MPC模型预测控制器——数学推导

Phillweston

已于 2022-02-20 15:29:08 修改

阅读量4.5k

点赞数 4

分类专栏：控制理论 MATLAB 控制系统设计文章标签：矩阵线性代数模型控制

于 2022-02-18 19:42:35 首次发布

本文链接：https://blog.csdn.net/qq_26550927/article/details/123009988

版权

控制理论同时被 3 个专栏收录

5 篇文章

订阅专栏

控制系统设计

5 篇文章

订阅专栏

MATLAB

4 篇文章

订阅专栏

先参考一下基本内容；

MPC模型预测控制_tingfenghanlei的博客-CSDN博客_mpc模型预测控制

最优化控制和基本概念

参考链接：

MPC_1_最优化控制和基本概念_知识搬运工阿杰的博客-CSDN博客_mpc优化控制

最优控制的研究动机：在约束条件下达到最优的系统表现

Get the best performance within certain limitation

注：

所谓“最优”就是设计“惩罚函数”，把“惩罚函数”映射到“解空间”

最优不是唯一解

误差 $e = y - r$

举例：

下图是一个典型的单输入单输出系统(SISO)：

假设该系统是一个轨迹跟踪控制系统，其中e为轨迹跟踪误差，u为控制输入，则

$\int_{0}^{t} e^{2} dt$ 越小，说明轨迹追踪效果越好
$\int_{0}^{t} u^{2} dt$ 越小，就表明该控制器的输入越小，能量消耗就越低

基于此，定义一个 Cost Function（目标/代价函数）：

$\int_{0}^{t} q e^{2}+r u^{2} dt \Rightarrow minJ$

$q > > r$ ，控制器看重误差

$r > > q$ ，控制器看重输入

根据现实中不同的控制系统要求调节。而最优控制的目标就是使得代价函数J最小。

拓展到MIMO（多输入多输出）系统中：

$\begin{aligned}\frac{d x}{d t} &=A x+B u \\Y &=C x\end{aligned}$

其代价函数就可以写为：

$J=\int_{0}^{\infty} E^{T} Q E+U^{T} Q U d t$

其中Q、R分别为调节矩阵。

例如：

$\frac{d x}{d t}\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]=A\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]+B\left[\begin{array}{l}u_{1} \\u_{2}\end{array}\right]$

$\begin{gathered}{\left[\begin{array}{l}y_{1} \\y_{2}\end{array}\right]=\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]} \\R=\left[\begin{array}{l}r_{1} \\r_{2}\end{array}\right]=\left[\begin{array}{l}0 \\0\end{array}\right] \\E=\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]\end{gathered}$

$E^{T} Q E=\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]^{T}\left[\begin{array}{cc}q_{1} & 0 \\0 & q_{2}\end{array}\right]\left[\begin{array}{l}x_{1} \\x_{2}\end{array}\right]=q_{1} x_{1}^{2}+q_{2} x_{2}^{2}$

$U^{T^{\prime}} R U=r_{1} u_{1}^{2}+r_{2} u_{2}^{2}$

其中 $q_{1}、q_{2}、x_{1}、x_{2}$ 为权重系数。

关注哪个变量就把哪个变量对应的权重参数调大，另一个权重参数调小

MPC：模型预测

MPC作用机理描述为：在每一个采用时刻，根据获得的当前测量信息，在线求解一个有限时间开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻，重复上述过程：用新的测量值作为此时预测系统未来动态的初始条件，刷新优化问题并重新求解。

即MPC算法包括三个步骤：

在k时刻估计/测量当前系统状态
基于 $u_{k}、u_{k+1}...u_{k+n}$ 来进行最优化

先找到曲线对应的控制区间和预测区间

$J=\sum_{k=0}^{N-1} E_{k}^{T} Q E_{k}+U_{k}^{T} Q U_{k}+E_{N}^{t} F E_{N} d t$

上式中第三项为最终代价

对代价函数进行最优化，找到在预测区间内代价函数的最小值
只施加 $u_{k}$ 的控制量

该步骤被称为滚动优化控制（Receding Horizon Control）：

预测的模型很难完美描述现实的系统，现实的系统可能会有扰动

当时间从k到k+1时，对应的控制区间和预测区间也向右移动一个时刻，然后重复进行第二步

最优化数学建模推导

参考链接

MPC_2_最优化数学建模推导_知识搬运工阿杰的博客-CSDN博客

介绍最常用的一种最优化方法——二次规划

一般形式：

$minZ^{T} Q Z+C^{T} Z$

前面的部分是线性规划——最小二乘法： $q_{1} z_{1}^{2}+q_{2}z_{2}^{2}$

Q是对角矩阵

$Q=\begin{bmatrix} q_{1} & & & \\ & q_{2} & & \\ & & q_{3}&\\ & & &q_{4} \end{bmatrix}$

举例

$x (k + 1) = A x (k) + B u (k)$

x为状态向量 $\begin{bmatrix} x_{1} \\ x_{2} \\ x_{3} \\ x_{4}\end{bmatrix}$ ，u为输入向量 $\begin{bmatrix} u_{1} \\ u_{2} \\ u_{3} \\ u_{4}\end{bmatrix}$

在k时刻

$X_{k}=\begin{bmatrix} x(k|k) \\ x(k+1|k) \\ x(k+2|k) \\\vdots \\ x(k+N|k)\end{bmatrix}$

$U_{k}=\begin{bmatrix} u(k|k) \\ u(k+1|k) \\ u(k+2|k) \\\vdots \\ u(k+i|k) \\ u(k+N-1|k)\end{bmatrix}$

N称为预测空间（Predictive Horizon）

假设系统输出 $y = x$

参考值 $R = 0$

误差 $E = y - R = x - 0 = x$

代价函数

$J=\sum_{i=0}^{N-1} x(k+i|k)^{\top} Q x(k+i|k)+u(k+i|k)^{\top} Q u(k+i|k)+x(k+N)^{\top} F x(k+N) d t$

上式可以理解为：

J=误差加权和+输入加权和+终端误差

系统的初始条件：

$x(k|k)=x_{k}$

$\begin{aligned} x(k+1|k) &=A x(k|k)+B u(k|k) \\&=A x_{k}+B u(k|k) \\ x(k+2|k) &=A x(k+1|k)+B u(k+1|k) \\&=A^{2} x_{k}+A B u(k|k)+Bu(k+1|k) \\ &... \\ x(k+N|k) &=A^{N} x_{k}+A^{N-1} B u(k|k)+...+B u(k+N-1|k) \\ \end{aligned}$

$X_{k} = \begin{bmatrix} I \\ A \\ A^{2} \\\vdots \\ A^{N} \end{bmatrix} x^{k}+\left[\begin{array}{ccccc} 0 & 0 & \cdots & 0 & \\ B & & & & & \\ A B & B & \cdots & & & \\ \vdots & & \cdots & B & \\ A^{N-1} B & A^{N-2} B & & & \end{array}\right]+\begin{bmatrix} u(k|k) \\ u(k+1|k) \\ u(k+2|k) \\\vdots \\ u(k+N-1|k) \end{bmatrix}$

上述矩阵化为：

$x_{k}=M x_{k}+C u_{k}$

将代价函数展开

$\begin{aligned} J &= \sum_{i=0}^{N-1} x(k+i|k)^{\top} Q x(k+i|k)+u(k+i|k)^{\top} Q u(k+i|k)+x(k+N)^{\top} F x(k+N) d t \\&= x(k \mid k)^{\top} Q x(k \mid k)+x(k+1 \mid k)^{\top} Q x(k+1 \mid k)+\cdots+x(k+m-1 \mid k)^{\top} Q x(k+N-1 \mid k)+x(k+N)^{\top} E x(k+N) \end{aligned}$

$J=\left[\begin{array}{c}x(k \mid k) \\x(k+1 \mid k) \\\vdots\\x(k+N|k) \end{array}\right]^{\top}\left[\begin{array}{llll}Q & & & \\& Q & & \\& & ... & \\& & & F\end{array}\right]\left[\begin{array}{c}x(k \mid k) \\\vdots \\\lambda(k+N| k)\end{array}\right]=X_{k}^{\top} \bar{Q} X_{k}$

$\begin{aligned} J &=X_{k}^{\top} \bar{Q} X_{k}+U_{k}^{\top} \bar{R} U_{k} \\&=\left(x_{k}^{\top} M^{\top}+u_{R}^{\top} C^{\top}+C U_{k}\right) \bar{Q}\left(M x_{k}+C U_{k}\right)+U_{k}^{\top} R U_{k} \end{aligned}$