模型预测控制的基本思想就是利用已有的模型、系统当前的状态和未来的控制量去预测系统未来的输出，通过滚动地求解带约束优化问题来实现控制目的，具有预测模型、滚动优化和反馈校正三个特点[66-69]。
(1)预测模型。预测模型是模型预测控制的基础，能够根据历史信息和控制输入预测系统未来的输出。
(2)滚动优化。模型预测控制通过使某项性能评价指标最优来得到最优控制量，这种优化过程不是离线进行的，而是反复在线进行的，这也是模型预测控制与传统最优控制的根本区别。
(3)反馈校正。为了抑制由于模型失配或者环境干扰引起的控制偏差，在新的采样时刻，首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后再进行新的优化。
基于这三个特点，模型预测控制的基本原理可以用图3.1来表示。在控制过程中始终存在一条期望轨迹，如图3.1中曲线1所示。以时刻k作为当前时刻(坐标系纵轴所在位置)，控制器在当前的状态测量值和控制量测量值的基础上，结合预测模型，预测系统未来一段时域内[k，k+Np](预测时域)的输出，如图3.1中曲线2所示。通过求解满足目标函数以及各种约束的优化问题，得到在控制时域[k，k+Nc]内一系列的控制序列，如图3.1中的矩形波4所示(从坐标系纵轴开始)，并将该控制序列的第一个元素作为受控对象的实际控制量，当来到下一个时刻k+1时，重复上述过程，如此滚动地完成带约束的优化问题，实现对被控对象的持续控制。
(www.xing528.com)
图3.1 模型预测控制原理示意
模型预测控制原理框图如图3.2所示，其包含MPC控制器、被控平台和状态估计器三个模块。其中，MPC控制器结合预测模型、目标函数+约束条件进行最优化求解，得到当前时刻的最优控制序列u∗(t)，将其输入被控平台，被控平台按照当前的控制量进行控制，然后将当前的状态量观测值x(t)输入状态估计器。状态估计器对那些无法通过传感器观测得到或者观测成本过高的状态量进行估计，比较常用的方法有Kalman滤波、粒子滤波等。将估计的状态量x(t)输入MPC控制器，再次进行最优化求解以得到未来一段时间的控制序列。
图3.2 模型预测控制原理框图
模型预测控制通常将待优化问题转换为二次型规划(Quadratic Programming，QP)问题。二次型规划是一个典型的数学优化问题，它的优化目标为带有线性或者非线性约束的二次型实函数，常用的解法为有效集法或者内点法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
