论文部分内容阅读
大规模工业过程存在结构复杂度高、系统耦合性强、控制器计算负担大等问题。由于分布式模型预测控制(Distributed Model Predictive Control,DMPC)不仅能够有效处理大规模系统的控制问题,降低控制器计算负担,提高系统安全性,还能获得与集中式模型预测控制(Centralized Model Predictive Control,CMPC)相近的控制性能。因此,DMPC成为控制领域的研究热点之一。然而在实际运用中,受到计算能力和网络带宽的限制,非协作式DMPC迭代计算Nash最优解需要一定的求解时间,此时系统也在同步运行,从而造成了DMPC计算延时。当子MPC控制器计算得到满足Nash平衡的最优控制策略时,系统的状态已经发生改变,不再是子MPC控制器求解时所用到的初始状态,从而导致系统控制性能变差,甚至造成系统不稳定。为了提高控制策略的实时性,降低DMPC的计算延时,并保证系统的控制性能,本文围绕DMPC子系统的分解,DMPC控制器的设计以及DMPC控制性能的输入补偿进行了研究,取得以下成果:(1)针对DMPC中子系统分解问题,提出了一种基于Gap Metric弱解耦的DMPC分解方法。该方法采用反馈解耦的思路对系统进行分解,通过构建基于Gap Metric弱解耦的优化命题来保证弱解耦前后子系统的动态特性基本一致,同时降低子系统间的耦合影响。(2)在第一部分内容的基础上,提出了一种基于Gap Metric弱解耦的DMPC控制器设计方法。该方法在设计子MPC控制器的目标函数时考虑了反馈解耦的作用,并且通过弱解耦分解,降低了子系统间的耦合影响,进而减少了子系统间的通讯量。在弱解耦作用的基础上,采用上一时刻的最优控制策略作为耦合子系统的输入来求解当前子系统的最优输入,从而避免了非协作式DMPC进行迭代计算获得Nash最优解的过程。弱解耦DMPC控制器设计方法减少了子系统间的通讯量,削弱了子MPC控制器间的通信依赖,从而降低了DMPC计算延时,提高了控制策略的实时性。(3)以上方法均是针对线性模型设计的。当被控对象为非线性系统时,需在稳定点对其进行线性化。这会不可避免地产生模型失配,从而造成针对线性模型设计的弱解耦分解方法在非线性系统上无法达到预期解耦效果,进而导致弱解耦DMPC无法获得满意的控制性能。针对上述问题,提出了一种基于Gap Metric弱解耦的DMPC输入补偿策略。该策略是将弱解耦DMPC计算得到的最优输入与弱解耦分解的反馈输入加权求和作用到系统中,以提高弱解耦DMPC的鲁棒性,保证系统的控制性能。以上研究内容分别在实际例子以及数值例子上进行了仿真,验证了方法的有效性。