导读:本期主要学习介绍模型预测控制(MPC, Model Predictive Control),主要分为四个部分,MPC基本原理、MPTC控制原理、仿真搭建和结果分析。
模型预测控制( MPC) 又称为滚动时域控制( RHC) ,产生于20 世纪70 年代末,是一种从工业过程控制中产生的新型控制算法,实用性较强,并在实际应用中得到不断的发展和完善,广泛应用于电力、汽车、化工、航天、能源等领域。
一般工业过程中存在多变量耦合、非线性以及不确定性等问题,很难建立准确的模型。因此,采用经典PID 控制器或者是一些传统的控制算法所得到的效果并不理想,存在一定的局限性。MPC 最突出的特点是“边走边优化”,且对模型的精确性要求较低,因此能够有效地用于复杂对象的控制。
模型预测控制应用于电气传动系统中时,可分为连续控制集模型预测控制( CCS-MPC)
和有限控制集模型预测控制 ( FCS-MPC) 。两者的主要区别: ( 1) 优化方式不同。CCS-MPC利用数学工具对价值函数求最优解得到最优控制量; 而FCS-MPC 利用变换器的离散性和有限性,遍历电压矢量,价值函数最小的电压矢量即最优控制量。( 2) 作用方式不同。CCS-MPC 中控制量是通过脉冲宽度调制( PWM) 方式作用于系统; 而FCS-MPC 中控制量直接作用于系统。与CCS-MPC相比,FCS-MPC 将目标优化和开关状态决策过程优化成一步,且具有概念简单、适用范围广、约束和非线性易纳入价值函数等优点,因此成为了近年来的研究热点之一。
在MPC 中,不同种类的预测模型的具体实现形式有所不同,但相应的控制算法均存在共性,可归结为3个基本特征: 预测模型、价值函数、滚动优化。MPC 基本思路如图1 所示。
图1 MPC 基本思路
从图1 可以看出,首先,基于模型进行预测,即根据输入状态预测对应的输出轨迹; 其次,根据构建的价值函数来评估不同输入状态的输出效果,并评估最优的输入策略使被控量的输出轨迹与预期的参考轨迹最为接近; 最后,进行滚动优化,将第一个最优控制量输入,在下一采样时刻,重复优化过程。
内容简介:模型预测转矩控制MPTC在MATLAB中实现的详细过程