⚡ electrical engineering

Dissipativity-Based Data-Driven Decentralized Control of Interconnected Systems

Cet article propose un cadre de commande décentralisé unifié et fondé sur les données pour stabiliser des systèmes linéaires à temps discret interconnectés en dérivant des conditions locales basées sur la dissipativité et des critères de stabilité globale formulés sous forme d'inégalités matricielles linéaires, avec une efficacité et une extensibilité démontrées dans les applications de micro-réseaux.

Auteurs originaux : Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Taiki Nakano, Ahmed Aboudonia, Jaap Eising, Andrea Martinelli, Florian Dörfler, John Lygeros

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un orchestre massif où chaque musicien (un « sous-système ») joue de son propre instrument, mais où ils sont tous reliés par des cordes invisibles. Si un musicien joue trop fort ou est hors du rythme, cela peut déséquilibrer tout le groupe, faisant basculer la musique dans le chaos. Le défi est que le chef d'orchestre ne connaît pas la partition des instruments, ne sait pas comment les cordes sont nouées, et les musiciens jouent dans une pièce bruyante où ils ne peuvent pas s'entendre parfaitement.

Ce document présente une nouvelle façon d'apprendre à ces musiciens à jouer en harmonie sans chef d'orchestre central, en utilisant uniquement le son qu'ils entendent de leurs voisins immédiats et un peu de données par tâtonnements.

Voici la décomposition de leur approche utilisant des analogies simples :

1. Le Problème : L'Orchestre Inconnu

Dans le monde réel, nous avons souvent de grands réseaux de choses travaillant ensemble — comme un micro-réseau intelligent (microgrid) comprenant de nombreux panneaux solaires et batteries, ou une flotte de drones.

Le Piège : Nous n'avons pas les plans (modèles mathématiques) de la manière dont ces parties individuelles fonctionnent.
Le Bruit : Les données que nous collectons sont désordonnées, comme essayer d'enregistrer une conversation au milieu d'un ouragan.
L'Objectif : Nous devons concevoir un contrôleur pour chaque partie afin que l'ensemble du réseau reste stable, même si nous ne savons pas exactement comment ils sont connectés entre eux.

2. L'Arme Secrète : Les « Règles d'Énergie » (Dissipativité)

Les auteurs utilisent un concept appelé Dissipativité. Considérez cela comme une règle concernant « l'échange d'énergie ».

Imaginez que chaque musicien est une batterie. Ils peuvent stocker de l'énergie (le son) et en libérer.
La Dissipativité est la garantie qu'un musicien ne créera jamais plus d'énergie qu'on ne lui en donne. Il peut en stocker un peu, mais il ne générera jamais un « super-son » qui exploserait de nulle part.
Si chaque musicien suit cette règle, et qu'ils sont connectés d'une manière spécifique, l'orchestre entier est garanti de rester calme et de ne pas sombrer dans le chaos.

3. La Solution : Une Recette « Pilotée par les Données » en Deux Étapes

Au lieu de construire un modèle d'abord (ce qui revient à essayer de dessiner la carte d'une ville avant même de l'avoir visitée), les auteurs proposent une approche pilotée par les données (data-driven). Ils examinent les données brutes (les enregistrements du bruit et des signaux) pour comprendre les règles.

Étape A : La Règle Locale (Le Musicien Individuel)
Chaque sous-système examine ses propres données (ce qu'il a fait et ce qu'il a entendu de ses voisins) et résout un casse-tête mathématique (appelé inégalité matricielle linéaire, ou LMI).

Le But : Trouver un contrôleur (un ensemble d'instructions) qui force ce sous-système spécifique à obéir à la « Règle d'Énergie » (Dissipativité).
La Magie : Ils traitent la « Règle d'Énergie » elle-même comme une variable flexible. Au lieu de deviner la règle, ils laissent les mathématiques trouver la meilleure règle possible qui s'adapte aux données bruitées.

Étape B : L'Harmonie Globale (L'Orchestre Entier)
Une fois que chaque sous-système possède sa propre « Règle d'Énergie », les auteurs vérifient si ces règles fonctionnent bien ensemble.

Ils utilisent un second casse-tête mathématique pour s'assurer que si tout le monde suit sa règle locale, l'ensemble du réseau sera stable.
Crucialement, cette vérification ne nécessite que des informations locales. Vous n'avez pas besoin de connaître toute la carte de l'orchestre ; vous avez juste besoin de savoir comment vos voisins se comportent.

4. Cas Particulier : La Connexion « Diffusive »

Le papier examine également un type spécifique de connexion appelé Couplage Diffusif.

Analogie : Imaginez un groupe de personnes debout en cercle, tenant chacune un seau d'eau. Si le seau d'une personne est plein et celui de son voisin est vide, l'eau coule du plein vers le vide jusqu'à ce qu'ils soient égaux.
Dans ce scénario, les auteurs ont développé un algorithme spécial, plus rapide. Ils calculent le « flux maximal possible » entre les voisins à partir des données et utilisent cela pour garantir la stabilité. C'est comme dire : « Même si l'eau coule aussi vite que physiquement possible, le système ne débordera pas. »

5. Les Résultats : Plus Rapides et Plus Intelligents

Les auteurs ont testé leur méthode sur un Micro-réseau simulé (un réseau de 50 unités de puissance).

Efficacité : Leur méthode a fonctionné avec très peu de données (seulement 50 points de données par unité) et a pris quelques millisecondes pour être calculée sur un ordinateur portable.
Comparaison : Ils ont comparé cela à une méthode « Centralisée » (où un ordinateur géant tente de tout contrôler). La méthode centralisée avait besoin de beaucoup plus de données (jusqu'à 800 points) et a pris beaucoup plus de temps pour être calculée.
Robustesse : Même lorsque les données étaient très bruitées ou que les connexions étaient complexes, leur méthode décentralisée a continué de fonctionner, tandis que la méthode centralisée a eu du mal ou a échoué.

Résumé

En bref, ce papier apprend à un groupe de machines interconnectées, inconnues et bruyantes, comment se stabiliser elles-mêmes. Au lieu d'avoir besoin d'un cerveau central avec une carte parfaite du monde, chaque machine apprend ses propres « règles d'énergie » à partir de données locales. Tant que tout le monde suit ses propres règles, le groupe entier reste sûr et stable. C'est comme apprendre à une foule chaotique à danser en parfaite unité en donnant à chaque personne un rythme local simple à suivre, sans jamais avoir besoin de leur donner les pas de la danse entière.

Résumé Technique : Contrôle Décentralisé Fondé sur les Données et la Dissipativité pour les Systèmes Interconnectés

Formulation du Problème
L'article traite de la stabilisation de systèmes linéaires invariants dans le temps (LTI) discrets interconnectés, où les modèles des sous-systèmes locaux ainsi que la structure d'interconnexion globale sont tous deux inconnus. Les systèmes sont soumis à un bruit de processus, de mesure et d'interconnexion. L'objectif de contrôle est de concevoir des contrôleurs de retour d'état locaux ( $u_i = K_i x_i$ ) pour chaque sous-système afin que le système en boucle fermée global nominal soit asymptotiquement stable. Crucialement, la conception doit être décentralisée, ce qui signifie que chaque contrôleur est synthétisé en utilisant uniquement des données locales et la connaissance de ses voisins immédiats, sans nécessiter d'informations globales sur le système ou de coordination centralisée. Les auteurs considèrent spécifiquement deux scénarios : des systèmes interconnectés généraux avec des poids d'interconnexion inconnus et des systèmes interconnectés via un couplage diffusif (où les entrées d'interconnexion dépendent de la différence entre les sorties voisines).

Méthodologie
L'approche proposée exploite la théorie de la dissipativité pour créer un pipeline unifié de contrôle fondé sur les données. La méthodologie procède en deux étapes principales, toutes deux formulées sous forme d'inégalités matricielles linéaires (LMI) :

Synthèse de la Dissipativité Locale :
Pour chaque sous-système, les auteurs dérivent une condition LMI fondée sur les données (Théorème 1) pour calculer un gain de retour d'état $K_i$ . Ce gain garantit que le sous-système local en boucle fermée est dissipatif par rapport à un taux de fourniture quadratique défini par les matrices $(F_i, G_i, H_i)$ .
- La méthode utilise le Lemme Fondamental de la théorie comportementale des systèmes pour relier les trajectoires de données collectées (état, entrée, entrée d'interconnexion et sortie) à l'ensemble des matrices de systèmes possibles cohérentes avec ces données.
- Le bruit est modélisé à l'aide d'inégalités matricielles quadratiques (QMI), permettant au contrôleur d'être robuste aux données corrompues par le bruit sans identification explicite du système.
- Les matrices du taux de fourniture $(F_i, G_i, H_i)$ sont traitées comme des variables de décision conjointes plutôt que comme des paramètres fixes, permettant à la conception locale de s'adapter aux exigences de stabilité globale.
Vérification de la Stabilité Décentralisée :
L'article établit les conditions sous lesquelles la dissipativité des sous-systèmes locaux garantit la stabilité asymptotique du système interconnecté global.
- Interconnexions Générales : En utilisant un lemme de S matriciel et des formulations QMI duales, les auteurs dérivent une LMI décentralisée fondée sur les données (Théorème 2) qui garantit la stabilité globale. Cette condition repose sur les données d'interconnexion locales (sorties des voisins et entrées d'interconnexion locales) et les matrices de taux de fourniture dérivées lors de la première étape.
- Couplage Diffusif : Pour les systèmes à couplage diffusif, les auteurs proposent une condition de stabilité spécifique (Proposition 5) dépendant du degré pondéré du graphe d'interconnexion. Puisque les poids d'interconnexion sont inconnus, ils formulent un programme quadratique (Théorème 3) pour calculer la borne supérieure la plus étroite sur le degré pondéré cohérente avec les données d'interconnexion observées. Cette borne est ensuite utilisée dans la LMI de stabilité.

Contributions Clés
L'article apporte les contributions spécifiques suivantes :

Dissipativité Locale Fondée sur les Données : Dérivation d'une condition LMI nécessaire et suffisante pour synthétiser un contrôleur de retour d'état qui rend un sous-système inconnu et bruité dissipatif, en traitant les matrices de taux de fourniture comme des variables de décision.
Stabilité Globale Fondée sur les Données : Proposition de conditions LMI décentralisées qui garantissent la stabilité globale en se basant uniquement sur la dissipativité des sous-systèmes locaux et les données d'interconnexion locales, sans nécessiter la connaissance de la matrice d'interconnexion globale $M$ .
Pipeline Unifié : Un algorithme combiné (Algorithme 1) qui résout simultanément les LMI locales et globales pour produire des contrôleurs décentralisés.
Extension au Couplage Diffusif : Un algorithme spécialisé (Algorithme 2) pour le couplage diffusif qui calcule des bornes fondées sur les données sur les poids d'interconnexion pour assurer la stabilité.
Démonstration de la Scalabilité : Validation numérique montrant que les méthodes décentralisées proposées nécessitent nettement moins de données et de temps de calcul que les approches de contrôle structuré centralisé fondées sur les données.

Résultats
L'efficacité des algorithmes est validée par des exemples numériques impliquant un micro-réseau de courant continu (DC) avec 50 unités de génération distribuée (DGU).

Stabilité : L'Algorithme 1 (cas général) et l'Algorithme 2 (couplage diffusif) stabilisent tous deux le micro-réseau, ramenant les courants et les tensions vers l'origine.
Robustesse : Les contrôleurs maintiennent la stabilité en présence de bruit satisfaisant les bornes QMI supposées, démontrant une stabilité de l'entrée vers l'état (ISS).
Faisabilité et Scalabilité :
- Dans des tests avec 100 instances de systèmes aléatoires, l'Algorithme 1 a maintenu une faisabilité de 100 % à travers diverses longueurs de données, niveaux de bruit et densités d'interconnexion.
- L'Algorithme 2 a montré une faisabilité réduite sous un bruit élevé ou des données éparses, attribuée au conservatisme introduit par le calcul de la borne supérieure du degré pondéré.
- Comparaison : Comparés à un contrôleur centralisé structuré fondé sur les données, les algorithmes décentralisés proposés ont atteint la faisabilité avec des longueurs de données beaucoup plus courtes (50 échantillons contre plus de 600 échantillons) et des temps de calcul nettement inférieurs (millisecondes contre environ 24 secondes).

Signification et Revendications
L'article affirme fournir un cadre unifié, fondé sur les données et décentralisé pour stabiliser des systèmes interconnectés sans nécessiter d'identification de système ou d'informations globales. La signification réside dans la capacité à gérer simultanément des structures d'interconnexion inconnues et des données corrompues par le bruit, un défi souvent difficile à aborder avec les méthodes existantes. En traitant les matrices de taux de fourniture comme des variables de décision, les auteurs comblent le fossé entre la conception de la dissipativité locale et l'analyse de la stabilité globale. Les auteurs notent modestement que, bien que l'approche soit efficace pour les systèmes linéaires avec des taux de fourniture quadratiques, des travaux futurs sont nécessaires pour traiter les dynamiques non linéaires, les interconnexions dynamiques et l'adaptation en ligne. Ce travail se positionne comme une étape vers le contrôle scalable de grands systèmes cyber-physiques tels que les réseaux électriques et les réseaux robotiques.