【数据驱动预测控制1】数据驱动预测控制的概念

系列文章目录

【数据驱动预测控制1】数据驱动预测控制的概念
【数据驱动预测控制2】Willems基本引理
【数据驱动预测控制3】数据驱动预测控制算法及仿真

---

---

 数据驱动预测控制（DDPC） 是从模型预测控制（MPC） 的基础上提出来的，首先我们来了解一下为什么要提出数据驱动预测控制。

一.模型预测控制的局限性

 模型预测控制（MPC）已成为许多应用领域的先进控制方法，包括（但不限于）机电一体化、机器人、电力电子、汽车系统和智能基础设施。它受欢迎的原因有几个，理解它处理约束的能力，设计预测控制操作和提供最佳性能。同时，设计MPC的主要问题之一在于其对预测模型的内在依赖，从第一性原理出发可能会很麻烦，特别是当需要控制复杂的系统时，被控对象的模型往往难以获取，这将导致无法利用传统的MPC来控制被控对象。例如考虑下面的线性时不变系统：$$\begin{gathered} x(k+1)=Ax(k)+Bu(k) \\ y(k)=Cx(k)+Du(k)\text{\hspace{1em}(1)} \end{gathered}$$
其中$x(k)\in R^n$为系统的状态变量，$y(k)、u(k)$分别为系统的输入输出，$A$、$B$、$C$和$D$为系统矩阵。
 如果要利用传统的MPC算法对系统(1)进行控制，那么$A$、$B$、$C$和$D$必须要是已知的，否则无法建立出预测模型。因此，为了克服传统MPC的这一个局限性，数据驱动预测控制得以产生。

二.数据驱动预测控制

 数据驱动预测控制（DDPC）是一种基于数据而非传统数学模型的控制方法，它不直接利用系统模型就可以达到控制目的。

1.数据预测控制的分类

 DDPC可以分为两类，一种是间接DDPC，另一种是直接DDPC。

i.间接数据驱动预测控制

 间接DDPC是首先使用系统辨识方法来辨识出被控对象的模型，然后，再把学习到的模型利用到MPC问题中。尽管受益于基于模型的保证，但这种方法往往容易对建模错误敏感，因此要求设计者更多地关注系统辨识阶段（例如，选择正确的模型结构），而不是实际的控制设计。此外，系统辨识技术的目标通常是获得可能的最佳预测器，而往往忽略其最终使用。常见的间接DDPC有子空间预测控制（SPC）和一些基于神经网络的模型预测控制。

ii.直接数据驱动预测控制

 直接DDPC方法直接依赖于原始（或稍微预处理的）数据来预测受控系统的未来响应，而不需要在控制设计之前进行任何明确的模型识别。因此，直接DDPC方法直接利用可用的数据来实现控制目标。例如无模型预测控制和基于Willems基本引理的数据驱动预测控制。基于 Willems基本引理的数据驱动预测控制是该系列文章后续着重介绍的方法。

2.数据获取与建模

 DDPC少不了数据的获取，大多DDPC都是利用被控对象的输入输出数据进行控制。
数据收集： 首先，需要收集受控系统的输入输出数据。这些数据可以是离线数据，也可以是实时在线数据，它们反映了系统的动态特性和行为。
数据建模： 利用收集到的数据，通过数据驱动的方法建立系统的预测模型。这个模型不需要明确的数学表达式或物理机理，而是直接基于数据来预测系统的未来输出。常用的数据驱动建模方法包括子空间法、神经网络、支持向量机等。
 建立好预测模型之后，就可以通过MPC的思想对被控对象进行控制。

3.特点与优势

不依赖精确模型： 数据驱动预测控制不依赖于受控系统的精确数学模型，因此适用于那些难以建立准确模型的复杂系统。
实时性与适应性： 由于基于实时数据进行建模和预测，该方法能够实时地反映系统的动态变化，并具有一定的自适应能力。
灵活性： 数据驱动预测控制可以与多种优化算法和预测模型相结合，以适应不同的控制需求和系统特性。

---

在后续文章将介绍一种基于 Willems基本引理的数据驱动预测控制。