智能预测控制综述

【摘要】：随着现代楼宇自动化及科学技术的迅速发展，楼宇中现代设备的结构越来越复杂，设备运行的安全性和可靠性已得到社会的广泛关注。其中，智能预测控制技术以其可实时运行、抗干扰能力强、诊断准确率高等特点，在预测控制领域中占有着重要的地位。本论文首先在查阅大量相关文献的基础上，对智能预测控制进行了综述性分析。

【关键词】：智能预测；预测控制；模糊预测控制；滑膜预测

现代工业的发展对生产过程提出了越来越高的要求，往往不单要求对单个生产装置实现优化控制，而希望能对相继发生的多个生产过程的实现综合控制，并追求全过程的优化以提高产品质量和降低成本。同时过程本身存在的复杂性和控制目标的多样性，使优化控制策略从目前的求解无约束二次性能指标优化问题转为面向多目标多自由度的优化问题。这些现实问题要求预测控制的发展引入新思想、新方法，追求更高层次的目标。在另一方面，进入90年代以来智能控制的研究成果大量涌现。智能控制不但在处理复杂系统(如非线性、快时变、复杂多变量、环境扰动等)时能进行有效的控制，同时具有学习能力、组织综合能力、自适应能力和优化能力。为了解决复杂工业过程中的不确定性、多目标优化问题，智能控制中的一些方法被引入到预测控制中，使预测控制向智能化的发展，从而形成当前预测控制的一大研究方向-智能预测控制。根据预测控制和智能控制的融合点，可大致划分为以下模糊预测控制、神经网络预测控制、遗传算法预测控制、滑模预测控制等几类。

http:///
一、模糊预测控制

模糊控制的基本思想是把专家对特定控制对象过程的控制策略总结为“IF……THEN……”形式表达的控制规则，通过模糊推理得到的控制作用集，作用被控对象或过程。模糊控制完全是在操作人员所具有的经验的基础上实现对系统的控制，无须建立系统的数学模型，且控制具有很强的鲁棒性，对被控对象参数的变化具有一定的抗干扰能力，因此是解决不确定系统的一种有效途径。目前模糊控制与预测的结合主要分为两类：一类是模糊控制与预测控制的结合，Cucal等[1]设计了一种模糊专家预测控制器，通过建立对象的预测模型获得超前预测误差来调整控制器规则；庞富胜[2]提出了一种模糊预测控制的复合结构，根据不同时段的误差情况进行模糊控制和预测控制的加权组合控制；徐立鸿等[3]提出一种定量和定性信息的组合预测控制，控制器输出分为预测控制量和模糊控制量，二者的加权因子是对象类型和建模误差的函数，这种组合式模糊预测控制器，对模型失配有较好的鲁棒性；睢刚等[4]在过热汽温控制中设计了一种模糊预测控制方法，将控制量论域划分为若干子区域，并将分界点作为参考控制量，以预测模型预测各参考控制量的未来输出，并评价相应控制效果，并在此基础上以模糊决策方法确定当前时刻最佳控制量。另一类是模糊控制与预测控制的融合，Oliver等[5]和Martin等[6]将T-S模型与DMC控制结合起来，DMC采用阶跃响应模型，由T-S模型提取出不同工作点的阶跃响应值，有效地实现了对非线性系统的控制。Jang-Hwan Kim[7]采用模糊神经网络辨识对象T-S模型，由各局部加

权和得到的模型进行预测控制，将GPC推广到非线性系统，IgorSkrjanc[8]提出一种基于T-S模糊模型的预测函数控制方法，并在热交换器中得到应用。

二、人工神经网络预测控制

人工神经网络(ANN)是从仿生学的角度出发，模拟人脑的神经元系统，使系统具有人脑那样的感知、学习和推理功能。神经网络可以充分逼近任意复杂的非线性系统，可以学习不知道的或不确定的系统。神经网络的预测控制主要分为以下几类：（1）基于线性化方法的神经网络预测控制。线性化方法一直是处理非线性问题的常用方法，通过各种线性化逼近，可以将非线性控制律的求解加以简化，提高其实时运算速度。张日东等[9]提出了一种可用于非线性过程的神经网络多步预测控制方法，将非线性系统处理成简单的线性和非线性两部分，用线性预测控制方法求得控制律，避免了复杂的非线性优化求解，仿真结果表明了该算法的有效性。（2）基于迭代学习求解的神经网络预测控制。这种方法采用神经网络实现对过程的多步预测，控制信号的求取基于多步预测的目标函数，利用神经网络预测模型提供的梯度信息进行迭代学习获得。丁淑艳等[10]先利用一个BP网络构造一个非线性多步预测模型，根据被控对象输出与网络实际输出之问的误差采用改进的BP算法修改网络权值，模型建好后，根据网络的多步预测输出序列与设定值序列的偏差构造性能指标函数，采用自适应变步长梯度法修改控制律。（3）基于神经网络控制器的神经网络预测控制。这种方法基于两个神经网络，一个是建模网络，用于过程的动态建模以获取对过程的预测信号；另一个是控制网络，它按照与预测控制目标函数相应的驱动信号来调整整个网络的权值，以获取对预测控制律函数的逼近。陈博等[11]将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合，提出了一种基于BP神经网络的新的预测控制算法，即滚动优化模块用一个神经网络来实现，并针对一个工业装置控制实例，探讨了该算法在工业过程控制中的应用。Mircea Lazar[12]用神经网络模型作为滚动优化控制器，神经网络控制器通过利用非线性模型及对控制算法提供一种快速、可靠的解决办法来消除在非线性预测应用中主要的问题，并阐述了控制器的设计和补偿方法，最后用一个实例仿真证明了该方法的有效性。

三、遗传算法预测控制

遗传算法(Genetic Algorithm，GA)是建立在自然选择和自然遗传学机理基础上的迭代自适应概率搜索算法，在解决非线性问题是表现出很好的鲁棒性、全局最优性、可并行性和高效率，具有很高的优化性能。Shin[13]提出一种基于前向网络的非线性预测控制方法，直接采用GA进行在线优化求解预测控制律。Ramirez[14]在非线性预测控制中，以GA 进行移动机器人导航控制中的在线寻优。为降低在线优化的计算负担，该GA算法采用启发式交叉和非一致变异操作，获得了满意的效果。Woolley[15]报道了在CONNOISSEUR先进控制工具包中基于GA滚动优化的预测控制的设计和应用情况。

百度搜索：99建筑网,查看数百万资料
四、滑膜预测控制

自从20世纪80年代初到现在，计算机技术的发展迅速，在控制中也采用了

计算机控制，所以目前控制中的系统一般都是离散系统，因此对离散系统变结构控制的研究也变得很重要。离散系统滑模变结构控制以其滑模存在条简易而被广泛的应用。在进行滑模控制的过程中，考虑到控制受限以及选用的趋近律的参数以及切换等因素，即使系统在没有外界扰动的情况下，系统状态轨迹也是只能稳定在原点邻域的某个抖振。在根据不确定性上下界进行控制器设计的时候，利用不确定性的有界保证闭环系统的鲁棒稳定性，导致变结构控制过于保守，抖振严重，且不确定性的界有时很难获知.这些不足限制了离散变结构控制理论的应用.在综合考虑抖振、鲁棒性以及控制约束等指标要求的基础上，提出了基于滑模预测思想的离散变结构控制系统设计新思路[16]。

目前看到的有关滑模预测控制论文很少，具体的实际应用也不多，在国内主要有宋立忠，陈少昌，姚琼荟等人研究滑模预测离散变结构控制，在文章中主要研究了不确定离散时间系统的变结构控制设计问题，将预测控制中模型预测、滚动优化、反馈校正的思想引入到离散准滑模变结构控制系统的设计.把切换函数进行预测，然后通过切换函数得到滑模控制中的控制律，该方法综合考虑抖振、鲁棒性以及控制量约束等指标要求，利用当前及过去时刻的滑模信息预测未来时刻的滑模动态，实现了滚动优化求解.该方法可有效消除抖振现象，并能够保证闭环系统的鲁棒性。宋立忠，李红江，陈少昌[17]还对滑模预测控制进行了应用的研究，把此方法应用到船一舵伺服系统中。

参考文献：

[1] Culal Batur,et al.Predictive fuzzy expert controllers.Computers in Eng.1991,20(2):199-209.

[2] 庞富胜.模糊--线性复合控制，刘增良主编.模糊技术与应用选编(1)，北京航空航天大学出版社，1997，64-69.

[3] 徐立鸿，施建华．基于对象定量和定性信息的组合预测控制．自动化学报，1997，23(2)：257-260．

[4] 睢刚，陈来九.模糊预测控制及其在过程汽温控制中的应用，中国电机工程学报，1996,Vol.16(l):17-21.

[5] Jang-Hwan Kim,Generalized predictive control using fuzzy neural network model.proc.of 1994 IEEE conf.on Neural Network,1994,pp(4): 2596-2598.

[6] Igor Skrjanc,Drago Matko.Predictive functional control based on fuzzy model for heat-exchanger pilot plant,IFAC 14th Triennial World Congress,Beijing,P.R.China,1999,pp:341-345.

[7] 张日东，王树青．基于神经网络的非线性系统多步预测控制．控制与决策，2005，20(3)：332-336．

[8]宋立忠，陈少昌，姚琼荟.滑模预测离散变结构控制[J].控制理论与应用，2004，21(5):826-829