利用不确定性实现直接数据驱动预测控制中的分离原理

模型预测控制（MPC）是一种用于复杂系统调节的强大方法，但其对精确模型的依赖在实际应用中带来了诸多限制。数据驱动预测控制（DDPC）旨在通过依赖历史数据来提供被控对象的信息，从而克服这一限制。在本文中，我们提出了一个用于直接 DDPC 的统一随机框架，其中控制动作是通过优化最终控制误差（FCE）获得的，该误差仅直接从可用数据计算得出，并自动权衡不确定性对控制目标的影响。我们的框架使我们能够建立预测控制的分离原理，阐明预测模型及其不确定性在 DDPC 中的作用。此外，它推广了现有的 DDPC 方法，如正则化数据使能预测控制（DeePC）和 $\gamma$-DDPC，为具有严格最优性保证的抗噪声数据驱动控制提供了一条路径。理论研究与一系列实验相辅相成（代码可在 GitHub 获取：https://github.com/marcofabris92/a-separation-principle-in-d3pc），结果表明，所提出的方法始终优于或至少媲美现有技术，且无需像其他方法那样调整正则化参数。