基于对偶思想的模型预测控制算法研究

【摘要】：模型预测控制(Model predictive control,MPC)因其优越的显式处理约束能力得到了广泛的研究和应用,其核心思想是通过系统过程模型来预测系统未来动态,使用滚动优化策略求解出使得当前时刻系统性能最优的控制输入量。因此,系统模型的准确度将直接影响到控制效果。然而,实际系统中建模过程往往比较复杂,尤其是当系统存在过程噪声、量测噪声,或者难以获得实际结构或准确参数时,都会导致预测模型具有不确定性,一般需要通过辨识活动来减小系统的不确定性,但辨识活动与控制活动之间存在冲突。对偶控制思想能够在系统辨识活动和控制活动之间保持着相对平衡,在控制系统的同时,对系统进行学习,从而得到可以减小系统未来不确定性的控制输入。基于此,本文分别针对含有噪声不确定性、参数不确定性及模型结构不确定性的随机系统,将对偶控制思想引入到预测控制中,在控制的过程中,充分利用不确定信息,在驱动控制目标向期望方向靠拢的同时减小不确定性对系统的影响。主要工作如下:一、针对具有未知噪声的随机系统,研究了一种具有对偶学习特点的多模型预测控制算法。假设系统噪声的结构特性已知,其方差在有限集合里,使用贝叶斯后验概率,在优化控制目标的同时从一组噪声集中学习出噪声方差的真值。较于传统的模型预测控制算法,在具有噪声不确定性的系统中,对偶模型预测控制算法在驱动控制系统朝着期望方向运行的同时,还能够对未知噪声参数进行有效地学习。二、针对具有未知且时变参数的随机系统,研究了一种利用系统信息来减小未来不确定性的具有学习特点的模型预测控制策略。该控制策略利用估计器得到参数的估计值,将系统中由参数估计误差引起的不确定性进行参数化表达,导出一个可以减小未来不确定性的学习控制分量,将具有学习特性的控制分量加到系统的控制输入中,赋予控制输入学习特性,使得系统在优化控制目标的同时减小系统未来的不确定性,得到更好的系统性能。三、针对具有模型结构不确定性的随机非线性系统,研究一种因具有主动学习特性而减小模型选择误差的模型预测控制策略。一些非线性系统在运行过程中可能会出现模型的跳转,如发生故障等。具有主动学习特性的MPC利用当前系统信息,从一组可能模型集中选择出最能描述当前系统演化的模型,并且在模型发生变化时能够快速识别并进行切换。所提出的控制策略将模型选择误差的贝叶斯风险用巴氏距离来近似并加以约束,提高了在具有模型结构不确定性的随机系统中正确选择模型的速率。四、将具有对偶学习特点的多模型预测控制算法应用到车辆半主动式悬架系统中,进一步验证其有效性及适用性。