状态空间增量式MPC原理与Matlab实现

1. 状态空间MPC与输入增量的核心概念

在控制工程领域，模型预测控制（MPC）因其处理多变量约束问题的能力而广受青睐。传统MPC控制器设计通常基于系统的状态空间模型，通过在线求解优化问题来计算控制输入。而引入输入增量（Δu）作为优化变量，可以带来几个显著优势：

首先，输入增量形式能够自然处理执行器的速率约束。在实际工程中，执行器的变化速率往往存在物理限制。通过将Δu=u(k)-u(k-1)作为优化变量，可以直接在优化问题中施加Δu_min ≤ Δu ≤ Δu_max的约束条件，这比处理绝对输入值的约束更为直观。

其次，从理论角度看，增量式MPC可以改善系统的鲁棒性。当模型存在失配时，增量形式的控制器相当于在系统中引入了积分作用，有助于消除稳态误差。这种特性使得增量式MPC对建模误差和外部扰动具有更强的适应能力。

从实现角度分析，增量式MPC的状态空间表达需要重新构建增广状态向量。典型的做法是将原系统状态x(k)和上一时刻的控制输入u(k-1)共同组成新的状态向量z(k)=[x(k)^T u(k-1)^T]^T。这种增广系统的状态空间方程可以表示为：

z(k+1) = Ãz(k) + B̃Δu(k)
y(k) = C̃z(k)

其中Ã、B̃、C̃是重构后的系统矩阵。这种表达形式保持了线性特性，使得标准的MPC推导过程仍然适用。

提示：在Matlab中实现时，务必注意状态增广后的矩阵维度匹配问题。一个常见错误是忽略了u(k-1)的维度，导致矩阵拼接时出现尺寸不匹配。

2. 增量式MPC的数学推导与公式对比

2.1 标准状态空间MPC的局限性

传统的状态空间MPC直接优化控制输入u(k)，其预测模型基于如下状态方程：

x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k)

这种形式在处理输入约束时存在两个主要问题：一是难以直接表达输入变化率的约束；二是当系统存在建模误差时，可能出现稳态偏差。虽然可以通过增加扰动观测器来补偿，但这增加了控制器的复杂度。

2.2 增量式MPC的推导过程

增量式MPC的核心在于将控制输入的变化量Δu(k)=u(k)-u(k-1)作为优化变量。我们需要构建包含原状态和上一时刻输入的增广状态：

z(k) = [x(k)^T u(k-1)^T]^T

新的状态空间方程变为：

x(k+1) = Ax(k) + B(u(k-1)+Δu(k))
u(k) = u(k-1) + Δu(k)

整理后得到增广系统：

[x(k+1); u(k)] = [A B; 0 I] [x(k); u(k-1)] + [B; I] Δu(k)
y(k) = [C 0] [x(k); u(k-1)]

对应的预测模型在预测时域Np内的表达式可以写成矩阵形式：

Z = Ψz(k) + ΘΔU

其中Z是预测状态序列，ΔU是待优化的增量输入序列，Ψ和Θ是由增广系统矩阵构成的预测矩阵。

2.3 不同公式变体的对比分析

实践中存在几种常见的增量式MPC变体：

1. 简单增量式：如上述基本形式，直接优化Δu
2. 带积分作用的增量式：在目标函数中增加对输出偏差的积分项
3. 混合式：同时优化u和Δu，通过权重协调两者

通过Matlab仿真可以对比这些变体的性能差异。例如，对于同一被控对象，简单增量式在设定值跟踪时可能表现出较小的超调，但对扰动的抑制速度较慢；而带积分作用的变体能更快消除稳态误差，但参数整定更为复杂。

3. Matlab实现的关键技术点

3.1 增广系统的构建

在Matlab中构建增广系统时，推荐使用ss对象来表示状态空间模型。假设原系统为sys_original，其状态空间矩阵为A,B,C,D，则增广系统可以这样构建：

matlab复制[nx, nu] = size(B); % 原系统状态和输入维度
A_aug = [A, B; zeros(nu,nx), eye(nu)];
B_aug = [B; eye(nu)];
C_aug = [C, zeros(size(C,1),nu)];
sys_aug = ss(A_aug, B_aug, C_aug, D);

注意：务必检查增广后的系统是否保持可控性。可以使用ctrb函数计算可控性矩阵，并检查其秩是否等于增广后的状态维度。

3.2 预测矩阵的计算

预测矩阵Ψ和Θ的计算是MPC实现的核心。对于预测时域Np和控制时域Nc，这些矩阵可以通过以下方式构建：

matlab复制Psi = zeros(Np*nx, size(A_aug,1));
Theta = zeros(Np*nx, Nc*nu);

for i = 1:Np
    Psi((i-1)*nx+1:i*nx, :) = C_aug * A_aug^i;
    for j = 1:min(i,Nc)
        Theta((i-1)*nx+1:i*nx, (j-1)*nu+1:j*nu) = C_aug * A_aug^(i-j) * B_aug;
    end
end

3.3 约束处理与QP求解

增量式MPC的优化问题通常表述为二次规划(QP)：

min ΔU^T H ΔU + 2*f^T ΔU
s.t. A_con ΔU ≤ b_con

其中H=Θ^TQΘ+R，f=Θ^TQ(E-Ψz(k))，E是参考轨迹。约束矩阵A_con和b_con需要根据输入增量约束和状态约束构建。

Matlab中可以使用quadprog求解QP问题：

matlab复制options = optimoptions('quadprog', 'Display', 'off');
deltaU = quadprog(H, f, A_con, b_con, [], [], deltaU_min, deltaU_max, [], options);

4. Simulink实现与联合仿真技巧

4.1 MPC控制器模块化设计

在Simulink中实现增量式MPC时，建议采用以下模块化结构：

1. 状态估计器：使用Kalman滤波器或简单观测器获取增广状态
2. QP求解器：封装Matlab Function模块调用quadprog
3. 记忆单元：存储上一时刻的控制输入u(k-1)
4. 约束处理：对求解结果进行后处理，确保满足所有约束

4.2 与Carsim等工具的联合仿真

对于车辆控制等复杂应用，可能需要与Carsim进行联合仿真。关键步骤包括：

1. 在Simulink中建立接口模块，处理数据格式转换
2. 配置正确的仿真步长和同步机制
3. 使用Simulink的External Mode实现实时数据交换
4. 调试时先验证接口通信，再测试控制算法

4.3 代码生成与部署

对于需要生成C代码的场合，应注意：

1. 将QP求解替换为适合嵌入式实现的算法，如Active Set方法
2. 使用Simulink Coder配置适当的代码生成选项
3. 对浮点运算进行优化，特别是矩阵运算部分
4. 在目标硬件上验证数值精度和实时性

5. 实际应用中的调参经验与问题排查

5.1 权重矩阵的选择策略

增量式MPC的性能很大程度上取决于权重矩阵Q和R的选择。根据经验：

1. 初始阶段可以设置Q=CTC，R=ρI，通过调整ρ来平衡响应速度与输入变化
2. 对于跟踪问题，可以适当加大输出偏差的权重
3. 当系统存在不同量纲的信号时，需要进行归一化处理

5.2 常见问题与解决方案

问题1：求解器返回不可行解

• 检查约束条件是否自相矛盾
• 放宽部分约束或增加预测时域
• 验证系统模型是否正确

问题2：控制输入出现高频振荡

• 增加输入增量的惩罚权重R
• 检查采样时间是否过小
• 添加低通滤波器平滑控制信号

问题3：稳态误差偏大

• 确认是否包含积分作用
• 检查模型参数是否准确
• 考虑增加扰动观测器

5.3 实时性优化技巧

对于计算资源有限的场合：

1. 使用显式MPC将在线优化转为查表
2. 降低预测时域长度
3. 采用稀疏矩阵运算加速QP求解
4. 考虑使用次优解提前终止优化

在四旋翼飞行器等快速动态系统中，实测表明将预测时域控制在10-15步，控制时域5-8步，能在保证性能的同时满足实时性要求。