本文關(guān)鍵詞：協(xié)作式分布式模型預測控制算法通信策略研究　出處：《浙江大學》2017年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 大規(guī)模系統(tǒng) 分布式模型預測控制 通信負擔 層次分解 觸發(fā)器

【摘要】：在處理大規(guī)模系統(tǒng)的控制問題中,分布式控制平衡了集中式控制優(yōu)良的控制性能和分散式控制的安全性,是一種較為理想的控制方式。模型預測控制(Model Predictive Control)憑借其對約束的處理能力和系統(tǒng)未來行為的預測能力,廣泛應(yīng)用到分布式控制中,形成了分布式模型預測控制(Distributed Model Predictive Control)。協(xié)作式分布式模型預測控制算法憑借全局的優(yōu)化范圍,可以實現(xiàn)帕累托(Pareto)最優(yōu)解,但該優(yōu)異控制性能的實現(xiàn)依賴于較高的通信負擔,尤其當子系統(tǒng)的個數(shù)較多時,通信負擔會十分沉重,阻礙協(xié)作式分布式模型預測控制在實際應(yīng)用中的發(fā)展。針對協(xié)作式分布式模型預測控制算法,本文在減少其高通信負擔方面開展了研究,主要研究內(nèi)容包括:(1)提出了一種基于層次分解的分布式模型預測控制算法,根據(jù)系統(tǒng)的通信結(jié)構(gòu),采用解釋模型法和回路分解算法,將子系統(tǒng)劃分到若干個連通集內(nèi),并定義各連通集的層次順序,最后,按照連通集順序依次運算求解各子系統(tǒng)的最優(yōu)輸入。由于子系統(tǒng)只需要與連通集內(nèi)的其他子系統(tǒng)通信,不需要和連通集外的子系統(tǒng)進行通信,此協(xié)同策略降低了通信負擔;(2)提出了 一種基于事件觸發(fā)器的分布式模型預測控制算法。引入0-1變量來表示兩個子系統(tǒng)間是否需要耦合,構(gòu)造動態(tài)耦合模型,并根據(jù)該模型提出綜合控制性能和通信代價的多目標優(yōu)化命題,耦合結(jié)構(gòu)的優(yōu)化會改變原命題中耦合部分的結(jié)構(gòu),通過忽略一些子系統(tǒng)間的耦合作用,這些子系統(tǒng)之間不再需要進行通信,降低了通信負擔。為了降低計算負擔,該算法從系統(tǒng)的穩(wěn)定性出發(fā)構(gòu)建了一個事件觸發(fā)器,當觸發(fā)器觸發(fā)時,求解一個包含耦合結(jié)構(gòu)決策和控制性能的優(yōu)化命題,更新一次耦合結(jié)構(gòu),否則,保持上此優(yōu)化后的耦合結(jié)構(gòu)不變,只求解控制性能的優(yōu)化命題,計算最優(yōu)的控制作用。相比于基于動態(tài)耦合模型的分布式模型預測控制算法,該算法降低了計算復雜度。
[Abstract]:In dealing with the control problem of large-scale systems, distributed control balances the excellent control performance of centralized control and the security of decentralized control. Model Predictive Control (MPC) is an ideal control method. Model Predictive Control (MPC) relies on its ability to deal with constraints and predict the future behavior of the system. It is widely used in distributed control. Distributed Model Predictive Control is formed by distributed Model Predictive Control. . collaborative distributed model predictive control algorithm based on global optimization. The Pareto optimal solution can be realized, but the implementation of the excellent control performance depends on the higher communication burden, especially when the number of subsystems is more, the communication burden will be very heavy. The development of collaborative distributed model predictive control in practical applications is hindered. Aiming at collaborative distributed model predictive control algorithm, this paper studies how to reduce the high communication burden of collaborative distributed model predictive control algorithm. The main research contents include: (1) A distributed model predictive control algorithm based on hierarchical decomposition is proposed. According to the communication structure of the system, the interpretive model method and the loop decomposition algorithm are adopted. The subsystem is divided into several connected sets and the hierarchical order of each connected set is defined. Finally. The optimal input of each subsystem is solved according to the order of the connected set. Because the subsystem only needs to communicate with other subsystems in the connected set, there is no need to communicate with the subsystem outside the connected set. This cooperative strategy reduces the communication burden; (2) A distributed model predictive control algorithm based on event trigger is proposed. The 0-1 variable is introduced to indicate whether the two subsystems need to be coupled or not, and the dynamic coupling model is constructed. According to the model, the multi-objective optimization proposition of integrated control performance and communication cost is proposed. The optimization of coupling structure will change the structure of coupling part of the original proposition, and by ignoring the coupling between some subsystems. In order to reduce the computational burden, the algorithm constructs an event trigger based on the stability of the system, when the trigger is triggered. Solving an optimization proposition including the decision and control performance of the coupling structure, updating the primary coupling structure, otherwise, keeping the coupling structure unchanged after the optimization, only solving the optimization proposition of the control performance. Compared with the distributed model predictive control algorithm based on dynamic coupling model, the algorithm reduces the computational complexity.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP273

【相似文獻】

相關(guān)期刊論文 前10條

1 劉文茂,侯國蓮,張建華,郭飛,陳曉梅;一種基于雙偏差的動態(tài)預測控制算法[J];現(xiàn)代電力;2001年02期

2 蘭婷,張偉勇;一種具有穩(wěn)態(tài)目標優(yōu)化的預測控制算法[J];油氣田地面工程;2002年03期

3 李江;神經(jīng)-模糊預測控制算法及應(yīng)用[J];浙江大學學報(工學版);2002年02期

4 夏伯鍇,許鋒,杜殿林,袁璞;狀態(tài)多重時滯系統(tǒng)的預測控制算法研究[J];控制與決策;2003年06期

5 劉福才,王娟,王玉琴;具有穩(wěn)定性的新型預測控制算法[J];系統(tǒng)仿真學報;2004年01期

6 陳希平,朱秋琴,王彩霞;廣義預測控制算法的研究[J];控制工程;2005年S1期

7 龐中華,金元郁;基于誤差校正的預測控制算法綜述[J];化工自動化及儀表;2005年02期

8 王志勇;鄭德忠;;具有穩(wěn)定性的廣義預測控制算法[J];儀器儀表學報;2006年S3期

9 劉偉;雷勇;宋歷;;一種基于未知模型的廣義預測控制算法[J];電腦開發(fā)與應(yīng)用;2007年06期

10 侯寧;;預測控制算法的研究現(xiàn)狀與展望[J];湖北廣播電視大學學報;2013年11期

相關(guān)會議論文 前10條

1 鄒志云;劉建友;李福慶;于魯平;吳春華;桂新軍;;一種新型的線性約束系統(tǒng)預測控制算法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

2 毛志忠;陳曉峰;;一種簡化的預測控制算法[A];1995中國控制與決策學術(shù)年會論文集[C];1995年

3 張阿卜;倪春木;;基于模糊模型的一步超前預測控制算法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

4 閻綱;梁昔明;龍祖強;李翔;;一種新的提前一步預測控制算法[A];第二十七屆中國控制會議論文集[C];2008年

5 孫銀山;李平;竇仁菊;石向星;;采用綜合偏差的自調(diào)節(jié)灰色預測控制算法[A];04'中國企業(yè)自動化和信息化建設(shè)論壇暨中南六省區(qū)自動化學會學術(shù)年會專輯[C];2004年

6 薛振框;李少遠;;多模型預測控制算法及其在熱工過程中的應(yīng)用[A];第二十二屆中國控制會議論文集（下）[C];2003年

7 古鐘璧;王禎學;王葦;;具有誤差預測修正的預測控制算法[A];1991年控制理論及其應(yīng)用年會論文集（上）[C];1991年

8 王平;田學民;;一種基于敏感度方程的非線性預測控制算法[A];第二十七屆中國控制會議論文集[C];2008年

9 王寅;榮岡;金曉明;;基于模糊—線性復合模型的非線性自適應(yīng)預測控制算法[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

10 孫寶華;楊輝;孟莎莎;;廣義預測控制算法在稀土萃取過程中的應(yīng)用[A];2011第十六屆全國自動化技術(shù)與應(yīng)用學術(shù)年會專輯[C];2011年

相關(guān)博士學位論文 前9條

1 李素真;監(jiān)督預測控制算法的應(yīng)用研究[D];華北電力大學;2015年

2 陳玉震;基于動力顯式列式的結(jié)構(gòu)振動與控制的快速算法研究[D];大連理工大學;2016年

3 牛健;雙時標預測控制算法的研究[D];浙江大學;2010年

4 余世明;預測控制算法及其應(yīng)用研究[D];浙江大學;2001年

5 李奇安;廣義預測控制算法簡化實現(xiàn)方法研究[D];浙江大學;2005年

6 李志勇;迭代預測控制算法及其應(yīng)用研究[D];中南大學;2006年

7 韓愷;化工過程中的若干預測控制算法與應(yīng)用研究[D];浙江大學;2009年

8 李麗娟;最小二乘支持向量機建模及預測控制算法研究[D];浙江大學;2008年

9 萬嬌娜;基于有限精度求解的非線性預測控制算法研究[D];浙江大學;2011年

相關(guān)碩士學位論文 前10條

1 孫鵬;面向新HTR-PM的先進控制算法研究[D];浙江大學;2015年

2 白旭;單元機組協(xié)調(diào)控制系統(tǒng)的分析與先進控制策略研究[D];華北電力大學;2015年

3 余蓉;快速模型預測控制算法的研究及應(yīng)用[D];浙江工業(yè)大學;2015年

4 曹振杰;基于隱式廣義預測控制算法的LNG出口壓力控制系統(tǒng)研究[D];東華大學;2016年

5 朱祉旭;改進的預測控制算法在電力系統(tǒng)穩(wěn)定器中的應(yīng)用與實現(xiàn)[D];遼寧工業(yè)大學;2016年

6 金夢珂;基于學習的預測控制算法研究[D];上海交通大學;2015年

7 楊如琦;基于NMPC的精餾過程曲線控制策略研究[D];浙江大學;2016年

8 康岳群;分布曲線對象的模型預測控制算法研究[D];浙江大學;2016年

9 劉明;網(wǎng)絡(luò)控制系統(tǒng)設(shè)計及預測控制算法研究[D];東北大學;2014年

10 楊萌;非線性迭代學習模型預測控制算法研究[D];華北電力大學(北京);2016年

，

本文編號：1405066