Data-driven control-oriented modelling for MPC-based control of urban drainage systems

📄 arXiv: 2512.11531v1 📥 PDF

作者: Luis Romero-Ben, Bernat Joseph-Duran, David Sunyer, Gabriela Cembrano, Jordi Meseguer, Vicenç Puig, Alejandro Carrasco

分类: eess.SY, math.OC

发布日期: 2025-12-12

备注: This work has been submitted to IFAC WC 2026 for review. It has 7 pages and 2 figures

💡 一句话要点

提出一种数据驱动的控制建模方法，用于城市排水系统的MPC控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 城市排水系统 数据驱动建模 模型预测控制 控制建模 专家知识 水资源管理 智能控制

📋 核心要点

  1. 城市排水系统控制面临复杂性和不确定性挑战，传统模型难以准确描述系统动态。
  2. 提出一种数据驱动建模方法，结合专家知识和数据拟合，构建面向控制的模型。
  3. 在马德里UDS基准测试中验证了该方法的有效性，提升了MPC控制性能。

📝 摘要（中文）

本文提出了一种数据驱动的、面向控制的城市排水系统（UDS）建模方法。该框架需要三个主要组成部分：来自待建模元素的输入-输出数据、用于定义模型结构的专家知识，以及用于获得最优参数的数据拟合技术。该方法使用来自西班牙马德里UDS的真实基准进行评估。结果表明，该模型具有较高的准确性，并在MPC方案中表现出改进的性能，从而减少了排放并提高了处理设施的利用率。

🔬 方法详解

问题定义：城市排水系统（UDS）的控制面临着诸多挑战，例如系统的高度非线性、时变特性以及难以精确建模。传统的基于物理模型的控制方法往往需要大量的先验知识，并且难以准确捕捉系统的动态变化。因此，需要一种能够有效利用实测数据，并结合专家知识的建模方法，以提高控制性能。

核心思路：本文的核心思路是利用数据驱动的方法，结合专家知识，构建面向控制的模型。具体而言，首先利用UDS的输入输出数据进行模型训练，然后利用专家知识来指导模型结构的确定，最后通过数据拟合技术来优化模型参数。这种方法能够充分利用数据信息，同时避免了完全依赖数据而忽略系统物理特性的问题。

技术框架：该方法主要包含三个阶段：1) 数据采集与预处理：收集UDS的输入输出数据，例如降雨量、流量、水位等，并进行数据清洗、归一化等预处理操作。2) 模型结构定义：基于专家知识，确定模型的结构形式，例如选择合适的模型类型（如ARX、NARX等），以及确定模型的阶次和延迟。3) 模型参数估计：利用数据拟合技术，例如最小二乘法、梯度下降法等，估计模型的参数，并进行模型验证和评估。

关键创新：该方法最重要的技术创新在于将数据驱动建模与专家知识相结合。传统的纯数据驱动方法容易过拟合，而纯粹的基于物理模型的方法又难以准确捕捉系统的动态变化。本文提出的方法通过专家知识来约束模型结构，从而提高了模型的泛化能力和鲁棒性。

关键设计：在模型结构定义方面，需要根据具体的UDS特性选择合适的模型类型和阶次。在数据拟合方面，可以选择不同的优化算法和损失函数，例如最小二乘法和均方误差。此外，还需要进行模型验证，例如利用交叉验证方法来评估模型的性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该方法在马德里UDS基准测试中表现出优异的性能。实验结果表明，与传统方法相比，该方法能够显著减少排放量，并提高污水处理设施的利用率。具体性能提升数据未知，但总体上验证了该方法在实际应用中的有效性。

🎯 应用场景

该研究成果可应用于城市排水系统的智能控制，例如实时优化泵站运行、减少污水溢流、提高污水处理厂的效率。通过更精确的控制，可以降低城市洪涝风险，改善水环境质量，并为城市可持续发展做出贡献。未来可扩展到其他复杂水资源管理系统。

📄 摘要（原文）

This article presents a data-driven, control-oriented modelling methodology for urban drainage systems (UDS). The proposed framework requires three main key components: input-output data from the element to be modelled, expert knowledge to define the model structure, and data-fitting techniques to obtain optimal parameters. The methodology is evaluated using a realistic benchmark from an UDS in Madrid, Spain. The results show high model accuracy and improved performance within a MPC scheme, reducing discharge and increasing treatment facilities utilization.