基于约束信息的神经网络拉格尔近似非线性模型预测控制及其在电力电子中的应用
最优化与控制
2024-09-17 v1
摘要
本文考虑使用神经网络和拉格尔函数学习在线（隐式）非线性模型预测控制（MPC）律。首先，我们采用拉格尔函数对非线性MPC的控制序列进行参数化，该方法通常可获得比原始非线性MPC律更平滑的控制律。其次，我们采用神经网络学习拉格尔非线性MPC解的系数，该做法具有若干优势，即学习空间的维数由拉格尔函数的数量决定，且可利用完整的预测输入序列来学习系数。为缓解神经网络非线性MPC近似导致的约束违规问题，我们发展了一种约束信息化损失函数，该损失函数在学习期间对多元化状态约束违规进行惩罚。通过在神经网络输出层采用夹函数处理箱型输入约束。我们在采样率在亚毫秒范围内的非线性钳步-升压变换器模型上Demonstrated了所开发框架的有效性，在该模型上，传统的在线非线性MPC无法实时运行。开发的约束信息化神经-拉格尔近似方法在执行时间为几微秒的情况下，能够获得与长视角在线非线性MPC相似的性能，该结果在Field可编程门阵列（FPGA）平台上得到了验证。
引用
@article{arxiv.2409.09436,
title = {Constraints-Informed Neural-Laguerre Approximation of Nonlinear MPC with Application in Power Electronics},
author = {Duo Xu and Rody Aerts and Petros Karamanakos and Mircea Lazar},
journal= {arXiv preprint arXiv:2409.09436},
year = {2024}
}