基于非线性稀疏变分贝叶斯学习的模型预测控制及其在PEMFC温度控制中的应用
机器学习
2024-04-16 v1 系统与控制
系统与控制
摘要
底层模型预测的准确性对于模型预测控制（MPC）应用的成功至关重要。如果模型无法准确分析受控系统的动态特性，MPC所提供的性能和稳定性保证可能无法实现。基于学习的MPC能够从数据中学习模型，从而提高MPC的适用性和可靠性。本研究针对非线性系统开发了一种基于非线性稀疏变分贝叶斯学习的MPC（NSVB-MPC），其中模型由所开发的NSVB方法学习。NSVB-MPC利用变分推断来评估预测准确性，并进行必要的校正以量化系统不确定性。所提方法根据不变终端域的概念，确保了输入到状态稳定性（ISS）以及递归约束的可行性。最后，PEMFC温度控制模型实验证实了NSVB-MPC方法的有效性。
引用
@article{arxiv.2404.09519,
title = {Nonlinear sparse variational Bayesian learning based model predictive control with application to PEMFC temperature control},
author = {Qi Zhang and Lei Wang and Weihua Xu and Hongye Su and Lei Xie},
journal= {arXiv preprint arXiv:2404.09519},
year = {2024}
}