3. MPC基本原理：预测模型、滚动优化、反馈校正三大要素详解

各位同学，今天我们来聊聊MPC最核心的东西。

很多人学MPC，一上来就被各种矩阵推导吓住了。其实没那么玄乎。MPC说白了就三件事：预测未来、滚动求解、反馈修正。我做了这么多年控制，见过太多人把简单问题复杂化。今天咱们就把这三块掰开揉碎了讲清楚。

3.1 预测模型——你得知道系统明天会怎样

预测模型是MPC的“眼睛”。没有它，你根本不知道控制量打下去，系统会怎么走。

我个人习惯把预测模型分成两类：

• 机理模型：基于物理定律推导出来的，比如牛顿第二定律、热力学方程。精度高，但建模费劲。
• 数据驱动模型：用历史数据拟合出来的，比如ARX模型、状态空间模型。省事，但泛化能力看数据质量。

我在项目中遇到过一件事：一个温度控制回路，用机理模型算出来效果很好，但一到现场就崩。后来发现是换热器的结垢系数变了。所以啊，模型再准，也得留个心眼。

常见的预测模型形式是这样的（离散状态空间）：

x(k+1) = A·x(k) + B·u(k)
y(k)   = C·x(k) + D·u(k)

其中x是状态，u是控制输入，y是输出。A、B、C、D是系统矩阵。

有了这个模型，我们就可以从当前时刻k开始，预测未来N个时刻的系统行为：

Y_predict = F·x(k) + G·U

这里Y_predict是未来输出的预测值，U是未来控制序列，F和G是由A、B、C、D推导出来的矩阵。具体推导过程咱们后面代码章节会细讲，今天先理解概念。

3.2 滚动优化——走一步看一步，步步为营

滚动优化是MPC的“大脑”。它负责在每个采样时刻，求解一个有限时域的最优控制问题。

你想想看，传统的PID控制是“一锤子买卖”——算出一个控制量就打出去，不管后面怎么样。MPC不一样，它每步都重新算一遍。

具体流程是这样的：

1. 在当前时刻k，测量或估计系统状态x(k)
2. 基于预测模型，计算未来N步的输出预测
3. 求解优化问题，找到最优控制序列U* = [u(k), u(k+1), ..., u(k+N-1)]
4. 只把第一个控制量u(k)施加到系统上
5. 到下一时刻k+1，重复步骤1-4

优化问题的目标函数通常长这样：

J = Σ (y_ref - y_pred)² + λ·Σ Δu²

前半部分让输出跟踪设定值，后半部分惩罚控制量的剧烈变化。λ是权重系数，调这个参数我踩过不少坑。

滚动优化的好处很明显：自适应性强。即使模型有误差，或者系统受到扰动，下一时刻重新优化时就能把偏差纠正回来。

3.3 反馈校正——别让模型骗了你

反馈校正是MPC的“纠错机制”。说白了，就是拿实际输出和预测输出做比较，把偏差反馈回去修正模型。

为什么需要这个？因为模型永远不可能100%准确。我做过一个化工过程的MPC，模型精度已经做到95%了，但实际运行中还是会有偏差。原因可能是原料成分变了，也可能是环境温度变了。

反馈校正的常见做法有两种：

方法	原理	适用场景
输出偏差校正	用当前时刻的预测误差修正未来预测	模型精度尚可，扰动缓慢
状态估计校正	用卡尔曼滤波器估计真实状态	噪声大、模型不确定性高

输出偏差校正的公式很简单：

e(k) = y_real(k) - y_pred(k)
y_corrected(k+i) = y_pred(k+i) + e(k)

就是把当前时刻的误差直接加到未来的预测上。简单粗暴，但很有效。

3.4 三大要素的关系——一张图说清楚

这三者是怎么配合的？我画了一张流程图，你看完就明白了。

从图上你能看到：预测模型给滚动优化提供“弹药”，滚动优化算出控制量打给被控对象，反馈校正拿实际输出修正预测模型。形成一个闭环。

嗯，这里要注意：反馈校正不是只在模型不准时才起作用。即使模型很准，系统也会有测量噪声和未知扰动，反馈校正是MPC鲁棒性的保障。

3.5 一个小例子帮你理解

假设你要控制一个水箱的水位。设定水位是1米。

• 预测模型：你知道进水阀开度和水位变化的关系，能预测未来10秒的水位
• 滚动优化：每秒钟算一次，未来10秒内怎么调节阀门，让水位最接近1米，同时阀门动作别太猛
• 反馈校正：实际水位和预测水位差了5厘米，把这个偏差加到后续预测中

就这么简单。MPC不是魔法，它只是把“预测-优化-反馈”这个人类工程师的思维方式，用数学公式表达出来了。

好了，今天的内容就到这里。记住这三要素，MPC的骨架你就搭起来了。

---