如何在Python GEKKO中定义依赖前时间步的斜坡约束？

对于MPC（IMODE=6）中的状态变量（SV）和操纵变量（MV）斜坡约束，直接通过m.Equation()定义硬约束即可，以下是具体实现方式和示例：

1. 状态变量的绝对值变化约束 #

状态变量满足|x(tk) - x(tk-1)| ≤ Cx，可拆分为两个线性不等式：

• x(tk) - x(tk-1) ≤ Cx
• x(tk-1) - x(tk) ≤ Cx

在GEKKO中，遍历预测时域内的每个时间步（从第1步到最后一步），对每个状态变量添加上述约束。

2. 操纵变量的比例变化约束 #

操纵变量满足0.9 ≤ u(tk)/u(tk-1) ≤ 1.1，需确保u(tk-1)不为0（可通过设置MV的下限u.lower = 1e-3避免），拆分为：

• u(tk) ≥ 0.9 * u(tk-1)
• u(tk) ≤ 1.1 * u(tk-1)

同样遍历预测时域内的时间步，添加约束。

完整示例代码 #

from gekko import GEKKO
import numpy as np
import matplotlib.pyplot as plt

# 初始化模型
m = GEKKO(remote=False)
m.time = np.linspace(0,10,11)  # 预测时域：10秒，11个时间点

# 定义参数和常数
Cx = 0.5  # 状态变量的最大允许变化量
K = 1.0   # 系统增益
tau = 2.0 # 时间常数

# 状态变量（SV）
x = m.SV(value=0, name='x')

# 操纵变量（MV）
u = m.MV(value=1, name='u')
u.lower = 0.1  # 避免u为0，防止除法问题
u.STATUS = 1   # 允许优化调整u
u.DCOST = 0.01 # 可选：添加小的变化惩罚，让控制更平滑

# 系统动态模型（一阶系统）
m.Equation(tau*x.dt() == -x + K*u)

# 目标：跟踪设定值（这里设为5）
sp = m.Param(value=5, name='setpoint')
m.Obj((x - sp)**2)

# 添加状态变量的斜坡约束
for i in range(1, len(m.time)):
    m.Equation(x[i] - x[i-1] <= Cx)
    m.Equation(x[i-1] - x[i] <= Cx)

# 添加操纵变量的比例约束
for i in range(1, len(m.time)):
    m.Equation(u[i] >= 0.9 * u[i-1])
    m.Equation(u[i] <= 1.1 * u[i-1])

# 设置MPC模式
m.options.IMODE = 6
m.options.CV_TYPE = 2
m.options.NODES = 2

# 求解
m.solve(disp=True)

# 绘图展示结果
plt.figure(figsize=(10,6))

plt.subplot(2,1,1)
plt.plot(m.time, x.value, 'b-', label='状态变量x')
plt.plot(m.time, sp.value, 'r--', label='设定值')
plt.ylabel('x值')
plt.legend()
plt.grid(True)

plt.subplot(2,1,2)
plt.plot(m.time, u.value, 'g-', label='操纵变量u')
plt.xlabel('时间 (s)')
plt.ylabel('u值')
plt.legend()
plt.grid(True)

plt.show()

关键说明 #

• 避免使用DCOST：DCOST是对MV的变化量添加软惩罚，而非硬约束，无法严格限制变化范围。
• 时间步遍历：通过range(1, len(m.time))遍历每个后续时间步，与前一时间步的变量值做约束。
• MV下限设置：必须确保MV不为0，否则比例约束会出现除以0的错误，可设置一个极小的下限如0.1。

内容的提问来源于stack exchange，提问作者Nikola Gerov