面向建筑的可微显式预测控制律深度学习
系统与控制
2021-07-27 v1 机器学习
系统与控制
最优化与控制
摘要
我们提出一种可微预测控制（DPC）方法，用于为未知非线性系统学习带约束的控制律。DPC 对由显式非线性模型预测控制（MPC）产生的多参数规划问题给出近似解。与近似 MPC 不同，DPC 不需要专家控制器的监督。相反，系统动力学模型从观测到的系统动态中学习，神经控制律通过利用可微闭环系统模型进行离线优化。可微闭环系统与用于处理系统输出和输入约束的惩罚方法相结合，使我们能够通过学习到的系统模型反向传播经济 MPC 损失来直接优化控制律参数。所提 DPC 方法的控制性能在使用多区域建筑热动态学习模型的仿真中得到验证。
引用
@article{arxiv.2107.11843,
title = {Deep Learning Explicit Differentiable Predictive Control Laws for Buildings},
author = {Jan Drgona and Aaron Tuor and Soumya Vasisht and Elliott Skomski and Draguna Vrabie},
journal= {arXiv preprint arXiv:2107.11843},
year = {2021}
}