Tube-Certified Trajectory Tracking for Nonlinear Systems With Robust Control Contraction Metrics
本文提出基于鲁棒控制收缩度量的轨迹跟踪方法，通过离线计算不变管保证非线性系统在扰动下的状态和输入安全界，并证明其比现有 CCM 方法更紧，可集成到反馈运动规划中规划安全轨迹。
2023-07-06 cs.SY eess.SY
Event disturbance rejection: a case study
本文提出基于可激发系统的控制结构，用于鲁棒事件扰动抑制，强调通过特定输入信号实现系统收缩，以提高对离散事件的调节能力。
2025-05-16 cs.SY eess.SY
Streaming Contraction Certificates for Nonlinear Networks: Topology-Aware Data Sufficiency with Partial Observation
Lehigh University（利哈伊大学）
针对现有框架无法实时从非线性互联系统部分观测认证控制动作安全性的问题，本文开发流收缩证书，并引入拓扑感知估计器，在五节点非线性基准测试中取得良好效果，适用于大规模非线性网络系统。
2026-07-14 cs.SY eess.SY math.OC
Data-Driven Predictive Control with Adaptive Disturbance Attenuation for Constrained Systems
本文提出一种结合H-infinity控制与MPC的数据驱动预测控制方法，能根据系统状态和预测扰动动态调整扰动衰减性能，并在含噪数据下保证了闭环稳定性、约束满足和递归可行性。
2024-03-22 cs.SY eess.SY math.OC
A Contraction Theory Approach for Analysis of Performance Recovery in Dynamic Surface Control
Indian Institute of Technology, Delhi（印度德里理工学院）
本文基于收缩理论设计新型扰动观测器动态表面控制器，通过设计参数获得稳态误差界，验证了在滤波参数范围内动态表面控制能恢复回步控制性能，并推导了最大界限及扰动下的稳定性界。
2015-10-31 cs.SY eess.SY
Distributed Truncated Predictive Control for Networked Systems under Uncertainty: Stability and Near-Optimality Guarantee
本文针对不确定网络化系统提出分布式截断预测控制算法，每个节点仅利用局部信息和有限跳邻域求解截断预测优化问题，证明其具有输入到状态稳定性且遗憾值随时域和截断半径指数衰减，从而以短时域和小邻域实现近最优性能。
2025-07-17 cs.SY eess.SY math.OC
A New Contraction-Based NMPC Formulation Without Stability-Related terminal Constraints
CNRS/University of Grenoble Alpes（法国国家科学研究中心/格勒诺布尔阿尔卑斯大学）
本文提出一种无需显式包含收缩约束的基于收缩的NMPC公式，证明在温和假设下闭环行为的收敛性。
2016-06-02 cs.SY eess.SY
Meta-Learning Augmented MPC for Disturbance-Aware Motion Planning and Control of Quadrotors
KTH Royal Institute of Technology（瑞典皇家理工学院）；Caltech（加州理工学院）；Uppsala University（乌普萨拉大学）
针对自主飞行中的未知扰动问题，提出一种由扰动感知运动规划器和收缩控制跟踪控制器组成的框架，结合预测控制与在线学习的扰动模型，在强风等仿真中验证了安全性。
2024-12-17 cs.RO cs.SY eess.SY
Safe Feedback Motion Planning: A Contraction Theory and $\mathcal{L}_1$-Adaptive Control Based Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主机器人能够在存在不完善的模型知识或外部干扰的情况下安全运行，这在安全关键应用中至关重要。在本文中，我们提出了一个规划者不可知的框架，设计和验证安全管周围所需的轨迹，机器人总是保证留在里面。利用最近的结果收缩分析和$\mathcal{L}_1$ -自适应控制，我们合成的架构，诱导安全管的非线性系统的状态和时变不确定性。我们演示了一些说明性的例子如何收缩理论为基础的$\mathcal{L}_1$ -自适应控制可以与传统的运动规划算法结合使用，以获得可证明安全的轨迹。
2020-05-25 cs.RO cs.SY eess.SY
Robust adaptive MPC using control contraction metrics
本文提出一种基于控制收缩度量的鲁棒自适应MPC框架，通过位似管和集员估计在线更新参数不确定性，在保证约束满足与收敛性的同时降低保守性，并在平面四旋翼上验证其优势。
2023-07-11 cs.SY eess.SY math.OC
Neural Stochastic Contraction Metrics for Learning-based Control and Estimation
California Institute of Technology（加州理工学院）；Massachusetts Institute of Technology（麻省理工学院）
针对一类随机非线性系统，提出了一种新的可证明稳定的鲁棒控制与估计设计框架--神经随机收缩神经网络（NSCM）。它使用频谱归一化深度神经网络来构建收缩度量，通过随机设置中的简化凸优化进行采样。谱归一化约束的度量的状态导数是Lipschitz连续的，从而确保指数有界的随机干扰下的系统轨迹的均方距离。NSCM框架允许自主智能体实时逼近最优稳定控制和估计策略，并优于现有的非线性控制和估计技术，包括状态相关的Riccati方程，迭代LQR，EKF和确定性神经收缩度量，如仿真结果所示。
2021-01-03 cs.AI cs.LG cs.RO
Stochastic Stability of Nonlinear MPPI via Contraction Theory and Control Lyapunov Functions
Tennessee Technological University（田纳西理工大学）；Mercer University（默瑟大学）
研究非线性MPPI的随机稳定性，通过稳定性继承论证，在特定假设下，证明有限样本MPPI能继承标称收缩，给出近似误差分解，在小增益条件下满足稳定性界，并提供相关重述及设计程序。
2026-07-09 cs.SY eess.SY math.OC
Contraction Analysis and Control Synthesis for Discrete-time Nonlinear Processes
从传统的大规模生产方式转变，过程工业正在转向更敏捷，更具成本效益和动态的过程操作（下一代智能工厂）。这保证了用于非线性化学过程的控制系统的开发，以能够跟踪时变设定点，从而根据市场需求生产具有不同规格的产品，并处理原材料和效用的变化（例如，能源）。本文提出了一种系统的方法来实现基于收缩控制的离散时间非线性过程。通过微分动力系统框架，得到了保证指数收敛到可行时变参考的收缩条件。进一步发展了离散时间微分耗散性条件，该条件可用于扰动抑制的控制设计。计算上听话的等价条件，然后推导出并转换成SOS编程问题，这样，一个离散时间控制收缩度量和稳定反馈控制器可以联合获得。合成和实施的细节，并通过数值案例研究证明。
2022-05-09 cs.SY eess.SY
Learning-based Adaptive Control using Contraction Theory
California Institute of Technology（加州理工学院）
当使用学习模型来增强其性能时，自适应控制会受到稳定性和性能问题的影响。因此，本文提出了一种基于深度学习的自适应控制框架，用于具有乘法可分离参数化的非线性系统，称为自适应神经收缩度量（aNCM）。aNCM通过使用深度神经网络（DNN）来近似用于计算微分李雅普诺夫函数和对应的稳定自适应控制律的实时优化。DNN的使用允许实时实施的控制律和广泛的适用性，各种非线性系统的参数和非参数的不确定性。我们表明，使用收缩理论，aNCM确保指数有界的目标和控制轨迹之间的距离存在的参数不确定性的模型，学习误差引起的aNCM近似，和外部干扰。它的优越性，现有的鲁棒性和自适应控制方法证明使用推车杆平衡模型。
2021-10-02 cs.LG cs.RO cs.SY
Neural Contraction Metrics for Robust Estimation and Control: A Convex Optimization Approach
California Institute of Technology（加州理工学院）
本文提出了一种新的基于深度学习的框架，用于使用神经收缩度量（NCM）的概念进行鲁棒非线性估计和控制。NCM使用一个深度长短期记忆递归神经网络来全局逼近最优收缩度量，该最优收缩度量的存在是非线性系统指数稳定的充分必要条件.最优性源于这样的事实，即离线采样的收缩度量是凸优化问题的解，以最小化扰动和未扰动系统轨迹之间的稳态欧几里得距离的上限。我们展示了如何利用网络模型的对偶性，为具有有界干扰的非线性系统设计在线最优估计器和控制器。通过Lorenz振子状态估计和航天器最优运动规划问题说明了该框架的性能。
2020-07-31 cs.AI cs.LG cs.RO
A Theoretical Overview of Neural Contraction Metrics for Learning-based Control with Guaranteed Stability
Graduate Aerospace Laboratories, Caltech（加州理工学院研究生航空航天实验室）；Nonlinear Systems Laboratory, MIT（麻省理工学院非线性系统实验室）；Reliable Autonomous System Laboratory, MIT（麻省理工学院可靠自主系统实验室）
本文介绍了神经收缩度量（NCM）的理论概述：一个最优收缩度量和相应的微分李雅普诺夫函数的神经网络模型，它的存在是非自治非线性系统轨迹增量指数稳定的充分必要条件。其创新之处在于为基于学习的控制框架提供形式化的鲁棒性保证，利用收缩理论作为分析工具，通过凸优化研究学习系统的非线性稳定性。特别是，我们严格表明，在本文中，通过把建模误差的学习计划作为外部干扰，NCM控制能够获得显式的约束之间的距离随时间变化的目标轨迹和扰动的解决方案的轨迹，指数随时间的推移而下降，即使在确定性和随机扰动的存在下。这些有用的功能允许同时合成的收缩度量和相关的控制律的神经网络，从而使实时可计算的和可能鲁棒的学习为基础的控制一般控制仿射非线性系统。
2021-10-02 cs.LG cs.RO cs.SY
Neural Robust Control on Lie Groups Using Contraction Methods (Extended Version)
Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）
本文提出了一种学习框架，用于在李群上动态系统合成鲁棒控制器。通过联合训练鲁棒控制收缩度量（RCCM）和神经反馈控制器，确保在李群流形上满足收缩条件。研究得出了RCCM和神经控制器存在的充分条件，确保在尊重流形结构几何约束的同时，建立依赖扰动的管状边界以限制输出轨迹。
2026-04-01 cs.RO cs.SY eess.SY
Robust trajectory tracking for underactuated mechanical systems without velocity measurements
本文利用收缩理论解决机械系统轨迹跟踪问题，提出三种基于IDA-PBC的控制设计，无需速度测量且能抑制匹配干扰，保证系统指数收敛至期望轨迹。
2023-07-02 cs.SY eess.SY
Set-Estimation based Networked Model Predictive Control for Energy Management of Faulty Microgrids
本文讨论了部分故障微电网的潮流控制问题。在微电网控制系统中，电气层和通信层都可能发生故障。这可能对微电网的运行产生严重影响。此外，扰动总是与微电网中的故障共存，这可能进一步恶化系统性能。为了同时解决故障和干扰问题，提出了一种基于集员估计（SME）的模型预测控制（MPC）方法，该方法通过通信网络传输信息。当电气设备不工作或发生通信故障时，相应的系统状态将变得不可用。为此，SME方法被用来估计未知但有界的过程和测量干扰存在的状态。利用光伏发电量和负荷需求的预测，设计了网络化预测控制方法来调度电力调度。通过这两种方法，可以实现容错控制。此外，提出了一种偏差补偿方法来补偿预测误差。所提出的控制策略的有效性证明通过无线通信测试使用树莓派。
2021-06-07 cs.SY eess.SY
Data-driven online control for real-time optimal economic dispatch and temperature regulation in district heating systems
University of Cambridge（剑桥大学）
本文提出数据驱动的在线控制框架，通过嵌入稳态经济最优条件到温度动态中，实现供热系统在无扰动预测的情况下收敛到经济最优运行点，同时通过数据赋能策略优化和ADAM算法提升闭环性能。
2026-04-20 cs.SY eess.SY
Learning Certified Control using Contraction Metric
SRI International（SRI国际）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们解决的问题，找到一个认证的控制策略，驱动机器人从任何给定的初始状态和任何有界的干扰下所需的参考轨迹，保证收敛或边界上的跟踪误差。这种控制器在安全的运动规划中是至关重要的。利用控制收缩度量的先进理论，设计了一个基于神经网络的学习框架，用于控制仿射系统的收缩度量和控制器的协同综合。我们进一步提供了方法来验证收敛性和有界误差保证。我们使用一套具有挑战性的机器人模型，包括具有学习动力学的神经网络模型，展示了我们的方法的性能。我们比较我们的方法与领先的方法，使用平方和编程，强化学习，和模型预测控制。结果表明，我们的方法确实可以处理更广泛的系统，具有更少的跟踪误差和更快的执行速度。代码可在https://github.com/sundw2014/C3M上获得。
2020-11-25 cs.RO cs.SY eess.SY
Decentralized Algorithms for 3D Symmetric Formations in Robotic Networks: a Contraction Theory Approach
Stanford University（斯坦福大学）
本文提出分布式算法用于多机器人三维对称编队控制，结合循环追捕数学性质和收缩理论，确保全局收敛至对称编队，并通过仿真验证。
2015-11-09 cs.MA cs.RO cs.SY
Learning-based Robust Motion Planning with Guaranteed Stability: A Contraction Theory Approach
California Institute of Technology（加州理工学院）
本文提出了基于学习的自主制导与鲁棒性和稳定性保证（LAG-ROS），它提供了正式的鲁棒性和稳定性保证的机器学习为基础的非线性运动规划器，通过设计一个微分李雅普诺夫函数使用收缩理论。LAG-ROS利用一个神经网络模型的鲁棒跟踪控制器独立的目标轨迹，我们表明，目标和控制轨迹之间的欧氏距离是指数有界的线性学习误差，即使在存在有界的外部干扰。我们还提出了一种凸优化方法，最小化的跟踪误差的稳态界构造的鲁棒控制律的神经网络训练。在数值模拟中，它表明，所提出的方法确实具有优越的性能的鲁棒性和非线性稳定性所产生的收缩理论，同时保留现有的基于学习的运动规划的计算效率。
2021-10-02 cs.AI cs.LG cs.RO
Dynamic Constraint Tightening for Nonlinear MPC for Autonomous Racing via Contraction Analysis
Technical University of Munich（慕尼黑工业大学）
本文提出了一种基于收缩分析的非线性MPC框架，用于自动驾驶赛车在操控极限下的路径跟踪，通过优化CCM实现约束紧缩，提高计算效率并增强鲁棒性。
2026-02-04 cs.SY eess.SY
Enhanced Robust Tracking Control: An Online Learning Approach
本文针对受未知扰动影响的非线性系统跟踪控制问题，提出一种基于神经网络CCM的在线学习方案，从历史数据中学习扰动动态并嵌入补偿，实现即插即用的跟踪性能增强。
2025-05-08 cs.SY eess.SY
Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems
Department of Aerospace Engineering, The Grainger College of Engineering, University of Illinois Urbana-Champaign（航空航天工程系、格拉inger工程学院、伊利诺伊大学厄巴纳-香槟分校）
本文提出基于统计收缩的非高斯随机系统轨迹优化方法，通过共形推断生成置信集并保证闭环约束满足，适用于安全关键应用。
2026-03-07 cs.LG cs.SY eess.SY
Regret Bounds for Adaptive Nonlinear Control
Harvard University（哈佛大学）；Google Brain Robotics（谷歌大脑机器人）；Massachusetts Institute of Technology（麻省理工学院）
研究了已知离散非线性系统在未建模扰动下的自适应控制问题。证明了随机环境下具有匹配不确定性的自适应非线性控制的第一有限时间后悔界，表明与具有完整未建模干扰知识的预言控制器相比，确定性等价自适应控制的后悔上界在期望下为$\widetilde{O}(\sqrt{T})$.此外，我们表明，当输入受到$k$时间步长延迟，遗憾退化为$\widetilde{O}(k \sqrt{T})$。我们的分析得出了非线性控制理论（李雅普诺夫稳定性和收缩理论）和现代后悔在线凸优化分析的经典稳定性概念之间的联系。稳定性理论的使用使我们能够分析具有挑战性的无限地平线单轨迹设置。
2020-11-26 cs.LG cs.SY eess.SY
Contraction Theory for Nonlinear Stability Analysis and Learning-based Control: A Tutorial Overview
Division of Engineering and Applied Science, California Institute of Technology, Pasadena, CA, USA（加州理工学院工程与应用科学系）；Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA, USA（加州理工学院喷气推进实验室）；Nonlinear Systems Laboratory, Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院非线性系统实验室）
本文综述了收缩理论在非线性确定性和随机系统稳定性分析中的应用，重点在于通过凸优化系统构建收缩度量以获得鲁棒性和稳定性保证。
2026-03-17 cs.LG cs.RO cs.SY
Seamless Contraction-Control Framework for Unplanned Grid-Connected/Stand-Alone Transitions of Grid-Forming Inverters
School of Electrical and Electronic Engineering, Huazhong University of Science and Technology（华中科技大学电气与电子工程学院）
针对非计划并网/孤岛切换问题，提出无缝收缩控制框架，基于收缩理论设计并网电流控制和孤岛电压控制律，并引入断路器状态观测器实现模式推断，实验验证了电压支撑、电流注入及双向切换性能。
2026-06-08 cs.SY eess.SY
Model Predictive Control for Joint Ramping and Regulation-Type Service from Distributed Energy Resource Aggregations
本文提出基于模型预测控制的滚动优化方法，解决分布式能源资源聚合体在爬坡与调节服务中的最优分配问题，以减少对大规模发电爬坡的需求并缓解电网扰动。
2024-05-05 cs.SY eess.SY math.OC
Contraction Certification from Streaming Data: Wasserstein Robustness and Compositional Stability for Interconnected Nonlinear System
Lehigh University（利哈伊大学）
针对流数据收缩认证面临的干扰分布变化和系统耦合问题，提出瓦瑟斯坦鲁棒认证及组合框架，无需联合模型，在多噪声状态测试中，瓦瑟斯坦认证效果显著提升，组合框架能准确识别耦合状态。
2026-07-15 cs.SY eess.SY math.DS
Context-Aware Model Predictive Control for Microgrid Energy Management via LLMs
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳数据科学学院）；Department of Statistics and Data Science, the Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿学院统计与数据科学系）
本文提出InstructMPC框架，利用LLM和可调最后一层映射，将非结构化操作上下文转化为MPC控制器的预测扰动轨迹，通过理论分析和实验验证，证明了在微电网中整合语义信息提升控制效果。
2026-04-08 cs.SY eess.SY
Scenario-based Nonlinear Model Predictive Control for Building Heating Systems
用于建筑物加热的最新模型预测控制（MPC）应用采用确定性控制器连同非线性模型或线性化模型连同随机MPC控制器。然而，确定性MPC只考虑一个单一的实现的干扰和它的性能强烈地依赖于质量的预测的干扰，这可能会导致低性能。事实上，不充分的建筑能源管理会导致高能源成本和CO $_2$排放。另一方面，线性化模型可能无法捕获受控建筑物的某些动态和行为。在这篇文章中，我们将一个基于随机神经网络的MPC（SBMPC）控制器与一个非线性Modelica模型相结合，该模型能够提供更丰富的建筑物描述，并比线性模型更准确地捕捉建筑物的动态。所采用的SBMPC控制器考虑通过统计精确模型获得的外部干扰的多个实现，从而考虑不同的可能的干扰演变和鲁棒控制动作。为此，我们提出了一种建筑物温度控制的情景生成方法，可以应用于几种外源扰动，例如太阳辐照度，外界温度，并满足几个重要的统计性质，与文献中采用的简单和不太准确的方法相比。我们通过几个模拟，我们将我们的方法与文献中的标准方法进行比较，以显示我们所提出的方法的好处，对于舒适度和能源成本之间的权衡参数的几种组合。我们展示了我们的SBMPC控制器方法如何优于文献中的标准控制器。
2021-05-20 cs.SY eess.SY
Self-Tuning Control based on Modified Equivalent-Dynamic-Linearization Model
提出基于引入时延和干扰的改进EDLM的自校正控制器，分四种情况应用，通过分析闭环极点实现设计与稳定性分析，并解决MFAC中参数λ的定量选择问题。
2023-11-24 cs.SY eess.SY
A robust and adaptive MPC formulation for Gaussian process models
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种针对受有界扰动和未建模非线性影响的不确定非线性系统的鲁棒且自适应MPC框架，利用高斯过程学习不确定动态，并通过收缩度量进行鲁棒预测，保证递归可行性、鲁棒约束满足和参考状态收敛。
2026-09-09 cs.LG cs.SY eess.SY
A Robust Predictive Control Method for Pump Scheduling in Water Distribution Networks
针对配水网络水泵调度中的模型与需求不确定性，提出稀疏重构的RMPC方法，以更低计算复杂度实现可靠约束满足，并在Randers网络上取得优于基线MPC的控制效果与相当经济性。
2025-07-24 cs.SY eess.SY
Learning Over Contracting and Lipschitz Closed-Loops for Partially-Observed Nonlinear Systems (Extended Version)
School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney（悉尼大学航空航天、机械与机电工程学院）
本文提出Youla-REN策略参数化，用于部分观测非线性系统的安全学习控制，自动满足稳定性与鲁棒性条件，在磁悬浮和倒立摆任务中验证了其性能与鲁棒性。
2023-11-13 cs.LG cs.SY eess.SY
A robust adaptive model predictive control framework for nonlinear uncertain systems
针对具有参数不确定性和附加干扰的非线性系统，提出了一种基于管道的鲁棒自适应模型预测控制（RAMPC）框架。集员估计是用来提供准确的界限上的参数不确定性，这是用于建设的管在一个强大的MPC计划。由此产生的RAMPC框架，确保强大的递归可行性和强大的约束满意度，同时允许不太保守的操作相比，强大的MPC计划没有模型/参数自适应。此外，通过在目标函数中使用额外的均方点估计，该框架确保了有限增益$\mathcal{L}_2$稳定性。附加干扰作为第一个贡献，我们得到适当的单调性和非递增性能一般参数估计算法和管/集为基础的RAMPC计划，确保强大的递归可行性和强大的约束条件下的递归模型更新的满意度。然后，作为本文的主要贡献，我们提供了类似的条件，为管为基础的配方，使用增量李雅普诺夫函数，标量收缩率和函数的不确定性的边界参数化。有了这个结果，我们可以提供简单的建设性设计不同的RAMPC计划具有不同的计算复杂度和保守性。作为一个推论，我们可以证明，最先进的非线性RAMPC配方是一个特殊的情况下，所提出的框架。我们提供了一个数值例子，证明了所提出的框架的灵活性，并展示了最先进的方法相比，改进。
2020-10-20 cs.SY eess.SY
Quasi-Periodic Gaussian Process Predictive Iterative Learning Control
IITB-Monash Research Academy, IIT Bombay（IITB-蒙纳士研究学院，IIT博伊斯瓦尔）；Department of Mathematics, IIT Bombay（数学系，IIT博伊斯瓦尔）；Department of Electrical and Computer Systems Engineering, Monash University（电气与计算机系统工程系，蒙纳士大学）
本文提出一种基于准周期高斯过程的预测迭代学习控制方法，通过高效建模和预测扰动，提升重复性任务的收敛速度和鲁棒性。
2026-02-20 cs.RO cs.SY eess.SY
React to Surprises: Stable-by-Design Neural Feedback Control and the Youla-REN
Australian Centre for Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）；The University of Sydney（悉尼大学）；Laboratory for Information and Decision Systems（信息与决策系统实验室）；Dept. Electrical Engineering and Computer Science（电气工程与计算机科学系）
提出基于非线性Youla-Kucera参数化和鲁棒神经网络（如循环均衡网络REN）的结构，实现无约束优化且保证闭环稳定性，并分析了非线性、部分观测和增量稳定性要求下的性质。
2026-06-01 cs.LG cs.SY eess.SY
Stability analysis for nonlinear compressor system and active adaptive controller against surge with antisurge valve
本文基于非线性Greitzer和Moore模型，利用相平面和Jacobian矩阵分析压缩机喘振与失稳区域，并设计基于MRAS方法的自适应PD控制器，有效克服上游流量扰动，提升系统稳定性和效率。
2025-03-06 cs.SY eess.SY
Secondary control activation analysed and predicted with explainable AI
Forschungszentrum Jülich（于利希研究中心）；University of Cologne（科隆大学）；Queen Mary University of London（伦敦玛丽女王大学）；Norwegian University of Life Sciences（挪威生命科学大学）
向可再生能源系统的过渡对电网的运行和稳定性提出了挑战。二次控制是电力系统在扰动后恢复到基准状态的关键。低估必要的控制能力可能需要采取紧急措施，如甩负荷。因此，需要深入了解新出现的风险和控制的驱动因素。在这篇文章中，我们建立了一个可解释的机器学习模型，用于激活德国的次级控制权。训练梯度提升树，我们获得了控制激活的准确描述。使用SHAPELY加法解释（SHAP）值，我们调查控制激活和外部功能，如发电组合，预测误差和电力市场数据之间的依赖关系。因此，我们的分析揭示了驱动程序，导致高储备要求在德国电力系统。我们的透明方法，利用开放数据并使机器学习模型可解释，开辟了新的科学发现途径。
2021-09-10 cs.AI cs.SY eess.SY
