Model Predictive Control and Moving Horizon Estimation using Statistically Weighted Data-Based Ensemble Models

Dieser Beitrag schlägt ein neuartiges modellprädiktives Regelungsframework vor, das einen gewichteten Ensemble-Ansatz datengetriebener Modelle auf Basis der Mahalanobis-Distanz und einen Moving-Horizon-Schätzer zur effektiven Regelung komplexer Systeme über mehrere Betriebszustände hinweg nutzt.

Das Wesentliche

Stellen Sie sich vor, Sie sind der Kapitän eines riesigen, komplexen Schiffes (ein Fernwärmesystem), das Sie durch sich ändernde Wetterbedingungen navigieren müssen. Manchmal ist das Wasser ruhig und warm (Sommerbedingungen); zu anderen Zeiten ist es stürmisch und gefrierend (Winterbedingungen). Um dieses Schiff effizient und sicher zu steuern, benötigen Sie ein Navigationsteam, das genau vorhersagen kann, wo das Schiff in den nächsten Stunden sein wird.

Dieser Beitrag stellt eine neue Methode vor, um dieses Navigationsteam aufzubauen, sowie eine neue Art, das Schiff zu steuern. Hier ist die Aufschlüsselung in einfachen Worten:

Das Problem: Eine Karte reicht nicht aus

In der Regel versuchen Ingenieure, ein einziges „Black-Box"-Modell (wie eine superintelligente KI) zu erstellen, um das Verhalten des Schiffes unter allen Bedingungen vorherzusagen. Doch genau wie eine einzelne Karte weder eine Wüste noch einen Eisberg perfekt abbilden kann, gerät ein solches Modell oft in Verwirrung, wenn sich das Wetter ändert. Es könnte vorhersagen, dass sich das Schiff im Sturm schnell bewegt, obwohl es tatsächlich langsamer wird, was zu schlechten Entscheidungen oder Sicherheitsverletzungen führt.

Die Lösung: Ein Team von Spezialisten (Ensemble-Modelle)

Anstatt eines Generalisten schlagen die Autoren vor, ein Team von Spezialisten einzustellen.

• Spezialist A ist ein Experte für „Sommerbedingungen". Er wurde ausschließlich mit Sommerdaten trainiert.
• Spezialist B ist ein Experte für „Winterbedingungen". Er wurde ausschließlich mit Winterdaten trainiert.

Wenn Sie eine Vorhersage benötigen, wählen Sie nicht einfach einen aus; Sie fragen beide nach ihrer Meinung und kombinieren ihre Antworten. Der schwierige Teil ist jedoch: Wie sehr vertrauen Sie jedem Spezialisten?

Die Innovation 1: Der „statistische Kompass" (Mahalanobis-Distanz)

In der Vergangenheit würden Menschen entweder:

1. Den Durchschnitt beider Meinungen nehmen (50/50), was oft falsch ist.
2. Fragen: „Wer war in der Vergangenheit richtig?" und ihm mehr vertrauen. Doch in einem Regelsystem blicken Sie in die Zukunft, und die Zukunft ist noch unbekannt.

Die Autoren schlagen eine neue Regel vor, die auf der Mahalanobis-Distanz basiert. Betrachten Sie dies als einen statistischen Kompass.

• Das System betrachtet das aktuelle Wetter (die Eingaben, wie Temperatur und Last).
• Es fragt: „Wie statistisch ähnlich ist das heutige Wetter den Daten, aus denen Spezialist A gelernt hat? Wie ähnlich ist es denen von Spezialist B?"
• Wenn der heutige Tag sehr stark einem „Sommertag" ähnelt, gibt der Kompass Spezialist A eine enorme Stimme (hohes Gewicht) und Spezialist B eine winzige Stimme.
• Entscheidend ist, dass dieser Kompass nur auf den Eingaben funktioniert (was Sie als Nächstes planen), nicht auf zukünftigen Ausgaben (die Sie noch nicht kennen). Dies ermöglicht es dem System, das Vertrauen zwischen den Spezialisten reibungslos zu verschieben, während sich das Wetter während des Vorhersagefensters ändert.

Die Innovation 2: Der „Erinnerungs-Allee"-Beobachter (Moving Horizon Estimation)

Es gibt ein zweites Problem. Diese KI-Spezialisten (insbesondere Gated Recurrent Units, oder GRUs) verfügen über einen internen „Speicher" oder „Zustand", der ihnen hilft, Vorhersagen zu treffen. Dieser Speicher ist jedoch für den Kapitän unsichtbar; Sie können nur die Außentemperatur und den Wasserfluss sehen.

Wenn der Kapitän den Speicher falsch einschätzt, wird die Vorhersage vom Kurs abkommen.

• Alter Weg: Einfach das Modell allein laufen lassen (Offener Regelkreis). Wenn es einen kleinen Fehler macht, wächst dieser Fehler immer größer.
• Neuer Weg (MHE): Die Autoren bauten einen „Erinnerungs-Allee"-Beobachter. Anstatt nur auf die letzte Sekunde zu schauen, blickt er auf die letzten 50 Schritte der Geschichte zurück. Er fragt: „Angesichts alles dessen, was in den letzten 50 Minuten passiert ist, muss der interne Speicher dann gewesen sein, um diese Ergebnisse zu produzieren?"
• Anschließend passt er den Speicher so an, dass er perfekt zur Geschichte passt, bevor er die nächste Vorhersage trifft. Dies ist wie ein Detektiv, der einen Tatort rekonstruiert, um die aktuelle Situation besser zu verstehen.

Das Ergebnis: Eine sanftere, günstigere Fahrt

Die Autoren testeten dies an einem realen Fernwärmesystem (dem AROMA-System), das zwischen Sommer- und Wintermodi wechselt. Sie verglichen ihre neue Methode mit:

• Regelbasiert: Einem einfachen, starren Regelwerk (wie ein Mensch, der ein Handbuch befolgt).
• Durchschnitt: Dem gleichen Vertrauen in beide Spezialisten.
• Kleinste Quadrate: Dem Vertrauen in denjenigen, der kürzlich recht hatte.
• Feste Mahalanobis: Verwendung des Kompasses, aber nur unter Betrachtung des aktuellen Moments, nicht der Zukunft.
• Ihre Methode (MD-2): Verwendung des Kompasses, um das Vertrauen über das gesamte zukünftige Vorhersagefenster hinweg anzupassen.

Die Erkenntnisse:

1. Einsparungen: Ihre Methode sparte das meiste Geld (wirtschaftliche Leistung), da sie Wetteränderungen besser vorhersagen konnte als die anderen.
2. Sicherheit: Sie machte die wenigsten Fehler in Bezug auf Sicherheitsgrenzen (wie Wasser, das zu heiß oder zu kalt wird).
3. Genauigkeit: Der „Erinnerungs-Allee"-Beobachter reduzierte die Fehler in den internen Vorhersagen des Modells erheblich und machte das gesamte System zuverlässiger.

Auf den Punkt gebracht

Dieser Beitrag lehrt uns, wie man komplexe Systeme steuert, indem man ein Team spezialisierter KI-Modelle einsetzt, anstatt einen Generalisten. Es verwendet einen statistischen Kompass, um basierend auf den aktuellen Bedingungen zu entscheiden, wem man vertraut, und einen historischen Detektiv, um den internen Speicher der KI zu korrigieren. Das Ergebnis ist ein System, das kostengünstiger zu betreiben und sicherer zu bedienen ist, wenn sich die Bedingungen ändern.

Technische Zusammenfassung

Technische Zusammenfassung: Modellprädiktive Regelung und Moving-Horizon-Schätzung unter Verwendung statistisch gewichteter datenbasierter Ensemble-Modelle

Problemstellung
Die Modellprädiktive Regelung (MPC) ist eine dominante Strategie zur Steuerung komplexer Systeme, doch ihre Leistung hängt stark von der Genauigkeit des zugrunde liegenden Vorhersagemodells ab. Während datenbasierte Modelle (z. B. neuronale Netze) Vorteile in der Entwicklung und der Datenverfügbarkeit bieten, versagt ein einzelnes Black-Box-Modell oft darin, die Vorhersagegenauigkeit über diverse Betriebsbedingungen hinweg aufrechtzuerhalten. Darüber hinaus verlassen sich Standardansätze des Ensemble-Lernens, die mehrere spezialisierte Modelle kombinieren, typischerweise auf statische Gewichtung oder eine Gewichtung basierend auf vergangenen Ausgangsfehlern. Diese Methoden sind für die MPC suboptimal, da sie die Gewichte nicht dynamisch über den Prädiktionshorizont hinweg anpassen können, wo zukünftige Zustands- und Ausgangsmessungen nicht verfügbar sind. Zusätzlich bleibt die Schätzung der internen Zustände datenbasierter Ensemble-Modelle (die oft keine physikalische Bedeutung haben) unter Einhaltung von Zustandsbeschränkungen eine ungelöste Herausforderung in der Literatur.

Methodik
Der Artikel schlägt einen einheitlichen Rahmen vor, der Modellprädiktive Regelung (MPC) und Moving-Horizon-Schätzung (MHE) für Systeme integriert, die unter mehreren Bedingungen operieren. Der Kern des Ansatzes umfasst ein Ensemble datenbasierter Modelle (speziell Gated Recurrent Units, GRUs), wobei jeder Experte auf einem Datensatz trainiert wird, der einem spezifischen Betriebsbereich entspricht.

1. Gewichtung basierend auf der Mahalanobis-Distanz:
   Anstelle einer statischen Mittelung oder einer ausgabenabhängigen Gewichtung schlagen die Autoren eine neuartige Kombinationsregel vor, bei der die Ensemble-Gewichte Funktionen des Systemeingangs sind. Das einem einzelnen Expertenmodell $M^{[i]}$ zu einem bestimmten Zeitschritt zugewiesene Gewicht ist umgekehrt proportional zur statistischen Mahalanobis-Distanz zwischen dem aktuellen (oder zukünftigen) Eingangsvektor und den Trainingseingangsdaten dieses spezifischen Experten.
   $$\lambda^{[i]}_{MD}(u(h)) = \frac{1 / T^2(u(h), u^{[i]})}{\sum_{i=1}^{n} 1 / T^2(u(h), u^{[i]})}$$
   Dies ermöglicht, dass sich die Gewichte allein basierend auf der bekannten Sequenz zukünftiger Eingänge dynamisch über den Vorhersagefenster hinweg ändern, wodurch die MPC in der Lage ist, Verschiebungen der Betriebsbedingungen vorherzusehen.

2. MHE-basierter Zustandsbeobachter:
   Um die Herausforderung der Zustandsschätzung für datenbasierte Modelle zu adressieren, wird für jeden Experten im Ensemble ein Moving-Horizon-Schätzer (MHE) entwickelt. Das MHE-Problem minimiert den Fehler zwischen den vom Modell vorhergesagten Ausgaben und den tatsächlichen gemessenen Prozessausgaben über ein endliches vergangenes Fenster. Entscheidend ist, dass diese Formulierung Zustandsbeschränkungen (z. B. Amplitudengrenzen für verborgene Zustände) explizit einbezieht und sicherstellt, dass die zur Initialisierung der MPC verwendeten geschätzten Zustände physikalisch konsistent mit den internen Grenzen des Modells sind.

Hauptbeiträge
Der Artikel leistet zwei primäre Beiträge:

• Eine neuartige MPC-Formulierung: Sie führt einen MPC-Regler ein, der ein datenbasiertes Ensemble nutzt, bei dem die Kombinationsgewichte durch die statistische Nähe (Mahalanobis-Distanz) zwischen den optimierten Eingängen und den Trainingsdaten jedes Experten bestimmt werden. Dies ermöglicht eingangsabhängige, über den Horizont variierende Gewichte ohne Notwendigkeit zukünftiger Ausgangsmessungen.
• Ein eingeschränkter Zustandsbeobachter: Er schlägt ein neues Beobachterdesign für Ensemble-Modelle basierend auf MHE vor. Diese Methode ermöglicht die genaue Schätzung der Zustände aller Ensemble-Experten unter strikter Einhaltung von Zustandsbeschränkungen, eine Fähigkeit, die in der Literatur für Ensemble-Modelle bisher nicht adressiert wurde.

Numerische Ergebnisse
Der Rahmen wurde an einem Benchmark-System für Fernwärme (DHS) mit mehreren Betriebsbedingungen (Simulation von Sommer- und Winterlastprofilen) validiert. Das System wurde unter Verwendung einer MPC mit einem 72-Schritte-Horizont gesteuert, wobei vier Gewichtsstrategien verglichen wurden:

• AV: Einfache arithmetische Mittelung.
• LS: Least-Squares-Optimierung basierend auf den vergangenen 100 Zeitschritten.
• MD-1: Mahalanobis-basierte Gewichte, fixiert auf den Wert des vorherigen Zeitschritts.
• MD-2: Mahalanobis-basierte Gewichte, optimiert als Funktion der Eingänge über den gesamten Prädiktionshorizont.

Die Ergebnisse zeigten, dass die vorgeschlagene MD-2-Strategie die beste wirtschaftliche Leistung (niedrigste Kosten) und die wenigsten Verletzungen von Beschränkungen im Vergleich zu den anderen MPC-Strategien und einer regelbasierten Basislinie erreichte. Insbesondere wiesen die AV- und LS-Strategien Verletzungen von Beschränkungen auf, während die Mahalanobis-basierten Ansätze die Zulässigkeit aufrechterhielten. Der MD-2-Ansatz übertraf MD-1 durch eine frühere Reaktion auf zukünftige Änderungen der Bedingungen, was den Vorteil von über dem Horizont variierenden Gewichten unterstreicht. Zusätzlich reduzierte der MHE-basierte Beobachter den Ein-Schritt-Ausgabevorhersagefehler für die einzelnen Modelle im Vergleich zur offenen Zustandsausbreitung signifikant.

Bedeutung und Behauptungen
Die Autoren behaupten, dass ihre Methodik sowohl in Bezug auf die wirtschaftliche Leistung als auch auf die Einhaltung von Beschränkungen deutlich besser abschneidet als Standardverfahren zur Gewichtungsauswahl durch Mittelung und Optimierung. Sie betonen, dass die vorgeschlagene Mahalanobis-basierte Kombinationsregel eine robuste Lösung für den Umgang mit variierenden Betriebsbedingungen innerhalb eines MPC-Rahmens darstellt, da sie sich ausschließlich auf verfügbare Eingangsdaten und nicht auf nicht verfügbare zukünftige Ausgaben stützt. Darüber hinaus hebt der Artikel hervor, dass der MHE-basierte Beobachter das kritische Problem der Zustandsschätzung für datenbasierte Modelle unter Beschränkungen effektiv adressiert, was zu einer verbesserten geschlossenen Regelkreisleistung führt. Es wird angemerkt, dass der Rechenaufwand der vorgeschlagenen Methode trotz der zusätzlichen Komplexität vernünftig bleibt. Als zukünftige Arbeit wird die Integration dieses Rahmens in aktive Lernumgebungen zur Gewinnung informativer Daten identifiziert.