模型预测控制(MPC)的公式推导与理解 （转）

转自：https://blog.csdn.net/qq_40241332/article/details/105023605

（公式：预测域P和控制域M大小不同，且有常干扰）

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

（相比原文，修改了一个小小的错）

“三步走”策略

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：

其中 x(k) 为系统内部状态变量；A 为系统矩阵；Bu 为控制输入矩阵；u(k) 为控制输入变量；Bd 为外部干扰输入矩阵；d(k) 为可测外部干扰变量。

预测方程：

将模型改成增量模型


两式相减得：
其中 $\Delta x(k)=x(k)-x(k-1)$ , $\Delta u(k)=u(k)-u(k-1)$ , $\Delta d(k)=d(k)-d(k-1)$ 。

那输出y可由:

合并得：

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：


则：

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，那么接下来预测域$p$长个状态表示为：。





进一步输出方程可以为

定义以下向量：

那么，对系统未来p步预测的输出：

其中：


这里$I$中ne指的是：$C\ast A\ast B$矩阵的维度，是为了能够将$y(k)$和其他项能够合并。

优化问题描述：

对于此优化问题考虑两个方面，一是输出跟踪上参考输入；二是尽可能减少控制幅度。目标函数选择如下：

其中${\Gamma }_{y,i}\stackrel{\text{ def }}{=}diag({\Gamma }_{y_1,i}$,${\Gamma }_{y_2,i},\cdots ,{\Gamma }_{y_{n_c},i})$，${\Gamma }_{u,i}\stackrel{\text{ def }}{=}diag({\Gamma }_{u_1,i}$,${\Gamma }_{u_2,i}$,$\cdots ,{\Gamma }_{u_{n_u},i})$。${\Gamma }_{y_j,i}$是第i步预测的第j个输出的误差的加权因子，${\Gamma }_{u_j,i}$是第i步预测对控制增量第j个分量的加权因子。改写为矩阵形式：

其中：${\Gamma }_y=diag({\Gamma }_{y,1}$,${\Gamma }_{y,2}$,$\cdots ,{\Gamma }_{y,p})$，${\Gamma }_u=diag({\Gamma }_{u,1}$,${\Gamma }_{u,2}$,$\cdots ,{\Gamma }_{u,p})$，参考输入序列为

问题可以被描述为：${\min }_{\Delta U(k)}J(x(k),\Delta U(k),m,p)$
满足动力学模型：$Y_p(k+1|k)=S_x\Delta x(k)+\mathcal{I}{y}_c(k)+S_d\Delta d(k)+S_u\Delta U(k)$

定义一个辅助变量

将预测方程带入可得

其中：

$E_p(k+1|k)=R(k+1)-{\mathcal{S}}_x\Delta x(k)-\mathcal{I}{y}_c(k)-{\mathcal{S}}_d\Delta d(k)$
因此${\min }_z{\rho }^{\mathrm{T}}\rho =(\mathcal{A}z-b{)}^T(\mathcal{A}z-b)$的极值解为$z^{\ast }=({\mathcal{A}}^T\mathcal{A}{)}^{-1}{\mathcal{A}}^{T}b$。（充要条件自证）

最优控制序列为：

解第一个元素

$\Delta u(k)={\left[\begin{array}{cccc}{I}_{n_u\times n_u}& 0& \cdots & 0\end{array}\right]}_{1\times m}\Delta U^{\ast }(k)$
定义$K_{\mathrm{m}\mathrm{p}\mathrm{c}}={\left[\begin{array}{cccc}{I}_{n_u\times n_u}& 0& \cdots & 0\end{array}\right]}_{1\times m}{\left({\mathcal{S}}_u^{\mathrm{T}}{\Gamma }_y^{\mathrm{T}}{\Gamma }_y{\mathcal{S}}_u+{\Gamma }_u^{\mathrm{T}}{\Gamma }_u\right)}^{-1}{\mathcal{S}}_u^{\mathrm{T}}{\Gamma }_y^{\mathrm{T}}{\Gamma }_y$，因此控制增量可以写为

$\Delta u(k)=K_{\mathrm{m}\mathrm{p}\mathrm{c}}{E}_p(k+1|k)$

理解：

将$E_p(k+1|k)=R(k+1)-{\mathcal{S}}_x\Delta x(k)-\mathcal{I}{y}_c(k)-{\mathcal{S}}_d\Delta d(k)$带入$\Delta u(k)=K_{\mathrm{m}\mathrm{p}\mathrm{c}}{E}_p(k+1|k)$，可得

$\begin{array}{rl}\Delta u(k)=& K_{\mathrm{m}\mathrm{p}\mathrm{c}}R(k+1)-K_{\mathrm{m}\mathrm{p}\mathrm{c}}\left({\mathcal{S}}_x+\mathcal{I}{C}_c\right)\Delta \hat{x}(k)-K_{\mathrm{m}\mathrm{p}\mathrm{c}}\mathcal{I}{\hat{y}}_c(k-1)-K_{\mathrm{m}\mathrm{p}\mathrm{c}}{\mathcal{S}}_d\Delta d(k)\end{array}$

$K_{\mathrm{m}\mathrm{p}\mathrm{c}}R(k+1)$相当于未来参考输入的前馈补偿；
$-K_{\mathrm{m}\mathrm{p}\mathrm{c}}{\mathcal{S}}_d\Delta d(k)$相当于可预测扰动的前馈补偿；
$-K_{\mathrm{m}\mathrm{p}\mathrm{c}}\left({\mathcal{S}}_x+\mathcal{I}{C}_c\right)\Delta \hat{x}(k)-K_{\mathrm{m}\mathrm{p}\mathrm{c}}\mathcal{I}{\hat{y}}_c(k-1)$相当于状态反馈补偿。

初学，转发保存。