模型预测控制MPC程序代码

基于状态空间的模型预测MPC控制器的设计，附带例子（MATLAB）

function f=mpcsetup（ABCDpmQRx0u0）
% MPCSETUP  Set-up State Space MPC controller
%
%   SSMPC=MPCSETUP（ABCDPMQRX0U0） returns a function handle for a
%   state space model predictive control for the state space model
%   x（k+1） = Ax（k） + Bu（k）
%   y（k）   = Cx（k） + Du（k）
%   with predictive horizon P and moving horizon M performance weights of
%   output Q and of input R initial state X0 and initial control U0.
%
%   SSMPC is the online controller which can be called as follows 
%
%   U = SSMPC（YREF） returns the control input U （nu by 1） according to
%   current measured output Y （1 by ny） and future reference REF （nr by
%   ny nr>=1）. 
%
%   The MPC minimize the following performance criterion:
%
%   J = min Y‘QY + U‘RU
%
%   The online controller is implemented as a nested function so that the
%   state of the internal model can be kept inside of the function. This
%   simplifies the input and output interface of the online controller.
%
% See also: mpc dmc

% Version 1.0 by Yi Cao at Cranfield University on 20 April 2008

% Example: 2-CSTR model
%{
% Six-state model
A=[ 0.1555  -13.7665   -0.0604         0         0         0
    0.0010    1.0008    0.0068         0         0         0
         0    0.0374    0.9232         0         0         0
    0.0015   -0.1024   -0.0003    0.1587  -13.6705   -0.0506
         0    0.0061         0    0.0006    0.9929    0.0057
         0    0.0001         0         0    0.0366    0.9398];
Bu=[0.0001       0
         0       0
   -0.0036       0
         0  0.0001
         0       0
         0 -0.0028];
Bd=[      0         0
          0         0
     0.0013         0
          0         0
          0         0
          0    0.0008];
C=[0 362.995 0 0 0 0
   0 0 0 0 362.995 0];
D=zeros（22）;
% Prediction horizon and moving horizon
p=10;
m=3;
% Performance wights
Q=1.5*eye（2*p）;
R=eye（2*m）;
% MPC set-up
ssmpc=mpcsetup（ABuCDpmQR）;
% Simulation length and variables for results
N=1500;
x0=zeros（61）;
Y=zeros（N2）;
U=zeros（N2）;
% Predefined reference
T=zeros（N2）;
T（10:N:）=1;
T（351:N:）=3;
T（600:N:）=5;
T（1100:N:）=3;
% Simulation
for k=1:N
    % Process disturbances
    w=Bd*（rand（21）-0.5）*2;
    % Measurements noise
    v=0.01*randn（21）;
    % actual measurement
    y=C*x0+v;
    % online controller
    u=ssmpc（yT（k:end:））;
    % plant update
    x0=A*x0+Bu*u+w;
    % save results
    Y（k:）=y‘;
    U（k:）=u‘;
end
t=（0:N-1）*0.1;
subplot（211）
plot（tYtT‘r--‘‘linewidth‘2）
title（‘output and setpoint‘）
ylabel（‘temp C^\circ‘）
legend（‘T_1‘‘T_2‘‘Ref‘‘location‘‘southeast‘）
subplot（212）
stairs（tU‘linewidth‘2）
legend（‘u_1‘‘u_2‘‘location‘‘southeast‘）
title（‘input‘）
ylabel（‘flow rate m^3/s‘）
xlabel（‘time s‘）
%}

% Input and output check
error（nargchk（810nargin））;
error（nargoutchk（11nargout））;

% dimension of the system
nx=size（A1）;
[nynu]=size（D）;

%

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2015-11-13 11:04  基于状态空间的模型预测控制ssmpc\
     文件        1327  2009-05-20 16:16  基于状态空间的模型预测控制ssmpc\license.txt
     文件        4696  2008-04-22 00:12  基于状态空间的模型预测控制ssmpc\mpcsetup.m
     文件        3819  2008-04-22 00:11  基于状态空间的模型预测控制ssmpc\ssmpctutorial.m