Luận án Nghiên cứu xây dựng thuật toán điều khiển dự báo phi tập trung cho một lớp đối tượng phi tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI 
PHẠM VĂN HÙNG 
NGHIÊN CỨU XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN DỰ BÁO 
PHI TẬP TRUNG CHO MỘT LỚP ĐỐI TƯỢNG PHI TUYẾN 
LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA 
HÀ NỘI – 2018 
BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI 
Phạm Văn Hùng 
NGHIÊN CỨU XÂY DỰNG THUẬT TOÁN ĐIỀU KHIỂN DỰ BÁO 
PHI TẬP TRUNG CHO MỘT LỚP ĐỐI TƯỢNG PHI TUYẾN 
Ngành: Kỹ thuật điều khiển và tự động hóa 
Mã số: 9520216 
LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA 
NGƯỜI HƯỚNG DẪN KHOA HỌC 
PGS.TS. HOÀNG MINH SƠN 
HÀ NỘI – 2018 
LỜI CAM ĐOAN 
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, các kết quả 
nghiên cứu được trình bày trong luận án là trung thực, khách quan và chưa từng 
được tác giả khác công bố. 
 Hà Nội, Ngày 13 tháng 04 năm 2018 
Người hướng dẫn khoa học 
PGS. TS Hoàng Minh Sơn 
Tác giả luận án 
Phạm Văn Hùng 
MỤC LỤC 
MỤC LỤC 
DANH MỤC CÁC KÝ HIỆU VÀ CÁC TỪ VIẾT TẮT i 
DANH MỤC CÁC BẢNG BIỂU VÀ HÌNH VẼ ii 
MỞ ĐẦU 1 
CHƯƠNG 1: TỔNG QUAN VỀ HỆ ĐIỀU KHIỂN DỰ BÁO PHI TẬP TRUNG 5 
1.1 Điều khiển dự báo dựa trên mô hình trạng thái 5 
1.1.1 Bài toán điều khiển dự báo tuyến tính và phi tuyến 5 
1.1.2 Tính ổn định của hệ điều khiển dự báo 7 
1.2 Tổng quan về thuật toán và tính ổn định của hệ điều khiển dự báo phi tập 
trung 14 
KẾT LUẬN CHƯƠNG 1 21 
CHƯƠNG 2: ĐIỀU KHIỂN DỰ BÁO PHI TẬP TRUNG DỰA TRÊN MÔ HÌNH 
TUYẾN TÍNH 23 
2.1 Bộ điều khiển dự báo phi tập trung dựa trên mô hình tuyến tính 23 
2.2 Điều khiển phi tập trung dựa trên mô hình tuyến tính hệ phản ứng/tách và 
hệ nồi hơi-tuabin 34 
2.2.1 Điều khiển dự báo phi tập trung hệ phản ứng/tách 34 
2.2.2 Điều khiển dự báo phi tập trung dựa trên mô hình tuyến tính hệ nồi hơi-
tuabin 40 
KẾT LUẬN CHƯƠNG 2 46 
CHƯƠNG 3: ĐIỀU KHIỂN DỰ BÁO PHI TẬP TRUNG HỆ PHI TUYẾN 47 
3.1 Điều khiển dự báo phi tập trung sử dụng mô hình LTI tuyến tính hóa từng 
đoạn 47 
3.1.1 Mô hình trạng thái tuyến tính hóa từng đoạn LTI 49 
3.1.2 Thiết kế bộ điều khiển 50 
3.1.3 Thuật toán điều khiển 52 
3.1.4 Tính ổn định của hệ điều khiển dự báo phi tập trung hệ phi tuyến 55 
3.1.5 Điều khiển ổn định hệ nồi hơi – tuabin 56 
3.1.6 Thuật toán điều khiển dự báo phi tập trung sử dụng mô hình LTI tuyến 
tính hóa từng đoạn cho bài toán bám 62 
3.2 Điều khiển dự báo phi tập trung dựa trên mô hình phi tuyến giả LPV 78 
3.2.1 Mô hình nội suy đầu ra LPV 79 
3.2.2 Thiết kế bộ điều khiển 81 
3.2.3 Điều khiển phi tập trung hệ nồi hơi-tuabin dựa trên mô hình LPV 83 
KẾT LUẬN CHƯƠNG 3 88 
KẾT LUẬN VÀ KIẾN NGHỊ 90 
Kết luận 90 
Kiến nghị 90 
TÀI LIỆU THAM KHẢO 92 
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 98 
 i 
DANH MỤC CÁC KÝ HIỆU VÀ CÁC TỪ VIẾT TẮT 
Danh mục các ký hiệu 
kx Độ lớn của vector kx 
kx Chuẩn vô cùng của vector kx 
( )1 2, ,..., ncol x x x Vector cột có các phần tử là các vector 1 2, ,..., nx x x 
( )1 2, ,..., ndiag A A A 
Ma trận đường chéo có các phần tử trên đường chéo chính là 
các ma trận vuông cùng kích cỡ 1 2, ,..., nA A A 
m n´0 Ma trận không m hàng, n cột 
nI Ma trận đơn vị cỡ n (n hàng, n cột) 
( ). T 
Chuyển vị của ( ). 
¶
¶
f
x
 Đạo hàm Jacobi của f theo x 
oh f Hàm hợp của h và f , tức là ( )( ).h f 
K 
Lớp các hàm thực ¡ ¡0 0:a ³ ³® liên tục và đơn điệu tăng 
và ( )0 0a = 
K∞ Lớp các hàm thực ( )ta ÎK và không bị chặn 
L 
Lớp các hàm thực ¡ ¡0 0:d ³ ³® đơn điệu giảm và 
( )lim 0
t
td
®¥
= 
KL 
Lớp các hàm thực liên tục ¡ ¡ ¡0 0 0( , ) :r sb ³ ³ ³´ ® với 
(, )sb × ÎK và ( , )rb × Î L 
Danh mục các từ viết tắt 
DMPC Decentralized model predictive control 
ISS Input-to-state stability 
LMI Linear matrix inequality 
LTI Linear time-invariant 
LPV Linear parameter-varying 
MPC Model predictive control 
NMPC Nonlinear model predictive control 
 ii 
DANH MỤC CÁC BẢNG BIỂU VÀ HÌNH VẼ 
Danh mục bảng biểu 
Bảng 2-1 Các biến quá trình của hệ phản ứng/tách ....................................... 35 
Bảng 2-2 Bảng thông số vận hành hệ phản ứng/tách [71] ............................... 36 
Bảng 2-3 Điểm làm việc của hệ thống nồi hơi-tuabin [4] ................................ 41 
Bảng 3-1 So sánh một số chỉ tiêu kỹ thuật sử thuật toán DMPCd và DLMPC điều 
khiển hệ nồi hơi - tuabin ............................................................................... 60 
Bảng 3-2 So sánh một số chỉ tiêu kỹ thuật sử thuật toán DMPC2d, DMPCd và 
DLMPC điều khiển hệ nồi hơi - tuabin ........................................................... 67 
Bảng 3-3 So sánh một số chỉ tiêu kỹ thuật sử thuật toán DMPC2d, DMPCd, 
DLMPC và MPC_LTI điều khiển hệ nồi hơi - tuabin ...................................... 73 
Bảng 3-4 So sánh một số chỉ tiêu kỹ thuật sử thuật toán DMPC2d, DMPCd, 
DLMPC, MPC_LTI và NMPC điều khiển hệ nồi hơi – tuabin ......................... 78 
Bảng 3-5 So sánh một số chỉ tiêu kỹ thuật sử thuật toán DMPC_LTI và DMPC-
LPV điều khiển hệ nồi hơi - tuabin ................................................................ 88 
Danh mục hình vẽ 
Hnh 1-1 Minh họa MPC ở thời điểm kt ......................................................... 7 
Hnh 1-2 Minh họa cấu trúc điều khiển phi tập trung với các bộ điều khiển cục bộ 
độc lập ........................................................................................................ 15 
Hnh 1-3 Minh họa cấu trúc điều khiển phi tập trung với các bộ điều khiển cục bộ 
có trao đổi thông tin với nhau ....................................................................... 16 
Hnh 1-4 Minh họa cấu trúc DMPC gồm 2 bộ điều khiển dự báo cục bộ thực hiện 
tính toán tối ưu tuần tự sử dụng thông tin từ các bộ điều khiển dự báo khác [13] 19 
Hnh 1-5 Minh họa cấu trúc DMPC gồm 2 bộ điều khiển dự báo cục bộ thực hiện 
tính toán tối ưu song song sử dụng thông tin từ các bộ điều khiển dự báo khác [13]
 .................................................................................................................. 20 
Hnh 2-1 Minh họa các tương tác giữa quá trình 1,2,...,i M= và quá trình j i¹ 
trong hệ điều khiển dự báo phi tập trung dựa trên mô hình tuyến tính ............... 23 
Hnh 2-2 Một quá trình phản ứng/tách tiêu biểu [70] ..................................... 34 
Hnh 2-3 Đáp ứng hệ thống phản ứng/tách khi nhiễu thay đổi ......................... 38 
Hnh 2-4 Đáp ứng hệ phản ứng/tách khi thay đổi giá trị ràng buộc .................. 39 
Hnh 2-5 Đáp ứng hệ phản ứng/tách khi thay đổi trọng số hàm mục tiêu ......... 39 
Hnh 2-6 Sơ đồ minh họa hệ nồi hơi-tuabin [5]. ............................................. 40 
Hnh 2-7 Các biến vào/ra của mô hình nồi hơi-tuabin [6] ............................... 41 
Hnh 2-8 Đáp ứng hệ thống nồi hơi với thuật toán điều khiển dự báo phi tập trung 
dự trên mô hình tuyến tính tại điểm làm việc 90% .......................................... 44 
 iii 
Hnh 2-9 Đáp ứng hệ thống tuabin với thuật toán điều khiển dự báo phi tập trung 
dựa trên mô hình tuyến tính tại điểm làm việc 90% ......................................... 44 
Hnh 2-10 Tín hiệu điều khiển hệ nồi hơi – tuabin với thuật toán điều khiển dự 
báo phi tập trung dựa trên mô hình tuyến tính tại điểm làm việc 90% ............... 45 
Hnh 3-1 Minh họa các tương tác giữa quá trình 1,2,...,i M= và quá trình j i¹ 
trong hệ phi tuyến sử dụng mô hình LTI tuyến tính hóa từng đoạn ................... 47 
Hnh 3-2 Đáp ứng đầu ra hệ nồi hơi với thuật toán DMPCd sử dụng mô hình LTI 
tuyến tính hóa từng đoạn có dự báo nhiễu ...................................................... 58 
Hnh 3-3 Đáp ứng đầu ra hệ tuabin với thuật toán DMPCd sử dụng mô hình LTI 
tuyến tính hóa từng đoạn có dự báo nhiễu ...................................................... 58 
Hnh 3-4 Tín hiệu điều khiển hệ nồi hơi và tuabin với thuật toán DMPCd sử dụng 
mô hình LTI tuyến tính hóa từng đoạn có dự báo nhiễu ................................... 59 
Hnh 3-5 So sánh đáp ứng đầu ra hệ nồi hơi-tuabin với thuật toán DMPCd sử dụng 
mô hình LTI tuyến tính hóa từng đoạn có dự báo nhiễu và thuật toán điều khiển dự 
báo phi tập trung dựa trên mô hình tuyến tính (DLMPC) ................................ 59 
Hnh 3-6 Đáp ứng đầu ra hệ nồi hơi với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn khi có nhiễu đầu ra (OD: đường chấm gạch) bằng 5% giá 
trị đặt ......................................................................................................... 61 
Hnh 3-7 Đáp ứng đầu ra hệ tuabin với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn khi có nhiễu đầu ra bằng 5% giá trị đặt ..................... 61 
Hnh 3-8 Minh họa tư tưởng xây dựng mô hình dự báo chứa thành phần tích phân
 .................................................................................................................. 63 
Hnh 3-9 Đáp ứng đầu ra hệ nồi hơi với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám ..................................................... 66 
Hnh 3-10 Đáp ứng đầu ra hệ tuabin với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám ..................................................... 66 
Hnh 3-11 Tín hiệu điều khiển hệ nồi hơi và tuabin với thuật toán DMPC sử dụng 
mô hình LTI tuyến tính hóa từng đoạn cho bài toán bám ................................. 67 
Hnh 3-12 Đáp ứng đầu ra hệ nồi hơi với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám khi nhiễu đầu ra bằng 5% giá trị đặt 68 
Hnh 3-13 Đáp ứng đầu ra hệ tuabin với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám khi nhiễu đầu ra bằng 5% giá trị đặt 68 
Hnh 3-14 Tín hiệu điều khiển hệ nồi hơi và tuabin với thuật toán DMPC sử dụng 
mô hình LTI tuyến tính hóa từng đoạn cho bài toán bám khi có nhiễu đầu ra bằng 
5% giá trị đặt .............................................................................................. 69 
Hnh 3-15 Đáp ứng đầu ra hệ nồi hơi với huật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám khi nhiễu đầu ra bằng 20% giá trị đặt
 .................................................................................................................. 69 
Hnh 3-16 Đáp ứng đầu ra hệ tuabin với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám khi có nhiễu đầu ra bằng 20% giá trị đặt
 .................................................................................................................. 70 
 iv 
Hnh 3-17 Tín hiệu điều khiển hệ nồi hơi và tuabin với thuật toán DMPC sử dụng 
mô hình LTI tuyến tính hóa từng đoạn cho bài toán bám khi có nhiễu đầu ra bằng 
20% giá trị đặt ............................................................................................ 70 
Hnh 3-18 Đáp ứng đầu ra hệ nồi hơi sử dụng thuật toán DMPC sử dụng mô hình 
LTI tuyến tính hóa từng đoạn cho bài toán bám khi có nhiễu đầu ra biến đổi chậm
 .................................................................................................................. 71 
Hnh 3-19 Đáp ứng đầu ra hệ tuabin với thuật toán DMPC sử dụng mô hình LTI 
tuyến tính hóa từng đoạn cho bài toán bám khi có nhiễu đầu ra biến đổi chậm ... 71 
Hnh 3-20 So sánh đáp ứng đầu ra nồi hơi theo thuật toán điều khiển phi tập trung 
sử dụng mô hình LTI tuyến tính hóa từng đoạn có dự báo nhiễu, không dự báo nhiễu 
và thuật toán điều khiển tập trung LTI .......................................................... 72 
Hnh 3-21 So sánh đáp ứng đầu ra tuabin theo thuật toán điều khiển phi tập trung 
sử dụng mô hình LTI tuyến tính hóa từng đoạn có dự báo nhiễu, không dự báo nhiễu 
và thuật toán điều khiển tập trung LTI .......................................................... 73 
Hnh 3-22 Đáp ứng hệ thống nồi hơi – tuabin với bộ điều khiển dự báo tập trung 
hệ phi tuyến khi 2f =P Q ............................................................................. 76 
Hnh 3-23 Đáp ứng hệ thống nồi hơi – tuabin với bộ điều khiển dự báo tập trung 
hệ phi tuyến khi 20f =P Q ............................................................................ 77 
Hnh 3-24 Đáp ứng hệ thống nồi hơi – tuabin với bộ điều khiển dự báo tập trung 
hệ phi tuyến khi 50f =P Q ............................................................................ 77 
Hnh 3-25 Minh họa các tương tác giữa quá trình 1,2,...,i M= và quá trình l i¹ 
trong hệ điều khiển dự báo phi tập trung hệ phi tuyến dựa trên mô hình LPV .... 80 
Hnh 3-26 Đáp ứng đầu ra của nồi hơi với thuật toán điều khiển phi tập trung dựa 
trên mô hình LPV ....................................................................................... 85 
Hnh 3-27 Đáp ứng đầu ra của tuabin với thuật toán điều khiển phi tập trung dựa 
trên mô hình LPV ....................................................................................... 85 
Hnh 3-28 Tín hiệu điều khiển của nồi hơi và tuabin với thuật toán điều khiển phi 
tập trung dựa trên mô hình LPV ................................................................... 86 
Hnh 3-29 So sánh đáp ứng đầu ra của nồi hơi sử dụng bộ điều khiển phi tập trung 
dựa trên mô hình LPV (DMPC-LPV: đường gạch đứt) và dựa trên mô hình tuyến 
tính LTI (DMPC-LTI: đường nét liền) ........................................................... 86 
Hnh 3-30 So sánh đáp ứng đầu ra của tuabin sử dụng bộ điều khiển phi tập trung 
dựa trên mô hình LPV và dựa trên mô hình tuyến tính LTI ............................. 87 
Hnh 3-31 Tín hiệu điều khiển hệ nồi hơi và tuabin sử dụng bộ điều khiển phi tập 
trung dựa trên mô hình LPV và dựa trên mô hình tuyến tính LTI .................... 87 
1 
MỞ ĐẦU 
Tính cấp thiết của đề tài 
Điều khiển dự báo với khả năng điều khiển các hệ thống nhiều vào/nhiều ra, 
có động học từ đơn giản đến phức tạp trong điều kiện ràng buộc về tín hiệu điều 
khiển và ràng buộc đầu ra, cho đến nay đã có nhiều công trình nghiên cứu trên 
nhiều phương diện cũng như có nhiều ứng dụng trong các lĩnh vực công nghiệp [7, 
21, 25, 47, 48, 52]. 
Tuy nhiên, khi số lượng các biến vào/ra tăng lên, kéo theo những khó khăn 
trong giải bài toán tối ưu và ảnh hưởng tới tính năng thời gian thực của hệ thống 
bởi khối lượng tính toán tăng theo cấp số mũ, vấn đề điều khiển tin cậy và bền 
vững, cũng như giới hạn về truyền thông [13, 22, 31, 35, 55, 56, 64]. Điều khiển dự 
báo phi tập trung (decentralized model predictive control, DMPC) hứa hẹn khắc 
phục được hạn chế trên của điều khiển dự báo tập trung cho các quá trình lớn. Đặc 
biệt với các quá trình mà bản thân cấu trúc của nó gồm các quá trình con có nhiễu 
và có tương tác với nhau dưới dạng tương tác trạng thái hay tương tác vào/ra, thì 
điều khiển dự báo phi tập trung sẽ giúp giảm sự phức tạp, mức độ tương tác giữa 
các hệ con bởi nhiễu và trễ của các quá trình con có thể xử lý riêng mà không ảnh 
hưởng trực tiếp đến quá trình con khác, từ đó giúp giảm chi phí thiết kế và đưa vào 
v ... . ( 1987), Dynamic models for boiler-turbine alternator 
units: Data logs and parameter estimation for a 160 MW unit, Technical 
Reports. 
[5] Åström K. J. & Eklund K. (1972) A simplified non-linear model of a drum 
boiler-turbine unit. International Journal of Control 16(1), pp. 145-169. 
[6] Balko P. & Rosinová D. (2016) Nonlinear Boiler-Turbine Unit: Modelling and 
Robust Decentralized Control. IFAC-PapersOnLine 49(4), pp. 49-54. 
[7] Camacho E. F. & Bordons C. (2012), Model predictive control in the process 
industry, Springer Science & Business Media. 
[8] Camponogara E., et al. (2002) Distributed model predictive control. IEEE 
Control Systems 22(1), pp. 44-52. 
[9] Chan G. & Hua L. X. (2015), Decentralized robust H∞ model predictive control 
of discrete-time singular large-scale systems, Control Conference (CCC), 2015 
34th Chinese, IEEE, pp. 4173-4178. 
[10] Chen H. & Allgöwer F. (1998) Nonlinear model predictive control schemes with 
guaranteed stability. NATO ASI Series E Applied Sciences-Advanced Study 
Institute 353, pp. 465-494. 
[11] Chen X., et al. (2011), Model predictive control of nonlinear singularly 
perturbed systems: Application to a reactor-separator process network, 
Decision and Control and European Control Conference (CDC-ECC), 2011 
50th IEEE Conference on, IEEE, pp. 8125-8132. 
[12] Choi J. & Kwon W. H. (2003) Continuity and exponential stability of mixed 
constrained model predictive control. SIAM journal on control and 
optimization 42(3), pp. 839-870. 
[13] Christofides P. D., et al. (2013) Distributed model predictive control: A tutorial 
review and future research directions. Computers & Chemical Engineering 51, 
pp. 21-41. 
[14] Cui H. & Jacobsen E. W. (2002) Performance limitations in decentralized 
control. Journal of Process Control 12(4), pp. 485-494. 
 93 
[15] Cutler C. R. & Ramaker B. L. (1980), Dynamic matrix control-a computer 
control algorithm, Joint automatic control conference, p. 72. 
[16] Davison E. J. & Chang T. N. (1990) Decentralized stabilization and pole 
assignment for general proper systems. IEEE Transactions on Automatic 
Control 35(6), pp. 652-664. 
[17] De Nicolao G. ; Magni L. & Scattolini R. (1996) On the robustness of receding-
horizon control with terminal constraints. IEEE Transactions on Automatic 
Control 41(3), pp. 451-453. 
[18] De Nicolao G. ; Magni L. & Scattolini R. (1996) Robust predictive control of 
systems with uncertain impulse response. Automatica 32(10), pp. 1475-1479. 
[19] De Nicolao G. ; Magni L. & Scattolini R. (1996), Stabilizing nonlinear receding 
horizon control via a nonquadratic terminal state penalty, CESA'96 IMACS 
Multiconference: computational engineering in systems applications, pp. 185-
187. 
[20] De Nicolao G. ; Magni L. & Scattolini R. (1998) Stabilizing receding-horizon 
control of nonlinear time-varying systems. IEEE Transactions on Automatic 
Control 43(7), pp. 1030-1036. 
[21] Ellis M. ; Durand H. & Christofides P. D. (2014) A tutorial review of economic 
model predictive control methods. Journal of Process Control 24(8), pp. 1156-
1178. 
[22] Farina M. ; Giulioni L. & Scattolini R. (2016), Distributed Predictive Control 
of stochastic linear systems with chance constraints, American Control 
Conference (ACC), 2016, IEEE, pp. 20-25. 
[23] Farina M. & Scattolini R. (2012) Distributed predictive control: A non-
cooperative algorithm with neighbor-to-neighbor communication for linear 
systems. Automatica 48(6), pp. 1088-1096. 
[24] Goulart P. J. ; Kerrigan E. C. & Ralph D. (2008) Efficient robust optimization 
for robust control with constraints. Mathematical Programming 114(1), pp. 
115-147. 
[25] Grne L. & Pannek J. (2013), Nonlinear Model Predictive Control: Theory and 
Algorithms, Springer. 
[26] Hanema J. ; Lazar M. & Tóth R. (2017) Stabilizing tube-based model predictive 
control: terminal set and cost construction for LPV systems. Automatica 85, 
pp. 137-144. 
[27] Huang J., et al. (2010) Identification and MPC control of a circulation fluidized 
bed boiler using an LPV model. IFAC Proceedings Volumes 43(5), pp. 853-858. 
[28] Ji G., et al. (2013) Identification and predictive control for a circulation 
fluidized bed boiler. Knowledge-Based Systems 45, pp. 62-75. 
[29] Jia D. & Krogh B. (2002), Min-max feedback model predictive control for 
distributed control with communication, American Control Conference, 2002. 
Proceedings of the 2002, IEEE, pp. 4507-4512. 
 94 
[30] Jiang Z.-P. & Wang Y. (2001) Input-to-state stability for discrete-time 
nonlinear systems. Automatica 37(6), pp. 857-869. 
[31] Kayacan E. ; Peschel J. M. & Kayacan E. (2016), Centralized, decentralized 
and distributed nonlinear model predictive control of a tractor-trailer system: 
A comparative study, American Control Conference (ACC), 2016, IEEE, pp. 
4403-4408. 
[32] Keerthi S. a. & Gilbert E. G. (1988) Optimal infinite-horizon feedback laws for 
a general class of constrained discrete-time systems: Stability and moving-
horizon approximations. Journal of optimization theory and applications 57(2), 
pp. 265-293. 
[33] Kwon W. & Pearson A. (1977) A modified quadratic cost problem and feedback 
stabilization of a linear system. IEEE Transactions on Automatic Control 
22(5), pp. 838-842. 
[34] Kwon W. & Pearson A. (1978) On feedback stabilization of time-varying 
discrete linear systems. IEEE Transactions on Automatic Control 23(3), pp. 
479-481. 
[35] Li S. & Zheng Y. (2016), Distributed model predictive control for plant-wide 
systems, John Wiley & Sons. 
[36] Limón D., et al. (2006) Input to state stability of min–max MPC controllers 
for nonlinear systems with bounded uncertainties. Automatica 42(5), pp. 797-
803. 
[37] Maciejowski J. (2000) Predictive Control with Constraints. 
[38] Magni L. ; Raimondo D. M. & Scattolini R. (2006) Regional input-to-state 
stability for nonlinear model predictive control. IEEE Transactions on 
automatic control 51(9), pp. 1548-1553. 
[39] Magni L. & Scattolini R. (2006) Stabilizing decentralized model predictive 
control of nonlinear systems. Automatica 42(7), pp. 1231-1236. 
[40] Magni L. & Sepulchre R. (1997) Stability margins of nonlinear receding-horizon 
control via inverse optimality. Systems & Control Letters 32(4), pp. 241-245. 
[41] Marruedo D. L. ; Alamo T. & Camacho E. (2002), Input-to-state stable MPC 
for constrained discrete-time nonlinear systems with bounded additive 
uncertainties, Decision and Control, 2002, Proceedings of the 41st IEEE 
Conference on, IEEE, pp. 4619-4624. 
[42] Mayne D. Q. & Kerrigan E. C. (2007) Tube-based robust nonlinear model 
predictive control. IFAC Proceedings Volumes 40(12), pp. 36-41. 
[43] Mayne D. Q., et al. (2011) Tube‐based robust nonlinear model predictive 
control. International Journal of Robust and Nonlinear Control 21(11), pp. 
1341-1353. 
[44] Mayne D. Q., et al. (2000) Constrained model predictive control: Stability and 
optimality. Automatica 36(6), pp. 789-814. 
 95 
[45] Michalska H. & Mayne D. Q. (1993) Robust receding horizon control of 
constrained nonlinear systems. IEEE Transactions on automatic control 
38(11), pp. 1623-1633. 
[46] Naghavi S. V. ; Safavi A. & Kazerooni M. (2014) Decentralized fault tolerant 
model predictive control of discrete-time interconnected nonlinear systems. 
Journal of the Franklin Institute 351(3), pp. 1644-1656. 
[47] Qin S. J. & Badgwell T. A. (2000), An overview of nonlinear model predictive 
control applications, Nonlinear model predictive control. 
[48] Qin S. J. & Badgwell T. A. (2003) A survey of industrial model predictive 
control technology. Control engineering practice 11(7), pp. 733-764. 
[49] Raimondo D. ; Magni L. & Scattolini R. (2007) Decentralized MPC of 
nonlinear systems: An input‐to‐state stability approach. International Journal 
of Robust and Nonlinear Control 17(17), pp. 1651-1667. 
[50] Rakovic S. V., et al. (2012) Parameterized tube model predictive control. IEEE 
Transactions on Automatic Control 57(11), pp. 2746-2761. 
[51] Raković S. V. ; Levine W. S. & Açıkmeşe B. (2016), Elastic tube model 
predictive control, American Control Conference (ACC), 2016, IEEE, pp. 
3594-3599. 
[52] Rawlings J. B. & Mayne D. Q. (2015), Model predictive control: Theory and 
design, Nob Hill Pub. 
[53] Rawlings J. B. & Muske K. R. (1993) The stability of constrained receding 
horizon control. IEEE transactions on automatic control 38(10), pp. 1512-1516. 
[54] Richalet J., et al. (1978) Model predictive heuristic control: Applications to 
industrial processes. Automatica 14(5), pp. 413-428. 
[55] Richards A. & How J. (2004), A decentralized algorithm for robust constrained 
model predictive control, American Control Conference, 2004. Proceedings of 
the 2004, IEEE, pp. 4261-4266. 
[56] Richards A. & How J. (2004), Decentralized model predictive control of 
cooperating UAVs, Decision and Control, 2004. CDC. 43rd IEEE Conference 
on, IEEE, pp. 4286-4291. 
[57] Rossiter J. A. (2003), Model-based predictive control: a practical approach, 
CRC press. 
[58] Scattolini R. (2009) Architectures for distributed and hierarchical model 
predictive control–a review. Journal of process control 19(5), pp. 723-731. 
[59] Scokaert P. O. ; Rawlings J. B. & Meadows E. S. (1997) Discrete-time stability 
with perturbations: Application to model predictive control. Automatica 33(3), 
pp. 463-470. 
[60] Sontag E. D. (1989) Smooth stabilization implies coprime factorization. IEEE 
transactions on automatic control 34(4), pp. 435-443. 
[61] Sontag E. D. & Wang Y. (1995) On characterizations of the input-to-state 
stability property. Systems & Control Letters 24(5), pp. 351-359. 
 96 
[62] Trịnh Thị Khánh Ly & Hoàng Minh Sơn (2015) Closed-loop identification of 
steam boilers using linear parameter-varying model identification of steam 
boilers using linear parameter-varying model. Journal of Science & Technology 
– Technical Universities (108), pp. 1-6. 
[63] Tuan H. D., et al. (2015) Decentralised model predictive control with stability 
constraints and its application in process control. Journal of Process Control 
26, pp. 73-89. 
[64] Vahid Naghavi S. ; Safavi A. A. & Kazerooni M. (2014) Decentralized fault 
tolerant model predictive control of discrete-time interconnected nonlinear 
systems. Journal of the Franklin Institute 351(3), pp. 1644-1656. 
[65] Venkat A. N. ; Rawlings J. B. & Wright S. J. (2006), Implementable 
distributed model predictive control with guaranteed performance properties, 
American Control Conference, 2006, IEEE, p. 6 pp. 
[66] Vijayalakshmi S. ; Manamalli D. & Narayani T. (2013) Model identification 
for industrial coal fired boiler based on linear parameter varying method. Int 
J Eng Technol 5, pp. 4116-4126. 
[67] Wang L. (2009), Model predictive control system design and implementation 
using MATLAB®, Springer Science & Business Media. 
[68] Wang S.-H. & Davison E. (1973) On the stabilization of decentralized control 
systems. IEEE Transactions on Automatic Control 18(5), pp. 473-478. 
[69] Wang Z. & Ong C. J. (2017) Distributed model predictive control of linear 
discrete-time systems with local and global constraints. Automatica 81, pp. 184-
195. 
[70] Wu K.-L. & Yu C.-C. (1996) Reactor/separator processes with recycle—1. 
Candidate control structure for operability. Computers & chemical engineering 
20(11), pp. 1291-1316. 
[71] Wu K.-L., et al. (2003) Reactor/separator processes with recycles-2. Design 
for composition control. Computers & chemical engineering 27(3), pp. 401-421. 
[72] Wu X. ; Shen J. & Li Y. (2010), Control of boiler-turbine coordinated system 
using multiple-model predictive approach, Control and Automation (ICCA), 
2010 8th IEEE International Conference on, IEEE, pp. 1666-1671. 
[73] Wu X., et al. (2013) Data-Driven Modeling and Predictive Control for Boiler-
Turbine Unit. IEEE Transactions on Energy Conversion 28(3), pp. 470-481. 
[74] Xu Z., et al. (2009) Nonlinear MPC using an identified LPV model. Industrial 
& Engineering Chemistry Research 48(6), pp. 3043-3051. 
[75] Zhang S., et al. (2012) Simultaneous gains tuning in boiler/turbine PID-based 
controller clusters using iterative feedback tuning methodology. ISA 
transactions 51(5), pp. 609-621. 
[76] Zheng Y., et al. (2017) A distributed model predictive control based load 
frequency control scheme for multi-area interconnected power system using 
discrete-time Laguerre functions. ISA transactions 68, pp. 127-140. 
 97 
[77] Zhu Y. & Xu Z. (2008) A method of LPV model identification for control. 
IFAC Proceedings Volumes 41(2), pp. 5018-5023. 
[78] Zou Y. ; Su X. & Niu Y. (2016) Event-triggered distributed predictive control 
for the cooperation of multi-agent systems. IET Control Theory & Applications 
11(1), pp. 10-16. 
 98 
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 
[CT1] Phạm Văn Hùng ; Cao Thành Trung & Hoàng Minh Sơn (2016) Điều khiển 
dự báo phi tập trung dựa trên mô hình tuyến tính quá trình phản ứng/tách. Tạp chí 
KHCN các trường đại học(110), pp. 7-11, ISSN 2354-1083. 
[CT2] Phạm Văn Hùng ; Nguyễn Đức Anh & Vũ Tiến Thành (2016) Điều khiển 
bền vững hệ lò hơi - tuabin phi tuyến nhờ bộ điều khiển phản hồi trạng thái với mô 
hình dự báo tuyến tính và bộ quan sát UKF. Tạp chí Nghiên cứu KH&CN quân 
sự(44), pp. 33-43, ISSN 1859-1043. 
[CT3] Nguyễn Doãn Phước, Nguyễn Đức Anh, Vũ Tiến Thành, Hoàng Đức Quỳnh 
& Phạm Văn Hùng (2016) Robust output tracking control with constrants for 
nonlinear systems based on piecewise linear quadratic optimization and its 
perspective for practical application. Workshop on Vietnamese - German Technology 
cooperation and cultural exchange, ISBN 978-604-67-0741-7. 
[CT4] Phạm Văn Hùng & Phạm Văn Minh (2017) Điều khiển ổn định hệ nồi hơi-
tuabin sử dụng bộ điều khiển dự báo dựa trên mô hình phi tuyến. Tạp chí KHCN - 
ĐH CNHN (38), pp. 117-120, ISSN 1859-3585. 
[CT5] Nguyễn Doãn Phước ; Phạm Văn Hùng & Hoàng Đức Quỳnh (2017) Output 
feedback control with constraints for nonlinear systems via piecewise quadratic 
optimization. Vietnam Journal of Science and Technology 55(3), pp. 324-333, ISSN 
0866-708X. 
[CT6] Phạm Văn Hùng ; Nguyễn Hoài Nam & Phước N. D. (2017), Dynamic 
Programming based Control for Perturbed Discrete Time Nonlinear System. IEEE 
International Conference on Systems Science and Engineering, pp. 339-344, ISBN 
978-1-5386-3421-9. 
[CT7] Phạm Văn Hùng & Hoàng Minh Sơn (2017) Điều khiển dự báo phi tập trung 
dựa trên mô hình tuyến tính LTI xấp xỉ từng đoạn. Tạp chí khoa học và công nghệ 
các trường đại học kỹ thuật (121), pp. 021-026, ISSN 2354-1083. 
[CT8] Phạm Văn Hùng & Hoàng Minh Sơn (2017) Điều khiển dự báo phi tập trung 
hệ phi tuyến dựa trên mô hình LPV. Chuyên san Đo lường, Điều khiển và Tự động 
hóa (20), pp.03-09, ISSN 1859-0551.