，将能够获得基于事件的采样和估计策略，从而最小化一类系统的性能上限，有效地应用于计算具有高维状态空间系统的策略。
附图说明
图1是本发明的结构示意图。
具体实施方式
实施例：
本实施例展示基于事件驱动的灯联网控制方法：
请参阅图1，其展示本实施例的基本架构，每次状态被采样时，计算控制信号并应用到下一个状态测量；信号
Figure GDA0002760245090000041
为最近的状态测量的值，并且应用恒定控制信号
Figure GDA0002760245090000042
直到接收到新的测量值；
设备的状态递推为：
Figure GDA0002760245090000043
控制变量at表示状态采样的时间，则
Figure GDA0002760245090000044
的递推为：
Figure GDA0002760245090000045
将误差定义为：
Figure GDA0002760245090000046
误差递推为：
et+1＝(1-at)((A+BK-I)xt+(I-BK)et)+ωt (4)
设定：
Figure GDA0002760245090000047
状态和误差的递推为：
zt+1＝((1-at)A1+atA2)zt+vt (6)
其中
Figure GDA0002760245090000048
且
Figure GDA0002760245090000049
基于事件的采样方案是在采样时间将整个系统状态发送到估计器，简化了分析，因为估计误差在每个采样时间都复位为零，但当在每个时间段内仅发送输出测量值时，分析将变得复杂。
当接收到新的测量值时，状态估计必须实时更新，可以由前面讨论的控制方法扩展到输出测量的估计问题，
在估计问题中，考虑一个动态性的系统
xt+1＝Axt+wt，yt＝Cxt+vt (9)
当所有输出测量可得时，稳态卡尔曼滤波器根据递归
Figure GDA0002760245090000051
产生最佳状态估计值
Figure GDA0002760245090000052
此处的L是稳态卡尔曼滤波观测器增益，估计器使
Figure GDA0002760245090000053
最小化。
同时在由设备和估计器组成的系统中将设备的输出的测量值间歇地传输到估计器，操作如下：如果
Figure GDA0002760245090000054
是当前状态估计，并且在时间t无可用测量，则状态
Figure GDA0002760245090000055
的估计是
Figure GDA0002760245090000056
如果在时间t有可用测量，则状态
Figure GDA0002760245090000057
的估计是
Figure GDA0002760245090000058
使用变量at∈{0,1}来表示已经进行了测量，状态估计随着
Figure GDA0002760245090000059
变化；
进而，状态估计误差
Figure GDA00027602450900000510
的动态方程为：
Figure GDA00027602450900000511
用A1＝A表示开环估计器动态，A2＝A+LC表示闭环估计器动态来简化符号；
安排测量，以尽量减少传输速率和估计误差，即确定一个策略，选择at使
Figure GDA00027602450900000512
最小；事件检测器可以观察设备的当前状态以及估计器使用的当前状态估计：
当发生取决于估计误差的事件时，将当前输出测量值yt发送到估计器，然后估计器相应地更新其状态估计；
该估计模型可以以相同的形式转换成上述控制的模型，与控制问题一样，提出基于事件选择的at的传输策略：令
Figure GDA0002760245090000061
且令ρ和Y是优化问题的解；则有
Figure GDA0002760245090000062
通过设置
Figure GDA0002760245090000063
将测量值发送给估计器。
进而由
Figure GDA0002760245090000064
得出该策略产生的成本的上限。
本发明使用关联的马尔可夫决策过程的二次近似值函数的简单参数化，将能够获得基于事件的采样和估计策略，从而最小化一类系统的性能上限，有效地应用于计算具有高维状态空间系统的策略。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (1)

1.一种基于事件驱动的灯联网控制方法，其特征在于：其对设备进行状态测量后，通过技术及控制信号将测量量应用到下一个状态测量；信号
Figure FDA0002760245080000011
为最近的状态测量的值，并且应用恒定控制信号
Figure FDA0002760245080000012
直到接收到新的测量值，设备的状态递推为：
Figure FDA0002760245080000013
控制变量at表示状态采样的时间，则
Figure FDA0002760245080000014
的递推为：
Figure FDA0002760245080000015
将误差定义为：
Figure FDA0002760245080000016
误差递推为：
et+1＝(1-at)((A+BK-I)xt+(I-BK)et)+ωt (4)
设定：
Figure FDA0002760245080000017
状态和误差的递推为：
zt+1＝((1-at)A1+atA2)zt+vt (6)
其中
Figure FDA0002760245080000018
且
Figure FDA0002760245080000019
基于事件的采样方案是在采样时间将整个系统状态发送到估计器，简化了分析，因为估计误差在每个采样时间都复位为零，但当在每个时间段内仅发送输出测量值时，分析将变得复杂；
当接收到新的测量值时，状态估计必须实时更新，可以由前面讨论的控制方法扩展到输出测量的估计问题，
在估计问题中，考虑一个动态性的系统
xt+1＝Axt+wt，yt＝Cxt+vt (9)
当所有输出测量可得时，稳态卡尔曼滤波器根据递归
Figure FDA00027602450800000110
产生最佳状态估计值
Figure FDA0002760245080000021
此处的L是稳态卡尔曼滤波观测器增益，估计器使
Figure FDA0002760245080000022
最小化；
在由设备和估计器组成的系统中将设备的输出的测量值间歇地传输到估计器，操作如下：如果
Figure FDA0002760245080000023
是当前状态估计，并且在时间t无可用测量，则状态
Figure FDA0002760245080000024
的估计是
Figure FDA0002760245080000025
如果在时间t有可用测量，则状态
Figure FDA0002760245080000026
的估计是
Figure FDA0002760245080000027
使用变量at∈{0,1}来表示已经进行了测量，状态估计随着
Figure FDA0002760245080000028
变化；
进而，状态估计误差
Figure FDA0002760245080000029
的动态方程为：
Figure FDA00027602450800000210
用A1＝A表示开环估计器动态，A2＝A+LC表示闭环估计器动态来简化符号；
安排测量，以尽量减少传输速率和估计误差，即确定一个策略，选择at使
Figure FDA00027602450800000211
最小；事件检测器可以观察设备的当前状态以及估计器使用的当前状态估计：
当发生取决于估计误差的事件时，将当前输出测量值yt发送到估计器，然后估计器相应地更新其状态估计；
提出基于事件选择的at的传输策略：令
Figure FDA00027602450800000212
且令ρ和Y是优化问题的解；则有
Figure FDA0002760245080000031
通过设置
Figure FDA0002760245080000032
将测量值发送给估计器；
进而由
Figure FDA0002760245080000033
得出该策略产生的成本的上限。
CN201710765685.2A 2017-11-24 2017-11-24 基于事件驱动的灯联网控制方法 Active CN107561937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710765685.2A CN107561937B (zh) 2017-11-24 2017-11-24 基于事件驱动的灯联网控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710765685.2A CN107561937B (zh) 2017-11-24 2017-11-24 基于事件驱动的灯联网控制方法

Publications (2)

Publication Number Publication Date
CN107561937A CN107561937A (zh) 2018-01-09
CN107561937B true CN107561937B (zh) 2021-02-19

Family

ID=60978466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710765685.2A Active CN107561937B (zh) 2017-11-24 2017-11-24 基于事件驱动的灯联网控制方法

Country Status (1)

Country Link
CN (1) CN107561937B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112383387A (zh) * 2020-10-29 2021-02-19 西安理工大学 一种事件驱动技术的马尔可夫切换复杂网络同步方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6801810B1 (en) * 1999-05-14 2004-10-05 Abb Research Ltd. Method and device for state estimation
CN105391299A (zh) * 2015-12-24 2016-03-09 西安理工大学 Buck变换器单一策略模型预测控制方法
CN105425582A (zh) * 2015-11-04 2016-03-23 北京航空航天大学 一种基于卡尔曼滤波的Stewart机构在线标定方法
CN107065551A (zh) * 2017-04-24 2017-08-18 哈尔滨工大航博科技有限公司 一种基于模型参数精确辨识的仿真转台自校正控制方法
CN107065545A (zh) * 2017-04-01 2017-08-18 同济大学 基于马尔科夫跳变的分布式事件触发滤波系统及设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6801810B1 (en) * 1999-05-14 2004-10-05 Abb Research Ltd. Method and device for state estimation
CN105425582A (zh) * 2015-11-04 2016-03-23 北京航空航天大学 一种基于卡尔曼滤波的Stewart机构在线标定方法
CN105391299A (zh) * 2015-12-24 2016-03-09 西安理工大学 Buck变换器单一策略模型预测控制方法
CN107065545A (zh) * 2017-04-01 2017-08-18 同济大学 基于马尔科夫跳变的分布式事件触发滤波系统及设计方法
CN107065551A (zh) * 2017-04-24 2017-08-18 哈尔滨工大航博科技有限公司 一种基于模型参数精确辨识的仿真转台自校正控制方法

Also Published As

Publication number Publication date
CN107561937A (zh) 2018-01-09

Similar Documents

Publication Publication Date Title
US10565955B2 (en) Display status adjustment method, display status adjustment device and display device
Kreider et al. Building energy use prediction and system identification using recurrent neural networks
CN110119087B (zh) 一种有向通信下二阶多智能体系统固定时一致性跟踪方法
CN107422641B (zh) 复杂约束条件下的航天器编队姿态有限时间协同控制方法
CN111931286A (zh) 纵向动力学模型的训练方法、装置及设备
CN102906994A (zh) 马达控制装置
CN109270835A (zh) 大时滞系统的预测智慧pi控制方法
CN111752262B (zh) 一种执行器故障观测器与容错控制器集成设计方法
Fei et al. A discontinuous Lyapunov function approach for hybrid event-triggered control of T–S fuzzy systems
CN107561937B (zh) 基于事件驱动的灯联网控制方法
CN109697304A (zh) 一种制冷机组多传感器数据预测模型的构建方法
CN111600519A (zh) 伺服电机控制方法、装置、电子设备及存储介质
CN103425096B (zh) 楼宇自动化系统
Lin et al. Optimal sequential estimation for asynchronous sampling discrete—Time systems
Zhang et al. Observer-based finite-time control of stochastic non-strict-feedback nonlinear systems
Li et al. A survey on set-membership filtering for networked control systems under communication protocols
CN107677440B (zh) 一种振动台的中心零位控制方法和系统
Anfinsen et al. Boundary parameter and state estimation in 2× 2 linear hyperbolic PDEs using adaptive backstepping
CN108648214A (zh) 一种基于宽度学习滤波的视觉slam算法及系统
CN114962631B (zh) 缓速器电磁阀控制方法、装置、设备和介质
CN111797980A (zh) 一种个性化地暖使用习惯的自适应学习方法
US11796199B2 (en) Monitoring for signal pulses on one or more analog inputs of a building controller
Ruan et al. Modeling research of MEMS gyro drift Based on Kalman filter
Altaf Modeling and Event-Triggered Control ofMultiple 3D Tower Cranes over WSNs
Codrean et al. Design, analysis and validation of an observer-based delay compensation structure for a network control system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant