可实现单边区间控制的模型预测控制算法

对于具有多变量强耦合特点的工业过程对象,控制系统的稳定性是非常重要的。这要求减少控制作用和降低控制强度。但对于控制输出偏离控制目标,尤其控制输出偏向非常不希望的方向时,需要较强的控制作用使输出快速返回目标值,这样就存在怎样协调控制的快速性和稳定性之间的矛盾。本文针对这一问题,提出了以MPC(model predictive control)理论为基础的单边区间控制算法。通过权重区分输出偏离目标值的方向,对不同的偏离方向采取不同的控制强度,在保证快速控制的前提下最大限度满足稳定控制的要求。本文还对算法的求解进行了讨论,并通过实例仿真说明了新算法能够实现单边区间控制。     

自适应密集预测的模型算法控制

本文中提出了一种新的预测控制策略:在一个模型采样周期内(本文中定义)进行数次预测控制。     

对角CARIMA模型多变量广义预测控制改进算法

为了增强多变量广义预测控制算法(MGPC)的实用性,对其实现形式进行了进一步的简化.利用对角CARIMA模型的结构特点,先对系统中单个输出变量期望值的自由响应部分进行分解推导,将其表达成自由响应项系数与系统输入输出变量已知值乘积的形式,得到此输出变量的预测表达式,然后将系统所有输出变量的预测表达式代入目标函数中,得到的控制增量等于控制器系数与参考轨迹、过程输入输出历史数据的乘积.控制器系数只与模型参数及设计参数有关,求解控制量时不再需要进行模型输出预报,控制器结构简单,实现容易.对比实验结果表明了该方法保持了常规MGPC方法的优秀控制性能.     

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.     

讲座：预测控制：第三讲 模型算法控制

讲座：预测控制──第三讲　模型算法控制电子科技大学（成都）周云钟模型算法控制是７０年代后期发展起来的一种预测控制算法，在热工和化工等过程控制领域获得了广泛应用，并取得了巨大成功。１预测模型模型算法控制（ＭＡＣ）适用于渐近稳定的线性对象。测定了此类对象...     

带有输出区域控制目标特性的多变量预测控制算法

针对实际过程控制系统中某些被控变量没有设定值要求只有区域目标约束要求这一特点,提出一种带有输出区域目标特性的多变量预测控制算法(ZMMPC).该算法根据区域目标约束条件的满足情况,将控制器的目标函数及约束条件划分为两种工作状态,使用基于逻辑的方法完成动态控制过程中目标与约束条件的切换.仿真实例结果表明ZMMPC不仅可以增加控制系统的自由度,而且可根据被控变量的优先权进行灵活设计,使复杂控制系统具有更好的动态和稳态控制品质.     

多模型预测控制在苯乙烯聚合反应中的应用

针对苯乙烯聚合反应过程的非线性特性,将预测控制方法与多模型建模和控制原理结合起来,提出了一种基于性能指标的切换多模型非线性预测控制方法,针对聚合反应过程进行的仿真实验结果表明,该方法对类似非线性对象具有适用性,控制性能相比较普通预测控制算法也有了很明显的改进和提高.     

基于网络时滞补偿的模型预测控制

为了解决网络控制系统中不确定时滞、尤其是随机的长时延对控制性能造成的影响,提出了基于模型匹配和多步预测输出补偿的预测控制思想来改善控制性能。该算法通过采集到的传感器端至控制器端的时滞来估算控制器端至执行器端的时滞,并给出了传感器端和执行器端数据处理的算法,建立起与实际网络结构匹配的预测控制模型,采用多步预测输出来补偿控制量的传输滞后。该模型不依赖于网络参数和时滞分布特性,可根据不同对象选取合适的预测控制算法,适用于实时系统。通过基于倒立摆对象的仿真和控制实例验证了该算法能有效地改善控制性能。     

模型预测控制的新发展

随着模型预测控制（MPC）的广泛应用,其向智能化的方向发展成为必然,因此在近年来MPC发展的基础上,本文详细综述了预测控制包括多变量、约束、鲁棒、非线性等方面的工作,概述了预测控制与先进的控制算法的结合状况,并对存在的问题进行了探讨,从理论上分析了其智能化发展趋势和方向。     

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.     

A robust distributed model predictive control algorithm

Although distributed model predictive control (DMPC) has received significant attention in the literature, the robustness of DMPC with respect to model errors has not been explicitly addressed. In this paper, a novel online algorithm that deals explicitly with model errors for DMPC is proposed. The algorithm requires decomposing the entire system into N subsystems and solving N convex optimization problems to minimize an upper bound on a robust performance objective by using a time-varying state-feedback controller for each subsystem. Simulations examples were considered to illustrate the application of the proposed method.     

基于灰色系统模型的预测函数控制方法研究

以灰色系统模型为基础，建立了一种预测函数控制方法．分析了灰色系统建模、模型预测输出和控制量计算方程的求解．通过仿真结果表明，该算法具有鲁棒性好、跟踪快速和抑制干扰能力强等特点。     

分布式预测控制算法的性能分析

分布式求解策略是为了降低大规模预测控制系统实施的计算量和计算复杂性而提出的一种有效算法，在算法收敛的条件下，分析了分布式求解和集中求解两种方法在单步时域上的性能偏差，给出了标称情况下分布式预测控制系统名义稳定的充分条件，为更好地理解所提出的分布式预测控制算法和算法的实施提供了理论依据。     

Tube-based robust economic model predictive control

In this paper, we develop a tube-based economic MPC framework for nonlinear systems subject to unknown but bounded disturbances. Instead of simply transferring the design procedure of tube-based stabilizing MPC to an economic MPC framework, we rather propose to consider the influence of the disturbance explicitly within the design of the MPC controller, which can lead to an improved closed-loop average performance. This will be done by using a specifically defined integral stage cost, which is the key feature of our proposed robust economic MPC algorithm. Furthermore, we show that the algorithm enjoys similar properties as a nominal economic MPC algorithm (i.e., without disturbances), in particular with respect to bounds on the asymptotic average performance of the resulting closed-loop system, as well as stability and optimal steady-state operation.     

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.     

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.     

A new robust model predictive control method I: theory and computation

The success of the single-model MPC (SMPC) controller depends on the accuracy of the process model. Modeling errors cause sub-optimal control performance and may cause the control system to become closed-loop unstable. The goal of this paper is to examine the control performance of the robust MPC (RMPC) method proposed by Wang and Rawlings [34] on several illustrative examples. In this paper, we show the RMPC method successfully controls systems with time-varying uncertainties in the process gain, time constant and time delay and achieves offset-free non-zero set point tracking and non-zero disturbance rejection subject to input and output constraints.     

通讯信息约束下具有全局稳定性的分布式系统预测控制

本文针对一类由状态相互耦合的子系统组成的分布式系统, 提出了一种可以处理输入约束的保证稳定性的非 迭代协调分布式预测控制方法(distributed model predictive control, DMPC). 该方法中, 每个控制器在求解控制率时只与 其它控制器通信一次来满足系统对通信负荷限制; 同时, 通过优化全局性能指标来提高优化性能. 另外, 该方法在优化 问题中加入了一致性约束来限制关联子系统的估计状态与当前时刻更新的状态之间的偏差, 进而保证各子系统优化问 题初始可行时, 后续时刻相继可行. 在此基础上, 通过加入终端约束来保证闭环系统渐进稳定. 该方法能够在使用较少 的通信和计算负荷情况下, 提高系统优化性能. 即使对于强耦合系统同样能够保证优化问题的递推可行性和闭环系统的 渐进稳定性. 仿真结果验证了本文所提出方法的有效性.