4. 模型预测控制入门

模型预测控制（Model Predictive Control, MPC）在电机驱动领域之所以能迅速落地，核心在于它把“控制”从“按误差调参”变成了“按模型推演、按代价择优”。理解 MPC，需要抓住四个关键词：预测模型、滚动优化、反馈校正、有限控制集。它们共同构成了 FCS-MPC 的理论骨架。

一、预测控制思想：用模型“向前看”

传统 PI 控制是“事后纠偏”：检测到转速或电流偏离给定值后，再通过比例积分作用去修正。MPC 则不同，它利用被控对象的离散模型，在每一个控制周期内，根据当前状态和候选控制量，预测未来若干步的输出轨迹，然后从中挑选使代价函数最小的控制量。换句话说，MPC 不是等误差出现才动作，而是提前“预演”多种可能，选择最优路径。

以三相永磁同步电机为例，其电流状态方程可离散化为：

i(k+1) = A·i(k) + B·u(k) + d(k)
其中：
i(k)   —— 第 k 个周期的定子电流矢量
u(k)   —— 逆变器输出电压矢量
d(k)   —— 反电动势及扰动项
A、B   —— 由电机参数和采样周期决定的系数矩阵

这个模型就是预测的“发动机”。没有它，MPC 无法推演未来；模型越准确，预测越可信。

二、滚动优化：每个周期都重新算一遍

滚动优化是 MPC 区别于一次性全局优化的关键。它不追求“一劳永逸”的最优解，而是在每个采样周期，基于最新测量值，求解一个有限时域内的优化问题，只实施第一个控制量，然后进入下一周期重新预测、重新优化。这种“走一步、看几步、再走一步”的机制，使控制器对参数变化和外部扰动具有天然适应性。

滚动优化的典型代价函数可写为：

J = Σ [ (i_d* - i_d(k+j))² + (i_q* - i_q(k+j))² ]
  + λ·Σ [ u(k+j) - u(k+j-1) ]²
  + 约束项

其中第一项惩罚电流跟踪误差，第二项抑制控制量突变，λ 是权重系数。滚动优化的本质，是在“跟踪精度”和“控制平滑性”之间做动态权衡。

三、反馈校正：让预测不跑偏

预测模型再精确，也会因参数漂移、死区、磁饱和、采样噪声等因素产生偏差。如果只靠开环预测，误差会逐步累积，最终导致控制失效。反馈校正的作用，就是把实际测量值与预测值之间的偏差，反馈到下一周期的预测中，形成闭环。

常见做法有两种：

• 输出误差校正：将当前实际输出与上一周期预测输出的差值，加到未来预测值上，相当于“补偿预测漂移”。
• 状态观测器校正：用龙伯格观测器或卡尔曼滤波器估计不可测状态，并实时修正模型状态。

在 FCS-MPC 中，反馈校正通常体现为：每个周期重新采样电流、转速和母线电压，用最新值作为预测起点。这样，即使模型有偏差，控制器也能“边预测、边修正”，保持稳定。

四、有限控制集预测控制：把候选控制量变成开关组合

FCS-MPC 是 MPC 在电力电子变换器中的一种特殊实现。它的“有限控制集”指的是：两电平三相逆变器只有 8 种开关状态，对应 8 个基本电压矢量（6 个有效矢量 + 2 个零矢量）。控制器不需要连续求解优化问题，而是直接枚举这 8 个候选矢量，分别代入预测模型计算未来电流，再选使代价函数最小的那个矢量输出。

其基本流程如下：

1. 采样当前电流、转速、母线电压和转子位置。
2. 根据离散模型，对 8 个候选电压矢量分别预测下一周期电流。
3. 计算每个候选矢量对应的代价函数值 J。
4. 选择 J 最小的矢量，生成对应开关信号。
5. 等待下一周期，重复上述过程。

这种“枚举—预测—择优”的方式，省去了调制器，动态响应极快，特别适合对转矩和磁链要求高的电机控制场景。

五、四者关系与对比

六、常见误区与复盘

总结来看，预测控制思想提供了“向前看”的框架，滚动优化提供了“在线择优”的机制，反馈校正提供了“闭环纠偏”的保障，有限控制集则提供了“可枚举、可实时”的实现路径。四者缺一不可，共同支撑起 FCS-MPC 在电机预测控制中的工程价值。