[发明专利]一种模型预测控制器的时域分解加速方法

说明书

本发明涉及一种模型预测控制器时域分解加速方法，属于自动控制技术领域。本发明方法将模型预测控制算法在预测时域上进行分解，将预测时域内的每一组状态量，视作拓扑结构中的节点，利用系统的预测方程，实现信息的跨节点传递。再利用一致性优化方法对该问题进行迭代计算，交替更新原始变量、共识变量以及对偶变量，直至满足收敛准则。本发明通过信息的跨节点传递，提升了各节点间的信息传递效率。相比于信息仅在相邻节点间传递的传统方法，该方法大幅度提升了算法的收敛速。

技术领域

本发明涉及一种模型预测控制器的时域分解加速方法，属于自动控制技术领域。

背景技术

随着自动控制技术的不断发展，对控制系统的性能提出了更高的要求。为了最大限度发挥被控系统的潜在性能，需要综合考虑被控系统的各类约束及非线性特性。例如在自动驾驶领域需要考虑汽车轮胎和动力系统所导致的非线性特性，在化工领域需要考虑安全生产和环境保护所要求的某些变量(温度、压力等)不超过安全阈值等。

模型预测控制(Model Predictive Control，以下简称MPC，)因具备处理非线性约束问题的潜在优势，正受到自动控制技术领域的密切关注。该类方法的基本原理是：根据预测时域内的参考轨迹，通过构建开环最优控制问题，求解当前时刻的最优控制律；下一时刻，根据新的参考轨迹，重复以上过程，如此往复滚动时域优化被控对象。然而，MPC的滚动时域优化特性，导致将算法部署到控制器时，在线求解负担十分繁重，难以保证求解的实时性。

因此，学术界为了提升MPC问题的求解速度，利用并行计算架构，提出了时域分解模型预测控制方法，将原来的大规模MPC问题，通过引入共识变量，在预测时域内分解成若干个小规模的子MPC问题。之后利用共识优化方法，对分解之后子问题间形成的共识优化问题进行求解。但是，由于上述时域分解模型预测控制方法，仅能在相邻节点间传递信息，这阻碍了节点间的信息传递效率，导致该算法的收敛速度很慢，限制了该方法的应用。

发明内容

本发明的目的是提出一种模型预测控制器的时域分解加速方法，针对已有技术中存在的方法信息传递效率低、收敛速度慢的问题，利用被控系统的预测方程进行状态变量间的跨节点预测。在跨节点预测的基础上，设计多种不同的共识拓扑结构，提升节点间的信息传递效率，从而提升该算法的收敛速度。

本发明提出的模型预测控制器的时域分解加速方法，包括以下步骤：

(1)根据被控系统性能需要，建立一个模型预测控制问题，该问题包括目标函数以及约束条件，模型预测控制问题的表达式如下：

满足：

x_t+1＝Ax_t+Bu_t,t＝1,…,N

其中，N为预测时域的长度，t为预测时域内的任一时刻，Q和R分别为状态变量和控制变量的权重矩阵，根据被控系统性能需要人为设定，A和B分别为状态系数矩阵和控制系数矩阵，根据被控系统的预测模型获得，为t时刻状态变量和控制变量需满足的约束条件，x_t和u_t为t时刻被控系统的状态变量及控制变量；

(2)除了初始和末端时刻外，对预测时域内的状态参数进行虚拟复制，对步骤(1)建立的模型预测控制问题进行解耦，具体过程如下：

满足：

其中，上标(t)中的t表示与预测时域内的任一时刻相对应的任一节点t，下标t为预测时域内的任一时刻；