模型预测控制的缺点_模型预测控制简要内容

因为“Model Predictive Control: Theory, Computation, and Design”这本书内容还是非常详细的，这里借助一篇课程笔记讲一下模型预测控制的简要内容和概念。

这本书是斯坦福AA203“最优化与基于学习的控制”课程笔记’AA203: Optimal and Learning-based Control Course Notes - Course notes for AA203' by StanfordASL GitHub。这本笔记呢，私以为涉及概念比较全面，写的比较简洁，通俗易懂，同时也对最优控制与learning-based control的概念进行了介绍。

https://github.com/StanfordASL/AA203-Notesgithub.com

#===========

MPC基本问题

模型预测控制解决的是一个有限时域最优控制问题，所以也被称作有限时域控制，算法的大概结构是：

1. 在每个采样时间t，求解有限时域的开环最优控制问题；

2. 在随后的采样间隔内[t, t+1)应用生成的最优输入信号；

3. 在下一个时刻t+1，基于上个状态的测量值求解新的最优控制问题。

考虑离散时间线性定常系统的原点调节问题

其中

，同时满足约束条件

，其中X,U为凸胞（polyhedra，多个线性约束组成的集合）。当然，我们假设在时间t时可以进行全状态测量，因此我们可以这样描述每一阶段t求解的有限时域最优控制问题：

在这个问题中，

和

为t时刻预测的t+k时刻的状态量和控制量，令

为最优量，选取第一个值作为控制量。当t+1时刻到来时，基于新的状态量

重复该优化问题。定义闭环控制策略:

，则闭环动态方程为

。因此，这个公式的中心问题变为描述由这种迭代再优化所定义的闭环系统的行为。

模型预测控制的大致框架结构如图所示：

MPC算法结构

这个框架导致了两个主要的实现问题。首先，该控制器可能会使我们进入有限时间最优控制问题在几步后不可行的情况，我们称之为持续可行性问题。即使不存在可行性问题，所产生的控制输入也可能不会导致收敛于原点的轨迹，我们称之为稳定性问题。在分析MPC算法的关键问题是我们如何保证我们的“短视”控制策略导致有效的长期行为。虽然一种可能的方法是直接分析闭环动力学，但在实践中这是非常困难的，我们的方法将是推导终端代价函数和终端约束集的条件，以保证系统的可行性和闭环稳定性，这也是MPC的难点——MPC的稳定综合问题。

可行性

与最优控制不同的是，MPC解决的是有限时域优化控制问题，这也就导致了优化会出现经过几个步骤后，问题可能不再可行的可能性。因此呢，这里将讨论对所谓的递归可行性施加约束以避免此问题的方法。

定义可行初始状态集合

简单地说，这个集合是初始状态的集合，其中存在一系列控制输入，这些输入导致最终状态满足终端约束。对于一个受约束的自动系统：

集合S的单步可控集定义为

。集合

为控制不变集的满足条件为：对于上述系统满足

如果它能包含最多的元素，则集合

为最大控制不变集。

现在我们将继续推导线性动态系统递归可行性的关键结果，在这里先定义截断可行集：

然后，我们就可以得到如下可行性结果。

Lemma 1（Persistent Feasibility）：如果

是系统

的一个控制不变集，则MPC控制律是持续可行的。证明如下：

对于N=1，我们可以设置

。如果选择终端集为控制不变量，则MPC问题将独立于所选择的控制目标和参数而持续可行。然后系统设计者可以选择影响系统性能的参数。那么接下来的问题就是如何将这个结果推广到N>1。因此，我们有如下的结果。

Lemma 2（Persistent Feasibility）：如果

是系统

的一个控制不变集，则MPC控制律是持续可行的。

证明如下：

事实上，我们人为引入终端集的目的是为了获得持久可行性的充分条件。我们希望它是大的，这样可以避免降低闭环性能。

稳定性

持续可行性并不能保证闭环轨迹收敛于期望平衡点。保证MPC律持续可行性和稳定性的最流行的方法之一是使用控制不变终端集实现可行性，使用终端函数实现稳定性。而这一部分为了证明稳定性，我们利用李亚普诺夫稳定性理论。

首先回顾一下李亚普诺夫稳定性：

我们利用这个结果来论证，当选择合适的终端集和终端代价函数，J是该闭环系统的李亚普诺夫函数。

具体的证明结果可以自行查一下相关资料或者这本书，这里不详细讲。

对于更为详细的MPC内容会在之前那本书的笔记里介绍。

模型预测控制的缺点_模型预测控制简要内容相关推荐

模型预测控制的缺点_基于数据驱动的模型预测控制
最近有小伙伴来询问 Data-driven MPC,之前也有了解过一些,因此写篇文章给大家科普科普. 其实所谓的数据驱动并没有那么"高大上"或者难懂,无非是从数据中来获取一些有用信 ...
保存模型后无法训练_模型构建到部署实践
导读在工业界一般会采用了tensorflow-serving进行模型的部署,而在模型构建时会因人而异会使用不同的深度学习框架,这就需要在使用指定深度学习框架训练出模型后,统一将模型转为pb格式,便于 ...
模型预测控制的缺点_【电子技术】【2018.01】模型预测控制FPGA实现的协同设计...
本文为英国伦敦帝国理工学院(作者:Bulat Khusainov)的博士论文,共142页. 模型预测控制(MPC)是一种先进的控制方法,具有明确的性能优化.系统的约束处理和自然处理非线性的能力.在每个 ...
模型预测控制的缺点_华北电力大学刘英培等：适用于风电并网的VSCHVDC系统模型预测控制...
点击上方<电力自动化设备>可一键关注! 本文受国家自然科学基金项目(51607069)和中央高校基本科研业务费专项资金项目(2016MS88,2017MS091)资助. (以下为本文主干内 ...
模型预测控制的缺点_三电平整流器的延时补偿模型预测控制
本文针对电压型三电平中性点钳位整流器,设计了一种基于状态方程的模型预测电流控制(modelpredictive current control, MPCC)策略,该算法以电压型整流器数学模型为基础,构 ...
模型预测控制_模型预测控制(MPC)算法之一MAC算法
引言随着自动驾驶技术以及机器人控制技术的不断发展及逐渐火热,模型预测控制(MPC)算法作为一种先进的控制算法,其应用范围与领域得到了进一步拓展与延伸.目前提出的模型预测控制算法主要有基于非参数模型的 ...
MPC控制器设计，模型预测控制，线性时变模型预测控制，LTV MPC，提供理论讲解与应用实现
MPC控制器设计,模型预测控制,线性时变模型预测控制,LTV MPC,提供理论讲解与应用实现. 提供MPC算法.LTV MPC 算法在直升机和四旋翼中的应用实例. 提供模型预测控制资料. 提供matl ...
综合评价模型的缺点_浅谈交通影响评价中不同交通预测方法的特性
目前,据小编经验觉得,我国交通影响评价的工作中仍有很多问题未得到很好的解决,主要表现在:交通需求预测模型有待进一步精细.交通的影响程度评价内容与指标不够明确.报告中提出的交通改善措施很难落实到位等方面 ...
加载tf模型正确率很低_深度学习模型训练全流程！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:黄星源.奉现,Datawhale优秀学习者本文从构建数据验证集. ...
python程序题求roc-auc是一种常用的模型评价指标_模型评价方法
第五章模型评价方法 5.1 模型的评价方法介绍 5.1.1~5 accuracy,precision,recall,F1-score,ROC曲线分别画图举例,要说出应用场景,例如什么情况用什么评价 ...

模型预测控制的缺点_模型预测控制简要内容

MPC基本问题

可行性

稳定性

模型预测控制的缺点_模型预测控制简要内容相关推荐

最新文章

热门文章