分层凸模型预测控制的动态激励选择

本文讨论了被视为Stackelberg博弈的分层模型预测控制（MPC）系统的激励设计。我们考虑一种分层MPC公式，其中，给定一个下层凸MPC（LoMPC），上层系统求解一个双层MPC（BiMPC），其约束条件为下层系统的输入对于LoMPC是最优的。由于BiMPC公式中的最优性约束，此类分层问题具有挑战性。我们分析了该问题的一个激励Stackelberg博弈变体，其中BiMPC为LoMPC的成本函数提供额外激励，这使得BiMPC能够影响LoMPC的输入。我们证明，对于此类问题，BiMPC可以重新表述为一个更简单的优化问题，并且最优激励可以在不知道LoMPC成本函数的情况下迭代计算。我们将公式扩展到多个LoMPC的情况，并提出了一种为BiMPC寻找有界次优解的算法。我们通过一个动态价格控制示例演示了该算法，其中独立系统运营商（ISO）为电动汽车（EV）充电设定电价，目标是最小化社会成本并满足发电约束。值得注意的是，我们的方法能很好地扩展到大规模电动汽车群体。