用于基于模型的控制和优化的安全模型

摘要

本发明涉及用于基于模型的控制和优化的安全模型。在一些实施方式中，控制/优化系统包括存储在模型服务器上的存储器中的例示的模型对象。该模型对象包括受控制的工厂或过程的模型。该模型对象包括接口，经由接口防止传输专有信息。该控制/优化系统还包括存储在决策支持服务器上的存储器中的决策引擎软件模块。该决策引擎软件模块被配置成经由防止传输专有信息的通信协议通过通信网络向模型对象请求信息，并且经由通信协议通过通信网络从模型对象接收所请求的信息。

说明书

技术领域

本公开内容大体涉及控制系统，更具体地，涉及在控制系统中运用基 于模型的控制和优化的安全模型。

背景技术

现代生活的所有方面（航空航天和交通运输、材料和加工、生物学和 医学、机器人、信息和网络等）中的基于模型的优化和控制的巨大成功已 经使数学建模在工程学和物理学的所有领域中具有至关重要的角色。传统 的基于模型的优化和控制方案通常假定向决策引擎完全公开模型。如果模 型包括模型的所有人不愿意公开的敏感信息，那么完全公开是不希望的。 当前，为模型的所有人保护模型的敏感内容的唯一补救措施是采取整体优 化和/或控制方案的完全所有权。

发明内容

在实施方式中，一种计算机实现的方法包括：在多个模型服务器上例 示多个模型对象。多个模型对象中的每一个模型对象包括受控制的工厂或 过程的模型。模型中的至少一个模型包括受保护信息。该方法还包括经由 通信网络向多个模型对象请求信息。该方法还包括经由通信网络从多个模 型对象接收信息。另外，该方法包括生成与生成控制命令有关的多个模型 对象中的至少一个模型对象的逼近。该方法还包括至少部分基于逼近和从 多个模型对象接收的信息来生成控制命令。该方法还包括经由通信网络将 控制命令传输给多个模型对象中的至少一个模型对象。另外，该方法包括 基于控制命令来控制工业自动化组件。

在另一实施方式中，一种控制/优化系统包括存储在多个模型服务器 上的存储器中的例示的多个模型对象。多个模型对象中的每一个模型对象 包括受控制的工厂或过程的模型。该控制/优化系统还包括存储在多个决 策支持服务器上的存储器中的多个决策引擎软件模块。决策引擎软件模块 中的每一个决策引擎软件模块包括用于下述操作的软件指令：经由通信网 络向多个模型对象请求信息；经由通信网络从多个模型对象接收信息；至 少部分地基于从多个模型对象接收的信息来生成控制命令。其中，控制命 令由多个决策引擎软件模块共同生成，并经由通信网络将控制命令传输给 多个模型对象中的至少一个模型对象。

在又一实施方式中，一种控制/优化系统包括存储在模型服务器上的 存储器中的例示的模型对象。该模型对象包括受控制的工厂或过程的模 型。该模型对象包括接口，经由该接口阻止传输专有信息。该控制/优化 系统还包括存储在决策支持服务器上的存储器中的决策引擎软件模块。该 决策引擎软件模块被配置成经由防止传输专有信息的通信协议通过通信 网络向模型对象请求信息，并经由通信协议通过通信网络从模型对象接收 所请求的信息。

附图说明

参考附图来阅读下面的详细描述时，本发明的这些特征、方面和优点 以及其他特征、方面和优点将变得更好理解，遍及附图，相同的附图标记 表示相同的部分，在附图中：

图1是可以受控制的示例性商业或工业能量系统的示意图；

图2是图1中的能量系统的示例性组件的框图，该框图示出了各种互 连；

图3是用于对图1中的能量系统进行建模的示例性参数混合模型的框 图；

图4是图2中的示例性蒸发冷却器模块的框图；

图5是图2中的示例性锅炉模块的框图；

图6是布置为网络的表示与图1中的系统的组件相关的多个参数混合 模型的图形建模工具的图形用户接口（例如，图形表示）的示例；

图7是使得控制系统能够控制图1中的系统的企业集成式参数混合模 型的框图；

图8是图形建模工具的图形用户接口（例如，图形表示）的示例，其 示出了对于用户可用的组件模块的库；

图9是图形建模工具的图形用户接口（例如，图形表示）的示例，其 示出了当用户选择优化标记时的优化视图；

图10是图形建模工具的图形用户接口（例如，图形表示）的示例， 其示出了当用户提交命令输入且图1中的系统优化方案已经更新时的优 化视图；

图11是非线性的且非凸优化问题和针对该问题的双凸逼近的示例；

图12是使用参数混合模型的优化方案方程的方案图的示例；

图13是利用图形用户接口与参数混合模型交互的方法的示例；

图14是图形建模工具的图形用户接口的示例，其示出了基于第一节 点被优化的模型网络；

图15是图形建模工具的图形用户接口的示例，其示出了基于由用户 选择的第二节点被优化的图14中的模型网络；

图16是实现控制/优化系统的分布式企业集成式参数混合模型的框 图；以及

图17是参数混合模型对象的接口和用于在决策引擎和参数混合模型 对象之间进行通信的相关协议的框图。

具体实施方式

如上所述，现代生活的所有方面中（航空航天和交通运输、材料和加 工、生物学和医学、机器人、信息和网络等）的基于模型的优化和控制的 巨大成功已经使数学建模在工程学和物理学在所有领域中具有至关重要 的角色。可以将物理过程的模型宽泛地分成（现象的、物理的和机械的） 第一原理或（统计的和以数据为中心的）经验。第一原理（FP， first-principle）模型通常包括一组描述变量之间的已知关系的、具有可以 适用于数据的系数或其他参数的方程。经验模型假定对于关系没有特定的 形式，而是仅根据数据来拟合输入输出模型。由于在通用逼近结构中使用 大量参数的神经网络（NN）模型具有许多有利的属性，因此神经网络模 型是非线性经验建模方法中最广泛使用的形式之一。第一原理具有历史上 占主导地位的非线性过程建模。二十世纪八十年代中期NN的出现使得获 取表现良好的非线性经验模型成为可能。

虽然广泛地认识到两种建模方法的互补的长处和短处，并且普遍接受 使得其长处彼此互补的方法的价值，但只是最近才开发了使用第一原理和 经验方法二者的互补长处来建立模型的系统化方法。在第8,019,701号美 国专利、第8,032,235号美国专利和第2005/0187643号美国专利申请公开 中更详细地描述了这种方法，上述每个专利文件的全部内容出于各种目的 通过引用并入本申请中。

不管如上所述开发模型的方法如何，传统的基于模型的优化和控制方 案通常假定向决策引擎（例如，在模型预测控制（MPC，model predictive  control）方案的中心的二次规划（QP，quadratic programming）解算器、 在生产调度方案的中心的混合整数线性规划（MILP，mixed integer linear  programming）解算器等）完全（或至少部分）地公开模型。如果模型包 括模型的所有人不愿意公开的敏感信息，则完全公开是不希望的。当前， 如上所述，为模型的所有人保护模型的敏感内容的唯一补救措施是采取整 体优化和/或控制方案的完全所有权。

然而，该选择有若干缺点。例如，使用这样的技术会导致基于模型的 优化和控制方案对于具有有限的现场专业技能的最终用户而言过于昂贵。 例如，生产厂经常不能为优化专家提供全职职位，因此，只能依赖外部的 专业技能来支持其优化/控制应用。从外部获取援助来对所配置的基于模 型的方案进行维护和故障诊断相对来说是比较昂贵的。在最坏的情况下， 成本可能会达到放弃配置方案的程度而禁止。而且，由于工厂必须采取额 外的步骤来保护有价值的信息，所以保护专有信息的需求仅增加了维护的 成本。例如，为了摒绝为其竞争对手工作的可能性，工厂可能需要咨询者， 这无疑增加了成本。

另外，用于处理模型的安全性的传统技术甚至会导致高价值的专有信 息的内部暴露被不必要地扩大。例如，工厂控制工程师可以具有访问详细 的反应模型的权利，即使他/她不需要访问该级别的细节。另外，在不同 的实体之间作出协同决策的任何想法（例如，协同供应链优化）可能因过 分关注专有信息的公开而受阻碍。例如，定价模型是公司的一些最高级别 的受保护信息，可是有效地参与涉及不同等级供应链的真实供应链优化方 案，通常需要来自所有参与者的精确定价策略。因此，使用云作为决策支 持平台因过分关注专有数据的所有权和安全而受到阻碍。

以基本可靠的方式解决所有权和安全考量的方案是利用云架构的任 何有意义的决策支持方案的基石。本文所描述的实施方式包括用于解决上 面列出的难题的方法和算法。更具体地，本文所描述的实施方式将模型视 为将服务提供给客户端的安全服务器。在一些实施方式中，决策引擎（例 如，优化和控制引擎）通过相互询问在模型属性上达成的一致而不是不断 地访问模型细节来创建受保护的模型的逼近。决策引擎可以基于所创建的 在线逼近来确定决策变量的最佳值。另外，在一些实施方式中，如果需要 的话可以使用根据配置的决策的暗示的反馈来修改在线逼近。而且，在一 些实施方式中，可以将逼近在线模型的属性报告给受保护的模型服务器以 为模型的授权的所有人提供必要的反馈，从而在必要时维护/修改模型。 在一些实施方式中，可以对针对模型的查询进行加密以进一步保护受保护 的模型信息不会出现未授权公开。本文所描述的实施方式通常呈现为涉及 制造业和公共事业系统。然而，本文所描述的系统和方法不限于这样的应 用，且可以将该系统和方法延伸到期望保护系统建模信息任何应用和所有 应用。

本文所描述的实施方式在使模型内容的部分或整体保持安全的情况 下尤其使得基于模型的计算、基于模型的优化和控制能够被执行。具体地， 在任何时候将满足：被视为专有的模型向在其计算中利用该模型的计算引 擎公开。如此，本文所描述的实施方式与经由密码对模型内容的访问进行 保护的传统系统和方法根本不同。为了实现这个目的，本文所描述的实施 方式包括软件实现方法，该软件实现方法将从根本上改变今天执行的基于 模型的计算方式（例如，基于模型的优化和模型预测控制）。

本文所描述的实施方式可以证明对于许多应用是有益的。例如，一个 这种应用是在工业工厂的操作计划和操作调度的领域内。例如向复杂用户 （例如石化总厂、大学校园、大型住宅综合体等）提供蒸汽、冷却水和电 力等复杂的应用，涉及由工厂操作人员经常做出的决策，例如利用哪些资 源、该资源（例如容量）的设定点是什么、资源必须运行多久以及必须避 免哪些现有的或即将发生的约束以及如何避免。在这类应用中作出决策的 复杂性证明了需要系统优化方案，在该系统优化方案中将系统的各种组 件、操作程序和约束、经济目标等适当地建模。即使是在单个工业工厂中， 工厂可以决策避免将其操作程序泄露给提供自动化方案的公司，因为该公 司可能会向其竞争者提供方案。本文所描述的实施方式能够保护在例如这 样的情况下的操作程序。

另一个示例性的应用包括优化产品组合以给出可接受的替选配方。许 多制造业务涉及遵循两个或两个以上的替选配方来生产可以达到可接受 的质量的终端产品（例如乳品厂中的起司粉）。生产途径的经济优化的原 理性方法要求决策引擎有权使用配方选择。产品配方常常是公司的最应该 被保护的专有信息，因此，避免泄露这类配方的能力被视为对于配置决策 支持方案的使能技术。

另一个示例性应用包括工业设备中的多单元优化。从乳品厂中的奶粉 干燥到电厂中的锅炉运行等复杂过程常常是多单元操作，该多单元操作可 以受益于原理性优化策略来提高正常操作的能量效率，降低响应于过程干 扰的成本，提高有利地应对市场条件的变化的能力等。在这个方案中，解 决在系统优化方案中使用的模型中的专有信息是公认的需求。

另一个示例性的应用包括制造企业中的多工厂优化。作为多单元优化 的扩展，多个工厂的经济优化（例如，在制造企业内部）可以在保护模型 内容方面施加更多要求，并因此，本文所描述的实施方式会是用于多个生 产厂的最佳协调的使能技术。

另一个示例性的应用是生产企业中的供应链优化。这是对上面描述的 场景中的多工厂优化的进一步扩展。在供应链中，由于明显的商业原因， 保护模型内容的问题（例如，供应商对提供给制造设施的组件的定价策略） 就显得特别突出。本文所描述的实施方式实现真正的供应链优化方案。

另一个示例性的应用包括企业中的优化买/卖决策。这类买/卖决策的 示例是公用企业从电网购买天然气，煤炭，生物燃料和电力，以及可能地 销售蒸汽，冷却水，甚至反过来向各种客户销售电力的决策。这类决策越 来越复杂，因此基于系统模型的优化工具将越来越不可缺少。作为示例， 在智能电网（例如，电网的每个节点可以作为源和汇）中的目前趋势给决 策作出过程增加了更多的复杂性。本文所描述的实施方式是用于这类应用 的使能技术。

在工厂的一般离线（例如，不在操作期间）规划和调度活动和工厂的 一般在线（例如，在工厂的操作期间）控制和操作活动之间经常会有中断。 本文所描述的实施方式解决导致这种不足的三个主要难题。首先，本文所 描述的实施方式提供了用于表示整个工厂和实际上包括一个或者更多个 工厂的整个企业的通用建模框架。现有的建模框架一般都无法:（a）捕获 工厂运行的相关细节，因为它涉及到企业的经济目标，（b）避免难于承受 的复杂性，该复杂性由要包含在代表工厂的模型中的组件数量给出，以及 （c）维护模块性以使得物理工厂/过程的组件与模型组件之间有直观的对 应。本文所描述的一些实施方式中通过采用参数混合建模框架解决这些难 题，例如在第8,019,701号美国专利、第8,032,235号美国专利以及第 2005/0187643号美国专利申请公开中所描述的，每个专利的全部内容以各 种目的通过引用并入本申请中。然而，应该注意的是本文所描述的技术可 以扩展到利用受控制的工厂或过程模型的其他类型的建模框架。

其次，本文所描述的实施方式解决与代表工厂的模型的离线交互（例 如模型建设、规划、调度交互）的常规分离以及与模型的在线交互（例如， 控制和操作交互）。特别是，在常规的系统中，配置的模型不是对所有的 用户都透明。换言之，由于模型被配置到在线环境，不容易衡量或者访问 模型的质量和其组件。在这些常规的系统中，修改模型一般是离线进行的 并且用于修改模型的专业技能一般是高度集中的。然而事实上，有资格修 改模型的一个组件的人可能没有资格修改模型的另一个组件并且这些不 同的人往往物理上居住在不同的地方。一般而言，不可能对模型组件进行 异步修改，并且修改频率取决于模型的类型、操作方案等大范围地变化。 本文所描述的实施方式通过采用透明模型配置策略来应对这些难题，同时 也维护有关这类模型的专有信息的安全性。

第三，本文所描述的实施方式提供消除在优化软件和终端用户（工厂 操作员、会计部、财务部等）之间的沟通障碍的图形优化语言。尤其是， 用于优化的图形语言使低能力水平也能够实现和/或配置优化方案。换言 之，具有过程知识的工厂管理人员也能够拥有优化方案，而不要求具有优 化背景的博士。此外，图形语言提供分布式开发、配置以及维护能力，以 使得优化问题的组合和后续对优化问题的修改可以通过利益相关者在其 正常操作设置中的输入来实现。

本文所描述的实施方式在底层模型的目标、优先权和约束完全透明的 情形下，而且在具有保证专有信息的安全的能力下，以系统的方式来实现 操作的各种方面的控制（例如，调整关键部件的定期维护、关于供应链或 可用容量的中断的鲁棒性，操作的能量效率以及低环境足迹、对市场定价 的压力的反应性等）。尤其是，本文所描述的实施方式以下述方式实现大 规模（潜在的非线性）优化问题的图形设置、执行以及报告：工厂范围的 和/或企业范围的优化方案可以同时由分布式利益相关者组来管理，而不 需要集中授权来对信息和交易进行把关。为了达到这一目标，本文所描述 的实施方式包括实现算法理念，以及软件执行方法的核心。

如上所述，本文所描述的实施方式有很多潜在的应用方案。例如，本 文所描述的实施方式有利于改善工业工厂中操作的规划和调度。例如向复 杂的能量用户（例如石化总厂、大学校园、大型住宅小区等）提供蒸汽、 冷却水以及电力等复杂的应用，涉及由工厂操作人员不断地进行决策，例 如应该利用哪些资源，应该设定该资源（例如容量）的哪个设定点，资源 必须运行多久以及必须避免哪些现有的或即将发生的约束等。在这类应用 中决策的复杂性证明需要系统优化方案，但是上述难题迄今阻碍了功能齐 全的方案的开发。

此外，本文所描述的实施方式促使产品组合的优化，以给出可接受的 替选配方。许多制造业务涉及经由替代配方（例如乳品厂中的起司粉）生 产可达到的终端产品。本文所描述的实施方式包括制造过程的优化调度的 原理性方法，以使得在任何给定的时间，以最佳成分设定制造出具有预定 质量规格的终端产品。

而且，本文所描述的实施方式也有利于在工业工厂中进行多单元优 化。从乳品厂中的奶粉干燥到电厂中的锅炉运行等复杂过程固有地为多单 元操作，该多单元操作可受益于原理性优化策略，以例如提高操作的能量 效率、降低响应过程干扰的成本、提高有利响应市场条件变化的能力等。

本文所描述的实施方式也有利于电网中的工业工厂优化买和/或卖的 决策。许多大型电力消费者，例如工业工厂或大学校园具有内部发电能力。 内部生成电力与从电网购买电力的经济情况变得越来越复杂，因为公用企 业移离固定价格，以使他们的利益最大化。智能电网（电网的每个节点处 可以作为源（例如电力供应商）和汇（例如电力消费者））中的目前趋势 给决策作出过程增加了更多的复杂性。原理性优化方案可以协助这类客户 在任何给定的时间，考虑到他们的优先事项和目标来做出最有利的决策。

本文所描述的实施方式包括实现上述应用的若干方面。例如，本文所 描述的实施方式提供了模型质量和性能的在线透明度并且也维护专有信 息的安全性。如果没有能力调查模型的质量（对于个体单元以及利用这些 个体单元建成的网络二者），则不能保持模型的逼真度。例如，用纯粹的 经验建模范式不可能查明质量劣化的来源，并且因此，不能完全达到模型 的在线能见度。详细的基于第一原理的模型会遭受透明度缺陷。此外，在 不使模型失活的情形下修改所配置的模型的目标组件的能力是非常可取 的。本实施方式中对透明模型的在线修改包括且不限于参数适应，并且包 括纳入新的参数化模型，以取代早期表现不佳的参数化模型。因此，本文 所述的在线透明度普遍提高了模型的质量和性能。

此外，本文所描述的实施方式为分布式用户组的问题公式提供异步授 权（authoring）能力。大规模的优化问题以及工厂操作员和工程师的有 限范围的能力以及职责使得问题陈述的分布式异步授权是可取的（并且通 常有必要）。例如，在公用企业中，冷却水回路和蒸汽回路在操作上耦合。 了解冷却水回路的专家通常很少了解蒸汽回路操作并且很有可能不被允 许和/或不想承担蒸汽回路的操作的责任，反之，了解蒸汽回路的专家通 常很少了解冷却水回路操作并且很有可能不被允许和/或不想承担冷却水 回路的操作的责任。分布式授权能力也应适用于优化方案的结果。工厂范 围和/或企业范围的优化方案的结果（例如，用于公用企业的冷却器的操 作调度的甘特图（Gantt chart））被呈现给分布式用户组（例如操作员、 工厂管理人员等）。此外，授权的利益相关者能够对所提出的调度进行编 辑而不会产生不一致。而且，分布式用户能够更新操作的约束并且要求以 一致的方式重新调度。

本文所描述的实施方式为分布式用户组的问题公式提供图形授权能 力。如果没有图形编辑能力，普通的工厂操作员将无法直接维护模型。此 外，如果没有用于定义优化问题或解释解算器决策的图形语言，普通的工 厂操作员或工程师将无法对优化问题进行有意义的定义。本文所描述的图 形授权能力也适用于整个优化问题的结果。工厂范围和/或企业范围的优 化方案的结果（例如，用于冷却器的操作调度的甘特图（Gantt chart）） 被呈现给分布式用户组（例如操作员、工厂管理人员等）。授权的利益相 关者可以对所提供的时间表进行图形编辑而不会产生不一致。此外，分布 式用户组可以图形地更新操作约束并且要求以一致的方式重新调度。图形 授权能力的直观性提高了优化方案的可用性和正常运行时间。

此外，本文所描述的实施方式合并了来自工厂车间和/或业务系统的 实时测量结果和信息。在工厂范围和/或企业范围的优化中，网络通常由 大量的组件模型、复杂的网络连接以及动态的操作条件、约束以及目标的 集合而组成。保持“问题公式”最新的信息从分布在整个企业中以及往往局 部自主地作用的源中获得。要求信息集中处理的方案会变得不能支持。尤 其是，实时测量在问题公式上影响模型（例如，效率曲线经常基于设备的 当前操作条件而改变）。实现与实时测量整合的能力可能会是成功采用工 厂范围的优化方案的障碍。由于改变可以被所有利益相关者看到，因此模 型透明度有利于实时信息的成功合并。

现在讨论附图，图1是示例性的商业或者工业能量系统10的示意图。 如上所述，图1中的能量系统10是可以得益于本文所描述的实施方式的 工厂的类型的示例。图1示出在商业和工业能量系统中常见的各种能量产 生和消耗组件。例如，图1包括配置为接收燃料并产生蒸汽以用作在能量 系统10的其他组件中的动力源的锅炉12。例如，在一些实施方式中，锅 炉12产生的蒸汽可以被热电联产单元14利用，以驱动产生电力的发电机 16，产生的电力可以被能量系统10的组件消耗和/或销售给电网18。此外， 在一些实施方式中，热回收蒸汽产生（HRSG，heat recovery steam  generation）系统20可以用于通过产生蒸汽进行二级热回收，其还可以用 于驱动产生电力的发动机16。除了将电力销售给电网18，能量系统10 也可以从电网18购买电力。至于在任何特定的时间点能量系统10是从电 网18购买电力还是向电网18销售电力取决于当前能量系统10的电力供 应、能量系统10的当前电力需求、能量系统10的电存储容量，从电网 18买/向电网18卖电力的价格、能量系统10的日/夜循环、连接到网格18 的其他发电系统的可用性和容量等。

如图中示出的，能量系统10可以包括处理单元22以及消耗一定的电 能、冷却水和/或蒸汽的建筑物24。此外，在一些实施方式中，能量系统 10可以包括可能与热能储存罐30相关联的并且消耗能量以生成冷却水的 电力冷却器26和蒸汽冷却器28，冷却水可以通过泵32泵送至处理单元 22和建筑物24用于冷却，例如用于建筑冷却，工业过程冷却等。此外， 来自例如冷却器26和冷却器28的热水可以循环通过冷却塔34和关联的 热交换器36和泵38，在热交换器36和泵38中热水被冷却以便随后使用。

因此，总而言之，在一般的商业或者工业能量系统10中，各种组件 可以产生能量（例如称为源）和/或消耗能量（例如称为汇）。当然，图1 中示出的组件仅仅是一般商业或者工业能量系统10可能包括的示例性的 组件。如图1所示，能量系统10的各种组件可以基于不同的技术被配置 成消耗和/或产生能量。在一些实施方式中，能量系统10的组件的互相依 赖可能会极其复杂。此外，各种外部组件，例如电网18会增加能量系统 10的复杂性。再次声明，图1中示出的能量系统10仅仅是可以利用本文 所描述的图形建模框架的复杂工厂和企业类型的示例。

图2是示出图1的能量系统10的示例性组件的框图，其示出了各种 互连关系。具体地，图2描绘了商业和工业能量系统10中典型的各种能 量回路。例如，主能量回路包括燃料回路40、电回路42、冷凝器回路44 （例如，冷却塔水）、蒸发器回路46（例如，冷却器水）以及蒸汽回路48。 图2中示出的各种能量回路40、42、44、46以及48仅仅是示例性的，而 不意在限制。在其他实施方式中，可以使用其他能量回路来对能量系统 10进行建模。

每个能量回路40、42、44、46以及48包括用作为各个能量回路40、 42、44、46以及48的输入和输出的一组定义变量。例如，燃料回路40 包括t^G、p^G、f^G和r，其中t^G为燃料温度，p^G为燃料压力，f^G为燃料流 速，以及r为燃料回路40的热量因子。电回路42包括kw，其是所供应 的电量。冷凝器回路44包括ts^C、tf^C和f^C，其中ts^C为进入冷却塔的水的 温度，tf^C为排出冷却塔的水的温度，以及f^C为冷凝器回路44中的水的流 速。蒸发器回路46包括ts^E、tf^E和f^E，其中ts^E为离开冷却器的冷却水的 温度，tf^E为返回至冷却器的冷却水的温度，以及f^E为冷却水的流速。蒸 汽回路48包括t^S、p^S和f^S，其中t^S为蒸汽温度，p^S为蒸汽压力，以及f^S为蒸汽流速。同样，图2中示出的能量回路40、42、44、46以及48的所 有变量仅仅是示例性的，而不意在限制。在其他实施方式中，可以使用其 他变量来定义能量回路40、42、44、46以及48。

如所示出的那样，将能量回路40、42、44、46以及48耦接到组件模 块，该组件模块代表能量系统10的实际能量相关设备的组，其将能量供 应到能量回路40、42、44、46以及48或者消耗来自能量回路40、42、 44、46以及48的能量。例如，将锅炉模块50耦接到燃料回路40和蒸汽 回路48二者，将发电机模块52耦接到燃料回路40、电回路42以及蒸汽 回路48，将蒸发式冷却器模块54耦接至电回路42、冷凝器回路44合蒸 发器回路46，以及将吸收式冷却器模块56耦接到蒸发器回路46和蒸汽 回路48。同样，图2中示出的各种组件模块50、52、54以及56仅仅是 示例性的，而不意在限制。在其他实施方式中，可以将其他组件模块耦接 到各种能量回路40、42、44、46以及48。

所公开的实施方式利于对图1和图2中的能量系统10进行规划/调度 和控制/操作。更具体地，如在下面更详细描述的，本文所描述的实施方 式包括用于图1和图2中的能量系统10的图形语言和接口以及透明建模 框架，其使得具有广泛不同的专业技能领域的不同分布式用户组能够与针 对能量系统10的各个组件模块（例如，设备组）的参数混合模型交互。 事实上，应该理解的是，虽然将本文所描述的实施方式被呈现为涉及能量 系统10的节能操作，但是，在其他实施方式中，本文所描述的实施方式 的图形语言和接口以及透明建模框架可以延伸到其他应用，如化学品制 造、石油和天然气加工等。

所公开的实施方式将对图1和图2中的能量系统10的优化作为目标 并且解决了对能量系统10的许多不同的能量相关组件进行建模的计算复 杂性难题，包括针对发电单元、锅炉、冷却器、泵和风机等的单独的参数 混合模型，以及针对约束和目标的参数混合模型。此外，所公开的实施方 式提供了，在保持专有信息的安全性的情况下，经由图形语言和接口以及 透明建模框架由不同的分布式用户组对模型的结构和/或参数的进行在线 修改。

可以建立参数目标函数来反映能量系统10的操作的经济目标。可以 建立参数约束集来反映能量系统10的操作的约束（如，冷却能力的约束， 允许排放的约束等）。如下面更详细描述的，本文所描述的图形语言使得 能量系统10中的所有利益相关者能够与参数混合模型的参数、参数目标 函数以及参数约束集交互，即使对底层参数混合模型的访问被限定于特定 用户（例如，建模专家）。还可以建立能量负荷模型来预测操作时间范围 上的负荷曲线。该负荷模型可以包括，例如，冷却水需求、蒸汽需求、电 力需求等。基于所有这些模型和目标，然后可以解决能量系统10的优化 问题以确定服从参数约束集的能量系统10的操作条件的优化曲线。

鉴于典型的商业和工业能量系统10的复杂性，本文所描述的混合技 术提供了独特的优势。混合技术利用已知的基本关系（例如，已知的动力 学模型等），对于由于缺乏基本理解而不能精确建模的现象，所述基本关 系可以使用经验建模技术从基本过程建模中或多或少地获取。因为工业规 模的能量设备通常被独特地设计和开发以用于密集型操作，所以利用专门 设计的经验建模技术对已发布的或可用的基本建模进行显著的校准或调 整，将提供更精确的能量模型。进而，更精确的能量模型能够获得更高性 能的基于模型的优化和控制方案。因此，理想的建模方案结合最佳的可用 基本模型和经验模型，这些模型被调整或校准以最佳地匹配在能量系统 10的不同操作阶段上所收集到的能量设备测量/性能数据。取决于参数混 合模型的精确性，可以识别和利用线性（例如，单值）参数或非线性（例 如，随着测量的能量而不同的动力学参数）变量。

图3是用于对能量系统10和/或更具体地能量系统10的各个组件模 块50、52、54、56进行建模的示例性的参数混合模型58的框图。如图所 示，可以由参数混合模型58接收来自能量系统10的能量变量输入u_k， 能量变量输入u_k可以包括例如上述能量回路40、42、44、46以及48的 变量。经验模型60可以使用能量变量输入u_k来生成经验模型输出w_k。 经验模型输出w_k可以是能量变量输入u_k和经验模型参数ρ的函数。经验 模型输出w_k和能量变量输入u_k二者可以引入到参数混合模型58的参数 模型62。来自参数模型62的基本模型参数θ_k可以是能量变量输入u_k和 经验模型输出w_k的函数。应该注意的是，基本模型参数θ_k的长度和参数 向量的值二者可以随着能量变量输入u_k和经验模型输出w_k的函数而变 化。在一些实施方式中，基本模型参数θ_k可以包括经验模型输出w_k，或 在其最简单的形式中可以简单地与经验模型输出w_k相同。基本模型参数 θ_k可以引入到可能是稳态模型或动态模型的参数化第一原理模型64。此 外，参数化第一原理模型64可以从能量系统10接收能量变量输入u_k。 参数化第一原理模型64对已测量的或未测量的能量状态变量x_k和能量变 量输出y_k进行建模。能量状态变量x_k可以是能量变量输入u_k、之前的能 量状态变量x_k以及基本模型参数θ_k的函数。能量变量输出y_k可以是能量 变量输入u_k、当前能量状态变量x_k以及基本模型参数θ_k的函数。能量变 量输出y_k可以从参数混合模型58引出作为输出。因此，定义参数混合模 型58的一般方程包括：

w_k=f₁(u_k，ρ)；

θ_k=f₂(u_k，w_k)；

x_k=F_k(u_k，x_k-1，θ_k)；以及

y_k=G_k(u_k，x_k，θ_k)。

其中，u_k是k时刻的能量变量输入的向量，ρ是经验模型参数的向量， w_k是k时刻的经验模型输出的向量，θ_k是k时刻的基本模型参数的向量， x_k是k时刻的已测量的或未测量的能量状态变量的向量，以及y_k是k时 刻的能量变量输出的向量。

参数混合模型58对于实时优化和控制计算是非常有效的。这种计算 效率对基于模型的优化和控制策略的成功实施是至关重要的，所述策略对 能量系统10的性能进行优化。动态优化方法用于计算能量系统10的操作 期间的优化动态轨迹以将能量系统10作为整体来优化。具体地，可以针 对能量系统10的组件模块50、52、54以及56中的各个组件来计算轨迹， 以及可以基于与在上面列出的与各种能量回路40、42、44、46以及48相 关联的输入和输出变量密切相关但又不相同的参数将轨迹随时间优化到 目标。更具体地，如图3所示，由参数模型62生成的基本模型参数θ_k可 以是不直接类似于能量变量输入u_k或能量变量输出y_k的一组参数。相反， 在能量系统10的操作期间的能量系统10的一些派生测量（例如，参数） 可以用于生成与能量系统10的性能变量强烈相关的轨迹，即使在不直接 测量能量系统10的性能变量的情况下。

例如，在能量系统10的操作期间可以不测量锅炉的效率，锅炉的效 率可以用作与锅炉组件模块50的能量变量输入和输出u_k、y_k相关但是不 相同的参数。因此，可以在能量系统10（更具体地，锅炉组件模块50的 组件）的操作期间，利用参数混合模型58计算该参数，该参数可以用于 计算至锅炉的输入（锅炉的燃烧率）的优化轨迹。这允许在能量系统10 的操作期间进行更好的实时控制，以使得能量系统10的中间性能能够更 接近目标并且被保持。在一些实施方式中，可以通过如下求解来确定优化 轨迹函数：

$\min \left(u_k\right)\Gamma ({\hat{y}}_k,{{\hat{y}}_k}^{\mathrm{Trajectory}}),$服从于：

w_k=f(u_k，ρ)；

θ_k=f(u_k，w_k)；

x_k=F_k(u_k，x_k-1，θ_k)；

y_k=G_k(u_k,x_k,θ_k);以及

L＜u_k＜H。

其中，Г()是通过能量变量输出定义的目标函数，是能量变量输出 并且是期望的能量变量轨迹的显式或隐式表示。此 外，约束（例如，上述的L和H）可以是轨迹函数。通过调整决策变量 u_k（例如，能量变量输入）来实现上述目标函数的最小化。注意，上面的 优化问题仅仅是示例性的，而不是意在限制。例如，可以定义目标函数Г() 以包括决策变量u_k的惩罚（penalties）。

可以使用各种方法来实现上述的动态优化。包括在参数混合模型58 中的细节的程度可能根据实时处理的复杂程度而不同。换言之，参数混合 建模允许在模型精确度和计算复杂度之间折中的系统化方式，因此，提供 灵活性以处理不同程度的复杂性的能量系统10。更具体地，任何给定的 参量混合模型58的复杂度是被建模的系统的复杂度和使实时计算容易处 理所需的参量混合模型58的简易度二者的函数。因此，参数混合模型框 架提供了最优地权衡模型精确度和计算效率的系统框架。在定义参数混合 模型58中，在一些实施方式中，可以使用简化模型（例如，在参数化第 一原理模型64中）。这些简化模型可以是线性的或非线性的，动态的或稳 态的等。参数混合模型框架保持能量系统10的实时操作条件最新，并允 许对不是能量系统10的直接输入和输出的模型参数进行在线修改，因此 决策引擎（即，优化和控制）总是具有决策所基于的有效模型。

参数混合模型58对能量系统10的过程的稳态行为和非稳态行为二者 建模，不管该行为相对于关键变量（在能量系统10的操作期间的增益和/ 或动态变化）是线性还是非线性。针对能量系统10的优化和/或控制的优 化问题公式具有：（1）能量系统10的组件的参数混合模型58，（2）这些 组件如何连接在一起以定义能量系统10的参数混合模型58，（3）关于性 能目标是什么的参数混合描述以及（4）关于约束是什么的参数混合描述。 应该注意的是，参数混合模型/描述可在简单的情况下退化为常数。指示 能量系统10（或能量系统10的各个组件）的性能的一些变量（例如，本 文所描述的参数）可以不被测量或者可以被简单地测量。参数混合模型 58同样用于对这些变量（例如，本文所描述的参数）进行建模。然后， 优化器可以做出决策，到能量系统10的哪些输入应该是给定的系统模型/ 目标/约束。因此，参数混合模型框架允许所有模型保持最新，同时尽可 能快地解决优化问题（即，做决策）。实现这两个目标使得优化能量管理 系统能够在能量系统10的操作期间基本上实时地基于能量系统10实际发 生了什么来不断做出最好的决策。

如上参照图2所述的，每个组件模块50、52、54以及56可以与有助 于组件模块50、52、54以及56操作的能量回路40、42、44、46以及48 相关联。此外，每个组件模块50、52、54以及56可以包括实际能量相关 设备组件。此外，可以通过以上参照图3所述的参数混合模型58对每个 组件模块50、52、54以及56进行建模。例如，图4是图2中的示例性蒸 发冷却器模块54的框图。如图所示，蒸发冷却器模块54可以包括冷凝器 66、压缩机68、蒸发器70和阀72。因此，蒸发冷却器模块54可以与冷 凝器回路44（例如，冷凝器66）、电回路42（例如，压缩机68）以及蒸 发器回路46（例如，蒸发器70）相关联。

因此，冷凝器回路44、电回路42以及蒸发器回路46的变量与蒸发 冷却器模块54相关联。更具体地，变量ts^C、tf^C、f^C、kw、ts^E、tf^E和f^E包括针对蒸发冷却器模块54的输入和输出能量变量u_k、y_k。然而，可以 建立参数混合模型58，其结合了：冷凝器66、压缩机68、蒸发器70和 阀72（例如，在参数模型62中）的基本模型；涉及冷凝器66、压缩机 68、蒸发器70和阀72（例如，在参数模型62中）的经验数据；以及用 于蒸发冷却器模块54的参数化第一原理模型64。据此，蒸发冷却器模块 54的参数混合模型58将对蒸发冷却器模块54的关键参数θ_k进行建模。 这些关键参数θ_k不同于针对蒸发冷却器模块54的输入和输出能量变量 u_k、y_k。然而，它们与蒸发冷却器模块54的性能标准有关。例如，蒸发 冷却器模块54的关键参数可以包括熵产生和热阻。这些参数与针对蒸发 冷却器模块54的输入和输出能量变量u_k、y_k（例如，ts^C、tf^C、f^C、kw、 ts^E、tf^E和f^E）良好地相关，但不相等。

作为另一示例，图5是图2中的示例性锅炉模块50的框图。如图所 示，锅炉模块50可以包括炉74、节能器76和蒸汽鼓78。因此，锅炉模 块50可以与燃料回路40（例如，炉74和节能器76）和蒸汽回路48（例 如，蒸汽鼓78）相关联。因此，燃料回路40和蒸汽回路48的变量与锅 炉模块50相关联。更具体地，变量t^G、p^G、f^G、r、t^S、p^S和f^S包括针对 锅炉模块50的输入和输出能量变量u_k、y_k。然而，可以建立参数混合模 型58，其结合了：用于炉74、节能器76和蒸汽鼓78（例如，在参数模 型62中）的基本模型；涉及炉74、节能器76和蒸汽鼓78（例如，在经 验模型60中）的经验数据；以及用于锅炉模块50的参数化第一原理模型 64。据此，锅炉模块50的参数混合模型58可以生成针对锅炉模块50的 关键参数θ_k的模型。这些关键参数θ_k不同于针对锅炉模块50的输入和输 出能量变量u_k、y_k。然而，它们与锅炉模块50的性能标准有关。例如， 锅炉模块50的关键参数可以包括炉的效率。该参数与针对锅炉模块50 的输入和输出能量变量u_k、y_k（例如，t^G、p^G、f^G、r、t^S、p^S和f^S）良好 地相关，但不相等。

因此，可以针对能量系统10的各种组件模块50、52、54以及56来 建立参数混合模型58。组件模块50、52、54以及56的组件可以包括发 电单元，例如燃气涡轮机、风力涡轮机、太阳能电池板等。如上所述，电 网18也可以被认为是电力生成源，并且可以使用参数混合模型58来建模。 可以被建模的组件模块50、52、54以及56的其他组件包括冷却器（例如， 如图4所示的）、锅炉（例如，如图5所示的）、冷却塔、泵、风扇、马达、 热存储单元等。此外，可以针对负荷，如蒸汽负荷、冷却水负荷、电负荷 等来开发参数混合模型58。此外，可以针对各种电力生成源和电力消耗 组件来开发其他参数混合模型58。此外，不仅可以针对如图2中所示的 组件模块50、52、54以及56来开发参数混合模型58，而且可以开发针 对组件之间的互连（例如，能量回路40、42、44、46以及48）的参数混 合模型58。

参数混合模型58可以获取能量系统10的操作的性能和经济性、，能 量系统10的操作约束、，关于能量系统10的操作的现有知识以及能量系 统10的操作目的。可以经由系统优化问题，使用适当的解算器（例如， 搜索最佳方案的算法）来确定能量系统10的优选操作条件。然而，在其 他实施方式中，可以使用启发式搜索、基于规则的推理、模糊逻辑等来确 定能量系统10的优选操作条件。公开的实施方式的另一方面是能够修改 参数混合模型58的参数，该参数混合模型58基于关于能量系统10的新 操作条件的更新数据来定义能量系统10。

下面描述应用参数混合模型58的系统和方法的各种实施方式。在这 种方法中，定义能量系统10的参数混合模型58可以作为集成式模型被合 并到基于参数混合模型的系统管理器/控制器中。该系统可以基于集成式 参数混合模型58和最近的历史数据来计划或预测能量系统10中将发生什 么（最近的历史数据包括例如最近的操作条件和/或状态值），并且可以根 据很多资源（包括其他参数混合模型58）获得的对天气/负荷的预测等。 可以基于接收到的能量系统10的最近信息、指定目标和/或约束来更新或 偏置该计划或预测。可以使用优化算法来估计关于模型输入的当前和未来 的最佳控制调整，以实现能量系统10的期望响应。设定目标，可以将集 成的参数混合模型输出与该输出行为方式进行比较，以维持集成式参数混 合模型58的期望精确度。

如上所述，可以针对系统的任何组件模块（例如，上述的能量系统 10的组件模块50、52、54以及56）来开发参数混合模型58。此外，参 数混合模型58可以链接在一起以形成以工厂范围或企业范围的方式彼此 交互的参数混合模型58的网络。因此，各个参数混合模型58不仅对系统 10的各个组件模块的复杂操作进行建模，而且对各个参数混合模型58与 具有复杂数据流的网络之间的交互以及参数混合模型58之间的约束进行 建模。

可以使用图形建模工具来定义参数混合模型58之间的关系和数据 流。更具体地，图形建模工具可以被配置为表示系统的组件之间的关系（例 如，组件之间的空间关系，组件之间的流体流，组件之间的产品流，组件 之间的功率流等），其中使用参数混合模型58对由图形建模工具表示的组 件进行建模。例如，图6是图形建模工具82的图形用户接口80的示例， 其示出了布置为网络84的、与系统10的组件有关的多个参数混合模型 58。具体地，在所示的示例中，系统10包括：电网组件模块86（即，P.0）， 其用作为四个冷却器组件模块88（即，EC.0、EC.1、EC.2、EC.3）的 动力源；以及冷却水组件模块90（即，CW.0），其用作为四个冷却器组 件模块88的汇。每个组件模块86、88、90被建模为上述的参数混合模型 58，并且被图形表示为节点92，该节点92可以经由连接94连接到其他 节点92（即，其他组件模块86、88以及90），连接94也被建模为参数混 合模型。

将与组件模块86、88、90和组件模块86、88、90的连接94有关的 每个节点92定义为，使得图6中的示例性网络84明确定义适定 （well-posed）优化问题。如此，用优化问题中的决策变量和参数来表征 每个节点92和连接94。因此，在优化问题的图形表示中，节点92获取 决策变量影响目标函数的方式。这将优化问题的图形表示（例示在网络 84中）与通常用于模拟过程的图形表示区别开，由于在模拟场景中节点 之间的连接反映了一个节点的输出作为另一节点的输入的影响。流入网络 84中的节点92（如对过程进行模拟所需要的一个）并从该节点流出的这 些更常见的输入和输出完全从决策变量中抽取。因此，每个连接94包括 直接翻译为由图形语言构造和维护的优化问题。这使得参数混合模型58 以及参数混合模型58之间的连接94能够被建模专家开发，而且使得图6 中示出的图形组件可以对有权使用图形建模工具82并且有权查看和/或修 改与图形组件有关的参数混合模型58的任何系统10的用户可见。

图7是实现用于控制并且优化图1的系统10的控制/优化系统96的 企业集成式参数混合模型的框图。正如下面所详细描述的，控制/优化系 统96包括图形建模工具82，其使得图6中所示的图形用户接口80能够 被显示给控制/优化系统96的用户。更具体地，访问控制/优化系统96的 用户可以在任意兼容的电子设备上显示图形用户接口80，以便与表示系 统10的组件的参数混合模型58交互。正如图7中所示，控制/优化系统 96直接连接到系统10上。更具体地，在一些实施方式中，控制/优化系统 96可以包括连接到系统10的各个组件102（即，物理设备）上的多个传 感器98和致动器100。一般来说，传感器98被配置为接收与系统10的 组件102的操作信息有关的信号，以及致动器100被配置为接收由控制/ 优化系统96传送的用于控制组件102的操作（即，阀设定、泵和压缩机 的速度，等）的信号。

因此，控制/优化系统96是用于控制系统10的操作的计算机系统。 控制/优化系统96可以包括根据此处所描述的各种实施方式运行软件程序 104的任意多种类型的计算机系统或者计算机系统的网络。软件程序104 可以执行系统10的建模、预测、优化、和/或控制的各方面。控制/优化系 统96还可以提供使用优化解算器做出优化决策并且实施这些决策（例如， 控制系统10）的环境。特别地，控制/优化系统96可以实现系统10的参 数混合模型控制。更具体地，与系统10的组件102有关的参数混合模型 58可以被用来实现系统10的参数混合模型控制。

另外，控制/优化系统96被配置为产生图6中所描绘的图形用户接口 80并且将该图形用户接口80传送给控制/优化系统96的远程用户106。 更具体地，控制/优化系统96被配置为通过通信网络108将图形用户接口 80传送给可远离系统10布置的电子设备110。例如，在一些实施方式中， 通信网络108可以包括局域网络（LAN）。然而，通信网络108也可以包 括因特网，其中控制/优化系统96起服务器的作用以便产生图形用户接口 80并且将该图形用户接口80传送给位于任何地方的电子设备110。电子 设备110可以是台式计算机、膝上型计算机、智能电话、或者能够在电子 设备110的显示器112上显示图形用户接口80并且能够通过电子设备110 的接口114接收来自电子设备110的用户106的输入的任何其他电子设 备。控制/优化系统96被设计成，在参数混合模型58进行适当的完整性 检查之后将来自本地或远程用户106的可能的异步输入总是纳入到在线 模型中。当参数混合模型58被定义时，这些完整性检查被嵌入到参数混 合模型58中。

控制/优化系统96包括存储有软件程序104、与参数混合模型58有关 的数据、系统10的操作数据（实时和历史操作数据两者）等的非暂态存 储介质116。术语“存储介质”旨在包括各种类型的存储器或储存器，包括 安装介质（例如，CD-ROM、或者软盘）、计算机系统存储器或如DRAM、 SRAM、EDO RAM、Rambus RAM等随机存取存储器，或者如磁介质（例 如，硬盘驱动器）或者光存储器等非易失性存储器。存储介质116也可以 包括其他类型的存储器，或者其组合。执行来自存储介质116的代码和数 据的处理器118包括用于根据此处所描述的方法创建并执行软件程序104 的装置。控制/优化系统96可以采取各种形式，包括个人计算机系统、大 型计算机系统、工作站、网络设备、因特网设备、或者其他设备。一般的， 术语“计算机系统”能被广义地定义为包括具有执行来自存储介质116（或 存储媒介）的指令的处理器118（或多个处理器）的任何设备。

控制/优化系统96的用户106可以具有不同的安全访问等级，安全访 问等级可以在用户106向电子设备110输入登录信息时被确定，或者可以 使用其他方法确定，如将访问权限存储在电子设备110上，等。例如，如 图7中所示，控制/优化系统96的用户106可以包括经理级用户120和工 程师级用户122（例如，工厂工程师或操作者）。正如下面更加详细描述 的，经理级用户120仅可以访问对工程师级用户122可用的特征子集（例 如，命令输入）。例如，经理级用户120可以被允许修改表示系统10的组 件102的参数混合模型58的优化约束，同时，工程师级用户122可以被 允许修改参数混合模型58的优化约束以及可以修改底层参数混合模型 58。因此，能够在图形用户接口80中被传送给用户106的命令输入将根 据特定用户106的安全访问等级来变化。

在一些实施方式中，当用户106提交命令输入（例如，点击节点92 或连接94以便与节点92或连接94交互）时，向控制/优化系统96的其 他用户106基本上实时地通知命令输入（例如，在系统10的操作期间）。 换言之，命令输入将从用户106正在使用的电子设备110传送给控制/优 化系统96，并且被处理的命令输入的结果将被推送（即，广播）给其他 用户106正在使用的其他电子设备110。因此，与参数混合模型58发生 的交互对于控制/优化系统96的所有用户106是透明的。用户106也可以 在沙盒（sand-box）模式中与控制/优化系统96交互，在所述沙盒模式中 所有的变化被理解为对特定用户106是局部变化并且对在线应用没有影 响。这个沙盒模式允许每个用户106例如在不妨碍在线应用的情况下使用 系统10的最新状态来执行假设分析。虽然模拟的假设情况可能被局部地 记录（例如，在电子设备110上），但是，在一些实施方式中，对于控制/ 优化系统96的任何变化事项可能经历授权过程。例如，工程师级用户122 可能要在假设情况被执行之前批准该假设情况。

此外，每个模型被配置为能向多个电子设备110供应多个请求的服务 器服务。这使得所有用户106能够在系统10的操作期间调查参数混合模 型58的功能。更具体地，当模型被配置并运行时，每个节点92（例如， 与系统10的组件102有关的组件模块）能够通过图形用户接口80给用户 106提供信息。因此，用户106能够在系统10的操作期间查看与模型的 精确性有关的数据。另外，相同配置的模型能够提供其他服务，如在由控 制/优化系统96使用的同时被用于计算关键性能指标。

如上所述，模型验证照惯例被视为离线行为。然而，本文所描述的实 施方式嵌入用于数据过滤的逻辑、用于参数识别（例如，作为闭合形式方 案）和优化的算法以作为被配置的参数混合模型58的特性，并且创建模 型质量测量以作为参数混合模型58的参数。再者，更具体地，图形建模 工具82起着服务器服务的作用，以便在计算模型质量测量时，使被配置 的在线模型（即，参数混合模型58的网络84）避免出现性能退化。在一 些实施方式中，模型质量被映射到模型参数，以使得模型质量信息对控制 /优化系统96的用户106是可用的。例如，使用参数混合模型58，模型误 差可以很容易地与模型参数相关（例如，通过定义参数的可接受范围）， 用户106可以响应于模型质量恶化来采取具体行动。

透明参数混合模型58的配置策略实现了被配置的模型的分布式异步 验证以及修改。由于模型的组件在整个工厂和/或企业范围内分布，所以 这是特别有优势的。另外，透明性是双向的。换言之，虽然模型质量对控 制/优化系统96的任何授权用户106是可访问的，但授权用户106的任意 修改对所有授权用户106是透明的。此外，模型的参数化特征实现了模型 质量的图形表示（例如，模型参数的边界，其中，参数的当前值落在边界 内，等）。

因为透明参数混合模型58由可能的分布式组件102组成，该组件102 具有与其对应的利益相关者和所有者，因此被配置的模型的完整性通过有 效的所有权建模来确保。例如，模型所有权（例如，特定参数混合模型 58的所有权等）是被配置的模型的固有属性。特定参数混合模型58的所 有权属性被用作是可以对参数混合模型58的访问和修改进行授权和实施 的密钥。换言之，如果用户106不是特定参数混合模型58的所有者，或 者没有足够的访问权利访问参数混合模型58，那么，用户106可能会被 阻止与参数混合模型58进行交互。换言之，通过电子设备110呈现给用 户106的图形用户接口80仅呈现给用户其可以访问的动作（即，命令输 入）。所有权属性施加到工厂和/或企业的模型网络84的节点92和连接94 两者上，因此，所有权属性被用于参数混合模型58的任意图形操作（例 如，向模型网络84添加参数混合模型58和从模型网络84删除参数混合 模型58）的验证。

另外，由某些用户106执行的参数混合模型58的某些图形操作（即， 命令输入）可能在实施之前要由其他用户106批准。例如，在一些实施方 式中，由经理级用户120执行的命令输入可能在被实施之前要由工程师级 用户122批准。由于由控制/优化系统96的任意用户106执行的命令输入 基本上实时地被推送到连接至控制/优化系统96的其他设备110的图形用 户接口80，所以这个批准机制由图形建模工具82的透明特性来实现。

例如，现在回到图6，图形建模工具82的用户106仅需要通过图形 用户接口80与图形信息交互。例如，如果用户106希望添加或修改系统 10的约束，则用户106仅需要点击节点92或连接94，这将带出使用户能 够添加约束信息的对话框。另外，图形建模工具82的用户106可以在图 形用户接口80上添加和/或删除组件模块。换言之，通过图形用户接口80 表示在任意给定网络84中的组件模块不需要表示被建模和优化的实际系 统10的所有物理组件102。替代地，用户106可能仅关注（或访问）系 统10的物理组件102的某些集合。因此，用户106可以个性化图形用户 接口80以便包括用户106所关注的组件模块。

例如，图8是图形建模工具82的图形用户接口80的示例（即，图形 表示），其示出了可被用户106添加到图形用户接口80的组件模块库124。 例如，用户106可以将库124中列出的任意组件模块拖放到图形用户接口 80中。在一些实施方式中，图形建模工具82将自动创建和/或移除组件模 块（即，节点92）之间的适当的连接94，所述组件模块通过用户106看 到的图形用户接口80由用户106来添加和/或删除。另外，应该理解，由 用户106创建的个性化图形用户接口80的设置根据需要可以被保存并重 新打开。

因此，系统10的任何特定图形表示可以根据图形表示包含的背景来 向用户传递不同的信息。例如，如果图形建模工具82的模型标记126被 用户106选择，并且在四个冷却器组件模块88（即，EC.0、EC.1、EC.2 和EC.3）中的一个冷却器组件模块88和冷却水组件模块90之间的连接 94被点击，那么可能会启动例如显示离开冷却器组件模块88的冷却水的 流速、温度和压力的对话框。然而，如果图形建模工具82的网络标记128 被用户选择（假设用户有权使用网络标记128），并且在冷却器组件模块 88和冷却水组件模块90之间的连接94被点击，那么可能会启动例如显 示由冷却器组件快88生产的冷却水吨数的对话框。

换言之，当网络标记128被选择（即，当在网络模式下）时，用户 106可以获取表示组件模块的参数混合模型58的决策变量或约束（例如， 参数）。然而，当网络标记128被选择（即，当在网络模式下）时，描述 特定装置的实际物理输入和输出没有被显示。而当模型标记126被选择 （即，当在建模或操作模式下）时，仅描述特定装置的实际物理输入和输 出被显示给用户。因此，在一些实施方式中，只有具有表示组件模块的参 数混合模型58的深厚学识的用户106（例如，工程师级用户122）可以访 问模型标记126。因此，只有这些用户106能够与特定装置的实际物理输 入输出交互。相反地，访问网络标记128的系统10的任意用户106能够 与系统10的约束的决策变量交互以便达到执行系统10的优化和控制的目 的。

在网络84中的每个节点92能够表示系统10的优化和控制的目标函 数。如果通过图形用户接口80以图形的方式处理多个操作目标，那么这 是特别有益的。各种目标可能能够通过图形用户接口80交互，如此，用 户106可以图形的方式修改系统10的优化问题。例如，在一些实施方式 中，图形建模工具82可以给用户106呈现值域，在该值域内特定参数混 合模型58的优化约束可以被修改。换言之，不需要工程师级用户122的 批准，图形用户接口80可以允许经理级用户120在系统10的控制的可行 值的有界范围内修改优化约束。

由用户106提交的任何及所有命令输入可以重新定义系统10的优化 目标。例如，通过由用户106经由图形用户接口80提交的命令输入，接 收电能并且生产冷却水的冷却器网络（例如图6和图8所示的网络84） 可以被优化成，以最小的能量使用来生成冷却水负荷或者在给定最大可利 用电能的情况下使冷却水产量最大化。例如，当优化标记130被选择时， 用户106可以与网络84的优化约束进行交互。

例如，图9是图形建模工具82的图形用户接口80（图形表示）的示 例，其示出了当由用户106选择优化标记130时的优化视图132。更具体 地，在优化标记130被选择时，图9示出了用户106何时点击冷却水组件 模块90。如此，在图9中描述的优化视图132示出了冷却水组件模块90 的计划的冷却水需求的时间序列134。此外，冷却水组件模块90的优化 视图132包括连接到冷却水组件模块90的四个冷却器组件模块88中的每 一个冷却器组件模块的时间表136。更具体地，时间表描述了何时冷却器 组件模块88中的每一个冷却器组件模块被调度以有效实现冷却水组件模 块90的计划的冷却水需求。

假定用户106被授权与冷却水组件模块90进行交互，用户106可以 经由图形用户接口80的优化视图132修改冷却水组件模块90的优化约 束。例如，图10是图形建模工具82的图形用户接口80（即，图形表示） 的示例，其示出了当用户106提交了命令输入（即，修改了优化约束）并 且系统10的优化方案被更新时的优化视图132。更具体地，在图10中描 述的示例中，用户106修改冷却水组件模块90的计划冷却水需求的时间 序列134并且四个冷却器组件模块88的时间表136被更新。特别是，控 制/优化系统96的模型更新了系统10的优化问题，以确定冷却器组件模 块EC.0在16:00与18:00之间应当关闭并且冷却器组件模块EC.2在16:00 与18:00之间应当打开。如图10所示，将执行修改的成本呈现给用户106 （例如，在图形用户接口80的底部）。在一些实施方式中，可以将引入优 化约束的成本报告给所有的用户106并且以适当的格式记录（例如，在例 如控制/优化系统96之内驻留的数据库中）。可以针对由图形用户接口80 所显示的网络84的组件模块（即参数混合模型58）中的任何组件模块来 进行这种类型的优化约束的修改。由于在控制/优化系统96中的全局优化 策略，如图10所示与由用户106新定义的约束有关的成本被计算并且立 即显示给用户。以图形方式改变负荷曲线（例如，时间序列134）并且根 据各种负荷曲线立即看到成本/节约的能力是通过本文所提出的用于优化 的图形语言来实现的独特能力。

组件模块是参数混合模型58，因此一般不是线性模型（虽然线性模 型是参数混合模型的退化形式）。因此包括参数混合模型58的网络84同 样不会是线性优化问题。因此，当用户106改变参数混合模型58的优化 约束时，确定适定修改优化问题有些复杂。对图形优化语言而言用于确定 修改优化问题的优选方法是针对网络模型84中的每个参数混合模型58 的轨迹使用数据驱动的凸逼近。根据定义，在下述条件下函数f是凸的：

f(λx+(1-λ)y)≤λf(x)+(1-λ)f(y),

$\forall x,y\in D_f,\forall \lambda \in \left[\mathrm{0,1}\right].$

此外，如果f和g是凸函数,那么:

αf+βg,

$\forall \alpha ,\beta \ge 0.$

因此，表示网络模型84的总体模型是凸的。凸函数的任何局部最小 也是全局最小。非凸优化问题受益于紧的凸的低估计量（underestimator）。 假定f是二次可微函数，那么当且仅当：

▽²f(x)＞0,

$\forall x\in D_f$

，f是凸的。

在在优化问题（例如，在图8中示出的网络模型84）的图形表示中， 每个节点92公开用于优化问题的决策变量。每个连接94确定在两个节点 92中的决策变量如何相关（例如，约束）。因此，图形显示可直接翻译为 优化问题陈述。网络拓扑以及经由与网络84的图形交互对网络拓扑的任 何修改（例如，增加节点92，去除连接94），可以通过线性矩阵操作来获 取。因此，如果网络84中的每个组件均与凸函数逼近，则优化问题的图 形表示将会翻译为适定的优化问题。在本文所公开的图形语言中的凸化的 优选方法是沿着预测的操作轨迹对网络组件使用自动数据驱动凸逼近。参 数混合模型范式使得该凸逼近具有预期的精确度。因此，可以使用凸逼近 来解决系统10的模型的优化问题，在所述凸逼近中可以在将迭代限定在 可行区域的情况下，进行可行区域的连续凸化。例如，图11是彼此相关 的两个变量140、142的非线性和非凸函数138的示例。如示出的，为两 个凸逼近144、146提供具有不同的精确度的下凸逼近（convex  underapproximator）。

此外，在一些实施方式中，优化问题138的方案不是以确定性的方式 来确定。换言之，没有独立于开始确定的点来确定优化方案。代之，可以 在考虑到先前优化方案的情形下来确定优化方案。例如，返回到相对于图 10所描述的优化约束修改的示例，在16:00与18:00之间的优化方案的更 新在下述假设下开始：该时间段期间运行的冷却器组件模块EC.0、冷却 器组件模块EC.1以及冷却器组件模块EC.3是优化方案。如此，修改的 优化方案仅改变调度时间136使得在该时间段期间运行冷却器组件模块 EC.2而不是冷却器组件模块EC.0。换言之，模型尽可能到达与先前的优 化方案最接近的优化方案（即，以非确定性的方式）。

作为示例，可以通过如下函数来定义调度问题公式：

$\min \underset{i\in M}{\Sigma }{\beta }_i{f}_i+\underset{i\in M}{\Sigma }{\sigma }_i{g}_i+\underset{j\in N}{\Sigma }{\kappa }_j{r}_j,$使得

f+Ηp-g＝0

Ζp≥δ

${\mu }_i{y}_i\le p_i\le {\xi }_i{y}_i,\forall i\in M$

$y_i\in \left\{\mathrm{0,1}\right\},\forall i\in M.$

其中，M是单元操作集合，N是输入集合，β、σ和κ分别是与产品 进口、产品销售和资源购买相关的成本，r是给定的资源输入,p是由具 体单元操作生成的产品，A和B将单元操作模型Г限制到产品和输入的 子集，是给定模型的拟合参数集,μ和ξ是单元操作边界,H、f和g允 许产品进口和出口，Ζ和δ设定所需要的需求条件以及y是用于单元状 态的二进制变量。线性网络模型约束H和Z可以由用户106来定义（例 如，通过经由图形用户接口80点击参数混合模型58）。此外，离散（或 二进制）决策变量y_i也可以由用户106来定义。此外，约束参数δ,f,g,　,σ 和κ也可以由用户106来定义。

图12是用于上述优化方案公式的方案图148的示例。方案图148可 以称为有向树D=(V,E),其中V是单元操作模型、产品和资源的集合V=(Г, p,r,f,g)，并且E是连接的集合E=(H,Z)。总的来说，单元操作模型的 集合V类似于参数混合模型58（即，模型网络84的节点92）并且E类 似于模型网络84的连接94。图12清楚地表明对于非线性单元操作模型Г， 优化问题的适定性不是微不足道的并且对方案图的图形操纵是不容易管 理的。渲染这种可用图管理的方案图的优选方式是连续的数据驱动凸化。

图13是利用图形用户接口80来与本文所描述的参数混合模型58进 行交互的方法150的示例。在步骤152处，用户106的访问级别可以在用 户106将登录信息输入远程电子设备110中时进行确定或者可以使用其他 的方法（例如在电子设备110上存储访问权限等）进行确定。例如，如上 所述，当用户106登录进电子设备110时，图形建模工具82可以确定用 户106为管理员级别的用户120或者工程师级别用户122。然而，还可以 使用使得授权和功能的级别更精细化的其他访问等级。

在步骤154处，可以从控制/优化系统96的图形建模工具82获取图 形用户接口80以传送至电子设备110。图形用户接口80实现与模型网络 84的参数混合模型58相关（即，其与工厂和/或企业的实际物理组件相关） 并且对应于用户106的访问级别的多个命令输入。例如，假定用户106 对特定的参数混合模型58具有适当的访问权限，经由图形用户接口80 可以实现用于修改参数混合模型58的优化约束（例如，预测的负荷曲线） 的命令输入。此外，再次假定用户106对特定的参数混合模型58具有适 当的访问权限，经由图形用户接口80可以实现用于修改参数混合模型58 的工作方式（例如，参数混合模型58的输入、输出、参数等）的命令输 入。

此外，如上更加详细的描述，图形用户接口80使得表示为模型网络 84的节点92的多个参数混合模型58和表示为模型网络84的节点92之 间的连接94的多个参数混合模型58的多个输入和输出能够显示。图形用 户接口80使得用户106能够从模型网络84上添加或者删除节点92和连 接94以创建用户106被授权进行交互的参数混合模型58的个性化显示。

在步骤156处，通过控制/优化系统96的图形建模工具82对来自图 形用户接口80的命令输入进行接收。如上所述，在一些实施方式中，可 以经由其他电子设备110将命令输入发送（广播）给控制/优化系统96的 其他用户106。然后，在步骤158处，根据提交命令输入的用户106的访 问级别，由图形建模工具82对该命令输入进行处理。例如，在一些实施 方式中，参数混合模型58中的一个或更多个参数混合模型58的模型质量 可以在系统10的操作期间进行确定。如上所述，在系统10的操作期间询 问模型质量的能力归因于图形建模工具82的透明性。此外，在一些实施 方式中，可以在系统10的操作期间通过控制/优化系统96自动地重新调 整模型网络84的优化问题，前提是用户106被授权进行这种请求并且该 请求可行。然而，在一些实施方式中，命令输入在通过控制/优化系统96 执行前，可能要经由工程师级别的用户122来批准，并且满足边界约束（例 如，仅在特定范围内的改变可以被允许）。

无论如何，命令输入在系统10的操作期间可以经由控制/优化系统96 全部用于修改对系统10的控制。例如，使用以上关于图10所述的示例， 如果用户修改参数混合模型58中的一个参数混合模型的优化约束并且控 制/优化系统96（即，经由图形建模工具82）发现该修改是可行的，那么 产生的优化方案可以由控制/优化系统96自动实现。例如，系统10的组 件102的致动器100可以根据修改的优化方案来致动。再者，使用关于图 10所述的示例，控制/优化系统96可以自动地控制系统10来在16:00与 18:00之间关闭冷却器组件模块EC.0并且在16:00与18:00之间开启冷却 器组件模块EC.2。

现在返回图8，在一些实施方式中，模型网络84的节点92可以经由 图形用户接口80来选择，并且在选择后由图形用户接口80所描述的模型 网络84的图形表示可以基于该选择进行重新组织（例如重新设置）。例如， 图14是图形建模工具82的图形用户接口80（即图形表示）的示例，其 示出了在图形用户接口80的网络模型窗格160中示出的特定模型网络84。 在图14中示出的示例中，模型网络84包括总共17个节点92。更加具体 地，如图形用户接口80的模型窗格162所示，模型网络84包括：“燃料 气体”节点164、“校园电力”节点166、与“西部工厂”相关的7个节点92 （即“电力冷却器0”节点168、“电力冷却器1”节点170、“电力冷却器2” 节点172、“涡轮式冷却器0”节点174、“CW.WEST”（冷却水）节点176、 “低压蒸汽”节点178以及“吸收式冷却器0”节点180）以及与“发电厂”相 关的8个节点92（即“高压蒸汽”节点182、“锅炉1”节点184、“涡轮发电” 节点186、“发电”节点188、“冷凝水”节点190、“高静水压（HHP）蒸汽” 节点192、“减压阀（PRV）342”节点194以及“锅炉2”节点196）。

模型网络84的节点92中的任何一个节点可以由用户选择，以便以图 形的方式重新布置模型网络84的节点92和连接94的图形定位中的位置 和方向和/或改变模型网络84的节点92的相关优化顺序。例如，图14示 出了针对模型网络84的电力使用进行优化的所描述的模型网络。如示， 在模型网络84的图形表示的顶部示出了“校园电力”节点166。该节点166 不仅被图形地表示为在模型网络84的“顶部”，对该节点166的选择将调 整模型网络84的底层优化优先权。更具体地，在一些实施方式中，以该 方式选择“校园电力”节点166，以将该节点的电力使用设置为模型网络84 的最高优先权。要理解的是，在一些实施方式中，与特定的被选择节点 92相关的能量使用可以在选择节点92时进行优化，而在其他实施方式中， 与选择的节点92的能量类型（例如，本示例中的电力使用）相关的所有 节点92的能量使用可以在选择节点92时进行优化。

选择模型网络84的另一节点92可以引起模型网络84的图形表示发 生改变，以及对新选择的节点92重新区分优选顺序。例如，图15是图形 建模工具82的图形用户接口80（即图形表示）的示例，其示出了图14 的模型网络84，其中“燃料气体”节点164被选择为优先节点。如图15所 示，响应于“燃料气体”节点164的选择，在图形用户接口80的网络模型 窗格160内模型网络84的节点92的位置被改变。此外，所有节点92以 及相关的连接94的位置将从图14中示出的情形实时地转变为图15所示 的情形，其中伴随有节点92和连接94中的每个节点和连接从图14中的 图形位置移动到图15中的图形位置的相关动画。例如，来自图15的“冷 凝水”节点190的图形位置在图14中以虚线示出。从图14中示出的“冷凝 水”节点190的图形位置转移到图15中示出的“冷凝水”节点190的图形位 置的轨迹也示出在图14中。再者，当“冷凝水”节点190的图形位置从这 两个位置转移时，“冷凝水”节点190的移动将沿着转移轨迹198实时地动 画显示。因此，将看到“冷凝水”节点190沿着转移轨迹198从图14的图 形位置移动到图15的图形位置。

此外，所有其他节点92与连接94也将以同样的方式进行转移。要理 解的是连接94不会简单地从图14中它们的图形位置平移至图15中它们 的图形位置。而是，各自的连接94的端点（例如被连接至各自的节点92） 均发生平移，并且表示各自连接94的图形线将根据需要发生平移、旋转 以及长度变化，使得关联端点（例如被连接至各自节点92）以图形的方 式被保持。

如上所述，特定节点92的选择不只导致对模型网络84中的所有节点 92与连接94的图形重新组织，还可能对底层优化方案进行调整。例如， 虽然对图14中的用电进行了优化，但是一旦选择了“燃料气体”节点164， 将对燃料气体使用进行优化（例如，图15）。换言之，优化的优先次序将 会从图14中的用电转移至图15中的燃料气体使用。如图14与图15中所 示，节点92的选择将会启动节点92与连接94的重新组织，这在一些实 施方式中将发生变化。例如，在一些实施方式中，当光标悬停在图形用户 接口80的网络模型窗格160中的特定节点94上时，可以由用户双击鼠标、 单击鼠标右键等来启动对节点92与连接94的重新组织。

除了上面描述的参数混合模型的基于用户的安全外，也可以实现用于 确保与参数混合模型58有关的所有权（例如，受保护的）信息的总体构 架。具体地，本文所描述的实施方式包括带有安全模型的、可行的基于模 型的优化以及控制系统。本文所描述的实施方式克服了下述难题，即阻止 内容受保护的模型在基于模型的优化以及控制应用中的使用。例如，一个 难题包括缺乏用于有效逼近的复杂动态模型的一般理论。除了不能确保所 需的精度量级外，传统的基于模型优化以及控制方案通常依靠系统的最广 泛的表式以用于数值计算。此外，在线优化一般是计算花销相对较大的运 用。在线逼近能力的增加仅增加了在线计算的成本。这一直被视为巨大的 成本，因此，之前在进行显示优化的优化方案中并没有尝试实时模型逼近。

此外，对在预测步长（horizon）上使用模型的需求使得实时模型逼 近变得更加复杂。传统的基于模型的优化以及控制方案通常在关心的步长 （例如，被称为预测步长、控制步长或者计划步长）上解决受限的优化问 题。在未来步长上对模型进行在线逼近只是进一步增加了优化的在线计算 的复杂性。

此外，对于分布式优化的需要进一步增加了在线计算的成本。在真正 复杂的问题中对分布式优化（例如，其中多余一个的解算器需要单个模型） 的需要进一步阻碍了试图逼近传统系统中的在线模型的任何尝试。本文所 描述的实施方式通过将模型配置为服务器来克服这个缺点，从而实现合理 选择以允许分布式优化。在云中配置模型的可能性可以减少分布式配置的 计算成本。

此外，在工厂范围/企业范围优化中，当具有由大量单元模型、复杂 的网络连接以及操作条件/约束/目标的动态集组成的网络时，经常存在问 题。用于维持问题公式更新的信息通常可以从分布在企业中的资源中获 得，并且经常局部自主地作用。以有信心实现在线优化的方式可靠访问来 自工厂工作面的如此大的一组测量/数据通常被视为挑战。

本文所描述的实施方式可以克服上述提到的难题。具体地，本文所描 述的实施方式能够使用可以保护所有权（例如，受保护的）信息的分布式 参数混合型模型58。图16是实现控制/优化系统200的分布式企业集成式 参数混合模型。图16中示出的分布式控制/优化系统200与上文中详细描 述的图7中示出的控制系统相同。然而，如图16所示，在分布式控制/ 优化系统200中，控制/优化系统96分布在几个设施202、204之间。虽 然图16中示出为仅包括两个设施202、204（例如，制造设施202以及石 油天然气设施204），可以理解的是任意数量的分布式设施可以与集中式 决策支持服务器206进行通信，该决策支持服务器206包括决策引擎208， 该决策引擎208通过通信网络108与多个安全参数混合模型58进行通信， 所述多个安全参数混合模型58均位于设施202、204中。

要理解的是，集中式决策支持服务器206包括能够寄宿决策引擎208 的任意合适的服务器硬件（例如，如上针对控制/优化系统96所述，包括 存储器、处理器等），集中式决策支持服务器206是被配置为通过通信网 络108与分布式参数混合模型58通信的软件。同样，可以理解的是，位 于或者接近其各自的设施202、204的参数混合模型58将被存储在物理上 位于各自设施202、204处的模型服务器210、212的存储介质上。由此， 还应该理解的是，模型服务器210、212包括能够寄宿参数混合模型58（存 储包含参数混合模型的参数混合模型对象的例示实例）的任意合适的服务 器硬件（例如，如上针对控制/优化系统96所述，包括存储器、处理器等）， 其中各个参数混合模型58能够用作为用于在其他位置之间传输回决策引 擎208以及在彼此之间通信的服务器。再次，应该注意的是，本文所描述 的实施方式主要使用参数混合模型58进行描述，在其他实施方式中，包 括被控制的工厂或者过程模型的其他类型的模型对象可以用于如文中所 述那样保护基于模型的服务器对象。

如图17所示，各个参数混合模型58（或者其他类型的模型）可以是 在其各自的模型服务器210、212上的存储器中留存的示例软件对象214， 并且可以包括被配置为通过预定通信协议224与集中式决策引擎208（以 及通信地耦接至通信网络108的其他装置，软件对象等）进行通信的软件 接口结构216（例如，ID218、属性220、服务222等）。要理解的是，在 一些实施方式中，通信协议224可以是现有通信协议（例如TCP/IP、 DeviceNet、Profibus等）的延伸，并且可以对能够通过装置、软件对象 等传输和理解的且通过通信协议224传输的消息，可以在通信网络108 间传输的响应类型，怎样处理在通信网络108上的不当传输等进行定义。 由此，所使用的通信协议224将设计成，在保持与参数混合模型58有关 的所有权信息安全的同时，来促使与参数混合模型58有关的信息的传输。

可以理解的是，上述针对图7描述的图形建模工具82可以在操作中 针对图16的控制/优化系统200进行分散。例如，在图16示出的实施方 式中，图形建模工具82可以分布在决策支持服务器206与模型服务器210、 212之间。更具体地，在一些实施方式中，图形建模工具82可以实际上 在集中式决策支持服务器206上执行，并且图形建模工具82要与位于分 布式模型服务器210、212上的分布式参数混合模型58进行通信。当图形 建模工具82由用户进行操作时，参数混合模型对象214可以响应于在决 策支持服务器206中执行的、由图形建模工具82接收的命令输入，来在 其各自的模型服务器210、212上实例化（或者被删除）。一旦实例化，参 数混合模型对象214可以通过通信协议224传输回图形建模工具82，实 现图形建模工具82的分布式操作。然而，参数混合模型对象214将只经 由作为参数混合模型对象214的一部分的接口216通过通信协议224进行 通信。由此，与参数混合模型58（是参数混合模型对象214的一部分） 有关的所有权信息相对于无权进行访问的用户被保持安全。虽然被描述为 在决策支持服务器206上执行，但可以理解的是，在其他实施方式中，图 形建模工具82可以代替地在模型服务器210、212中任一上执行。事实上， 在一些实施方式中，图形建模工具82可以被分为几个软件模块，各个软 件模块在各自的服务器206、210、212上执行并且经由通信协议224通信 网络108彼此进行通信。

由此，本文所描述的实施方式提供计算机实现的方法，其中多个参数 混合模型对象214例示在多个模型服务器210、212上。多个参数混合模 型对象214中每一个包括参数混合模型58。一个或多个决策引擎208（例 如，一个或多个分布式决策引擎软件模块）可以通过通信协议224经由通 信网络108从多个参数混合模型对象214请求信息。如上所述，参数混合 模型对象214可以用作为服务器，针对信息的请求生成响应。更具体地， 参数混合模型对象214可以对由它们各自的参数混合模型58另外生成的 信息在所关注的未来步长上生成逼近。这些在线逼近将确保标记为所有权 信息的信息不作为响应的一部分被发送。而且，在线逼近可以只包括未标 记为所有权信息的信息。相反，参数混合模型58在生成被发送回一个或 多个决策引擎208的在线逼近时可以使用所有权信息。但是，参数混合模 型对象214的接口216与通信协议224结合，不允许这种所有权信息作为 发送至一个或多个决策引擎208的在线逼近的一部分被返回。

至少部分地基于从多个参数混合模型对象214接收到的信息，单独或 者共同地作为互连软件模块组的一个或多个决策引擎208可以生成能够 通过通信网络108发送回至少一个参数混合模型对象214的控制命令，其 中，可以使用控制命令来控制工业自动化组件（例如，图7中示出的组件 102）。

可以理解的是，各个分布式参数混合模型58可以如上关于图7的描 述与各个设施202、204处的传感器98以及执行器100进行通信，以促进 设施202、204的组件102优化和控制。安全的参数混合模型58的数据驱 动探测基本实时地实现相对复杂的动态模型的有效逼近。如本文所用，术 语“基本实时”意指由控制/优化系统200（或控制/优化系统96）进行的优 化计算和控制功能的每个连续周期一个紧接着一个地执行。换言之，一旦 优化计算与控制功能的迭代完成，下一个迭代开始。由此，在一些实施方 式中，在控制系统10操作的过程中，在每隔一个或者更频繁地进行优化 计算与控制功能。使用PUNDA建模技术作为参数混合模型架构的一部分 提供了一个有效计算可能性以用于对可以作为受控系统10的一部分的相 对复杂的动态过程的精确逼近。通过合理延伸，本文所描述的实施方式（例 如，勒让德级数、小波、支持向量机（SVM，support vector machine） 等）还可以使用可以导致安全的参数混合模型58的计算可行表示的任何 安全参数混合模型58的在线/实时探测策略。

此外，在所关心的预测/计划/控制步长上进行安全参数混合模型58 的数据驱动模型逼近。通过轨迹基本实时地生成逼近模型作为安全的内容 保护模型的逼近。这个轨迹可以参数为状态、输入或者甚至时间的函数。 在这种实施方式中，可以将输入看做为状态的特定情况。

此外，本文所描述的实施方式通过多个可能的分布式决策引擎208 来实现安全参数混合模型58的实时逼近。更具体地，虽然图16中示出为 仅具有一个决策支持服务器206，在其他的实施方式中，可以使用具有多 个决策引擎208的多个分布式决策支持服务器206。由此，控制/优化系统 200可以包括多个分布式参数混合模型58与多个决策引擎208两者来对 系统的优化和控制功能进行分割。传统上，在真正复杂的问题中对分布式 优化（例如，其中多于一个的解算器需要单个模型）的需求阻碍了对于实 时逼近模型的任何尝试。本文所描述的实施方式在参数混合模型58的配 置上克服了这种难题，因为服务器针对分布式优化中的多个利益相关者提 供合理选择来允许安全参数混合模型58的实时逼近。另一种选择是通过 所有决策引擎208被布置为云服务的云来对安全参数混合模型58进行访 问。此外，安全参数混合模型58可以被配置为在云的内部或者外部的服 务器（例如，取决于模型拥有者的喜好）。

此外，本文所描述的实施方式可靠快速地访问工厂、MES/业务系统 等的过去的和现在的数据。随着数据历史与数据库技术的进步，可以有效 地完成对大量工厂数据以及其他类型的数据的快速访问。本文所描述的实 施方式包括数据历史和/或数据库中在预测/控制/优化步长上的这种数据， 使得对步长数据的访问反映出现在与历史数据的访问。在历史数据/数据 库中包括步长数据显著地提高了安全参数混合模型58的在线/实时逼近的 有效性。此外，在一些实施方式中，可以对所存储的数据进行加密以进一 步确保参数混合模型58的安全。

虽然本文仅示出和描述了本发明的一些特征，但是对本领域普通技术 人员来说存在很多变型和更改。因此，需要理解的是所附权利要求意图覆 盖所有落入本发明的真实精神内的这些变型及更改。