模糊预测控制算法

模糊预测控制(FPC)是近年来发展起来的新型控制算法，是模糊控制与预测控制相结合的产物。章在预测控制的模型预测、滚动优化、反馈校正机理下，对模糊预测控制模型及其优化控制算法作了归纳，并对模糊预测控制今后的发展进行了展望。     

采用再生制动的地铁时刻表节能优化研究

地铁运行的主要成本是电能消耗,如何降低地铁运行能耗是建设绿色城市的重要课题.本文从列车运行时再生制动产生回馈电网能量出发,建立采用再生制动的地铁列车运行能耗模型.进而,将地铁运行节能问题转化为地铁列车时刻表优化问题,并引入列车运行约束和混合逻辑动态模型约束将该问题建模为一个非线性混合整数规划问题.本文设计了分解协调优化算法,以列车停站时间和发车时间间隔作为优化操作变量进行优化.从仿真结果可知,以不同的操纵变量进行优化均能有效提高再生制动能量利用率,且分解协调算法的求解结果优于传统的模拟退火算法.     

广义预测控制算法的改进与仿真

从算法的实用性出发,对Clark等提出的广义预测控制算法(GPC)进行了改进,通过直接递推控制量参数,得到了更为简洁和易于在计算机上实现的算法。仿真表明,该算法对复杂系统有较强的鲁棒性。     

基于混沌优化的LS-SVM非线性预测控制方法

针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题,仿真研究说明了该非线性预测控制器的有效性及实时性。     

预测控制优化变量的集结策略

为减少预测控制的在线计算量，提出了对优化变量进行集结的优化策略，通过一个集结矩阵将原优化变量与集结后的变量联系起来，从而为多种预测控制算法建立一个统一的框架，分析了现有的几种典型优化策略的集结表述，说明了所提出的集结优化框架具有一定的普适性，并在此框架下提出一种新的具有输出衰减形式的集结优化算法。     

采用Brent优化的核学习单步预测控制算法

针对非线性SISO系统, 提出一种基于核学习辨识模型的单步预测控制算法(kernel learning one-step-ahead predictive control, KLOPC). 通过KL辨识模型得到系统的一步超前预报值, 并引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差, 以此构造一步加权预测控制性能指标, 然后采用Brent一维搜索方法求取控制律. 该方法无需任何相关的导数信息, 需调整的参数少, 求解效率高. 在一非线性液位系统的仿真研究表明了KLOPC优于整定的PID和其它基于KL模型的控制方法, 对噪声和扰动等均具有更好的鲁棒性和自适应性.     

预测控制滚动优化的时间分解方法

基于大系统分解协调思想,针对预测控制系统,提出了一种带有并行结构的时间分解算法,以提高滚动优化在线计算效率.仿真结果表明了该算法的有效性.     

地铁空调系统全面控制与节能方案

空调系统是地铁的重要组成部分，分析、研究和提出地铁空调系统控制方案是发展地铁交通的重要课题之一。本文通过分析地铁空调系统的复杂结构，运用模型抽象与解耦的研究方法，抽象出地铁空调系统控制网络，分解为7A控制环节，每个环节都采用节能措施，提出了地铁空调系统全面控制与节能方案。     

基于粒子群优化的隐式广义预测控制

提出一种基于粒子群优化算法（PSO）的隐式广义预测控制（IGPC）。滚动优化作为预测控制的重要组成部分对控制效果的好坏起着关键作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作、竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。它将PSO算法应用于IGPC的滚动优化部分来求解最优预测控制律,仿真结果显示了该方法是可行的。     

采用dsDNA-MC优化的非线性系统预测控制

将基于DNA双链结构的膜计算优化方法（dsDNA-MC）用于输入受限的非线性预测控制器设计,提出了基于dsDNA-MC优化的非线性系统预测控制算法。在对单输入单输出非线性系统预测控制分析的基础上,将非线性系统预测控制问题归结为具有输入约束的非线性系统优化问题,并采用dsDNA-MC算法来求解这一问题。仿真结果表明该算法可行、有效。     

Nonlinear model predictive control using deterministic global optimization

This paper presents a Nonlinear Model Predictive Control (NMPC) algorithm utilizing a deterministic global optimization method. Utilizing local techniques on nonlinear nonconvex problems leaves one susceptible to suboptimal solutions at each iteration. In complex problems, local solver reliability is difficult to predict and dependent upon the choice of initial guess. This paper demonstrates the application of a deterministic global solution technique to an example NMPC problem. A terminal state constraint is used in the example case study. In some cases the local solution method becomes infeasible, while the global solution correctly finds the feasible global solution. Increased computational burden is the most significant limitation for global optimization based online control techniques. This paper provides methods for improving the global optimization rates of convergence. This paper also shows that globally optimal NMPC methods can provide benefits over local techniques and can successfully be used for online control.     

基于粒子群优化的有约束模型预测控制器

研究了模型预测控制(MPC)中解决带约束的优化问题时所用到的优化算法,针对传统的二次规划(QP)方法的不足,引入了一种带有混沌初始化的粒子群优化算法(CPSO),将其应用到模型预测控制中,用十解决同时带有输入约束和状态约束的控制问题.最后,引入了一个实际的带有约束的线性离散系统的优化控制问题,分别用二次规划和粒子群优化两种算法去解决,通过仿真结果的比较,说明了基于粒子群优化(PSO)的模型预测控制算法的优越性.     

分布式预测控制优化算法

复杂大规模预测控制系统的在线实施一直是工业界十分关注的问题之一, 本文针对工业环境下分布式网络结构的特点, 提出了一种基于纳什最优的分布式预测控制优化算法, 在以低成本在线实施的同时, 保持了良好的控制性能, 文中进一步给出了分布式线性模型预测控制算法的收敛条件, 仿真结果表明了该算法的有效性.     

基于混沌粒子群优化的约束状态反馈预测控制算法

提出一种基于混沌粒子群优化的约束状态反馈预测控制算法,用于解决带有输入约束和状态约束的控制问题.将混沌粒子群优化引入到约束状态反馈预测控制的滚动优化过程中,增强了算法在约束范围内的局部搜索和全局搜索能力.通过对一个实际的带有约束的线性离散系统控制优化问题的解决,验证了基于混沌粒子群优化的状态反馈预测控制算法的可行性和有效性,与传统的二次规划算法的比较结果说明了此算法的优越性,证明了状态反馈预测控制系统良好的鲁棒性.     

A performance optimization algorithm for controller reconfiguration in fault tolerant distributed model predictive control

This paper presents a performance optimization algorithm for controller reconfiguration in fault tolerant distributed model predictive control for large-scale systems. After the fault has been detected and diagnosed, several controller reconfigurations are proposed as candidate corrective actions for fault compensation. The solution of a set of constrained optimization problems with different actuator and setpoint reconfigurations is derived by means of an original approach, exploiting the information on the active constraints in the non-faulty subsystems. Thus, the global optimization problem is split into two optimization subproblems, which enable the online computational burden to be greatly reduced. Subsequently, the performances of different candidate controller reconfigurations are compared, and the better performing one is selected and then implemented to compensate the fault effects. Efficacy of the proposed approach has been shown by applying it to the benzene alkylation process, which is a benchmark process in distributed model predictive control.     

Steady-state target optimization designs for integrating real-time optimization and model predictive control

In industrial practice, the optimal steady-state operation of continuous-time processes is typically addressed by a control hierarchy involving various layers. Therein, the real-time optimization (RTO) layer computes the optimal operating point based on a nonlinear steady-state model of the plant. The optimal point is implemented by means of the model predictive control (MPC) layer, which typically uses a linear dynamical model of the plant. The MPC layer usually includes two stages: a steady-state target optimization (SSTO) followed by the MPC dynamic regulator. In this work, we consider the integration of RTO with MPC in the presence of plant-model mismatch and constraints, by focusing on the design of the SSTO problem. Three different quadratic program (QP) designs are considered: (i) the standard design that finds steady-state targets that are as close as possible to the RTO setpoints; (ii) a novel optimizing control design that tracks the active constraints and the optimal inputs for the remaining degrees of freedom; and (iii) an improved QP approximation design were the SSTO problem approximates the RTO problem. The main advantage of the strategies (ii) and (iii) is in the improved optimality of the stationary operating points reached by the SSTO-MPC control system. The performance of the different SSTO designs is illustrated in simulation for several case studies.