行为克隆（BC）在多尺度动力系统中面临挑战：慢变量、快（刚性）变量以及可预测的外部输入在不同时间尺度上演化，导致高度非线性耦合，单一潜在空间难以完整表征，进而削弱闭环泛化能力。为此我们提出结构化表征学习行为克隆（SRLBC），该架构利用系统的物理多尺度特性，将慢变量、快变量和外部输入分别映射到独立的嵌入空间。
在一个压水堆（PWR）负荷跟踪基准上进行 500 次长时域滚动仿真，系统维度高且刚性显著，安全约束严格。对比 20 组随机种子下的共享嵌入基线，SRLBC 的分离嵌入在累计成本、模仿精度和约束满足率上均表现更佳。单独的策略在计算开销上比 NMPC 平均降低约 15 倍，闭环性能接近 NMPC。
由于单独策略仍有少量轨迹不可行，我们将其嵌入安全增强的近似 NMPC 框架，仅在预测输入序列未通过安全认证时调用优化器。该组合控制器平均仍比 NMPC 快 6.8 倍，所有架构的可行率均不低于 99.8%，其中 SRLBC 保持最低闭环成本。
在分布漂移情形下，单独 BC 策略性能急剧下降，SRLBC 衰减最小，安全增强后可行率保持在 98% 以上且闭环成本最小。进一步的基于雅可比的敏感性分析表明，学习到的控制器依赖稀疏且冗余度低的潜在特征，每个特征对应单一物理变量组，并与系统的时间尺度划分高度一致。
点评