MPC模型预测控制算法（详细）

拿铁不拿铁

于 2025-05-04 02:23:12 发布

阅读量335

点赞数 5

文章标签：人工智能机器学习

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/weixin_74923758/article/details/147674272

版权

本文学习自华南理工大学龙胆也大佬，融入自己的思考和理解总结得到！

MPC三要素：

1、模型

2、预测

3、滚动优化

4、误差补偿

该模型与其它主流算法的对比：

总结：MPC适合大部分没有精确模型，或者阶次很高、非线性很强、约束很多的模型。

注意

MPC基于的模型不止一种。有传递函数，状态空间方程，也有数值模型，例如脉冲响应和阶跃响应。

本文主要讲阶跃响应序列。

正文

MPC里面滚动优化的核心是二次规划

二次规划的目标函数为二次多项式： $J(x)=a x^{2}+b x+c$

二次多项式的画法要不就是开口向上或者开口向下。

拐弯点即极值点，就是二次规划目标函数的最优解。

为了找最优解，需要求导数为零的时候。

P是预测步长。假如K是当前时刻，可以往后面去预测 y(K+1) , y(K+2) ..... y(K+P)，P可以从1开始到无穷大。

而M是控制步长，我们只能控制当前时刻的输入，因为现在永远早于预测，否则就不叫预测了。

即Δu（K），Δu（K + 1）....... Δu（K + M - 1）

如何理解MPC模型？

P个时间周期的数据，直至PT时刻。

然后每个时刻都采集输出，y（a1），y（aP）。

根据线性系统的叠加原理：

ps：K代表某时刻。

$y(K)=a_{1} \cdot u(K-1)+a_{2} \cdot u(K-2)+\cdots+a_{M} \cdot u(K-M)$

我们把上面这个公式写成增量式：

$\Delta y(K)=a_{1} \cdot \Delta u(K-1)+a_{2} \cdot \Delta u(K-2)+\cdots+a_{M} \cdot \Delta u(K-M)$

可能会疑问，为什么最后是 $a_{M}$ ，因为我们能控制的只有当下，也就是M个步长可以控制，而不是P，因为P = M + 1

如何理解MPC的预测？

因为我们永远只能基于当下和之前来预测未来

预测第三个状态时，我们要基于第一次和第二次的经验。

直到...

最后我们用求和公式：

$\sum_{i=1}^{M} \cdot a_{i} \cdot \Delta u(K+P-i)$

总结一下：

新的预测输出 = Δ输出 + 原有预测输出

$\hat{Y}_{0}=A \cdot \Delta u+Y_{0}$

个人理解，主要是为了对比预测输出，一个是准确的预测输出，一个是根据以前的预测输出得到的预测输出。

写成

$\begin{array}{r}{\left[\begin{array}{c}\hat{Y}_{0}(k+1) \\ \hat{Y}_{0}(k+2) \\ \vdots \\ \hat{Y}_{0}(k+P)\end{array}\right]=\left[\begin{array}{cccc}a_{1} & 0 & \cdots & 0 \\ a_{2} & a_{1} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ a_{p} & a_{p-1} & \cdots & a_{p+M-1}\end{array}\right]\left[\begin{array}{c}\Delta u(K) \\ \Delta u(K+1) \\ \vdots \\ \Delta u(K+M)\end{array}\right]} \\ \\ +\left[\begin{array}{c}Y_{0}(K+1) \\ Y_{0}(K+2) \\ \vdots \\ Y_{0}(K+P)\end{array}\right]\end{array}$

如何理解MPC的滚动优化？

一、目标函数

$J(\Delta u)=a \cdot \Delta u^{2}+b \cdot \Delta u+c$

二、目标函数的求解

可以用matlab

也可以求导为0（基于这个二次多项式），得到最优解 $\Delta u$

但是这个 $\Delta u$ 是矩阵。我们选择矩阵中第一个数据为当前时刻的输入增量即可

滚动优化首先我们要知道它的期望轨迹。

可以用一阶滤波去模拟期望轨迹，即：

$\omega(k+i)=\alpha^{i} y(k)+\left(1-\alpha^{i}\right) y_{target}$

ps： $y_{target}$ 是目标值， $y(k)$ 是当前值

约束条件 0< $\alpha$ <1

$\alpha$ 越小，则期望轨迹越陡； $\alpha$ 越大，则期望轨迹越缓慢

滚动优化第二步我们要如何设计目标函数J

目标函数设计原则

1、目标一：离目标越近越好

$J_{1}=\sum_{i=1}^{p}[y(k+i)-w(k+i)]^{2}$

我们用一个求和函数，求P次，当前时刻的预测值与当前时刻期望的预测值偏离多远，然后用平方是为了把正负给取消掉。

所以这个公式意味着我希望系统的预测与期望的轨迹接近。

2、目标二：能量越小越好

比如这个图，我肯定不希望系统绕个大弯去接近target。而是应该就近原则快速到达目标位置。

$J_{2}=\sum_{j=1}^{M}[\Delta u(K+j -1)]^{2}$

这里求和函数是M次，能量就是跟控制量 $\Delta u(K+i -1)$ 有关，这里是能量的变化大小。那么平方就是不管是正负它也是在消耗能量。

最后，我们把完整的目标函数写出来。

根据你的需求，更看重目标一还是目标二，你可以自己去调整它们的相对大小。

最好还是q + r = 1

比如我q为0.1，r为0.9。说明我希望能量小更重要。

如果q为0.9，r为0.1。说明我希望它靠近目标更快一点。

我们再把它写成矩阵的形式

$J=(Y-W)^{\top} \cdot Q \cdot(Y-W)+\Delta U^{\top} \cdot R \cdot \Delta U$

$\frac{\Delta J(\Delta u)}{\Delta(\Delta u)}=0$

得到这个公式，解得ΔU。（这个公式跟代码有很重要的关系，一定要搞懂！）

ΔU是一个Mx1的矩阵，我们控制增量取当前时刻的 $\Delta (K)$ 加到系统的输入量里面就可以了

$\left[\begin{array}{c}\\\Delta (K) \\ \vdots \\ \Delta (K+M-1)\end{array}\right]$

MPC反馈矫正，补偿误差

K作为当前时刻，要预测P个，从下一时刻K+1开始:

$\hat{Y}_{0}(K+1) \cdots \hat{Y}_{0}(K+P)$

在K+1时刻，这个是实际值的输出

所以，误差 = 下一时刻实际值 - 当前时刻预测值

很容易理解，一个是从K时刻预测K+1的输出，一个是真真切切到达K+1时刻通过传感器等得到的输出。

$e(K+1) = {y}(K+1) - \hat{Y}_{0}(K+1)$

那么有误差我们肯定要做补偿。

补偿值 = 预测输出值 + 误差值

ps：h作为补偿系数设为0.5

为什么补偿是 ${e}(K+1)$ ，就是因为现在是K时刻在做预测，我们要预测K+1,K+2 ... K+P，相当于一次性预测完。

然后K+1时刻时，我们预测K+2 ... K+P+1，那么到时补偿就变为 ${e}(K+2)$

K时刻：

${y}_{correct}(K+1) = \hat{Y}_{0}(K+1) +{h}_{1}× {e}(K+1)$

${y}_{correct}(K+2) = \hat{Y}_{0}(K+2) +{h}_{2}× {e}(K+1)$

${y}_{correct}(K+P) = \hat{Y}_{0}(K+P) +{h}_{P}× {e}(K+1)$

把他写成矩阵的形式

那K+1时刻，预测值变为：

$\hat{Y}_{0}(K+2) \quad \hat{Y}_{0}(K+3) \quad\hat{Y}_{0}(K+4) \cdots\hat{Y}_{0}(K+P+1)$

$\hat{Y}_{0}=S \cdot Y_{correct}$ ，S是移位矩阵

评论

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。