• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IFAC PapersOnLine >Data-driven Switched Affine Modeling for Model Predictive Control ?
【24h】

Data-driven Switched Affine Modeling for Model Predictive Control ?

机译：用于模型预测控制的数据驱动仿射建模 ？

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Model Predictive Control (MPC) is a well consolidated technique to design optimal control strategies, leveraging the capability of a mathematical model to predict the system’s behavior over a predictive horizon. However, building physics-based models for large scale systems, such as buildings and process control, can be cost and time prohibitive. To overcome this problem we propose in this paper a methodology to exploit machine learning techniques (i.e. regression trees and random forests) in order to build a state-space switched affine dynamical model of a large scale system only using historical data. Finite Receding Horizon Control (RHC) setup using control-oriented data-driven models based on regression trees and random forests is presented as well. A comparison with an optimal MPC benchmark and a related methodology is provided on an energy management system to show the performance of the proposed modeling framework. Simulation results show that the proposed approach is very close to the optimum and provides better performance with respect to the related methodology in terms of cost function optimization.
机译：模型预测控制（MPC）是一种很好的整合技术，可以设计最佳控制策略，利用数学模型的功能来预测系统在预测范围内的行为。但是，用于大型系统（例如建筑物和过程控制）的基于物理的建筑物模型可能会耗费大量时间和成本。为了克服这个问题，我们在本文中提出了一种利用机器学习技术（即回归树和随机森林）的方法，以便仅使用历史数据来建立大型系统的状态空间切换仿射动力学模型。还介绍了基于基于回归树和随机森林的面向控制的数据驱动模型的有限后视地平线控制（RHC）设置。在能源管理系统上与最佳MPC基准和相关方法进行了比较，以显示所提出建模框架的性能。仿真结果表明，所提出的方法与最优方法非常接近，并且在成本函数优化方面相对于相关方法提供了更好的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号