From a Frequency-Domain Willems' Lemma to Data-Driven Predictive Control
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于频率域数据的预测控制方法,通过频率域数据与非参数识别技术结合,实现与时域数据驱动控制方案的等效性,并展示其在多个案例中的优势。
2026-02-06 cs.SY eess.SY math.OC
On Controllability and Persistency of Excitation in Data-Driven Control: Extensions of Willems' Fundamental Lemma
Willems的基本引理断言,一个线性时不变系统的所有轨迹都可以从有限个测量轨迹中得到,假设可控性和激励条件保持不变。我们证明这两个条件可以放宽。首先,我们证明了可控性条件可以被一个条件的可控子空间,不可观测的子空间,和一定的子空间相关联的测量轨迹。其次,我们证明了如果某个极小多项式的次数是紧有界的,则激励的持续性要求可以放宽。我们的研究结果表明,数据驱动的预测控制使用在线数据是等效的模型预测控制,即使是不可控的系统。此外,我们的研究结果显着减少识别同质多智能体系统所需的数据量。
2021-04-09 cs.SY eess.SY
Leveraging Non-Steady-State Frequency-Domain Data in Willems' Fundamental Lemma
本文将Willems基本引理的频域变体从稳态数据扩展到非稳态数据,无需等待瞬态衰减即可直接整合瞬态数据进行数据驱动分析与控制,并通过含噪数值实验验证了其在任意频率下评估频响函数的有效性。
2025-04-08 cs.SY eess.SY math.OC
A Stochastic Fundamental Lemma with Reduced Disturbance Data Requirements
Hamburg University of Technology(汉堡工业大学)
本文提出一种无需过去扰动数据的随机基本引理变体,利用多项式混沌展开和扰动分布知识,用于预测随机线性时不变系统未来输入输出轨迹。
2026-05-02 cs.SY eess.SY math.OC
A Continuous-Time Generalization of the LPV Fundamental Lemma
Technische Universität Ilmenau(伊尔梅瑙工业大学);University of Pennsylvania(宾夕法尼亚大学);Eindhoven University of Technology(埃因霍温理工大学)
本文通过LPV系统框架,将LPV基本引理从离散时间推广到连续时间系统,实现数据驱动的连续时间LPV控制器设计。
2026-09-10 cs.SY eess.SY math.OC
Behavioral Theory for Stochastic Systems? A Data-driven Journey from Willems to Wiener and Back Again
本文结合随机与描述符系统视角拓展随机线性系统行为理论,证明$L^2$随机变量的PCE展开可实现等价行为表征,提出随机基本引理,为结合Hankel矩阵与PCE的数据驱动随机最优控制提供数值可处理基础。
2023-04-28 cs.SY eess.SY math.DS
The Non-Strict Projection Lemma
本文提出非严格投影引理,推广了传统严格投影引理及早期非严格版本,并应用于鲁棒线性矩阵不等式边际稳定性分析、镇定、矩阵S引理及矩阵扩张。
2024-03-15 cs.SY eess.SY math.OC
Towards data-driven stochastic predictive control
本文针对受无界加性过程扰动影响的LTI系统,基于基本引理的随机扩展和多项式混沌展开,提出了一种数据驱动的随机预测控制方案,并提供了递归可行性与稳定性的充分条件。
2022-12-20 cs.SY eess.SY math.OC
On Data-Driven Stochastic Output-Feedback Predictive Control
本文基于基本引理的随机变体,提出一种针对受非高斯扰动LTI系统的数据驱动输出反馈预测控制方案,利用多项式混沌展开构建随机OCP,并给出递归可行性与鲁棒性分析,数值示例验证其有效性。
2024-11-05 cs.SY eess.SY math.OC
Linear tracking MPC for nonlinear systems Part II: The data-driven case
提出了一种新的数据驱动的模型预测控制(MPC)方法来控制未知的非线性系统仅使用测量的输入输出数据与闭环稳定性保证。我们的计划依赖于数据驱动的系统参数化提供的基本引理Willems等人。我们使用新的输入输出测量在线更新数据,利用本地线性逼近的底层系统。我们证明,我们的MPC计划,这只需要解决严格凸二次规划在线,确保闭环(实际)收敛到(未知)的最佳可达平衡,跟踪所需的输出参考,同时满足多面体输入约束。作为中间结果的独立利益,我们扩展的基本引理仿射系统,我们得到新的鲁棒性界w.r.t.噪声数据的开环最优控制问题,这是直接转移到其他数据驱动的MPC计划在文献中。我们的方法的适用性示出了一个连续搅拌釜式反应器的数值应用。
2022-04-14 cs.SY eess.SY math.OC
Data-driven Stochastic Output-Feedback Predictive Control: Recursive Feasibility through Interpolated Initial Conditions
研究了受随机干扰的线性系统的数据驱动输出反馈预测控制问题。该计划依赖于一个合适的数据驱动的随机最优控制问题(OCP),它允许向前预测和优化的输入和输出的统计分布的重新制定的递归解决方案。我们的方法避免了使用参数系统模型。相反,它是基于以前记录的数据,使用最近提出的随机变量威廉姆斯的基本引理。引理的随机变量适用于一类受高斯和非高斯随机扰动的线性动力学。为了确保递归的可行性,OCP的初始条件--由过去的输入和输出信息组成--被认为是OCP的一个额外的决策变量。我们提供了充分条件的递归可行性和闭环实际稳定的建议方案以及性能界限。最后,一个数值例子说明了所提出的计划的有效性和闭环特性。
2022-12-15 cs.SY eess.SY math.OC
Guarantees for data-driven control of nonlinear systems using semidefinite programming: A survey
本文综述无可利用数学模型的非线性系统中,基于有限数据表示并归结为 SDP 的严格保证数据驱动控制方法。
2023-11-03 cs.SY eess.SY math.OC
A quantitative and constructive proof of Willems' Fundamental Lemma and its implications
本文受经典自适应控制启发,以定量、有向且构造性的方式重新证明Willems基本引理,给出奇异值界与显式PE下界,并揭示系统零点的关键作用。
2023-03-07 cs.SY eess.SY math.OC
Nonlinear Data-Enabled Prediction and Control
Willems基本引理描述了具有测量轨迹的线性动力学,它在控制器设计和信号处理中得到了成功的应用,并将其推广到非线性系统,引起了广泛的研究兴趣。在这项工作中,我们提出的基本引理的再生核希尔伯特空间,以扩大其应用到一类非线性系统,我们展示了它的应用在预测和预测控制。
2021-05-31 cs.SY eess.SY math.OC
Linear Data-Driven Economic MPC with Generalized Terminal Constraint
提出了一种基于数据驱动的广义终端约束经济模型预测控制(EMPC)方案,用于控制未知线性定常系统。我们的计划是基于基本引理预测未来的系统轨迹,使用一个持续兴奋的输入输出轨迹。控制目标是最小化经济成本目标。该方案通过引入广义终端约束和人工平衡点,不需要最优平衡点的先验知识。我们证明了闭环系统的渐近平均性能可以任意接近的最优平衡。此外,我们推广我们的结果的情况下,一个未知的线性阶段代价函数,其中的基本引理是用来预测的阶段成本直接。数值算例表明了该方法的有效性。
2022-12-05 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
Data-Driven Optimal Control of Affine Systems: A Linear Programming Perspective
在这封信中,我们讨论的仿射系统的数据驱动的线性规划的背景下的最优控制问题。首先,我们给出了值函数、Q-函数和松弛Bellman算子的不动点刻画的统一框架。然后,在无模型设置,我们展示了如何合成和估计贝尔曼不等式从一个小的,但足够丰富的数据集。为了保证探索的丰富性,我们完成了Willem的基本引理仿射系统的扩展。
2022-07-11 cs.SY eess.SY math.OC
Koopman based data-driven predictive control
在Willems基本引理的启发下,针对LTI系统提出了一类数据驱动的控制方法。与此同时,Koopman算子理论试图将非线性控制问题转化为标准的线性问题,尽管是无限维的。基于这两种思想,本文提出了一种数据驱动的非线性系统控制方案。该方案与大多数差分回归器兼容,使离线学习。特别是,模型的不确定性被认为是,使一种新的数据驱动的仿真框架的基础上Wasserstein距离。数值实验与贝叶斯神经网络进行,以显示所提出的控制和仿真方案的有效性。
2021-02-27 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
Learning event-triggered controllers for linear parameter-varying systems from data
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology(哈尔滨工业大学机器人技术与系统国家重点实验室);Nanyang Technological University(南洋理工大学);The Hong Kong Polytechnic University(香港理工大学);Adelaide University(阿德莱德大学)
针对事件触发LPV系统难以获得精确模型的问题,提出基于θ-持续激励和受扰动数据的数据驱动控制设计,并通过半定规划保证稳定性与最优增益调度,且扩展至轨迹跟踪。
2026-10-12 cs.SY eess.SY
System representations in subspaces of finite-sample signals and their application to data-driven fault detection
USTB(北京科技大学)
本文研究有限样本信号子空间中的系统表示及其在数据驱动故障检测中的应用,提出基于投影的故障检测方法,通过奇异值分解实现信号子空间的正交投影,提升检测性能。
2026-04-19 cs.SY eess.SY
Stabilization of Nonlinear Systems with State-Dependent Representation: From Model-Based to Direct Data-Driven Control
National University of Singapore(新加坡国立大学)
本文针对状态依赖非线性系统,先基于 LMI 设计鲁棒镇定控制器,再利用 Petersen 引理构建数据依赖 LMI,实现无需显式辨识、直接由有限数据给出稳定性与安全性端到端保证。
2026-10-14 cs.SY eess.SY
Data-Driven Control of Positive Linear Systems using Linear Programming
提出了一种基于线性规划的线性正系统数据驱动镇定控制算法。一组状态输入转换观测值被收集到幅度有界噪声。通过构造状态反馈控制器和对偶线性共正李雅普诺夫函数,使得所有数据一致对象的集合包含在所有稳定系统的集合内。这个包容性是通过使用扩展的法卡斯引理证明,并通过线性规划解决。可以使用线性约束来施加控制器的符号模式和稀疏结构。该算法的复杂度以多项式方式与状态和输入的数量成比例。在示例系统上证明了有效性。
2023-03-22 cs.SY eess.SY math.OC
Closed-Loop Consistent, Causal Data-Driven Predictive Control via SSARX
KTH Royal Institute of Technology(皇家理工学院)
本文提出了一种基于SSARX的闭环一致、因果数据驱动预测控制方法,通过高阶ARX模型解耦噪声并学习多步映射,实现与MPC相似的策略合成。
2025-12-16 cs.SY eess.SP eess.SY
Data-driven Control of Unknown Linear Systems via Quantized Feedback
利用量化反馈的控制是通信容量有限的系统综合的基本方法。在本文中,我们解决了未知的线性系的量化反馈镇定问题,通过直接的数据驱动控制方法。利用最近开发的矩阵S-引理,我们证明了一个充分和必要条件存在一个共同的稳定控制器的所有可能的动态数据一致,在线性矩阵不等式的形式。此外,我们制定了半定规划来解决粗量化密度。通过建立它与状态矩阵不稳定特征值的联系,我们进一步证明了量化反馈镇定的数据的必要秩条件。最后,我们通过数值例子验证了我们的理论结果。
2022-03-10 cs.SY eess.SY math.OC
Robust data-driven control design for linear systems subject to input saturations
研究了输入饱和线性系统的局部镇定问题。在提出了一个基于模型的解决方案,这个问题的研究,一个系统的方法来转换模型驱动到数据驱动的LMI条件。该技术方案与基于S-过程或Peterson引理的线性矩阵不等式的最新结果是等价的。然而,所提出的方法的优点依赖于它的简单性和它的潜力,适用于广泛的一类问题的稳定(非)线性离散时间系统。最后通过一个实例说明了该方法的有效性。
2023-03-08 cs.SY eess.SY
Direct data-driven state-feedback control of general nonlinear systems
本文利用速度形式的 LPV 表示和 Fundamental Lemma,仅凭单段数据与预定义基函数直接综合非线性状态反馈律,保证闭环相对任意平衡点的稳定性与耗散性。
2023-09-26 cs.SY eess.SY
From System Level Synthesis to Robust Closed-loop Data-enabled Predictive Control
Willems的基本引理和系统级综合都是通过输入输出序列来刻画线性动态系统。在这项工作中,我们将基本引理的应用从确定性的不确定LTI系统,然后进一步证明这种扩展是等价的系统级综合。基于这种不确定性扩展,提出了一种鲁棒闭环数据使能预测控制方案,其中因果反馈控制律进一步推导。两个数值实验,包括单区域建筑物的温度控制,进行了验证所提出的数据驱动控制器的有效性。
2021-03-09 cs.SY eess.SY
Behavioral uncertainty quantification for data-driven control
本文探讨了数据驱动控制的行为设置中的不确定性量化问题。基于鲁棒控制的经典思想,该问题被认为是选择一个最适合于基于数据的不确定性描述的度量。利用Willems的基本引理,将约束行为看作是固定维数的子空间,可以用数据矩阵表示。因此,受限行为之间的度量被定义为格拉斯曼上的点之间的距离,即,在一个给定的向量空间中所有维数相等的子空间的集合。一个新的度量被定义为一个直接的有限时间对应的经典间隙度量的限制行为的集合。度量捕获参数的不确定性类的自回归(AR)模型。数值模拟与数据驱动的模式识别和控制案例研究说明了新的度量的价值。
2022-04-06 cs.SY eess.SY math.OC
Data-driven distributed MPC of dynamically coupled linear systems
本文提出一种基于Willems基本引理的数据驱动分布式MPC方案,仅用输入输出数据镇定动态耦合线性系统,并证明了递归可行性与实际稳定性。
2023-08-11 cs.SY eess.SY math.OC
Data-Driven Structured Robust Control of Linear Systems
针对通信受限系统,提出基于线性矩阵不等式与矩阵 S-lemma 的数据驱动结构化 $H_2$ 鲁棒控制方法,实现了与数据样本量规模无关的次优调节。
2024-11-18 cs.SY eess.SY math.OC
Data-driven Unknown-input Observers and State Estimation
未知输入观测器(UIO)允许在不知道所有输入的情况下估计LTI系统的状态。在本文中,我们提供了一个新的数据驱动的UIO行为系统理论的基础上,由Jan Willems和同事提出的结果称为基本引理。我们从系统中收集的数据,提供渐近收敛的状态估计的UIO的存在的必要和充分条件,并提出了一个纯粹的数据驱动的算法计算。即使我们专注于UIO,我们的结果也适用于完全已知输入的标准情况。作为一个例子,我们将所提出的方法应用于分布式状态估计在直流微电网,并说明其潜在的网络攻击检测。
2021-07-21 cs.SY eess.SY
An overview of systems-theoretic guarantees in data-driven model predictive control
Institute for Systems Theory and Automatic Control, University of Stuttgart(斯图加特大学系统与自动控制系统理论研究所)
本文综述了数据驱动模型预测控制中系统理论保证的方法,涵盖从线性系统到非线性系统的各种设置,并讨论了未来研究方向以提升其理论和实际应用。
2025-12-22 cs.SY eess.SY math.OC
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
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
A novel constraint tightening approach for robust data-driven predictive control
在本文中,我们提出了一个数据驱动的模型预测控制(MPC)计划,能够稳定未知的线性时不变系统的影响下的过程干扰。为此,Willems引理被用来预测系统的未来行为。这允许整个方案仅使用先验测量数据和系统阶次上界的知识来设置。首先,我们开发了一个状态反馈MPC计划,输入状态数据的基础上,保证闭环实际指数稳定性和递归的可行性,以及闭环约束满足。该计划是通过一个适当的约束收紧,这也可以只使用数据来构建扩展。为了控制先验不稳定系统,所提出的方案包含一个预稳定控制器和相关的输入约束收紧。我们首先提出了建议的数据驱动的MPC计划的情况下,全状态测量,并提供扩展,以获得类似的闭环保证的情况下,输出反馈。所提出的格式被应用到一个数值例子。
2022-03-14 cs.SY eess.SY math.OC
Data Informativity for Quadratic Stabilization under Data Perturbation
Institute of Science Tokyo(东京科学大学)
本文提出数据扰动概念,统一处理系统噪声和测量噪声,通过扩展矩阵S过程的关键引理,解决了数据信息度评估中的核心问题,无需假设噪声特性。
2024-10-08 cs.SY eess.SY math.OC
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 Pole Placement in LMI Regions with Robustness Constraints
本文提出了一种鲁棒的学习方法,将闭环极点放置在复平面上所需的凸区域。我们认为系统的状态和输入矩阵是未知的,只能使用系统轨迹的测量。线性矩阵不等式(LMI)区域中的闭环极点配置问题被认为是经典的鲁棒控制问题,然而这需要关于线性系统的状态和输入矩阵的知识。我们从行为系统理论和基于激励条件的基本引理的持久性中引入思想,以开发满足多个闭环鲁棒性规范的数据驱动的对应物,例如$\mathcal{D}$ -稳定性和混合$H_2/H_{\infty}$性能规范。我们的公式产生了数据驱动的半定规划(SDP),并具有足够的理论保证。通过对一个三阶动力学系统的数值模拟,验证了理论结果的正确性。
2021-11-12 cs.SY eess.SY
Poisoning Attacks against Data-Driven Control Methods
本文研究了针对数据驱动控制方法的中毒攻击。这项工作的动机是最近的趋势表明,在监督学习中,以恶意的方式稍微修改数据会大大降低训练模型的预测能力。我们将这些分析扩展到数据驱动控制方法的情况。具体来说,我们研究如何恶意的对手可以中毒的数据,以尽量减少使用这些数据训练的控制器的性能。我们表明,识别最具影响力的攻击归结为解决一个双层非凸优化问题,并提供理论见解的攻击。我们提出了一个通用的算法,找到这个问题的局部最优解,并说明我们的分析的情况下,基于模型参考的方法,虚拟参考反馈调整技术,并在数据驱动的方法的基础上Willems等人。引理。数值实验表明,数据集中最小但精心制作的更改足以显着降低数据驱动控制方法的性能,甚至使闭环系统不稳定。
2021-03-10 cs.SY eess.SY
A Unified Bayesian Framework for Data-Driven Smoothing, Prediction, and Control
Leibniz University Hannover(汉诺威莱布尼茨大学);University of Stuttgart(斯图加特大学)
本文提出一种统一的贝叶斯框架,通过最大后验估计系统化处理随机数据驱动任务,包括平滑、预测与控制,展示了其在三种任务中的优越性能。
2026-04-29 cs.SY eess.SY
Sampling-based Stochastic Data-driven Predictive Control under Data Uncertainty - Extended Version
针对受有界加性扰动的线性时不变系统,提出基于Willems引理扩展的随机约束输出反馈数据驱动预测控制方案,通过新型未知扰动参数化以采样方式近似机会约束,保证递归可行性等特性,经数值算例验证有效。
2025-10-06 cs.SY eess.SY
LMI relaxations and its application to data-driven control design for switched affine systems
数据驱动控制的问题是解决在这里的上下文中切换仿射系统。这类非线性系统在控制电子、生物、医学等许多类型的应用时特别重要。仍然从实际应用的角度来看,为这类系统提供精确的模型可能是一项艰巨的任务,它可能更相关的工作,从一些轨迹从实验中获得的数据,并部署一个新的分支工具,以稳定系统,与处理过的数据一致。根据最近的数据驱动控制设计的概念,本文首先提出了一个通用的等价引理,显示基于数据的矩阵约束,而不是系统参数。然后,根据不确定切换仿射系统的鲁棒混合极限环的概念,基于李雅普诺夫方法设计了基于模型的鲁棒控制律,然后设计了数据驱动的鲁棒控制律。最后,通过一个算例对所得到的结果进行了说明和评价.
2023-02-23 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
Model Reference Gaussian Process Regression: Data-Driven State Feedback Controller
本文提出了一种数据驱动的状态反馈控制器,能够对非线性离散时间系统进行参考跟踪。该控制器的设计基于所识别的系统的逆模型和给定的参考模型,假设逆模型的识别仅使用系统的状态/输入测量进行。当它的结果提供,我们提出的条件,保证一定程度的参考跟踪性能,无论采用的逆模型的识别方法。具体来说,当高斯过程回归(GPR)被用作识别方法,我们提出了所需的数据的充分条件,通过应用一些引理相关的识别误差的上述条件,确保模型参考GPR(MR-GPR)控制器可以保证一定水平的参考跟踪性能。最后,通过算例验证了MR-GPR控制器的有效性。
2023-03-17 cs.SY eess.SY
Data-driven input reconstruction and experimental validation
本文利用 Willems 基本引理和历史 I/O 数据构建开环与闭环未知输入估计器,在未知初始条件下实现输入渐近收敛,并通过建筑二氧化碳与占用估计实验验证有效性。
2022-03-05 cs.SY eess.SY
3DIOC: Direct Data-Driven Inverse Optimal Control for LTI Systems
Shanghai Jiao Tong University(上海交通大学)
研究线性时不变系统的3DIOC问题,直接从输入输出轨迹学习目标函数,推导无模型最优性必要条件,针对有噪声情况将其重构成双层优化问题求解,分析两种公式解集关系,仿真验证方法有效性和性能。
2026-07-10 cs.SY eess.SY math.OC
Distributionally robust uncertainty quantification via data-driven stochastic optimal control
本文研究未知线性系统在不确定分布随机干扰下的最优控制问题,基于数据驱动控制的随机基本引理和多项式混沌展开框架,将分布鲁棒最优控制问题转化为可处理的凸规划,并通过数值例子验证了方法的有效性。
2023-06-04 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 Active Power Flow Modeling: A Behavioral Systems Approach
Jouly;University of Kassel(卡塞尔大学)
针对可再生能源导致电网参数未知的问题,基于Willems基本引理提出数据驱动的非线性有功潮流模型,直接利用输入/输出数据进行优化,无需电网电气参数,并通过凸松弛实现高效求解。
2026-06-15 cs.SY eess.SY
An Online Adaptation Strategy for Direct Data-driven Control
本研究提出一种在线自适应策略,通过在控制过程中作为观测器并行运行并基于秩条件更新数据驱动的非参数系统表示,扩展了行为系统理论基本引理范式在强非线性系统中的适用性,并在双连杆机械臂的预测控制仿真中验证了其性能。
2023-04-06 cs.SY eess.SY
Nonlinear Data-Driven Control Part II: qLPV Predictive Control using Parameter Extrapolation
提出一种基于行为理论和 qLPV 嵌入的非线性系统数据驱动 MPC 算法,利用参数外推生成未来调度轨迹,在仅需测量数据集的条件下确保系统调节、IO 约束满足及闭环稳定性。
2023-09-15 cs.SY eess.SY math.DS
Data-driven predictive control of nonlinear systems using weighted regularization
Delft University of Technology(代尔夫特理工大学);University of Oslo(奥斯陆大学)
针对非线性系统数据驱动预测控制问题,提出通过加权范数正则化纳入数据列偏好的框架,使预测器局部化且不丢数据,在保留数据矩阵及其秩时匹配或优于硬数据选择方案,保证了可行性。
2026-07-13 cs.SY eess.SY
Adaptive Robust Data-driven Building Control via Bi-level Reformulation: an Experimental Result
用于最大限度地减少建筑物能耗的数据驱动控制方法有可能大大降低部署成本,并增加该部门对先进控制的采用。最近的一些方法的基础上应用的Willems的基本引理的数据驱动的控制器设计从输入/输出测量是非常有前途的确定性LTI系统。本文\change{proposes a systematic way to handle unknown measurement noise and measurable process noise},并扩展这些数据驱动的控制方案,自适应楼宇控制通过一个强大的双层次制定,其上层确保鲁棒性和其较低的水平保证预测质量。提出了相应的数值改进和主动激励机制,以实现计算效率高的可靠操作。通过\change{a multi-zone building simulation}和EPFL校园内一个单区会议大楼的实际实验,验证了该方案的有效性。真实世界的实验包括20天的不间断测试,在没有额外建模工作的情况下,我们提出的控制器与行业标准控制器相比提高了18.4%的能源效率,同时还鲁棒地确保了乘员的舒适性。
2023-03-22 cs.SY eess.SY