模型预测控制器的设计通常需要对成本函数权值进行一些调整。本主题提供调优技巧。看到优化问题有关成本函数方程的详细信息。
这里,MV是一个被操纵的变量nu是mv的数量。OV是一个植物的输出变量,并且ny为OVs的数量。最后,p为预测视界的步数。
如果权重数组包含n<p行,控制器复制最后一行以获得完整的数组p行。默认的(n= 1)最小化要调优的参数数量,因此推荐使用。看到时变权和约束对于一个选择。
考虑到ny机汇,假设nyc必须保持在或接近参考值(设定值)。如果我OV不在这个组中,集合Weights.OV(:,我)
= 0。
如果nu≥nyc,通常可以在稳定状态下实现零OV跟踪误差,如果至少是这样的话nycmv不受限制。默认的权重。机汇= ones(1,ny)
在这种情况下是一个很好的起点。
如果nu>nyc,但是,你有多余的自由度。因此,除非采取预防措施,否则即使OVs接近参考值,mv也可能漂移。
最常见的预防措施是为过量的MVs数量确定参考值(目标),nu- - - - - -nyc.这样的目标可以代表经济上或技术上理想的稳态值。
另一种方法是设置w∆u>至少是0nu- nycmv来阻止控制器改变它们。
如果nu<nyc,您没有足够的自由度来将所有必需的OVs保持在一个设定值。在这种情况下,考虑对引用跟踪进行优先级排序。为此,设置Weights.OV(:,我)> 0
的优先级我机汇。大致的指导方针如下:
0.05 -低优先级:可接受较大的跟踪误差
0.2 -低于平均优先级
1 -平均优先级-默认值。使用此值nyc= 1。
5 -优先级高于平均水平
20 -高优先级:希望跟踪误差小
默认情况下,权重。MV= zeros(1,nu)
.如果某MV有目标,则对应MV参考跟踪权值必须非零。否则,目标将被忽略。若MV目标数小于(nu- - - - - -nyc),尝试使用相同的重量。建议值为0.2,与OV跟踪低于平均值相同。这个值允许mv暂时远离目标,以改善OV跟踪。
否则,MV和OV参考跟踪目标很可能发生冲突。通过设置优先级Weights.MV(:,我)
值的方式类似于建议的权重。机汇
(见上图)。典型的实践设置平均MV跟踪优先级低于平均OV跟踪优先级(例如,0.2 < 1)。
如果我MV没有目标,设定Weights.MV(:,我)
= 0(默认值)。
默认情况下,权重。MVRate= 0。1*ones(1,nu)
.这种默认的原因包括:
如果装置是开环稳定的,那么大的增量是不必要的,而且可能是不可取的。例如,当模型预测不完美时,就像实践中经常发生的那样,更保守的增量通常提供更鲁棒的控制器性能,但较差的参考跟踪。
这些值迫使QP的Hessian矩阵是正定的,这样,如果没有约束是主动的,QP有唯一解。
为了鼓励控制器使用更小的增量我th MV,增加Weights.MVRate(:,我)
价值。
如果电站是开环不稳定的,你可能需要降低平均值重量。MVRate
价值,以允许足够快速的反应。
看到约束软化有关权重。ECR
财产。
为了专注于调优各个成本函数的权重,可以在以下条件下进行闭环仿真测试:
使用参考和测量的干扰信号的变化(如果有的话)来强制一个动态响应。根据每次测试的结果,考虑更改所选权重的大小。
一种建议的方法是使用常量Weights.OV (:, i) = 1
以表示“平均OV跟踪优先级”,并调整所有其他权重以相对于此值。使用灵敏度
命令指导。使用审查
命令检查典型的调优问题,例如缺乏闭环稳定性。
看到调整干扰和噪声模型针对控制器抗扰能力的测试。
一旦你有了在上述条件下工作良好的权重,检查预测误差的敏感性。有几种方法可以做到:
如果控制器性能与没有预测误差的测试相比似乎显著下降,对于开环稳定的设备,考虑降低控制器的侵略性。
在MPC设计师,在调优选项卡,您可以使用闭环性能滑块。
转向更鲁棒的控制降低了OV/MV权值,增加了MV Rate权值,这导致了输出的放松控制和更保守的控制动作。
在命令行中,您可以进行以下更改以降低控制器的侵略性:
增加所有重量。MVRate
值乘以2阶的倍数。
减少所有重量。机汇
和重量。MV
值除以相同的因子。
调整权重后,在有或没有预测误差的情况下重新评估性能。
如果现在两者都可以接受,则停止调优权重。
如果有改善,但仍然有太多的退化和模型误差,进一步提高控制器的鲁棒性。
如果更改不能显著提高性能,则恢复原来的权重,并专注于状态估计器调优(参见调整干扰和噪声模型).
最后,如果调优更改不能提供足够的健壮性,请考虑以下选项之一: