预测函数控制在网络化控制系统中的研究与应用(EI收录)

合集下载

预测控制系统的研究及应用

预测控制系统的研究及应用第一章绪论预测控制系统是一种先进的控制方法，该方法能够根据系统的数学模型进行预测并进行优化控制，以实现更好的控制效果。

预测控制系统具有广泛的应用前景，在生产制造、交通运输、环保监测等领域中得到了广泛的应用。

本文将详细介绍预测控制系统的研究进展及其应用情况。

第二章预测控制系统的研究进展2.1 预测控制系统的基本原理预测控制系统的基本原理是通过预测系统未来的输出值，来调节当前的控制信号，以达到优化控制的目的。

预测控制系统的核心是预测模型，该模型可以是基于时间序列分析的模型、神经网络模型、支持向量机模型等。

在预测模型的基础上，预测控制系统可以使用不同的控制方法，如优化控制方法、模型参考自适应控制方法等。

2.2 预测控制系统的优点与传统的控制系统相比，预测控制系统具有以下优点：（1）预测控制系统具有更好的控制性能和鲁棒性；（2）预测控制系统可以对非线性、时变、多变量系统进行控制；（3）预测控制系统可以在控制过程中进行在线修正，以适应不同的工况。

2.3 预测控制系统的研究进展预测控制系统的研究始于上世纪70年代，并在80年代逐渐成熟。

目前，预测控制系统的研究成果已经应用于多个领域。

例如，在化工、制造业、交通运输等领域中，预测控制系统已经被广泛应用。

第三章预测控制系统的应用情况3.1 生产制造领域在生产制造领域中，预测控制系统被广泛用于生产过程的控制和优化。

例如，在钢铁生产中，预测控制系统可以减少能源消耗、提高生产效率、优化工艺流程等。

在半导体制造中，预测控制系统可以实现精确的温度控制、化学反应控制等。

3.2 交通运输领域在交通运输领域中，预测控制系统的应用越来越广泛。

例如，在交通流控制中，预测控制系统可以根据交通流量预测未来的交通状况，并进行流量优化控制，达到缓解交通拥堵、提高道路通行能力的效果。

3.3 环保监测领域在环保监测领域中，预测控制系统可以通过预测未来的污染物浓度，及时调整排放源，以实现对环境污染的有效控制。

预测函数控制

预测函数控制1 什么是预测函数控制？预测函数控制（Predictive Function Control，PFC）是一种智能控制技术，它使用模型预测和控制决策，可以提高系统效率和性能。

它包括一系列新型智能控制算法，把蒙特卡罗（Monte Carlo）技术和传统的控制算法进行了结合。

研究表明，预测函数控制能够获得更高的系统性能，可以提高设备的效率和可靠性，并减少能耗。

2 预测函数控制的工作原理预测函数控制（PFC）把模型，规划，优化和控制结合在一起，有助于预测系统未来的变化。

PFC武装系统，可以熟练地预测变化，有助于系统生成更高效的控制操作。

此外，PFC使用多源数据，用于实时预测，以可能最大程度地提高系统性能并减少延迟，并将同时发生的不确定性和模糊边界纳入考虑。

把数据建模和控制输入合并起来后，便可以实现自动控制，不再需要人工参与。

3 预测函数控制具有哪些优势？预测函数控制有两个显著优势：可扩展性和高性能。

首先，它具有很强的可扩展性，可以根据系统应用的要求对系统进行更新和扩展，以应对新任务。

其次，PFC系统在控制算法方面有很大的比例，能够提高控制系统的性能。

它能够很好地调节和控制系统的活动，使其不易受外界影响。

同时，它还可以有效地减少延迟，实现更高的运行效率和更准确的预测。

4 结论综上所述，预测函数控制是一种智能控制技术，可以提高系统效率和性能，并减少能耗、减少系统变化时的延迟。

它具有很强的可扩展性和高性能。

预测函数控制可以在系统控制中发挥重要作用，是未来大规模和复杂系统控制的重要组成部分，因此值得推广应用。

网络化控制系统的研究与建模的开题报告

网络化控制系统的研究与建模的开题报告一、选题背景随着信息技术的飞速发展，网络化控制系统已经被广泛应用于工业、交通等领域。

网络化控制系统不仅可以提高控制系统的精度和效率，还可以降低成本和人工干预的风险，具有很大的应用前景，因此成为研究的热点之一。

然而，网络化控制系统具有复杂的动态特性和网络延迟问题，导致系统稳定性和控制精度受到严重影响。

因此，研究网络化控制系统的建模和控制算法，对于提高系统的性能和稳定性至关重要。

二、选题目的和意义本文旨在研究网络化控制系统的建模和控制算法，通过建立系统的数学模型，分析系统的性能和稳定性，提出有效的控制策略，以提高系统的控制精度和稳定性。

同时，本文将重点关注网络延迟问题的影响和解决方案，通过分析网络延迟的动态特性，提出相应的预测和补偿算法，有效降低网络延迟对系统的影响，提高系统的控制精度和稳定性。

三、研究内容和方法1.网络化控制系统的建模方法：建立系统的数学模型，分析系统的动态特性和网络延迟的影响。

2.网络延迟预测与补偿算法：分析网络延迟的动态特性，提出相应的预测和补偿算法，降低网络延迟对系统的影响。

3.控制算法设计：基于系统的数学模型，设计有效的控制算法，提高系统的控制精度和稳定性。

4.系统性能分析：通过仿真实验和实际应用测试，分析系统的性能和稳定性。

四、研究进度安排第一阶段(1个月)：阅读相关文献，熟悉网络化控制系统的基本理论和研究现状，确定研究内容和方法。

第二阶段(2个月)：建立网络化控制系统的数学模型，分析系统的动态特性和网络延迟的影响。

第三阶段(2个月)：设计网络延迟预测与补偿算法，降低网络延迟对系统的影响。

第四阶段(3个月)：设计基于系统模型的控制算法，提高系统的控制精度和稳定性。

第五阶段(1个月)：进行系统性能仿真实验和实际应用测试，分析系统的性能和稳定性。

第六阶段(1个月)：撰写论文，准备答辩材料。

五、预期成果1.研究网络化控制系统的建模和控制算法，提高系统的控制精度和稳定性。

长延时网络控制系统预测函数控制研究

Ａｂｔａｔｎｐａｔｃｌｅｉｅｒｎｙｔｍ，ｔｅｓｌｃｉｎｏａｌｎｒｑｅｃｓｄｃｄｄｂｈｉｈｓｙｔｍｉ－ｓｒｃ：Ｉｒｃｉａｎｇｎｅｉｇｓｓｅｈｅｅｔｆｓｍｐｉｇｆｅｕｎｙｉｅｉｅｙｔｅｈｇｅｔｓｓｅｓｇｏ
关键词：络控制系统；延时；测函数控制网长预中图分类号：Ｐ７Ｔ２３文献标识码：Ａ国家标准学科分类代码：１．８５００
Ｒｅｅｒｈｏｅｉｔｖｕｎｔｏｌｃｎｔｏｆｌｎｅａｓａｃｎｐｒｄｃｉｅｆｃｉｎａｏｒｌｏｏｇｄｌｙｎｔｒｄｃｎｔｏｙｔｍｓｅｗｏｋｅｏｒｌｓｓｅ
ｗｒｅｏｔｌｙｔｓ（Ｃ）ｕｕｌｓｕｅｔａｔｅｎｔｏｋｄｌｓｔａａｐｉｅｏ．ＩｉｐｐｒｏｋｄｃｎｒｓｍＮＳｓａｙａｓｍｔｈｅｒｅｙｉｌｓｈｎａｓｍｌｇｐｒｄｎｔｓａｅ，ｏｓｅｌｈｗａｓｅｎｉｈ
ＷａｇＺｕｅｇ，ＪａｇＪｎｐｎ，ＬｉｈｎｎｈｆｎｉｎｉｇｉｇｉＬｃｕ
（ｏｅｅｏｌｔｃｌｎｉｅｒｇＺｅａｎｅｉ，ａｇｈｕ１０７ｈｎ）Ｃｌｇｅｒａｇｎｅｉ，ｈｉｎＵｉｒｔＨｎｚｏ０２，ＣｉａｌｆＥｃｉＥｎｊｇｖｓｙ３
ｎｌｆｅｕｎｙａｄｔｅｎｔｒｏａｒｑｅｃｎｈｅｗｏｋｃｍｍｕｉａｉｎｄｌｙｒｌｓｏｈｅｗｏｋｓｒｔｒ．Ｃｏｓｑｅｔｎｃｔｏｅａｅｉｎｔｅｎｔｒｔｕｃｕｅｅｎｅｕｎｌｙ，ｔｅｅｉｏＣＩｅｈｒｓｎＯＴ —

基于Elman神经网络的预测控制研究及应用的开题报告

基于Elman神经网络的预测控制研究及应用的开题
报告
一、研究背景与意义
在控制领域中，预测控制算法是一种常用的控制方法，它可以对未
来的系统状态进行预测并采取相应的控制策略，以达到控制目标。

而Elman神经网络是一种递归神经网络，具有很强的模型拟合能力和非线性映射能力，被广泛地应用于预测控制领域。

本文将以Elman神经网络为研究对象，探讨其在预测控制方面的应用。

主要研究内容包括：
1. 建立基于Elman神经网络的预测模型，实现系统状态的预测；
2. 设计基于模型预测控制算法，采取动态控制策略；
3. 在电力控制系统中进行仿真实验，验证Elman神经网络在预测控制领域的优越性。

二、研究内容及方法
1. Elman神经网络预测模型：通过对Elman神经网络结构进行分析，建立基于Elman神经网络的预测模型，并利用历史数据训练网络，以预
测未来系统状态。

2. 模型预测控制算法：利用预测模型预测未来系统状态，根据控制
目标设计动态控制策略，并将控制信号输入到系统中，以实现控制目标。

3. 仿真实验：以电力控制系统为研究对象，通过Matlab等仿真软件搭建仿真模型，进行仿真实验，验证Elman神经网络在预测控制领域的
优越性。

三、预期成果及意义
1. 建立了基于Elman神经网络的预测模型及模型预测控制算法，为预测控制领域提供了一种新的控制方法。

2. 验证了Elman神经网络在预测控制领域具有很好的预测效果和控制性能，可为电力控制系统的优化设计提供参考。

3. 为基于神经网络的控制算法在实际工程项目中的应用提供了理论基础和技术支持，具有一定的实用价值和推广意义。

预测控制理论及其应用

预测控制理论及其应用随着人类对科技的不断探索和发展，预测控制理论也逐渐成为了人们关注的焦点。

预测控制理论是一种基于时序数据的控制方法，将预测模型与控制器相结合，通过对未来状态的预测来指导控制器的决策，从而实现对系统的控制和优化。

在工业制造、能源管理、交通运输、农业等各个领域，预测控制理论的应用已经越来越广泛。

例如，在制造业中，预测控制可以帮助企业预测生产过程中可能出现的问题，并及时采取措施进行调整，提高产品的质量和效率；在交通运输领域，预测控制可以帮助交通管理部门预测路况，以及对交通流量进行调控，减少交通拥堵和事故发生的可能性。

预测控制理论的核心是预测模型，预测模型可以通过统计学方法、人工神经网络、时间序列分析等进行建立。

在建立预测模型的过程中，需要考虑到多个因素对于目标变量的影响，从而确保预测模型的准确性和可靠性。

除了预测模型，控制器也是预测控制理论中的一个重要组成部分。

控制器可以分为传统控制和预测控制两种方式。

传统控制是基于当前系统状态的反馈控制方式，而预测控制则是将模型预测结果作为控制决策的输入，从而具有更加灵活和高效的特点。

此外，预测控制理论中也提出了基于模型参考自适应控制、基于迭代学习控制等方法，进一步扩展了预测控制理论的应用范围和能力。

要想实现预测控制理论的应用，还需要结合实际场景进行实践和探索。

例如，在机器人控制领域中，预测控制可以帮助机器人在复杂环境中进行路径规划和障碍物避免控制，提高机器人的智能化和自主化程度；在智能家居领域中，预测控制可以帮助智能家居实现对家庭环境的感知和控制，提高家居的舒适度和安全性。

需要注意的是，预测控制理论虽然具有很高的应用价值和前景，但是在实际应用中也面临着一些挑战。

例如，模型的建立和参数的调整需要消耗大量时间和资源；控制器的设计和实现也需要具备一定的技术和经验。

因此，需要在理论和实践结合的基础上，不断优化和提高预测控制技术的性能和稳定性。

总之，预测控制理论作为一种新型的控制方法，正逐步成为各个领域的研究和发展方向。

网络化控制系统的预测控制算法研究

网络化控制系统的预测控制算法研究随着信息技术的快速发展，网络化控制系统在各个领域中得到了广泛的应用。

网络化控制系统是指通过网络连接的传感器、执行器和控制器组成的控制系统，它具有分布式、开放性和跨网络的特点。

然而，网络化控制系统的延迟、不确定性和数据丢失等问题给系统的控制性能带来了挑战。

为了解决这些问题，预测控制算法成为了网络化控制系统的研究热点之一。

预测控制算法通过利用系统的数学模型和实时测量数据，预测未来的系统状态，并根据预测结果进行控制决策。

它可以通过预测未来的系统状态来补偿网络延迟，减小不确定性的影响，并提高系统的控制性能。

预测控制算法可以分为基于模型和无模型的方法。

基于模型的预测控制算法需要事先建立系统的数学模型，并根据模型进行预测和控制。

这种方法具有较高的精度和鲁棒性，但对于复杂系统的建模较为困难。

而无模型的预测控制算法则不需要事先建立系统的数学模型，直接利用实时测量数据进行预测和控制。

这种方法具有较低的计算复杂度和较强的适应性，但预测精度较低。

近年来，研究者们提出了许多改进的预测控制算法，以提高网络化控制系统的控制性能。

例如，基于深度学习的预测控制算法可以通过神经网络模型自动学习系统的动态特性，从而提高预测精度。

此外，基于模型的预测控制算法也可以结合无模型的方法，通过在线辨识和参数估计来更新系统的模型，减小建模误差的影响。

然而，网络化控制系统的预测控制算法仍然面临一些挑战。

首先，网络传输的延迟和丢包会导致预测结果的不准确性，从而影响系统的控制性能。

其次，网络中存在的不确定性和故障也会对预测控制算法的稳定性和鲁棒性造成影响。

因此，今后的研究需要进一步改进预测控制算法，以应对这些挑战。

综上所述，网络化控制系统的预测控制算法是提高系统控制性能的重要手段。

通过预测未来的系统状态，预测控制算法可以补偿网络延迟和减小不确定性的影响，从而提高系统的稳定性和鲁棒性。

未来的研究应该继续改进算法的预测精度和适应性，以满足不同领域中网络化控制系统的需求。

预测控制：探讨预测控制在控制系统中的应用和实践

预测控制：探讨预测控制在控制系统中的应用和实践引言在现代工业控制系统中，预测控制（Model Predictive Control，简称MPC）是一种先进的控制策略，广泛应用于各种领域，如化工过程控制、电力系统调度、交通流控制等。

预测控制通过建立一个数学模型来预测系统的未来行为，并根据这些预测结果制定最优的控制策略，从而实现对系统的稳定控制和优化控制。

本文将深入探讨预测控制在控制系统中的应用和实践。

预测控制的基本原理预测控制的基本原理是通过建立系统的动态模型来预测系统未来的状态，并通过优化方法来选择最优的控制策略，从而实现对系统的控制。

在预测控制中，通常会使用离散时间模型和最小化目标函数的方法来进行优化。

离散时间模型在预测控制中，系统的动态行为通常被建模为离散时间模型。

离散时间模型将系统的状态从连续时间转换为离散时间，并将系统的输入和输出表示为离散的时间序列。

通过建立离散时间模型，可以方便地对系统进行预测和优化控制。

目标函数优化在预测控制中，通常会使用目标函数来表示系统的性能指标，并通过优化目标函数来选择最优的控制策略。

目标函数可以包含多个变量，如系统的状态误差、控制输入的变化率等。

通过最小化目标函数，可以选择最优的控制策略，以达到稳定控制和优化控制的目标。

预测控制的应用领域化工过程控制在化工过程中，预测控制可以实现对化工过程的温度、压力、流量等参数的控制。

通过建立化工过程的动态模型，并结合优化算法，可以选择最优的控制策略来实现化工过程的稳定控制和优化控制。

预测控制在化工过程中的应用可以提高生产效率、减少能源消耗，同时减少人工干预，提高安全性。

电力系统调度在电力系统调度中，预测控制可以实现对电力系统的电压、频率、机组出力等参数的控制。

通过建立电力系统的动态模型，并结合市场需求和优化算法，可以选择最优的发电机出力和输电功率分配策略，以实现电力系统的稳定运行和经济运行。

预测控制在电力系统调度中的应用可以提高供电可靠性，降低运行成本，同时优化电力资源的利用。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

xp ( k i )
݊Ё M (i )
M i xp ( k ) * ( m )U huiM T (i ) V ( k ) M T (i )
[M i 1 , M i 2 ," ,1], V (k ) Ўⱑాໄ৥䞣ˈे˖
(5)
ᭈ⧚ᓣ(11)ᕫ˖
yp ( k i )
݊Ё˖
i 1
1ˊᓩ㿔
㔥㒰࣪᥻ࠊ㋏㒳˄ Networked Control System ˈㅔ鹵 NCS˅ⱘ⡍⚍ᰃড作᥻ࠊಲ䏃䗮䖛৘辵㔥㒰ֵ䘧䖲᥹㗠ᔶ ៤㋏㒳䯁⦃ǄϢӴ㒳ᛣНϞⱘ᥻ࠊ㋏㒳Ⳍ↨᳝ᕜ໮Ӭ⚍˖ བᅲ⦄䌘⑤݅ѿˈѸѦᗻད˗֓Ѣ㋏㒳ᅝ㺙ǃ㓈ᡸǃᠽሩ˗ ‫ޣ‬ᇥ㋏㒳䖲㒓ˈ⠽⧚㒧ᵘⳌᇍㅔऩˈ๲ࡴњ㋏㒳ⱘ♉⌏ᗻ ੠ৃ䴴ᗻǄ಴㗠㔥㒰࣪᥻ࠊ㋏㒳ℷ៤ЎҎӀⷨおⱘϔϾ⛁ ⚍ˈᑊᓩ䍋њ䍞ᴹ䍞໮ⱘᄺ㗙ⱘ݈䍷[1-3]Ǆ Ԛᰃˈ 䗮䆃㔥㒰ⱘᓩܹՓ㋏㒳ⱘߚᵤ੠䆒䅵বᕫ䴲ᐌ1
ḋ਼ᳳˈ㗠ᰃ䖳ᓊߚᏗऎඳⱘϞ⬠໻ѢϔϾ䞛ḋ਼ᳳǄ ೼㔥㒰࣪᥻ࠊ㋏㒳Ёˈḍ᥂㡖⚍ⱘ偅ࡼᮍᓣϡৠˈ㔥㒰⦃๗ϟⱘ᥻ࠊ㋏㒳ᓎ῵г䱣ПϡৠǄЎњⷨおᮍ֓ˈᴀ ᭛া㗗㰥㔥㒰࣪᥻ࠊ㋏㒳ЁⱘӴ䕧䖳ᓊ㗠ϡ㗗㰥᭄᥂϶ࣙ ੠᭄᥂ࣙᯊᑣ䫭хᚙ‫ˈމ‬Ϩ‫خ‬བϟ‫؛‬䆒˖ ‫؛‬䆒 ˖Ӵᛳ఼㡖⚍䞛⫼ᯊ䩳偅ࡼᮍᓣˈ᥻ࠊ఼㡖⚍
乘⌟ߑ᭄᥻ࠊ೼㔥㒰࣪᥻ࠊ㋏㒳ЁⱘⷨおϢᑨ⫼
਼咢䕝 1,2
1)
⥟໽෗ 3
䶽⩲ 1
ᕤ໻ᑇ 3
3)
ढ࣫⬉࡯໻ᄺ᥻ࠊ里ᄺϢᎹ⿟ᄺ䰶 ֱᅮ 071003 2) ೑⬉फҀ㞾ࡼ᳝࣪䰤݀ৌ फҀ 210003 ढ࣫⬉࡯໻ᄺ㛑⑤Ϣࡼ࡯Ꮉ⿟ᄺ䰶 ࣫Ҁ 102206
ᨬ
㽕
㔥㒰࣪᥻ࠊ㋏㒳Ё⬅Ѣ㔥㒰Ӵ䕧ৃ㛑ᓩ䍋ϡ⹂ᅮᗻ䭓ᯊ䯈䖳ᓊ੠ⷁᯊ䯈䖳ᓊǄ䩜ᇍϸ辵ৃ㛑ߎ⦄ⱘᯊ䯈䖳ᓊ⡍ᗻˈ೼᥻
m 0 h
yp(k i) CMi xp(k ) C*(m)Ph u (h< N ) F (h< N ) u iMT (i)
(3)
K
V (K )
(11)
ৃ‫ݭ‬Ў˖
xp ( k i ) M xp (k i 1) K *(m)u T (k i m 1) v(k i 1)
>@
Ǆ
䆹ㅫ⊩ᡞ᥻ࠊ䕧ܹⱘ㒧ᵘ㾚Ў݇䬂䯂乬ˈৃҹ‫ܟ‬᳡݊ᅗ῵ ൟ乘⌟᥻ࠊৃ㛑ߎ⦄㾘ᕟϡᯢⱘ᥻ࠊ䕧ܹ䯂乬ˈৠᯊ‫݋‬᳝ 㡃དⱘ䎳䏾㛑࡯ঞ䕗ᔎⱘ剕ẦᗻǄ乘⌟ߑ᭄᥻ࠊㅫ⊩гৃ ҹ䞛⫼䕗໻ⱘ䞛ḋ਼ᳳˈ↨䕗䗖⫼Ѣᄬ೼Ӵ䕧䖳ᓊⱘ㔥㒰 ࣪᥻ࠊ㋏㒳ˈ⬅ѢӴ䕧䖳ᓊⱘᄬ೼ˈӴ㒳乘⌟ߑ᭄᥻ࠊㅫ ⊩ϡ㛑ᕫࠄᕜདⱘ᥻ࠊᬜᵰǄᴀ᭛ᦤߎ೼᥻ࠊ఼㡖⚍ᓩܹ 㛑䗖⫼Ѣⷁᯊ䯈䖳ᓊ੠䭓ᯊ䯈䖳ᓊⱘᬍ䖯乘⌟ߑ᭄᥻ࠊㅫ ⊩ˈᑊ೼ℸ෎⸔Ϟ⫼䆒䅵ⱘ㔥㒰࣪᥻ࠊ㋏㒳῵ൟ偠䆕݊᥻ ࠊᬜᵰǄ
Wca
Wsc
3ˊᬍ䖯乘⌟ߑ᭄᥻ࠊㅫ⊩
೒ 1˖㔥㒰࣪᥻ࠊ㋏㒳ⱘ෎ᴀ㒧ᵘ
3.1 㔥㒰⦃๗ϟˈ ໮⫼᠋݅ѿ䗮䆃㒓䏃Ϩ⌕䞣ব࣪ϡ㾘߭ˈ ᔧ৘Ͼ㡖⚍䗮䖛㔥㒰Ѹᤶ᭄᥂ᯊᖙ✊ᇐ㟈Ӵ䕧䖳ᓊˈNCS ⱘӴ䕧䖳ᓊЏ㽕⬅ϸ䚼ߚᵘ៤˖Ӵᛳ఼㡖⚍ˉ᥻ࠊ఼㡖⚍ ⱘӴ䕧䖳ᓊ W sc ੠᥻ࠊ఼㡖⚍ˉᠻ㸠఼㡖⚍ⱘӴ䕧䖳ᓊ W ca ǄӴ䕧䖳ᓊৃ㛑໻ѢϔϾ䞛ḋ਼ᳳ ⫼ T 㸼冫 ˈгৃ㛑 ᇣѢϔϾ䞛ḋ਼ᳳ಴ℸᦤߎབϟᅮН˖ ᅮН ᔧ㔥㒰Ӵ䕧䖳ᓊ೼ऎ䯈 [0, a] ‫ߚݙ‬ᏗˈϨ
Wca Wsc
Wca
3.2
Wsc
೒ 2˖ᬍ䖯乘⌟ߑ᭄᥻ࠊㅫ⊩ॳ⧚ᮍḚ೒
‫݋‬᳝䖳ᓊ⡍ᗻⱘ乘⌟῵ൟ ⬅ᓣ(2)ৃᕫ೼㄀ (k i) Ͼ᥻ࠊ਼ᳳⱘ⢊ᗕЎ˖
6237
xp ( k i ) M xp (k i 1) ¦ *mu ( k i m 1) v (k i 1)
ᬍ䖯乘⌟ߑ᭄ㅫ⊩෎ᴀॳ⧚
ᬍ䖯乘⌟ߑ᭄᥻ࠊㅫ⊩ॳ⧚Ḛ೒བ೒ 2 ᠔冫ˈϢӴ㒳 ⱘ乘⌟ߑ᭄᥻ࠊㅫ⊩Ⳍ↨ˈЏ㽕ऎ߿ᰃᅗՓ⫼㋏㒳ⱘ‫݋‬᳝ 䖳ᓊ⡍ᗻⱘ⢊ᗕぎ䯈῵ൟᴹ乘⌟ᇍ䈵ⱘ䕧ߎǄ
a d T ˈ߭鹵䖭ḋⱘӴ䕧䖳ᓊЎⷁᯊ䯈䖳ᓊ˗ ᅮН ᔧ㔥㒰Ӵ䕧䖳ᓊ೼ऎ䯈 [0, a] ‫ߚݙ‬ᏗˈϨ a t T ˈ߭鹵䖭ḋⱘӴ䕧䖳ᓊЎ䭓ᯊ䯈䖳ᓊ˗ ⊼˖⬅ᅮН ৃⶹˈ䭓ᯊ䯈䖳ᓊϡᰃϔᅮ໻ѢϔϾ䞛
ాໄǄ 㓐ড়㗗㰥Ӵ䕧䖳ᓊЎⷁᯊ䯈䖳ᓊ੠䭓ᯊ䯈䖳ᓊϸ辵ᚙ ‫ˈމ‬ᡞ䖲㓁῵ൟ行ᬷ࣪ˈৃᕫ˖
h p p x ( k 1) M x ( k ) ° ¦ * m u ( k m ) v(k ) ® m 0 ° y p ( k ) Cx p ( k ) w ( k ) ¯

(2)
2ˊ㔥㒰࣪᥻ࠊ㋏㒳ⱘߚᵤϢᓎ῵
Lihui Zhou1,2, Tiankun Wang3, Pu Han1, Daping Xu3
2)
North China Electric Power University, Baoding 071003(E-mail: hp@) Guo Dian Nan Jing Automation Co. LTD, Nanjing 210003 (E-mail: zhouli-hui@) 3) North China Electric Power University, Beijing 102206 (E-mail: wangtiankun@)
K C M i x p ( k ) P n <W j T (i ) V ( K ) Wj (i) [ w1(i ), w2(i )," , wj (i )] ,
ª
h
(12)
V (k ) [v(k ), v(k 1)," v(k i 1)] ˈ K K K U hui [u T (k ), u T (k 1)," , u T (k i 1)]
‫ݭ‬Ўⶽ䰉ᔶᓣЎ˖
wj (i )
¦ M n « ¦ >C*mfj (i 1 n m)@» ,1 d j d N ,
೑ᆊ㞾✊里ᄺ෎䞥乍Ⳃ˄䌘ࡽো˖50677021˅
ೄ䲒ˈ㔥㒰࣪᥻ࠊ㋏㒳৘㡖⚍П䯈䗮䖛㔥㒰Ӵ䕧ֵᙃᯊᖙ ᇚᓩ䍋Ӵ䕧䖳ᓊˈ 䖭Ӯ䰡Ԣ㋏㒳ᗻ㛑⫮㟇ᓩ䍋㋏㒳ϡ〇ᅮǄ NCS῵ൟᰃᇍ݊ߚᵤ੠᥻ࠊ఼㡖⚍䆒䅵ⱘ෎⸔ˈ᭛⤂[4]߽ ⫼њ㔥㒰Ӵ䕧䖳ᓊᇣѢϔϾ䞛ḋ਼ᳳⱘⷁᯊ䯈䖳ᓊNCS῵ ൟ‫఼ࠊ᥻خ‬㡖⚍䆒䅵 ˈԚ㔥㒰Ӵ䕧䖳ᓊᇣѢϔϾ䞛ḋ਼ ᳳ䖭ϔ‫؛‬䆒೼ᅲ䰙㋏㒳Ёᐌᐌϡ㛑ᕫࠄ⒵䎇˗᭛⤂[5]ᡞ㔥㒰Ёⱘϡ⹂ᅮᗻ䖳ᓊ䗮䖛䆒㕂㓧‫ކ‬ऎඳ䕀ᤶ៤⹂ᅮᗻ䖳 ᓊˈҢ㗠ᇚ㔥㒰࣪᥻ࠊ㋏㒳Ң䱣ᴎ㋏㒳䕀࣪Ў⹂ᅮᗻᯊ⒲ ㋏㒳 ˈԚ㓧‫ކ‬ऎⱘ䆒ゟҎЎⱘᓊ䭓њ䖳ᓊᯊ䯈ˈ⬹ᰒ⡉ ᔎǄ 乘⌟ߑ᭄᥻ࠊ(Predictive Functional Control, ㅔ鹵PFC)
>@ >@
978-1-4244-2114-5/08/$25.00 © 2008 IEEE.
6236
᳔ ᮽ ⬅ ⊩ ೑ ADERSA ݀ ৌ ⱘ Richalet ੠ ᖋ ೑ IITB ݀ ৌ ⱘ KuntzeㄝҎ೼ᑈҷЁৢᳳᦤߎˈᑊ៤ࡳᑨ⫼ѢᎹϮᴎ఼ Ҏⱘᖿ䗳催㊒ᑺ᥻ࠊ ሲѢ㄀ϝҷ῵ൟ乘⌟᥻ࠊㅫ⊩
‫݌‬ൟⱘ㔥㒰࣪᥻ࠊ㋏㒳㒧ᵘЏ㽕⬅ϔϾ㔥㒰῵ഫ੠㢹 ᑆϾᱎ㛑㡖⚍㒘៤ˈབ೒ ᠔冫Ǆ
M
e AT , *m
³
k tm 1
k tm
k e A (T s ) Bds, t 1
k T ; th
0
ᔧӴ䕧䖳ᓊЎⷁᯊ䯈䖳ᓊᯊˈे 0 W k T ˈᓣ (2) Ё h=1ˈ೼ϔϾ䞛ḋ਼ᳳ [kT , (k 1)T ] ‫ࠄݙ‬䖒㹿᥻ᇍ䈵Ϟ ⱘ᥻ࠊ䞣া᳝ϔϾ u(t)˗ᔧӴ䕧䖳ᓊЎ䭓ᯊ䯈䖳ᓊᯊˈे ˈᓣ(2)Ё h>1ˈ೼ϔϾ䞛ḋ਼ T W k hT ˄h Ўℷᭈ᭄˅ ᳳ [kT ,(k 1)T ] ‫ࠄݙ‬䖒㹿᥻ᇍ䈵ⱘ᥻ࠊ䞣 u(t)ߚ↉䖲㓁Ϩ ᳔໮᳝ h+1 ϾϡৠⱘؐǄ ҹϞ‫ݙ‬ᆍᓎゟњϔϾߚᏗᓣ㔥㒰࣪᥻ࠊ㋏㒳῵ൟǄ
1)
sAbstract—With regards to the characteristics of stochastic short time delay and long time delay induced by the network transmission in networked control system (NCS), the improved predictive functional control (PFC) algorithm is proposed in this paper. The two kind of network-induced time delays are specifically considered for predicting the future plant outputs in improved PFC algorithm. The control law is given by improved PFC which is introduced to controller nodes in NCS. A distributed NCS model is constructed based on TrueTime toolbox. Simulation experiments are practiced over this model which embraces both stochastic short time delay and long time delay. It is proved that the improved PFC algorithm can give better control performance compared with the standard PFC algorithm. Keywords—Networked Control System (NCS), Long Time Delay, Short Time Delay, Predictive Functional Control (PFC)
ࠊ఼㡖⚍ᓩܹᬍ䖯乘⌟ߑ᭄᥻ࠊㅫ⊩ˈ䆹ㅫ⊩೼乘⌟㋏㒳᳾ᴹ䕧ߎᯊ㗗㰥њϸ辵ৃ㛑ⱘᯊ䯈䖳ᓊ಴㋴ˈᕫߎњ䗖⫼Ѣ‫ޣ‬ᇣ䭓ǃⷁᯊ䯈䖳ᓊᕅડⱘ᥻ࠊ䕧ߎㄪ⬹Ǆ೼ Matlab ⦃๗ϟ߽⫼ TrueTime Ꮉ‫݋‬ㆅᵘᓎњ㔥㒰ӓⳳ⦃๗ˈᇍ↨њ೼ϸ辵ᯊ䯈䖳ᓊᑊᄬᚙ‫މ‬ϟϢᐌ㾘乘 ⌟ߑ᭄᥻ࠊㅫ⊩ⱘ᥻ࠊᬜᵰˈӓⳳ㒧ᵰ㸼ᯢᬍ䖯ৢⱘㅫ⊩ᇍ‫ޣ‬ᇣ䭓ǃⷁᯊ䯈䖳ᓊᕅડˈᦤ催᥻ࠊક䋼᳝ⴔ㡃དᬜᵰǄ ݇䬂䆡㔥㒰࣪᥻ࠊ㋏㒳ˈ䭓ᯊ䯈䖳ᓊˈⷁᯊ䯈䖳ᓊˈ乘⌟ߑ᭄᥻ࠊ