随着社会经济的快速发展,多智能体系统已经成为现代工业发展中不可或缺的一部分。分布式模型预测控制(Distributed Model Predictive Control,简称DMPC)以其良好的控制性能,高效的各类约束处理能力和较高的容错性等优点,在多智能体系统...
详细信息
随着社会经济的快速发展,多智能体系统已经成为现代工业发展中不可或缺的一部分。分布式模型预测控制(Distributed Model Predictive Control,简称DMPC)以其良好的控制性能,高效的各类约束处理能力和较高的容错性等优点,在多智能体系统的理论研究中得到广泛应用。随着DMPC理论的逐渐成熟,该方法也逐渐应用于实际工业环境,然而实际工业环境中存在的不确定性外界干扰给DMPC的理论应用带来了很大的困难。为此,分布式随机模型预测控制方法(Distributed Stochastic Model Predictive Control,简称DSMPC)作为一种能够处理系统内部模型不确定性以及外部扰动不确定性的模型预测控制方法,近年来被广泛引入到工业控制方案中。此外,目前的大多DSMPC算法都是基于时间触发的,对于某些外界扰动以及内部模型偏差较小的系统,每一时刻进行优化控制会造成大量的系统计算资源的浪费,随着多智能体系统规模的不断扩大,时间触发机制对系统的资源消耗不断增加。事件触发不同于传统的时间触发方式,可以通过多智能体系统自身的信息判断是否触发,从而可以减少系统的计算量,节省系统资源。针对上述内容,本文旨在研究一种能够处理不确定性扰动的分布式事件触发随机模型预测控制方法,结合之前学者研究工作的基础上,针对线性离散系统进行了如下工作:1、研究了具有多种约束的分布式随机模型预测控制方法。针对多个带有不确定性扰动的线性子系统,设计了输出概率约束、耦合输出概率约束以及子系统间状态概率约束,保证了多智能体系统局部与总体的控制需求。此外,提出了概率约束条件和稳定性条件,通过概率论、迭代法以及Lyapunov原理等方法,证明了在该算法下系统满足迭代可行性与闭环稳定性要求。最后通过仿真验证了在该算法下系统各状态能够收敛到原点附近以及各个变量满足约束要求。2、研究了基于状态的分布式事件触发随机模型预测控制方法。为了节约系统的计算资源,针对多个带有概率约束的线性子系统,设计了基于子系统状态的事件触发条件,只有当某个子系统满足该条件时才会进行优化问题求解。此外,提出了预测时域、扰动和不变集等约束条件,通过不变集理论、比较原理以及Lyapunov原理等方法,证明了在每个触发时刻下系统满足可行性与稳定性要求。最后通过仿真验证了在该事件触发策略下系统能够到达稳定且能够有效减少控制器的求解次数。3、研究了基于代价的分布式事件触发随机模型预测控制方法。为了减少系统到达稳定时控制器的触发次数,设计了基于代价方程的事件触发条件,该方法结合了相邻系统的状态信息,对控制器是否需要进行触发的判断更加全面;并设计了触发系数,实现了触发频率可控的目的。此外,通过迭代法与输入-状态稳定性(ISS)定理,证明了在任意时刻系统都满足迭代可行性与闭环稳定性要求。最后通过仿真验证了系统在满足稳定性的前提下,触发次数少于基于状态的触发策略。
暂无评论