模型预测控制快速求解算法VIP免费

模型预测控制快速求解算法模型预测控制(ModelPredictiveControl,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期较大且动态变化过程较慢的系统中。为使预测控制方法能在更多场合中应用，快速模型预测控制算法成为了一个新的研究方向。3.1国内外研究现状近年来人们对预测控制算法的不足有了越来越清晰的认识，为了将该算法应用到更多领域，越来越多的学者对其进行不断研究和改进。阅读近些年国内外核心期刊的文献可知，人们对预测控制方法能够在更大更复杂的系统中应用寄予了很高期望，同时也在其不足方面做了很多探究和尝试，发展出了多种智能预测控制方法。快速模型预测控制算法作为目前智能预测控制方法之一，其研究方向主要有以下几个方面：(1)显式模型预测控制(ExplicitModelPredictiveControl,EMPC)2002年AlbertoBemporad等学者⑴提出了显式模型预测控制，该方法在预测控制基础之上，在线性时不变系统优化求解过程中引入多参数二次规划理论，对系统的状态区域进行凸划分，根据最优控制问题计算得到状态分区上相应的控制律。EMPC将模型预测控制的在线计算过程转化为离线和在线计算相结合的过程，大大减少了算法的在线计算时间，弥补了MPC方法反复在线计算的不足，EMPC也在电力电子［2］、电机控制［3］等领域得到了很好应用。但随着被控对象问题规模(如输入、状态维数、约束等)的增大，EMPC算法在离线计算过程中所求的状态分区数会呈指数倍增加，而状态分区数的增加不仅会导致存储状态分区所需的存储空间增加，还会导致EMPC算法在线查找最优解所需的计算时间增加，因此该算法很难适用于状态约束较多(状态变量往往不超过5)、预测步长较大的复杂系统。基于以上原因，许多学者提出用近似的显式模型预测控制方法［4,5］来代替精确的EMPC算法，即通过牺牲一定的控制精度来降低计算过程中的复杂度，从而简化整个求解过程。如文献［6］提出了显式模型预测控制的多尺度近似方法，通过引入分段...