一种校正方法、装置、设备及介质与流程

1.本技术涉及自动化技术领域，特别是涉及一种校正方法、装置、设备及介质。

背景技术：

2.随着工业生产过程规模的不断扩大和复杂性的增加，企业对各种设备的产品质量、被控变量的控制、节能降耗、增产增效的要求越来越高，常规的比例-积分-微分控制器(比例(proportional)、积分(integral)、微分(differential)，pid)已远远不能适应未来工业生产的要求，先进控制已成为企业首选的技术之一。其中，模型预测控制算法(model predictive control，mpc)由于可以直接处理多变量、约束等问题，再加上标准化的实施流程，成为最具代表性的先进控制算法，在工业过程控制领域成功应用并取得巨大的经济效益。在实际工业现场中，输入信号和输出信号都存在噪声干扰，同时测量噪声的空间模型不能得到准确的模型状态值，一般会采用卡尔曼滤波器实现对状态向量的估计。但这个过程是缓慢的，需要一段时间才能消除误差。如果一开始偏差较大，单纯通过卡尔曼滤波器无法短时间消除误差，此时模型状态值也不准确，以此为基础进行计算的mpc结果的控制效果差，甚至出现反向控制结果，这在实际生产中是非常危险的。
3.鉴于上述存在的问题，寻求如何校正由于模型不准确和状态更新不及时导致的预测和控制错误是本领域技术人员竭力解决的问题。

技术实现要素：

4.本技术的目的是提供一种校正方法、装置、设备及介质，用于校正由于模型不准确和状态更新不及时导致的预测和控制错误。
5.为解决上述技术问题，本技术提供一种校正方法，包括：
6.确定被控对象，并建立被控对象的离散状态空间模型；
7.根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；
8.通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；
9.通过补偿项对多个输出向量进行补偿，并更新离散状态空间模型；
10.基于更新后的离散状态空间模型，利用mpc算法确定决策向量，以便于按照决策向量进行控制。
11.优选地，根据离散状态空间模型确定多个预设时间内的被控对象的输出向量包括：
12.根据离散状态空间模型确定预测矩阵；
13.根据预测矩阵确定多个输出向量。
14.优选地，建立被控对象的离散状态空间模型包括：
15.获取被控对象的多个状态向量、多个控制输入向量、多个可测扰动向量；
16.根据状态向量、控制输入向量、可测扰动向量建立离散状态空间模型。
17.优选地，通过扩展卡尔曼滤波器更新状态向量包括：
18.扩展更新后的状态向量，并得到扩展状态向量和扩展扰动向量；
19.根据扩展状态向量更新状态向量。
20.优选地，在通过补偿项对多个输出向量进行补偿之后，在更新离散状态空间模型之前，还包括：
21.判断补偿后的输出向量与实际输出向量是否一致；
22.若是，则进入更新离散状态空间模型的步骤；
23.若否，则返回至通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿的步骤。
24.优选地，利用mpc算法确定决策向量包括：
25.根据约束条件确定决策向量，其中，约束条件为mpc算法的目标函数。
26.优选地，目标函数包括表征设定值跟踪的第一目标函数、表征控制量跟踪的第二目标函数、表征控制量的增量的最小的第三目标函数。
27.为解决上述技术问题，本技术还提供了一种校正装置，包括：
28.第一确定模块，用于确定被控对象，并建立被控对象的离散状态空间模型；
29.第二确定模块，用于根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；
30.第一补偿模块，用于通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；
31.第二补偿模块，用于通过补偿项对多个输出向量进行补偿，并更新离散状态空间模型；
32.第三确定模块，用于基于更新后的离散状态空间模型，利用mpc算法确定决策向量，以便于按照决策向量进行控制。
33.此外，该装置还包括以下模块：
34.优选地，根据离散状态空间模型确定多个预设时间内的被控对象的输出向量包括：
35.第四确定模块，用于根据离散状态空间模型确定预测矩阵；
36.第五确定模块，用于根据预测矩阵确定多个输出向量。
37.优选地，建立被控对象的离散状态空间模型包括：
38.第一获取模块，用于获取被控对象的多个状态向量、多个控制输入向量、多个可测扰动向量；
39.建立模块，用于根据状态向量、控制输入向量、可测扰动向量建立离散状态空间模型。
40.优选地，通过扩展卡尔曼滤波器更新状态向量包括：
41.扩展模块，用于扩展更新后的状态向量，并得到扩展状态向量和扩展扰动向量；
42.更新模块，用于根据扩展状态向量更新状态向量。
43.优选地，在通过补偿项对多个输出向量进行补偿之后，在更新离散状态空间模型之前，还包括：
44.判断模块，用于判断补偿后的输出向量与实际输出向量是否一致；
45.若是，则进入更新离散状态空间模型的步骤；
46.若否，则返回至通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿的步骤。
47.优选地，利用mpc算法确定决策向量包括：
48.第六确定模块，用于根据约束条件确定决策向量，其中，约束条件为mpc算法的目标函数；其中，目标函数包括表征设定值跟踪的第一目标函数、表征控制量跟踪的第二目标函数、表征控制量的增量的最小的第三目标函数。
49.为解决上述技术问题，本技术还提供了一种校正设备，包括：
50.存储器，用于存储计算机程序；
51.处理器，用于指向计算机程序，实现校正方法的步骤。
52.为解决上述技术问题，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现上述全部校正方法的步骤。
53.本技术所提供的一种校正方法，该方法包括：确定被控对象，并建立被控对象的离散状态空间模型；根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；通过补偿项对多个输出向量进行补偿；此时对原来并不准确的输出向量进行了补偿，将其校正为准确的输出向量；并更新离散状态空间模型；基于更新后的离散状态空间模型，利用mpc算法确定决策向量，此时，决策向量也是准确的，因此便于按照决策向量进行控制。此时，mpc算法确定的结果的控制效果是准确的，因此，实现了校正由于模型不准确和状态更新不及时导致的预测和控制错误。
54.本技术还提供了一种校正装置、设备及介质，效果同上。
附图说明
55.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1为本技术实施例所提供的一种校正方法流程图；
57.图2为本技术实施例所提供的一种校正装置结构图；
58.图3为本技术实施例所提供的一种校正设备结构图。
具体实施方式
59.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
60.本技术的核心是提供一种校正方法、装置、设备及介质，其能够校正由于模型不准确和状态更新不及时导致的预测和控制错误。
61.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式
对本技术作进一步的详细说明。
62.图1为本技术实施例所提供的一种校正方法流程图。如图1所示，该校正方法，包括：
63.s10：确定被控对象，并建立被控对象的离散状态空间模型。
64.其具体包括：
65.获取被控对象的多个状态向量、多个控制输入向量、多个可测扰动向量；
66.根据状态向量、控制输入向量、可测扰动向量建立离散状态空间模型。
67.该离散状态空间模型通过如下公式表示：
68.x(k+1)＝ax(k)+buu(k)+bvv(k)
69.y(k)＝cx(k)+duu(k)+duv(k)
70.其中，k表示当前时刻为k时刻；x表示被控对象的状态向量，且该向量为n维向量；u表示被控对象的控制输入向量，且该向量为nu维向量；v表示被控对象的输入可测扰动向量，且该向量为nv维向量；y表示被控对象的输出向量，且该向量为ny维向量，a∈rn×n,
71.s11：根据离散状态空间模型确定多个预设时间内的被控对象的输出向量。
72.其具体包括：
73.根据离散状态空间模型确定预测矩阵；
74.根据预测矩阵确定多个输出向量。
75.令当前步数为0(其中当前步数可以理解为当前时刻为0时刻)，其中，i＝1，2，3
…
，p，则对于未来p个时刻的预测值可以根据如下公式确定：
[0076][0077]
在本实施例中，预测矩阵为：
[0078][0079]
且，其中，s
x
、s
u1
、su、hv的公式如下所示：
[0080][0081]
[0082][0083][0084]
s12：通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿。
[0085]
具体包括：
[0086]
扩展更新后的状态向量，并得到扩展状态向量和扩展扰动向量；
[0087]
根据扩展状态向量更新状态向量。
[0088]
扩展后的状态向量可以用如下公式表示：
[0089][0090][0091]
其中，扩展后的状态向量可以表示为：且扩展扰动变量
[0092]
扩展后的状态空间矩阵为：扩展后的状态空间矩阵为：其中，为大小为ny的单位阵。
[0093]
扩展卡尔曼滤波器的计算过程如下所示：
[0094][0095][0096][0097]
其中，
[0098]
需要说明的是，其中，x(k-1)表示k-1时刻的控制器的状态向量，表示用k-1时刻的控制器的状态向量估计的k时刻的状态向量，表示k时刻的输出预估值，y(k)表示k时刻的实际输出向量，kk表示k时刻的状态补偿增益矩阵，pk表示k时刻的状态协方差矩阵，q表示预测模型过程噪声协方差矩阵，r表示预测模型测量噪声协方差矩阵。
[0099]
s13：引入输出反馈校正，通过补偿项对多个输出向量进行补偿，并更新离散状态空间模型，其中补偿项的公式如下：
[0100][0101]
则，由补偿项的补偿后，通过更新的离散状态空间模型得到的预测值可以表示为如下公式：
[0102][0103]
s14：基于更新后的离散状态空间模型，利用mpc算法确定决策向量；
[0104]
以便于按照决策向量进行控制。
[0105]
具体包括：
[0106]
根据约束条件确定决策向量，其中，约束条件为mpc算法的目标函数。其中，目标函数包括表征设定值跟踪的第一目标函数、表征控制量跟踪的第二目标函数、表征控制量的增量的最小的第三目标函数。
[0107]
需要说明的是，此时将mpc算法的控制变量求解转换为一个带有约束条件的二次规划(qp)问题的优化求解问题，描述如下：
[0108]
min j(zk)＝jy(zk)+ju(zk)+j
δu
(zk)
[0109]
st.
[0110]yj,min
(i)≤yj(k+i|k)≤y
j,max
(i),i＝1:p,j＝1:ny[0111]uj,min
(i)≤uj(k+i-1|k)≤u
j,max
(i),i＝1:p,j＝1:nu[0112]
δu
j,min
(i)≤δuj(k+i-1|k)≤δu
j,max
(i),i＝1:p,j＝1:nu[0113]
其中，j(zk)表示为mpc算法的目标函数，zk表示为二次规划问题的决策向量，其可以按照如下公式表示：
[0114][0115]
其中，k表示为当前时刻(当前控制时刻)，p表示为预测时间(也可以称为预测时域)，jy(zk)为表征设定值跟踪的第一目标函数，ju(zk)为表征控制量跟踪的第二目标函数，j
δu
(zk)为表征控制量的增量的最小的第三目标函数，yj(k+i|k)表示为在第k个控制周期计算的第i步的预测值，uj(k+i|k)表示为在第k个控制周期计算的第i步的控制量，δuj(k+i|k)表示为在第k个控制周期计算的第i步的控制量增量，y
j,min
(i)表示为被控量在第i步的幅值上限，y
j,max
(i)表示为被控量在第i步的幅值下限，u
j,min
(i)表示为控制量在第i步的幅值上限，u
j,max
(i)表示为控制量在第i步的幅值下限，δu
j,min
(i)表示为控制量增量在第i步的幅值上限，δu
j,max
(i)表示为控制量增量在第i步的幅值下限。
[0116]
还需要说明的是，其中对于设定值跟踪的第一目标函数jy(zk)，可以按如下公式表示：
[0117]
[0118]
其中，ej(k+i|k)表示的是第k个控制周期，预测的第i步第j个输出的偏差，定义为：
[0119]ej
(k+i|k)＝yj(k+i|k)-rj(k+i|k)
[0120]
yj(k+i|k)表示在第k个控制周期第i步预测值；
[0121]rj
(k+i|k)表示在第k个控制周期第i步设定值；
[0122]
表示在第i个预测步长下，被控对象的第j个输出的权重；
[0123]
此外，对于控制量跟踪的第二目标函数ju(zk)，可以按如下公式表示：
[0124][0125]
其中，u
j,ta
(k+i|k)表示在第k个控制周期，第i个预测步长的第j个控制量的目标值；表示在第i个预测步长下，被控对象的第j个控制量的权重；
[0126]
最后，对于控制量的增量的最小的第三目标函数j
δu
(zk)，可以按如下公式表示：
[0127][0128]
其中，表示在第i个预测步长下，被控对象的第j个控制量增量的权重。
[0129]
本技术所提供的一种校正方法，该方法包括：确定被控对象，并建立被控对象的离散状态空间模型；根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；通过补偿项对多个输出向量进行补偿；此时对原来并不准确的输出向量进行了补偿，将其校正为准确的输出向量；并更新离散状态空间模型；基于更新后的离散状态空间模型，利用mpc算法确定决策向量，此时，决策向量也是准确的，因此便于按照决策向量进行控制。此时，mpc算法确定的结果的控制效果是准确的，因此，实现了校正由于模型不准确和状态更新不及时导致的预测和控制错误。
[0130]
在上述实施例中，对于校正方法进行了详细描述，本技术还提供校正装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
[0131]
图2为本技术实施例所提供的一种校正装置结构图。如图2所示，本技术还提供了一种校正装置，包括：
[0132]
第一确定模块20，用于确定被控对象，并建立被控对象的离散状态空间模型；
[0133]
第二确定模块21，用于根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；
[0134]
第一补偿模块22，用于通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；
[0135]
第二补偿模块23，用于通过补偿项对多个输出向量进行补偿，并更新离散状态空间模型；
[0136]
第三确定模块24，用于基于更新后的离散状态空间模型，利用mpc算法确定决策向量，以便于按照决策向量进行控制。
[0137]
此外，该装置还包括以下模块：
[0138]
优选地，根据离散状态空间模型确定多个预设时间内的被控对象的输出向量包括：
[0139]
第四确定模块，用于根据离散状态空间模型确定预测矩阵；
[0140]
第五确定模块，用于根据预测矩阵确定多个输出向量。
[0141]
优选地，建立被控对象的离散状态空间模型包括：
[0142]
第一获取模块，用于获取被控对象的多个状态向量、多个控制输入向量、多个可测扰动向量；
[0143]
建立模块，用于根据状态向量、控制输入向量、可测扰动向量建立离散状态空间模型。
[0144]
优选地，通过扩展卡尔曼滤波器更新状态向量包括：
[0145]
扩展模块，用于扩展更新后的状态向量，并得到扩展状态向量和扩展扰动向量；
[0146]
更新模块，用于根据扩展状态向量更新状态向量。
[0147]
优选地，在通过补偿项对多个输出向量进行补偿之后，在更新离散状态空间模型之前，还包括：
[0148]
判断模块，用于判断补偿后的输出向量与实际输出向量是否一致；
[0149]
若是，则进入更新离散状态空间模型的步骤；
[0150]
若否，则返回至通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿的步骤。
[0151]
优选地，利用mpc算法确定决策向量包括：
[0152]
第六确定模块，用于根据约束条件确定决策向量，其中，约束条件为mpc算法的目标函数；其中，目标函数包括表征设定值跟踪的第一目标函数、表征控制量跟踪的第二目标函数、表征控制量的增量的最小的第三目标函数。
[0153]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。装置部分同样具有方法对应的有益效果：通过确定被控对象，并建立被控对象的离散状态空间模型；根据离散状态空间模型确定多个预设时间内的被控对象的输出向量；通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的部分状态向量进行补偿；通过补偿项对多个输出向量进行补偿；此时对原来并不准确的输出向量进行了补偿，将其校正为准确的输出向量；并更新离散状态空间模型；基于更新后的离散状态空间模型，利用mpc算法确定决策向量，此时，决策向量也是准确的，因此便于按照决策向量进行控制。此时，mpc算法确定的结果的控制效果是准确的，因此，实现了校正由于模型不准确和状态更新不及时导致的预测和控制错误。
[0154]
图3为本技术实施例所提供的一种校正设备结构图，如图3所示，一种校正设备包括：
[0155]
存储器30，用于存储计算机程序；
[0156]
处理器31，用于执行计算机程序时实现如上述实施例中所提到的校正方法的步骤。
[0157]
本实施例提供的校正设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
[0158]
其中，处理器31可以包括一个或多个处理核心，比如4核心处理器、8核心处理器
等。处理器31可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器31可以集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器31还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0159]
存储器30可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器30至少用于存储以下计算机程序，其中，该计算机程序被处理器31加载并执行之后，能够实现前述任意一个实施例公开的校正方法的相关步骤。另外，存储器30所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括windows、unix、linux等。数据可以包括但不限于校正方法等。
[0160]
在一些实施例中，校正设备还可包括有显示屏、输入输出接口、通信接口、电源以及通信总线。
[0161]
本领域技术人员可以理解，图3中示出的结构并不构成对校正设备的限定，可以包括比图示更多或更少的组件。
[0162]
本技术实施例提供的校正设备，包括存储器30和处理器31，处理器31在执行存储器30存储的程序时，能够实现校正方法。
[0163]
最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
[0164]
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory)，rom、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0165]
以上对本技术所提供的一种校正方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0166]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：

1.一种校正方法，其特征在于，包括：确定被控对象，并建立所述被控对象的离散状态空间模型；根据所述离散状态空间模型确定多个预设时间内的所述被控对象的输出向量；通过扩展卡尔曼滤波器更新所述被控对象对应的多个状态向量，并对每个所述状态向量中的部分所述状态向量进行补偿；通过补偿项对多个所述输出向量进行补偿，并更新所述离散状态空间模型；基于更新后的所述离散状态空间模型，利用mpc算法确定决策向量，以便于按照所述决策向量进行控制。2.根据权利要求1所述的校正方法，其特征在于，所述根据所述离散状态空间模型确定多个预设时间内的所述被控对象的输出向量包括：根据所述离散状态空间模型确定预测矩阵；根据所述预测矩阵确定多个所述输出向量。3.根据权利要求1所述的校正方法，其特征在于，所述建立所述被控对象的离散状态空间模型包括：获取所述被控对象的多个所述状态向量、多个控制输入向量、多个可测扰动向量；根据所述状态向量、所述控制输入向量、所述可测扰动向量建立所述离散状态空间模型。4.根据权利要求3所述的校正方法，其特征在于，所述通过扩展卡尔曼滤波器更新所述状态向量包括：扩展更新后的所述状态向量，并得到扩展状态向量和扩展扰动向量；根据所述扩展状态向量更新所述状态向量。5.根据权利要求1所述的校正方法，其特征在于，在所述通过补偿项对多个所述输出向量进行补偿之后，在所述更新所述离散状态空间模型之前，还包括：判断补偿后的所述输出向量与实际输出向量是否一致；若是，则进入所述更新所述离散状态空间模型的步骤；若否，则返回至所述通过扩展卡尔曼滤波器更新所述被控对象对应的多个状态向量，并对每个所述状态向量中的部分所述状态向量进行补偿的步骤。6.根据权利要求1所述的校正方法，其特征在于，所述利用mpc算法确定决策向量包括：根据约束条件确定所述决策向量，其中，所述约束条件为所述mpc算法的目标函数。7.根据权利要求6所述的校正方法，其特征在于，所述目标函数包括表征设定值跟踪的第一目标函数、表征控制量跟踪的第二目标函数、表征所述控制量的增量的最小的第三目标函数。8.一种校正装置，其特征在于，包括：第一确定模块，用于确定被控对象，并建立所述被控对象的离散状态空间模型；第二确定模块，用于根据所述离散状态空间模型确定多个预设时间内的所述被控对象的输出向量；第一补偿模块，用于通过扩展卡尔曼滤波器更新所述被控对象对应的多个状态向量，并对每个所述状态向量中的部分所述状态向量进行补偿；第二补偿模块，用于通过补偿项对多个所述输出向量进行补偿，并更新所述离散状态
空间模型；第三确定模块，用于基于更新后的所述离散状态空间模型，利用mpc算法确定决策向量，以便于按照所述决策向量进行控制。9.一种校正设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的校正方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的校正方法的步骤。

技术总结

本申请公开了一种校正方法、装置、设备及介质，涉及自动化技术领域。该方法包括：确定被控对象并建立被控对象的离散状态空间模型；根据该模型确定多个预设时间内的被控对象的输出向量；通过扩展卡尔曼滤波器更新被控对象对应的多个状态向量，并对每个状态向量中的一部分进行补偿；通过补偿项对多个输出向量进行补偿；此时对原来并不准确的输出向量进行了补偿，将其校正为准确的输出向量；并更新离散状态空间模型；基于更新后的模型，利用MPC算法确定决策向量，此时，决策向量也是准确的，因此便于按照决策向量进行控制。此时，MPC算法确定的结果的控制效果是准确的，实现了校正由于模型不准确和状态更新不及时导致的预测和控制错误。误。误。