2、下降法.docVIP

Design and implementation of model predictive control for electrical motor drives. Saverio Bolognani, Silverio Bolognani, Luca Peretti, and Mauro Zigliotto. IEEE transactions on industrial electronics, 56(6),2009. 摘要：本文研究了应用于电机驱动的模型预测控制算法。本文的主要贡献在于详尽的描述了控制器的设计过程，说明了设计中的关键部分，并给出了具体实现的方法。在算例中，MPC被用于永磁同步电机的控制。与传统的级联式结构不同，速度和电流控制器混合在一起包含了所有需要的系统状态变量。在这种方式下，控制器可以实现电流和电压限制。仿真和实验结果说明了设计过程的有效性和MPC在电气传动应用中的前景。 一、摘要中有用信息： MPC适用于电气传动的原因： A、MPC需要精确的线性模型。 B、系统动态性能要求对驱动变量有所约束。针对变量约束有两种处理方法，传统的防超调方法和MPC。 二、MPC基础知识： MPC中目标函数可以采用一阶范数、二阶范数或无穷范数的形式。 对于离散状态空间模型： x, u, y满足约束： 目标函数的形式为： 则可以推出，只与初始状态和输入序列相关的状态方程： 价值函数： 和约束条件： 式中Y, H, F, G, W, E可由Q, R, P决定。 三、PMSM设计MPC步骤 1、确定状态变量 MPC最适用于带约束的线性模型，因为在这种情况下，优化问题可以离线求解。在PMSM方程中，由于采用d轴电流为0的控制策略，q轴电流动态方程中的可以忽略，但d轴电流动态方程中的不能忽略。为实现模型线性化，将加入到状态变量中： 对应的动态模型为： 注意，这里假设在预测区间内保持不变。（这个假设有待商榷，可能是因为后面采用的预测区间只有5步，在5步内变化不大） 2、离散模型 确定采样步长。采样步长越小控制越精确，但采样步长不能太小的原因有二。第一，由于同时控制电流和转速，由于两者的采样间隔不同，若采用采样步长太小会使转速的系数都接近0或1产生数值计算问题。第二，过小的采样步长会加大处理器的计算负担。本文采用的采样步长是83.3微秒(12HZ)。 3、为实现跟踪的补充状态 首先在预测区间内转速预测采用： 其次，由于目标函数包含输入和误差跟踪两个部分，当误差很小时输入量会相对很大，这样目标函数的主要限制对象称为输入，从而对误差失去了控制，不能实现消除静态误差。故采用输入的变化量代替输入量。同时考虑到尽可能模拟数字控制中的一步滞后，输入的变化量不应该影响本步的输入。 综上，状态量为： 动态方程为： 4、目标函数和控制律参数的选择 P = 0； 预测时域的选择： 预测步长上限的限制是芯片的计算能力。下限的限制有二。第一，理论上要完全覆盖系统的动态过程。但在运动控制中这个要求不切实际，忽略。第二，滞后的影响。在第k步施加电压变化量，第k+1步影响到控制电压，第k+2步影响到电流，k+3步影响到转速，故最小预测步长为4。 控制时域的选择： 控制步长的选择只关系到优化过程的简便与否。但和预测步长中指出的一样，由于控制时滞的原因，k+1步以后的控制影响在k+5步时才有体现，所以控制时域也不必选的太大。 5、状态变量的约束条件 6、积分无偏差跟踪 MPC离线计算必然要受到不可测扰动和参数不匹配的影响。针对这种问题常用的解决方法是：采用预测和实际输出的偏差以及被控对象扰动行为的模型估计，或是增加MPC的鲁棒性。 本文采用的方法是改变速度参考值： 四、算法的实现 将解空间划分为不同的线性区，控制律采用的形式为： Fi和Gi可采用下文中的方法获得 Matlab工具箱：multiparametric toolbox(MPT)中提供了求解器。 五、稳定性分析 在研究MPC稳定性的文献中通常假设预测时域无穷大，但这个假设在实际中并不存在。因此，这里采用了其它两种分析方法。 1、李雅普诺夫法： 由于上述求解的反馈是分段线性反馈，因此可以采用闭环分段线性稳定的方法。对每一个线性区间 建立李雅普诺夫函数 具体方法在下文中论述 2、线性化的方法 这个方法相对简单，但不完善。只是针对约束条件范围内的部分采用极点绘制的方法观察稳定性。 六、结论 这是一篇非常好的文章，对MPC在PMSM中的应用论述的很详尽，并指出了很多非常有使用价值的应用信息。其中的设计步骤非常值得参考。 但可以看出，仍有很多不完善的地方。 1、考虑到计算量，预测时域仍不能选择的太长，只有5步并且参考转速在预测时域内保持恒定。在转速快速变化时这种方法的结果一定会不太好。 2、对参数鲁棒性的考虑不够完善。