闭环数据驱动预测控制的最优工具变量选择

《IEEE Open Journal of Control Systems》：Optimal Instrumental Variable Selection for Closed-Loop Data-Driven Predictive Control

　　数据驱动预测控制（DDPC）所使用的数据，在实际中往往来源于闭环运行。本文旨在研究如何利用工具变量（IVs）从此类闭环数据中最佳地提取并使用信息。基于扩展工具变量（EIV）框架，推导出的最优工具变量在渐近意义下能够消除（隐含）系统估计的偏差，同时使其方差最小化。所推导的最优工具变量包括控制器在无输出噪声情况下本应产生的输入，针对这一目标，本文发展了依赖和不依赖控制器知识的近似技术。通过大量使用多种工具变量的蒙特卡洛仿真，表明所开发的方法通常能够提供比现有基于闭环工具变量的DDPC技术更好的输出预测效果。