基本模型预测控制（MPC）原理

最新推荐文章于 2024-08-13 11:01:05 发布

GrandpaDZB

最新推荐文章于 2024-08-13 11:01:05 发布

阅读量1.6w

点赞数 12

分类专栏：控制理论笔记

本文链接：https://blog.csdn.net/grandpadzb/article/details/118937285

版权

模型预测控制（MPC）是一种基于状态空间模型的优化控制策略。该方法利用未来的状态预测来优化控制输入，确保系统行为接近期望状态且输入变化平滑。文章详细介绍了MPC的基本思想，包括从连续到离散模型的转化，算法原理，以及约束条件的转化。通过设置损失函数并考虑约束优化，MPC能够解决各种约束条件下系统的控制问题。

摘要由CSDN通过智能技术生成

1 模型预测控制的基本思想

假设拥有一个精度较高的可以描述系统的状态空间方程，显然我可以根据当前的状态的未来的输入预测出未来的状态。由此可以定义包含两项的损失函数

一项是预测的未来状态和期望的未来状态的距离
另一项是输入变化量的模长

显然，我们希望优化关于未来输入的损失函数，使得这两项最小，即预测状态最贴近期望状态，并且输入不会变化地太剧烈。与PID控制不同，可以明显看出MPC计算输入的过程，本质上是一个优化问题，既然是优化问题，那么就可以加上约束，这是PID做不到的。

2 简单离散情况下的MPC

2.1 状态空间以及连续到离散的转化

一般地，用状态空间方程可以描述系统为：
$\dot x = f(x,u,t), y=g(x,u,t) \tag{2.1.1}$
其中x是状态向量，y是输出，u是输入。
对于线性时不变系统，则可以简单地描述为：
$\dot x = Ax+Bu, y = Cx+Du \tag{2.1.2}$
接下来考虑近似的离散化模型，当采样周期T足够小时，可以认为 $dx=\frac{x(k+1)-x(k)}{T}$ ，代入式(2.1.1)与(2.1.2)中可得到
$\ y(k)=g(x(k),u(k),kT) \tag{2.1.3}$ $\ y(k)=Cx(k)+Du(k) \tag{2.1.4}$
本文接下来讨论的所有情况均使用模型(2.1.4)，但因为以原理为主，对于一般化的非线性系统(2.1.3)仍然可以使用相同地方式具体推导。

2.2 算法原理

考虑系统
$\\ y(k)=Cx(k) \tag{2.2.1}$
由于损失函数需要优化输入向量的变化量，所以我们首先做一些变换，将状态方程中的输入向量替换为输入变化量。
令 $\Delta x(k+1)=x(k+1)-x(k)$ ，有
$\Delta y(k+1)=CA\Delta x(k)+CB\Delta u(k) \\ y(k+1)=y(k)+CA\Delta x(k)+CB\Delta u(k) \tag{2.2.2}$
写成紧凑的形式
$\left [ \begin{matrix} \Delta x(k+1) \\ y(k+1) \end{matrix} \right] = \left [ \begin{matrix} A & O \\ CA & I \end{matrix} \right] \left [ \begin{matrix} \Delta x(k) \\ y(k) \end{matrix} \right] + \left [ \begin{matrix} B \\ CB \end{matrix} \right] \Delta u(k) \tag{2.2.3}$