[发明专利]一种基于多目标优化算法的模型预测控制参数整定方法

说明书

本发明公开了一种基于多目标优化算法的模型预测控制参数整定方法，其分为两个阶段，首先是补偿系统参数不确定性，在系统标称模型的基础上添加集总扰动，通过设计干扰观测器补偿集总扰动，其次为处理约束条件与多个优化目标之间的不平衡，引入基于多目标优化差分进化算法，针对约束条件与多个优化目标之间的不平衡问题，约束优化问题被转化为两个目标的多目标优化问题来处理，同时在搜索最优解的过程中加入精英非主导排序和自适应评估机制，提高了控制器参数整定的精度以及稳定性。

技术领域

本发明涉及人工智能控制方法领域，具体涉及一种基于多目标优化算法的模型预测控制参数整定方法。

背景技术

模型预测控制(Model Predictive Control)是上世纪70年代末提出的控制方法，由于其在线滚动优化的特性和处理约束的能力，现已成为应用于典型多变量约束控制系统的先进控制方法之一。MPC的闭环性能很大程度上依赖于其基础过程模型的精确性，以及成本函数中多个调整参数的选择，例如预测时域、控制时域和加权矩阵的权重因子等，随着控制系统的发展，通常MPC控制器的参数调整与其闭环性能之间存在复杂且非直观的依赖关系，越来越复杂的耦合现象和外部干扰等因素出现，使得预测控制的参数调优变得十分困难。因此，如何对具有不确定性的系统设计MPC控制参数的调整方法已经愈发成为研究的热点。

现有工业应用中的参数调优方法更多的是基于工程经验或是试错法，大大增加了参数设计的困难度，同时增加了计算成本。模型预测控制参数的取值直接影响控制效果，实际工程应用时由于参数设置不当会造成控制品质不佳，故针对模型预测控制参数整定的研究具有重要理论及应用价值。

此外，工业应用中被控对象模型一般由系统实际运行时所获得的输入输出数据辨识而得，由于系统工况的时变特性，以及测量噪声等干扰的存在，所获模型与实际被控对象间一般存在误差，即存在模型不确定性，这就要求控制系统具有良好的鲁棒性能。不确定系统的参数调节引入了额外的复杂性，往往只能基于有关该系统的专家经验进行调优，大大增加了调优成本。

现代控制器往往需要满足多个性能指标，并且模型预测控制的目标参数与控制性能间的解析关系式难以直接用函数表示，因此,如何在线整定预测控制参数成为预测控制智能化过程中一个首先要解决的关键问题。

发明内容

发明目的：本发明的目的是提供一种能够在参数不确定的系统利用智能算法寻找控制器最优参数、从而提高系统的控制精度和稳定性的基于多目标优化算法的模型预测控制参数整定方法。

技术方案：本发明所述的基于多目标优化算法的模型预测控制参数整定方法，包括以下步骤：

(1)以线性化的状态空间方程的形式建立被控对象的数学模型，选择采样周期对其进行离散化处理；

(2)针对参数不确定的情况，将参数摄动和外界干扰统一建模为系统的集总干扰，设计观测器补偿系统集总干扰；

(3)根据系统扰动设计高增益干扰观测期，利用设计的自适应律来补偿系统由参数不确定性产生的干扰；

(4)确定待优化的控制器参数，建立关于模型预测控制器参数优化的目标函数，由模型预测控制器求解出控制输入，产生对应的性能指标：①使用控制输入变化幅度的均方根值作为有效的性能指标，；②采用状态跟踪误差的和平方误差以评估轨迹跟踪性能；

(5)引入基于多目标优化差分进化算法，对原算法做适配改进，该多优化算法的形式为：

(6)在搜索最优解的过程中加入精英非主导排序策略，模糊自适应评估机制；

(7)初始化一组控制参数输入到模型预测控制器中，进行仿真实验跟踪参考信号；

(8)通过改进的算法求取多目标性能指标函数的最优解，得到最佳控制参数。