MPC模型预测控制及在Matlab中实现函数定义_mpc代价函数(1)

最新推荐文章于 2024-09-23 16:15:34 发布

2401_85015097

最新推荐文章于 2024-09-23 16:15:34 发布

阅读量1.7k

点赞数 18

分类专栏： 2024年程序员学习文章标签：物联网嵌入式硬件面试

本文链接：https://blog.csdn.net/2401_85015097/article/details/138985364

版权

2024年程序员学习专栏收录该内容

16 篇文章 1 订阅

订阅专栏

收集整理了一份《2024年最新物联网嵌入式全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升的朋友。

如果你需要这些资料，可以戳这里获取

需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人

都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

基于b站DR_CAN老师的MPC控制视频【MPC模型预测控制器】4_数学建模推导–Matlab代码详解_哔哩哔哩_bilibili的学习分享如下：

一、研究目的

在约束条件（物理限制）下达到最优的系统表现。

1.对于单输入单输出（SISO）系统：

$\int _{0}{t}e{2}dt$ 越小，跟踪能力越强；

$\int _{0}{t}u{2}dt$ 越小，输入越小，能耗越低。（用平方项来衡量e、u的绝对值大小）

2.代价函数Cost Function

$J=\int _{0}{t}qe{2}+ru^{2}dt\rightarrow minJ$ ,通过设计u，寻找最小的J的过程为最优化

其中q,r为调节参数

①若q>>r,则误差e对于设计系统的影响权重更大

②若r>>q,则系统设计更看重输入u

3.对于多输入多输出（MIMO）系统：

状态空间： $\left{\begin{matrix} \frac{dX}{dt}=AX+BU \ Y=CX \end{matrix}\right.$

代价函数： $J=\int _{0}^{\infty }E{T}QE+U{T}RUdt$

具体地，例如已知系统 $\frac{d}{dt}\begin{bmatrix} x_{1}\ x_{2} \end{bmatrix} =A\begin{bmatrix} x_{1}\ x_{2} \end{bmatrix}+B \begin{bmatrix} u_{1}\ u_{2} \end{bmatrix}$ , $\begin{bmatrix} y_{1}\ y_{2} \end{bmatrix}= \begin{bmatrix} x_{1}\ x_{2} \end{bmatrix}$ ，系统的参考目标 $Refer=\begin{bmatrix} refer_{1}\ refer_{2} \end{bmatrix}= \begin{bmatrix} 0\ 0 \end{bmatrix}$ ,则误差矩阵 $E=\begin{bmatrix} e_{1}\ e_{2} \end{bmatrix}=\begin{bmatrix} y_{1}-r_{1}\ y_{2}-r_{2} \end{bmatrix}=\begin{bmatrix} x_{1}\ x_{2} \end{bmatrix}$

$E^{T}QE=\begin{bmatrix} x_{1}\ x_{2} \end{bmatrix}^{T}\begin{bmatrix} q_{1}& 0\ 0& q_{2} \end{bmatrix}\begin{bmatrix} x_{1}\ x_{2} \end{bmatrix} =q_{1}x_{1}{2}+q_{2}x_{2}{2}$

$U^{T}RU=\begin{bmatrix} u_{1}\ u_{2} \end{bmatrix}^{T}\begin{bmatrix} r_{1}& 0\ 0& r_{2} \end{bmatrix}\begin{bmatrix} u_{1}\ u_{2} \end{bmatrix} =r_{1}u_{1}{2}+r_{2}u_{2}{2}$

其中，Q,R为调节矩阵， $q_{1}$ , $q_{2}$ , $r_{1}$ , $r_{2}$ 为系统最优时的权重系数。

二、基本概念

MPC（Model Predictive Control）模型预测控制：通过模型来预测系统在某一未来时间段内的表现来进行优化控制，多用于数位控制，用离散的状态空间表达，即 $X_{k+1}=AX_{k}+BU_{k}$

实现步骤：

Step1:估计/测量读取当前k时刻的系统状态

Step2：基于 $u_{k},u_{k+1},...,u_{k+N}$ 的选择进行最优化

代价函数: $J=\sum_{k}{k+N-1}E_{k}{T}QE_{k}+U_{k}{T}RU_{k}+E_{N}{T}FE_{N}$

其中， $E_{k}$ 为k时刻的误差矩阵， $U_{k}$ 为k时刻的输入矩阵， $E_{N}$ 为终端（N时刻）误差，Q,R为调节矩阵，F为终端误差权重矩阵

Step3：实施一步 $u_{k}$ (即从t=k运行到t=k+1即可)

下一次从t=k+1时重复Step1到3，重新预测 $u_{k+1},...,u_{k+N+1}$ 的输入

即每一轮的预测都是预测区间和控制区间整体右移一个单位，整个过程是向右滚动的，

称为滚动优化控制（Receding Horizon Control），系统对控制器的计算能力要求高。

三、MPC最优化建模

（对于模型求解的原理是基于二次规划（Quadratic Programming）模型的求解,通过调用Matlab、Python等二次规划函数求解，下面的代码用到Matlab的quadprog函数）

1.如何建立二次规划模型

已知系统模型：X(k+1) = AX(k) + BU(k)，输出Y=X,参考目标Refer=0

其中，X(k+1) 为k+1时刻的状态变量，X(k) 为k时刻的状态变量，U(k)为k时刻的输入变量。

在k时刻：

①设u(k+i | k)表示在k时刻预测的第k+i时刻的输入值，在预测区间N内，有 $u(k | k),u(k+1| k),...,u(k+N-1 | k)$ ,即 $U_{k}=\begin{bmatrix} u(k|k)\ u(k+1|k)\ ...\ u(k+N-1|k) \end{bmatrix}$