On a Stochastic Fundamental Lemma and Its Use for Data-Driven Optimal Control
本文利用多项式混沌展开将确定性基本引理扩展至随机LTI系统,实现数据驱动的不确定性传播,并提出数据驱动随机预测控制的概念框架,通过数值示例验证其有效性。
2023-08-11 cs.SY eess.SY math.OC
Data-Driven Control Design with LMIs and Dynamic Programming
本文的目标是开发基于线性矩阵不等式(LMI)和动态规划的数据驱动控制设计和评估策略。我们考虑确定性离散时间LTI系统,其中系统模型未知。我们提出了有效的数据收集计划,从状态输入轨迹与数据驱动的LMI设计状态反馈控制器的稳定和线性二次调节(LQR)问题。此外,我们研究理论上保证的勘探计划,以获得有效的数据,从不同的情况下的轨迹。特别是,我们证明,随着越来越多的数据积累,收集的数据变得有效的算法具有更高的概率。最后,讨论了具有收敛保证的数据驱动的动态规划算法。
2021-06-16 cs.SY eess.SY math.OC
Data-Driven Stochastic Optimal Control Using Kernel Gradients
我们提出了一个经验的,基于梯度的方法来解决数据驱动的随机最优控制问题,使用分布的核嵌入理论。通过将随机核的积分算子嵌入到再生核希尔伯特空间中,我们可以计算随机最优控制问题的经验逼近,然后利用RKHS的性质有效地求解.现有的方法通常依赖于有限的控制空间或优化具有有限支持的策略以实现优化。相比之下,我们的方法使用基于核的梯度计算使用观察到的数据来近似的成本表面的最优控制问题,然后可以使用梯度下降进行优化。我们将我们的技术应用到数据驱动的随机最优控制领域,并在线性调节问题和非线性目标跟踪问题上证明了我们提出的方法。
2022-09-19 cs.SY eess.SY math.OC
Data-driven approximation of control invariant set for linear system based on convex piecewise linear fitting
控制不变集是保证安全控制的关键,本文采用数据驱动的方法重新研究了线性离散系统控制不变集的计算问题。具体地说,线性MPC的收敛轨迹上的样本点被记录,其中的凸包制定的线性系的控制不变集。为了近似多个样本点的凸包,已经提出了凸分段线性(PWL)拟合框架,其产生具有预定义复杂度的多面体近似。对于凸PWL拟合问题,提出了一种下降算法,保证收敛到局部最优值。该策略在高维控制不变集的计算中具有灵活性,且计算复杂度可预先定义。仿真结果表明,该方法能够以较高的精度和较低的计算代价计算出近似的控制不变集。
2022-11-23 cs.SY eess.SY math.OC
Controller implementability: a data-driven approach
研究控制器可实现性问题,建立仅依赖原始数据的充分必要条件,并基于规范控制器概念提出直接从数据构建控制器的公式。
2023-10-23 cs.SY eess.SY math.OC
A Versatile Framework for Data-Driven Control of Nonlinear Systems
本文提出一个统一、通用的数据驱动控制框架,通过将非线性设计问题表述为期望被控系统集合,系统化地综合满足需求的算法,并展示其生成新成果的能力。
2025-08-08 cs.SY eess.SY math.OC
Data-driven MPC of descriptor systems: A case study for power networks
近年来,线性系统的数据驱动预测控制得到了广泛的研究关注。它取决于由Willems等人的基本引理。在以前的论文中,我们已经展示了这个框架可以应用于线性时不变广义系统的预测控制。在本文中,我们提出了一个案例研究,其中我们应用数据驱动的预测控制的离散时间的描述模型,通过离散化的功率摆动方程的九总线系统。我们的研究结果表明,所提出的控制方案的有效性,他们支持的数据驱动的框架控制的广义系统的前景。
2022-03-04 cs.SY eess.SY math.OC
Data-driven sliding mode control for partially unknown nonlinear systems
针对含未知动态和有界干扰的多输入多输出非线性系统,提出基于滑模控制的数据驱动控制方法,结合鲁棒控制器与半定规划求解的标称控制器,实现系统稳定并优于现有方法。
2025-04-05 cs.SY eess.SY
On data usage and predictive behavior of data-driven predictive control with 1-norm regularization
该研究分析了带1-范数正则化的数据驱动预测控制的数据使用与预测行为,支持离线移除未使用数据并可与真实系统先验知识比较对称结构及数据使用情况,以评估方案对有效控制的适用性。
2025-07-08 cs.SY eess.SY math.OC
Practical exponential stability of a robust data-driven nonlinear predictive control scheme
我们提供了一个反馈线性化非线性系统的闭环系统的递归可行性和实际指数稳定性的理论保证时,由一个强大的数据驱动的非线性预测控制方案。本技术报告作为我们最近论文“反馈线性化系统的数据驱动非线性预测控制”的补充材料。本报告中所示的参数遵循与LTI情况类似的步骤,因为反馈线性化系统在变换坐标中是线性的。然而,证明被适当地调整以匹配考虑中的非线性设置,并且在整个证明中强调了差异。
2023-03-27 cs.SY eess.SY math.OC
Amidst data-driven model reduction and control
在本文中,我们将探索数据驱动的模型简化和数据驱动的控制之间的中间地带。特别是,我们使用从系统中收集的快照来构建可以用数据表示的简化模型。我们说明了如何派生家庭的简化模型可以用于数据驱动的控制在适当的条件下的原系统。找到一个控制律,稳定的某些解决方案的原始系统,以及一个达到任何期望的状态,在最后的时间进行了详细研究。
2020-05-12 cs.SY eess.SY
Data-Driven Stabilization Using Prior Knowledge on Stabilizability and Controllability
University of Groningen(格罗宁根大学);Eindhoven University of Technology(埃因霍温理工大学)
该研究针对线性时不变系统的数据驱动镇定问题,引入能稳性、能控性先验知识拓展数据信息性概念,证明能稳性先验可放宽镇定充要条件,并提出配套的线性矩阵不等式形式的控制设计方法。
2026-10-02 cs.SY eess.SY math.OC
Data-driven control-oriented modelling for MPC-based control of urban drainage systems
CETaqua, Water Technology Centre(CETaqua 水技术中心)
本文提出了一种基于数据的控制导向建模方法,用于提升基于MPC的城市排水系统控制性能,通过高精度建模减少排放并提高处理设施利用率。
2025-12-12 cs.SY eess.SY math.OC
Data-driven Rollout for Deterministic Optimal Control
考虑具有非负阶段费用的确定性无限时域最优控制问题。我们从设计用于连续动态和迭代任务的学习模型预测控制方案中汲取灵感,并提出了一种依赖于由一些基本策略生成的采样数据的推出算法。该算法基于价值和策略迭代思想,适用于任意状态和控制空间以及任意动态的确定性问题。它承认扩展到问题的轨迹约束,和多智能体结构。
2021-09-29 cs.SY eess.SY math.OC
Data-Driven Internal Model Control of Second-Order Discrete Volterra Systems
随着系统复杂性的增加以及操作数据的可用性不断增加,传统控制设计范式发生了变化。数据驱动控制范式提出直接从数据中描述控制器,而不是通过第一原理对系统进行建模,然后进行(基于模型的)控制设计。通过利用Willems和合作者的一个基本结果,这种方法已被成功地应用到线性系,产生许多经典的线性控制器的基于数据的公式。本文将数据驱动方法推广到一类非线性系统,即二阶离散Volterra系统。这类系统有两个主要贡献。首先,我们表明,在输入数据激励的充要条件下,基于数据的系统表示可以从输入输出数据中导出,并用于取代显式系统模型。也就是说,Willems等人的基本结果被推广到这类系统。随后推导了输出跟踪的数据驱动内模控制公式。该方法通过两个仿真例子来说明。
2020-10-05 cs.SY eess.SY math.OC
Fault-tolerant control under controller-driven sampling using virtual actuator strategy
CIFASIS-CONICET;Universidad Nacional de Rosario(罗萨里奥国立大学);The University of Newcastle(纽卡斯尔大学)
本文提出一种新的输出反馈容错控制策略,结合控制器驱动采样与虚拟执行器策略,实现对连续时间线性系统中执行器故障的补偿,确保闭环稳定性和定值跟踪。
2013-05-21 cs.SY eess.SY
Model-Free Dynamic Mode Adaptive Control for Data-Driven Control Synthesis
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
本文提出了一种无模型、数据驱动的控制合成方法,即动态模式自适应控制(DMAC),用于数学模型不可用或不适合经典控制设计的系统。该方法结合数据驱动的动力学近似与自适应控制合成,通过测量系统数据实现在线控制器设计。DMAC包含两个主要模块:动力学近似模块和控制器合成模块。
2026-04-29 cs.SY eess.SY math.OC
Event excitation for event-driven control and optimization of multi-agent systems
本文提出一种新指标,通过生成势场确保梯度值在无事件时非零,从而解决事件驱动优化中事件激发不足的问题,并应用于协同多智能体数据采集问题。
2016-04-03 cs.SY eess.SY math.OC
Interpolatory-based data-driven pulsed fluidic actuator control design and experimental validation
脉冲射流驱动器在流体流动实验控制策略中发挥着核心作用,以实现更好的航空设备的性能。在本文中,我们演示,通过实验测试台,如何插值为基础的Loewner数据驱动控制(L-DDC)框架是一个合适的工具,用于精确控制这个家庭的执行器的流出速度。L-DDC将理想控制器的概念与Loewner框架结合在一个数据驱动的原理中,适合实验用户。本文的贡献是,第一,强调简单性和通用性,这样的数据驱动的理由在一个受约束的实验设置,第二,解决一些实际的流体工程师关注的问题,详细说明了完整的工作流程和关键成分,成功地实现了脉冲流体致动器控制器从数据采集到控制的实施和验证阶段。
2021-04-09 cs.SY eess.SY math.OC
Data-Driven Control of Nonlinear Systems: Beyond Polynomial Dynamics
本文针对连续时间非线性系统,提出了一种数据驱动的控制器设计方法,该方法不需要模型知识,只利用受噪声影响的测量数据。虽然大多数现有的方法集中在多项式动态系统,我们的方法允许设计控制器的未知系统的合理或一般的非多项式动态。首先,我们推导出一个数据驱动的参数化的未知非线性系统的有理动力学。通过应用鲁棒控制技术,这个参数化,我们得到的平方和为基础的标准设计控制器的闭环鲁棒稳定性和性能保证的所有系统是一致的测量数据和假设的噪声界。然后,我们将这种方法应用到控制系统的动态是线性的一般非多项式基函数,通过将它们转换成多项式系统。最后,我们将开发的方法应用于数值例子。
2021-09-22 cs.SY eess.SY math.OC
Data-driven controller design for nonlinear systems: a two degrees of freedom architecture
Politecnico di Torino(都灵理工大学);Politecnico di Milano(米兰理工大学)
本文提出一种无需系统动力学先验知识的数据驱动逆向控制方法,通过并行非线性与线性控制器提升闭环性能与稳定性。
2014-07-08 cs.SY eess.SY math.OC
Extending direct data-driven predictive control towards systems with finite control sets
本文针对有限控制集系统,提出了一种新颖的直接数据驱动预测控制(FCS-DPC)方案重构方法,通过应用改进的球译码算法提升计算效率,并在电气驱动示例上验证了其相比枚举和MIQP方法的性能优势。
2025-05-28 cs.SY eess.SY math.OC
Data-Driven Decentralized Control Design for Discrete-Time Large-Scale Systems
本文针对离散时间大规模系统提出一种数据驱动的分散控制器设计方法,通过构建数据驱动的半定规划问题获取稳定控制器,并在质量-弹簧链模型上验证了其可避免大量建模过程的优势。
2024-11-15 cs.SY eess.SY
Control Analysis and Synthesis of Data-Driven Learning: A Kalman State-Space Approach
本文旨在研究数据驱动学习的控制分析与综合问题,不考虑对象模型未知和迭代变化的不确定性。针对任意目标的跟踪问题,提出了一种Kalman状态空间方法,将其转化为两个鲁棒稳定性问题,从而将数据驱动控制和基于模型的控制联系起来。该方法还使得在数据驱动学习的设计中采用扩展状态观测器(ESO)来克服迭代变化不确定性的影响成为可能。结果表明,基于ESO的数据驱动学习,确保无模型系统,以实现任何期望的目标的跟踪。特别是,我们的结果适用于迭代学习控制,这是由一个例子进行了验证。
2020-12-10 cs.SY eess.SY
An Uncertainty-Aware Data-Driven Predictive Controller for Hybrid Power Plants
本文提出不确定性感知的子空间预测控制器,用于协调含4 MW风电、光伏和同址储能的混合电厂,在天气不确定性下跟踪真实电力需求并预测HPP性能。
2025-02-18 cs.CE cs.SY eess.SY
Data-Driven Optimal Control via Linear Transfer Operators: A Convex Approach
本文研究非线性系统的数据驱动最优控制。提出了一种带折扣费用函数的最优控制问题的凸形式。我们考虑了正贴现因子和负贴现因子下的最优现金流量。凸的方法依赖于提升非线性系统动力学的密度空间中使用线性Perron-Frobenius(P-F)算子。这种提升导致一个无限维的凸优化制定的最优控制问题。最优化问题的数据驱动近似依赖于使用多项式基函数的Koopman算子的近似。我们将近似的有限维最优化问题写成多项式优化,然后使用基于平方和的优化框架有效地解决。仿真结果证明了数据驱动的最优控制框架的有效性。
2022-02-03 cs.SY eess.SY math.FA
Stealthy Sensor Attacks Against Direct Data-Driven Controllers
University of Pennsylvania(宾夕法尼亚大学);KTH royal institute of technology(瑞典皇家理工学院)
本文提出针对直接数据驱动控制器的隐蔽传感器攻击方法,展示了攻击者如何误导操作员学习不稳定控制器,并探讨了缓解策略及攻击有效性。
2026-02-25 cs.SY eess.SY
Data-driven Self-triggered Control via Trajectory Prediction
自触发控制是一种在保证系统性能的同时减少通信开销的技术,它越来越受欢迎。然而,现有的自触发控制方法需要明确的系统模型,假设完全已知的先验。被称为数据驱动控制的端到端控制范例直接从数据中学习控制律,并提供了与常规系统辨识-然后控制方法竞争的替代方案。在此背景下,本文提出了数据驱动的自触发控制方案的未知线性系统使用离线收集的数据。具体地,对于输出反馈控制系统,提出了数据驱动的模型预测控制(MPC)方案,其计算控制输入的序列,同时生成预测的系统轨迹。一个数据驱动的自触发律设计使用预测的轨迹,以确定下一个触发时间,一旦一个新的测量变得可用。对于状态反馈控制系统,不是利用MPC来预测轨迹,而是利用预先收集的输入状态数据来解决数据拟合问题,其解用于构造自触发机制。所提出的自触发控制器的可行性和稳定性,这是通过数值例子进行验证。
2022-07-18 cs.SY eess.SY
Data-driven predictive control with estimated prediction matrices and integral action
本文提出了一种数据驱动的预测控制器的设计方法。在标准模型预测控制(MPC)算法中使用的预测矩阵通常使用诸如状态空间或输入-输出模型的系统模型的知识来构造。相反,我们直接估计的预测矩阵,未来的输出与当前和未来的输入测量数据,离线。在线,开发的数据驱动的预测控制器减少到解决一个二次规划的结构和复杂性类似的线性MPC。此外,我们开发了一个新的程序估计预测矩阵的预测控制器的数据与积分行动,对应于基于速率的制定线性MPC。所开发的数据驱动的预测控制器的有效性示出的直线电机模型的位置控制。
2021-04-11 cs.SY eess.SY
A Convex Approach to Data-driven Optimal Control via Perron-Frobenius and Koopman Operators
研究了一类控制仿射确定性非线性系统的最优控制的数据驱动计算问题。我们假设控制动力系统模型不可用,并且关于系统动力学的唯一信息以时间序列数据的形式可用。本文对非线性系统的最优控制问题给出了一个凸形式。凸形式依赖于动力系统稳定性理论中涉及密度函数和Perron-Frobenius算子的对偶结果。我们将最优控制问题表示为一个无限维的凸优化规划。最优化问题的有限维近似依赖于Koopman算子的数据驱动计算的最新进展,这与Perron-Frobenius算子是对偶的。仿真结果表明,所开发的框架的应用。
2021-04-12 cs.SY eess.SY math.DS
Fundamental Limitations of Data-Driven Control: A Statistical Decision Perspective
KTH Royal Institute of Technology(瑞典皇家理工学院);ETH Zürich(苏黎世联邦理工学院)
该研究从统计决策视角建立数据驱动控制框架,推导风险下界揭示“水床”效应,在两类典型问题上验证并明确了数据驱动控制器无法避免的定量局限。
2026-08-04 cs.SY eess.SY
Data-driven Model Predictive Control using MATLAB
Indian Institute of Technology Bombay(印度孟买印度理工学院)
本文综述了数据驱动模型预测控制,涵盖线性与非线性方法,重点介绍子空间预测控制、预测误差法及神经网络模型,并展望未来研究方向。
2025-10-10 cs.SY eess.SY
Impedance control of a cable-driven series elastic actuator with the 2-DOF control structure
Nankai University(南开大学)
本文提出一种基于速度源的缆驱动串联弹性执行器,设计了2-DOF控制方法以实现鲁棒性和扭矩跟踪的平衡,并通过仿真和实验验证了该方法在缆驱动执行器控制中的有效性。
2016-10-30 cs.SY eess.SY
Event-Driven Safe and Resilient Control of Automated and Human-Driven Vehicles under EU-FDI Attacks
University of Connecticut(康涅狄格大学);Worcester Polytechnic Institute(伍斯特理工学院)
本文提出了一种事件驱动的安全与鲁棒控制框架,用于在EU-FDI攻击下实现CAVs与HDVs的混合交通环境中的安全变道控制。
2026-03-09 cs.SY eess.SY
Data-Driven Inversion-Based Control: closed-loop stability analysis for MIMO systems
Politecnico di Torino(都灵理工大学);Politecnico di Milano(米兰理工大学)
本文研究了数据驱动逆向控制在多输入多输出系统中的闭环稳定性问题,推导了有限增益稳定性条件。
2018-01-26 cs.SY eess.SY
Robust Data-Driven Output Feedback Control via Bootstrapped Multiplicative Noise
The University of Texas at Dallas(德克萨斯大学达拉斯分校);The Australian National University(澳大利亚国立大学)
我们提出了一个强大的数据驱动的输出反馈控制算法,显式地将固有的有限样本模型估计不确定性的控制设计。该算法有三个组成部分:(1)一个子空间识别标称模型估计;(2)一个自举响应方法,量化的非渐近方差的标称模型估计;和(3)一个非传统的鲁棒控制设计方法,包括耦合的最佳动态输出反馈滤波器和控制器与乘性噪声。所提出的方法的一个主要优点是,系统辨识和鲁棒控制设计过程都使用随机不确定性表示,使实际固有的统计估计不确定性直接对准的不确定性的鲁棒控制器正在设计。此外,控制设计方法容纳了一个高度结构化的不确定性表示,可以捕捉不确定性形状比现有的方法更有效。我们通过数值实验表明,所提出的鲁棒数据驱动的输出反馈控制器可以显着优于确定性等效控制器的样本复杂性和稳定性鲁棒性的各种措施。
2022-05-10 cs.LG cs.SY eess.SY
Data-driven control of infinite dimensional systems: Application to a continuous crystallizer
控制无限维模型仍然是一个具有挑战性的任务,许多从业者,因为他们不适合传统的控制设计技术,或将导致一个高阶控制器太复杂的实现。因此,需要将模型或控制器减小到可接受的尺寸,这是耗时的,需要一些专业知识并且可能引入数值误差。本文解决了这样一个系统,即连续结晶器的控制,并比较了两种不同的数据驱动策略:第一个是一个结构化的鲁棒技术,而另一个,称为L-DDC,是基于Loewner插值框架。
2020-12-16 cs.SY eess.SY
Data-Driven Communication Topology and Distributed Controller Synthesis: Control-Aware and Co-Design
Imperial College London(帝国理工学院);Tsinghua University(清华大学)
本文提出数据驱动的通信拓扑与控制器协同设计及控制感知方法,在混合整数半定规划中优化拓扑,兼顾通信成本与控制性能,仿真验证有效性。
2026-10-01 cs.SY eess.SY
Learning Model Predictive Control for iterative tasks. A Data-Driven Control Framework
University of California at Berkeley(加州大学伯克利分校)
本文提出一种无参考模型预测控制器,通过学习前次迭代提升性能,利用安全集和终端成本函数保证递归可行性,通过状态和输入轨迹递归构建终端集和终端成本函数,仿真验证了控制逻辑的有效性。
2017-12-14 cs.LG cs.SY eess.SY
Technical note: Hybrid Loewner Data Driven Control
本说明描述了如何利用Loewner框架从连续时间设备的频率数据创建离散时间控制律,使得它们的混合互连匹配给定的连续时间参考模型到奈奎斯特频率。由此产生的混合Loewner数据驱动控制方案说明两个数值例子。
2019-09-05 cs.SY eess.SY math.DS
Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven
Beijing Institute of Technology(北京理工大学);Arizona State University(亚利桑那州立大学)
在本文中,时间驱动学习是指随着新数据的到来不断更新预测模型中参数的机器学习方法。在现有的近似动态规划(ADP)和强化学习(RL)算法中,直接启发式动态规划(dHDP)已被证明是解决复杂学习控制问题的有效工具。它随着系统状态的不断演化不断更新控制策略和临界点。因此,期望防止时间驱动的dHDP由于诸如噪声的不重要的系统事件而更新。为了实现这一目标,我们提出了一个新的事件驱动的dHDP。通过构造一个李雅普诺夫函数候选,我们证明了系统状态和权值在批评和控制策略网络中的一致最终有界性。因此,我们显示了近似控制和成本去功能接近贝尔曼最优在有限的范围内。我们还说明了事件驱动的dHDP算法的工作原理相比,原来的时间驱动的dHDP。
2020-06-16 cs.LG cs.SY eess.SY
Tube-Based Zonotopic Data-Driven Predictive Control
针对受有界附加扰动影响的线性系统,提出了一种基于管的数据驱动预测控制方法。我们的方法利用最近的结果在未知的线性系统的可达性分析,制定和解决一个强大的基于管的预测控制问题。更确切地说,我们的方法包括从收集的数据中导出一个包括真实状态误差集的zonotope。我们展示了如何保证所产生的错误zonotope,这可以被利用来增加现有zonotopic数据驱动的MPC配方的计算效率的稳定性。双积分器的强对抗性噪声的影响下的结果表明,所提出的控制方法的有效性。
2022-11-24 cs.SY eess.SY
Mixed Platoon Control under Noise and Attacks: Robust Data-Driven Predictive Control and Human-in-the-Loop Validation
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与运载学院)
针对含CAVs和HDVs的混合车队因人工驾驶不确定性及噪声、攻击导致的控制挑战,提出RDeeP-LCC框架,基于数据驱动可达性分析过近似系统动力学,通过解耦系统和管控制提升鲁棒性与多方面性能,并经人机闭环验证。
2025-11-13 cs.SY eess.SY
Semi-Data-Driven Model Predictive Control: A Physics-Informed Data-Driven Control Approach
本文提出半数据驱动模型预测控制(SD-MPC)框架,融合有限模型信息与数据驱动预测控制(DeePC),解决其对噪声敏感和缺乏鲁棒性的问题,仿真验证了其增强的鲁棒性。
2025-08-05 cs.SY eess.SY
Comparative Analysis of Data-Driven Predictive Control Strategies
K. N. Toosi University of Technology(K. N. Toosi理工大学)
本文比较了三种数据驱动预测控制策略,分析其理论基础、假设及应用,通过数值实例评估性能。
2026-05-15 cs.SY eess.SY
Frequency-Domain Data-Driven Predictive Control
本文提出频域数据驱动预测控制(FreePC)方案,通过引入基于频域数据的Willems基本引理新版本,使直接数据驱动控制能够利用非参数频域辨识技术,并证明其在适当条件下与DeePC等价。
2024-06-18 cs.SY eess.SY
Data-Driven Resilient Predictive Control under Denial-of-Service
线性时不变系统抗拒绝服务攻击的弹性控制研究在新兴的网络物理应用中越来越受欢迎。在以前的工作中,显式的系统模型需要设计一个基于预测的弹性控制器。这些模型可以是先验给定的,或者通过先验系统辨识步骤获得。最近的研究工作集中在基于预先收集的输入-输出轨迹(即,没有明确的系统模型)。在本文中,我们采取了第一步的数据驱动的稳定的随机LTI系统下的DoS攻击,并开发了一个弹性的模型预测控制(MPC)计划纯粹由数据相关的条件驱动。所提出的数据驱动控制方法实现了与基于模型的控制方法相同的弹性水平。例如,局部输入到状态稳定性(ISS)的噪声和DoS攻击的温和的假设下实现。为了恢复全局ISS,进一步提出了两种修改,其代价是降低了对拒绝服务攻击的弹性或增加了计算复杂度。最后通过数值算例验证了所提控制方法的有效性。
2021-10-25 cs.SY eess.SY
Dissipativity-Based Data-Driven Decentralized Control of Interconnected Systems
ETH Zurich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of California Berkeley(加州大学伯克利分校);University of Groningen(格罗宁根大学)
提出数据驱动分散控制算法,利用耗散性理论通过线性矩阵不等式条件综合局部控制器,保证互联离散时间线性时不变系统的稳定性,并在微电网算例中验证有效性。
2026-07-03 cs.SY eess.SY
Maximum Likelihood Estimation in Data-Driven Modeling and Control
近年来,基于Willems基本引理提出了各种数据驱动的仿真和控制算法。然而,当收集的数据是嘈杂的,这些方法导致病态的数据驱动的模型结构。在这项工作中,我们提出了一个最大似然框架,以获得最佳的数据驱动模型,信号矩阵模型,在存在输出噪声。数据压缩和噪声水平估计方案也提出了有效地适用于大数据集和未知的噪声水平的情况下,该算法。基于所得到的最优估计器,提出了系统辨识和滚动时域控制的两种方法。第一个识别有限脉冲响应模型。这种方法改进了最小二乘估计,限制性较低的假设。第二种是将信号矩阵模型作为预测控制中的预测器。控制性能优于现有的数据驱动的预测控制算法,特别是在高噪声水平。这两种方法表明,派生估计提供了一个很有前途的框架,应用数据驱动的算法噪声数据。
2021-12-20 cs.SY eess.SY
Data-Driven Fast Frequency Control using Inverter-Based Resources
我们开发并测试了一种数据驱动和基于区域的快速频率控制方案,该方案可以快速重新调度基于逆变器的资源,以补偿散装电力系统内的局部功率不平衡。该方法不需要显式的系统模型信息,仅依赖于历史测量序列的控制动作的计算。我们的技术方法融合了低增益估计器设计和数据驱动控制的发展,为快速频率控制提供了无模型和实用的解决方案。理论结果和广泛的模拟方案上的三个区域系统提供支持的方法。
2022-08-02 cs.SY eess.SY
Data-Driven Model Predictive Control for Linear Time-Periodic Systems
研究了周期已知的离散线性时间周期(LTP)系统的数据驱动预测控制问题。我们提出的策略推广了数据支持预测控制(DeePC)和子空间预测控制(SPC),这是线性时不变(LTI)系统的数据驱动控制技术。该方法是支持广泛的理论发展的行为系统理论的LTP系统,最终概括的基本引理。我们的算法产生的结果相同的标准模型预测控制(MPC)的确定性LTP系统。该算法对噪声数据的鲁棒性是通过将该算法应用于随机多输入多输出LTP系统的正则化版本的仿真来说明的。
2022-09-12 cs.SY eess.SY
Data-Driven Robust Control for Discrete Linear Time-Invariant Systems: A Descriptor System Approach
针对当前数据驱动控制研究的热点,提出了一种两步方法来研究受能量有界噪声影响的参数未知线性时不变(LTI)系统的鲁棒数据驱动控制.首先设计了两个数据实验并采集了相应的数据,然后将所研究的系统等价地写成一个基于数据的具有结构化参数不确定性的广义系统。其次,结合基于模型的广义系统控制理论,设计了基于数据的广义系统的状态反馈控制器,使原LTI系统稳定,并保证了${H_\infty}$的性能。最后,通过仿真实例验证了该方法的有效性和优越性.
2022-03-14 cs.SY eess.SY
LMI-based Data-Driven Robust Model Predictive Control
Technical University of Darmstadt(达姆施塔特工业大学)
预测控制是一种基于系统模型来计算应用输入以优化未来系统行为的控制方法,目前已得到广泛应用。如果标称模型没有给出或者非常不确定,则可以采用数据驱动的模型预测控制方法,其中系统模型或输入直接从过去测量的轨迹获得。利用数据信息框架和Finsler引理,提出了一种基于数据驱动的鲁棒线性矩阵不等式模型预测控制方案,该方案考虑了输入和状态约束.使用这些数据,我们制定的问题作为一个半定优化问题,其解决方案提供了线性反馈的矩阵增益,而决定性的变量是独立的测量数据的长度。所设计的控制器使闭环系统渐近稳定,并保证约束满足。最后通过数值算例说明了该方法的有效性。
2023-03-08 cs.LG cs.SY eess.SY
On Data-Driven Modeling and Control in Modern Power Grids Stability: Survey and Perspective
本文综述了现代电网在低惯性、不确定性和非线性挑战下的数据驱动动态建模与控制方法,涵盖各类分布式能源资源应用,并展望了未来发展趋势。
2023-08-07 cs.SY eess.SY