⚡ electrical engineering

Dissipativity-Based Data-Driven Decentralized Control of Interconnected Systems

Este artículo propone un marco de control descentralizado unificado y basado en datos para estabilizar sistemas lineales de tiempo discreto interconectados mediante la derivación de condiciones locales basadas en la disipatividad y criterios de estabilidad global formulados como desigualdades matriciales lineales, con efectividad y escalabilidad demostradas en aplicaciones de microrredes.

Autores originales: Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Publicado 2026-07-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una orquesta masiva donde cada músico (un "subsistema") toca su propio instrumento, pero todos están conectados por cuerdas invisibles. Si un músico toca demasiado fuerte o fuera de sincronía, puede desequilibrar a todo el grupo, haciendo que la música descienda al caos. El desafío es que el director no conoce la partitura de ninguno de los instrumentos, no sabe cómo están atadas las cuerdas y los músicos están tocando en una sala ruidosa donde no pueden escucharse perfectamente entre sí.

Este artículo presenta una nueva forma de enseñar a estos músicos a tocar en armonía sin un director central, utilizando únicamente el sonido que escuchan de sus vecinos inmediatos y un poco de datos de ensayo y error.

Aquí está el desgate de su enfoque utilizando analogías simples:

1. El Problema: La Orquesta Desconocida

En el mundo real, a menudo tenemos grandes redes de elementos trabajando juntos —como una red eléctrica inteligente (microred) con muchos paneles solares y baterías, o una flota de drones.

El inconveniente: No tenemos los planos (modelos matemáticos) de cómo funcionan estas partes individuales.
El ruido: Los datos que recolectamos son desordenados, como intentar grabar una conversación en medio de un huracán.
El objetivo: Necesitamos diseñar un controlador para cada parte para que toda la red se mantenga estable, incluso si no sabemos exactamente cómo están conectadas entre sí.

2. El Arma Secreta: "Reglas de Energía" (Disipatividad)

Los autores utilizan un concepto llamado Disipatividad. Piensa en esto como una regla sobre el "intercambio de energía".

Imagina que cada músico es una batería. Pueden almacenar energía (sonido) y liberarla.
La Disipatividad es una garantía de que un músico nunca creará más energía de la que se le otorga. Pueden almacenar algo, pero nunca generarán un "supersonido" que explote de la nada.
Si cada músico sigue esta regla, y están conectados de una manera específica, toda la orquesta tiene garantizado mantenerse tranquila y no entrar en una espiral de caos.

3. La Solución: Una Receta de Dos Pasos "Basada en Datos"

En lugar de construir un modelo primero (que es como intentar dibujar un mapa de una ciudad antes de haberla visitado jamás), los autores proponen un enfoque basado en datos. Observan los datos brutos (las grabaciones del ruido y las señales) para descubrir las reglas.

Paso A: La Regla Local (El Músico Individual)
Cada subsistema observa sus propios datos (lo que hizo y lo que escuchó de sus vecinos) y resuelve un rompecabezas matemático (llamado Desigualdad Matriz Lineal o LMI).

El objetivo: Encontrar un controlador (un conjunto de instrucciones) que obligue a ese subsistema específico a obedecer la "Regla de Energía" (Disipatividad).
La magia: Tratan la propia "Regla de Energía" como una variable flexible. En lugar de adivinar la regla, dejan que las matemáticas encuentren la mejor regla posible que se ajuste a los datos ruidosos.

Paso B: La Armonía Global (Toda la Orquesta)
Una vez que cada subsistema tiene su propia "Regla de Energía", los autores comprueban si estas reglas funcionan bien juntas.

Utilizan un segundo rompecabezas matemático para asegurar que, si todos siguen su regla local, la red completa será estable.
Crucialmente, esta comprobación solo requiere información local. No necesitas conocer el mapa completo de la orquesta; solo necesitas saber cómo se están comportando tus vecinos.

4. Caso Especial: La Conexión "Difusiva"

El artículo también analiza un tipo específico de conexión llamada Acoplamiento Difusivo.

Analogía: Imagina a un grupo de personas paradas en un círculo, cada una sosteniendo un cubo de agua. Si el cubo de una persona está lleno y el de su vecino está vacío, el agua fluye del lleno al vacío hasta que ambos sean iguales.
En este escenario, los autores desarrollaron un algoritmo especial y más rápido. Calculan el "flujo máximo posible" entre los vecinos basándose en los datos y utilizan eso para garantizar la estabilidad. Es como decir: "Incluso si el agua fluye tan rápido como físicamente es posible, el sistema no se inundará".

5. Los Resultados: Más Rápidos y Más Inteligentes

Los autores probaron su método en una Microred simulada (una red de 50 unidades de potencia).

Eficiencia: Su método funcionó con muy pocos datos (solo 50 puntos de datos por unidad) y tardó milisegundos en computarse en una computadora portátil.
Comparación: Compararon su método con uno "Centralizado" (donde una computadora gigante intenta controlarlo todo). El método centralizado necesitaba muchos más datos (hasta 800 puntos) y tardaba mucho más en computarse.
Robustez: Incluso cuando los datos eran muy ruidosos o las conexiones eran complejas, su método descentralizado siguió funcionando, mientras que el método centralizado tuvo dificultades o falló.

Resumen

En resumen, este artículo enseña a un grupo de máquinas interconectadas, desconocidas y ruidosas, cómo estabilizarse a sí mismas. En lugar de necesitar un cerebro central con un mapa perfecto del mundo, cada máquina aprende sus propias "reglas de energía" a partir de datos locales. Mientras todos sigan sus propias reglas, el grupo entero se mantiene seguro y estable. Es como enseñar a una multitud caótica a bailar en perfecta sincronía dándole a cada persona un ritmo local sencillo que seguir, sin necesidad de decirles nunca los pasos de toda la danza.

Resumen Técnico: Control Descentralizado Basado en Disipatividad para Sistemas Interconectados a partir de Datos

Formulación del Problema
El artículo aborda la estabilización de sistemas lineales invariantes en el tiempo (LTI) discretos e interconectados, donde tanto los modelos de los subsistemas locales como la estructura de interconexión global son desconocidos. Los sistemas están sujetos a ruido de proceso y de medición, así como a ruido de interconexión. El objetivo de control es diseñar controladores de retroalimentación de estado locales ( $u_i = K_i x_i$ ) para cada subsistema de modo que el sistema de lazo cerrado global nominal sea asintóticamente estable. Crucialmente, el diseño debe ser descentralizado, lo que significa que cada controlador se sintetiza utilizando únicamente datos locales y el conocimiento de sus vecinos inmediatos, sin requerir información del sistema global ni coordinación centralizada. Los autores consideran específicamente dos escenarios: sistemas interconectados generales con pesos de interconexión desconocidos y sistemas interconectados mediante acoplamiento difusivo (donde las entradas de interconexión dependen de la diferencia entre las salidas de los vecinos).

Metodología
El enfoque propuesto aprovecha la teoría de la disipatividad para crear un flujo de trabajo unificado para el control basado en datos. La metodología procede en dos etapas principales, ambas formuladas como Desigualdades Matriciales Lineales (LMI):

Síntesis de Disipatividad Local:
Para cada subsistema, los autores derivan una condición LMI basada en datos (Teorema 1) para calcular una ganancia de retroalimentación de estado $K_i$ . Esta ganancia asegura que el subsistema local de lazo cerrado sea disipativo con respecto a una tasa de suministro cuadrática definida por las matrices $(F_i, G_i, H_i)$ .
- El método utiliza el Lema Fundamental de la teoría de sistemas conductuales para relacionar las trayectorias de datos recolectadas (estado, entrada, entrada de interconexión y salida) con el conjunto de matrices de sistema consistentes con dichos datos.
- El ruido se modela utilizando Desigualdades Matriciales Cuadráticas (QMI), lo que permite que el controlador sea robusto ante datos corrompidos por ruido sin necesidad de una identificación de sistema explícita.
- Las matrices de la tasa de suministro $(F_i, G_i, H_i)$ se tratan como variables de decisión conjuntas en lugar de parámetros fijos, lo que permite que el diseño local se adapte a los requisitos de estabilidad global.
Verificación de Estabilidad Descentralizada:
El artículo establece las condiciones bajo las cuales la disipatividad de los subsistemas locales garantiza la estabilidad asintótica del sistema interconectado global.
- Interconexiones Generales: Utilizando un lema de S matricial y formulaciones duales de QMI, los autores derivan una LMI descentralizada basada en datos (Teorema 2) que garantiza la estabilidad global. Esta condición depende de los datos de interconexión locales (salidas de los vecinos y entradas de interconexión locales) y de las matrices de la tasa de suministro derivadas en el primer paso.
- Acoplamiento Difusivo: Para sistemas con acoplamiento difusivo, los autores proponen una condición de estabilidad específica (Proposición 5) dependiente del grado ponderado del grafo de interconexión. Dado que los pesos de interconexión son desconocidos, formulan un programa cuadrático (Teorema 3) para calcular el límite superior más ajustado del grado ponderado consistente con los datos de interconexión observados. Este límite se utiliza posteriormente en la LMI de estabilidad.

Contribuciones Clave
El artículo realiza las siguientes contribuciones específicas:

Disipatividad Local Basada en Datos: Derivación de una condición LMI necesaria y suficiente para sintetizar un controlador de retroalimentación de estado que haga que un subsistema desconocido y con ruido sea disipativo, tratando las matrices de la tasa de suministro como variables de decisión.
Estabilidad Global Basada en Datos: Propuesta de condiciones LMI descentralizadas que garantizan la estabilidad global basándose únicamente en la disipatividad de los subsistemas locales y en los datos de interconexión locales, sin requerir el conocimiento de la matriz de interconexión global $M$ .
Flujo de Trabajo Unificado: Un algoritmo combinado (Algoritmo 1) que resuelve las LMI locales y globales simultáneamente para producir controladores descentralizados.
Extensión de Acoplamiento Difusivo: Un algoritmo especializado (Algoritmo 2) para el acoplamiento difusivo que calcula límites basados en datos sobre los pesos de interconexión para asegurar la estabilidad.
Demostración de Escalabilidad: Validación numérica que muestra que los métodos descentralizados propuestos requieren significativamente menos datos y tiempo de cómputo en comparación con los enfoques de control estructurado basados en datos centralizados.

Resultados
La efectividad de los algoritmos se valida mediante ejemplos numéricos que involucran una microred de corriente continua con 50 unidades de generación distribuida (DGU).

Estabilidad: Tanto el Algoritmo 1 (caso general) como el Algoritmo 2 (acoplamiento difusivo) estabilizan con éxito la microred, llevando las corrientes y voltajes al origen.
Robustez: Los controladores mantienen la estabilidad en presencia de ruido que satisface los límites de QMI asumidos, demostrando estabilidad entrada-estado.
Factibilidad y Escalabilidad:
- En pruebas con 100 instancias de sistemas aleatorios, el Algoritmo 1 mantuvo una factibilidad del 100% ante variaciones en la longitud de los datos, niveles de ruido y densidades de interconexión.
- El Algoritmo 2 mostró una reducción en la factibilidad bajo ruido alto o datos dispersos, atribuido al conservadurismo introducido al calcular el límite superior del grado ponderado.
- Comparación: Al compararse con un controlador de datos estructurado y centralizado, los algoritmos descentralizados propuestos lograron la factibilidad con longitudes de datos mucho más cortas (50 muestras frente a más de 600 muestras) y tiempos de computación significativamente menores (milisegundos frente a ~24 segundos).

Significancia y Reivindicaciones
El artículo afirma proporcionar un marco unificado, basado en datos y descentralizado para la estabilización de sistemas interconectados sin requerir la identificación del sistema ni información global. La significancia radica en la capacidad de manejar estructuras de interconexión desconocidas y datos corrompidos por ruido simultáneamente, un desafío que suele ser difícil de abordar con los métodos existentes. Al tratar las matrices de la tasa de suministro como variables de decisión, los autores cierran la breancia entre el diseño de disipatividad local y el análisis de estabilidad global. Los autores señalan modestamente que, si bien el enfoque es efectivo para sistemas lineales con tasas de suministro cuadráticas, es necesario realizar trabajos futuros para abordar la dinámica no lineal, las interconexiones dinámicas y la adaptación en línea. El trabajo se posiciona como un paso hacia el control escalable de sistemas ciberfísicos de gran escala, como las redes eléctricas y las redes robóticas.