3. 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受到关注，是因为它把“未来一段时间的运行效果”提前纳入当前控制决策。与PI控制器只根据当前误差调整输出不同，MPC会在每个控制周期内，利用系统模型预测未来若干步的状态，求解一个带约束的优化问题，然后只执行第一个控制量，下一周期再重新预测和优化。这种“预测—优化—执行—校正”的闭环机制，是MPC的核心思想。
一句话理解MPC：用模型向前看，用优化选动作，用反馈纠偏差，用滚动推进实现持续控制。
一、MPC的四个基本环节
MPC的工程实现可以归纳为四个相互衔接的环节：预测模型、滚动优化、反馈校正和离散化实现。预测模型负责回答“如果施加某组控制量，未来系统会怎样变化”；滚动优化负责在有限时域内寻找使代价函数最小的控制序列；反馈校正负责利用实际测量值修正预测偏差，避免模型失配导致控制性能下降；离散化实现则把连续时间模型转化为适合数字控制器运行的差分方程。
在电机控制中，预测模型通常来自永磁同步电机的电压方程、磁链方程和机械运动方程。若以电流为状态量，模型会包含定子电阻、电感、永磁磁链、电角速度等参数。MPC并不要求模型无限精确，但要求模型能够反映主要动态趋势，并且计算量必须满足实时性要求。
二、预测模型：从连续方程到可计算模型
预测模型是MPC的“眼睛”。以表贴式永磁同步电机为例，在dq坐标系下，定子电压方程可写为：
ud = Rs*id + Ld*did/dt - ωe*Lq*iq
uq = Rs*iq + Lq*diq/dt + ωe*(Ld*id + ψf)其中，ud、uq为dq轴电压，id、iq为dq轴电流，Rs为定子电阻，Ld、Lq为dq轴电感，ωe为电角速度，ψf为永磁磁链。若采用模型预测电流控制，通常把电流作为状态量，把电压作为控制量。为了在数字控制器中运行，需要将连续方程离散化，例如采用前向欧拉法：
id(k+1) = id(k) + Ts/Ld * (ud(k) - Rs*id(k) + ωe*Lq*iq(k))
iq(k+1) = iq(k) + Ts/Lq * (uq(k) - Rs*iq(k) - ωe*Ld*id(k) - ωe*ψf)其中Ts为控制周期。该式就是MPC中用于预测下一拍电流的离散模型。若预测时域为N，则控制器会递推计算k+1、k+2、…、k+N时刻的电流，并评估不同电压矢量序列的效果。
三、滚动优化：代价函数与约束
滚动优化的目标是在每个控制周期内，从候选控制量中选出使代价函数最小的一组。对于电机电流控制，常见代价函数为：
J = Σ [ (id_ref - id(k+i))^2 + (iq_ref - iq(k+i))^2 ] + λ*Σ|Δu(k+i)|第一项衡量电流跟踪误差，第二项抑制控制量变化，λ为权重系数。若采用有限集模型预测控制（FMC-MPC），候选控制量是逆变器的8个基本电压矢量；若采用连续控制集MPC，则通过二次规划求解最优电压。无论哪种形式，滚动优化的本质都是“在有限时域内做最优决策，但只执行第一步”。
| 环节 | 作用 | 电机控制中的典型对象 | 关键参数 |
|---|---|---|---|
| 预测模型 | 预测未来状态 | dq轴电流方程、机械方程 | Rs、Ld、Lq、ψf、Ts |
| 滚动优化 | 选择最优控制量 | 电压矢量、开关状态 | 预测时域N、权重λ |
| 反馈校正 | 修正模型偏差 | 电流采样、转速采样 | 采样周期、滤波系数 |
| 离散化实现 | 适配数字控制器 | 差分方程、查表、定点运算 | 控制周期、计算延时 |
四、反馈校正与离散化实现流程
实际系统中，电机参数会随温度、磁饱和和运行工况变化，预测模型不可能完全准确。反馈校正的作用，就是利用当前采样到的id、iq和转速，对预测状态进行修正。常见做法包括：将测量值直接作为下一轮预测的初始状态；或者引入误差积分项，对预测偏差进行补偿。没有反馈校正的MPC，在参数失配时容易出现稳态误差和电流纹波增大。
离散化实现流程通常包括以下步骤：
- 建立电机连续时间模型，明确状态量、控制量和输出量。
- 选择离散化方法，如欧拉法、梯形法或精确离散化，得到差分方程。
- 确定预测时域N和控制时域M，构造代价函数。
- 枚举或求解候选控制量，计算对应的预测状态和代价函数值。
- 选择使代价函数最小的控制量，并只施加第一个控制量。
- 采样实际电流和转速，更新状态，进入下一控制周期。
实操提示：在仿真中，建议先用MATLAB/Simulink搭建离散MPC模型，控制周期从50μs或100μs开始尝试；再逐步缩短周期，观察电流纹波和计算耗时。若采用FMC-MPC，8个电压矢量的枚举计算量较小，适合实时实现。
常见误区：一是把预测时域设得过长，导致计算量急剧增加，实时性无法保证；二是忽略控制延时，预测模型中的电压与实际施加电压错拍，造成电流振荡；三是只关注跟踪误差，忽略开关频率和电流纹波，导致逆变器损耗过大。调试时应同时观察电流跟踪、开关频率和计算耗时三个指标。
五、案例：永磁同步电机电流MPC仿真
假设一台表贴式永磁同步电机参数为：Rs=0.5Ω，Ld=Lq=5mH，ψf=0.1Wb，直流母线电压300V，控制周期Ts=100μs。目标是在转速突变时保持iq快速跟踪，同时限制id接近零。采用FMC-MPC时，每个周期计算8个电压矢量作用下的下一拍电流，选择使代价函数最小的矢量。仿真中可观察到：相比PI电流环，MPC在负载突变时电流响应更快，但电流纹波略大；若在代价函数中加入开关次数惩罚项，纹波会明显下降。
这个案例说明，MPC的优势在于能够显式处理约束和多目标优化，但代价是计算量和参数敏感性。工程落地时，需要根据控制器算力、开关频率和性能要求，在预测时域、候选矢量数量和代价函数权重之间做折中。
掌握MPC的基本思想、预测模型、滚动优化、反馈校正和离散化实现流程，是后续进行MPC仿真建模和实机验证的基础。只有把模型、优化和反馈三者协调好，MPC才能在电机控制中发挥出预期效果。