4. 模型预测控制概述
模型预测控制（Model Predictive Control，MPC）并不是某一种孤立的算法，而是一类以“模型预测 + 滚动优化 + 反馈校正”为核心思想的最优控制方法族。它在化工、过程工业中已有几十年成功应用，近年来随着微处理器算力提升，逐渐渗透到电机驱动、电力电子变换器等快速动态系统。对于永磁同步电机（PMSM）的有限控制集预测电流控制（FCS-MPC），理解 MPC 的基本原理是掌握后续具体算法的前提。
一、MPC 基本原理：用模型“预演”未来
MPC 的核心逻辑可以概括为一句话：利用系统模型预测未来一段时间内的行为，在满足约束的前提下求解最优控制序列，但只执行第一个控制量，然后滚动重复。它包含三个关键要素：预测模型、滚动优化、反馈校正。
与经典 PID 控制“根据当前误差直接计算控制量”不同，MPC 会向前看若干步。以 PMSM 电流环为例，控制器根据当前电流采样值、转子位置和逆变器开关状态，预测下一时刻或未来几个时刻的定子电流，再从中挑选使电流误差最小的电压矢量。这种“先预测、再择优”的机制，使 MPC 天然适合处理多变量、非线性、带约束的问题。
二、预测模型：MPC 的“发动机”
预测模型是 MPC 的基础。它可以是状态空间模型、传递函数、离散差分方程，也可以是电机在 αβ 或 dq 坐标系下的电流微分方程。对于 PMSM，常用离散化后的定子电流方程：
i(k+1) = A·i(k) + B·u(k) + D(k)
其中：
i(k) —— 第 k 个采样时刻的定子电流矢量
u(k) —— 第 k 个控制周期作用的电压矢量
A、B —— 由电机参数和采样周期离散化得到的系数矩阵
D(k) —— 反电动势等扰动项
模型精度直接影响预测效果。参数失配（如电感、磁链偏差）会导致预测电流偏离实际，因此实际工程中常结合在线辨识或鲁棒设计。预测模型不一定要极其复杂，但必须能反映被控对象的主要动态。
三、滚动优化与反馈校正：边预测边修正
滚动优化是指在每个采样周期，基于当前测量值求解一个有限时域的最优问题，得到未来 N 步的控制序列，但只施加第一个控制量。下一个周期重新采样、重新预测、重新优化。这种“滚动”机制使控制器对扰动和模型误差具有较强适应能力。
反馈校正则弥补模型预测的偏差。由于模型不可能完全准确，实际系统会把当前测量值与预测值比较，用误差修正下一步预测。在 FCS-MPC 中，反馈校正通常隐含在“每个周期重新采样并重新评估所有候选电压矢量”的过程中，因此结构简单、动态响应快。
四、MPC 与经典控制的对比
经典控制（如 PID、滞环控制）结构简单、参数少、工程经验丰富，但在多变量耦合、约束处理和动态性能方面存在局限。MPC 则通过模型预测和在线优化，能够统一处理多目标、多约束问题。下表从多个维度对比两者。
| 对比维度 | 经典控制（PID / 滞环） | 模型预测控制（MPC） |
|---|---|---|
| 控制依据 | 当前误差 | 未来 N 步预测误差 |
| 模型依赖 | 弱，可无模型 | 强，依赖预测模型精度 |
| 约束处理 | 靠限幅、抗饱和，较被动 | 显式纳入优化，主动处理 |
| 多变量耦合 | 需解耦或分散设计 | 天然统一优化 |
| 动态响应 | 受带宽限制 | 可快速响应，FCS-MPC 尤快 |
| 计算量 | 小 | 较大，随候选集和时域增长 |
| 参数整定 | 经验性强 | 权重系数、时域长度需设计 |
| 典型应用 | 通用电流环、速度环 | 高性能电机驱动、多电平变换器 |
五、案例场景：FCS-MPC 电流环的一个周期
以两电平逆变器驱动 PMSM 为例，一个控制周期内 FCS-MPC 的执行过程如下：
- 采样三相电流和转子位置，经 Clarke/Park 变换得到 dq 轴电流 id(k)、iq(k)。
- 枚举逆变器 8 个基本电压矢量（6 个有效矢量 + 2 个零矢量）。
- 对每个矢量，用离散预测模型计算 id(k+1)、iq(k+1)。
- 代入代价函数 J = (id*−id(k+1))² + (iq*−iq(k+1))²，选出 J 最小的矢量。
- 将该矢量对应的开关状态施加到逆变器，等待下一周期。
整个过程在一个采样周期内完成，通常为几十微秒。由于候选矢量只有 8 个，计算量可控，但代价函数权重、预测模型参数和采样周期都会影响控制效果。
六、常见误区与复盘
- 误区一：模型越复杂越好。预测模型应匹配控制目标和算力，过度复杂会增大计算负担，甚至引入数值问题。
- 误区二：MPC 一定优于 PID。MPC 在约束和多变量场景优势明显，但参数敏感、计算量大，简单场景下 PID 可能更经济可靠。
- 误区三：忽略反馈校正。没有反馈校正，模型误差会累积，预测电流逐渐偏离实际，控制性能下降。
- 误区四：权重系数随意设置。代价函数中不同目标的权重直接影响控制优先级，需结合工况和性能指标系统整定。
总体来看，MPC 提供了一种“预测—优化—校正”的系统化控制框架。它把控制问题转化为在线优化问题，使多目标、多约束处理更加自然。对于 PMSM 有限控制集预测电流控制而言，MPC 的基本原理正是后续算法设计、代价函数构造和延时补偿的理论起点。