A Hybrid Systems Model of Feedback Optimization for Linear Systems: Convergence and Robustness

1. Problemstellung

Viele Automatisierungsaufgaben erfordern die Optimierung des Verhaltens dynamischer Systeme. Traditionelle Ansätze lösen Optimierungsprobleme oft offline (Feedforward), was bei ungenauen Systemmodellen oder Störungen zu suboptimalen Ergebnissen führt. Feedback-Optimierung (Feedback Optimization) adressiert dies, indem sie Echtzeit-Ausgangsmessungen nutzt, um die Eingaben des Systems in einem geschlossenen Regelkreis zu optimieren.

Das zentrale Problem, das in diesem Paper untersucht wird, ist die Diskrepanz zwischen der Modellierung bestehender Arbeiten und der physikalischen Realität:

• Bestehende Modelle betrachten entweder rein kontinuierliche Zeit (Dynamik und Optimierung) oder rein diskrete Zeit.
• In der Praxis sind physikalische Systeme jedoch oft kontinuierlich (z. B. lineare zeitinvariante Systeme, LTI), während die Berechnung der Eingaben durch digitale Computer diskret erfolgt.
• Es fehlte bisher ein rigoroses hybrides Modell, das diese Mischung abbildet und gleichzeitig Robustheitsgarantien gegenüber Modellfehlern, Messrauschen und zeitlichen Ungenauigkeiten (asynchrone Abtastung) liefert.

2. Methodik

Die Autoren entwickeln ein Hybrid-System-Modell im Rahmen der Theorie hybrider Systeme (basierend auf [18]), das die kontinuierliche Systemdynamik mit der diskreten Optimierungsalgorithmik verbindet.

Systemmodell:

• Pflanze (Plant): Ein lineares zeitinvariantes (LTI) System $\dot{x} = Ax + Bu$, $y = \Psi x + d$, wobei $d$ eine unbekannte Störung ist.
• Controller: Ein Gradientenabstiegsalgorithmus, der den Eingangsvektor $u$ basierend auf den abgetasteten Ausgängen $y_s$ berechnet.
• Hybrider Zustand: Der Zustand $\zeta$ umfasst den Systemzustand $x$, die Eingabe $u$, den abgetasteten Ausgang $y_s$, die aktuelle Iteration des Optimierers $z$ und zwei Timer ($\tau_c$ für die Zeit bis zur nächsten Eingabeänderung, $\tau_g$ für die Zeit bis zur nächsten Optimierungsschritt-Berechnung).

Hybride Dynamik:

• Fluss (Flow): Zwischen den Sprüfen fließt das System kontinuierlich. Die Eingabe $u$ bleibt konstant, während die Timer $\tau_c$ und $\tau_g$ ablaufen.
• Sprünge (Jump):
  • Wenn $\tau_g = 0$: Ein Gradientenschritt wird durchgeführt ($z$ wird aktualisiert), aber $u$ bleibt unverändert.
  • Wenn $\tau_c = 0$: Ein neuer Eingang wird angewendet ($u$ wird auf den aktuellen Optimum-Wert $z$ gesetzt), ein neuer Ausgang wird abgetastet ($y_s$ aktualisiert), und der Timer $\tau_c$ wird neu initialisiert.
  • Dies erlaubt aperiodisches Sampling und berücksichtigt die Rechenzeit der Optimierung.

Annahmen:

• Die Matrix $A$ ist Hurwitz (stabilisierbar).
• Es gibt eine Trennung der Zeitskalen: Zwischen zwei Eingabeänderungen werden mindestens $\ell \ge 1$ Gradientenschritte durchgeführt.

3. Hauptbeiträge

Das Paper liefert vier wesentliche theoretische Beiträge:

1. Modellierung und Wohlgestelltheit (Well-Posedness):

   • Formulierung eines wohlgestellten hybriden Modells für Feedback-Optimierung.
   • Beweis, dass das System die „hybriden Basisbedingungen" erfüllt.
   • Nachweis, dass alle maximalen Lösungen vollständig (existieren für alle Zeiten) und zenofrei (keine unendlichen Sprünge in endlicher Zeit) sind.

2. Konvergenzanalyse:

   • Herleitung einer oberen Schranke für den Abstand zwischen dem Systemzustand $x$ und einem gewünschten Zielzustand (dem optimalen stationären Zustand).
   • Beweis der exponentiellen Konvergenz in einen Ball bekannter Radius um den Zielzustand.
   • Erweiterung auf globale Konvergenz für beliebige Anfangsbedingungen.

3. Robustheitsanalyse:

   • Analytischer Nachweis der Robustheit des hybriden Modells gegenüber Störungen über begrenzte Zeithorizonte.
   • Die Störungen umfassen:
     • Fehler in den gemessenen Ausgangswerten.
     • Fehler in den Matrizen des LTI-Systems ($A, B, \Psi$).
     • Fehler in den Zeitpunkten, zu denen Eingaben angewendet werden (Timer-Drift).
   • Dies ist der erste analytische Beweis, dass ein hybrides Feedback-Optimierungsmodell gleichzeitig gegen alle diese Störungsarten robust ist.

4. Validierung:

   • Simulationen bestätigen die theoretischen Ergebnisse und zeigen, dass das System Störungen erfolgreich unterdrückt.

4. Ergebnisse

• Konvergenz: Der Abstand des Systemzustands zum optimalen stationären Zustand konvergiert exponentiell gegen einen Ball mit Radius $r$. Dieser Radius hängt von Parametern wie der Schrittweite des Gradientenabstiegs, der Stabilitätsrate von $A$ und der Größe der Störungen ab.
• Robustheit: Das Theorem 3 zeigt, dass für jede gewünschte Genauigkeit $\epsilon$ und jeden Zeithorizont $\tau$ eine Störungsschranke $\delta$ existiert, sodass die Lösung des gestörten Systems innerhalb von $\epsilon$ der Lösung des nominalen Systems bleibt.
• Simulationen:
  • Im nominalen Fall konvergiert der Fehler $\|x - \tilde{x}\|$ auf einen sehr kleinen Wert ($\approx 3.26 \cdot 10^{-15}$).
  • Bei Störungen (Modellfehler in $A, B, H$ und Timer-Fehlern) bleibt das System stabil, wobei der stationäre Fehler mit der Größe der Modellfehler ($\mu$) zunimmt, aber nicht mit den Timer-Fehlern ($\kappa$) korreliert (die Timer-Fehler beeinflussen nur die Konvergenzrate).

5. Bedeutung und Fazit

Dieses Paper schließt eine wichtige Lücke in der Theorie der Feedback-Optimierung, indem es die Lücke zwischen kontinuierlicher Physik und diskreter Digitalverarbeitung durch ein rigoroses hybrides Modell überbrückt.

• Theoretischer Durchbruch: Es liefert die ersten analytischen Robustheitsgarantien für Feedback-Optimierung in einem hybriden/sampled-data Setting, die gleichzeitig Modellunsicherheiten, Messrauschen und zeitliche Asynchronität abdecken.
• Praktische Relevanz: Da reale Implementierungen fast immer diskrete Computer mit kontinuierlichen Prozessen verbinden, bietet dieses Modell eine realistischere Grundlage für den Entwurf robuster Steuerungssysteme in Anwendungen wie Energiesystemen, Netzwerk-Überlastungskontrolle und chemischen Prozessen.
• Zukunftsausblick: Die Autoren planen, die Methode auf nicht-konvexe Zielfunktionen und nichtlineare Systemdynamiken zu erweitern.

Zusammenfassend beweist das Paper, dass Feedback-Optimierung auch in hybriden Umgebungen (kontinuierliche Dynamik + diskrete Optimierung) robust und konvergent bleibt, was die Zuverlässigkeit solcher Systeme in der Praxis signifikant erhöht.