下载掌阅APP，畅读海量书库
立即打开
MPC是一种典型的基于模型的方法，因此，该方法不可避免地存在模型参数依赖问题，或者说MPC面临参数鲁棒性问题 [1] 。MPC方法依赖于建立的数学模型选择最优电压矢量，而数学模型中存在的电机参数（电阻、电感、磁链）均需要与实际参数准确相同，以便保持良好的动态性能以及稳态性能。当模型中的参数与实际参数不匹配时，利用代价函数选择的电压矢量并非真正的最优电压矢量，这将进一步导致整个控制系统控制性能的下降。而模型参数与实际参数很容易由于测量准确度问题出现误差。此外，受温度以及其他非线性因素的影响 [2] ，在电机运行过程中电机参数通常会发生变化，也会导致预测模型中电机参数与实际参数不符，影响系统性能。因此，提升MPC的参数鲁棒性尤为关键。
为了提升MPC的参数鲁棒性，即降低MPC的参数敏感性，国内外学者提出了不同的解决方案。相关方法可分为以下两种类型：第一种为观测或者估计出系统由于参数失配所产生的扰动，将扰动实时补偿到模型中以抑制参数失配所带来的影响，扰动观测可使用自适应观测 [3] 、龙伯格观测器 [4] 、扩散卡尔曼滤波 [5] 和滑模观测器等 [6] 。参考文献[7]通过建立龙伯格和扩展状态观测器（ESO）观测出系统扰动，改善了无差拍MPCC的鲁棒性能。参考文献[8]基于无差拍预测电流控制提出了一种基于新型滑模趋近率的扰动观测器。该观测器可同时估计电流与参数失配所带来的扰动，观测器不仅消除了参数扰动同时还取代了传统的一拍延时补偿，提升了系统的稳态性能。除此以外，参考文献[9]提出了一种基于二次李雅普诺夫函数设计的状态观测器和扰动观测器，该方法使用转子坐标系中的PMSM模型，设计了一个基于李雅普诺夫理论工具的显式单步超前预测控制律，保证估计误差的渐近稳定性。参考文献[10]设计了一种基于外部干扰抑制技术的MPC方法。该方法引入了二阶扩展卡尔曼滤波器估计系统负载扰动，与传统方法相比具有更快的响应速度，并且提升了电机机械参数的鲁棒性。这些方法都是将参数扰动补偿到系统中以提升系统的参数鲁棒性。
第二种方法为对电机参数的直接辨识，即通过最小二乘法 [11] 、随机逼近法等方法辨识出电机参数，补偿到模型预测中从而提升参数鲁棒性。参考文献[12]设计了一种鲁棒预测控制器，该方法利用扩展状态观测器在线估计定子电感，以提高电感的鲁棒性，从而补偿定子电感失配引起的电流振荡。参考文献[13]提出一种自适应MPCC算法，该算法基于递归方式的在线实时自适应观测器对电感参数进行了准确的辨识，并将观测器与MPCC相结合，从而减少了辨识过程的计算量。参考文献[14]则提出了一种基于模型参数自适应辨识的预测电流控制应用于永磁同步电机，该方法可通过自适应理论辨识出电机电感与磁链，从而提升参数不匹配情况下电机的控制性能。
本章将针对MPC中的参数鲁棒性问题提出几种解决方案 [8，15，16] ，下面将对各个方法进行具体阐述。