【DR_CAN-MPC学习笔记】2.最优化数学建模推导

不雨_亦潇潇

已于 2024-02-18 17:17:45 修改

阅读量2.6k

点赞数 5

分类专栏：模型预测控制MPC 文章标签： MPC 模型预测数学推导 DR_CAN 最优化

于 2022-08-03 22:14:20 首次发布

本文链接：https://blog.csdn.net/weixin_43470383/article/details/125883441

版权

模型预测控制MPC 专栏收录该内容

20 篇文章 12 订阅

订阅专栏

上一篇博客：【DR_CAN-MPC学习笔记】1.最优化控制和MPC基本概念

介绍了MPC的3个步骤：

Step1：估计/测量读取当前系统状态（可测量则测量，不可测量则估计）

Step2：基于 $u_k, u_{k+1},u_{k+2} ...u_{k+N}$ 进行最优化

Step3：只取 $u_k$ (只选取 $k$ 时刻作为预测结果，因为预测存在局限性)

以及代价函数、预测区间等相关概念。

这一篇开始推导MPC数学模型，公式比较多。

DR_CAN的视频：【MPC模型预测控制器】2_最优化数学建模推导

【MPC模型预测控制器】2

1.最优化的方法之一：二次规划 Quadratic Programming

一般形式：

$\min J =\min Z^{T} Q Z+C^{T} Z$

（包含两部分： $Z^{T} Q Z$ ——二次型， $C^{T} Z$ ——线性）

若 𝑄 为对角矩阵，即 $\left[\begin{array}{ccc} q_{1} & \cdots & 0 \\ \vdots & \ddots & \vdots \\ 0 & \cdots & q_{n} \end{array}\right]$ ，则转为最小二乘问题

$Z^{T}=\left[\begin{array}{c} z_{1} \\ z_{2} \\ \vdots \\ z_{n} \end{array}\right] \quad Z^{T} Q Z=q_{1} z_{1}^{2}+q_{2} z_{2}^{2}+\cdots q_{n} z_{n}^{2}$

如想了解更多有关二次规划的问题，可以参考这篇博客：

二次规划问题和MATLAB函数quadprog的使用

2.最优化建模数学推导

2.1系统的状态空间表达式

一个离散系统的状态方程：

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

其中 $X=[x_1,x_2...x_N]$ 为状态向量， $U=[u_1,u_2...u_N]$ 为输入向量。

在 k 时刻：

$X_k=\left[\begin{array}{c} x(k \mid k) \\ x(k+1 \mid k) \\ \vdots \\ x(k+i \mid k) \\ \vdots \\ x(k+N \mid k) \end{array}\right], U_k=\left[\begin{array}{c} u(k \mid k) \\ u(k+1 \mid k) \\ \vdots \\ u(k+i \mid k) \\ \vdots \\ u(k+N \mid k) \end{array}\right]$

$x(k\mid k)$ 表示在k时刻预测 k 时刻的系统状态，

$x(k+1 \mid k)$ 表示在k时刻预测 k＋1 时刻的系统状态，

... $x(k+i \mid k)$

$x(k+N \mid k)$ 表示在k时刻预测 k＋N 时刻的系统状态。

$u(k\mid k)$ 表示在k时刻预测 k 时刻的输入，

$u(k+1\mid k)$ 表示在k时刻预测 k+1 时刻的输入，

... $u(k+i \mid k)$

$u(k+N\mid k)$ 表示在k时刻预测 k+N 时刻的输入。

即前面的 k 表示预测对象，后面的 k 表示在 k 时刻的预测。

为简化分析，假设系统输出方程： $y=x$ ，参考值 $R'=0$ ，则误差 $E'=y-R'=x-0=x$

2.2代价函数

依据上一篇博客给出的代价函数表达式

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

可得：

$J=\sum_{i=0}^{N-1}\left(x(k+i \mid k)^{T} Q x(k+i \mid k)+u(k+i \mid k)^{T} R u(k+i \mid k)+x(k+N \mid k)^{T} F x(k+N \mid k)\right)$

即：代价函数 = $x(k+i \mid k)^{T} Q x(k+i \mid k)$ 误差加权和 + $u(k+i \mid k)^{T} R u(k+i \mid k)$ 输入加权和 + $x(k+N \mid k)^{T} F x(k+N \mid k)$ 终端误差。

其中 $Q$ 和 $R$ 为权重系数矩阵且均为对角矩阵，最优化的目标是最小化代价，即 $min J$ .
$J$ 的表达式中有两个变量（输入 $u$ 和状态 $x$ ），相比于二次规划一般形式多了一个变量。由于控制目标为控制输入 $u$ ，因此要消去变量 $x$ .

2.3MPC数学模型推导

（个人理解：MPC目标为实现最优，也就是代价最小，数学形式即为代价函数的最小化，因此MPC公式推导主要是代价函数的推导和化简）

将状态变量用输入变量表示：

$x(k \mid k)=x_k$ 为初始条件

$\begin{array}{l} x(k+1 \mid k)=A x(k \mid k)+B u(k \mid k)=A x_{k}+B u(k \mid k) \\ x(k+2 \mid k)=A x(k+1 \mid k)+B u(k+1 \mid k)=A^{2} x_{k}+A B u(k \mid k)+B u(k+1 \mid k) \\ x(k+N \mid k)=A^{N} x_{k}+A^{N-1} B u(k \mid k)+\cdots+B u(k+N-1 \mid k) \end{array}$

将上式整理后可得：

$X_{k}=\left[\begin{array}{c} I \\ A \\ A^{2} \\ \vdots \\ A^{N} \end{array}\right] x_{k}+\left[\begin{array}{ccccc} 0 & 0 & \cdots & 0 \\ B & & & \vdots \\ AB & B & \ddots & \\ \vdots & & & \\ A^{N-1}B & A^{N-2}B & \cdots & B \end{array}\right]\left[\begin{array}{c} u(k\mid k)\\ u(k+1\mid k)\\ u(k+2\mid k)\\ \vdots\\ u(k+N-1\mid k)\\ \end{array}\right]$

令

$M=\left[\begin{array}{c} I \\ A \\ A^{2} \\ \vdots \\ A^{N} \end{array}\right]$ ， $C=\left[\begin{array}{ccccc} 0 & 0 & \cdots & 0 \\ B & & & \vdots \\ AB & B & \ddots & \\ \vdots & & & \\ A^{N-1}B & A^{N-2}B & \cdots & B \end{array}\right]$

注意 $X_k$ 为向量， $x_k$ 为初始状态。 $C$ 中的0代表零矩阵，而非数值0。

则

$X_{k}=Mx_{k}+CU_{k}$

将代价函数展开：

$J=\sum_{i=0}^{N-1}\left(x(k+i \mid k)^{T} Q x(k+i \mid k)+u(k+i \mid k)^{T} R u(k+i \mid k)+x(k+N \mid k)^{T} F x(k+N \mid k)\right)\\ =\left[\begin{array}{c} x(k \mid k) \\ x(k+1 \mid k) \\ x(k+2 \mid k) \\ \vdots \\ x(k+N-1 \mid k) \end{array}\right]^{T}\left[\begin{array}{ccccc} Q & 0 & \cdots & 0 \\ 0 & Q & \cdots & 0\\ \vdots & & \ddots & \vdots\\ 0 & 0 & \cdots & F \end{array}\right]\left[\begin{array}{c} x(k \mid k) \\ x(k+1 \mid k) \\ x(k+2 \mid k) \\ \vdots \\ x(k+N-1 \mid k) \end{array}\right]\\+\left[\begin{array}{c} u(k \mid k) \\ u(k+1 \mid k) \\ u(k+2 \mid k) \\ \vdots \\ u(k+N-1 \mid k) \end{array}\right]^T \left[\begin{array}{ccccc} R & 0 & \cdots & 0 \\ 0 & R & \cdots & 0\\ \vdots & & \ddots & \vdots\\ 0 & 0 & \cdots & R \end{array}\right] \left[\begin{array}{c} u(k \mid k) \\ u(k+1 \mid k) \\ u(k+2 \mid k) \\ \vdots \\ u(k+N-1 \mid k) \end{array}\right]$

令

$\bar{Q}=\left[\begin{array}{ccccc} Q & 0 & \cdots & 0 \\ 0 & Q & \cdots & 0\\ \vdots & & \ddots & \vdots\\ 0 & 0 & \cdots & F \end{array}\right],\bar{R}=\left[\begin{array}{ccccc} R & 0 & \cdots & 0 \\ 0 & R & \cdots & 0\\ \vdots & & \ddots & \vdots\\ 0 & 0 & \cdots & R \end{array}\right]$

则

$J=X_{k}^T\bar{Q}X_k+U_{k}^T\bar{R}U_k$

将 $X_{k}=Mx_{k}+CU_{k}$ 代入上式，消去变量 $X_k$ 并化简：

$J=X_{k}^{T} \bar{Q} X_{k}+U_{k}^{T} \bar{R} U_{k}\\ =\left(M x_{k}+C U_{k}\right)^{T} \bar{Q}\left(M x_{k}+C U_{k}\right)+U_{k}^{T} \bar{R} U_{k}\\ =(x_{k}^{T} M ^{T}+ U_{k}^{T} C^{T})\bar{Q}\left(M x_{k}+C U_{k}\right)+U_{k}^{T} \bar{R} U_{k}\\ =x_{k}^{T} M ^{T}\bar{Q}M x_{k}+x_{k}^{T} M ^{T}\bar{Q}C U_{k}+U_{k}^{T} C^{T}\bar{Q}M x_{k}+U_{k}^{T} C^{T}\bar{Q}C U_{k}+U_{k}^{T} \bar{R} U_{k}$

因为 $J$ 是一个 1×1 矩阵（ $X_k$ 和 $U_k$ 均为 n×1 矩阵， $\bar{Q}$ 和 $\bar{R}$ 均为 n×n 矩阵），因此实际上是一个数（至于为什么，可以参考线性代数中矩阵相乘相关内容），则 $J^T=J$ .

由于矩阵 $x_{k}^{T} M ^{T}\bar{Q}C U_{k}$ 和 $U_{k}^{T} C^{T}\bar{Q}M x_{k}$ 互为转置且均为数值，则数值相等，即：

$x_{k}^{T} M ^{T}\bar{Q}C U_{k}=U_{k}^{T} C^{T}\bar{Q}M x_{k}$

令

$G=M ^{T}\bar{Q}M,E=M^T \bar{Q} C,H=C^T \bar{Q} C+R$

则

$J=x_k^TGx_k+2x_k^TEU_k+U_k^THU_k$

上式就是最终推导结果，符合二次规划的一般形式。其中 $2x_k^TEU_k$ 为线性部分， $U_k^THU_k$ 为二次型部分， $x_k^TGx_k$ 表示初始状态，不影响最优化。

以上就是MPC数学模型推导过程，利用这个模型可以对系统进行最优化和模型预测控制设计。

（码了那么多公式，对 Latex 也越来越熟了...)

不雨_亦潇潇

关注

5
点赞
踩
33

收藏

觉得还不错? 一键收藏
打赏
7
评论
【DR_CAN-MPC学习笔记】2.最优化数学建模推导

上一篇博客：1.估计/测量读取当前系统状态（可测量则测量，不可测量则估计）2.基于进行最优化3.只选取k时刻作为预测结果，因为预测存在局限性，以及代价函数、预测区间等相关概念。个人理解：MPC目标为实现最优，也就是代价最小，数学形式即为代价函数的最小化，因此MPC公式推导主要是代价函数的推导和化简。...................................................
复制链接

扫一扫