实时优化与外部目标的关系

将“预测+SSTC+动态控制”组成的整体称为多变量预测控制器。此处，简单地讨论一下RTO和多变量预测控制器的关系。现有国外较成熟的RTO技术主要采用过程的稳态机理模型。该过程模型中有些参数需要在每次执行RTO前更新，更新的基本原则是采用过程的实测数据，使模型与实际过程匹配。RTO是一种约束非线性优化问题，其约束是与当前工作点相关的各类物理约束。比如，SSTC中的各种变量的物理约束就可能反映在RTO的优化问题中，因为这样才能保证在当前工况下，RTO的优化结果对SSTC而言是可行的。

但是，RTO和SSTC具体优化的范围是不一样的。RTO的每个模型输入未必是多变量预测控制器的一个模型输入；RTO的每个模型输出也未必是多变量预测控制器的一个模型输出。RTO采用用户选择的目标函数（显然这种选择要在RTO优化能解决的范围内），这一点和SSTC一样。RTO的优化结果传送给SSTC，使得SSTC中一部分变量具有ET。通常，ET会靠近对应变量的约束界，因为经常是在这些边界上，经济效益最好。

正是由于ET经常靠近约束界，实现RTO输出结果的最佳手段往往是预测控制器，因为后者是实现约束多变量控制的最佳方法。实现ET要求对应的控制器能够跟踪ET，同时满足各种约束。其他控制策略（如PID）难以处理各种约束条件。当然，SSTC位于RTO和动态控制模块之间，主要起到“协调者”的作用。如果直接在动态控制模块中跟踪ET，SSTC可以变得简单一些（即不用跟踪ET）。SSTC除了协调ET满足的各种约束外，还要协调那些没有ET的变量的设定值、放松无法满足（但可以放松）的约束等。SSTC要回答设定值从何而来，稳态目标如何可行等问题。(www.xing528.com)

另外显而易见的是，ET不仅可以来自RTO，也可以来自其他渠道，只要确认这样的ET是“优”的，比采用SSTC自行给出对应变量的设定值更“优”即可。有些变量可以有理想停留值（Ideal Rest Value，IRV），这也是一种ET。ET可以针对CV，也可以针对MV。由于不是所有的MV都有ET，所以由MV的ET不能确定CV的ET。即使出现MV的ET和CV的ET不一致（即不满足SSTC所用的稳态关系模型），SSTC也可以协调处理。