Event-triggered and distributed model predictive control for guaranteed collision avoidance in UAV swarms
分布式模型预测控制（DMPC）常用于无人机机群的路径规划。然而，它需要在无人机上进行大量计算，导致重量和功耗增加。在这项工作中，我们建议卸载路径规划计算到多个地面计算单元。由于同时通信和重新计算所有的轨迹是不可行的一个大的群体与紧的时间要求，我们开发了一种新的事件触发DMPC，选择一个子集的最相关的无人机轨迹进行重新规划。由此产生的架构降低了无人机的重量和功耗，而主动冗余提供了对计算单元故障的鲁棒性。此外，DMPC保证了具有线性动力学的无人机的可行和无碰撞的轨迹。在模拟中，我们证明了我们的方法可以可靠地规划轨迹，同时节省60%的网络流量和所需的计算能力。硬件在环实验表明，该方法适用于实际四轴飞行器群的控制。
2022-06-22 cs.SY eess.SY
A Robust Distributed Model Predictive Control Framework for Consensus of Multi-Agent Systems with Input Constraints and Varying Delays
研究了具有输入约束和有界时变通信时滞的一般线性离散多智能体系统的一致性问题。我们提出了一个强大的分布式模型预测控制（DMPC）的共识协议，集成了离线的共识设计和在线DMPC优化，以发挥各自的优势。更准确地说，每个代理都配备了一个离线共识协议，这是先验设计的，取决于它的近邻的估计状态。此外，由于不精确的邻近信息随着时间的推移传播的估计误差被证明有界的温和的技术假设下，在此基础上，一个强大的DMPC策略是故意设计，以实现强大的共识，同时满足输入约束。此外，它表明，与适当设计的代价函数和约束条件，相关的优化问题的可行性，可以递归地确保。在有界变时滞条件下，我们进一步给出了约束MAS的一致收敛结果。最后，通过两个算例验证了分布式一致性算法的有效性.
2022-09-19 cs.SY eess.SY
Parallelized Robust Distributed Model Predictive Control in the Presence of Coupled State Constraints
本文提出一种并行化鲁棒分布式模型预测控制方案，通过一致性约束和管道处理耦合状态约束及有界不确定性，并支持迭代扩展，仿真验证了其有效性。
2024-10-04 cs.SY eess.SY
Real-Time Distributed Model Predictive Control with Limited Communication Data Rates
针对有限通信数据速率下多智能体系统DMPC的次优解与稳定性问题，提出带在线量化细化的实时DMPC框架，利用循环小增益定理证明系统稳定性，并在多AUV编队控制中验证有效。
2023-08-05 cs.SY eess.SY
Robust self-triggered DMPC for linear discrete-time systems with local and global constraints
针对一类离散线性系统，提出了一种鲁棒自触发分布式模型预测控制（DMPC）方案。针对加性扰动，提出了基于管道的方法，以满足局部状态和控制约束。同时，给出了一种特殊形式的约束紧化，以保证全局耦合约束。自触发机制通过跳过不重要的迭代步骤来减少计算负担，从而确定一定的采样时刻以并行方式解决DMPC优化问题。DMPC优化问题被构造为一个对偶形式，并基于交替方向乘子法（ADMM）与一些已知的简化分布式求解。证明了闭环系统的递推可行性和输入到状态稳定性，仿真实例验证了所提方案的性能。
2020-12-16 cs.SY eess.SY math.OC
Distributed Model Predictive Control of Spatially Interconnected Systems Using Switched Cost Functions
The Ohio State University（俄亥俄州立大学）
本文提出了一种适用于具有通信限制的空间互联系统的分布式模型预测控制方案，通过切换成本函数确保控制器在单次信息交换步骤中完成输入更新，同时通过终端控制律保证原点稳定性。
2017-06-03 cs.SY eess.SY math.OC
Prediction-Based Leader-Follower Rendezvous Model Predictive Control with Robustness to Communication Losses
KTH Royal Institute of Technology（KTH皇家理工学院）；Uppsala University（乌普萨拉大学）
提出一种带轨迹预测器的DMPC算法，解决无人机在移动无人艇降落时的通信丢失问题，实现避障与防碰撞，并证明了算法收敛性且获仿真验证。
2023-04-03 cs.RO cs.SY eess.SY
Distributed Model Predictive Control for Linear Systems with Adaptive Terminal Sets
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种用于具有可分离结构的线性时不变约束系统的分布式模型预测控制方案，通过统一框架整合终端控制器和终端集的合成，提升稳定性与不变性。
2018-03-20 cs.MA cs.SY eess.SY
Self-triggered min-max DMPC for asynchronous multi-agent systems with communication delays
研究了具有参数不确定性、外部干扰和有界时变通信时延的异步非线性多智能体系统（MAS）编队镇定问题。提出了一种自触发的最小-最大分布式模型预测控制（DMPC）方法来处理这些实际问题。在触发时刻，每个代理基于本地系统状态和邻居的预测系统状态来解决本地最小-最大优化问题，确定其下一个触发时刻并将其预测状态轨迹广播给其邻居。其结果是，通信负载大大减轻，同时保持鲁棒性和可比的控制性能相比，周期性算法。为了处理时变延迟，一个新的一致性约束被纳入到每个局部优化问题，以限制最新的预测状态和先前广播的预测状态之间的偏差。因此，每个代理可以利用先前预测的状态，其邻居，以实现合作的存在下，随时间变化的延迟和异步通信引起的分布式触发调度。证明了该算法的递归可行性和MAS在触发时刻的闭环稳定性。最后，数值仿真验证了所提出的控制方法的有效性。
2022-02-18 cs.SY eess.SY
Large problems are not necessarily hard: A case study on distributed NMPC paying off
针对大规模系统集中式MPC计算效率问题，研究协作式DMPC的计算性能，将定制分散实时迭代方案应用于电力系统频率控制，结果显示其迭代次数不依赖子系统数量且与多线程集中式求解器性能相当。
2025-04-15 cs.SY eess.SY math.OC
Decentralized Model Predictive Control of Connected and Automated Vehicles with Coupled Safety Constraints
ETH Zürich（苏黎世联邦理工学院）
研究无车道高速公路上CAV控制问题，针对其非线性动力学和安全约束挑战，采用分散MPC算法，开发解耦方法转化约束，仿真表明算法实现安全高效轨迹且提升可扩展性，指出最佳控制策略取决于多方面权衡。
2026-07-14 cs.SY eess.SY
Coordinated Car-following Using Distributed MPC
本研究在马尔可夫博弈框架下提出基于分布式模型预测控制的协同跟车算法，通过迭代自博弈与通信协商求解协同解，经动作序列重参数化实现实时优化，可显著提升高密度交通效率并抑制幽灵波，为协同自适应巡航控制提供新思路。
2025-10-02 cs.SY eess.SY
Event-triggered distributed MPC for resilient voltage control of an islanded microgrid
从信息物理的角度研究了孤岛微网分布式二次电压控制问题。设计了一种事件触发的分布式模型预测控制（DMPC）方案来调节每个分布式发电机（DG）的电压幅值，以在控制性能与通信和计算负担之间实现更好的折衷。通过使用两个新的事件触发条件，可以很容易地嵌入到DMPC的MG控制的应用程序，计算和通信负担显着减少与控制性能可以忽略不计的妥协。此外，为了降低传感器成本和消除非线性的负面影响，自适应非渐近观测器被用来估计每个DG的内部和输出信号。由于无差拍观测的性质，观测器可以定期应用，以配合基于DMPC的电压调节器。最后，所提出的控制方法的有效性进行了测试的一个简单的配置与4 DG和修改后的IEEE-13测试系统，通过几个有代表性的情况。
2020-07-30 cs.SY eess.SY
Reducing the Communication of Distributed Model Predictive Control: Autoencoders and Formation Control
University of Stuttgart（斯图加特大学）；LUT University（卢霍斯大学）
针对分布式模型预测控制（DMPC）中通信开销过大的问题，提出利用自编码器压缩智能体间传输数据的方法，并在差分驱动机器人编队控制实验中验证其优于缩短预测时域的朴素方法，且在嵌入式硬件和无线通信的实际场景中表现良好。
2025-04-22 cs.DC cs.RO cs.SY
Observer-Based Distributed Model Predictive Control for String-Stable Multi-vehicle Systems with Markovian Switching Topology
针对有向马尔可夫切换拓扑下的车辆队列，提出基于自适应观测器的分布式模型预测控制方法，保证观测器均方稳定与队列串稳定，并减小跟踪误差。
2025-07-03 cs.SY eess.SY
Distributed Model Predictive Control for Heterogeneous Platoons with Affine Spacing Policies and Arbitrary Communication Topologies
Institute for Experiential Robotics, Northeastern University（东北大学体验式机器人研究所）；Amazon（亚马逊公司）
本文提出一种分布式模型预测控制算法，支持任意通信拓扑和仿射间距策略，通过总成本分析推导稳定性条件，并经50车仿真和4车硬件实验验证。
2024-07-22 cs.MA cs.RO cs.SY
Distributed Experiment Design and Control for Multi-agent Systems with Gaussian Processes
本文主要研究分散式多智能体系统的分布式学习控制，其中智能体的动态模型是高斯过程（GP）。考虑了两个基本问题：Agent GP模型并行学习的最优实验设计和给定学习模型的分布式协调。使用分布式模型预测控制（DMPC）的方法，这两个问题被制定为分布式优化问题，其中每个代理的子问题包括本地和共享的目标和约束。为了有效地解决由此产生的复杂和非凸DMPC问题，我们开发了一种算法称为交替方向乘子凸化方法（ADMM-C），它结合了分布式ADMM算法和顺序凸化方法。我们所提出的方法的计算效率来自于这样的事实，即用于解决DMPC问题的计算被分配给所有的代理和高效的凸优化求解器被用于在代理处解决凸化子问题。我们还证明了，在一些技术假设下，ADMM-C算法收敛到惩罚优化问题的一个稳定点。多车辆编队控制的数值仿真结果表明了该方法的有效性。
2021-04-04 cs.SY eess.SY
Cooperative Distributed MPC via Decentralized Real-Time Optimization: Implementation Results for Robot Formations
Institute for Energy Systems, Energy Efficiency and Energy Economics, TU Dortmund University（能源系统、能源效率与能源经济学研究所，德累斯顿理工大学）；Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学）
本文提出一种基于协同 DMPC 的移动机器人编队控制方法，结合 ADMM 与分散式序列二次规划实现无中央协调器的分散式实时优化，实验验证了其有效性与实时可行性。
2023-05-24 cs.RO cs.SY eess.SY
Asynchronous Push-sum Dual Gradient Algorithm in Distributed Model Predictive Control
针对有向网络上带全局约束的分布式系统DMPC问题，提出异步push-sum对偶梯度算法，证明了R-线性收敛并保证闭环系统稳定性。
2025-11-05 cs.SY eess.SY math.OC
Urban Traffic Network Control in Smart Cities; a Distributed Model-based Control Approach
Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出了一种用于城市交通网络系统的分布式模型预测控制方法，旨在减少交通拥堵和各路段的总出行时间，通过考虑交通需求和扰动预测，相比集中式方法在计算时间、总出行时间和队列长度上分别减少了60%、14.3%和15.1%。
2019-05-23 cs.SY eess.SY
A distributed accelerated gradient algorithm for distributed model predictive control of a hydro power valley
Cantho University of Technology（芹苳理工大学）；Lund University（隆德大学）；Delft University of Technology（代尔夫特理工大学）
针对水电谷系统的功率参考跟踪问题，提出一种基于分布式优化和加速梯度方法的分布式模型预测控制算法，实现O(1/k^2)收敛率，并通过线性化近似在保持性能的同时比集中式求解器更快。
2013-02-08 cs.MA cs.NA cs.SY
SelectLight: Learning to Select Signal Plans Generated by Distributed Model Predictive Control for Urban Traffic Networks
Tongji University（同济大学）；Technische Universität Dresden（德累斯顿工业大学）；Roma Tre University（罗马三大学）
SelectLight通过MARL策略选择DMPC生成的交通信号方案，在SUMO网络实验中延迟性能最优，需求加倍时排队延迟降低5.57%，求解时间远低于控制间隔。
2026-08-13 cs.SY eess.SY
A Consistency Constraint-Based Approach to Coupled State Constraints in Distributed Model Predictive Control
针对受多类约束的动态解耦系统，提出一种基于一致性约束的DMPC方案，仅需邻居通信、子系统并行求解，可迭代优化参考轨迹且非凸状态约束下仍能构建凸优化问题，经仿真验证有效。
2022-08-24 cs.MA cs.SY eess.SY
Distributed switched model-based predictive control for distributed large-scale systems with switched topology
分布式切换大系统是由多个动态耦合的子系统组成的，其中各子系统之间的相互作用随时间的变化而变化，并受一个称为切换信号的外生输入信号的影响。在本文中，我们提出了一个分布式的鲁棒切换基于模型的预测控制（DSwMPC）控制这样的系统，受到当地的状态和输入约束。所提出的方法保证稳定整个闭环系统的原点，并确保在存在未知的开关信号的约束满足。在分布式基于模型的预测控制（DMPC）在这项工作中使用，通过考虑子系统之间的相互作用作为一个附加的干扰，开关的效果反映在动态方程，本地和一致性约束的名义子系统。在DSwMPC中，为了补偿切换信号的影响，创建一个时变的网络拓扑，一个鲁棒的基于管的切换基于模型的预测控制（RSwMPC）与切换鲁棒控制不变量（switchRCI）设置为目标设置为未知模式切换鲁棒作为本地控制器。使用三个典型的例子来评估该计划的性能。在第一个例子中，切换时间是未知的先验，但下一个邻域集被假定为已知的先验。在第二种和第三种情况下，假设它们都是先验未知的。仿真结果表明，所提出的DSwMPC在任何时候都能满足输入和状态约束。它们还验证了闭环系统收敛到原点。此外，DSwMPC与集中式SwMPC（CSwMPC）和分散式SwMPC（DeSwMPC）的比较表明，DSwMPC优于DecSwMPC，并且在CSwMPC下的响应曲线的形状与由DSwMPC获得的响应曲线的形状非常相似。
2021-12-19 cs.SY eess.SY
Certificate-Carrying Distributed Model Predictive Control on Product Manifolds with $\mathrm{SO}(3)$
Hubei University（湖北大学）；Wuhan University（武汉大学）；KTH Royal Institute of Technology（皇家理工学院）；Northeastern University（东北大学）
本文针对同步分布式模型预测控制中相邻预测变化导致的约束违反问题，提出带硬轨迹信任区域和双层预算的证书携带式方法，证明硬约束满足与递归可行性，并在航天器编队中验证其降低保守性。
2026-09-28 cs.SY eess.SY math.OC
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
Data-driven Model Predictive Control using MATLAB
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
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 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
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
Kernelized offset-free data-driven predictive control for nonlinear systems
针对非线性系统中传统预测控制器因预测器不准确或持续干扰导致的跟踪偏置与稳定性问题，本文提出核化无偏置数据驱动预测控制方案，通过核方法参数化速度模型非线性项并以最小二乘法学习参数，经仿真验证有效且提供了可行性与稳定性分析框架。
2024-11-27 cs.SY eess.SY
Data-driven Nonlinear Predictive Control for Feedback Linearizable Systems
针对一类离散多输入多输出反馈线性化非线性系统，提出了一种数据驱动的非线性预测控制方法。该方案使用了一个非参数预测模型，仅基于输入和噪声输出数据以及一组基函数，近似未知的非线性。尽管有噪声输出数据以及使用基函数所造成的失配，我们表明，所提出的多步鲁棒数据驱动的非线性预测控制方案是递归可行的，并使闭环系统实际指数稳定。我们说明了我们的结果上的一个完全驱动的二级倒立摆模型。
2023-03-27 cs.SY eess.SY
Optimal Data-Driven Prediction and Predictive Control using Signal Matrix Models
本文提出一种更简洁的Willems引理表述，将模型分离为初始条件匹配与预测控制设计，避免了正则化，并给出未来输出轨迹的最优无偏预测器闭式表达式，仿真验证了其优异控制性能。
2024-03-22 cs.SY eess.SY
Noise-Tolerant Hybrid Approach for Data-Driven Predictive Control
University of Southern Denmark（南丹麦大学）
本文提出一种容错混合数据驱动预测控制方法，通过奇异值分解分离系统动态与噪声，提升预测精度和计算效率。
2026-01-08 cs.SY eess.SY
Online Poisoning Attacks Against Data-Driven Predictive Control
数据驱动预测控制（DPC）是一种针对动态未知系统的反馈控制方法。它根据过去的输入输出数据反复优化系统的未来轨迹。我们开发了一种计算中毒攻击的数值方法，该方法将添加剂扰动注入在线输出数据，以改变DPC优化的轨迹。该方法是基于隐式微分的DPC轨迹优化的解决方案的地图。我们证明，由此产生的攻击可能会导致输出跟踪误差一个数量级高于随机扰动的数值实验。
2022-11-23 cs.SY eess.SY
Data-driven Distributed and Localized Model Predictive Control
受大规模但计算受限的设置的启发，例如，物联网，我们提出了一种新的数据驱动的分布式控制算法，直接从轨迹数据合成。我们的方法，数据驱动的分布式和本地化模型预测控制（D $^3$ LMPC），建立在数据驱动的系统级综合（SLS）框架，它允许一个参数化\emph{closed-loop}系统响应直接从收集的开环轨迹。所得到的模型预测控制器可以实现分布式计算，只有本地信息共享。通过对系统响应施加局部约束，我们证明了我们的合成问题所需的数据量与全局系统的大小无关。此外，我们表明，我们的算法享有理论保证的递归可行性和渐近稳定性。最后，我们还证明了我们的算法的最优性和可扩展性在模拟实验。
2021-12-22 cs.SY eess.SY
Robust Data-Driven Tube-Based Zonotopic Predictive Control with Closed-Loop Guarantees
本文提出一种针对离散时间线性系统的鲁棒数据驱动TZPC方法，通过两阶段设计在有界噪声下保证递归可行性与闭环鲁棒指数稳定性，数值仿真验证了其有效性与优越性能。
2025-09-16 cs.SY eess.SY
Data-Driven Robust Predictive Control with Interval Matrix Uncertainty Propagation
Uninettuno University（英内图诺大学）；Università di Siena（锡耶纳大学）；Mercatorum University（美卡托鲁姆大学）
本文提出一种数据驱动的鲁棒预测控制方法，通过区间矩阵构建不确定性表示，并利用矩阵扎诺托pe运算约束预测时间内的不确定性，保证状态和输入约束的鲁棒满足。
2026-03-18 cs.SY eess.SY
Design and Implementation of Data-driven Predictive Cloud Control System
随着被控对象规模和复杂性的快速增长，传统的控制系统在计算能力和存储空间等方面面临着新的挑战。云计算被认为是利用足够的计算资源来处理复杂的大规模控制任务的强大解决方案。然而，随着计算能力的提高，涉及的设备越来越复杂，数据量越来越大，模型算法的应用受到了限制。基于上述原因，我们提出了一种原始的数据驱动的预测云控制系统。为了实现所提出的系统，建立了一个实用的数据驱动的预测云控制平台，而不仅仅是一个数值模拟器，并共同开发了云边缘通信方案。最后通过仿真、实验和讨论验证了该系统的有效性。
2021-12-29 cs.SY eess.SY
Autonomous path following using data-driven predictive control
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程和计算学院）
该研究针对自主路径跟踪问题，提出基于误差空间的线性化数据驱动预测控制算法，结合纵向车速调度，经高保真仿真测试验证了其用于车辆控制的潜力。
2026-08-26 cs.SY eess.SY
Set-Theoretic Direct Data-driven Predictive Control
针对带未知时滞的受约束LTI系统，提出集合论式直接数据驱动预测控制方法，通过构建N步输入输出后向可达集推导控制律，无需终端代价、状态估计与显式预测模型，可保证有限时间收敛与递归可行性，镇定效果优于无终端成分的同类方法。
2024-11-01 cs.SY eess.SY
Maximum Likelihood Signal Matrix Model for Data-Driven Predictive Control
本文提出了一种数据驱动的预测控制框架的基础上直接从收集的数据的信号矩阵导出的隐式输入输出映射。这个信号矩阵模型是由最大似然估计与噪声污染的数据。通过在线线性化，隐式模型可以作为线性约束来描述滚动时域控制中系统可能的轨迹。信号矩阵也可以用新的测量值在线更新。该算法可以应用于大数据集和慢时变系统，可能具有高噪声水平。可以引入关于预测误差的附加正则化项以增强可预测性，从而增强控制性能。数值结果表明，所提出的信号矩阵模型预测控制算法在多种应用场合都是有效的，并且性能优于现有的数据驱动预测控制算法。
2021-11-08 cs.SY eess.SY
Data-driven tube-based stochastic predictive control
行为系统理论的一个强有力的结果，称为基本引理，允许预测控制类似于线性时不变（LTI）系统的模型预测控制（MPC），具有纯粹来自数据的未知动态。虽然大多数的数据驱动的预测控制文献的重点是相对于测量噪声的鲁棒性，只有少数作品考虑利用概率信息的干扰性能为导向的控制，在随机MPC。在这项工作中，我们提出了一种新的数据驱动的随机预测控制方案的机会约束LTI系统的测量噪声和附加的随机干扰。为了使其他随机和棘手的最优控制问题的确定性，我们的方法利用基于管的MPC的想法，通过将状态分解成由输入驱动的确定性标称状态和受干扰影响的随机误差状态。通过收紧约束的概率相对于加性干扰和鲁棒性相对于测量噪声，原始的机会约束的满意度得到保证。由此产生的数据驱动的滚动时域最优控制问题是轻量级的，递归可行的，并呈现闭环输入状态稳定的附加干扰和测量噪声。我们证明了所提出的方法的有效性，在一个仿真例子。
2023-03-27 cs.SY eess.SY
Data-driven Predictive Control for Unlocking Building Energy Flexibility: A Review
由于可变可再生能源的渗透率不断提高，电网的供需管理变得越来越具有挑战性。作为重要的终端用户，通过更好的电网集成，建筑物有望在未来的智能电网中发挥越来越大的作用。预测控制允许建筑物更好地利用来自建筑物被动热质量的可用能量灵活性。然而，由于建筑物的异质性，开发计算上易于处理的面向控制的模型，它充分代表了单个建筑物的复杂和非线性的热动力学，被证明是一个主要的障碍。数据驱动的预测控制与“物联网”相结合，有望实现可扩展和可转移的方法，数据驱动的模型将取代传统的基于物理的模型。本文回顾了最近的工作，利用数据驱动的预测控制需求侧管理的应用，特别关注模型开发和控制集成的关系，到目前为止，以前的评论还没有解决。研究的进一步主题包括利用被动热质量的实际要求和功能选择的问题。概述了目前的研究差距，并提出了未来的研究途径，以确定最有前途的数据驱动的预测控制技术的网格集成的建筑物。
2020-07-29 cs.SY eess.SY
On the impact of regularization in data-driven predictive control
本文研究两种正则化惩罚对新型数据驱动预测控制方法$γ$-DDPC闭环性能的影响，并探讨不同数据与噪声场景下的系数调优，为终端用户提供实用指导。
2024-03-23 cs.SY eess.SY
Robust Data-Driven Predictive Control of Unknown Nonlinear Systems using Reachability Analysis
针对有界噪声下的未知非线性系统，提出基于数据驱动可达集过近似的鲁棒预测控制方法，可从含噪数据生成安全控制策略，并取得与基于模型方法相当的性能。
2023-07-16 cs.SY eess.SY
Stochastic Data-Driven Predictive Control: Regularization, Estimation, and Constraint Tightening
本文针对无界随机不确定性下的数据驱动预测控制，提出免调参正则化器、基于一步超前预测的初始条件估计器以及基于二阶锥约束的约束收紧方法，以实现高概率约束满足并提升控制性能。
2023-12-05 cs.SY eess.SY
Distributionally Robust Stochastic Data-Driven Predictive Control with Optimized Feedback Gain
针对部分观测未知随机LTI系统，提出可优化仿射反馈增益、用CVaR处理安全约束的分布鲁棒数据驱动预测控制，并证明其与模型基随机预测控制等价。
2024-09-11 cs.SY eess.SY
Data-Driven Predictive Control for Wide-Area Power Oscillation Damping
ETH Zurich（苏黎世联邦理工学院）；Hitachi Energy Research（日立能源研究院）；The University of Melbourne（墨尔本大学）
本文提出数据驱动预测控制用于阻尼广域电力系统振荡，通过对比ARX、TPC与DeePC等方法，验证了其在抑制区域间和局部振荡中的有效性。
2026-01-27 cs.SY eess.SY
Data-driven Output-feedback Predictive Control: Unknown Plant's Order and Measurement Noise
针对系统模型完全未知的多输入多输出线性定常系统，提出了一种新的数据驱动控制方案。通过非最小输入输出实现，该方法可以应用于系统阶数未知的情况，只要其上界已知。针对测量噪声提出了一种解决方案，并通过仿真研究表明，所提出的方法是优于传统的方法时，处理由测量噪声损坏的输入/输出数据。
2022-01-10 cs.SY eess.SY
Data-Driven Predictive Control for Stochastic Descriptor Systems: An Innovation-Based Approach Handling Non-Causal Dependencies
Tsinghua University（清华大学）；East China University of Science and Technology（华东理工大学）
针对随机描述系统中非因果依赖性问题，提出一种基于创新驱动的数据驱动预测控制框架，通过将快子系统分解为噪声驱动和输入驱动部分，并结合慢子系统定义创新卡尔曼滤波器，实现无需系统矩阵的预测控制。
2026-05-24 cs.SY eess.SY
Distributionally Robust Data-Driven Predictive Control for Stochastic LTI Systems
Aalborg University（奥尔堡大学）
本文提出面向随机线性时不变系统的分布鲁棒数据驱动预测控制框架，通过最小二乘法构建预测残差经验分布作为扰动分布代理，利用Wasserstein模糊集最小化最坏情况下的期望成本并满足概率输出约束，有效验证了该方法在不同扰动条件下的性能。
2026-05-08 cs.SY eess.SY
Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文研究了结构ARX预测器在数据驱动预测控制中的局部敏感性，推导了隐式预测器映射的一阶线性化，用于生成控制相关预测不确定性项和任务依赖的敏感性度量，以优化核正则化。
2026-04-07 cs.SY eess.SY
