模型預測控制 (MPC) 是一種先進的過程控制方法，用于在滿足一組約束的同時控制過程。 自 1980 年代以來，它一直在化工廠和煉油廠的過程工業中使用。 近年來，它還被用于電力系統平衡模型和電力電子領域。 模型預測控制者依賴過程的動態模型，最常見的是通過系統識別獲得的線性經驗模型。 MPC 的主要優點是它允許優化當前時隙，同時考慮到未來的時隙。 這是通過優化有限時間范圍來實現的，但只實現當前時隙，然后再次優化，反復進行，因此與線性二次調節器 (LQR) 不同。 MPC 還具有預測未來事件的能力，并可以相應地采取控制措施。 PID 控制器不具備這種預測能力。 MPC 幾乎普遍實現為數字控制，盡管有研究通過專門設計的模擬電路實現更快的響應時間。

廣義預測控制 (GPC) 和動態矩陣控制 (DMC) 是 MPC 的經典示例。

MPC 中使用的模型通常旨在表示復雜和簡單的動態系統的行為。 通常不需要 MPC 控制算法的額外復雜性來提供對簡單系統的充分控制，這些系統通常由通用 PID 控制器控制得很好。 PID 控制器難以處理的常見動態特性包括大時間延遲和高階動態特性。

MPC 模型預測建模系統因變量的變化，這些變化將由自變量的變化引起。 在化學過程中，可由控制器調節的獨立變量通常是調節 PID 控制器的設定值（壓力、流量、溫度等）或最終控制元件（閥門、阻尼器等）。 控制器無法調整的自變量用作擾動。 這些過程中的因變量是代表控制目標或過程約束的其他測量值。

MPC 使用當前工廠測量值、過程的當前動態狀態、MPC 模型以及過程變量目標和限制來計算因變量的未來變化。 計算這些變化是為了使因變量接近目標，同時遵守對自變量和因變量的約束。 MPC 通常只發送每個要實施的獨立變量的xxx個變化，并在需要下一個變化時重復計算。

雖然許多實際過程不是線性的，但通常可以將它們視為在較小的操作范圍內近似線性。 線性 MPC 方法用于大多數應用程序，MPC 的反饋機制補償由于模型和過程之間的結構不匹配導致的預測誤差。 在僅由線性模型組成的模型預測控制器中，線性代數的疊加原理可以將多個自變量變化的影響相加，從而預測因變量的響應。 這將控制問題簡化為一系列快速且穩健的直接矩陣代數計算。

當線性模型不足以準確表示實際過程非線性時，可以使用多種方法。 在某些情況下，可以在線性 MPC 模型之前和/或之后轉換過程變量以減少非線性。 該過程可以通過非線性 MPC 進行控制，它直接在控制應用程序中使用非線性模型。 非線性模型可以是經驗數據擬合的形式（例如人工神經網絡）或基于基本質量和能量平衡的高保真動力學模型。 非線性模型可以被線性化以導出卡爾曼濾波器或指定線性 MPC 的模型。

El-Gherwi、Budman 和 El Kamel 的一項算法研究表明，使用雙模式方法可以顯著減少在線計算，同時保持與未更改實施相比的性能。 所提出的算法基于控制器之間的信息交換并行解決 N 個凸優化問題。

MPC 基于對象模型的迭代、有限范圍優化。 在時間 t {\displaystyle t} 對當前工廠狀態進行采樣，并為未來相對較短的時間范圍計算成本最小化控制策略（通過數值最小化算法）：[ t , t + T ] {\ 顯示樣式 [t,t+T]} 。 具體來說，在線或即時計算用于探索從當前狀態發出的狀態軌跡，并找到（通過歐拉-拉格朗日方程的解）成本最小化控制策略。