一种新颖的聚类-分类-回归模型预测控制器公式；CCR-MPC
系统与控制
2021-01-20 v1 机器学习
系统与控制
摘要
本工作中，我们利用机器学习领域的先进技术开发了一种新颖的数据驱动模型预测控制器。目标是调节控制信号以调整期望的室内设定点温度，该温度受外部天气状态间接影响。方法包括构建时间序列机器学习模型（采用长短期记忆模型（LSTM）或梯度提升算法（XGboost）），能够对任意期望时间范围的天气状态进行预测，并同时优化至期望设定点的控制信号。用于将天气状态与控制信号映射至室温的监督学习模型采用先前开发的称为聚类-分类-回归（CCR）的方法构建，其风格类似但比著名的混合专家模型更适用于高维数据集。称为 CCR-MPC 的整体方法结合了用于天气状态预测的时间序列模型、用于前向的 CCR，以及用于求解逆问题的任意数值优化方法。前向不确定性量化（Forward-UQ）偏向 CCR 中的回归模型，可使用贝叶斯深度神经网络或高斯过程（GP）实现。本工作中，在 CCR 调制中，我们采用 K-means 聚类进行聚类、XGboost 分类器进行分类、五阶多项式回归进行回归。逆 UQ 也可通过 I-ES 方法求解逆问题，或甚至著名的马尔可夫链蒙特卡洛（MCMC）方法获得。所开发的 CCR-MPC 简洁优雅，且如数值实验所示，能够优化控制器以达到期望设定点温度。
引用
@article{arxiv.2101.07655,
title = {A Novel Cluster Classify Regress Model Predictive Controller Formulation; CCR-MPC},
author = {Clement Etienam and Siying Shen and Edward J O'Dwyer and Joshua Sykes},
journal= {arXiv preprint arXiv:2101.07655},
year = {2021}
}