第17届IFAC系统辨识研讨会：基于正则化模型预测控制识别方法.pdfVIP

第17届IFAC系统辨识研讨会预印本国际会议2015年10月

19‑21日，

基于正则化的模型预测控制相关识别方

法⋆

∗∗

拉斐尔，M.S.M.巴尔塔尔拉斐尔B.C.P´埃里克

利斯，R.巴罗斯∗∗∗

∗巴西帕拉伊巴大学（电子邮件：rapha.baltar@.com）。

∗∗巴西帕拉伊巴大学（电子邮件：rafael.lima@.br）。

∗∗∗巴西帕拉伊巴大学（电子邮件：prbarros@.br）。

：控制相关识别（CRI）旨在生成适合当前控制问题的模型，从而在控制算法和识别算法之

间建立协同作用。对于模型预测控制（MPC），建议使用通过最小化多步预测误差成本函数获

得的模型。一种最小化成本函数的方法是应用Levemberg‑Marquardt（LM）优化算法，前提

是识别数据集不是的。另一种更有趣的方法是称为PLS‑PH的线搜索方法。在这项工作中，

提出了一种基于正则化的线搜索方法，称为EN‑PH，用于执行识别成本函数的最小化。通过两

个例子比较了使用最小二乘法、LM、PLS‑PH和EN‑PH获得的模型的预测性能。这些例子表

明，使用EN‑PH拟合的模型优于其他模型。

：正则化，弹性网络，控制相关识别，预测控制，数值优化

1.引言EN‑PH是一种数值优化方法，基于正则化方法进行线性

搜索以估计模型参数。该方法的特性和性能在两个示例中

过程识别旨在获得过程行为的数学描述。通过系统识别技

进行了研究。在这两个示例中，该方法被证明是在预测控

术获得的每个数学模型都不可避免地是对过程的近似，

制中系统辨识的一个有竞争力的替代方案。

因此模型的有效性直接与其使用目的相关。一个准确的模

型可以用于模拟系统的动态行为。CRI方法的动力于在

线性模型中使用基于模型的控制器项目的优点。

2.线性回归模型

在本节中，将定义模型的结构和使用的预测变量。

模型预测控制（MPC）在高级过程控制方法中脱颖而出。

MPC基于过程模型预测受控变量的行为。因此，控制器

考虑以下模型结构：

性能在很大程度上取决于模型的质量。模型开发是实现模

T

yˆ(k)=x(k−1)θ+...+x(k−n)θ=x(k)θ(1)

1n

型预测控制器过程中最关键且耗时的步骤（Morari和

其中ˆy(k)是模型的输出；x(k)是一个已知变量的n维

Lee,1999）。Gopaluni等人（2004）展示了最小化多列向量；而θ是一个未知参