[工学]预测控制-5.ppt

? Copyright by Zhihuan Song 第 5 讲 广义预测控制－GPC 内容要点 预备知识 时间序列建模 极小方差控制－MVC 自校正控制 广义预测控制（GPC）基本思想 GPC基本算法 GPC基本算法 GPC内模结构分析 有色噪声GPC算法 算法推导 GPC等效状态空间分析 多变量GPC算法 典型对象的GPC算法 预备知识（1） 时间序列建模 时间序列 对某一（组）变量x(t)进行观测测量，在一系列递增的时间点t1,t2,…..,tn采样得到的离散、有序的数据集合：{ x(t1 ), x(t2 ),….., x(tn )}，称为时间序列。 特例——白噪声，是一个纯随机过程，记作?(k)。 表征： ?(k)与?(k-1) 、?(k+1)不相关。 自回归模型 自回归模型(AutoRegressive, AR)： 其中?(k)是白噪声， y(k)是n阶自回归变量。 稳定性条件：A(z-1)是稳定多项式，即特征根全在单位园内，称y(k)是平稳自回归随机过程变量。 滑动平均模型 滑动平均模型(Moving Average , MA)： 其中?(k)是白噪声， y(k)是m阶滑动平均变量。 若c0=1，则C(z-1)是首一多项式。 自回归滑动平均模型 自回归滑动平均模型(AutoRegressive Moving Average, ARMA)： ?(k)是白噪声， y(k)是n阶自回归m阶滑动平均变量。 稳定性（y(k)是平稳随机过程）条件：A(z-1)是稳定多项式。 自回归积分滑动平均模型 自回归积分滑动平均模型(AutoRegressive Integrated Moving Average, ARIMA)： 稳定性（y(k)是平稳随机过程）条件：A(z-1)是稳定多项式。1/?表示积分作用。 受控自回归滑动平均模型 受控自回归滑动平均模型(Controlled AutoRegressive Moving Average, CARMA)： 稳定性条件：A(z-1)是稳定多项式。 受控自回归积分滑动平均模型 受控自回归积分滑动平均模型(Controlled AutoRegressive Integrated Moving Average, CARIMA)： 稳定性条件：A(z-1)是稳定多项式。 预备知识（2） 极小方差控制－MVC 极小方差控制 极小方差控制(Minimum Variance Control, MVC)； MVC的控制目标是输出方差极小： ?(k)是白噪声。 极小方差控制 考虑受控自回归(CAR)模型： 考虑噪声时 极小方差控制 此时是一个CARMA模型： ?(k)是平稳高斯过程（正态分布） ?(k)是白噪声，或独立正态分布，即?(k)与u(k) 、y(k)不相关 极小方差控制 代入得到： 为方便起见，假定A(z-1) B(z-1) C(z-1)都是n阶多项式，即na= nb = nc＝n 控制目标： 极小方差控制 由于存在纯滞后?，需作如下预估： 上式第二项中包含白噪声序列?(k) 在当前k时刻及其以前、以后的取值：….., ?(k-1), ?(k), ?(k+1), ….., ?(k+?)，其中k时刻及其以前的?(k), ?(k-1), ….. 是已知信息，需要将它们分离表达出来。 极小方差控制 运用以下恒等多项式： 那么： 极小方差控制 进一步得到： CARMA模型可以得到： 极小方差控制 进一步整理得到： 上述推导过程用到恒等多项式： 极小方差控制 由此得到系统的输出方差： 极小方差控制 由此得到系统的输出方差： 由于?(k)是0、1正态分布，而且 极小方差控制 所以输出方差的极小值： 极小方差控制律： 极小方差控制总结 考虑CARMA模型： 其极小方差控制律为： 其中多项式F(z-1)、G(z-1)由如下恒等多项式给出： 极小方差控制总结 极小方差控制律的求解过程可以分解为2个问题： 预测问题：预估?(k+?) 控制问题：求解最优控制律u*(k) 闭环系统的极点就是多项式C(z-1)的零点； 控制误差为： 极小方差为： 预备知识（3） 自校正控制 自校正控制 自校正控制(Self-tuning Control) ：在常规控制器的基础上，引入自校正机制，抑制不确定性对闭环系统性能的影响，保持期望的控制性能。 不确定性 自校正控制 自校正控制结构 在线闭环辨识 控制器参数在线整定 闭环控制 自校正控制 自校正控制参数估计形式 显式自校正：又称间