模型预测控制
Model Predictive Control
（1）脉冲响应模型
图12-1 脉冲响应模型
26
37
图12-4 阶跃响应模型
39
∑=∑=?====?i
j j
i j j i i i i i h g a a a h g 1
1
1
实际上
1231()(1)(2)(3)()
()
n N
i i y k a u k a u k a u k a u k n a u k i ==?Δ?+?Δ?+?Δ?++?Δ?=?Δ?∑L 阶跃响应模型：
（1）预测模型43)
1()()(????=?Δi k u i k u i k u 其中
为k －i 时刻作用在系统上的
控制增量。
图12-4 阶跃响应模型
)()()(1111111?++???++=z F z z A z E 0
=E ]
)([)(111e z A F z z F ??+?=
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
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（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
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 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