⚡ electrical engineering

Model-Based and Data-Driven Hierarchical Control and Topology Co-Design for Robust Networked Systems

Dieses Papier schlägt modellbasierte und datengesteuerte hierarchische Steuerungs- und Topologie-Co-Design-Strategien für robuste vernetzte Systeme vor, die globale Dissipativität gewährleisten und Interkostenkosten durch das Lösen linearer Matrix-Ungleichungen optimieren, wobei Anwendungen in DC-Mikronetzen demonstriert werden.

Ursprüngliche Autoren: Shirantha Welikala, Zihao Song, Hai Lin, Panos J. Antsaklis

Veröffentlicht 2026-06-11

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shirantha Welikala, Zihao Song, Hai Lin, Panos J. Antsaklis

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 großes Orchester vor, in dem jeder Musiker (ein „Subsystem“) sein eigenes Instrument spielt. In einem traditionellen Aufbau steht ein einzelner Dirigent auf einem Podium, sieht alle und gibt Anweisungen an die gesamte Gruppe gleichzeitig. Das funktioniert gut bei kleinen Gruppen, aber wenn man 1.000 Musiker hat, wird der Dirigent überfordert, der Schall braucht zu lange, um zu reisen, und wenn der Dirigent stolpert, steht das ganze Orchester still.

Dieses Paper schlägt einen klügeren Weg vor, das Orchester zu leiten, und tut dies auf zwei verschiedene Arten: einmal, wenn der Dirigent die Partitur perfekt kennt (modellbasiert), und einmal, wenn der Dirigent die Partitur noch nie gesehen hat, aber das Spiel der Musiker stundenlang aufgezeichnet hat (datengesteuert).

Hier ist die Aufschlüsselung ihrer Lösung unter Verwendung von Alltagsanalogien:

Das große Problem: Chaos und Kosten

In komplexen Systemen wie Stromnetzen (Microgrids), Robotern oder dem Verkehr gibt es viele miteinander verbundene Teile.

Die Herausforderung: Man muss das gesamte System stabil halten (wie die Musik in der Tonart zu halten), selbst wenn Dinge schiefgehen (Störungen wie ein plötzliches Geräusch oder eine Spannungsspitze).
Der alte Weg: Die Gestaltung der Verbindungen (Topologie) und der Regler (die Regeln, denen die Musiker folgen) getrennt voneinander zu entwerfen, führt oft zu unordentlichen, teuren oder ineffizienten Ergebnissen. Es ist, als würde man versuchen, einen defekten Automotor zu reparieren, indem man rät, welches Teil falsch ist, ohne ein Handbuch zu haben, oder indem man einen Mechaniker engagiert, der versucht, das ganze Auto auf einmal zu reparieren, anstatt einen Zylinder nach dem anderen zu reparieren.

Die Lösung: Ein hierarchischer Tanz in zwei Schritten

Die Autoren schlagen einen hierarchischen Co-Design-Ansatz vor. Stellen Sie sich dies als einen Tanz in zwei Schritten vor:

Schritt 1 (Lokal): Jeder Musiker übt allein, um sicherzustellen, dass er seinen Teil perfekt spielen kann, egal was passiert. Er wird „dissipativ“.
- Was ist Dissipativität? Stellen Sie sich einen Stoßdämpfer an einem Auto vor. Wenn Sie einen Schlagloch treffen, absorbiert der Stoßdämpfer die Energie, damit das Auto nicht wild hin und her springt. „Dissipativität“ ist die mathematische Art zu sagen: „Dieser Teil des Systems ist gut darin, schlechte Energie (Störungen) aufzusaugen, damit sie die gesamte Show nicht ruinieren.“
Schritt 2 (Global): Sob falls jeder Musiker ein Profi darin ist, seine eigenen Stöße aufzusaugen, entwirft der Dirigent die Verbindungen zwischen ihnen. Wer spricht mit wem? Das Ziel ist es, so wenige Telefonleitungen (Kommunikationsverbindungen) wie möglich zu nutzen, um das gesamte Orchester im Einklang zu halten, während gleichzeitig sichergestellt wird, dass die gesamte Gruppe stabil bleibt.

Ansatz 1: Die „modellbasierte“ Methode (Die Regeln kennen)

Dies ist für den Fall, wenn Sie die „Blaupausen“ oder die exakten mathematischen Gleichungen haben, wie jedes Subsystem funktioniert.

Wie es funktioniert: Die Ingenieure verwenden einen Satz mathematischer Regeln (genannt Lineare Matrix-Ungleichungen oder LMIs), um die perfekte lokale Übungsroutine für jeden Musiker und die perfekte Kommunikationskarte für die Gruppe zu berechnen.
Der Vorteil: Es ist wie ein GPS, das die genauen Straßenbedingungen kennt. Es garantiert, dass das System stabil und robust sein wird. Es vermeidet die unordentlichen Trial-and-Error-Schleifen, die normalerweise Zeit und Rechenleistung verschwenden.

Ansatz 2: Die „datengesteuerte“ Methode (Aus Erfahrung lernen)

Dies ist die große Innovation des Papers. Was, wenn Sie keine Blaupausen haben? Was, wenn das System zu komplex ist, um es in Gleichungen aufzuschreiben?

Das Szenario: Stellen Sie sich vor, Sie wissen nicht, wie die Instrumente der Musiker funktionieren, aber Sie haben eine Aufnahme von ihnen, während sie lange gespielt haben.
Der Trick: Die Autoren verwenden ein cleveres mathematisches Werkzeug namens Matrix-S-Lemma. Betrachten Sie dies als ein „Sicherheitsnetz“. Auch wenn wir nicht die exakten Regeln der Instrumente kennen, wissen wir, dass das „Rauschen“ oder die „Störungen“, die auf sie einwirken, nicht unendlich sind – sie sind begrenzt (wie ein Lautstärkeregler, der nicht über 10 hinausgehen kann).
Wie es funktioniert: Das System betrachtet die aufgenommenen Daten (Input- und Output-Trajektorien). Es fragt: „Wenn das Rauschen innerhalb dieser Grenzen liegt, welcher Regler garantiert, dass das System sicher bleibt?“ Es entwirft den Regler direkt aus den Daten und überspringt dabei die Notwendigkeit, zuerst die zugrunde liegende Physik zu ermitteln.
Der Vorteil: Es funktioniert selbst dann, wenn das System eine „Black Box“ ist. Es ist robust gegenüber dem Unbekannten, vorausgesetzt, das Unbekannte ist nicht unendlich wild.

Der Praxistest: Das DC-Mikronetz

Um zu beweisen, dass dies funktioniert, haben die Autoren es an einem DC-Mikronetz getestet (ein kleines, lokales Stromnetz, wie eine Nachbarschaft mit Solaranlagen und Batterien).

Das Ziel: Die Spannung stabil halten (wie den Wasserdruck in Rohren konstant zu halten) und die elektrische Last gerecht unter allen Generatoren aufteilen.
Das Ergebnis:
- Sie entwarfen ein System, bei dem lokale Regler die unmittelbaren Stöße handhabten (wie eine plötzliche Wolke, die eine Solaranlage verdeckt).
- Sie entwarfen dann ein Kommunikationsnetzwerk, das den Generatoren sagte, wie sie miteinander sprechen sollen.
- Der Gewinn: Ihre Methode erzeugte ein sparsameres Netzwerk. Anstatt dass jeder Generator mit jedem anderen kommuniziert (was teuer und langsam ist), fanden sie einen Weg, weniger Verbindungen zu nutzen, die dennoch das gesamte Netz stabil und effizient halten.

Zusammenfassung

Dieses Paper gibt uns ein neues Toolkit, um komplexe Netzwerke zu verwalten:

Wenn Sie die Mathematik kennen: Nutzen Sie den modellbasierten Ansatz, um lokale Sicherheitsnetze und eine globale Kommunikationskarte gleichzeitig zu entwerfen.
Wenn Sie nur Daten haben: Nutzen Sie den datengesteuerten Ansatz, um die Sicherheitsnetze und die Kommunikationskarte direkt aus Aufzeichnungen zu lernen, unter der Annahme, dass das Chaos nicht zu extrem ist.

Das Ergebnis ist ein System, das robust (kann Schocks verkraften), effizient (verwendet weniger Verbindungen) und skalierbar (funktioniert sowohl für kleine Gruppen als auch für riesige Netzwerke) ist, und das alles, ohne einen einzigen, überforderten zentralen Chef zu benötigen.

Technisches Resümee: Modellbasierte und datengesteuerte hierarchische Steuerung und Topologie-Co-Design für robuste vernetzte Systeme

1. Problemstellung

Die Arbeit adressiert die Herausforderung beim Entwurf großskaliger vernetzter Systeme, die aus miteinander verbundenen linearen Subsystemen unter externen Störungen bestehen. Das Kernziel ist die gemeinsame Synthese von drei Komponenten:

Lokale Regler: Rückführungsgesetze für einzelne Subsysteme.
Verteilte globale Regler: Koordinationsmechanismen, die Informationen zwischen benachbarten Subsystemen austauschen.
Verbindungstopologie: Die Kommunikations- oder physische Struktur, welche die Subsysteme verbindet.

Das Design muss globale Dissipativität (eine Robustheitsmetrik, die Stabilität, $L_2$ -Verstärkung und Passivität umfasst) von den Störungseingängen zu den Leistungsausgängen gewährleisten und gleichzeitig die Kosten der Verbindungstopologie (z. B. die Kommunikations-Sparsität) optimieren.

Eine wesentliche Einschränkung in der bestehenden Literatur ist die Abhängigkeit von präzisem Wissen über die Dynamik der Subsysteme, welches in realen Anwendungen oft nicht verfügbar ist. Zudem behandeln viele bestehende Methoden die Topologie als fest vorgegeben oder erfordern zentralisierte, nicht-konvexe und iterative Designverfahren, denen es an Skalierbarkeit mangelt. Diese Arbeit strebt einen vereinheitlichten Rahmen an, der:

ein hierarchisches Co-Design durchführt (lokale Regler $\to$ globale Regler + Topologie).
sowohl unter modellbasierten Annahmen (bekannte Dynamik) als auch datengesteuerten Annahmen (unbekannte Dynamik, bekannte Trajektoriendaten) operiert.
Kompositionalität und Dezentralisierbarkeit durch die Verwendung von Linearen Matrix-Ungleichungen (LMIs) aufrechterhält.

2. Methodik

Der vorgeschlagene Ansatz ist hierarchisch strukturiert und wird in zwei parallelen Pfaden präsentiert: modellbasiert und datengesteuert.

A. Theoretische Grundlagen

Der Rahmen stützt sich auf die Dissipativitätstheorie, speziell die $X$ -Dissipativität, welche Eigenschaften wie Passivität und endliche $L_2$ -Stabilität verallgemeinert.

Lokale Ebene: Jedes Subsystem wird so entworft, dass es ein lokales Dissipativitätszertifikat ( $X_i$ -Dissipativität) erfüllt.
Globale Ebene: Diese lokalen Zertifikate werden auf die Netzwerkkebene propagiert, um globale Dissipativität ( $Y$ -Dissipativität) über die Interconnectionsmatrix $M$ zu garantieren.
Werkzeuge: Das Design nutzt die Schur-Komplement-Methode, Kongruenzprinzipien und das Matrix-S-Lemma (zur Handhabung quadratischer Nebenbedingungen in datengesteuerten Settings).

B. Modellbasierter hierarchischer Entwurf

Dieser Ansatz setzt die vollständige Kenntnis der Subsystemdynamik ( $A_i, B_i, C_i$ ) voraus.

Synthese lokaler Regler: Ein lokaler Zustandsrückkopplungsregler ( $K_i$ ) wird für jedes Subsystem entworfen, um eine spezifische lokale Dissipativitätseigenschaft ( $X_i$ -Dissipativität) mit den Bedingungen $X_{i}^{11} > 0$ und $X_{i}^{22} < 0$ zu erzwingen. Dies wird als LMI-Problem formuliert.
Verfeinertes lokales Design: Um die Durchführbarkeit der nachfolgenden globalen Phase zu verbessern, wird das lokale Design durch notwendige Bedingungen ergänzt, die aus der globalen LMI abgeleitet wurden. Dies beinhaltet eine Änderung der Variablen, um die lokalen Dissipativitätszertifikate in Richtung globaler Kompatibilität zu beeinflussen.
Globales Co-Design: Unter Verwendung der festen lokalen Zertifikate werden ein verteilter globaler Regler ( $K$ ) und die Kommunikationstopologie gemeinsam entworfen (Co-Design). Der globale Regler ist definiert als $\bar{u} = Ky$ , wobei die Sparsität von $K$ (und damit die Kommunikationsverbindungen) optimiert wird. Diese Phase löst ein einzelnes LMI-Problem, um globale Dissipativität zu erzwingen und gleichzeitig eine Zielfunktion zu minimieren, die Sparsität ( $\| \bar{K} \|_1$ ) fördert und Leistungsgrenzen optimiert.

C. Datengesteuerter hierarchischer Entwurf

Dieser Ansatz setzt voraus, dass die Subsystemdynamik unbekannt ist, aber reichhaltige Eingangs-Zustands-Ausgangs-Trajektoriendaten vorliegen.

Datenkonsistenz: Die Menge aller möglichen Systemmodelle, die mit den beobachteten Daten und beschränkten Störungen konsistent sind, wird mittels einer quadratischen Matrix-Ungleichung (QMI) charakterisiert.
Störmodellierung: Unbekannte Störungen werden als durch eine quadratische Matrix-Ungleichung beschränkt angenommen (was konventionelle Grenzen lockert).
Synthese lokaler Regler: Der lokale Regler wird direkt aus den Daten synthetisiert. Das Matrix-S-Lemma wird eingesetzt, um die Anforderung, dass der Regler für alle mit den Daten konsistenten Modelle funktionieren muss, in eine handhabbare LMI umzuwandeln. Dies gewährleistet Robustheit gegenüber unbekannter Dynamik und Störungen.
Globales Co-Design: Ähnlich wie im modellbasierten Fall werden der globale Regler und die Topologie gemeinsam entworfen. Die unbekannten Systemmatrizen ( $B$ ) in der globalen LMI werden dadurch behandelt, dass das Problem unter Verwendung der datenkonsistenten QMIs und des Matrix-S-Lemmas umformuliert wird, was zu einer robusten LMI-Bedingung führt, die keine explizite Systemidentifikation erfordert.

3. Hauptbeiträge

Die Arbeit skizziert vier primäre Beiträge:

Hierarchische Co-Design-Formulierung: Ein neuartiger Rahmen für vernetzte lineare Systeme, der lokale Regler, verteilte globale Regler und Interconnectionstopologien unter globalen Dissipativitätsbeschränkungen gemeinsam synthetisiert.
Modellbasierter LMI-Rahmen: Ein zweistufiger Designprozess, bei dem lokale Rückführung die Subsystem-Dissipativität erzwingt, welche dann zur Co-Entwicklung von verteilten Reglern und Topologien mit Netzwerkgarantien genutzt wird.
Direkter datengesteuerter Gegenpart: Eine Methode, die robuste LMI-Bedingungen unter Verwendung lediglich der Trajektoriendaten der Subsysteme und quadratischer Störungsgrenzen ableitet und somit eine explizite Systemidentifikation umgeht.
Fallstudienanwendung: Validierung der vorgeschlagenen Methoden anhand eines DC-Mikrogitters (DCMG) Regelungsproblems mit dem Ziel einer robusten Spannungsregelung und Stromteilung.

4. Ergebnisse und Anwendung

Die Arbeit validiert die vorgeschlagenen Methoden anhand einer DC-Mikrogitter-Fallstudie, die mehrere dezentrale Generatoren (DGs) und resistive Leitungen umfasst.

Zielsetzung: Erreichung einer robusten Spannungsregelung und proportionalen Stromteilung bei gleichzeitigem Entwurf der Kommunikationstopologie.
Vergleich: Das vorgeschlagene dissipativitätsbasierte hierarchische Design wurde gegen einen Standard-stabilisierenden globalen Regler verglichen.
Ergebnisse:
- Die vorgeschlagene Methode konnte die gewünschten Dissipativitätszertifikate (Spannungsregelung und Stromteilung) erfolgreich erzwingen.
- Topologieoptimierung: Im Gegensatz zum Benchmark-Stabilisierungsregler, der eine voll vernetzte Kommunikationstopologie erforderte, lieferte das vorgeschlagene hierarchische Design eine sparsere Kommunikationstopologie.
- Leistung: Beide Regler erreichten die gewünschte stationäre Regelung, jedoch erreichte die vorgeschlagene Methode dies mit weniger Kommunikationsverbindungen, was die Wirksamkeit der kombinierten Topologie- und Regleroptimierung demonstriert.

5. Bedeutung und Ansprüche

Die Autoren behaupten, dass die primäre Bedeutung der Arbeit darin liegt, die Lücke zwischen skalierbarem Reglerdesign und Topologiesynthese für vernetzte Systeme zu schließen.

Skalierbarkeit und Kompositionalität: Durch die Verwendung eines hierarchischen Ansatz auf Basis der Dissipativität vermeidet die Methode zentralisierte, nicht-konvexe und iterative Designprozesse. Sie bewahrt die Kompositionalität, wodurch lokale Garantien systematisch auf globale Garantien übertragen werden können.
Robustheit gegenüber Unsicherheit: Die datengesteuerte Erweiterung ist signifikant, da sie theoretische Garantien für Stabilität und Leistung bietet, ohne dass präzise Systemmodelle erforderlich sind, was für komplexe reale Systeme, in denen die Modellierung schwierig ist, entscheidend ist.
Vereinheitlichter Rahmen: Die Arbeit stellt einen vereinheitlichten, handhabbaren Rahmen (via LMIs) bereit, der das gemeinsame Design von Reglern und Topologie sowohl unter modellbasierten als auch unter datengesteuerten Bedingungen handhabt – eine Kombination, die die Autoren als in der bestehenden Literatur weitgehend unerschlossen beschreiben.

Die Autoren wahren einen bescheidenen Ton und merken an, dass die vorläufige Version dieser Arbeit die Analyse und Topologiesynthese behandelte, während diese Arbeit den Umfang auf die Synthese lokaler Regler und die Handhabung unbekannter Dynamiken via datengesteuerter Methoden erweitert. Die Ergebnisse werden an einem spezifischen DC-Mikrogitter-Beispiel illustriert, was impliziert, dass die Methodik auf andere vernetzte Systeme wie Fahrzeug-Platoons oder Lieferketten anwendbar ist, obwohl spezifische Ergebnisse für diese Domänen in diesem Text nicht präsentiert werden.