Learning Model Predictive Control Parameters via Bayesian Optimization for Battery Fast Charging

在模型预测控制（MPC）中调整参数存在显著的挑战，特别是当控制器的预测与闭环系统实际行为存在明显差异时。这种不匹配可能源于诸如模型与实际系统的差异、有限预测范围未覆盖整个感兴趣的时间或未预见的系统干扰等因素。这些不匹配可能会危及性能和安全，包括限制满足。传统方法通过修改有限范围成本函数以更好地反映总体运营成本、从数据中学习部分预测模型或实施鲁棒MPC策略来解决这个问题，但这些方法可能会计算量大或过于谨慎。作为替代方案，提出了直接优化或学习控制器参数以增强闭环性能。我们应用贝叶斯优化来有效学习未知模型参数和参数化的约束回退项，旨在提高电池快速充电的闭环性能。这种方法建立了一个分层控制框架，其中贝叶斯优化直接微调闭环行为以实现全局和长期目标，而MPC处理更低级别的短期控制任务。对于锂离子电池的快速充电，我们展示了学习方法不仅确保了安全操作，还最大化了闭环性能。这包括保持电池的操作在其最大终端电压以下和缩短充电时间，所有这些都是使用标准的名义MPC模型和短期范围以及明显的初始模型-系统不匹配实现的。

论文旨在通过贝叶斯优化来学习未知的模型参数和参数化约束回退项，以提高电池快速充电的闭环性能，解决MPC中参数调整的挑战。

通过建立层次控制框架，使用贝叶斯优化直接微调闭环行为，以实现全局和长期目标，同时MPC处理较低级别的短期控制任务，从而提高闭环性能。

实验使用标准的MPC模型和短视野，解决了初始模型-实际差异较大的问题，同时确保了电池的安全运行，减少了充电时间。值得深入研究。

相关研究包括使用数据学习预测模型、实现鲁棒MPC策略等。