机构名称：
¥ 1.0
摘要：模型预测控制（MPC）中的调整参数提出了重大挑战，尤其是当控制器的预测与闭环工厂的实际行为之间存在明显差异时。这种不匹配可能源于诸如实质性模型植物差异，不涵盖整个关注时间的预测范围有限或无法预见的系统干扰等因素。这种不匹配会危害性能和安全性，包括限制满意度。传统方法通过修改有限的地平线成本函数来解决此问题，以更好地反映总体运营成本，从数据中学习预测模型的部分或实施强大的MPC策略，这些策略可能是计算密集型或过于谨慎的。作为替代方案，已经提出了直接优化或学习控制器参数以增强闭环性能。我们将贝叶斯优化应用于有效学习未知模型参数和参数化约束词语项，旨在提高电池快速充电的闭环性能。这种方法建立了一个层次控制框架，其中贝叶斯优化直接对全球和长期目标进行微调闭环行为，而MPC则处理较低级别的短期控制任务。对于锂离子电池快速充电，我们表明学习方法不仅可以确保安全操作，而且还可以最大程度地提高闭环性能。这包括将电池的操作保持在其最大端子电压下方，并减少充电时间，所有这些都使用标准的标称MPC模型以短层和显着的初始模型植物不匹配而实现。
MIT开放访问文章学习模型预测...
主要关键词
相关文件推荐
