双层模型预测控制中多优先级稳态目标计算方法

"优化操纵变量增量的双层模型预测控制中的多优先级稳态目标计算" 本文主要探讨的是在双层模型预测控制（Double-Layered Model Predictive Control, DL-MPC）框架下，如何进行多优先级稳态目标计算（Multi-priority Rank Steady-State Target Calculation, SSTC），特别是在考虑约束条件和操纵变量增量优化的情况下。模型预测控制是一种先进的控制策略，它通过预测系统未来的行为来制定当前的控制决策，以实现预定的性能指标。 在DL-MPC中，控制系统的层次结构分为两层：上层负责全局优化，下层则关注实时控制。在这种双层结构中，多优先级稳态目标计算是解决多个目标冲突的关键。描述方法的核心在于将被控变量（Controlled Variables, CV）、外部目标（External Targets, ET）的软约束以及操纵变量（Manipulated Variables, MV）的硬约束统一转化为关于MV增量的约束表达式。 在可行性阶段，软约束如ET的期望上下界、CV的操作上下界以及ET的跟踪误差等，都会被适当放松以确保MV增量约束集的兼容性。这意味着在满足所有约束的前提下，允许一定的灵活性以适应系统动态变化。同时，这种放松策略可以避免因过于严格的约束导致的控制问题无解。 进入经济优化阶段，目标是在满足MV增量约束集的前提下，寻找最能优化整体经济性能的MV增量值。这一阶段通常涉及最小化成本函数，如能耗、生产成本等，以实现系统的经济效益最大化。 该算法的一个显著特点是它能够统一处理ET和CV的等式和不等式约束，这是对现有文献的一种改进，使得算法在处理各种类型约束时更加灵活和高效。通过仿真案例，算法的有效性和实用性得到了验证，证明了其在复杂控制场景下的优越性能。 关键词涉及到的主要概念包括预测控制、多优先级策略和稳态目标计算，这些都是控制理论中的关键要素，对于设计和实现高性能的自动控制系统至关重要。这项工作为DL-MPC提供了一种新的、有效的方法来处理多目标优化问题，特别是在存在多种约束和优先级的情况下，对于实际工业过程的控制具有重要的理论和实践意义。