双层模型预测控制系统的多包镇定域分析与系统设计

针对双层模型预测控制（Model predictive control,MPC）中出现的由于系统状态在动态控制（Dynamic control,DC）过程中超出约束集,导致下层优化不可行的问题,本文在综合控制方法的基础上提出一种新的动态控制策略,引入多包镇定域（Multi-convex hull stabilization domain,MHSD）的概念.通过离线计算多包镇定域,并根据系统每一时刻的实测状态值,在线决定（Dynamic control）层的镇定域以及相应的控制时域,结合变约束思想,保证动态控制过程递归可行,从而有效控制在大范围内变化的系统状态.另外,本文通过设计非线性反馈控制器,扩大了终端不变集和多包镇定域的范围,提高了DC层对稳态目标值的跟踪效果.本文的控制算法可以使得DC层在目标跟踪过程中保证递归可行性,并最大程度地实现无静差跟踪.仿真算例验证了本文算法对稳定系统和不稳定系统都有效.     

基于多优先级稳态优化的双层结构预测控制算法及软件实现

研究包含稳态目标计算（Steady-state target calculation,SSTC）层和动态控制层的双层结构预测控制（Model predictive control,MPC）及其实现方法. 我们将已有的辨识、优化和控制方案适当地组合并软件化. 通过在多优先级稳态目标计算中引入新的变量,给出了稳态目标计算的统一表达方法,每个优先级的优化问题或是跟踪外部目标,或是放松软约束. 通过仿真算例和应用实例相结合的方式验证了软件功能.     

预测控制约束边界效应与解决方法研究

约束预测控制（Constrained model predictive control,CMPC）中,因约束的存在,优化过程中最优控制作用可能会在可行域的边界取值,也就是说会 有一个或多个变量饱和,即约束边界效应. 而过程控制中操纵变量饱和是我们不希望出现的. 对此,首先基于稳态模型,对期望值位于可行域内时最优解必在期望值处达到给出证明;同时证明了期望值在可行域外时最优解可转化为期望值到可行域的投影. 其次,针对变量在动态及稳态过程中饱和的情况提出了改善控制性能的措施——调整目标函数;终端约束的加入,为预测控制系统稳定性提供了保障. 通过对包含约束的连续搅拌釜式反应器（Continuous stirred tank reactor,CSTR）系统进行仿真实验,验证了所提方法的正确性,并说明了对目标函数进行适当调整,可有效改善系统的控制性能.     

预测控制动态过程对控制目标可达性影响分析

预测控制作为应用最广泛的先进控制策略,在复杂的工业过程控制中占据重要地位。预测控制可行域的确定是系统实施控制的先决条件。为保证控制效果,系统输出变量要一直保证在可行域内,且要求在系统稳定的情况下可行域内均可达。在实际控制过程中,可行域内系统输出的稳态值与目标设定值存在稳态误差的情况时有发生。系统实际的可达区域与可行域存在差异。可行域的变化,势必对控制效果产生重要影响。因此,需要在系统稳态条件决定的可行域的基础上,分析预测控制的动态过程对系统可行域的影响。为避免影响,需要设定新的目标值以保证目标可达。本文将以映射的思想充分分析预测控制算法的动态过程,证明输出变量动态响应对系统可行性的影响,提出满足约束条件下充分可达的设定值选取规则。     

状态空间模型的双层结构预测控制算法

双层结构预测控制是指先进行设定值优化、再进行设定值跟踪的预测控制.在已有的双层结构动态矩阵控制的基础上,本文给出基于状态空间模型的双层结构预测控制算法.该算法基于干扰模型和新定义的开环预测值,给出了新的开环预测模块.该开环预测模块采用Kalman滤波方法得到操作变量、被控变量的开环动、稳态预测值.基于这些开环预测值,稳态目标计算模块的基本原理同双层结构动态矩阵控制,但是具体细节上遵循状态空间方法.动态控制模块基于稳态目标计算提供的操作变量、被控变量的稳态目标(设定值),采用二次规划算法计算控制作用.仿真算例证实了该算法的有效性.     

针铁矿法沉铁过程双层结构优化控制

针铁矿沉铁过程是锌冶炼过程中一个非常重要的环节,其中最重要的是控制氧气添加量,因此本文提出一种针铁矿沉铁过程双层结构优化控制方法.上层定义氧气利用率衡量理论消耗量与实际添加量的差别,以过程氧气利用率最高为目标优化设定级联反应器出口二价铁离子浓度下降梯度,下层以过程氧气消耗最少和出口离子浓度与上层设定值误差最小为优化目标,过程动态模型和工艺条件为约束,求解构造的非线性优化控制问题得到各反应器最优氧气添加速率.为减少不确定性干扰对系统的影响,采用一种模型参数自适应校正的方法对模型参数进行校正保证优化控制器的性能.最后根据过程离子浓度采样值计算过程实际氧气利用率作为上层优化参数重更新反应器出口二价铁离子浓度最优设定值.由于下层优化问题约束多且约束多呈非线性,采用Legendre伪谱法求解下层优化问题.仿真结果表明,所提出的双层结构优化控制方法能实现过程准确控制,减少过程氧气消耗.     

锅炉–汽轮机系统的模糊经济模型预测控制

现代电厂的优化控制通常采用双层控制结构,上层通过优化经济性能指标获得稳态设定值,传递到下层实现设定值跟踪.然而,传统的控制结构往往会忽略动态跟踪过程中的经济性能.本文针对锅炉–汽轮机系统设计了基于模糊模型的经济模型预测控制策略.通过离线设计稳定的线性反馈控制律和可行域,来保证优化问题的递推可行性和稳定性.通过在线求解双模态经济模型预测控制优化问题,实现锅炉汽轮机系统动态过程中经济性能的提高.大范围和小范围负荷变化情况下的仿真结果表明了本文提出的模糊经济模型预测控制的有效性.     

数据中心制冷系统非线性模型预测控制

数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.     

双层预测控制中基于操作变量增量的多优先级稳态目标计算

本文给出一种双层结构预测控制(MPC)中多优先级稳态目标计算(SSTC)的描述方法.在可行性阶段,被控变量(CV)和外部目标(ET)的软约束以及操作变量(MV)的硬约束被统一表述为关于MV增量的约束,将软约束(包括ET的期望上下界、CV的操作上下界、以及ET的跟踪)进行放松,保证放松以后MV增量约束集的相容性.在经济优化阶段,在MV增量约束集中寻找经济最优的MV增量值.该算法在已有文献的基础上,对ET/CV的等式/不等式约束统一处理.仿真算例证实了该算法的有效性.     

双层结构模型预测控制算法性能分析

双层结构模型预测控制是在常规模型预测控制的基础上集成了稳态目标计算层,所增加稳态目标计算层通过对给定外部目标进行调节或执行独立经济优化为底层动态控制提供设定值.本文着重于分析增加稳态目标计算层对常规模型预测控制策略在控制性能、经济性能、及鲁棒性方面的影响.阐明稳态目标计算是在动态不确定性下的最优决策过程,可实时考虑当前工况环境给出最佳设定值,使动态层控制量的计算更加合理,并可保证在动态控制层实现无静差控制;稳态目标计算层可利用包含目标跟踪和经济优化的性能指标,在保证跟踪控制要求的同时利用操作自由度进行经济性优化,有助于提高系统经济性能,此外由于操作自由度增加使得系统对于特定方向的扰动和通道失配具有更强的鲁棒性.最后通过实验仿真验证了所做分析的正确性.     

基于动态矩阵控制的双层结构预测控制的整体解决方案

本文给出一种双层结构预测控制的整体解决方案. 该方案分为开环预测、稳态目标计算和动态控制三个模块. 开环预测基于实测被控变量值和过去的操作变量值, 在假设未来操作变量不再变化的情况下, 估计未来的被控变量值. 稳态目标计算根据开环预测结果和外部目标等要求, 计算操作变量、被控变量的稳态目标值以及软约束的放松量. 动态控制根据开环预测结果和稳态目标输出结果, 计算未来的控制作用增量序列, 采用经典的动态矩阵控制策略. 这个整体解决方案保证了三个模块在模型、约束、目标上的一致性. 该算法是在已有文献的基础上, 将三个模块统一处理得到的. 仿真与应用例子证实了该算法的有效性.     

Robust model predictive control with guaranteed setpoint tracking

In this paper a novel robust model predictive control (RMPC) algorithm is proposed, which is guaranteed to stabilize any linear time-varying system in a given convex uncertainty region while respecting state and input constraints. Moreover, unlike most existing RMPC algorithms, the proposed algorithm is guaranteed to remove steady-state offset in the controlled variables for setpoints (possibly) different from the origin when the system is unknown linear time-invariant. The controller uses a dual-mode paradigm (linear control law plus free control moves to reach an appropriate invariant region), and the key step is the design of a robust linear state feedback controller with integral action and the construction of an appropriate polyhedral invariant region in which this controller is guaranteed to satisfy the process constraints. The proposed algorithm is efficient since the on-line implementation only requires one to solve a convex quadratic program with a number of decision variables that scale linearly with the control horizon. The main features of the new control algorithm are illustrated through an example of the temperature control of an open-loop unstable continuous stirred tank reactor.     

动态输出反馈鲁棒模型预测控制离线算法

研究具有多包不确定性和有界噪声系统的动态输出反馈鲁棒模型预测控制(Robust model predictive control, RMPC)的离线方法. 先前的在线方法中, 在估计状态和估计误差集合已知的情况下, 在每一采样时刻通过近似最优算法求解控制器参数. 本文采用先前的方法计算离线控制器参数和吸引域. 首先, 选定一系列估计状态, 其中,每个估计状态对应同样一组嵌套的估计误差集合. 然后,针对每一估计状态和每一估计误差集合的组合,离线计算唯一的控制器参数和对应的吸引域. 这些控制器参数和对应的吸引域存储在表中. 如果离线确定的吸引域包含实时的扩展状态, 则该离线控制器参数是实时可行的. 在线时, 根据实时估计状态和选取实时估计误差集合, 在表中搜索包含实时扩展状态且优化性能指标最小的吸引域所对应的控制器参数. 通过连续搅拌釜式反应器控制系统验证了该方法的有效性.     

工业大系统双层结构预测控制的集中优化与分散控制策略

为降低工业大系统模型预测控制(Model predictive control,MPC)在线计算复杂度,同时保证系统的全局优化性能,提出一种集中优化、分散控制的双层结构预测控制策略.在稳态目标计算层(Steady-state target calculation, SSTC),基于全局过程模型对系统进行集中优化,将优化结果作为设定值传递给动态控制层;在动态控制层,将大系统划分为若干个子系统,每个子系统分别由基于各自子过程模型的模型预测控制进行控制,为减少各子系统之间的相互干扰,在各个子系统之间添加前馈控制器对扰动进行补偿,提高系统的总体动态控制性能.该策略的优点在于能确保系统全局最优性的同时降低了在线计算量,提高了工业大系统双层结构预测控制方法的实时性.仿真实例验证该方法的有效性.     

Extremum-seeking control of state-constrained nonlinear systems

An extremum-seeking control problem is posed for a class of nonlinear systems with unknown dynamical parameters, whose states are subject to convex, pointwise inequality constraints. Using a barrier function approach, an adaptive method is proposed for generating setpoints online which converge to the feasible minimizer of a convex objective function containing the unknown dynamic parameters. A tracking controller regulates system states to the generated setpoint via state feedback, while maintaining feasibility of the state constraints. A simulation example demonstrates application of the method.     

城市污水处理过程动态多目标智能优化控制研究

城市污水处理过程(Municipal wastewater treatment process, MWWTP)是一个典型的复杂流程工业过程, 其优化运行涉及到多个动态性能指标. 为了实现城市污水处理运行过程的优化控制, 本文提出了一种城市污水处理过程动态多目标智能优化控制方法(Dynamic multiobjective intelligent optimal control, DMIOC). 首先, 建立了一种基于自适应核函数的动态性能指标模型, 实现了城市污水处理关键性能指标的准确描述; 其次, 设计了一种基于自适应飞行参数调整机制的动态多目标粒子群优化算法(Dynamic multiobjective particle swarm optimization, DMOPSO), 可有效平衡粒子的多样性和收敛性, 完成了溶解氧和硝态氮优化设定值的实时获取; 最后, 利用多回路PID控制方法对溶解氧和硝态氮优化设定值进行控制, 实现了城市污水处理过程安全稳定运行. 将提出的DMIOC应用于城市污水处理基准仿真平台, 实验结果显示: DMIOC 能够提高溶解氧和硝态氮的控制效果, 实现城市污水处理过程出水水质达标, 并降低运行成本.