Core Concepts
Die Autoren entwickeln eine neue Methode zur Entfernung redundanter Beschränkungen in der modellprädiktiven Regelung, die historische Daten nutzt, um die Berechnung zu beschleunigen, ohne die Regelungstrajektorie zu verändern.
Abstract
Die Autoren betrachten ein lineares dynamisches System, das durch eine modellprädiktive Regelung (MPC) gesteuert wird. Das MPC-Problem ist oft rechenintensiv, insbesondere wenn viele Beschränkungen vorhanden sind.
Um die Rechenzeit zu reduzieren, schlagen die Autoren eine Methode vor, die historische Daten nutzt, um redundante Beschränkungen zu identifizieren und zu entfernen. Dafür analysieren sie die Lipschitz-Stetigkeit der MPC-Politik in Bezug auf den Systemzustand und leiten einen expliziten Ausdruck für die Lipschitz-Konstante her, der effizient aus den Modellparametern berechnet werden kann.
Basierend auf dieser Lipschitz-Stetigkeit konstruieren die Autoren eine äußere Approximation des optimalen Lösungsvektors, die historische Daten berücksichtigt. Mithilfe dieser Approximation können sie redundante Beschränkungen identifizieren und entfernen, ohne die Regelungstrajektorie zu verändern.
Die Autoren zeigen in Simulationen, dass ihre Methode die Anzahl der Beschränkungen deutlich reduzieren und die Rechenzeit um den Faktor 10-100 im Vergleich zur originalen MPC-Lösung senken kann, ohne die Regelungseigenschaften zu beeinflussen.
Stats
Die Lipschitz-Konstante κmax kann effizient aus den Modellparametern berechnet werden und beträgt κmax = ∥H−1F T ∥2 + 1
minj GjH−1GT
j
∥H−1GT ∥2 × ∥S + GH−1F T ∥2.
Quotes
Keine relevanten Zitate identifiziert.