状态空间MPC与输入增量在Matlab中的实现与优化

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。不同于传统的PID控制，MPC通过在线求解优化问题来生成控制序列，特别适合具有状态和输入约束的复杂系统。而状态空间模型作为现代控制理论的基础框架，为MPC提供了清晰的系统动态描述方式。

输入增量（Δu）的引入是MPC实现中的一个重要技巧。通过将控制输入表示为上一时刻输入与当前增量的和（u_k = u_{k-1} + Δu_k），我们可以将优化问题的决策变量从绝对输入值转换为输入变化量。这种处理带来三个显著优势：

1. 数学上更容易处理稳态误差问题，因为增量形式天然包含积分作用
2. 优化问题的约束条件可以更直观地表达执行器的速率限制
3. 在存在模型失配时表现出更好的鲁棒性

在Matlab中实现这类控制器时，通常需要构建增广状态空间模型。假设原始系统模型为：

code复制x_{k+1} = A x_k + B u_k
y_k = C x_k + D u_k

引入输入增量后，新的状态向量变为z_k = [x_k; u_{k-1}]，对应的增广系统矩阵为：

code复制A_aug = [A B; 0 I], B_aug = [B; I], C_aug = [C D]

2. Matlab实现中的关键步骤分解

2.1 增广状态空间建模

在Matlab中构建增广系统时，需要特别注意矩阵维度的匹配。以下是一个典型实现代码片段：

matlab复制% 原始系统矩阵
A = [1 0.1; 0 0.9]; 
B = [0.1; 0.2];
C = [1 0];
D = 0;

% 构建增广系统
[nx, nu] = size(B);
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, 0.1); % 0.1秒采样时间

注意：当系统存在直接馈通项(D≠0)时，增广模型的输出方程需要特殊处理，否则会导致代数环问题。

2.2 预测方程构建

MPC的核心是通过预测模型计算未来状态轨迹。对于增广系统，预测方程的构建需要考虑预测时域(Np)和控制时域(Nc)的选择。实践中，Nc通常小于Np以实现"移动 horizon"效果。

预测方程的矩阵形式为：

code复制Y = S * z_k + T * ΔU

其中S和T矩阵可以通过以下方式计算：

matlab复制function [S, T] = build_prediction_matrices(A_aug, B_aug, C_aug, Np, Nc)
    [ny, nz] = size(C_aug);
    S = zeros(ny*Np, nz);
    T = zeros(ny*Np, nu*Nc);
    
    % 构建S矩阵
    for i = 1:Np
        S((i-1)*ny+1:i*ny,:) = C_aug * A_aug^i;
    end
    
    % 构建T矩阵
    for i = 1:Np
        for j = 1:min(i,Nc)
            T((i-1)*ny+1:i*ny, (j-1)*nu+1:j*nu) = C_aug * A_aug^(i-j) * B_aug;