Robust Data-Enabled Predictive Control: Tractable Formulations and Performance Guarantees
我们介绍了线性时不变（LTI）系统的鲁棒数据使能预测控制（DeePC）的一般框架。所提出的框架使我们能够获得无模型的最优控制的LTI系统的噪声输入/输出数据的基础上。更具体地说，鲁棒DeePC解决了最小-最大优化问题，以计算最优控制序列，该最优控制序列对规定的不确定性集合内的输入/输出数据中的不确定性的所有可能实现具有弹性。我们提出了计算上易于处理的最小最大问题与各种不确定性集的重新表述。此外，我们表明，即使准确的预测未来的行为是无法实现的，在实践中由于无法访问的完美的输入/输出数据，所获得的鲁棒最优控制序列提供了性能保证的实际实现的输入/输出成本。我们进一步证明了鲁棒DeePC推广和鲁棒文献中提出的正则化DeePC（二次正则化或1-范数正则化）。最后，我们在并网功率变换器系统的高保真度、非线性和噪声仿真中展示了所提出的鲁棒DeePC算法的性能。
2021-05-15 cs.SY eess.SY
Learning-Based Efficient Approximation of Data-Enabled Predictive Control
针对数据驱动预测控制（DeePC）优化规模随数据量线性增长、计算成本高的问题，提出基于可微凸规划的规模不变高效近似方法，仿真验证其可将计算时间缩短4/5且保持控制性能。
2024-09-11 cs.SY eess.SY
Efficient Recursive Data-enabled Predictive Control (Extended Version)
本文提出一种基于奇异值分解的DeePC递归更新算法，通过低维变换和快速更新方案降低计算成本，其高度灵活的一般形式涵盖多种数据驱动方法，并在仿真中验证了有效性。
2024-03-24 cs.SY eess.SY
Decentralized Data-Enabled Predictive Control for Power System Oscillation Damping
为了实现电力系统的安全最优广域控制，提出了一种基于数据的预测控制（DeePC）算法。传统的最优广域控制是基于模型的。然而，在实践中，详细和准确的参数电力系统模型很少。相比之下，DeePC算法仅使用从未知系统测量的输入/输出数据来预测未来轨迹并计算最优控制策略。我们展示了DeePC算法即使在存在测量噪声、通信延迟、非线性负载和不确定负载波动的情况下也可以有效地衰减区域间振荡。我们研究了不同矩阵结构下的性能作为数据驱动的预测。此外，我们推导出一种新的Min-Max DeePC算法，可独立应用于多个VSC-HVDC站，以减轻区域间振荡，从而实现分散和鲁棒的最优广域控制。此外，我们讨论了如何通过降低预测不确定性的维度来减轻Min-Max DeePC的计算负担，以及如何利用干扰反馈来降低鲁棒化的保守性。我们说明了我们的研究结果与高保真度，非线性和噪声模拟的四个区域的测试系统。
2021-06-17 cs.SY eess.SY
Neural Parameter-varying Data-enabled Predictive Control of Cold Atmospheric Pressure Plasma Jets
针对冷大气压等离子体射流非线性强、对操作条件敏感难实时控制的问题，提出融合超网络的NPV-DeePC框架，自适应捕捉系统特性实现精准预测控制，仿真验证其精度与适应性更优，且支持实时应用，可推广至同类系统。
2025-10-02 cs.SY eess.SY
A comparison of methods to eliminate regularization weight tuning from data-enabled predictive control
本文比较了三种可消除或简化数据驱动预测控制（DeePC）正则化权重调参的重构方法，经建筑仿真验证，三者性能相当，但传统黑箱模型MPC性能更优、求解更快、轨迹更平滑，且无部分DeePC变体的噪声敏感问题。
2023-05-01 cs.SY eess.SY
Host-Aware Control of Gene Expression using Data-Enabled Predictive Control
University of Oxford（牛津大学）
本文提出基于数据的预测控制方法，用于在细菌中实现基因表达控制，通过优化光遗传控制和培养基浓度实现单细胞水平的实时调节，具有高样本效率和低数据需求。
2026-05-12 cs.SY eess.SY
Data-enabled predictive control with instrumental variables: the direct equivalence with subspace predictive control
直接数据驱动控制吸引了大量的兴趣，因为它使基于优化的控制，而不需要一个参数模型。本文提出了一种新的数据使能预测控制（DeePC）的工具变量~（IV）方法，该方法具有良好的噪声抑制特性，并证明了DeePC和子空间预测控制（SPC）之间的直接等价性。该方法依赖于沿着子空间识别算法的DeePC中的特征方程的推导。IV的一个特定的选择是不相关的未来的噪声，但在同一时间高度相关的数据矩阵。仿真研究表明，所提出的算法在存在过程和测量噪声的情况下，性能得到了改善。
2022-09-12 cs.SY eess.SY
Scenario-based Data-Enabled Predictive Control: Robustification via the Scenario Approach
University of Oslo（奥斯陆大学）
提出基于场景的数据驱动预测控制，将场景优化框架融入数据驱动预测控制，从数据中构建经验扰动场景刻画不确定性，建立支持理论并自适应扩展，在模型上验证可减少约束违反。
2026-07-07 cs.SY eess.SY
Toward Federated DeePC: borrowing data from similar systems
本文提出联邦式 DeePC 的初步扩展，通过融合多个相似系统的输入/输出轨迹提升预测控制，并借助数值示例分析其收益与风险。
2025-07-23 cs.SY eess.SY
Robust Scenario-Based Data-Enabled Predictive Control of a Battery Energy Storage System: An Experimental Study
University of Oslo（奥斯陆大学）；Swiss Federal Laboratories for Materials Science and Technology (Empa)（瑞士联邦材料科学与技术实验室（Empa））
本文首次实际部署基于场景的数据驱动预测控制（Scenario-DeePC）于并网电池系统，通过数据驱动方式构建约束鲁棒性，在保持跟踪性能的同时显著减少约束违规，并自适应应对SOC估计的异常跳变。
2026-10-07 cs.SY eess.SY math.OC
Neural Data-Enabled Predictive Control
本文针对非线性系统，利用神经网络的万能逼近特性提出神经DeePC算法，通过离线学习神经基与在线执行仿射插值实现轨迹预测，并保证了一致性且降低了计算复杂度。
2024-06-12 cs.SY eess.SY math.OC
Floodgates up to contain the DeePC and limit extrapolation
针对数据驱动预测控制（DeePC）在分布偏移下因线性假设导致错误泛化及安全问题，提出在控制公式中引入二次正则化项以减缓分布偏移，从而在探索与安全之间取得平衡。
2025-01-28 cs.SY eess.SY
Mitigating Forced Oscillations in Power Systems via Data-Enabled Predictive Control
ETH Zurich（苏黎世联邦理工学院）
针对电力系统受大型周期性负荷驱动的强制振荡问题，采用无需显式模型的数据驱动预测控制（DeePC），在多机两区域系统上验证其阻尼效果优于传统PSS，凸显其在现代电力系统中的应用潜力。
2026-08-28 cs.SY eess.SY
Direct Data-driven Predictive Control: A Computationally Efficient Alternative to DeePC for Eco-driving in Mixed Traffic Flows
University of Michigan（密歇根大学）；National University of Singapore（新加坡国立大学）
提出直接数据驱动预测控制（D3PC）框架，通过重构数据驱动预测机制降低计算复杂度，实现混合交通中网联自动驾驶汽车的实时生态驾驶，能耗比 DeePC 降低 3.80%。
2026-06-07 cs.SY eess.SY
Basis functions nonlinear data-enabled predictive control: Consistent and computationally efficient formulations
Eindhoven University of Technology（埃因霍温理工大学）
该研究通过通用基函数将DeePC扩展到非线性系统，推导了行为预测器与多步辨识预测器等价的充要条件，提出了一致且计算高效的基函数DeePC公式，并在非线性摆模型上验证了其有效性。
2023-11-09 cs.LG cs.SY eess.SY
Data-Enabled Predictive Control for Grid-Connected Power Converters
Zhejiang University（浙江大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出了一种数据驱动预测控制（DeePC）算法用于并网电力转换器，以实现安全和最优控制。该算法通过输入输出数据预测未来轨迹，无需模型。虽然DeePC能消除振荡并稳定系统，但其在高阶系统中扩展性差。为此，本文提出了一种有限时间输出基于模型预测控制（MPC），利用ARMA模型进行系统表示，并通过递归方式识别。通过分析和比较DeePC与PEM-MPC的闭环性能，展示了PEM-MPC在高压直流输电站中的应用，以消除低频振荡。
2019-03-18 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
DeePC vs. Koopman MPC for Pasteurization: A Comparative Study
Czech Technical University in Prague（布拉格捷克理工大学）；Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克科技大学）
本文比较了DeePC与Koopman MPC在多变量过程控制中的性能，发现两者在约束控制和跟踪误差上表现相近，但Koopman MPC在选定成本下跟踪更紧密，而DeePC产生更平滑的输入轨迹。
2026-04-01 cs.SY eess.SY
Gain-Scheduling Data-Enabled Predictive Control for Nonlinear Systems with Linearized Operating Regions
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究研究所）
本文提出了一种基于线性化区域的增益调度数据驱动预测控制方法，通过复合区域设计实现平滑切换，提升非线性系统控制性能。
2026-02-26 cs.SY eess.SY
Degradation-aware data-enabled predictive control of energy hubs
本文研究数据驱动预测控制（DeePC）在多区域建筑及含热泵和电池的能源枢纽中的应用，证明其在满足舒适性约束的同时不增加电网功耗，并使电池年退化降低两倍。
2023-07-04 cs.SY eess.SY
Data-Enabled Predictive Control for Fast Charging of Lithium-Ion Batteries with Constraint Handling
本文提出一种基于行为系统理论的数据驱动预测控制（DeePC）方法，直接利用电池输入输出数据实现带约束的锂离子电池安全快速充电，并通过主成分分析降维提升计算效率。
2023-04-17 cs.SY eess.SY
Scalable Nonlinear DeePC: Bridging Direct and Indirect Methods and Basis Reduction
本文提出了一种可扩展的非线性DeePC方法，通过引入SVD降维和LASSO稀疏选择，改进了与SPC的等价性，并在噪声环境下提升了预测性能。
2025-12-16 cs.SY eess.SY
Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究局）
提出一种完全数据驱动的三维路径跟踪框架，利用数据驱动预测控制（DeePC）避免显式水动力学建模，并扩展预测自适应视线导引法（PALOS）以提供滚动时域预测控制器所需的一致参考，在REMUS 100 AUV高保真仿真中显著降低横向跟踪误差。
2026-05-31 cs.SY eess.SY
Deep Reinforcement Learning-Enhanced Event-Triggered Data-Driven Predictive Control for a 3D Cable-Driven Soft Robotic Arm
Mississippi State University（密西西比州立大学）；Michigan State University（密歇根州立大学）
提出一种强化学习自适应事件触发DeePC框架，通过训练RL策略决定何时调用优化器，在保持跟踪精度的同时减少计算开销，实验显示优化频率降低66%。
2026-06-29 cs.RO cs.SY eess.SY
Convex Approximations for a Bi-level Formulation of Data-Enabled Predictive Control
本文提出数据驱动预测控制（DeePC）的双层优化公式，并通过凸近似统一多种变体，发现新变体DeePC-SVD-Iter在非LTI系统上表现优异。
2023-12-24 cs.SY eess.SY math.OC
Model-free Vehicle Rollover Prevention: A Data-driven Predictive Control Approach
本文提出基于数据使能预测控制（DeePC）的无模型防侧翻方法，利用降维技术提高实时性，经CarSim仿真验证，优于LMPC，能适应多变路况。
2025-03-26 cs.SY eess.SY
Dimension Reduction for Efficient Data-Enabled Predictive Control
针对数据驱动预测控制（DeePC）优化维度高的问题，提出基于奇异值分解（SVD）的离线数据预处理降维策略，可在不损失控制性能的前提下显著提升计算效率。
2023-10-05 cs.SY eess.SY
Quadratic Regularization of Data-Enabled Predictive Control: Theory and Application to Power Converter Experiments
数据驱动控制通过直接从系统数据提供最优控制输入来绕过系统辨识的过程，近年来引起了人们的重新关注。在本文中，我们专注于了解正则化对数据启用预测控制（DeePC）算法的影响。我们提供的理论动机和解释，包括二次正则化项。我们的分析表明，二次正则化项导致鲁棒性和最佳的解决方案，干扰影响的数据。此外，当输入/输出约束不活动时，二次正则化导致DeePC算法的封闭形式解，从而实现快速计算。在此基础上，提出了一种基于数据驱动的功率变换器同步和功率调节框架，并通过高保真仿真和实验进行了验证。
2021-05-11 cs.SY eess.SY
Economic data-enabled predictive control using machine learning
本文在DeePC框架内提出凸数据基经济预测控制方法，利用神经网络转换系统输出并以二次函数近似非线性经济成本，通过学习重构矩阵处理输出约束，其性能在模拟化工过程中得到验证。
2025-05-12 cs.SY eess.SY
Data-Driven Control from Poisoned Data: Fundamental Limitations and Secure DeePC
KTH Royal Institute of Technology（皇家理工学院）；Digital Futures（数字未来）
针对任意数据中毒攻击，提出安全DeePC算法，通过截断输出和在线重建实现有限时间内的MPC等效性能。
2026-06-19 cs.SY eess.SY
Insights into the explainability of Lasso-based DeePC for nonlinear systems
本文从可解释性角度分析基于Lasso正则化的DeePC在非线性系统控制中的决策机制，理论证明其控制动作由与系统局部行为不一致的数据决定，即使数据分组也无法解释，并通过数值实验验证该结论。
2025-04-11 cs.SY eess.SY
Data-Enabled Predictive Control for Flexible Spacecraft
针对柔性航天器附件非线性带来的建模控制挑战，首次将数据驱动预测控制（DeePC）框架应用于其边界控制，通过历史轨迹构建非参数模型并融入降维技术，仿真表明其性能优于基于李雅普诺夫的控制。
2025-02-13 cs.SY eess.SY
Beyond Shrinkage: Foundations of Data-Driven Control for Piecewise Affine Systems
Eindhoven University of Technology（埃因霍温理工大学）；Leibniz University Hannover（汉诺威莱布尼茨大学）；Politecnico di Milano（米兰理工大学）
本文通过行为刻画、Willems基本引理扩展、线性预测器与收缩正则化的一致性分析以及误分类误差影响研究，为分段仿射系统的数据驱动预测控制奠定理论基础。
2026-05-22 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
Physics-Augmented Data-EnablEd Predictive Control for Eco-driving of Mixed Traffic Considering Diverse Human Behaviors
针对混合交通中人类驾驶行为多样导致的能耗优化难题，提出物理增强型数据驱动预测控制方法，融入系统物理关系与功耗代价项，在保障安全效率的同时实现4.83%至9.16%的能耗降低。
2024-02-02 cs.SY eess.SY
Direct Data-Driven Predictive Control for a Three-dimensional Cable-Driven Soft Robotic Arm
Department of Agricultural & Biological Engineering, Mississippi State University（农业与生物工程系，密苏里州立大学）；Department of Mechanical Engineering, Michigan State University（机械工程系，密苏里州立大学）；Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密苏里州立大学）
本文提出一种有效的数据驱动预测控制框架，用于三维缆驱动软机器人臂，通过奇异值分解实现降维，提升控制精度和鲁棒性。
2026-03-19 cs.RO cs.SY eess.SY
Velocity-Form Data-Enabled Predictive Control of Soft Robots under Unknown External Payloads
Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学）；Department of Mechanical Engineering, University of California Riverside（机械工程系，加州大学河滨分校）；Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密歇根州立大学）；Department of Electrical and Computer Engineering, University of Michigan（电气与计算机工程系，密歇根大学）
本文提出速度形式DeePC框架，利用增量输入输出数据，在未知负载下实现软体机器人鲁棒最优控制，实验验证性能优于标准DeePC。
2025-10-06 cs.RO cs.SY eess.SY
Model-Free Control for Residential Heating: Deployment and Simulation of Nonlinear Data-Enabled Predictive Control
University of Oslo（奥斯陆大学）；Swiss Federal Laboratories for Materials Science and Technology (Empa)（瑞士联邦材料科技与工程研究院）；University of Pennsylvania（宾夕法尼亚大学）；Eindhoven University of Technology（埃因霍温理工大学）；University of Groningen（格罗宁根大学）
针对住宅供暖中MPC建模困难的问题，本文应用三种非线性DeePC（DPC）方法，在数字孪生和真实公寓中验证其比滞回控制节能约11%，且优于线性DeePC。
2026-09-21 cs.SY eess.SY math.OC
The Bias of Subspace-based Data-Driven Predictive Control
本文量化了闭环数据下基于子空间的DDPC偏差，将其分解为子空间偏差与乐观偏差，并证明瞬态预测控制不受这两种偏差影响，实验验证了偏差对跟踪性能的损害。
2025-07-03 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
Economic zone data-enabled predictive control for connected open water systems
Nanyang Environment and Water Research Institute, Nanyang Technological University（南洋理工大学南洋环境与水研究院）；Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学跨学科研究生项目）；School of Chemistry, Chemical Engineering and Biotechnology, Nanyang Technological University（南洋理工大学化学化工与生物技术学院）；Department of Civil and Environmental Engineering, National University of Singapore（新加坡国立大学土木与环境工程系）
本文提出了一种基于经济区数据驱动的预测控制方法，用于连接开放水系统的安全高效运行，通过自适应区域选择和贝叶斯优化实现能耗与区域跟踪的平衡。
2026-01-07 cs.SY eess.SY
Choose Wisely: Data-driven Predictive Control for Nonlinear Systems Using Online Data Selection
ETH Zurich（苏黎世联邦理工学院）
提出Select-DPC方法，通过在线选择最相关数据隐式线性化动力学，结合凸优化实现输出反馈控制，在三个基准仿真中优于DeePC和Time-Windowed DeePC。
2026-06-18 cs.SY eess.SY
Data-Enabled Neighboring Extremal: Case Study on Model-Free Trajectory Tracking for Robotic Arm
Michigan State University（密歇根州立大学）；University of Michigan（密歇根大学）
本文提出数据驱动的邻近极值（DeeNE）框架，通过一阶最优性扰动分析高效更新名义DeePC解，在保持控制性能的同时显著降低计算成本，并在7自由度KINOVA Gen3机械臂上验证了其有效性。
2025-04-09 cs.RO cs.SY eess.SY
A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters
College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）；Department of Electrical Engineering, Tsinghua University（清华大学电机工程系）；Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）；Department of Information Technology and Electrical Engineering at ETH Zürich（苏黎世联邦理工学院信息与电气工程系）
本文提出一种数据驱动的最优控制架构，用于提升电网连接功率转换器的鲁棒性和适应性，通过数据感知实现控制策略优化。
2026-04-13 cs.SY eess.SY
Lessons Learned from Data-Driven Building Control Experiments: Contrasting Gaussian Process-based MPC, Bilevel DeePC, and Deep Reinforcement Learning
Swiss Federal Laboratories for Materials Science and Technology (Empa)（瑞士联邦材料科学与技术实验室）
这份手稿提供了实验者对一些现代数据驱动技术的看法：依赖于高斯过程的模型预测控制，基于行为理论的自适应数据驱动控制，以及深度强化学习。这些技术进行比较的数据要求，易用性，计算负担，并在现实世界的应用程序的背景下的鲁棒性。我们的评论和观察源于在不同环境中进行的建筑控制领域的一些实验调查，从演讲厅和公寓空间到医院手术中心。最终目标是帮助其他人确定什么技术最适合解决他们自己的问题。
2022-05-31 cs.LG cs.SY eess.SY
Closed-Loop Consistent, Causal Data-Driven Predictive Control via SSARX
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
Dictionary-free Koopman Predictive Control for Autonomous Vehicles in Mixed Traffic
本文提出无字典库普曼模型预测控制（DF-KMPC），通过行为视角和迭代算法直接构建数据驱动的线性表示，避免了提升函数选择与平衡状态更新问题，并在混合交通仿真中验证了其抑制交通波和提升跟踪性能的效果。
2025-04-08 cs.SY eess.SY math.OC
Model-Free Disturbance Observer with Online Modification: Listening to MFDOOM
Technion – Israel Institute of Technology（以色列理工学院）
针对数据驱动预测控制受干扰影响的问题，提出用具有在线修改功能的无模型干扰观测器增强该控制框架，利用汉克尔矩阵根据预测误差校正输出预测，经理论分析与仿真，相比其他算法可减少跟踪误差和在线更新负担。
2026-07-09 cs.SY eess.SY math.OC
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
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
From Shadow to Light: Toward Safe and Efficient Policy Learning Across MPC, DeePC, RL, and LLM Agents
针对MPC、DeePC、RL、LLM等数据驱动控制策略计算与内存开销高、难适配快动态受限系统的问题，本文提出8种降复杂度方法，并在多类实际控制场景中验证了其安全高效的性能。
2025-10-05 cs.RO 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
Robust and Kernelized Data-Enabled Predictive Control for Nonlinear Systems
提出了一种鲁棒核化的数据使能预测控制（RoKDeePC）算法，仅利用输入输出数据对非线性系统进行无模型最优控制。该算法结合了鲁棒预测控制和正则化核方法实现的非线性系统的非参数表示。后者是基于隐式学习系统的非线性行为通过代表定理。而不是寻求一个模型，然后执行控制设计，我们的方法直接从数据到控制。这使我们能够通过考虑最小-最大优化问题来计算最优控制序列，从而使控制输入对数据中的不确定性具有鲁棒性。我们表明，通过将一个适当的不确定性集，这个最小-最大问题可以重新表述为一个非凸的，但结构化的最小化问题。通过利用其结构，我们提出了一个投影梯度下降算法来有效地解决这个问题。最后，我们在两个非线性示例系统上测试了RoKDeePC-一个学术案例研究和一个为非线性负载供电的电网形成转换器-并将其与一些现有的非线性数据驱动预测控制方法进行了比较。
2022-06-04 cs.SY eess.SY
