Stock Trading via Feedback Control： Stochastic Model Predictive or Genetic？

We seek a discussion about the most suitable feedback control structure for stock trading under the consideration of proportional transaction costs. Suitability refers to robustness and performance capability. Both are tested by considering different one-step ahead prediction qualities, including the ideal case （perfect price-ahead prediction）, correct prediction of the direction of change in daily stock prices and the worst-case （wrong price rate sign-prediction at all sampling intervals）. Feedback control structures are partitioned into two general classes： stochastic model predictive control （SMPC） and genetic. For the former class, three controllers are discussed, whereby it is distinguished between two Markowitz- and one dynamic hedging-inspired SMPC formulation. For the latter class, five trading algorithms are disucssed, whereby it is distinguished between two different moving average （MA） based strategies, two trading range （TR） based strategies, and one strategy based on historical optimal （HistOpt） trajectories. This paper also gives a preliminary discussion about how modified dynamic hedging-inspired SMPC formulations may serve as alternatives to Markowitz portfolio optimization. The combinations of all of the eight controllers with five different one-step ahead prediction methods are backtested for daily trading of the 30 components of the German stock market index DAX for the time period between November 27, 2015 and November 25, 2016.

基于自适应SMPC的梯级水-风-光互补系统多目标优化调度

为抑制风电、光伏的波动性,文章建立了梯级水-风-光互补系统的多目标优化调度模型,同时考虑了调度成本与水电出力波动性,提出了一种基于自适应随机模型预测控制的梯级水-风-光高效协调优化方法。该方法利用场景削减技术,进一步抑制风光出力不确定性,并采用自适应变权重方法自动调整多目标权重系数。文章比较了方法改进前、后以及梯级水电站数量对互补系统优化调度结果的影响。系统仿真表明,所提自适应(Stochastic Model Predictive Control,SMPC)方法,可有效抑制风电、光伏的不确定性与波动性,提高水电出力的可靠性与稳定性.

Real-time Energy Management of Low-carbon Ship Microgrid Based on Data-driven Stochastic Model Predictive Control

With increasing restrictions on ship carbon emis-sions,it has become a trend for ships to use zero-carbon energy such as solar to replace traditional fossil energy.However,uncer-tainties of solar energy and load affect safe and stable operation of the ship microgrid.In order to deal with uncertainties and real-time requirements and promote application of ship zero-carbon energy,we propose a real-time energy management strategy based on data-driven stochastic model predictive control.First,we establish a ship photovoltaic and load scenario set consid-ering time-sequential correlation of prediction error through three steps.Three steps include probability prediction,equal probability inverse transformation scenario set generation,and simultaneous backward method scenario set reduction.Second,combined with scenario prediction information and rolling op-timization feedback correction,we propose a stochastic model predictive control energy management strategy.In each scenario,the proposed strategy has the lowest expected operational cost of control output.Then,we train the random forest machine learn-ing regression algorithm to carry out multivariable regression on samples generated by running the stochastic model predictive control.Finally,a low-carbon ship microgrid with photovoltaic is simulated.Simulation results demonstrate the proposed strategy can achieve both real-time application of the strategy,as well as operational cost and carbon emission optimization performance close to stochastic model predictive control.Index Terms-Data-driven stochastic model predictive control,low-carbon ship microgrid,machine learning,real-time energy management,time-sequential correlation.

含风光出力随机性的独立微电网二次频率控制

针对风、光发电随机性的问题,提出一种考虑新能源减载参与二次调频的模型预测控制方法。建立包含随机功率扰动的扩展状态矩阵,采用卡尔曼滤波估算随机未知扰动;依据风、光最大可用功率,建立实时变约束,避免机组功率越限;设置合理的权重系数,优先风、光发电出力参与二次调频;通过求解变约束二次规划问题,获得各个机组的优化调频功率。最后,建立含多个光伏、风电的微电网模型,在不同场景下与常规二次调频方法进行对比仿真。仿真结果表明,所提方法能提高系统频率恢复速度,减小系统频率波动,尤其在风、光发电剧烈波动场景下。

基于参数自适应随机模型预测控制的风光氢耦合系统功率调控策略

针对风光氢耦合系统源荷两侧不确定性对其系统功率平衡造成的影响,提出了一种基于场景分析法的参数自适应随机模型预测控制功率调控策略。根据风光氢耦合系统的能源供给架构建立了描述其动态特性的线性离散状态空间模型;通过场景分析法对系统不确定性进行描述,作为参数自适应随机模型预测控制的输入;在设计的参数自适应随机模型预测控制优化框架下,计及延长系统设备生命周期的目标进行优化。针对随机模型预测控制在优化过程中预测时域和控制时域固定不变的缺陷,提出参数自适应方法以获取更好的优化效果。结果表明:在优化系统功率平衡方面,所提控制策略相较于随机模型预测控制提高了6.25百分点;在减少可控设备大功率运行方面,所提策略相较于常规模型预测控制降低了60%,验证了所提策略能够有效解决风光氢耦合系统源荷两侧的不确定性。

风光氢耦合系统的经济随机模型预测控制方法研究

针对风光氢耦合系统源荷两侧不确定性对系统运行造成的影响,提出一种基于经济随机模型预测控制的优化方法。根据风光氢耦合系统中设备的特性,建立计及设备启停的状态空间模型;利用场景生成技术对风光出力及电负荷预测数据进行处理,以生成描述系统不确定性的场景集;基于生成的场景集,在设计的经济随机模型预测控制框架下,构造系统的混合整数线性规划问题,进而对系统进行经济优化控制。由于经济随机模型预测控制方法需提供准确描述系统不确定性的场景集,为此提出一种基于非参数预测的场景生成机制。通过案例仿真分析,相较于常规随机模型预测控制方法,所提控制方法降低5.89%的运行成本;相较于常规模型预测控制方法,降低13.25%的运行成本,验证了所提方法能有效解决风光氢耦合系统的不确定性。

基于均值-方差-偏度的配电网有功-无功随机模型预测控制

针对高比例具有不确定性的可再生能源接入对配电网安全经济运行带来的挑战,提出一种基于均值-方差-偏度的有功-无功随机模型预测控制协调优化策略。首先,在综合考虑有功和无功成本的基础上,基于Fish⁃er-z变换的拉丁超立方采样生成可再生能源出力场景集,进而构建表征不确定性下收益的期望-偏度模型和表征不确定性风险的方差模型。然后,建立权衡收益和风险的三阶近似矩效用函数,提出基于均值-方差-偏度的有功-无功随机模型预测控制协调优化框架。最后,基于线性化潮流方法对所提模型进行线性化处理,在改进的IEEE-37节点系统进行仿真验证。结果表明,所提策略能够有效应对可再生能源不确定性对配电网经济运行与电压质量的影响。

含光储充的配网虚拟电厂二次调频随机模型预测控制策略

含光储充的主动配电网作为一种灵活的新型调节资源,可通过聚合其内部的多类分布式电源组成配网虚拟电厂(distribution-level virtual power plant,DVPP)进而整体参与系统二次调频,具有广阔的发展前景。但实际配电网内部情况复杂,存在储能配置有限导致可调容量不足、光伏短时出力难以预测导致控制不精确、功率分配不合理导致内部电压越限的问题,传统虚拟电厂调频策略难以适用。针对上述问题,提出了一种基于随机模型预测控制(stochastic model predictive control,SMPC)的DVPP二次调频策略,通过聚合模型设计、光伏不确定功率的场景树模型搭建、SMPC策略设计的方式实现了分布式电源出力扰动情况下DVPP快速、准确响应自动发电控制(automatic generation control,AGC)指令的目标,并有效降低了功率调节对系统内部电压的影响,为DVPP参与系统二次调频提供了理论基础。

基于随机预测理论的双馈风电机组参与电网调频控制策略

随着电力系统中的风电渗透率不断提高,系统中风电功率的随机波动给电网频率稳定性带来巨大挑战。针对上述问题,该文提出基于机会约束随机模型预测控制的附加功率调频控制策略。首先,综合考虑系统中风速及负荷的实时随机波动问题,建立风电并网系统频率响应模型;其次,以系统频率变化及风电输出功率波动最小为控制目标建立期望目标函数,并将机会约束纳入随机最优化模型中;最后,根据随机扰动的分布信息或坎泰利不等式,结合状态反馈控制律求解随机最优化模型,得到当前时刻的最优控制律。利用MATLAB/Simulink搭建风电并网系统进行仿真验证,结果表明,所提策略能够有效抑制风电功率波动及系统频率变化,提高了电网的频率稳定性。

基于随机模型预测控制的卫星编队保持方法

针对卫星编队队形保持中存在的随机扰动问题,提出一种基于随机模型预测控制(SMPC)的编队构型保持控制算法。在保证精度的情况下,对非线性相对运动力学方程进行线性化离散处理。考虑到模型预测控制不易处理无界随机扰动的机会约束问题,提出有效解决随机变量信息模糊的分布鲁棒机会约束模型,并通过条件风险价值(CVaR)重构机会约束为可处理约束,得到基于随机模型预测控制的队形保持控制算法。通过计算仿真与传统的模型预测控制算法进行对比,验证了该算法的有效性和优越性。

基于快速随机模型预测控制的网联混合车队生态驾驶策略研究

为解决网联汽车由于驾驶员误差存在导致的速度轨迹偏移问题,本文提出一种实时的考虑驾驶员误差的网联混合车队生态驾驶策略。首先通过实车试验采集不同驾驶员的驾驶员误差数据,建立基于马尔可夫链的驾驶员误差模型,用于预测未来一段时间的驾驶员误差。然后以最小化整个车队的燃油消耗为优化目标,将车队速度轨迹优化问题描述为一个最优控制问题,采用快速随机模型预测控制(fast stochastic model predictive control,FSMPC)算法求解车队中网联汽车的最优速度轨迹。仿真和智能网联微缩车试验结果表明,相比于传统的基于快速模型预测控制(fast model predictive control,FMPC)的生态驾驶策略,本文所提出的生态驾驶策略能够有效减小车辆的速度轨迹偏移,并降低整个车队的燃油消耗,且满足实时性要求。

Stochastic Model Predictive Control Approach to Autonomous Vehicle Lane Keeping

In real-world scenarios,the uncertainty of measurements cannot be handled efficiently by traditional model predictive control(MPC).A stochastic MPC(SMPC)method for handling the uncertainty of states in autonomous driving lane-keeping scenarios is presented in this paper.A probabilistic system is constructed by considering the variance of states.The probabilistic problem is then transformed into a solvable deterministic optimization problem in two steps.First,the cost function is separated into mean and variance components.The mean component is calculated online,whereas the variance component can be calculated offline.Second,Cantelli’s inequality is adopted for the deterministic reformulation of constraints.Consequently,the original probabilistic problem is transformed into a quadratic programming problem.To validate the feasibility and effectiveness of the proposed control method,we compared the SMPC controller with a traditional MPC controller in a lane-keeping scenario.The results demonstrate that the SMPC controller is more effective overall and produces smaller steady-state distance errors.

Stochastic model predictive braking control for heavy-duty commercial vehicles during uncertain brake pressure and road profile conditions

When heavy-duty commercial vehicles(HDCVs)must engage in emergency braking,uncertain conditions such as the brake pressure and road profile variations will inevitably affect braking control.To minimize these uncertainties,we propose a combined longitudinal and lateral controller method based on stochastic model predictive control(SMPC)that is achieved via Chebyshev–Cantelli inequality.In our method,SMPC calculates braking control inputs based on a finite time prediction that is achieved by solving stochastic programming elements,including chance constraints.To accomplish this,SMPC explicitly describes the probabilistic uncertainties to be used when designing a robust control strategy.The main contribution of this paper is the proposal of a braking control formulation that is robust against probabilistic friction circle uncertainty effects.More specifically,the use of Chebyshev–Cantelli inequality suppresses road profile influences,which have characteristics that are different from the Gaussian distribution,thereby improving both braking robustness and control performance against statistical disturbances.Additionally,since the Kalman filtering(KF)algorithm is used to obtain the expectation and covariance used for calculating deterministic transformed chance constraints,the SMPC is reformulated as a KF embedded deterministic MPC.Herein,the effectiveness of our proposed method is verified via a MATLAB/Simulink and TruckSim co-simulation.

基于仿射扰动反馈的风力发电机组多目标随机模型预测控制

风力发电的间歇性和随机不确定性是其规模化并网的主要障碍。为提高风电机组控制系统应对风能随机扰动的能力,该文提出一种基于仿射扰动反馈的风力发电机组多目标随机模型预测控制策略。以输出功率准确跟踪设定值和降低执行机构疲劳载荷为目标,结合风力发电机组运行工况和约束条件,构建基于期望目标函数和机会约束的随机优化模型,采用仿射扰动反馈和风速扰动的概率信息将其转换成确定性优化模型,求解得到当前时刻的最优控制律。以NREL5MW风电机组为研究对象进行算例验证,结果表明,通过选取合适的输出约束违背概率值,所提出的控制策略能够有效抑制风速的随机干扰,在减小执行机构动作幅度的基础上,实现机组输出功率对额定值的准确跟踪。

考虑前车运动不确定性的多目标自适应巡航控制

考虑前车运动状态不可控所带来的性能下降,提出一种基于高斯过程的随机模型预测多目标自适应巡航控制方法。基于车间运动关系对跟驰系统进行集成建模,综合考虑车辆安全、经济、舒适等多维诉求,确定跟驰系统目标函数与性能约束;引入径向基核描述样本间的关系,通过极大似然法获取预测模型超参数,根据历史交通数据,对前车运动轨迹进行短期预测;考虑预测结果存在的偏差,引入概率约束,建立不确定环境下的随机预测模型以保障系统在随机扰动下的整体性能最优;通过切入、加速跟驰、减速避撞等典型场景对算法的有效性与优越性进行验证。研究结果表明:所提出的方法具有良好的工况适应性,可快速消除跟踪误差与前车运动保持一致,使车辆对交通环境的反应更加敏捷。

高比例新能源接入下计及工业负荷特性的电网需求响应调控策略

为挖掘需求侧调节潜力,提出一种高比例新能源接入下计及工业负荷特性的电网需求响应调控策略。设计一种基于工业负荷需求响应的滚动调度框架,通过分析不同类型工业负荷的生产特性,挖掘工业负荷的需求响应潜力;针对新能源和负荷的不确定性,提出一种结合特征损失的条件深度卷积生成对抗网络场景生成方法,为系统调控提供不同时间尺度下的典型场景集;基于生成的场景集,以系统总运行成本最小为目标,提出多场景随机规划结合随机模型预测控制方法,构建多时间尺度滚动调度优化模型,求得不同阶段工业负荷需求响应的最优策略。改进IEEE 30和IEEE 118节点系统的仿真结果验证了所提模型及策略的适用性和有效性。

基于伊藤过程的电制氢合成氨负荷随机最优控制

风电制氢进而合成氨(power to ammonia,P2A)是规模化消纳可再生发电资源,实现电力与化工行业碳减排的潜在技术路线之一。利用电制氢作为媒介,P2A可作为大型工业负荷参与电网能量平衡调节。然而,P2A负荷受化学工艺及过程控制的限制,负载调控惯性较大,当风电出力偏离预测轨迹时P2A负荷难以快速响应。为此,提出计及风电出力时序不确定性的P2A负荷随机最优控制方法。首先建立P2A系统柔性调控的状态空间模型。其次,考虑合成氨工段的调节惯性与风电出力时序相关性的耦合影响,基于伊藤过程建模风电出力的不确定性,构造随机动力学约束的P2A系统优化控制模型。之后,基于动态轨迹灵敏度分解,将随机动力学优化问题变换为确定性二阶锥规划,并采用随机模型预测控制(stochastic model predictive control,SMPC)滚动求解,有效避免了传统基于随机抽样模拟的方法计算复杂度高、求解效率低的问题。算例分析表明,与确定性控制相比,所提方法能够充分发挥合成氨柔性生产的优势,提升P2A负荷消纳波动性风电的能力。

基于随机模型预测控制的四旋翼无人机研究

由于随机扰动(可能无界)的存在,四旋翼无人机系统存在控制性能不稳定、输入抖动大的问题。针对这种情况,提出一种随机模型预测控制算法。算法对控制约束进行软化,使其在一定范围内可以违反约束以满足系统性能的提高,并添加扰动反馈结构进行实时监测。运用分布式鲁棒的方法对扰动进行重构,扰动重构后再分别对单输入机会约束与联合状态机会约束进行可计算的精确凸优化重构。加入精确罚函数方法以进一步保证系统可行性。实验对比结果表明,与无扰动的模型预测控制(MPC)算法相比,该算法能够在满足约束的情况下克服任意随机扰动(可能无界)完成目标跟踪,且具备更优秀的预测性能。

基于随机模型预测控制的卫星编队重构

针对卫星编队重构问题,提出了一种具有随机不确定性、推力约束和避障能力的随机模型预测控制(Stochastic model predictive control,SMPC)方法。由于不确定性的概率是有限的,足以违反约束条件,给随机不确定性的考虑带来了巨大的挑战。SMPC利用概率不确定性描述来定义机会约束,通过引入约束违反概率,为处理约束的随机效应提供了一种有效的方法,且上述方法仅需知道不确定性的均值和方差。将SMPC问题转化为确定性凸问题,提出了一种切比雪夫不等式,将机会约束转化为确定性约束。最后对卫星编队重构问题进行了数值模拟,验证了SMPC算法的可行性和优越性。

基于随机模型预测控制的火电-储能两阶段协同调频控制模型

相比于单一类型的储能单元,混合储能在提升火电机组灵活性方面具有更优的表现,但不同资源禀赋特性的混合储能与火电机组的配合将显著增加协同调频的难度。因此,提出了一种基于随机模型预测控制的火电-储能两阶段协同调频控制模型,将整个控制周期划分为粗粒度和精粒度两种不同时间尺度。在粗粒度方面,提出了计及调频信号不确定性的火电-储能调频控制模型,通过构建储能充放电切换模型,限制能量型储能频繁切换,延长其使用寿命,同时引入非预期性约束来获得全场景可行的能量型储能运行状态方案。在精粒度方面,以最小化调频成本为目标,计及设备自身和调频偏差约束,优化求解火电-储能混合系统其余的控制方案。从调节速率、精度与响应时间三个方面,对所提调频控制模型进行调频效果评价。最后,以某地区发电机组实际数据为例进行分析,验证了所提模型调频效果的有效性与经济性。