面向非线性系统的鲁棒核化数据驱动预测控制
系统与控制
2022-06-07 v1 系统与控制
摘要
本文提出一种鲁棒核化数据驱动预测控制（RoKDeePC）算法，仅利用输入与输出数据对非线性系统进行无模型最优控制。该算法将鲁棒预测控制与由正则化核方法实现的非线性系统非参数表示相结合。后者基于表示定理隐式地学习系统的非线性行为。我们的方法不先求取模型再进行控制设计，而是直接从数据到控制。这使我们能够通过考虑一个极小极大优化问题来计算最优控制序列，从而针对数据中的不确定性对控制输入进行鲁棒化。我们证明，通过引入适当的不确定性集合，该极小极大问题可重新表述为一个非凸但有结构的最小化问题。利用该结构，我们提出一种投影梯度下降算法来有效求解此问题。最后，我们在两个非线性示例系统——一个学术案例研究和一个向非线性负载供电的构网型变流器——上测试了RoKDeePC，并与一些现有的非线性数据驱动预测控制方法进行比较。
引用
@article{arxiv.2206.01866,
title = {Robust and Kernelized Data-Enabled Predictive Control for Nonlinear Systems},
author = {Linbin Huang and John Lygeros and Florian Dörfler},
journal= {arXiv preprint arXiv:2206.01866},
year = {2022}
}