面向未知噪声分布双侧机会约束随机模型预测控制的分布鲁棒优化方法
系统与控制
2022-03-17 v1 系统与控制
摘要
在本文中，我们提出一种分布鲁棒随机模型预测控制（DR-SMPC）算法，以解决受加性噪声污染的双侧机会约束离散时间线性系统问题。处理双侧机会约束的流行机制是所谓的风险分配方法，其通过布尔不等式将双侧机会约束保守地近似为两个单侧机会约束。在所提出的 DR-SMPC 框架中，采用精确易处理的二阶锥（SOC）方法，通过考虑噪声的一阶与二阶矩来抽象双侧机会约束。所提出的 DR-SMPC 算法能够保证违反安全约束上下限的最坏情况概率处于预先指定的最大概率（PsMP）之内。通过灵活调节该 PsMP，可增大 SMPC 问题初始状态的可行域。通过引入标称状态的二值初始化策略，严格建立了所提 DR-SMPC 的递归可行性与收敛性。通过两个实际案例的仿真研究证明了所提 DR-SMPC 算法的有效性。
引用
@article{arxiv.2203.08457,
title = {A distributionally robust optimization approach to two-sided chance constrained stochastic model predictive control with unknown noise distribution},
author = {Yuan Tan and Jun Yang and Wen-Hua Chen and Shihua Li},
journal= {arXiv preprint arXiv:2203.08457},
year = {2022}
}
备注
14 pages, 6 figures