从特征到状态：基于 RFE-DMDc 的测量状态变量数据驱动选择
系统与控制
2025-11-26 v1 系统与控制
摘要
在给定输入下，动力系统的行为可通过跟踪最优子集过程变量（状态变量）的响应来捕获。对于许多工程系统，由于难以进行基于原理的识别，激发了数据驱动方法用于控制和诊断的数字孪生体。本文提出 RFE-DMDc，一种监督式数据驱动工作流程，使用递归特征消除（RFE）选择一组最小且具有物理意义的变量进行监控，然后通过动态模式分解带控制（DMDc）推导线性状态空间模型。该工作流程包括跨子系统选择步骤，以缓解多组件系统中的特征遮蔽。为验证结果，我们实现了一个 GA-DMDc 基线，该基线在统一的准确度成本函数下联合优化状态集合和模型拟合。对于一个已知真值的 RLC 基准和一个具有多个热力学耦合组件及数千个候选变量的真实集成能源系统（IES），RFE-DMDc 持续恢复紧凑状态集合（约 个变量），实现的测试误差可与 GA-DMDc 相当，同时所需计算时间仅为其十分之一。所选变量在子系统间保留清晰的物理解释，所得模型表现出具竞争力的预测精度、计算效率和对过拟合的鲁棒性。
引用
@article{arxiv.2511.20552,
title = {From Features to States: Data-Driven Selection of Measured State Variables via RFE-DMDc},
author = {Haoyu Wang and Andrea Alfonsi and Roberto Ponciroli and Richard Vilim},
journal= {arXiv preprint arXiv:2511.20552},
year = {2025}
}