稳定预测控制方法--实验室讲义精要.doc

稳定预测控制方法 线性二次型调节问题(LQR-Linear Quadratic Regulator)：不考虑约束、稳定、最优 ； 代数Riccati方程： 有限时域最优控制问题：不考虑约束、最优、不保证稳定 差分Riccati方程： 反向递推求解， 最小方差调节问题：不考虑约束、一步预测、仅适用于最小相位系统 经典预测控制算法(DMC、GPC、MAC等) 不考虑约束时，在一定条件下等价于有限时域最优控制问题，使系统稳定需满足一定条件； 经典预测控制在一定条件下(开环稳定对象(因为DMC和MAC只能用于开环稳定对象)、采用相同的性能指标函数、无需反馈校正)等价；GPC的优势是采用的是参数模型，便于采用自适应控制。 经典预测控制在一定条件下(采用相同的性能指标函数P=M=N)都等价于有限时域最优控制问题(严格说是有限时域最优输出控制问题，应在上述描述中增加输出描述，即与C有关)。只不过求解方法不同，有限时域最优控制问题采用最小值原理，需递推求解Riccati方程，计算复杂；经典预测控制直接求解优化问题。 有限时域最优控制问题求得的未来N个最优解的反馈增益是时变的(即使对LTI系统)，当预测时域N趋于无穷时，反馈增益趋于一个常数。经典预测控制仅当采用滚动时域策略时,才成为一个线性时不变控制器。从而才可以用经典稳定性方法判断稳定性(考察其闭环极点位置)。 考虑约束时，最终归结为求解二次规划问题，通常只能求数值解，无稳定性保证。 稳定预测控制方法 为什么要研究稳定预测控制方法： a、controller online redesign，如adaptive control,经典预测控制稳定性依赖于控制器参数设置，调整缺乏有效方法； b、经典预测控制在约束情况下往往只能求得数值解，难于分析稳定性，需要一种能显式保证稳定性的方法，即使稳定性独立于控制器参数选取，只要能求得可行解，就可以保证稳定。 保证预测控制稳定的基本方法： 采用无穷时域(infinite horizon) 采用终端约束(terminal constraint) 采用渐缩约束(contractive constraint)：如使与状态变量有关的某control Lyapunov函数递减，如 a、采用无穷时域(infinite horizon)指标 原理：受LQR启发，只要优化问题可行，则每一步暗含了x(∞|k)=0，从而保证闭环系统稳定。 困难：待求变量无穷，无法求解。 解决方法： 通过寻找一个上限，把无穷项性能指标变为有限项，再求u使该上限最小； 变求无穷项控制量序列为求有限项控制律，即u=Kx； b、采用终端约束(terminal constraint) 对终端状态进行约束，保证稳定。 终端点约束: x(k+P)=xs，约束过强，可行域小； 终端约束集: x(k+P)∈Ω； 约束稳定预测控制设计框架 三要素：终端代价函数(terminal cost function)、终端约束集(terminal constraint set)、局部镇定控制器(Local stabilizing controller) 已有constrainted MPC 基本都是三要素的不同组合。 四条件： A1: state constraints satisfied in Xf A2: control constraints satisfied in Xf A3: Xf is positively invariant under Kf A4: 终端代价函数V(.) is a local Lyapunov function（A4 usually imply A3） 对上式进行从到的叠加，得到。因为二次函数欲作为性能指标的上界函数，所以必然是有界的，即有，。则为性能指标的上界。这样问题就被转化为寻找控制律序列使得最小。 拟无穷时域控制quasi-infinite horizon：同时采用三要素： 优化问题描述为： s.t. ； ；(适用于非线性对象) ； ； 求解上述优化问题，隐含求局部控制器，因为根据局部控制器才能求得终端加权正定矩阵P，终端不变集Xf。 上述优化问题可换个角度看作是无穷时域性能指标优化，只不过把无穷性能指标分为两部分，一部分为待求的N步预测控制序列，然后给其余部分寻找一个上界，优化使得第一部分指标和该上界之和最小； 由条件A4知，终端代价函数是对，采用局部控制器K时无穷时域性能指标的上界。隐含了K+N到∞的可行控制序列。 很多方法都是上述问题的变形，如局部控制器不是离线确定，而是同时在线求解K，这样可以动态调整终端约束集的大小，从而增大可行域； 稳定性证明: 双模控制Dual mode control： 分两步进行，在终端集外用