⚡ electrical engineering

Dissipativity-Based Data-Driven Decentralized Control of Interconnected Systems

Dieses Papier schlägt ein vereinheitlichtes, datengesteuertes dezentrales Kontrollframework zur Stabilisierung vernetzter diskreter linearer Systeme vor, indem lokale Dissipativitätsbasierte Bedingungen und globale Stabilitätskriterien in Form von linearen Matrixungleichungen abgeleitet werden, wobei die Wirksamkeit und Skalierbarkeit in Anwendungen für Mikronetze nachgewiesen wird.

Ursprüngliche Autoren: Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Veröffentlicht 2026-07-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich ein riesiges Orchester vor, in dem jeder Musiker (ein „Subsystem“) sein eigenes Instrument spielt, aber sie alle durch unsichtbare Fäden miteinander verbunden sind. Wenn ein Musiker zu laut spielt oder aus dem Takt gerät, kann dies die gesamte Gruppe aus dem Gleichgewicht bringen und die Musik in ein Chaos stürzen lassen. Die Herausforderung besteht darin, dass der Dirigent weder die Partitur für die einzelnen Instrumente kennt, noch weiß, wie die Fäden geknüpft sind, und die Musiker in einem lauten Raum spielen, in dem sie einander nicht perfekt hören können.

Dieses Paper präsentiert einen neuen Weg, um diese Musiker dazu zu bringen, in Harmonie zu spielen – ohne einen zentralen Dirigenten, nur durch das, was sie von ihren unmittelbaren Nachbarn hören, und ein wenig „Trial-and-Error“-Daten.

Hier ist die Aufschlüsselung ihres Ansatzes unter Verwendung einfacher Analogien:

1. Das Problem: Das unbekannte Orchester

In der realen Welt haben wir oft große Netzwerke, in denen viele Dinge zusammenarbeiten – wie ein intelligentes Stromnetz (Microgrid) mit vielen Solaranlagen und Batterien oder eine Flotte von Drohnen.

Der Haken: Wir besitzen keine Blaupausen (mathematische Modelle) darüber, wie diese einzelnen Teile funktionieren.
Das Rauschen: Die Daten, die wir sammeln, sind unordentlich, als würde man versuchen, ein Gespräch in einem Hurrikan aufzunehmen.
Das Ziel: Wir müssen für jeden Teil einen Regler (Controller) entwerfen, damit das gesamte Netzwerk stabil bleibt, selbst wenn wir nicht genau wissen, wie sie miteinander verbunden sind.

2. Die Geheimwaffe: „Energieregeln“ (Dissipativität)

Die Autoren verwenden ein Konzept namens Dissipativität. Betrachten Sie dies als eine Regel über den „Energieaustausch“.

Stellen Sie sich vor, jeder Musiker ist eine Batterie. Er kann Energie (Klang) speichern und freisetzen.
Dissipativität ist die Garantie, dass ein Musiker niemals mehr Energie erzeugt, als ihm gegeben wird. Er mag etwas speichern, aber er erzeugt niemals einen „Super-Klang“, der aus dem Nichts explodiert.
Wenn jeder Musiker dieser Regel folgt und sie auf eine bestimmte Weise verbunden sind, ist das gesamte Orchester garantiert ruhig und gerät nicht in ein Chaos.

3. Die Lösung: Ein zweistufiges „datengetriebenes“ Rezept

Anstatt zuerst ein Modell zu erstellen (was so ist, als würde man versuchen, eine Karte einer Stadt zu zeichen, bevor man sie jemals besucht hat), schlagen die Autoren einen datengetriebenen Ansatz vor. Sie betrachten die Rohdaten (die Aufzeichnungen des Rauschens und der Signale), um die Regeln zu finden.

Schritt A: Die lokale Regel (Der einzelne Musiker)
Jedes Subsystem betrachtet seine eigenen Daten (was es getan hat und was es von den Nachbarn gehört hat) und löst ein mathematisches Rätsel (eine sogenannte Lineare Matrix-Ungleichung oder LMI).

Das Ziel: Einen Regler (Controller) finden (eine Menge von Anweisungen), der dieses spezifische Subsystem dazu zwingt, die „Energieregel“ (Dissipativität) einzuhalten.
Die Magie: Sie behandeln die „Energieregel“ selbst als eine flexible Variable. Anstatt die Regel zu erraten, lassen sie die Mathematik die bestmögliche Regel finden, die zu den verrauschten Daten passt.

Schritt B: Die globale Harmonie (Das gesamte Orchester)
Sobald jedes Subsystem seine eigene „Energieregel“ hat, prüfen die Autoren, ob diese Regeln gut zusammenarbeiten.

Sie verwenden ein zweites mathematisches Rätsel, um sicherzustellen, dass das gesamte Netzwerk stabil bleibt, wenn jeder seiner lokalen Regel folgt.
Entscheidend ist, dass diese Prüfung nur mit lokalen Informationen durchgeführt werden kann. Man muss nicht die gesamte Karte des Orchesters kennen; man muss nur wissen, wie die Nachbarn sich verhalten.

4. Sonderfall: Die „diffusive“ Verbindung

Das Paper untersucht auch eine spezielle Art der Verbindung, die diffusive Kopplung genannt wird.

Analogie: Stellen Sie sich eine Gruppe von Menschen vor, die im Kreis stehen und jeder hält einen Eimer Wasser. Wenn der Eimer eines Menschen voll ist und der seines Nachbarn leer, fließt Wasser vom vollen zum leeren Eimer, bis sie gleichmäßig gefüllt sind.
In diesem Szenario haben die Autoren einen speziellen, schnelleren Algorithmus entwickelt. Sie berechnen den „maximal möglichen Fluss“ zwischen den Nachbarn basend auf den Daten und nutzen diesen, um Stabilität zu garantieren. Es ist so, als würde man sagen: „Selbst wenn das Wasser so schnell fließt, wie es physikalisch möglich ist, wird das System nicht überfluten.“

5. Die Ergebnisse: Schneller und klüger

Die Autoren testeten ihr Verfahren an einem simulierten Microgrid (einem Netzwerk aus 50 Leistungseinheiten).

Effizienz: Ihre Methode funktionierte mit sehr wenig Daten (nur 50 Datenpunkte pro Einheit) und benötigte nur Millisekunden zur Berechnung auf einem Laptop.
Vergleich: Sie verglichen dies mit einer „zentralisierten“ Methode (bei der ein einziger riesiger Computer versucht, alles zu steuern). Die zentralisierte Methode benötigte viel mehr Daten (bis zu 800 Punkte) und brauchte wesentlich länger für die Berechnung.
Robustheit: Selbst wenn die Daten sehr verrauscht waren oder die Verbindungen komplex waren, funktionierte ihre dezentrale Methode weiterhin, während die zentralisierte Methode Schwierigkeiten bekam oder versagte.

Zusammenfassung

Kurz gesagt: Dieses Paper lehrt eine Gruppe unbekannter, verrauschter, miteinander verbundener Maschinen, sich selbst zu stabilisieren. Anstatt einen zentralen „Gehirn“ zu benötigen, der eine perfekte Karte der Welt besitzt, lernt jede Maschine ihre eigenen „Energieregeln“ aus lokalen Daten. Solange jeder seinen eigenen Regeln folgt, bleibt die gesamte Gruppe sicher und stabil. Es ist, als würde man einer chaotischen Menge beibringen, in perfekter Einheit zu tanzen, indem man jedem eine einfache, lokale Rhythmik gibt, ohne jemals die Schritte für den gesamten Tanz erklären zu müssen.

Technische Zusammenfassung: Dissipativitätsbasierte datengesteuerte dezentrale Regelung vernetzter Systeme

Problemformulierung
Die Arbeit befasst sich mit der Stabilisierung vernetzter diskreter linearer zeitinvarianter (LTI) Systeme, bei denen sowohl die lokalen Subsystemmodelle als auch die globale Interkonnektionsstruktur unbekannt sind. Die Systeme unterliegen Prozess- und Messrauschen sowie Interkonnektionsrauschen. Das Regelziel besteht darin, für jedes Subsystem lokale Zustandsrückführungsregler ( $u_i = K_i x_i$ ) zu entwerfen, sodass das nominale globale geschlossene Regelsystem asymptotisch stabil ist. Entscheidend ist, dass das Design dezentral erfolgt, was bedeutet, dass jeder Regler ausschließlich unter Verwendung lokaler Daten und des Wissens über seine unmittelbaren Nachbarn synthetisiert wird, ohne dass globale Systeminformationen oder eine zentrale Koordination erforderlich sind. Die Autoren betrachten dabei zwei Szenarien: allgemeine vernetzte Systeme mit unbekannten Interkonnektionsgewichten und Systeme, die über diffusive Kopplung vernetzt sind (wobei die Interkonnektionsinputs von der Differenz zwischen benachbarten Ausgängen abhängen).

Methodik
Der vorgeschlagene Ansatz nutzt die Dissipativitätstheorie, um eine einheitliche Pipeline für die datengesteuerte Regelung zu erstellen. Die Methodik gliedert sich in zwei Hauptphasen, die beide als Lineare Matrixungleichungen (LMI) formuliert sind:

Lokale Dissipativitäts-Synthese:
Für jedes Subsystem leiten die Autoren eine datengesteuerte LMI-Bedingung (Theorem 1) ab, um eine Zustandsrückführungsverstärkung $K_i$ zu berechnen. Diese Verstärkung stellt sicher, dass das lokale geschlossene Subsystem dissipativ in Bezug auf eine quadratische Versorgungsrate ist, die durch die Matrizen $(F_i, G_i, H_i)$ definiert ist.

Die Methode nutzt das Fundamental Lemma aus der Verhaltenssystemtheorie, um die gesammelten Datentrajektorien (Zustand, Eingang, Interkonnektionsinput und Ausgang) mit der Menge der möglichen Systemmatrizen in Beziehung zu setzen, die mit diesen Daten konsistent sind.
Rauschen wird mittels quadratischer Matrixungleichungen (QMI) modelliert, was es dem Regler ermöglicht, robust gegenüber verrauschten Daten zu sein, ohne eine explizite Systemidentifikation durchzuführen.
Die Versorgungsratematrizen $(F_i, G_i, H_i)$ werden als gemeinsame Entscheidungsvariablen behandelt und nicht als feste Parameter, was es dem lokalen Design ermöglicht, sich an die globalen Stabilitätsanforderungen anzupassen.

Dezentrale Stabilitätsüberprüfung:
Die Arbeit stellt Bedingungen auf, unter denen die Dissipativität lokaler Subsysteme die asymptotische Stabilität des globalen vernetzten Systems garantiert.

Allgemeine Interkonnektionen: Unter Verwendung eines Matrix-S-Lemma und dualer QMI-Formulierungen leiten die Autoren eine datengesteuerte dezentrale LMI (Theorem 2) her, die die globale Stabilität gewährleistet. Diese Bedingung stützt sich auf die lokalen Interkonnektionsdaten (Nachbarausgänge und lokale Interkonnektionsinputs) sowie die in Schritt 1 abgeleiteten Versorgungsratematrizen.
Diffusive Kopplung: Für Systeme mit diffuser Kopplung schlagen die Autoren eine spezifische Stabilitätsbedingung (Proposition 5) vor, die vom gewichteten Grad des Interkonnektionsgraphen abhängt. Da die Interkonnektionsgewichte unbekannt sind, formulieren sie ein quadratisches Programm (Theorem 3), um die engste obere Schranke des gewichteten Grades zu berechnen, die mit den beobachteten Interkonnektionsdaten konsistent ist. Diese Schranke wird dann in der Stabilitäts-LMI verwendet.

Wesentliche Beiträge
Die Arbeit leistet folgende spezifische Beiträge:

Datengesteuerte lokale Dissipativität: Ableitung einer notwendigen und hinreichenden LMI-Bedingung zur Synthese eines Zustandsrückführungsreglers, der ein unbekanntes, verrauschtes Subsystem dissipativ macht, indem die Versorgungsratematrizen als Entscheidungsvariablen behandelt werden.
Datengesteuerte globale Stabilität: Vorschlag dezentraler LMI-Bedingungen, die die globale Stabilität allein auf Basis der Dissipativität lokaler Subsysteme und lokaler Interkonnektionsdaten garantieren, ohne Kenntnis der globalen Interkonnektionsmatrix $M$ zu benötigen.
Einheitliche Pipeline: Ein kombinierter Algorithmus (Algorithmus 1), der die lokalen und globalen LMIs simultan löst, um dezentrale Regler zu erzeugen.
Erweiterung auf diffusive Kopplung: Ein spezialisierter Algorithmus (Algorithmus 2) für diffusive Kopplung, der datengesteuerte Schranken auf Interkonnektionsgewichte berechnet, um die Stabilität zu gewährleisten.
Demonstration der Skalierbarkeit: Numerische Validierung, die zeigt, dass die vorgeschlagenen dezentralen Methoden signifikant weniger Daten und Rechenzeit im Vergleich zu zentralisierten strukturierten datengesteuerten Regleransätzen benötigen.

Ergebnisse
Die Wirksamkeit der Algorithmen wird durch numerische Beispiele validiert, die ein DC-Mikronetz mit 50 dezentralen Erzeugungseinheiten (DGUs) beinhalten.

Stabilität: Sowohl Algorithmus 1 (Allgemeiner Fall) als auch Algorithmus 2 (diffusive Kopplung) stabilisieren das Mikronetz erfolgreich und führen Ströme und Spannungen zum Ursprung.
Robustheit: Die Regler bewahren die Stabilität in Gegenwart von Rauschen, das die angenommenen QMI-Schranken erfüllt, was eine Input-to-State-Stabilität demonstriert.
Machbarkeit und Skalierbarkeit:
- In Tests mit 100 zufälligen Systeminstanzen behielt Algorithmus 1 eine 100%ige Machbarkeit über variierende Datenlängen, Rauschniveaus und Interkonnektionsdichten hinweg bei.
- Algorithmus 2 zeigte eine reduzierte Machbarkeit bei hohem Rauschen oder spärlichen Daten, was auf die durch die Berechnung der oberen Schranke des gewichteten Grades eingeführte Konservativität zurückzuführen ist.
- Vergleich: Im Vergleich zu einem zentralisierten strukturierten datengesteuerten Regler erreichten die vorgeschlagenen dezentralen Algorithmen die Machbarkeit mit wesentlich kürzeren Datenlängen (50 Proben gegenüber 600+ Proben) und deutlich geringeren Rechenzeiten (Millisekunden gegenüber ~24 Sekunden).

Bedeutung und Ansprüche
Die Arbeit beansprucht, einen einheitlichen, datengesteuerten und dezentralen Rahmen zur Stabilisierung vernetzter Systeme bereitzustellen, der keine Systemidentifikation oder globale Informationen erfordert. Die Bedeutung liegt in der Fähigkeit, unbekannte Interkonnektionsstrukturen und verrauschte Daten gleichzeitig zu handhaben – eine Herausforderung, die mit bestehenden Methoden oft schwer zu bewältigen ist. Durch die Behandlung der Versorgungsratematrizen als Entscheidungsvariablen schließen die Autoren die Lücke zwischen lokalem Dissipativitätsdesign und globaler Stabilitätsanalyse. Die Autoren merken bescheiden an, dass der Ansatz zwar effektiv für lineare Systeme mit quadratischen Versorgungsraten ist, aber zukünftige Arbeiten notwendig sind, um nichtlineare Dynamiken, dynamische Interkonnektionen und Online-Adaption zu adressieren. Die Arbeit positioniert sich als Schritt in Richtung skalierbarer Steuerung großer cyber-physischer Systeme wie Stromnetze und Roboternetzwerke.