3. 模型预测控制入门
模型预测控制（Model Predictive Control，MPC）在电机驱动中越来越常见，原因并不只是“算法先进”，而是它天然适合处理多变量、约束和快速动态问题。要理解MPC，先抓住三个关键词：预测模型、滚动优化、反馈校正。它们共同构成MPC的闭环工作机理。
一、MPC基本原理：用模型“向前看”
MPC的核心思想是：在每个控制周期，利用被控对象的数学模型，预测未来一段时间内的系统行为，并求解一个有限时域的最优控制问题，但只执行第一个控制量；下一个周期重新测量、重新预测、重新优化。这种“预测—优化—执行—再预测”的循环，使MPC具有滚动时域特征。
对电机而言，预测模型通常来自dq轴电压方程、磁链方程和机械运动方程。以表贴式永磁同步电机为例，离散化后的电流预测可写为：
i_d(k+1) = i_d(k) + Ts/Ls * (u_d(k) - Rs*i_d(k) + ωe*Ls*i_q(k))
i_q(k+1) = i_q(k) + Ts/Ls * (u_q(k) - Rs*i_q(k) - ωe*Ls*i_d(k) - ωe*ψf)其中 Ts 为控制周期，Rs 为定子电阻，Ls 为定子电感，ωe 为电角速度，ψf 为永磁磁链。这个模型就是MPC的“眼睛”，没有它就无法预测未来。
二、滚动优化：有限时域内的最优决策
滚动优化是MPC区别于传统控制的关键。它不追求一次全局最优，而是在每个采样时刻求解一个有限时域优化问题。目标函数通常由跟踪误差和控制量增量组成：
J = Σ [ (i_d_ref - i_d(k+i))^2 + (i_q_ref - i_q(k+i))^2 ]
+ λ * Σ [ Δu_d(k+i)^2 + Δu_q(k+i)^2 ]第一项保证电流跟踪精度，第二项抑制控制量剧烈变化，λ 是权重系数。若存在电压限幅、电流限幅，还可写成约束条件。求解后只取第一个控制量 u(k) 作用于逆变器，下一周期用新的测量值重新计算。这种“只执行一步”的策略，使MPC对模型误差和扰动具有天然修正能力。
滚动优化的三个要点：
- 预测时域
Np决定“看多远”，控制时域Nc决定“调几步”。 - 目标函数中的权重决定跟踪精度与开关损耗、电流纹波之间的折中。
- 约束条件让MPC能显式处理电压、电流和开关频率限制。
三、反馈校正：闭环鲁棒性的来源
MPC不是开环预测。每个控制周期都重新采样实际电流、转速和位置，用实测值更新预测起点，因此模型失配、参数漂移和外部扰动会被不断修正。反馈校正体现在两个层面：一是测量值直接参与预测初值；二是若采用状态观测器，则用观测误差修正内部状态。
在电机MPC中，常见反馈量包括：
- 三相电流或dq轴电流：用于电流预测校正。
- 电角度与转速：用于坐标变换和反电动势计算。
- 母线电压：用于电压约束和占空比计算。
- 温度或磁链观测值：用于参数在线修正。
若没有反馈校正，MPC会退化为“模型开环预测”，一旦电机参数变化，跟踪性能会明显下降。因此，反馈校正是MPC工程化落地的关键环节。
四、与PID及LQR的对比
PID、LQR和MPC都是电机控制中常见的方法，但设计哲学不同。PID基于误差反馈，结构简单、调参直观；LQR基于状态空间模型，通过求解Riccati方程得到全局最优反馈增益；MPC则在线滚动求解有限时域优化问题，能显式处理约束和多变量耦合。
| 对比维度 | PID | LQR | MPC |
|---|---|---|---|
| 控制思想 | 误差比例-积分-微分 | 状态反馈最优控制 | 滚动时域在线优化 |
| 模型依赖 | 弱，几乎不依赖模型 | 强，需要状态空间模型 | 强，需要预测模型 |
| 约束处理 | 不能显式处理 | 不能显式处理 | 可显式处理电压/电流约束 |
| 多变量耦合 | 需解耦或分散控制 | 可处理，但增益固定 | 天然处理多变量耦合 |
| 计算量 | 极低 | 低，离线求解 | 较高，在线优化 |
| 实时性 | 容易满足 | 容易满足 | 需优化算法和硬件支持 |
| 适用场景 | 单回路、慢动态 | 线性系统、无约束 | 多约束、快动态、高性能驱动 |
从表中可见，PID适合对成本敏感、动态要求不高的场合；LQR适合线性、无约束的高性能控制；MPC则在约束多、耦合强、动态快的电机系统中更具优势，但代价是计算复杂度和实时性挑战。
五、案例场景：永磁同步电机电流MPC
设一台永磁同步电机，控制周期 Ts = 100 μs，预测时域 Np = 5，控制时域 Nc = 2。每个周期执行以下步骤：
- 采样三相电流，经Clarke/Park变换得到
i_d(k)、i_q(k)。 - 读取电角度
θe和电角速度ωe。 - 根据预测模型计算未来5步的电流轨迹。
- 在电压约束
|u_d|,|u_q| ≤ Umax下求解目标函数。 - 将最优电压矢量对应的占空比写入PWM比较寄存器。
- 下一周期重复上述过程。
若采用有限集MPC（FCS-MPC），则直接遍历逆变器8个开关矢量，选择使目标函数最小的一个，计算量更小，但开关频率不固定。若采用连续集MPC，则需求解二次规划问题，电流纹波更小，但计算量更大。
工程提示：在电机MPC实时实现中，预测模型越精确，优化效果越好；但模型越复杂，单周期计算时间越长。实际工程中常采用“简化模型+反馈校正”的策略，在精度和实时性之间取得平衡。
六、常见误区与复盘
误区一：MPC一定比PID好。并非如此。若系统简单、约束少、动态慢，PID可能更经济可靠。MPC的优势在于处理约束和多变量耦合，而不是无条件替代PID。
误区二：预测时域越长越好。时域越长，计算量越大，且远期预测误差会累积。通常根据系统时间常数和开关频率选择 Np，电机电流环常取3~10步。
误区三：忽略反馈校正。若只用模型预测而不更新实测值，参数漂移会导致稳态误差。反馈校正是MPC闭环鲁棒性的根本。
误区四：不考虑计算延迟。MPC求解需要时间，若延迟超过一个控制周期，实际执行的控制量会滞后。工程中需采用“延迟补偿”或“两步预测”策略。
复盘结论：MPC入门的关键不是记住公式，而是理解“预测模型—滚动优化—反馈校正”的闭环逻辑。对电机控制而言，MPC的价值在于把电压、电流、开关频率等约束统一纳入优化框架，但实时实现必须关注计算量、延迟和参数鲁棒性。
总结来看，MPC的入门并不神秘：用模型预测未来，用优化求解当前，用反馈修正偏差。对电机控制而言，它把电流跟踪、电压约束和开关行为统一到一个优化框架中，但实时实现必须面对计算量和延迟问题。理解这三层逻辑，就抓住了MPC的核心。