← 返回 PaperDaily
大模型与智能体
密歇根大学智能水系统新招：性能保证控制让跟踪误差直降83.6%
城市看海、暴雨内涝，不砸钱扩建管网，靠算法能不能把水“调”明白？密歇根大学这篇把性能保证控制（PGC）从扰动抑制推到参考跟踪，并在真实SWMM模型上把跟踪误差砍掉83.6%。理论有界、落地有数，做控制与智慧水务的都值得一读。
龙哥读论文
发布于 2026-08-24 00:20:00
阅读 4
查看原文
原论文信息如下：
暴雨一来，城市内涝的视频就刷屏。过去应对的办法简单粗暴——加粗管道、挖深蓄水池、扩建泵站，每一个都是烧钱的大工程。但很多人不知道的是，这几年越来越多水务公司开始换思路了：不硬扛，巧调控。在已有的排水管网里装上传感器和可控阀门，用反馈控制算法实时调节水流方向，把洪水风险按在摇篮里。这也就是所谓“智能水系统”的核心理念。
引言：当水系统遇上控制理论，从“被动应对”到“主动调控”
城市里那些不起眼的排水管网，其实藏着一个典型的随机控制系统。降雨落到地面，汇入一个个蓄水盆地，每个盆地之间通过管道和阀门相连。如果阀门是可控的，那么调节阀门开度就能改变水流方向，从而控制各盆地的水位。这个问题数学上可以看作：系统受到随机的降雨扰动（就是那个“外部噪声”），我们要设计一个反馈控制器，让各盆地的水位尽量稳定在设定目标附近，既不泛滥成灾，也不彻底抽干。
密歇根大学这篇最新论文做的正是这件事。他们把一种叫做“性能保证控制”（Performance-Guaranteed Control, PGC）的方法，从传统的扰动抑制问题延伸到了参考跟踪问题，并且在功率方向性约束（Power Directionality Constraints, PDC）下给出了严格的随机均方性能界。
说白了，这篇论文回答了一个非常现实的问题：不新建一座水库、不加粗一截管道，能不能靠“聪明”的阀门控制算法，把城市防洪能力提上去？
功率方向性约束：被动控制设备的“紧箍咒”
先别被“功率方向性约束”这个词唬住，其实它描述的场景很朴素。城市排水系统中的阀门有两种：一种是有源的，比如电泵，靠外部能源把水从低处抽到高处；另一种是无源的，比如可控闸门、阀门，它们自己不能往系统里注入能量，只能靠水本身的压力差来“放行”或者“拦截”水流。
问题就出在“无源”这两个字上。对于一个无源阀门，水流方向只能顺着压力差走，阀门只能减小流量，不能反过来把水往高处推。用控制理论的术语来说，就是控制输入 u 与共位输出 v 的乘积（也就是功率）必须始终小于等于零，这是物理世界给控制系统戴上的枷锁。
这个约束在数学上会变成一个非凸的可行域，也就是图2(a)里第二和第四象限的那两条曲线围出来的区域。传统控制设计都是在线性框架里玩的，遇到这种“非线性”约束，常规的LQR、H∞统统抓瞎。更麻烦的是，实际水系统中阀门的流量与压差之间还存在平方根关系（伯努利原理），真实可行域比理想的扇区约束还要复杂，如图3所示。
不过话说回来，被动装置也有被动装置的好处——它天生不会把能量注入系统，所以闭环系统不太容易失稳，天然带一点“鲁棒性”。这也正是为什么工程上明知道它难控制，还是喜欢用它：便宜、省电、可靠。尤其是那些偏远地区的大规模排水网络，拉电网去供电泵的成本，可能比控制算法本身贵几百倍。
方法概述：两阶段控制设计，从线性最优到非线性改进
面对PDC这种棘手的非线性约束，论文采用了一种非常聪明的两步走策略，这几乎是整个方法最精髓的地方。
第一阶段：求解一个离线的最优静态反馈控制器。
第二阶段：设计一个非线性的全状态反馈控制器，保证性能不劣于第一阶段。
这两步的巧妙之处在于：第一阶段的“不好”的优化问题只做一次，穷尽算力也没关系；第二阶段的“好”的优化问题虽然每时每刻都要在线求解，但它是一个凸优化，计算效率非常高，完全可以实时跑。
用大白话总结这个设计哲学：先用一个“笨”但可靠的线性控制器打底，保证性能底线；再用一个“聪明”的非线性控制器在线微调，把性能往上推，而且每一步都保证不倒退。
核心原理推导：性能保证的数学罗盘
接下来我们稍微深入一点，看看论文的核心定理到底在说什么。熟悉控制理论的朋友应该知道，一般的非线性随机控制问题几乎不可能得到解析解，更别说给出性能界了。但PGC框架的厉害之处在于，它绕开了“直接求解最优控制律”的难题，转而研究“如何证明一个给定控制律的性能不低于某个基准”。
各位读者朋友，咱们先聊一个特别接地气的话题：城市的排水管网，以前是“水泥森林”里没人疼没人爱的灰姑娘，现在可是智慧城市建设的香饽饽。为啥？因为气候变化带来的极端降雨越来越频繁，城市内涝三天两头上热搜，要么“看海”，要么“摸鱼”。传统思路是砸钱扩建——加粗管道、挖深调蓄池、新建泵站，一套操作下来，预算报表能让人看得血压飙升。但近些年，越来越多的水务公司开始换思路：与其硬扛，不如巧调。给管网装上传感器和可控阀门，用反馈控制实时调节水流去向，把洪峰“削”掉，把洪水风险摁下去——这就是所谓“智能水系统”的核心理念，成本比扩建工程低几个数量级。
密歇根大学的这篇新作，干的就是这件事。他们把一种带有严格性能保证的控制方法——性能保证控制（Performance-Guaranteed Control，简称PGC），从传统的扰动抑制问题拓展到了参考跟踪问题，并且在水系统最头疼的功率方向性约束（Power Directionality Constraints，简称PDC）下，给出了严格的随机均方性能界。最提气的还是那个数字：在密歇根大学Mcity测试设施的真实流域高保真模型上，跟踪误差直接砍掉了83.6%。不夸张地说，这是给“算法防洪”这条路立了一个新的里程碑。
先放一张论文里的关键结果图镇楼，让大伙儿对“83.6%”有个直观感受。蓝色是传统最优静态反馈控制的效果，橙色是本文PGC的效果。可以看到，橙色曲线的深度能稳稳贴住目标虚线，而蓝色曲线一直在上下挣扎。差距就是这么大。
龙哥导读：当水系统遇上控制理论，从“被动应对”到“主动调控”
为什么这篇论文值得读？因为它踩中了一个“既要又要还要”的硬需求：既要提升防洪能力，又不能花天价搞基建，还得保证控制系统在真实物理约束下可靠运行。传统的排水系统是开环的，雨水来了只能靠管道自流，水位涨跌全凭天意。装上可控阀门之后，系统变成了闭环，理论上可以主动调节水流方向。但问题来了——可控阀门不是电泵，它没法往系统里注入能量，只能靠水的压力差来“顺势而为”。这个物理限制在控制理论里就表现为一种特殊的非线性约束，也就是功率方向性约束PDC。有了这道枷锁，经典的线性控制方法就不好使了。
论文的核心数学目标很朴素：让系统输出yk尽量贴近期望水位y★，也就是最小化下面的均方跟踪误差：
听着简单，做起来却要过五关斩六将。降雨是随机的，阀门是有物理约束的，系统是非线性的——这要是搁在一般控制教科书里，基本等于“无解”。但密歇根大学团队硬是在这个看似无解的问题里，找到了一条既有理论保证、又能实际落地的路。
功率方向性约束：被动控制设备的“紧箍咒”
要理解这篇论文的难度，得先搞明白PDC这个“紧箍咒”到底长什么样。城市排水系统中的可控设备分两类：有源的和无源的。有源设备比如电泵，能把水从低处抽到高处，代价是需要外部能源持续供电；无源设备比如可控闸门和阀门，本身不能往系统里注入能量，只能利用水自身的压差来调节流量。无源设备便宜、省电、可靠性高，尤其适合偏远地区的大规模排水网络——毕竟拉电网去供电泵的成本可能比控制算法本身贵几百倍。
但“便宜”是有代价的。对于无源阀门，水流方向只能顺着压力差走，阀门只能减小流量，不能反过来把水往高处推。用控制理论的术语说：控制输入uk与共位输出vk的乘积——也就是瞬时功率——必须始终非正。更麻烦的是，实际阀门的流量与压差之间遵循伯努利原理的平方根关系，真实可行域是一条弯曲的曲线，比理想的扇区约束复杂得多。论文把这条物理定律写成了一个数学约束：
这个约束最讨厌的地方在于非线性。经典的线性控制理论，比如LQR、H∞，都建立在系统线性的假设上。遇到这种非凸可行域，传统设计方法会直接抓瞎。有些研究者试图用线性近似去逼近非线性阀，但效果一般，因为近似误差积累起来，控制性能会打折扣，甚至在极端降雨时出现不可预测的行为。
不过，被动装置有被动装置的好处——它天生不会把能量注入系统，所以闭环系统不容易失稳，天然自带一点“鲁棒性”。这也是为什么工程上明知道它难搞，还是愿意用它。这篇论文的思路不是绕开PDC，而是把它当成“紧箍咒”戴好，在约束下寻找最优解。就冲这份“戴着镣铐跳舞”的从容，龙哥也得敬它一分。
两阶段控制设计：从线性最优到非线性改进
面对PDC这个硬骨头，论文采用了一套非常“取巧”的两阶段设计策略。这几乎是整个方法最精髓的地方，值得单独拎出来好好讲讲。
先把时变控制增益固定为一个常数矩阵Z̄，在这个限制下寻找使得均方跟踪误差最小化的线性时不变反馈律。这样一来，问题就变成了一个在PDC扇区约束下的非凸优化问题。论文把它完整地写成下面的形式：
非凸优化听起来吓人，但注意这里的关键词是“离线”。既然只需要求解一次，那就可以用商业的非凸优化求解器慢慢磨，磨到满意为止。这个优化得到的最优静态增益记为Z̄°，对应的性能记为J̄。它的意义在于：给了整个系统一个“性能底线”——再差也不会差过这个线性控制器。
第一阶段打好了底，第二阶段要做的就是在每一时刻在线调整阀门开度，让性能进一步改善。论文的核心定理证明了一个关键结论：任意满足约束的因果反馈律，闭环性能都可以写成J̄加上一个非正项。因此，如果在每个时刻通过一个在线凸优化问题去极小化这个非正项，最终性能就保证比第一阶段的静态反馈更好。
这两步合起来，就是一个既聪明又稳当的设计哲学：先用笨方法保证下限，再用聪明的在线优化往上推上限。用大白话说就是——先安排好“保底”的线性控制器，再让非线性控制器在每一刻“见缝插针”地优化，而且每一步都保证不倒退。
理论突破：从扰动抑制到参考跟踪的PGC扩展
PGC框架本身不是这篇论文首创的，以前的工作已经把PGC用在了扰动抑制上，效果不错。但这次的理论贡献在于：把PGC从扰动抑制扩展到了参考跟踪。有人可能会问，这俩不是一回事吗？不就是一个平移坐标系的事吗？
理论上，在没有约束的线性系统里，常数参考跟踪和扰动抑制确实可以通过移动状态空间原点互相转化。但论文的Remark 2点得很透：因为PDC的存在，这个等价关系不成立了。
除了任务类型的拓展，论文还把噪声假设给放宽了。以前PGC的工作都假设扰动服从高斯分布，但降雨这种扰动显然不是高斯的——雨量永远是非负的，而且有大量零值（不下雨的时候）。论文放宽到只要知道扰动的一阶矩（均值）和二阶矩（协方差）就能给出性能保证，这才是更贴近真实世界的设定。
论文的核心定理相当漂亮，它把任意因果反馈律的性能分解成了一个“已知底线”加上一个“可控修正项”：
这个分解的意义在于：它把一个“全局随机最优控制”的难题，转化成了“每时刻局部凸优化”的简单问题。全局问题几乎不可能直接求解，但局部问题可以用现代凸优化工具实时算。这就是理论功底的体现——不是硬解难题，而是把难题“拆”成能解的样子。
当然，论文也很诚实：虽然保证了性能一定不差于静态反馈，但没有声称非线性控制器是全局最优的，实际能提升多少也没有闭式解。这种“给得出界、给不出上界”的坦率态度，龙哥欣赏。科学嘛，贵在诚实。
真实世界验证：Mcity智能水系统的83.6%误差削减
理论再漂亮，也得拿到真实场景里遛一遛。论文的验证场地选在了密歇根大学的Mcity测试设施。这个地方在自动驾驶圈儿里挺出名，是个模拟真实城市环境的试验场。但在本文里，它变成了一个迷你流域：三个集水区、三个蓄水盆地，其中两个可控阀门分别装在East盆地到West盆地、West盆地到出水口的连接处。
实验流程走的是标准的“建模-辨识-验证”路线。先用PySWMM建立了一个高保真的水文模型，用Neyman–Scott矩形脉冲（NSRP）模型生成随机降雨序列，然后用N4SID子空间辨识方法从仿真数据中提取出一个六维线性状态空间模型。这里有个细节很见功力：辨识出来的初始模型不满足离散时间Kalman–Yakubovich–Popov（KYP）条件，也就是说不满足无源性要求。怎么处理？论文用CVXPY求解了一个就近的被动逼近——在保持状态动力学不变的前提下，调整输出矩阵使系统满足无源性。两个矩阵的逼近误差分别是0.171和0.004，控制在了合理范围。
控制目标设定为让East盆地和West盆地分别稳定在4英尺和3英尺的水位。在完全相同的降雨扰动下，对比两种控制器的闭环表现：传统最优静态反馈与本文PGC。结果前面已经剧透了——PGC把滑动平均跟踪误差从2.02英尺降到了0.33英尺，削减幅度达到83.6%。而且从图6可以清楚看到，静态反馈控制下的水位一直在目标值附近大幅振荡，阀门动作也比较“毛躁”；PGC控制下的水位则平稳得多，阀门动作也明显更温和。这种“又准又稳”的表现，正是实际工程最看重的。
还有一个值得注意的细节：渗透盆地没有可控阀门，它的水位理论上不受直接控制。但论文巧妙地利用了物理关系——渗透盆地远大于East盆地，只要East盆地不溢出，渗透盆地就不会溢出。这种“间接控制”的思路，在实际水务工程里非常实用，说明作者不只是做理论，是真懂工程。
未来展望：从恒定参考到预测控制
这篇论文给出的是一套“恒定参考跟踪”框架，也就是说期望水位是固定的。但现实世界往往更复杂——应对极端暴雨时，系统可能希望提前把某些盆地水位降下来（预泄洪），暴雨过后又希望能多蓄水（错峰补水）。这种时变参考的处理，是下一步最自然的研究方向。
另外，现代气象预报已经能提供未来几小时到几天的降雨概率预测。如果能把这些预测信息纳入控制回路，做“预测控制版的PGC”，那防洪效果可能再上一个台阶。这需要把当前框架从“纯反馈”扩展成“反馈+前馈”，在理论上的复杂度会显著增加，但应用价值也是肉眼可见的。
还有一个更现实的问题：真实的流域网络比Mcity大得多，可能是上百个盆地、上百个阀门的复杂网络。PGC的在线优化能否扩展到大规模网络，分布式如何实现，通信延迟如何容忍，这些都是走向产品化绕不开的坎。论文的作者团队在智能水系统领域深耕多年，这些问题想必已经在路上了。
龙迷三问 这篇论文到底在解决什么问题？ 密歇根大学团队将性能保证控制（PGC）扩展至参考跟踪问题，并在功率方向性约束下，基于真实SWMM模型实现跟踪误差83.6%的削减，为城市智慧水务的精准调控提供了有理论保障的新范式。这篇工作最值得看的点是什么？ PGC控制律相比最优静态反馈，将运行平均跟踪误差范数降低了83.6%（0.33 ft vs 2.02 ft）这篇工作的边界或风险在哪里？ 优点：(1) 提出了首个针对参考跟踪问题的PGC框架，扩展了原有仅适用于扰动抑制的PGC理论；(2) 放宽了扰动必须为高斯分布的假设，仅需知道一阶和二阶矩；(3) 提供了可证明的均方性能上界，且在线优化为凸问题可实时求解；(4) 在真实世界智能水系统模型上验证了有效性。缺点：(1) 仅保证性能不劣于线性静态控制器，不保证全局最优性；(2) 需要系统满足无源性假设，实际系统需通过近似满足；(3) 性能改进幅度无法闭式求解；(4) 仅考虑了恒定参考跟踪，未扩展到时变参考。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
提出一种两阶段随机控制综合方法，第一阶段优化线性时不变静态反馈控制器，第二阶段设计非线性全状态控制器，在功率方向性约束下保证均方参考跟踪性能不劣于第一阶段。实验合理度： ★★★★☆
均方参考跟踪误差（跟踪误差范数的运行平均值）学术研究价值： ★★★★☆
提出一种两阶段随机控制综合方法，第一阶段优化线性时不变静态反馈控制器，第二阶段设计非线性全状态控制器，在功率方向性约束下保证均方参考跟踪性能不劣于第一阶段；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
不适用（控制方法，在线优化为凸优化问题，可实时求解）复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： 的PGC框架，扩展了原有仅适用于扰动抑制的PGC理论；(2) 放宽了扰动必须为高斯分布的假设，仅需知道一阶和二阶矩；(3) 提供了可证明的均方性能上界，且在线优化为凸问题可实时求解；(4) 在真实世界智能水系统模型上验证了有效性。缺点：(1) 仅保证性能不劣于线性静态控制器，不保证全局最优性；
主要参考文献
[1] J. Shell, S. Moalemi, B. Kerkez, J. Scruggs. Performance-Guaranteed Reference Tracking With Power Directionality Constraints: Application to Controlled Stochastic Watersheds. arXiv:2608.20120, 2026. [2] 性能保证控制（PGC）原始框架相关文献，详见论文参考文献[14]–[16]。 [3] Neyman–Scott Rectangular Pulse (NSRP) 降雨随机模型相关文献，详见论文参考文献[19]。 [4] N4SID子空间系统辨识方法相关文献，详见论文参考文献[22][23]。 [5] PySWMM / Stormwater Management Model 水文仿真工具相关文献，
*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
