具有鲁棒稳定性和递归可行性保证的 Koopman 数据驱动预测控制
内容提要
本文提出了一种基于Koopman算子的线性预测器，旨在控制非线性动力系统。该方法为数据驱动，适用于模型预测控制（MPC），能够有效学习非线性系统的稳定模型，并在电网等领域实现实时控制，展现出良好的性能和鲁棒性。
延伸解读
Koopman方法的核心优势
Koopman算子将非线性动力系统提升到高维线性空间，从而能够利用线性控制理论设计控制器。文章强调该方法完全数据驱动，无需精确的物理模型，特别适合黑箱系统。在模型预测控制中，线性预测器简化了优化问题，提高了计算效率，为实时控制提供了可能。
稳定性与递归可行性的保证
文章指出，通过Koopman嵌入学习非线性系统的稳定模型，可以保证模型的稳定性，同时允许对嵌入和算子进行无约束优化。直接参数化稳定线性系统简化了计算，并确保了递归可行性，这对于安全关键应用如电网电压控制至关重要。
实际应用与性能表现
在IEEE 39总线系统上的验证表明，基于Koopman的深度神经网络编码器-解码器架构能够实现实时紧急电压控制，并展现出鲁棒性。与无模型强化学习和基于模型的控制相比，该方法在训练效率和准确性上更具优势，为复杂非线性系统的控制提供了新途径。
Q&A
Koopman算子在控制非线性动力系统中有什么应用？
Koopman算子用于构建线性预测器，以控制非线性动力系统，特别适用于模型预测控制（MPC）。
该方法如何保证模型的稳定性？
该方法通过Koopman嵌入学习非线性系统的稳定模型，并允许对Koopman嵌入和算子进行无约束的优化，从而保证模型稳定性。
使用Koopman算子的控制方法与传统方法相比有什么优势？
使用Koopman算子的控制方法在性能上优于无模型强化学习和基于模型的控制，且在噪声数据上训练结果更高效准确。
如何实现电网中的实时控制？
通过使用Koopman算子和深度神经网络，构建实时模型预测紧急电压控制系统，验证了该方法的效力和鲁棒性。
该研究中使用了哪些技术来训练Koopman算子？
研究中使用了策略网络和增强学习来训练Koopman算子的特征值，以接近目标特征值。
图神经网络在该方法中有什么作用？
图神经网络用于学习组合型Koopman操作符，以实现非定常系统的建模与控制，展现出更好的效率和泛化能力。
