模型预测控制 全面讲解
MATLAB模型预测控制工具箱函数
MATLAB模型预测控制工具箱函数 8.2 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 8.2.1 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；
⑤ MPC 传递函数模型。 在上述5种模型格式中，前两种模型格式是MATLAB 通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC 状态空间模型和MPC 传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC 状态空间模型之间的转换 MPC 状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod ()和mod2ss ()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC 状态空间模型函数ss2mod () 该函数的调用格式为 pmod= ss2mod (A,B,C,D) pmod = ss2mod (A,B,C,D,minfo) pmod = ss2mod (A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D 为通用状态空间矩阵； minfo 为构成MPC 状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆ minfo(1)=dt ，系统采样周期，默认值为1； ◆ minfo(2)=n ，系统阶次，默认值为系统矩阵A 的阶次； ◆ minfo(3)=nu ，受控输入的个数，默认值为系统输入的维数； ◆ minfo(4)=nd ，测量扰的数目，默认值为0； ◆ minfo(5)=nw ，未测量扰动的数目，默认值为0； ◆ minfo(6)=nym ，测量输出的数目，默认值系统输出的维数； ◆ minfo(7)=nyu ，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o ，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod 为系统的MPC 状态空间模型格式。 例8-5 将如下以传递函数表示的系统模型转换为MPC 状态空间模型。 1 2213)(232+++++=s s s s s s G 解：MATLAB 命令如下：
神经网络模型预测控制器
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
模型预测控制
云南大学信息学院学生实验报告 课程名称：现代控制理论 实验题目：预测控制 小组成员：李博（12018000748） 金蒋彪（12018000747） 专业：2018级检测技术与自动化专业
1、实验目的 (3) 2、实验原理 (3) 2.1、预测控制特点 (3) 2.2、预测控制模型 (4) 2.3、在线滚动优化 (5) 2.4、反馈校正 (5) 2.5、预测控制分类 (6) 2.6、动态矩阵控制 (7) 3、MATLAB仿真实现 (9) 3.1、对比预测控制与PID控制效果 (9) 3.2、P的变化对控制效果的影响 (12) 3.3、M的变化对控制效果的影响 (13) 3.4、模型失配与未失配时的控制效果对比 (14) 4、总结 (15) 5、附录 (16) 5.1、预测控制与PID控制对比仿真代码 (16) 5.1.1、预测控制代码 (16) 5.1.2、PID控制代码 (17) 5.2、不同P值对比控制效果代码 (19) 5.3、不同M值对比控制效果代码 (20) 5.4、模型失配与未失配对比代码 (20)
1、实验目的 （1）、通过对预测控制原理的学习，掌握预测控制的知识点。 （2）、通过对动态矩阵控制（DMC）的MATLAB仿真，发现其对直接处理具有纯滞后、大惯性的对象，有良好的跟踪性和较强的鲁棒性，输入已 知的控制模型，通过对参数的选择，来获得较好的控制效果。 （3）、了解matlab编程。 2、实验原理 模型预测控制(Model Predictive Control，MPC)是20世纪70年代提出的一种计算机控制算法，最早应用于工业过程控制领域。预测控制的优点是对数学模型要求不高，能直接处理具有纯滞后的过程，具有良好的跟踪性能和较强的抗干扰能力，对模型误差具有较强的鲁棒性。因此，预测控制目前已在多个行业得以应用，如炼油、石化、造纸、冶金、汽车制造、航空和食品加工等，尤其是在复杂工业过程中得到了广泛的应用。在分类上，模型预测控制(MPC)属于先进过程控制，其基本出发点与传统PID控制不同。传统PID控制，是根据过程当前的和过去的输出测量值与设定值之间的偏差来确定当前的控制输入，以达到所要求的性能指标。而预测控制不但利用当前时刻的和过去时刻的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于PID控制。 2.1、预测控制特点 首先，对于复杂的工业对象。由于辨识其最小化模型要花费很大的代价，往往给基于传递函数或状态方程的控制算法带来困难，多变量高维度复杂系统难以建立精确的数学模型工业过程的结构、参数以及环境具有不确定性、时变性、非线性、强耦合，最优控制难以实现。而预测控制所需要的模型只强调其预测功能，不苛求其结构形式，从而为系统建模带来了方便。在许多场合下，只需测定对象的阶跃或脉冲响应，便可直接得到预测模型，而不必进一步导出其传递函数或状
MATLAB模型预测控制工具箱函数
M A T L A B模型预测控制 工具箱函数 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】
M A T L A B模型预测控制工具箱函数 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型； ⑤MPC传递函数模型。
在上述5种模型格式中，前两种模型格式是MATLAB通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC状态空间模型和MPC传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC状态空间模型之间的转换 MPC状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod()和mod2ss()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC状态空间模型函数ss2mod() 该函数的调用格式为 pmod= ss2mod(A,B,C,D) pmod= ss2mod(A,B,C,D,minfo) pmod= ss2mod(A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D为通用状态空间矩阵； minfo为构成MPC状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆minfo(1)=dt，系统采样周期，默认值为1； ◆minfo(2)=n，系统阶次，默认值为系统矩阵A的阶次； ◆minfo(3)=nu，受控输入的个数，默认值为系统输入的维数； ◆minfo(4)=nd，测量扰的数目，默认值为0； ◆minfo(5)=nw，未测量扰动的数目，默认值为0； ◆minfo(6)=nym，测量输出的数目，默认值系统输出的维数； ◆minfo(7)=nyu，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod为系统的MPC状态空间模型格式。 例8-5将如下以传递函数表示的系统模型转换为MPC状态空间模型。 解：MATLAB命令如下：
模型预测控制快速求解算法
模型预测控制快速求解算法 模型预测控制（Model Predictive Control，MPC）是一种基于在线计算的控制优化算法，能够统一处理带约束的多参数优化控制问题。当被控对象结构和环境相对复杂时，模型预测控制需选择较大的预测时域和控制时域，因此大大增加了在线求解的计算时间，同时降低了控制效果。从现有的算法来看，模型预测控制通常只适用于采样时间较大、动态过程变化较慢的系统中。因此，研究快速模型预测控制算法具有一定的理论意义和应用价值。 虽然MPC方法为适应当今复杂的工业环境已经发展出各种智能预测控制方法，在工业领域中也得到了一定应用，但是算法的理论分析和实际应用之间仍然存在着一定差距，尤其在多输入多输出系统、非线性特性及参数时变的系统和结果不确定的系统中。预测控制方法发展至今，仍然存在一些问题，具体如下： ①模型难以建立。模型是预测控制方法的基础，因此建立的模型越精确，预测控制效果越好。尽管模型辨识技术已经在预测控制方法的建模过程中得以应用，但是仍无法建立非常精确的系统模型。 ②在线计算过程不够优化。预测控制方法的一大特征是在线优化，即根据系统当前状态、性能指标和约束条件进行在线计算得到当前状态的控制律。在在线优化过程中，当前的优化算法主要有线性规划、二次规划和非线性规划等。在线性系统中，预测控制的在线计算过程大多数采用二次规划方法进行求解，但若被控对象的输入输出个数较多或预测时域较大时，该优化方法的在线计算效率也会无法满足系统快速性需求。而在非线性系统中，在线优化过程通常采用序列二次优化算法，但该方法的在线计算成本相对较高且不能完全保证系统稳定，因此也需要不断改进。 ③误差问题。由于系统建模往往不够精确，且被控系统中往往存在各种干扰，预测控制方法的预测值和实际值之间一定会产生误差。虽然建模误差可以通过补偿进行校正，干扰误差可以通过反馈进行校正，但是当系统更复杂时，上述两种校正结合起来也无法将误差控制在一定范围内。 模型预测控制区别于其它算法的最大特征是处理多变量多约束线性系统的能力，但随着被控对象的输入输出个数的增多，预测控制方法为保证控制输出的精确性，往往会选取较大的预测步长和控制步长，但这样会大大增加在线优化过程的计算量，从而需要更多的计算时间。因此，预测控制方法只能适用于采样周
预测控制
1.1 引言 预测控制是一种基于模型的先进控制技术，它不是某一种统一理论的产物，而是源于工业实践，最大限度地结合了工业实际地要求，并且在实际中取得了许多成功应用的一类新型的计算机控制算法。由于它采用的是多步测试、滚动优化和反馈校正等控制策略，因而控制效果好，适用于控制不易建立精确数字模型且比较复杂的工业生产过程，所以它一出现就受到国内外工程界的重视，并已在石油、化工、电力、冶金、机械等工业部门的控制系统得到了成功的应用。工业生产的过程是复杂的，我们建立起来的模型也是不完善的。就是理论非常复杂的现代控制理论，其控制的效果也往往不尽人意，甚至在某些方面还不及传统的PID控制。70年代，人们除了加强对生产过程的建模、系统辨识、自适应控制等方面的研究外，开始打破传统的控制思想的观念，试图面向工业开发出一种对各种模型要求低、在线计算方便、控制综合效果好的新型算法。这样的背景下，预测控制的一种，也就是模型算法控制（MAC -Model Algorithmic Control）首先在法国的工业控制中得到应用。同时，计算机技术的发展也为算法的实现提供了物质基础。现在比较流行的算法包括有：模型算法控制（MAC）、动态矩阵控制（DMC ）、广义预测控制（GPC）、广义预测极点（GPP）控制、内模控制（IMC）、推理控制（IC）等等。随着现代计算机技术的不断发展，人们希望有一个方便使用的软件包来代替复杂的理论分析和数学运算，而Matlab、C、C++等语言很好的满足了我们的要求。 1.2 预测控制的存在问题及发展前景 70年代以来，人们从工业过程的特点出发，寻找对模型精度要求不高，而同样能实现高质量控制性能的方法，以克服理论与应用之间的不协调。预测控制就是在这种背景下发展起来的一种新型控制算法。它最初由Richalet和Cutler等人提出了建立在脉冲响应基础上的模型预测启发控制（Model Predictive Heuristic Control,简称“MPHC”）,或称模型算法控制(Model Algorithmic Control，简称“MAC”)；Cutler等人提出了建立在阶跃响应基础上的动态矩阵控制(Dynamic Matrix Control，简称“DMC”)，是以被控系统的输出时域响应(单位阶跃响应或单位冲激响应)为模型，控制律基于系统输出预测，控制系统性能有较强的鲁棒性，并且方法原理直观简单、易于计算机实现。它的产生并不是理论发展的需要，而是在工业实践过程中独立发展起来，即实践超前于理论它一经问世就在石油、电力和航空等领域中得到十分成功的应用。之后，又延伸到网络、冶金、轻工、机械等部门或系统。80年代初期，人们为了增强自适应控制系统的鲁棒性，在广义最小方差控制的基础上，吸取预测控制中的多步预测、滚动优化思想，以扩大反映过程未来变化趋势的动态信息量，提高自适应控制系统的实用性。这样就出现了便于辨识过程参数模型、带自校正机制、在线修改模型参数的预测控制算法,主要有Clarke等提出的广义预测控制(GPC) Do Keyser的扩展时域预测自适应控制(EPSAC),广义预测极点配置控制(GPP)。Brosilow于1978年提出推理机制(1C), Garcia. Norari 于1982年提出内部模型控制(简称内模控制，IMC )，从模型结构的角度对预测控制作了更深入的研究，分析出预测控制具有内模控制的结构。应用内模控制结构来分析预测控制系统，有利于理解预测控制的运行机理，分析预测控制系统的闭环动静态特性、稳定性和鲁棒性，找出各类预测控制算法的内在联系，导出它们的统一格式，有力推动了预测控制在算法研究、稳定性鲁棒性的理论分析和应用研究上的发展。但实际上，预测控制的理论还是落后于其实
常用预测模型
常用预测模型 （一） 灰色预测模型 1. 灰色系统理论 灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测,就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的,但毕竟是有序的、有界的,因此这一数据集合具备潜在的规律,灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理,来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势状况。灰色预测法用等时距观测到的反映预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量,或达到某一特征量的时间。 2．灰色预测理论模型数学形式 在通过灰色理论建立预测模型时，常需要先进行累加或累减后计算数据列间的关联度，再建立最终的预测模型。 如原始数据列为： ()()()()()()()()(){}n X X X X X 00000,...3,2,1=； 通过累加后变为： ()()()()()()()()(){}n X X X X X 11111,...3,2,1=； 那么进行m 次累加后有： ()()()()∑=?=k i m m i X k X 11关联度：是分析系统中各因素关联程度的方法，在计算关联度之前需先计算关联系数。 设：()()()()()()()(){ }n X X X k X 0000?,...,2?,1??=，()()()()()()()(){} n X X X k X 0000,...,2,1= ()()()()()()()()()()()()()()()()k X k X k X k X k X k X k X k X 00000000?max max ??max max ?min min ?+??+?ρρ 则关联系数定义为：式中：()()()()k X k X 00??为第k 个点()0X 和()0?X 的绝对误差；()()()()k X k X 00?min min ?为两级最小差； ()()()()k X k X 00?max max ?为两级最大差；ρ称为分辨率，0<ρ<1,一般取ρ=0.5；对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据。 关联系数矩阵确立后，则与()()k X 0()()k X 0?的关联度为：()∑==n k k n r 1 1η 建立预测模型：在前述准备完成后，GM （1，1）通过相应的微分方程建立模型。 () ()μ=+11d d aX t X 其中：α称为发展灰数；μ称为内生控制灰数。 设α?为待估参数向量，??? ?????=μαa ?，可利用最小二乘法求解。解得： ()n T T Y B B B 1??=α
MAAB模型预测控制工具箱函数
MATLAB模型预测控制工具箱函数 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；
⑤ MPC 传递函数模型。 在上述5种模型格式中，前两种模型格式是MATLAB 通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC 状态空间模型和MPC 传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC 状态空间模型之间的转换 MPC 状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod ()和mod2ss ()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC 状态空间模型函数ss2mod () 该函数的调用格式为 pmod= ss2mod (A,B,C,D) pmod = ss2mod (A,B,C,D,minfo) pmod = ss2mod (A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D 为通用状态空间矩阵； minfo 为构成MPC 状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆ minfo(1)=dt ，系统采样周期，默认值为1； ◆ minfo(2)=n ，系统阶次，默认值为系统矩阵A 的阶次； ◆ minfo(3)=nu ，受控输入的个数，默认值为系统输入的维数； ◆ minfo(4)=nd ，测量扰的数目，默认值为0； ◆ minfo(5)=nw ，未测量扰动的数目，默认值为0； ◆ minfo(6)=nym ，测量输出的数目，默认值系统输出的维数； ◆ minfo(7)=nyu ，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o ，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod 为系统的MPC 状态空间模型格式。 例8-5 将如下以传递函数表示的系统模型转换为MPC 状态空间模型。 1 2213)(232+++++=s s s s s s G 解：MATLAB 命令如下：
模型预测控制
“先进控制技术”第二章
模型预测控制—MPC Model Predictive Control
) 到哪里去找回我们在信息中丢失的知识 ) 到哪里去找回我们在知识中丢失的智慧
2008/2/18
“先进控制技术”第二章——MPC
2
本讲内容要点
)模型预测控制发展背景 )模型预测控制的特点 )模型预测控制基本原理 )动态矩阵控制DMC )模型算法控制MAC )模型预测控制在工业中的应用举例
2008/2/18
“先进控制技术”第二章——MPC
3
模型预测控制的发展背景
) 现代控制理论的发展及特点
– 精确的模型 最优的性能指标 系统的设计方法
) 工业过程的特点
– 多变量 非线性 时变性 强耦合 不确定性
) 工业过程对控制的要求
– 高质量的控制性能 – 对模型要求不高 – 实现方便
2008/2/18
“先进控制技术”第二章——MPC
4
预测控制的特点（1）
) 建模方便,不需要深入了解过程内部机理 ) 非最小化描述的离散卷积和模型,有利于
提高系统的鲁棒性
) 滚动优化策略,较好的动态控制效果 ) 不增加理论困难,将预测控制算法推广到
有约束条件、大纯滞后、非最小相位及 非线性等过程
) 是一种用计算机的优化控制算法
2008/2/18
“先进控制技术”第二章——MPC
5
预测控制的发展
) 多变量预测控制系统的稳定性、鲁棒性
– 线性系统、自适应预测控制、理论性较强
) 非线性预测控制系统
– 内部模型用神经网络（ANN）描述
) 针对预测控制的特点开展研究
– 国内外先进控制软件包开发所走的道路
2008/2/18
“先进控制技术”第二章——MPC
6
采集数据模型预测控制解析
Sampled-Data Model Predictive Control for Nonlinear Time-Varying Systems: Stability and Robustness Fernando A. C. C. Fontes, Lalo Magni, Eva Gyurkovics PhD, Imperial College London IEEE Transactions on Power Delivery, V ol. 8, No. 1, Jariuary 1993. Keyword barbalat Principle Nonlinear time-varying systems Stability and robustness Summary. We describe here a sampled-data Model Predictive Control framework that uses continuous-time models but the sampling of the actual state of the plant as well as the computation of the control laws, are carried out at discrete instants of time. This framework can address a very large class of systems, nonlinear, time-varying, and nonholonomic. As in many others sampled-data Model Predictive Control schemes, Barbalat’s lemma has an important role in the proof of nominal stability results. It is argued that the generalization of Barbalat’s lemma, described here, can have also a similar role in the proof of robust stability results, allowing also to address a very general class of nonlinear, time-varying, nonholonomic systems, subject to disturbances. The possibility of the framework to accommodate discontinuous feedbacks is essential to achieve both nominal stability and robust stability for such general classes of systems. 1 Introduction Many Model Predictive Control (MPC) schemes described in the literature use continuous-time models and sample the state of the plant at discrete instants of time. See e.g. [3, 7, 9, 13] and also [6]. There are many advantages in considering a continuous-time model for the plant. Nevertheless, any implementable MPC scheme can only measure the state and solve an optimization problem at discrete instants of time. In all the references cited above, Barbalat’s lemma, or a modification of it, is used as an important ste p to prove stability of the MPC schemes. (Barbalat’s lemma is a well-known and Powerful tool to deduce asymptotic stability of nonlinear systems, especially time-varying systems, using Lyapunov-like approaches;see e.g. [17] for a discussion and applications). To show that an MPC strategy is stabilizing (in the nominal case), it is shown that if certain design parameters (objective function, terminal set, etc.) are conveniently selected, then the value function is monotone decreasing. Then, applying Barbalat’s lemma, attractiveness of the trajectory of the nominal model can be established (i.e. x(t) → 0 as t → ∞). This stability property can be deduced for a very general class of nonlinear systems: including time-varying systems, nonholonomic systems, systems allowing discontinuous feedbacks, etc. If, in addition, the value functionpossesses some continuity properties, then Lyapunov stability (i.e. the trajectory stays arbitrarily close to the origin provided it starts close enough to the origin) can also be guaranteed (see e.g. [11]). However, this last property might not be possible to achieve for certain classes of systems, for example a car-like vehicle (see [8] for a discussion of this problem and this example). A similar approach can be used to deduce robust stability of MPC for systems allowing uncertainty. After establishing monotone decrease of the value function, we would want to guarantee that the state trajectory asymptotically approaches some set containing the origin. But, a difficulty encountered is thatthe predicted trajectory only coincides with the resulting trajectory at specificsampling instants. The robust stability properties can be obtained, as we show,using a
预测方法的分类(1)
预测方法的分类 郑XX 预测方法的分类 由于预测的对象、目标、内容和期限不同，形成了多种多样的预测方法。据不完全统计，目前世界上共有近千种预测方法，其中较为成熟的有150多种，常用的有30多种，用得最为普遍的有10多种。 1-1预测方法的分类体系 1）按预测技术的差异性分类 可分为定性预测技术、定量预测技术、定时预测技术、定比预测技术和评价预测 技术，共五类。 2）按预测方法的客观性分类 可分为主观预测方法和客观预测方法两类。前者主要依靠经验判断，后者主要借 助数学模型。 3）按预测分析的途径分类 可分为直观型预测方法、时间序列预测方法、计量经济模型预测方法、因果分析 预测方法等。 4）按采用模型的特点分类 可分为经验预测模型和正规的预测模型。后者包括时间关系模型、因果关系模 型、结构关系模型等。 1-2 常用的方法分类 1)定性分析预测法 定性分析预测法是指预测者根据历史与现实的观察资料，依赖个人或集体的经验与智慧，对未来的发展状态和变化趋势作出判断的预测方法。 定性预测优缺点 定性预测的优点在于： 注重于事物发展在性质方面的预测，具有较大的灵活性，易于充分发挥人的主观能动作用，且简单的迅速，省时省费用。
定性预测的缺点是： 易受主观因素的影响，比较注重于人的经验和主观判断能力，从而易受人的知识、经验和能力的多少大小的束缚和限制，尤其是缺乏对事物发展作数量上的精确描述。 2)定量分析预测法 定量分析预测法是依据调查研究所得的数据资料，运用统计方法和数学模型，近似地揭示预测对象及其影响因素的数量变动关系，建立对应的预测模型，据此对预测目标作出定量测算的预测方法。通常有时间序列分析预测法和因果分析预测法。 ⅰ时间序列分析预测法 时间序列分析预测法是以连续性预测原理作指导，利用历史观察值形成的时间数列，对预测目标未来状态和发展趋势作出定量判断的预测方法。
模型预测算法
综述： 在20世纪80年代初，社会上出现了一种新型计算机控制算法-----模型预测控制算法。该算法包括了动态矩阵控制（DMC），模型算法控制（MAC）和基于参数模型的广义预测控制（GPC），广义预测几点配置控制（GPP）等。该算法采用了滚动优化，多步预测和反馈校正等控制策略，因此，它具有控制效果好，鲁棒性强，对模型精确性要求不高的特点。由于在工业过程中，对象往往是多输入多输出高维系统，且结构，参数和环境都具有很大的不确定性，而工业控制计算机的要求又不能太高，所以经典控制方法，如PID控制及现代控制理论，都难以获得良好的控制效果。而模型预测控制具有的有点决定了该方法能够有效地用于复杂工业过程控制，并且在不同的工业部门的过程控制系统中取得了成功。其中,由于模型算法控制采用脉冲响应模型，无需降低模型阶数，并且控制率是时变的，闭环响应对于受控对象的变化具有鲁棒性，并且能够在线修改控制规律，故本文实现模型算法控制的设计与仿真。而由于绝大部分工业控制过程都是含有约束的，故研究带约束的模型预测控制算法十分必要，所以本文研究有约束的模型。 背景： 1.预测控制的产生:预测控制算法最早产生于工业过程，由Rechalet.Mehra等提出的建立 在脉冲响应基础上的模型预测启发控制(Model Perdictive Heuristic Control,简称WHC，或模型算法控制(Model Algorithmic C ontrol，简称MAC)，以及Cutler等提出的建立在阶跃响应基础上的动态矩阵控制(Dynamic Matrix Control,简称DMC)。由于脉冲响应和阶跃相应都易于从工业现场直接获得，而不要求对模型的结构有准确的认识。这类预测控制算法采用滚动优化的策略，计算当前控制输入取代传统最优控制，并在优化控制中利用实测信息不断进行反馈校正，所以在一定程度上克服了不确定性的影响，具有良好的鲁棒性。此外，算法汲取了现代控制理论中的优化思想，并且在线计算比较容易，非常适合于工业过程控制的实际要求。 2.发展现状：近年来，预测控制的研究与发展已经突破前期研究的框架，摆脱了单纯的算 法研究模式，它能够于自适应控制，多模型切换等众多先进控制技术相结合，成为新的线代预测控制策略研究领域。随着智能控制技术的发展，预测控制将已取得的成果与模糊控制，神经网络以及遗传算法，专家控制系统等控制策略相结合，朝着智能预测控制方向发展。目前，我国预测控制软件主要有： a)多变量约束控制软件包MCC。主要处理多变量，多目标，多控制模式合基于模型 预测的最优控制器。 b)APC -Hiecon多变量预测控制软件包。适用于多变量，强耦合，大时滞的复杂生产 过程的控制。 c)多变量预测控制软件包。正在进行的课题，主要针对多变量的预测控制。 原理： 首先：预测控制以计算机为实现手段，所以算法一般是采样控制算法而不是连续控制算法。一般来说，预测控制都应建立在以下三项基本原理的基础上。
预测模型分类
预测模型分类及优缺点分析 灰色（系统）预测模型 神经网络预测模型 趋势平均预测法 1 微分方程模型 当我们描述实际对象的某些特性随时间(或空间)而演变的过程、分析它的变化规律、预测它的未来性态、研究它的控制手段时，通常要建立对象的动态微分方程模型。微分方程大多是物理或几何方面的典型.问题，假设条件已经给出，只需用数学符号将已知规律表示出来，即可列出方程，求解的结果就是问题的答案，答案是唯一的，但是有些问题是非物理领域的实际问题，要分析具体情况或进行类比才能给出假设条件。作出不同的假设，就得到不同的方程。比较典型的有：传染病的预测模型、经济增长预测模型、正规战与游击战的预测模型、药物在体内的分布与排除预测模型、人口的预测模型、烟雾的扩散与消失预测模型以及相应的同类型的预测模型。其基本规律随着时间的增长趋势是指数的形式，根据变量的个数建立初等微分模型。微分方程模型的建立基于相关原理的因果预测法。该法的优点：短、中、长期的预测都适合，而．既能反映内部规律，反映事物的内在关系，也能分析两个因素的相关关系，精度相应的比较高，另外对初等模型的改进也比较容易理解和实现。该法的缺点：虽然反映的是内部规律，但是由于方程的建立是以局部规律:的独立性假定为基础，故做中长期预测时，偏差有点大，而且微分方程的解比较难以得到。 2 时间序列法 将预测对象按照时问顺序排列起来，构成一个所谓的时间序列，从所构成的这一组时间序列过去的变化规律，推断今后变化的可能性及变化趋势、变化规律，就是时间序列预测法。时间序列预测一般反映三种实际变化规律：趋势变化、周期性变化、随机性变化。考虑一组给定的随时间变化的观察值，t=1，2，3，?，n}，如何选取合适模型预报，t=n+1，n+3，n+k}的值。 上面的模型统称ARMA模型，是时间序列建模中最重要和最常用的预测手段。事实上，对实际中发生的平稳时间序列做恰当的描述，往往能够得到自回归、滑动平均或混合的模型，其阶数通常不超过2。时间序列模型其实也是一种回归模型，属于定量预测，其基于的原理是，一方面承认事物发展的延续性，运用过去时间序列的数据进行统计分析就能推测事物的发展趋势；另一方面又充分考虑到偶然因素影响而产生的随机性，为了消除随机波动的影响，利用历史数据，进行统计分析，并对数据进行适当的处理，进行趋势预测。优点是简单易行，便于掌握，能够充分运用原时间序列的各项数据，计算速度快，对模型参数有动态确定的能力，精度较好，采用组合的时间序列或者把时间序列和其他模型组合效果更好。缺点是不能反映事物的内在联系，不能分析两个因素的相关关系，常数的选择对数据修匀程度影响较大，不宜取得太小，只适用于短期预测 3 灰色预测理论模型 灰色预测的基本思路是将已知的数据序列按照某种规则构成动态或非动态的白色模块，再按照某种变化、解法来求解未来的灰色模型。它的主要特点是模型使用的不是原始数据序列，而是生成的数据序列。其核心体系是灰色模型(GM)，即对原始数据作累加生成(或其他方法生成)得到近似的指数规律再进行建模的模型方法。优点是不需要很多的数据，一般只需要4个数据就够，能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统的本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成数列，运算简便，易于检验，具有不考虑分布规律，不考虑变化趋势。缺点是只适用于中长期的预测，只适合指数增长的预测，对波动性不好的时间序列预测结果较差。