模型预测控制

专题1作业

（1）简要介绍一下模型预测控制的原理、模型预测控制与基础PID控制回路的闭环实现框图；动态矩阵控制采用什么内部模型？

●模型预测控制原理：模型预测控制不仅利用当前和过去的偏差值，而且还利用预测模型

来预测过程未来的偏差值。通过滚动优化来确定当前的最优控制策略，使未来一段时间内被控变量与期望值偏差最小。系统输出的反馈校正用于补偿模型预测误差和其他扰动。

●闭环实现框图：

图1模型预测控制框图

图2基础PID控制框图

●动态矩阵控制内部模型：主要采用基于被控对象单位阶跃响应非参数模型。

（2）软测量包括哪几种类型？变结构控制原理是什么？什么是完整性控制方法？

●软测量：根据软测量模型的建模机制可分为以下几类：

?机理建模（白箱建模）

?数据驱动建模（黑箱建模）

?混合建模

?非线性动态软测量建模

●变结构控制原理：在动态控制中，根据系统当时状态，以跃变方式有目的地不断变换，

迫使系统按预定的“滑动模态”的状态轨迹运动。变结构是通过切换函数实现的。当系统的状态向量所决定的切换函数值，随着它的运动达到某特定值时，系统中一种结构（运动微分方程）转变成另一种结构。其系统结构图如下所示。

图3变结构控制系统框图

●完整性控制方法：完整性控制是容错控制的研究热点，所谓完整性是指当系统中某些部

件失效后，系统仍能够稳定工作的特性。基于该特性的控制方法即为完整性控制方法。

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； 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：

MA AB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 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；

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

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。

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MATLAB仿真与设计

动态矩阵控制算法实验报告院系：电子信学院姓名：郝光杰学号：172030039 专业：控制理论与控制工程导师：俞孟蕻

MATLAB环境下动态矩阵控制实验一、实验目的：对于带有纯滞后、大惯性的研究对象，通过动态控制矩阵的MATLAB的直接处理与仿真实验，具有较强的鲁棒性和良好的跟踪性。输入已知的控制模型，通过对参数的选择，来取的良好的控制效果。二、实验原理：动态矩阵控制算法是一种基于被控对象非参数数学模型的控制算法，它是一种基于被控对象阶跃响应的预测控制算法，以对象的阶跃响应离散系统为模型，避免了系统的辨识，采用多步预估技术，解决时延问题，并按照预估输出与给定值偏差最小的二次性能指标实施控制，它适用于渐进稳定的线性对象，系统动态特性中存在非最小相位特性或纯滞后都不影响算法的直接使用。三、实验环境：计算机 MATLAB2016b 四、实验步骤：影响控制效果的主要参数有： 1）采样周期T与模型长度N 在DMC中采样周期T与模型长度N的选择需要满足香农定理和被控对象的类型及其动态特性的要求，通常需要NT后的阶跃响应输出值接近稳定值。 2)预测时域长度P P对系统的快速性和稳定性具有重要影响。为使滚动优化有意义，应使P 包含对象的主要动态部分，P越小，快速性提高，稳定性变差；反之，P越大，系统实时性降低，系统响应过于缓慢。 3）控制时域长度M

M控制未来控制量的改变数目，及优化变量的个数，在P确定的情况下，M越小，越难保证输出在各采样点紧密跟踪期望输出值，系统响应速度缓慢，可获得较好的鲁棒性，M越大，控制机动性越强，改善系统的动态性能，但是稳定性会变差。五、实例仿真（一）算法实现设GP(s)=e-80s/(60s+1),采用DMC后的动态特性如图1所示，采样周期 T=20s，优化时域P=10，M=2，建模时域N=20。 MATLAB程序1： g=poly2tfd(1,[60 1],0,80);%通用传函转换为MPC模型 delt=20; %采样周期 nt=1; %输出稳定性向量 tfinal=1000; %截断时间 model=tfd2step(tfinal,delt,nt,g);%传函转换为阶跃响应模型 plant=model;%进行模型预测控制器设计 p=10; m=2; ywt=[];uwt=1;%设置输入约束和参考轨迹等控制器参数 kmpc=mpccon(plant,ywt,uwt,m,p);%模型预测控制器增益矩阵计算 tend=1000;r=1;%仿真时间 [y,u,yrn]=mpcsim(plant,model,kmpc,tend,r);%模型预测控制仿真 t=0:20:1000;%定义自变量t的取值数组 plot(t,y) xlabel(‘图一DMC控制动态响应曲线（time/s）’); ylabel(‘响应曲线’); 结果如下： Percent error in the last step response coefficient

人口预测与控制模型

人口预测与控制模型问题分析：预测中国人口增长对研究中国经济和社会发展具有重要意义。根据相关人口统计数据，建立相应的人口发展模型，并预测未来10年内的人口发展趋势。要求有明确的模型，并估计出相关的参数。预测我国2010—2020的人口数量和滁州市2010—2020的人口数量。近年来中国的人口发展出现了一些新的特点，例如，老龄化进程加速、出生人口性别比持续升高，以及乡村人口城镇化等因素，这些都影响着中国人口的增长。模型准备：查找数据。为了有效了解、控制我国人口的增长，我国隔几年就进行一次人口普查。下表一是我国的五次人口普查数据：我们根据这几次人口普查，建立模型，估计出参数，并估计出2010—2020年的我国人口数量。滁州市的人口数据（表二）：根据这几个数据估计2010—2020年的滁州市人口数量。模型建立：一、指数增长模型最简单的人口增长模型就指数增长模型：记今年人口为0x ，k 年后人口为k x ，年增长率为r ，则

k k r x x )1(0+= (1) 显然，这个公式的基本条件是年增长率r 保持不变。记时刻t 的人口为)(t x ，)(t x 是一个很大的整数，为了利用微积分这一数学工具，将)(t x 视为连续、可微函数。记初始时刻)0(=t 的人口为0x 。假设人口增长率为常数r ，即单位时间内)(t x 的增量dt dx 等于r 乘以)(t x ，于是得到)(t x 满足微分方程rx dt dx =，0)0(x x = (2) 与这个方程很容易解出)(t x o x =e rt (3) r >0时，(3)式表示人口将按指数规律随时间增长，称之为指数增长模型。二、阻滞增长模型所谓阻滞增长模型就是考虑到自然资源、环境条件等因素对人口增长起着阻滞作用，并且随着人口的增加，阻滞作用越来越大这个因素，对指数增长模型的基本假设进行修改后得到的。阻滞作用体现在对人口增长率r 的影响上，使得r 随着人口数量x 的增加而下降。若将r 表示为x 的函数()x r ，()00x x = 对()x r 的一个最简单的假定是，设()x r 为x 的线性函数，即 ()()0,>-=s r sx r x r 这里r 称固有增长率，表示人口很少时(理论上是0=x )的增长率。为了确定系数s 的意义，引入自然资源和环境条件所能容纳的最大人口数量m x 时人口不再增长，即增长率 ()0=m x r ，代入(5)式得m x r s =，于是()???? ? ?-=m x x r x r 1，将()x r 代入方程(4)，的??? ? ??-=m x x rx dt dx 1，()00x x = 方程(6)右端的因子rx 体现人口自身的增长趋势，因子???? ? ?-m x x 1则体现了环境资源对人口增长的阻滞作用。显然，x 越大，前一因子越大，后一因子越小，人口增长是两个因子共

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

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

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

基于神经网络的预测控制模型仿真

基于神经网络的预测控制模型仿真摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。关键词：预测控制神经网络动态矩阵误差补偿 1.引言动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，