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.     

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.     

双层预测控制中保证动态控制可行的稳态目标计算策略

在双层结构模型预测控制(Model predictive control, MPC)中, 稳态目标计算(Steady-state targets calculation, SSTC)层(上层)为动态控制(Dynamic control, DC)层(下层)提供操作变量、被控变量设定值和变量约束. 但是,上层可行域和下层吸引域间存在的不一致性可能使得上层给出的设定值无法实现. 本文为下层事先选取若干组放松的软约束, 并对每一组软约束都离线计算出相应的吸引域, 其中最大的一个吸引域包含稳态目标计算的可行域. 在控制过程中, 根据当前状态所属吸引域在线地决定在DC层采用的软约束组. 采用上述方法后, 对所有处于最大吸引域的初始状态, 在跟踪稳态目标的过程中, 下层优化问题都是可行的. 仿真算例证明了该方法的有效性.     

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.     

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.     

实时优化与分布式控制集成算法

预测控制作为一种以预测模型为基础的先进控制算法,分布式预测控制广泛应用于复杂高维的复杂大系统控制中。提出了针对大规模过程的实时优化与分布式预测控制集成算法,包含稳态目标计算层和动态分布式控制层。在稳态目标计算层根据当前系统的运行状况进行集中优化,在系统运行的每一时刻计算出相对的全局最优值,并将其传递到下层进行控制。在动态控制层将复杂的大系统分为若干个相对独立的子系统,并且充分考虑各个子系统之间的关联和耦合,用分布式预测控制算法对上层计算得到的相对的全局最优值进行跟踪,提高系统在动态情况下的控制性能。仿真应用表明,此方法的优点在于保证全局最优的同时,降低了计算的复杂度,并且实现了经济目标。     

双层结构预测控制研究进展

现代工业大系统的优化控制采用递阶结构,其中以预测控制为代表的先进过程控制已经成为重要的一级.目前,主流的工业预测控制技术均采用双层结构,即包含稳态优化层和动态控制层.双层结构预测控制技术可以有效解决复杂工业过程常见的多目标优化、多变量控制的难点问题.本文简要总结了双层结构预测控制的算法,并从控制输入与被控输出稳态关系入手分析了多变量预测控制稳态解的相容性和唯一性,说明了稳态优化的重要性.针对双层结构预测控制与区间预测控制的性能比较、稳态模型的奇异性以及闭环系统动态特性等提出了一些见解,并指出了需要重点研究的主题.     

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.     

离线优化在线查表的双层结构预测控制

双层结构预测控制包括稳态优化和动态控制,计算复杂度较大,难以在实时性要求较高或者是主控制器计算能力较弱的场合应用.本文阐述了一种离线计算在线查表的稳态优化方法和详细的技术实施方案.首先采用枚举方式离线计算稳态优化值,然后通过在线查表得到实时优化值.当在线查表不可行时,通过查找距离该查表点最近的多个可查表点,以距离作为加权系数,近似计算最优稳态目标值.最后,通过性能分析和仿真实验证明了本文提出的该方法有效的降低了计算复杂度,减少了计算时间.     

1种多面体描述的非线性预测控制器综合

针对工业过程中的非线性计算量大,实时性低等问题,提出了1种计算非线性预测控制的新方法。该方法将神经网络与线性微分包含(LDI)相结合对非线性系统建模,从而将非线性系统转换成多面体描述的线性时变系统。对于多面体描述系统的各个顶点构成的多个线性模型,在线求得不同状态下的控制器。最后通过证明多面体描述的线性系统的稳定性来保证原非线性的稳定性。通过仿真看出此算法在处理复杂系统的控制问题具有良好的控制效果。     

Disturbance modeling for offset-free linear model predictive control

An offset-free controller is one that drives controlled outputs to their desired targets at steady state. In the linear model predictive control (MPC) framework, offset-free control is usually achieved by adding step disturbances to the process model. The most widely-used industrial MPC implementations assume a constant output disturbance that can lead to sluggish rejection of disturbances that enter the process elsewhere. This paper presents a general disturbance model that accommodates unmeasured disturbances entering through the process input, state, or output. Conditions that guarantee detectability of the augmented system model are provided, and a steady-state target calculation is constructed to remove the effects of estimated disturbances. Conditions for which offset-free control is possible are stated for the combined estimator, steady-state target calculation, and dynamic controller. Simulation examples are provided to illustrate trade-offs in disturbance model design.     

一种调整多面体描述系统的非线性预测控制方法

常用的非线性预测控制算法先构造合适的多面体描述系统包裹原非线性系统,通过研究多面体描述系统的各个顶点系统的稳定性来保证原非线性系统的稳定性。在以前研究中,多面体描述系统保持不变,但事实上多面体描述系统与终端约束集密切相关。设计了一种根据终端约束椭圆集调整多面体描述系统的非线性预测控制方法,该方法能够有效地减小系统的控制性能指标,同时控制过程中的终端不变椭圆集及其内的反馈控制律具有离线指导作用。     

基于多面体描述系统的鲁棒非线性预测控制

针对一类具有持续有界扰动的离散时间非线性系统, 提出一种基于多面体描述系统的鲁棒非线性模型预测控制策略. 首先利用泰勒级数构造多面体描述系统包裹原系统. 其次, 对该多面体描述系统构造鲁棒终端不变集和仿射输入型预测控制律. 进一步, 利用离散系统的输入状态实际稳定性(Input-to-state practical stability, ISpS)概念证明了闭环系统的鲁棒稳定性. 最后, 通过仿真验证了本结果的有效性.