基于Hammerstein-Wiener模型的廣義預測控制

李 泰，侯小燕，林鶴云

（1.東南大學電氣工程學院，江蘇南京210096；2.江蘇科技大學電子信息學院，江蘇鎮江212003）

基于Hammerstein-Wiener模型的廣義預測控制

李 泰1，2，侯小燕2，林鶴云1

（1.東南大學電氣工程學院，江蘇南京210096；2.江蘇科技大學電子信息學院，江蘇鎮江212003）

提出了一種新型的基于Hammerstein-Wiener模型的廣義預測控制策略。采用基于最小二乘支持向量機的Hammerstein-Wiener模型描述非線性系統動態特性，作為被控對象預測模型。同時，針對現有遺傳算法和混沌粒子群優化算法收斂速度慢和精度低等缺點，給出一種擬牛頓信賴域混沌粒子群混合優化算法，作為預測控制的滾動優化策略，函數測試和非線性對象的廣義預測控制的滾動優化表明該算法的優越性。最后，對設計的預測控制器進行實例仿真，結果表明它能滿足系統實時穩定運行的需求，取得了良好的控制效果。

廣義預測控制；Hammerstein-Wiener模型；擬牛頓信賴域；混沌粒子群

0 引 言

廣義預測控制（generalized predictive control，GPC）［1］是隨著自適應技術發展起來的一種預測控制方法，它控制效果好，魯棒性強，適用于具有時滯或開環不穩定的非線性系統，因此在工業控制中得到大量應用。然而，廣義預測控制通常需要進行Diophantine方程求解、矩陣求逆、最小二乘遞推等復雜計算，求解高階復雜非線性系統控制問題時計算量較大。廣義預測模型常采用CARIMA模型、狀態空間模型等參數模型，但是針對復雜非線性系統，預測模型仍沒有統一有效的建模方法。滾動優化采用對控制量和偏差加權的性能指標，常用最小二乘遞推尋優，需要進行大量數據和復雜的矩陣計算，且尋優性能常在快速性和穩定性之間折中，其優化性能有待進一步提高。

文獻［2］采用ARMAX模型作為廣義預測控制的預測模型，設計了預測控制器，但是模型參數未知或存在動態不確定性時，該方法不能實現參數的一致估計和性能指標的極小化；文獻［3］利用神經網絡對非線性系統進行逼近和控制，但神經網絡對大范圍非線性系統的逼近存在逼近精度和網絡復雜性的矛盾。T-S模型在非線性對象的建模和控制中也得到廣泛應用，文獻［4－5］采用T-S模糊模型對被控對象建模，實現了模型實時更新，提高了被控系統的逼近精度，但其結構辨識與參數辨識的混合導致計算量大。Hammerstein-Wiener模型［6－9］作為一種經典的分塊結構非線性模型，包括了兩個非線性模塊，能更好地描述非線性系統，且結構簡單，計算量少，為非線性預測模型提供了良好的模型結構。

文獻［10］將遺傳算法作為廣義預測控制中的滾動優化來處理帶約束的優化問題，但遺傳算法在函數尋優時容易陷入局部極值，產生早熟且進化代數較多。粒子群優化（particle swarm optimization，PSO）算法［11－13］也被引入到預測控制的滾動優化中，解決了被控對象存在約束時尋優困難和計算復雜的問題，但PSO易產生早熟收斂；混沌粒子群優化算法［14－15］結合混沌和粒子群算法的優點，保持了全局尋優的快速性且避免陷入局部極值，但算法后期收斂精度和收斂速度仍未得到改善。文獻［16］將擬牛頓法與信賴域法相結合，在信賴域求解子問題不理想時，采用擬牛法可以避免信賴域半徑的盲目縮小和重新求解子問題，加快了尋優速度。

本文將Hammerstein-Wiener模型、擬牛頓信賴域（quasi-Newton trust region，QN-TR）混沌粒子群優化（chaotic particle swarm optimization，CPSO）算法和廣義預測控制的思想相結合，提出一種新型的基于Hammerstein-Wiener模型的廣義預測控制策略。為了提高CPSO算法效率，將擬牛頓信賴域和混沌粒子群相結合，可以避免陷入局部極值，并且加快局部極值的收斂速度。將擬牛頓信賴域混沌粒子群優化算法作為預測控制的滾動優化策略，可避免復雜的矩陣計算且提高滾動優化的性能。仿真結果驗證了該方法的有效性。

1 廣義預測控制的基本思想

設非線性被控對象的數學模型用如下具有隨機階躍擾動非平穩噪聲的離散差分方程描述為

式中，y，u，ε為系統輸出、輸入和均值為零、方差為δ2的白噪聲；Δ為差分因子，，其中ai，bi，ci為系統參數。

將式（1）兩邊同時乘以差分因子Δ得：

引入Diophantine方程：

將式（3）代入式（1）并化簡得

式中，yp（（k＋j）／k）＝B（z－1）Rj（z－1）Δu（k＋j－1）＋Sj（z－1）y（k）為預測輸出；εp（k＋j）＝Rj（z－1）ε（k＋j）為預測誤差。

廣義預測控制問題可以表達為在模型約束和控制約束下求出使性能指標達到最小的一組最優控制量序列。采用如下二次型性能指標：

式中，P為預測長度；M為控制長度（M≤P）；λj為控制加權系數；yr（k＋j）為參考軌跡。

2 Hammerstein-Wiener預測模型辨識

在非線性系統動態建模和控制中，Hammerstein-Wiener模型作為一類塊結構非線性動態模型受到了高度重視。該模型同時結合了線性動態模型和靜態非線性函數模型，結構簡單，容易辨識，能較好地反映過程特征，已被廣泛應用于系統建模［9］。

單輸入單輸出非線性Hammerstein-Wiener模型結構如圖1所示，它包括靜態輸入非線性模塊f，動態線性模塊G和靜態輸出非線性模塊h。

圖1 Hammerstein-Wiener模型

本文采用基于最小二乘支持向量機（least squares support vector machine，LS-SVM）的Hammerstein-Wiener模型對非線性系統進行建模，通過模型辨識得到非線性系統的預測模型［17］。

對于單輸入單輸出系統，基于SVM的Hammerstein-Wiener模型辨識步驟如下：

步驟1 采集足夠的輸入輸出數據樣本。

步驟2 根據Hammerstein-Wiener各個模塊模型結構，得到Hammerstein-Wiener非線性模型的輸出數學表達式

步驟3 采用SWM表示Hammerstein-Wiener模型表達式中的非線性函數。

步驟4 定義相應的優化問題和約束條件，利用最小二乘對上述非線性函數參數進行尋優，得到待定參數d1、d0，再進行奇異值分解得到回歸參數ai、bj，從而得到非線性部分f（x）和g（y）。

步驟5 選擇高斯徑向基函數（radial basis function，RBF）為核函數，得到Hammerstein-Wiener模型的最終表達式

系統靜態非線性模塊的輸出即是整個模型的輸出，對系統未來時刻輸出進行多步預測，得到多步預測輸出，將其反饋到輸入端，從而對非線性系統進行提前預測控制。

3 基于混合優化算法的預測控制滾動優化

3.1 擬牛頓信賴域CPSO混合優化算法

信賴域法是一種求解非線性約束優化問題的算法，它可以同時確定搜索方向和步長，簡化搜索過程。將擬牛頓法引入到信賴域中［16］，采用BFGS擬牛頓公式修正信賴域模型子問題中的Bk，同時，在每個迭代步，優先使用信賴域方法，當試探步不成功時，采用擬牛頓步繼續迭代，避免重新求解子問題及信賴域的盲目縮小，加快尋優速度而且算法具有二次終止性。

該算法基本思想是迭代求解信賴域模型子問題：

式中，f（xk）為f（x）在xk處的函數值；s為嘗試迭代步；Bk為近似于Hessian矩陣Δ2f（xk）的對稱矩陣；gk＝Δf（xk）為f（x）在xk處的梯度；Δk為信賴域半徑。

CPSO是一種基于種群的隨機優化技術，對待優化目標能實現快速全局搜索。將CPSO作為全局搜索器［14，18］，用擬牛頓信賴域［16］加快局部搜索，能提高收斂速度，取得較好的尋優效果。

基于擬牛頓信賴域的混沌粒子群混合優化算法步驟如下：

步驟1 確定群體規模M、最大函數評價次數Mm、確定算法權重w，粒子速度范圍［－vmax，vmax］初始化粒子群隨機初始位置和速度。

步驟2 將每個粒子的個體極值Pi設置為當前位置，根據適應度函數（n是訓練樣本數，分別為實際值和預測值）計算每個粒子的適應度值，取適應度值最好的粒子的個體極值為CPSO最初的全局極值Pg，函數評價次數k＝M。

步驟3 若k≥Mm，則Pbest＝min｛Pg，Pl｝，轉步驟10，否則繼續。

步驟4 用PSO速度和位置更新公式

對粒子速度和位置進行更新。

步驟5 根據各個粒子的適應度值更新Pi和Pg，并記錄全局最優粒子下標gbest，更新k。

步驟7 以全局最優粒子位置xgbest為初始點，運行擬牛頓信賴域算法，更新xlbest，Pl和k。

步驟8 若k≥Mm，則Pbest＝min｛Pg，Pl｝，轉步驟10，否則繼續。

步驟9 對當前粒子群Pg進行混沌擾動。首先將Pg映射為定義域［0 1］之間的混沌變量r，若r＜Pm（Pm為混沌變換概率），則用Logistic［19］映射式Z′k＝μZk（1－Zk）（其中μ＝4，0＜Zk＜1）進行迭代，得到n個混沌變量，這些變量通過逆映射獲得n個粒子，對粒子適應度值進行計算和排序，從而獲到最優解P′g，令Pg＝P′g，更新k，轉步驟3。

步驟10 輸出粒子群最優值，算法結束。

其中，擬牛頓信賴域算法達到收斂即停止迭代，不需要滿足最大函數評價次數的終止條件。

3.2 尋優性能比較

為了驗證擬牛頓信賴域CPSO混合優化算法的優越性，本文將其與遺傳算法（genetic algorithm，GA）、CPSO算法分別對4個給定初始點的無約束優化問題測試函數［20］進行尋優，并對各自的函數最優值、仿真時間和收斂精度進行比較。

表1 3種算法尋優性能比較

對每個函數進行尋優，參數設置如下：信賴域半徑Δ0＝‖g（x0）‖，最小信賴域半徑Δmin＝0.2，μ＝0.75，正定矩陣B0＝I，精確度ε＝10－5，c1＝0.25，c2＝2，δ＝0.1。粒子群規模M＝30，加速常數c′1＝c′2＝2，慣性權重w取文獻［19］中的線性慣性權重，wmax＝0.9，wmin＝0.4，vmax＝（xmax－xmin）／2，vmax＝（xmax－xmin）／2，vmin＝－vmax，ε＝0.01，收斂閾值ε′＝10－3，最大函數評價次數3 000，混沌概率pm＝0.2，混沌搜索區間［－0.5pg，2.5pg］。CPSO算法的參數取值同上，GA算法取種群規模30，交叉概率0.8，變異概率0.002。

對每個函數測試50次，測試函數維數均為2，尋優結果取50次搜索得到最優值的平均值，仿真時間取50次仿真的平均時間。得到最終結果如表1所示，其中：QN-TRCPSO為擬牛頓信賴域混沌粒子群混合優化算法，CPSO為混沌粒子群優化算法，GA為遺傳算法，f＊為標準的函數最優值，f為搜索得到的函數最優值，T為仿真時間，CR為收斂率。

3.3 基于混合優化算法的滾動優化預測控制

鑒于擬牛頓信賴域CPSO混合優化算法函數尋優的準確性和快速性，本文將其應用于廣義預測控制的滾動優化。以Hammerstein-Wiener模型為預測模型，以擬牛頓信賴域CPSO混合優化算法為滾動優化策略的廣義預測控制結構如圖2所示。其預測控制步驟如下：

步驟1 設置預測控制初始參數、擬牛頓信賴域初始參數、CPSO初始參數，基于SVM的Hammerstein-Wiener模型辨識初始參數。

步驟2 通過Hammerstein-Wiener模型辨識得到系統多步預測輸出。

步驟3 由系統多步預測輸出和參考軌跡輸出計算性能指標式（5）。

步驟4 采用擬牛頓信賴域CPSO混合優化算法進行尋優，輸出使性能指標達到最小的控制量u（k）。

步驟5 轉步驟2，將得到的u（k）重新作用于系統，得到下一步多步預測輸出，進行下一周期的預測控制。

圖2 基于Hammerstein-Wiener模型的廣義預測控制

3.4 滾動優化效果比較

取以下非線性系統為研究對象：

式中，E（k）為［－0.2，0.2］范圍內的均勻白噪聲，來驗證擬牛頓信賴域CPSO混合優化算法尋優的優越性。分別采用LS-SVM、CPSO及本文的擬牛頓信賴域混合優化算法（QN-TR-CPSO）作為滾動優化策略，得到仿真結果如圖3所示。

圖3 3種優化算法仿真比較

其中，Yr為參考輸入，LS、CPSO和QN-TR-CPSO分別為采用最小二乘、混沌粒子群及擬牛頓信賴域混沌粒子群優化算法作為滾動優化策略得到的預測控制結果?？梢钥闯?，擬牛頓信賴域混沌粒子群優化算法使輸出快速穩定跟隨給定輸入，超調較小，調節速度最快，取得了良好的控制效果。

4 仿真實例研究

4.1 非線性系統Hammerstein-Wiener模型辨識

以如下非線性Hammerstein-Wiener系統為被控對象，驗證所給出的基于Hammerstein-Wiener模型和混合優化算法的廣義預測控制策略的實時控制效果。

被控系統包括兩個靜態非線性模塊和一個動態線性模塊，其中，靜態輸入部分為一非線性死區函數：

動態線性部分的傳遞函數：

非線性輸出部分的逆：

采集200組系統實時輸入輸出數據，利用前面所述的最小二乘法辨識基于SVM的Hammerstein-Wiener模型線性部分遞歸參數和非線性部分參數［17］，得到系統的預測模型，其中各個預測參數如下：

圖4為基于SVM的Hammerstein-Wiener預測模型與系統實際輸出的對比?？梢钥闯?，Hammerstein-Wiener模型對復雜非線性對象有較好的辨識能力，該方法簡單且辨識精度高。作為全局的N-L-N模型，辨識參數會隨非線性動態系統變更而更新，能隨時反映系統動態過程。

圖4 實際輸出與預測模型輸出對比

4.2 基于Hammerstein-Wiener模型的廣義預測控制

將上述非線性Hammerstein-Wiener系統模型作為預測模型，采用擬牛頓信賴域混沌粒子群混合優化算法作為滾動優化策略，構成了基于Hammerstein-Wiener模型的非線性系統的廣義預測控制系統?？刂葡到y結構如圖2所示，取預測長度P＝6，控制長度M＝2，控制加權系數λj＝0.6，柔化系數α＝0.4，最大函數評價次數Mm＝3000，得到非線性系統實時跟蹤控制仿真曲線如圖5所示。

仿真結果表明，在系統輸入發生變化時，非線性系統能夠快速穩定跟隨系統給定輸入，輸出波動小，控制精度高，取得了良好的控制效果。

圖5 非線性系統的廣義預測控制

5 結 論

針對非線性系統建模困難和廣義預測控制滾動優化性能存在的問題，提出了一種基于Hammerstein-Wiener辨識模型和新型滾動優化算法的廣義預測控制方法。采用基于支持向量機的非線性Hammerstein-Wiener模型作為預測模型，有效提高了預測模型對研究對象的逼近精度；同時給出了一種擬牛頓信賴域混沌粒子群混合優化算法，并將其作為廣義預測控制的滾動優化策略，仿真測試表明該算法的優越性。最后，將該控制策略應用于非線性Hammerstein-Wiener系統的預測控制，結果表明系統輸出能快速穩定跟隨給定輸入，取得了良好的控制效果。

［1］Clarke D W，Mohtadi C，Tuffs P S.Generalized predictive control［J］.Automatica，1987，23（2）：137－148.

［2］Yuan Z D.Generalized predictive control based on ARMAX model［J］.Control Theory ＆Applications，1988，5（1）：12－17.（袁震東.基于ARMAX模型的廣義預側控制［J］.控制理論與應用，1988，5（1）：12－17.）

［3］Akpan V A，Hassapis G D.Nonlinear model identification and adaptive model predictive control using neural networks［J］.Trans.on ISA，2011，50（2）：177－194.

［4］Wang S X，Dong C，Liu H R.Generalized nonlinear predictive controller based on T-S fuzzy model and small-world optimization algorithm［J］.Control and Decision，2011，26（5）：673－678.（王爽心，董旸，劉海瑞.基于T-S模型和小世界優化算法的廣義非線性預測控制［J］.控制與決策，2011，26（5）：673－678.）

［5］Zhang S T，Bai S Z.Controller design of uncertain nonlinear systems based on T-S fuzzy model［J］.Control Theory ＆Applications，2009，7（2）：139－143.

［6］Zhu Y C.Estimation of an N-L-N Hammerstein-Wiener model［J］.Automatica，2002，38：1067－1614.

［7］Wills A，Sch?n T B，Ljung L，et al.Identification of Hammerstein-Wiener models［J］.Automatica，2013，49（1）：70－81.

［8］Ding B，Huang B.Output feedback model predictive control for nonlinear systems represented by Hammerstein-Wiener model［J］.Control Theory ＆Applications，2007，1（5）：1302－1310.

［9］Bloemen H H J，Van Den Boom T J J，Verbruggen H B.Modelbased predictive control for Hammerstein-Wiener systems［J］.International Journal of Control，2001，74（5）：482－495.

［10］Tong Z N，Xiao L，Peng K X，et，al.Constrained generalized predictive control of mould level based on genetic algorithm［J］.Control and Decision，2009，24（11）：1735－1739.（童朝南，肖磊，彭開香，等.一基于遺傳算法的結晶器液位約束廣義預測控制［J］.控制與決策，2009，24（11）：1735－1739.）

［11］Xiao B X，Zhu Z G，Liu Y F.Research of hybrid optimized generalized predictive controller based on particle swarm optimization［J］.Journal of System Simulation，2007，19（4）：820－824.（肖本賢，朱志國，劉一福.基于粒子群算法混合優化的廣義預測控制器研究［J］.系統仿真學報，2007，19（4）：820－824.）

［12］Wang Z H，Sun Y X.Generalized predictive control based on particle swarm optimization for linear／nonlinear process with constraints［C］∥Proc.of the Second International Conference on Computational Intelligence and Natural Computing，2010：303－306.

［13］Zou Q Y，Ji J W，Ma L L.Greenhouse air temperature predictive control using the particle swarm optimisation algorithm［C］∥Proc.of the 4th International Symposium on Intelligent Information Technology in Agriculture，2007：495－499.

［14］Jiang H M，Kwong C K，Chen Z Q，et al.Chaos particle swarm optimization and T-S fuzzy modeling approaches to constrained predictive control［J］.Knowledge-Based Systems，2012，39（1）：194－201.

［15］Huynh D C，Dunnigan M W，Finney S J.Energy efficient control of an induction machine using a chaos particle swarm optimization algorithm［C］∥Proc.of the IEEE International Conference on Power and Energy，2010：450－455.

［16］Gertz E M.A quasi-Newton trust-region method［J］.Mathematical Programming，2004，100（3）：447－470.

［17］Gui W H，Song H Y，Yang C H.Hammerstein-Wiener model identified by least-square-support-vector machine and its application［J］.Control Theory ＆Applications，2008，25（3）：393－397.（桂衛華，宋海鷹，陽春華.Hammerstein-Wiener模型最小二乘向量機辨識及其應用［J］.控制理論與應用，2008，25（3）：393－397.）

［18］Liu J M，Gao Y L.Chaos particle swarm optimization algorithm［J］.Computer Applications，2008，28（2）：322－325.（劉軍民，高岳林.混沌粒子群優化算法［J］.計算機應用，2008，28（2）：322－325.）

［19］Liu L，Qian W M，Qian F.An Improved Chaos-Particle Swarm Optimization Algorithm［J］.Journal of East China University of Science and Technology（Natural Science Edition），2010，36（2）：267－272.（劉玲，鐘偉民，錢鋒.改進的混沌粒子群優化算法［J］.華東理工大學學報（自然科學版），2010，36（2）：267－272.）

［20］Sun W Y，Yuan Y X.Optimization theory and methods：non-linear programming［M］.New York：Springer-Verlag，2006：637－647.

Generalized predictive control based on Hammerstein-Wiener model

LI Tai1，2，HOU Xiao-yan2，LIN He-yun1
（1.School of Electrical Engineering，Southeast University，Nanjing 210096，China；2.School of Electronic Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

A novel generalized predictive control（GPC）strategy based on the Hammerstein-Wiener model is proposed.The dynamic characteristics of the nonlinear system are described by the Hammerstein-Wiener model based on the support vector machine，so a prediction model of the controlled object is obtained.Furthermore，an optimization algorithm of chaotic particle swarm combined with quasi-Newton trust region（QN-TR）is proposed in order to avoid the deficiency of slow convergence speed and low accuracy of the genetic algorithm and the chaotic particle swarm optimization（CPSO）algorithm，so a rolling optimization strategy of the predictive control is obtained.Function tests and rolling optimization of the GPC to the nonlinear object reflect the superiority of the algorithm.Finally，the results of the simulation example for the generalized predictive controller show that it can meet the demand of real-time and stable operation of the system，and a good control effect is obtained.

generalized predictive control（GPC）；Hammerstein-Wiener model；quasi-Newton trust region（QN-TR）；chaotic particle swarm optimization（CPSO）

TP 319

A

10.3969／j.issn.1001-506X.2015.08.24

李 泰（1982－），男，講師，博士后，主要研究方向為復雜非線性系統的智能控制、建模與優化。

E-mail：teilytl＠126.com

侯小燕（1990－），女，碩士研究生，主要研究方向為混沌優化、非線性系統的預測控制。

E-mail：1181501030＠qq.com

林鶴云（1965－），男，教授，博士生導師，主要研究方向為復雜電力傳動系統智能控制。

E-mail：185441638＠qq.com

1001－506X201508－1874－06

網址：www.sys－ele.com

2014－09－03；

2014－11－13；網絡優先出版日期：2015－01－04。

網絡優先出版地址：http：／／www.cnki.net／kcms／detail／11.2422.TN.20150104.1720.011.html

國家自然科學基金（51307074）；江蘇省博士后基金（1301005B）資助課題