分布式模型预测控制系统的受影区域优化

"分布式模型预测控制系统的约束优化方法" 本文是一篇关于分布式模型预测控制（Distributed Model Predictive Control, DMPC）系统的研究论文，重点探讨了在存在约束条件下的“受影响力区域”优化策略。在DMPC系统中，各个子系统通过预测和优化其未来行为来实现全局目标，同时考虑到系统间的相互影响。由于子系统的状态演进会受到上游子系统的控制决策的影响，因此一个子系统的最优控制可能会对下游子系统的性能产生负面影响。 论文中引入了一种称为ICO-DMPC（Impacted-Region Optimization for Distributed Model Predictive Control）的方法，该方法强调每个子系统不仅考虑自身的成本函数，还会考虑其下游子系统的成本函数。这样做的目的是为了确保整体系统的协同性和性能优化。性能指标被定义为所有子系统性能的总和，如公式(6)所示，其中，表示子系统在时间步t的性能成本，而是一个预定的状态序列。 作者还提到了文献[34]中提出的一种基于线性矩阵不等式（Linear Matrix Inequalities, LMI）的去中心化控制增益方法，这种方法最初是针对连续时间系统，但可以适应这里考虑的离散时间情况。表格I中列出了本文中使用的符号及其含义，这对于理解和分析文章内容至关重要。 通过使用ICO-DMPC，每个子系统可以考虑其控制决策如何影响整个网络的性能，特别是下游子系统。这种优化策略有助于在满足约束的同时，改善整个分布式系统的协调性和整体性能。文章提供的方法有望在设计和实施具有复杂相互作用的分布式控制系统的背景下，提供一种有效的工具，以解决约束条件下的优化问题。 这篇研究论文聚焦于在分布式模型预测控制系统中，如何通过考虑子系统间的影响来优化控制决策，从而在满足约束条件下提升系统的整体性能。通过对每个子系统控制决策的影响范围进行优化，可以减少负面影响，提高系统的稳定性和效率。