一种基于衰减集结的鲁棒预测控制器

高效鲁棒预测控制 (ERPC) 是一种在线计算量较小, 且控制性能较好的鲁棒预测控制算法. 但采用单一椭圆不变集的设计方法存在保守性. 本文采用衰减集结策略, 通过离线设计在系统状态空间中投影彼此正交的两个椭圆不变集, 在线进行凸组合的方法设计 ERPC 控制器, 使系统初始可行域进一步扩大, 并在一定程度上改善了控制性能.     

有界扰动系统高效鲁棒预测控制器设计

具有有界扰动的有约束线性系统是一类常见的不确定系统. 针对此类系统, 本文借鉴扰动不变集方法, 通过离线设计两个椭圆不变集以降低以往设计的保守性, 进而提出一种有界扰动系统的高效鲁棒预测控制器(SD–ERPC)的设计方法. 该方法能够较好地处理扰动对系统的影响, 在减小控制器在线计算量的同时, 扩大原ERPC设计的初始可行域, 且具有较好的控制性能. 文中给出了SD–ERPC控制器可行性和鲁棒稳定性的理论证明,并通过仿真算例验证了该控制器的有效性.     

基于多面体不变集的离线鲁棒预测控制器综合

提出一种基于多面体不变集的离线鲁棒预测控制器综合算法.该算法离线确定一组反馈控制律及其对应的不变集,在线控制时根据当前状态所处的位置选择相应的控制律,不仅扩大了初始可行域,还能在一定程度上改善控制性能.仿真结果表明了采用多面体不变集的优越性.     

基于多步控制策略的混合H2/H∞鲁棒预测控制器设计

针对具有外界扰动的线性定常(Linear time invariant, LTI)系统, 本文研究了其鲁棒预测控制器(Robust model predictive control, RMPC)的设计方法. 设计采用了混合的H2/H∞控制方法以有效地兼顾系统的抗干扰能力和闭环控制性能. 同时, 为了降低设计的保守性, 设计利用闭环多步控制策略以扩大控制器的可行范围, 改善系统控制性能. 进而, 为了便于实际实施, 提出该RMPC的简化设计, 通过将大部分在线计算量离线完成以降低鲁 棒预测控制器的在线计算量.     

一种改进的鲁棒约束预测控制器的综合设计方法

针对多包描述的不确定系统,提出一种新的鲁棒约束预测控制器.高线设计多包系统worst-case情况下性能最优的不变集,在线求解多包系统无穷时域性能指标的rain-max优化问题.设计方法采用了时变的终端约束集,扩大了初始可行域,并能获得较优的控制性能.仿真结果验证了该方法的有效性.     

运用区间算法的约束非线性系统鲁棒模型预测控制

针对一类具有输入和状态约束的干扰有界非线性系统,提出了基于区间分析的约束非线性鲁棒模型预测控制,以降低计算量并扩大系统吸引域.首先,在集合运算的基础上,利用区间运算和函数区间扩展,给出了一种计算效能更好、保守性更低的非线性系统鲁棒一步集计算方法;其次,构造重叠的多面体控制不变集序列并以此计算约束非线性系统的鲁棒多步集,并通过设计基于集合的在线优化策略,提出了基于鲁棒一步集的单步优化非线性模型预测控制,有效降低了非线性优化的在线计算量;最后,仿真实例验证了算法的有效性.     

基于多面体不变集的离线鲁棒预测控制器综合

提出一种基于多面体不变集的离线鲁棒预测控制器综合算法.该算法离线确定一组反馈控制律及其对应的不变集,在线控制时根据当前状态所处的位置选择相应的控制律,不仅扩大了初始可行域,还能在一定程度上改善控制性能.仿真结果表明了采用多面体不变集的优越性.

     

采用鲁棒容许集对有约束的不确定系统作鲁棒模型预测控制

针对输入和状态受约束的干扰有界多胞不确定线性系统,提出了基于鲁棒容许集的扩大吸引域鲁棒模型预测控制(RMPC)方法.首先给出了多面体不变集的鲁棒容许集计算方法,并推导了鲁棒容许集存在的充分必要条件.其次,为了拓展Tube不变集鲁棒模型预测控制算法的适用范围,讨论了干扰有界多胞不确定线性系统的Tube不变集控制策略.之后为了扩大约束系统吸引域,提出了干扰有界多胞不确定系统的鲁棒容许集模型预测控制策略.通过采用鲁棒容许集和Tube不变集RMPC,该方法不仅扩大了吸引域,而且降低了在线计算量;同时,采用基于最小鲁棒正不变集的Tube不变集策略保证了算法的鲁棒性.最后仿真结果验证了算法的有效性.     

基于容许集的多胞不确定系统三模RMPC

针对输入和状态受约束的多胞不确定线性系统,提出了基于容许集的扩大吸引域三模鲁棒模型预测控制方法.在多面体不变集离线模型预测控制算法的基础上引入容许集,以多面体不变集序列的并集作为模态1,基于N步容许集的控制容许集作为模态2,并利用离线设计和在线优化的控制策略,设计了三模变终端约束鲁棒模型预测控制算法,以实现系统渐近稳定.该算法不仅降低了在线运算量,而且扩大了吸引域.最后的仿真结果验证了所提出算法的有效性.     

一种改进的鲁棒约束预测控制器的综合设计方法

针对多包描述的不确定系统,提出一种新的鲁棒约束预测控制器.离线设计多包系统worst-case情况下性能最优的不变集,在线求解多包系统无穷时域性能指标的min-max优化问题.设计方法采用了时变的终端约束集,扩大了初始可行域,并能获得较优的控制性能.仿真结果验证了该方法的有效性.

     

Model predictive control design for polytopic uncertain systems by synthesising multi-step prediction scenarios

A common objective of model predictive control (MPC) design is the large initial feasible region, low online computational burden as well as satisfactory control performance of the resulting algorithm. It is well known that interpolation-based MPC can achieve a favourable trade-off among these different aspects. However, the existing results are usually based on fixed prediction scenarios, which inevitably limits the performance of the obtained algorithms. So by replacing the fixed prediction scenarios with the time-varying multi-step prediction scenarios, this paper provides a new insight into improvement of the existing MPC designs. The adopted control law is a combination of predetermined multi-step feedback control laws, based on which two MPC algorithms with guaranteed recursive feasibility and asymptotic stability are presented. The efficacy of the proposed algorithms is illustrated by a numerical example.     

基于可达集的鲁棒模型预测控制

设计了一种基于可达集的鲁棒模型预测控制算法.首先确定了一个鲁棒不变集,并将此不变集用作模型预测控制的终端约束集;接着采用终端约束集对可达集的包含度作为优化指标;最后,采用预测时域逐渐减小的控制策略以保证在线优化存在可行解.从理论上证明了吸引域内的任意点在有限时域内都会被引导至终端约束集并始终停留在此集之内,并由仿真算例验证了本文所设计鲁棒模型预测控制算法的可行性.     

离线椭圆集的非线性模型预测控制算法研究

针对一类带有约束的非线性系统,提出一种非线性时间最优模型预测控制算法。这种方法首先基于Jacobian线性化将非线性进行线性化,能够推导一系列凸优化问题,而且产生的线性化误差在Lipschitz条件下确定上边界范围。然后采用双重模式策略,在离线情况下构造一系列椭圆集来描述[t]步可行区域,每个椭圆集的平衡点根据上一个椭圆来选取,最后再根据在线计算合适的输入使系统稳定。采用逐步倒退计算的方法能够确保迭代的可行性和稳定性,大大减少了计算负担。数值例子证明了算法的有效性。     

Machine Learning Accelerated Real-Time Model Predictive Control for Power Systems

This paper presents a machine-learning-based speed-up strategy for real-time implementation of model-predictive-control (MPC) in emergency voltage stabilization of power systems. Despite success in various applications, real-time implementation of MPC in power systems has not been successful due to the online control computation time required for large-sized complex systems, and in power systems, the computation time exceeds the available decision time used in practice by a large extent. This long-standing problem is addressed here by developing a novel MPC-based framework that i) computes an optimal strategy for nominal loads in an offline setting and adapts it for real-time scenarios by successive online control corrections at each control instant utilizing the latest measurements, and ii) employs a machine-learning based approach for the prediction of voltage trajectory and its sensitivity to control inputs, thereby accelerating the overall control computation by multiple times. Additionally, a realistic control coordination scheme among static var compensators (SVC), load-shedding (LS), and load tap-changers (LTC) is presented that incorporates the practical delayed actions of the LTCs. The performance of the proposed scheme is validated for IEEE 9-bus and 39-bus systems, with ±20% variations in nominal loading conditions together with contingencies. We show that our proposed methodology speeds up the online computation by 20-fold, bringing it down to a practically feasible value (fraction of a second), making the MPC real-time and feasible for power system control for the first time.      

基于可行模型集合方法的多模型切换控制

对含参数跳变的一类具有有界干扰的多输入多输出系统，为改善系统的瞬态响应性能，采用由多个固定模型和两个自适应模型组成的多模型，并引入切换指标函数构成多模型切换控制器。为克服多模型方法计算量大的缺点，采用可行模型集合方法，给出了可行模型应满足的必要条件。应用这一必要条件，对系统的多个模型进行检验，可快速缩小模型可行集合的范围，再通过切换指标函数，在可行模型集合中选择正确的控制器，从而在不降低系统响应性能的前提下，提高计算速度。     

基于自校正控制的水泥配料微机控制系统

本文介绍了一个适用于水泥生料配料生产过程的自适应控制系统。文中详述了一种实用的自校正算法，实际运行结果表明该算法是可行的和有效的，有很好的鲁棒性。     

基于多层概率集的随机预测控制算法设计

考虑具有乘型不确定性的离散随机系统约束控制问题, 设计了一种基于多层概率集的随机预测控制算法. 多层概率集描述了状态在多步反馈控制律下的一系列不同概率的分布区域, 因此能够同时保证多个不同概率要求的软约束. 通过动态优化多步反馈律, 算法具有较大的可行范围. 之后设计的简化算法在降低计算负担的同时保证了算法的可行范围.