模型预测控制(MPC)的公式推导与理解

最新推荐文章于 2025-03-09 07:00:00 发布

ChengIsland

最新推荐文章于 2025-03-09 07:00:00 发布

阅读量3w

点赞数 48

分类专栏：理论文章标签：算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_40241332/article/details/105023605

版权

本文探讨了线性无约束系统的模型预测控制(MPC)算法设计，通过"三步走"策略：建立离散状态空间模型，构建预测方程和优化问题，解析控制输入。介绍了状态空间模型、预测方程的增量形式，以及优化目标函数，旨在理解和应用MPC控制器。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在本文中，主要是针对线性无约束系统，设计模型预测控制算法。首先给出一个离散的数学模型，再根据模型预测控制“三步走”战略，实现控制器的设计。

“三步走”战略：

预测系统未来动态
求解优化问题
解第一个元素作用于系统

模型：

我们引入离散时间的状态空间模型，如下

$\left\{ {\begin{array}{*{20}{c}} x(k+1)=Ax(k)+B_uu(k)+B_dd(k)\\ y(k)=Cx(k) \end{array}} \right.$

其中 $x(k)\in\mathbb{R}^{n_x}$ 为系统内部状态变量； $A\in\mathbb{R}^{n_x\times n_x}$ 为系统矩阵； $B_u\in\mathbb{R}^{n_x\times n_u}$ 为控制输入矩阵； $u(k)\in \mathbb{R}^{n_u}$ 为控制输入变量； $B_d\in\mathbb{R}^{n_x\times n_d}$ 为外部干扰输入矩阵； $d(k)\in\mathbb{R}^{n_d}$ 为可测外部干扰变量。

预测方程：

将模型改成增量模型

$x(k+1)=Ax(k)+B_uu(k)+B_dd(k)$

$x(k)=Ax(k-1)+B_uu(k-1)+B_dd(k-1)$

相减之后为

$\Delta x(k+1)=A\Delta x(k)+B_u\Delta u(k)+B_d \Delta d(k)$

其中 $\Delta x(k+1)=x(k+1)-x(k)$ ， $\Delta u(k+1)=u(k+1)-u(k)$ 和 $\Delta d(k)=d(k)-d(k-1)$ 。

另外

$y(k)=Cx(k)$

$x(k)=x(k-1)+\Delta x(k)$

合并之后为

$y(k)=C\Delta x(k)+y_c(k-1)$

以最新测量值为初始条件，预测时域为p，控制时域为m，并且有以下两个假设：

$\Delta u(k+i)=0,i=m,m+1,...,p-1$
$\Delta d(k+i)=0,i=1,2,...,p-1$

则

$\Delta x(k+1|k)=A\Delta x(k)+B_u\Delta u(k)+B_d \Delta d(k)$

其中 $\Delta x(k+1|k)$ 表示第k个时刻对第k+1个时刻的状态预测。

$\begin{align*} \Delta x(k+2|k)&=A\Delta x(k+1|k)+B_u\Delta u(k+1)+B_d \Delta d(k+1)\\ &=A^2\Delta x(k)+AB_u\Delta u(k)+B_u\Delta u(k)+AB_d\Delta d(k) \end{align*}$

$\vdots$

最低0.47元/天解锁文章

评论 28

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。