CN115390459B - 模型预测控制方法及装置 - Google Patents
模型预测控制方法及装置 Download PDFInfo
- Publication number
- CN115390459B CN115390459B CN202211331029.9A CN202211331029A CN115390459B CN 115390459 B CN115390459 B CN 115390459B CN 202211331029 A CN202211331029 A CN 202211331029A CN 115390459 B CN115390459 B CN 115390459B
- Authority
- CN
- China
- Prior art keywords
- variable
- target
- control system
- disturbance
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000001419 dependent effect Effects 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种模型预测控制方法及装置。该方法包括：构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对所述控制系统进行稳态优化和动态控制。本申请解决了相关技术无法有效提升控制系统的鲁棒性的技术问题。
Description
技术领域
本申请涉及预测控制技术领域，具体而言，涉及一种模型预测控制方法及装置。
背景技术
自20世纪末期以来，流程工业得到了快速发展，其中也包括模型预测控制在流程工业中的成功应用。模型预测控制适用于多输入多输出、大时滞、多干扰的被控对象，而且可以考虑工艺约束和经济指标，因此，模型预测控制在流程工业中具有广泛的应用前景。
然而，在实际生产中，由于生产原料配比改变、设备老化、催化剂活性不足等多种因素，控制过程的动态特性会随之发生变化，使得对象的模型难以精确建模，从而导致基于模型预测的不完全准确。尤其在生产过程中还存在一些不确定的扰动变量，如何有效提升系统的鲁棒性成为一大难题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种模型预测控制方法及装置，以至少解决相关技术无法有效提升控制系统的鲁棒性的技术问题。
根据本申请实施例的一个方面，提供了一种模型预测控制方法，包括：构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
可选地，构建控制系统的目标预测模型之前，还包括：依据过程因变量的类型确定不可测扰动变量在控制系统中的位置，其中，过程因变量中包括：传递变量和被控变量；当过程因变量为积分类型时，不可测扰动变量在控制系统的输入端；当过程因变量为非积分类型时，不可测扰动变量在控制系统的输出端。
可选地，构建控制系统的目标预测模型，包括：分别构建操纵变量的第一子预测模型、可测扰动变量的第二子预测模型和不可测扰动变量的第三子预测模型；基于第一子预测模型、第二子预测模型和第三子预测模型，确定目标预测模型。
可选地，依据目标预测模型构建扰动估计模型之前，还包括：对各子预测模型进行最小实现处理，得到最小实现后的目标预测模型。
可选地，依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值，包括：将不可测扰动变量作为控制系统的状态变量，输入至目标预测模型中，得到扰动估计模型；采用卡尔曼滤波法确定扰动估计模型中的不可测扰动变量的估计值。
可选地，将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制，包括：将第一测量值、第二测量值和估计值输入至目标预测模型，得到传递变量的第一预测值；基于第一预测值和受控矩阵，确定被控变量的目标预测值，其中，受控矩阵用于反映传递变量与被控变量的关联关系；基于目标预测值确定控制系统的目标稳态值和目标控制序列。
可选地，基于目标预测值确定控制系统的目标稳态值和目标控制序列，包括：基于目标预测值确定控制系统的目标稳态值，其中，目标稳态值中包括：操纵变量的第一目标稳态值和被控变量的第二目标稳态值，目标稳态值用于控制在不同约束条件下控制系统处于稳定状态；依据第一目标稳态值、第二目标稳态值确定目标控制序列，其中，目标控制序列用于控制目标稳态值与实际测量值之间的误差最小。
根据本申请实施例的另一方面，还提供了一种模型预测控制装置，包括：构建模块，用于构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；估计模块，用于依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取模块，用于获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；预测控制模块，用于将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行权利上述的模型预测控制方法。
根据本申请实施例的另一方面，还提供了一种模型预测控制电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的模型预测控制方法。
在本申请实施例中，构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。其中，通过构建扰动估计模型对不可测扰动变量的值进行估计，并将不可测扰动变量作为目标预测模型的输入变量，从而将不可测扰动变量对控制系统的影响等效为可测扰动变量，在后续预测控制过程中保证不可测扰动变量可以对控制系统进行补偿，在最大限度内降低预测模型的失配，进而解决了相关技术无法有效提升控制系统的鲁棒性的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种模型预测控制方法的流程示意图；
图2是根据本申请实施例的一种可选的非积分类型的预测模型示意图；
图3是根据本申请实施例的一种可选的积分类型的预测模型示意图；
图4是根据本申请实施例的一种可选的模型预测控制方法的流程示意图
图5是根据本申请实施例的一种模型预测控制装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
为了更好地理解本申请实施例，首先对本申请实施例描述过程中出现的部分名词或术语翻译解释如下：
模型预测控制（Model Predictive Control，MPC）：一种基于模型的计算机控制算法的总称，在工业应用中多以双层结构出现，即双层结构预测模型，该模型的上层为稳态目标计算层或稳态优化层，下层为动态控制层。双层结构预测控制相比于传统预测控制能更大程度挖掘出过程潜在的经济效益，同时保证系统更加平稳、安全运行。
状态估计方法：一种根据可获取的量测数据估算动态系统内部状态的方法。对动态系统的输入和输出进行测量而得到的量测数据智能反映系统的外部特性，而系统的动态规律需要内部状态变量来描述，因此，状态估计方法对于了解和控制一个系统具有十分重要的意义。
最小实现：描述系统输入输出动态关系的运动方程或者传递函数，建立系统的状态空间表达式的过程称为实现过程。若原传递函数中没有零极点对消的情况，则对该传递函数的实现称为最小实现。
操纵变量（Manipulated Variable，MV）：控制系统中可以直接操作，并用于使被控变量保持在设定值或者设定区间的工艺变量。
被控变量（Controlled Variable，CV）：在工业过程中希望稳定在某一期望值或者某一期望范围的变量或者工业参数。
扰动变量（Disturbance Variable，DV）：任意可能导致被控变量偏离某一设定值或者某一设定范围，但控制系统本身无法干预的其他变量。
不可测扰动变量（Unmeasured Disturbance Variable，UDV）：控制系统中无法直接测量的扰动变量。
传递变量（Transfer Variable，TV）：控制系统中用于反馈，但不用于控制的过程变量。
实施例1
面对多输入多输出、大时滞、多干扰的被控对象而言，模型预测控制是一种系统模型精度要求不高但仍可以精确预测的方法。近年来，以所需优化被控变量作为直接优化目标的模型预测控制方法在迅速发展，并在流程工业中得到广泛的应用。
然而，在实际生产中，由于生产原料配比改变、设备老化、催化剂活性不足等多种因素，控制过程中的变量动态特性会不断发生变化，使得难以对控制对象进行精确建模。模型和实际对象的差距，导致基于模型的预测不完全准确。
当前，相关技术主要是通过自适应建模或者模型自学习等方法提升预测模型的预测准确性，但这种方法需要获取最新数据进行重新建模，而重新建模一方面需要对扰动变量的估计过程施加一定的测试信号，从而导致正常生产过程中产生额外的干扰；另一方面，重新建模受限于预测模型的可靠性等因素，还需要人工再次确认预测模型质量后手动替换原模型，不能形成全自动的操作。
另外，相关技术人员还会采用常值误差校正或者基于状态估计方法校正等对预测模型的失配进行补偿。但对于非积分类型控制器来说，通常是采用常值校正的方法实现无静差的跟踪，而无法保证系统动态控制的效果；对积分类型控制器来说，通常是采用旋转校正或者基于状态估计理论的扰动补偿同样也无法保证在预测模型失配程度较大的情况下控制系统的动态特性。
为了解决上述问题，本申请实施例提供了一种模型预测控制方法，通过构建扰动估计模型对不可测扰动变量进行估计，并将不可测扰动变量作为目标预测模型的输入变量，从而将不可测扰动变量对控制系统的影响等效为可测扰动变量，在后续预测控制过程中保证不可测扰动变量可以对控制系统进行补偿，从而在最大限度内降低预测模型的失配，进而提升控制系统的鲁棒性。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种可选的模型预测控制方法的流程示意图，如图1所示，该方法至少包括步骤S102-S108，其中：
步骤S102，构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量。
具体地，本申请中将不可测扰动变量作为控制系统的输入变量，将其对控制系统的影响可以等效为可测扰动变量，有效提升控制系统的鲁棒性。由于操作变量和可测扰动变量在控制系统中的位置和数值可以直接确定，而不可测扰动变量在控制系统的位置和数值却无法直接确定。
因此，在本申请实施例中可以通过如下方法确定不可测扰动变量在控制系统中的位置：依据过程因变量的类型确定不可测扰动变量在控制系统中的位置，其中，过程因变量中包括：传递变量和被控变量；当过程因变量为积分类型时，不可测扰动变量在控制系统的输入端；当过程因变量为非积分类型时，不可测扰动变量在控制系统的输出端。
为了满足后续对不可测扰动变量的估计条件，需要保证扰动变量的数量不超过过程因变量的数量。
另外，由于一个过程因变量对应一个不可测扰动变量，因此，可以通过传递变量或者被控变量的类型来确定不可测扰动变量在控制系统中的输入位置。
举例而言，图2示出了一种可选的非积分类型的预测模型示意图，由图2可知，当传递变量为非积分类型，不可测扰动变量从输出端进入控制系统。其中，该预测模型中包括一个操作变量、一个传递变量和一个被控变量。操作变量经过非积分类型的预测模型1得到一个预测值1，在预测值1叠加不可测扰动变量1就可以得到传递变量的预测值，接着，传递变量的预测值经过非积分类型的预测模型2后，再次得到一个预测值2，继续在预测值2的基础上叠加不可测扰动变量2就可以得到被控变量的预测值。其中，在上述预测模型中，不可测扰动变量1对传递变量的影响为直接叠加，不可测扰动变量2仅对被控变量产生影响，且影响效果同样为直接叠加。图3示出了一种可选的积分类型的预测模型示意图，由图3可知，当传递变量为积分类型，不可测扰动变量从输入端进入控制系统。其中，该预测模型中包括一个操作变量和一个被控变量。操作变量和不可测扰动变量经过该积分类型的预测模型，可以得到被控变量的预测值。
另外，当确定不可测扰动变量在控制系统中的位置后，分别构建操纵变量的第一子预测模型、可测扰动变量的第二子预测模型和不可测扰动变量的第三子预测模型；基于第一子预测模型、第二子预测模型和第三子预测模型，确定目标预测模型。
其中，第一子预测模型、第二子预测模型和第三子预测模型的构建方式完全相同。
需要说明的是，考虑到在构建各子预测模型时，需要考虑各模型之间的级联关系，因此，在本申请实施例中所有的模型均基于状态空间的形式。
进一步地，在本申请实施例中可以对操纵变量的第一子预测模型进行最小实现处理，以保证后续扰动估计的顺利进行。
具体地，对第一子预测模型进行最小实现处理是将第一子预测模型的原始参数A0、B0和C0，在经过最小实现处理后，得到新的模型参数A1、B1、C1以及最小实现转换矩阵T。其中，新的模型参数足以表征控制系统的状态。
作为一种可选的实施方式，本申请实施例还可以对可测扰动变量的第二子预测模型和不可测扰动变量的第三子预测模型进行最小实现处理，以找到控制系统中完全能控且完全能观的部分状态变量，减少后续预测模型的计算量。
经过最小实现处理后的目标预测模型的状态空间表达式为：
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)
其中，第一个方程为状态方程，第二个方程为观测方程，A为系统矩阵，B为输入矩阵，C为输出矩阵，x(k)表示对应k时刻控制系统的内部状态变化量，u(k)表示对应k时刻控制系统的输入变量，y(k)表示对应k时刻控制系统的输出变量。
步骤S104，依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值。
可选地，首先将不可测扰动变量作为控制系统的状态变量，输入至目标预测模型中，得到扰动估计模型；再采用卡尔曼滤波法确定扰动估计模型中的不可测扰动变量的估计值。
通常，常见的状态估计方法可以分为多种，例如卡尔曼滤波法、粒子滤波法、协方差一致法等。针对不同类型的动力学模型，可以采用不同的状态估计方法。而在本身实施例中，通过卡尔曼滤波法得到不可测扰动变量的估计值，并将不可测扰动变量增广为控制系统的状态变量，就可以得到扰动估计模型，该模型仅用于估计不可测扰动变量的估计值，而不直接用于预测控制。因此，增广后的扰动估计模型采用状态空间形式可以表示为：
其中，本申请中将d(k)和p(k)均增广为控制系统的状态变量，d(k)表示输入端扰动估计，p(k)表示输出端扰动估计。
另外，对于积分类型的扰动估计模型而言，G(d)表示积分预测模型中整数矩阵B中的参数按照同样的方式进行最小实现后矩阵；而对于非积分类型的扰动估计模型而言，G(p)通常取单位矩阵I。
通常，当系统中的状态无法直接测量时，需要通过状态估计获得系统的实时状态。更进一步地，可以采用卡尔曼状态观测器估计模型中一些无法直接测量的状态变量，甚至一些不可测扰动变量。因此，本申请实施例中使用卡尔曼状态观测器估计系统状态，并获得不可测扰动的估计值。
为了消除卡尔曼状态观测器的观测误差，需要在卡尔曼状态观测器中引入反馈增益，以定常系统为例，其状态观测器的表示式如下：
其中，
表示在k时刻控制系统的状态估计值，y(k)表示在k时刻控制系统输出
的状态真实值，
表示在k时刻控制系统的状态预测值，L表示反馈增益，可以依据L不断
修正状态估计值，使得系统状态变量的预测值更加接近系统状态变量的真实值。
具体地，可以通过卡尔曼滤波法获得最优的估计值，也即获得最优的d(k)和p(k)。
在本申请实施例中，卡尔曼滤波作为一种状态最优估计算法可以实现对系统状态进行最优状态估计。卡尔曼滤波的方程主要分为状态估计协方差以及滤波增益矩阵，卡尔曼滤波方程包括如下内容：
状态预测方程确定控制系统的状态预测值，状态预测方程表达式如下：
状态更新方程确定控制系统的状态最优估计值，状态更新方程表达式如下：
其中，
表示在k时刻控制系统的状态估计值，也称先验状态估计值，
表示在k时刻控制系统的状态最优估计值，也称后验状态估计值。
通过状态预测方程和状态更新方程可知，滤波增益K实际上表征了状态最优估计过程中预测模型误差与量测误差的比值，因此，K的取值范围在(0,1)。也就是说，当K=0时，表示预测误差为0，系统的状态最优估计值完全取决于预测值；而当K=1时，即量测误差为0，控制系统的状态最优估计值完全取决于量测值。另外，状态最优估计条件下的滤波增益矩阵K的表达式为：
状态估计误差协方差的表达式为：
状态估计协方差的表达式为：
其中，Q和C为单位对角矩阵，对角矩阵上的元素对应着不同的状态变量和控制变量的权重大小。另外，P(k)_表示真实值与状态估计值之间的协方差，也称状态估计的先验协方差，P(k)表示真实值与最优估计值之间的协方差，也称状态估计的后验协方差，卡尔曼滤波的状态估计原则就是使状态最优估计的协方差P(k)最小，使其越来越逼近于真实值。
针对完全能控和完全能观的系统采用卡尔曼滤波方法，可以满足滤波的稳定性，通过在离线状态下计算系统的稳态滤波增益K，使得后续在线运行过程中可以直接采用该滤波增益，避免了实时求解滤波增益，减少了计算工作量，并且可以保证状态估计的最优性。另外，通过卡尔曼滤波方法得到稳态滤波增益K，可以保证在进行状态估计时反馈增益L始终为收敛，进而确保在对不可测扰动变量进行估计时，可以得到一个最真实的估计值。
作为一种可选的实施方式，以定常系统为例，详细解释确定滤波增益K的求解过程。通常，卡尔曼滤波的稳态滤波增益K可以通过求解非负正定矩阵P进行求解，其中，
由于P满足黎卡提矩阵代数方程，因此，P的表达式可以写成：
则稳态滤波增益K可以通过上式推到得到如下表达式：
步骤S106，获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值。
具体地，可以实时测量控制系统中的操纵变量的第一测量值和可测扰动变量的第二测量值。
步骤S108，将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
可选地，将第一测量值、第二测量值和估计值输入至目标预测模型，得到传递变量的第一预测值；基于第一预测值和受控矩阵，确定被控变量的目标预测值，其中，受控矩阵用于反映传递变量与被控变量的关联关系；基于目标预测值确定控制系统的目标稳态值和目标控制序列。
为了进一步对控制系统进行优化和控制，还可以基于目标预测值确定控制系统的目标稳态值，其中，目标稳态值中包括：操纵变量的第一目标稳态值和被控变量的第二目标稳态值，目标稳态值用于控制在不同约束条件下控制系统处于稳定状态；依据第一目标稳态值、第二目标稳态值确定目标控制序列，其中，目标控制序列用于控制目标稳态值与实际测量值之间的误差最小。
由于相关技术对控制系统进行优化时，并未考虑不可测扰动变量对未来输出被控变量的稳态值的影响，因此，在本申请中实施例将不可测扰动变量作为目标预测模型的输入，提前对控制系统进行扰动补偿。
另外，由于控制系统中的操纵变量一般多于被控变量，操纵变量可能存在多余的自由度，未来充分利用这些自由度，保证控制系统可以在更经济的状态下使用，需要在控制目标中引入与经济效益相关的变量，也就是说，确定操纵变量的第一目标稳态值和被控变量的第二目标稳态值，使得在不同约束条件下控制系统处于稳定状态。同时，将第一目标稳态值和第二目标稳态值作为动态优化的跟踪目标，依据第一目标稳态值和第二目标稳态值确定出满足控制目标和约束的目标控制序列。
因此，本申请中考虑不可测扰动变量对控制系统未来输出的稳态目标的影响，在计算稳态目标时将不可测扰动变量作为系统输入进行扰动补偿，使得在动态控制时给予扰动补偿，进而保证在模型失配程度较大时控制系统的动态特性。
作为一种可选的实施方式，图4示出了一种可选的模型预测控制方法的流程示意图。将实时获取的操纵变量的第一测量值输入至第一子预测模型中，将实时获取的可测扰动变量的第二测量值输入至第二子预测模型中，以及通过扰动估计模型得到的不可测扰动变量的最优估计值输入至第三子预测模型中，分别可以得到三个预测分量值，将三个预测分量值进行叠加从而得到传递变量的预测值，最后通过将传递变量的预测值与受控矩阵相乘，得到对应被控变量的预测值。
需要说明的是，在计算目标稳态值时，只考虑被控变量，而不用考虑传递变量。另外，基于最小实现的预测模型确定扰动估计模型，并对不可测扰动变量进行估计时，通过计算稳态滤波增益，保证估计值与真实值之间的误差最小。
在本申请实施例中，构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。其中，通过构建扰动估计模型对不可测扰动变量的值进行估计，并将不可测扰动变量作为目标预测模型的输入变量，从而将不可测扰动变量对控制系统的影响等效为可测扰动变量，在后续预测控制过程中保证不可测扰动变量可以对控制系统进行补偿，在最大限度内降低预测模型的失配，进而解决了相关技术无法有效提升控制系统的鲁棒性的技术问题。
实施例2
根据本申请实施例，还提供了一种用于实现上述模型预测控制方法的模型预测控制装置，如图5所示，该装置至少包括构建模块51，估计模块52，获取模块53和预测控制模块54，其中：
构建模块51，用于构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量。
具体地，本申请中将不可测扰动变量作为控制系统的输入变量，将其对控制系统的影响可以等效为可测扰动变量，有效提升控制系统的鲁棒性。由于操作变量和可测扰动变量在控制系统中的位置和数值可以直接确定，而不可测扰动变量在控制系统的位置和数值却无法直接确定。
因此，在本申请实施例中可以通过如下方法确定不可测扰动变量在控制系统中的位置：依据过程因变量的类型确定不可测扰动变量在控制系统中的位置，其中，过程因变量中包括：传递变量和被控变量；当过程因变量为积分类型时，不可测扰动变量在控制系统的输入端；当过程因变量为非积分类型时，不可测扰动变量在控制系统的输出端。
为了满足后续对不可测扰动变量的估计条件，需要保证扰动变量的数量不超过过程因变量的数量。
另外，由于一个过程因变量对应一个不可测扰动变量，因此，可以通过传递变量或者被控变量的类型确定不可测扰动变量在控制系统中的输入位置。
当确定不可测扰动变量在控制系统中的位置后，构建模块51分别构建操纵变量的第一子预测模型、可测扰动变量的第二子预测模型和不可测扰动变量的第三子预测模型；基于第一子预测模型、第二子预测模型和第三子预测模型，确定目标预测模型。
其中，第一子预测模型、第二子预测模型和第三子预测模型的构建方式完全相同。
进一步地，在本申请实施例中通过对操纵变量的第一子预测模型进行最小实现处理，以保证后续扰动估计的顺利进行。
作为一种可选的实施方式，本申请实施例还可以对可测扰动变量的第二子预测模型和不可测扰动变量的第三子预测模型进行最小实现处理，以找到控制系统中完全能控且完全能观的部分状态变量，减少后续预测模型的计算量。
经过最小实现处理后的目标预测模型的状态空间表达式为：
x(k+1)=Ax(k)+Bu(k)
y(k)=Cx(k)
其中，第一个方程为状态方程，第二个方程为观测方程，A为系统矩阵，B为输入矩阵，C为输出矩阵，x(k)表示对应k时刻控制系统的内部状态变化量，u(k)表示对应k时刻控制系统的输入变量，y(k)表示对应k时刻控制系统的输出变量。
估计模块52，用于依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值。
可选地，估计模块52首先将不可测扰动变量作为控制系统的状态变量，输入至目标预测模型中，得到扰动估计模型；并采用卡尔曼滤波法确定扰动估计模型中的不可测扰动变量的估计值。
通常，常见的状态估计方法可以分为多种，例如卡尔曼滤波法、粒子滤波法、协方差一致法等。针对不同类型的动力学模型，可以采用不同的状态估计方法。而在本身实施例中，通过卡尔曼滤波法得到不可测扰动变量的估计值，并将不可测扰动变量增广为控制系统的状态变量，就可以得到扰动估计模型，该模型仅用于估计不可测扰动变量的估计值，而不直接用于预测控制。
因此，增广后的扰动估计模型采用状态空间形式可以表示为：
其中，本申请中将d(k)和p(k)均增广为控制系统的状态变量，d(k)表示输入端扰动估计，p(k)表示输出端扰动估计。另外，对于积分类型的扰动估计模型而言，G(d)表示积分预测模型中整数矩阵B中的参数按照同样的方式进行最小实现后矩阵；而对于非积分类型的扰动估计模型而言，G(p)通常取单位矩阵I。
通常，当系统中的状态无法直接测量时，需要通过状态估计获得系统的实时状态。更进一步地，可以采用卡尔曼状态观测器估计模型中一些无法直接测量的状态变量，甚至一些不可测扰动变量。因此，本申请实施例中使用卡尔曼状态观测器估计系统状态，并获得不可测扰动的估计值。
为了消除卡尔曼状态观测器的观测误差，需要在卡尔曼状态观测器中引入反馈增益，以定常系统为例，其状态观测器的表示式如下：
其中，
表示在k时刻控制系统的状态估计值，y(k)表示在k时刻控制系统输出的
状态真实值，
表示在k时刻控制系统的状态预测值，L表示反馈增益，可以依据L不断修
正状态估计值，使得系统状态变量的预测值更加接近系统状态变量的真实值。
通常，当系统中的状态无法测量时，需要通过状态估计获得系统的实时状态。更进一步地，可以采用卡尔曼状态观测器估计模型中一些无法直接测量的状态变量，甚至一些不可测扰动变量。因此，本申请实施例中使用卡尔曼状态观测器估计系统状态，并获得不可测扰动的估计值。
状态预测方程确定控制系统的状态预测值，状态预测方程表达式如下：
状态更新方程确定控制系统的状态最优估计值，状态更新方程表达式如下：
其中，
表示在k时刻控制系统的状态估计值，也称先验状态估计值，
表示在k时刻控制系统的状态最优估计值，也称后验状态估计值。
通过状态预测方程和状态更新方程可知，滤波增益K实际上表征了状态最优估计过程中预测模型误差与量测误差的比值，因此，K的取值范围在(0,1)。也就是说，当K=0时，表示预测误差为0，系统的状态最优估计值完全取决于预测值；而当K=1时，即量测误差为0，控制系统的状态最优估计值完全取决于量测值。
另外，状态最优估计条件下的滤波增益矩阵K的表达式为：
状态估计误差协方差的表达式为：
状态估计协方差的表达式为：
其中，Q和C为单位对角矩阵，对角矩阵上的元素对应着不同的状态变量和控制变量的权重大小。
另外，P(k)_表示真实值与状态估计值之间的协方差，也称状态估计的先验协方差，P(k)表示真实值与最优估计值之间的协方差，也称状态估计的后验协方差，卡尔曼滤波的状态估计原则就是使状态最优估计的协方差P(k)最小，使其越来越逼近于真实值。
针对完全能控和完全能观的系统采用卡尔曼滤波方法，可以满足滤波的稳定性，通过在离线状态下计算系统的稳态滤波增益K，使得后续在线运行过程中可以直接采用该滤波增益，避免了实时求解滤波增益，减少了计算工作量，并且可以保证状态估计的最优性。另外，通过卡尔曼滤波方法得到稳态滤波增益K，可以保证在进行状态估计时反馈增益L始终为收敛，进而确保在对不可测扰动变量进行估计时，可以得到一个最真实的估计值。
作为一种可选的实施方式，以定常系统为例，详细解释确定滤波增益K的求解过程。通常，卡尔曼滤波的稳态滤波增益K可以通过求解非负正定矩阵P进行求解，其中，
由于P满足黎卡提矩阵代数方程，因此，P的表达式可以写成：
则稳态滤波增益K可以通过上式推到得到如下表达式：
获取模块53，用于获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值。
具体地，获取模块53可以实时采集控制系统中的操纵变量的第一测量值和可测扰动变量的第二测量值。
预测控制模块54，用于将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对所控制系统进行稳态优化和动态控制。
可选地，预测控制模块54将第一测量值、第二测量值和估计值输入至目标预测模型，得到传递变量的第一预测值；基于第一预测值和受控矩阵，确定被控变量的目标预测值，其中，受控矩阵用于反映传递变量与被控变量的关联关系；基于目标预测值确定控制系统的目标稳态值和目标控制序列。
可选地，为了进一步对控制系统进行优化和控制，还可以基于目标预测值确定控制系统的目标稳态值，其中，目标稳态值中包括：操纵变量的第一目标稳态值和被控变量的第二目标稳态值，目标稳态值用于控制在不同约束条件下控制系统处于稳定状态；依据第一目标稳态值、第二目标稳态值确定目标控制序列，其中，目标控制序列用于控制目标稳态值与实际测量值之间的误差最小。
由于相关技术对控制系统进行优化时，未考虑不可测扰动变量对未来输出被控变量的稳态值的影响，因此，在本申请中将不可测扰动变量作为目标预测模型的输入，提前对控制系统进行扰动补偿。
另外，由于控制系统中的操纵变量一般多于被控变量，操纵变量可能存在多余的自由度，未来充分利用这些自由度，保证控制系统可以在更经济的状态下使用，需要在控制目标中引入与经济效益相关的变量，也就是说，确定操纵变量的第一目标稳态值和被控变量的第二目标稳态值，使得在不同约束条件下控制系统处于稳定状态。同时，将第一目标稳态值和第二目标稳态值作为动态优化的跟踪目标，依据第一目标稳态值和第二目标稳态值确定出满足控制目标和约束的目标控制序列。
需要说明的是，本申请实施例中的模型预测控制装置中的各模块与实施例1中的模型预测控制方法的各实施步骤一一对应，由于实施例1中已经进行了详尽的描述，本实施例中部分未体现的细节可以参考实施例1，在此不再过多赘述。
实施例3
根据本申请实施例，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行实施例1中的模型预测控制方法。
可选地，非易失性存储介质所在设备通过运行计算机程序运行时执行实现以下步骤：构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
实施例4
根据本申请实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的模型预测控制方法。
可选地，程序运行时执行实现以下步骤：构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
实施例5
根据本申请实施例，还提供了一种模型预测控制电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行实施例1中的模型预测控制方法。
可选地，处理器被配置为通过计算机程序运行时执行实现以下步骤：构建控制系统的目标预测模型，其中，目标预测模型中包括与控制系统中各输入变量对应的各子预测模型，输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；依据目标预测模型构建扰动估计模型，并基于扰动估计模型确定不可测扰动变量的估计值；获取控制系统中操纵变量的第一测量值和可测扰动变量的第二测量值；将第一测量值、第二测量值和估计值输入至目标预测模型中，确定被控变量的目标预测值，并基于目标预测值对控制系统进行稳态优化和动态控制。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本申请的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种模型预测控制方法，其特征在于，包括：
构建控制系统的目标预测模型，其中，所述目标预测模型中包括与所述控制系统中各输入变量对应的各子预测模型，所述输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；
其中，在构建所述控制系统的所述目标预测模型之前，还包括：依据过程因变量的类型确定所述不可测扰动变量在所述控制系统中的位置，其中，所述过程因变量中包括：传递变量和被控变量；当所述过程因变量为积分类型时，所述不可测扰动变量在所述控制系统的输入端；当所述过程因变量为非积分类型时，所述不可测扰动变量在所述控制系统的输出端；
依据所述目标预测模型构建扰动估计模型，并基于所述扰动估计模型确定所述不可测扰动变量的估计值；
获取所述控制系统中所述操纵变量的第一测量值和所述可测扰动变量的第二测量值；
将所述第一测量值、所述第二测量值和所述估计值输入至所述目标预测模型中，确定被控变量的目标预测值，并基于所述目标预测值对所述控制系统进行稳态优化和动态控制。
2.根据权利要求1所述的方法，其特征在于，构建控制系统的目标预测模型，包括：
分别构建所述操纵变量的第一子预测模型、所述可测扰动变量的第二子预测模型和所述不可测扰动变量的第三子预测模型；
基于所述第一子预测模型、所述第二子预测模型和所述第三子预测模型，确定所述目标预测模型。
3.根据权利要求1所述的方法，其特征在于，依据所述目标预测模型构建扰动估计模型之前，所述方法还包括：
对所述各子预测模型进行最小实现处理，得到最小实现后的所述目标预测模型。
4.根据权利要求1所述的方法，其特征在于，依据所述目标预测模型构建扰动估计模型，并基于所述扰动估计模型确定所述不可测扰动变量的估计值，包括：
将所述不可测扰动变量作为所述控制系统的状态变量，输入至所述目标预测模型中，得到所述扰动估计模型；
采用卡尔曼滤波法确定所述扰动估计模型中的不可测扰动变量的估计值。
5.根据权利要求4所述的方法，其特征在于，将所述第一测量值、所述第二测量值和所述估计值输入至所述目标预测模型中，确定被控变量的目标预测值，并基于所述目标预测值对所述控制系统进行稳态优化和动态控制，包括：
将所述第一测量值、所述第二测量值和所述估计值输入至所述目标预测模型，得到传递变量的第一预测值；
基于所述第一预测值和受控矩阵，确定所述被控变量的目标预测值，其中，所述受控矩阵用于反映所述传递变量与所述被控变量的关联关系；
基于所述目标预测值确定所述控制系统的目标稳态值和目标控制序列。
6.根据权利要求5所述的方法，其特征在于，基于所述目标预测值确定所述控制系统的目标稳态值和目标控制序列，包括：
基于所述目标预测值确定所述控制系统的目标稳态值，其中，所述目标稳态值中包括：所述操纵变量的第一目标稳态值和所述被控变量的第二目标稳态值，所述目标稳态值用于控制在不同约束条件下所述控制系统处于稳定状态；
依据所述第一目标稳态值、所述第二目标稳态值确定所述目标控制序列，其中，所述目标控制序列用于控制所述目标稳态值与实际测量值之间的误差最小。
7.一种模型预测装置，其特征在于，包括：
构建模块，用于构建控制系统的目标预测模型，其中，所述目标预测模型中包括与所述控制系统中各输入变量对应的各子预测模型，所述输入变量中包括：操纵变量、可测扰动变量和不可测扰动变量；
其中，在构建所述控制系统的所述目标预测模型之前，还包括：依据过程因变量的类型确定所述不可测扰动变量在所述控制系统中的位置，其中，所述过程因变量中包括：传递变量和被控变量；当所述过程因变量为积分类型时，所述不可测扰动变量在所述控制系统的输入端；当所述过程因变量为非积分类型时，所述不可测扰动变量在所述控制系统的输出端；
估计模块，用于依据所述目标预测模型构建扰动估计模型，并基于所述扰动估计模型确定所述不可测扰动变量的估计值；
获取模块，用于获取所述控制系统中所述操纵变量的第一测量值和所述可测扰动变量的第二测量值；
预测控制模块，用于将所述第一测量值、所述第二测量值和所述估计值输入至所述目标预测模型中，确定被控变量的目标预测值，并基于所述目标预测值对所述控制系统进行稳态优化和动态控制。
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至6中任意一项所述的模型预测控制方法。
9.一种模型预测控制电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被配置为通过所述计算机程序执行权利要求1至6中任意一项所述的模型预测控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211331029.9A CN115390459B (zh) | 2022-10-28 | 2022-10-28 | 模型预测控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211331029.9A CN115390459B (zh) | 2022-10-28 | 2022-10-28 | 模型预测控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115390459A CN115390459A (zh) | 2022-11-25 |
| CN115390459B true CN115390459B (zh) | 2023-06-02 |
Family
ID=84114986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211331029.9A Active CN115390459B (zh) | 2022-10-28 | 2022-10-28 | 模型预测控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115390459B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114859720B (zh) * | 2022-05-09 | 2023-06-20 | 电子科技大学 | 一种大时滞成型系统的耗散性经济模型预测控制方法 |
| CN117268252A (zh) * | 2023-11-23 | 2023-12-22 | 中控技术股份有限公司 | 电极埋入深度预测方法、装置、存储介质和电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103322553B (zh) * | 2013-07-04 | 2015-03-04 | 东南大学 | 一种火电机组过热汽温多模型扰动估计预测控制方法 |
| CN106647268B (zh) * | 2016-12-21 | 2019-06-21 | 东南大学 | 基于模型预测控制的mgt-cchp分层最优控制系统 |
| JP2019128904A (ja) * | 2018-01-26 | 2019-08-01 | Ｎｅｃソリューションイノベータ株式会社 | 予測システム、シミュレーションシステム、方法およびプログラム |
| CN109524693B (zh) * | 2018-11-13 | 2021-04-09 | 吉林大学 | 燃料电池空气供给系统模型预测控制方法 |
| CN110501909B (zh) * | 2019-09-09 | 2022-08-05 | 南京工程学院 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
-
2022
- 2022-10-28 CN CN202211331029.9A patent/CN115390459B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115390459A (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115390459B (zh) | 模型预测控制方法及装置 | |
| JP6163526B2 (ja) | バッチプロセスのオンラインプロセスランの分析を実行する方法 | |
| US8295952B2 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system | |
| US8095227B2 (en) | Apparatuses, systems, and methods utilizing adaptive control | |
| Marchetti et al. | A dual modifier-adaptation approach for real-time optimization | |
| JP6521578B2 (ja) | プロセス制御システムにおける非侵入的データ分析 | |
| CN103293953B (zh) | 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器 | |
| Al-Gherwi et al. | A robust distributed model predictive control algorithm | |
| US8577481B2 (en) | System and method for utilizing a hybrid model | |
| Jiang et al. | Robust adaptive dynamic programming | |
| US20130116802A1 (en) | Tracking simulation method | |
| US20150168925A1 (en) | Model-based predictive controller with steady-state model adaptation | |
| CN102985884A (zh) | 用于更新模型预测控制器中模型的方法和系统 | |
| CN105867138B (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
| CN109115446A (zh) | 基于跨声速风洞风速精度控制方法及系统 | |
| US20200064787A1 (en) | System and Method for Determining the Parameters of a Controller | |
| Jin et al. | A novel analytical redundancy method based on decision-level fusion for aero-engine sensors | |
| CN114580151A (zh) | 一种基于灰色线性回归-马尔科夫链模型的需水预测方法 | |
| Zhao et al. | Multivariable control performance assessment based on generalized minimum variance benchmark | |
| CN112379601A (zh) | 基于工业过程的mfa控制系统设计方法 | |
| CN114779625B (zh) | 基于vrft的pd控制器设计方法及装置、电子设备 | |
| He et al. | Modular Design of Combined Integrating Controller Based on OPTO22 | |
| Delou et al. | Output Modifier Adaption based on Gaussian Process: Simultaneous use in Real-Time Optimization and Hammerstein NMPC | |
| CN112567301B (zh) | 处理优化服务器和系统 | |
| Yang et al. | Parameter Identification and Control Scheme for Monitoring Automatic Thickness Control System with Measurement Delay |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |