Data-Driven Optimal Distributed Controller Synthesis via Spatial Regret

Résumé Technique : Synthèse de Contrôleurs Distribués Optimaux Pilotée par les Données via le Regret Spatial

Formulation du Problème
L'article aborde le défi de la conception de contrôleurs distribués optimaux pour des systèmes linéaires invariants dans le temps (LTI) en réseau à grande échelle, soumis à des contraintes structurelles de communication. Les méthodes de contrôle optimal traditionnelles, telles que les conceptions $H_2$ et $H_\infty$, sont souvent « agnostiques du graphe », traitant toutes les perturbations de manière uniforme indépendamment de leur localisation ou de la topologie de communication du réseau. Cette approche échoue à capturer la dégradation spécifique des performances causée par un flux d'information limité dans des contextes distribués.

De plus, les méthodes existantes pour minimiser le « regret spatial » — une métrique quantifiant l'écart de performance entre un contrôleur distribué contraint et un « oracle » disposant de capacités de communication accrues — reposent sur des modèles d'espace d'état précis. Pour les systèmes à grande échelle, l'obtention de tels modèles paramétriques est souvent irréalisable ou peu fiable. Le problème central consiste à synthétiser un contrôleur distribué qui minimise le regret spatial directement à partir de données de réponse fréquentielle obtenues expérimentalement, sans nécessiter d'identification système intermédiaire, tout en préservant la stabilité en boucle fermée et en respectant des structures de communication fixes.

Méthodologie
Le cadre proposé opère entièrement dans le domaine fréquentiel en utilisant des Fonctions de Réponse Fréquentielle (FRF) mesurées. La méthodologie se déroule comme suit :

1. Acquisition des Données : Le comportement entrée-sortie de la plante est capturé via la FRF, en estimant spécifiquement la fonction de transfert $G_{22}$ à partir de données entrée-sortie persistamment excitantes. D'autres fonctions de transfert ($G_{11}, G_{12}, G_{21}$) sont définies par l'utilisateur pour encoder les spécifications de performance et les modèles de perturbations.
2. Définition de l'Oracle : Un contrôleur « oracle » $\hat{K}$ est défini avec une topologie de communication améliorée ($\hat{K} \supseteq K$). Cet oracle sert de référence hypothétique capable d'accéder à des mesures supplémentaires ou à des liens de communication. Le regret spatial est défini comme l'écart de performance au pire cas entre le contrôleur contraint $K$ et cet oracle $\hat{K}$ sur des perturbations bornées.
3. Reformulation dans le Domaine Fréquentiel : Le problème de minimisation du regret spatial est reformulé dans le domaine fréquentiel. En utilisant le Lemme 1, la métrique de regret est montrée comme étant équivalente au supremum de la valeur propre maximale de la différence entre les matrices de fonctions de transfert en boucle fermée du contrôleur contraint et de l'oracle.
4. Synthèse Convexe Itérative :
   • Le contrôleur est paramétré via une factorisation à gauche $K = Y^{-1}X$.
   • Le problème d'optimisation résultant est non convexe en raison des termes quadratiques et de l'exigence de stabilité en boucle fermée.
   • Les auteurs proposent un algorithme itératif (Théorème 1) qui linéarise les contraintes non convexes en utilisant une borne inférieure convexe dérivée d'un contrôleur stabilisant précédent $K_c$.
   • À chaque itération, un problème d'optimisation convexe (un programme semi-infini résolu par maillage fréquentiel) est résolu pour mettre à jour $X$ et $Y$.
   • Crucial, si initialisé avec un contrôleur stabilisant, l'algorithme garantit que le contrôleur synthétisé reste stabilisant à chaque itération.

Contributions Clés
L'article apporte trois contributions principales :

1. Extension de la Bien-Poséité : Les auteurs étendent les résultats de bien-posedness du regret spatial (auparavant établis pour des classes de contrôleurs spécifiques) à des classes de contrôleurs arbitraires. Ils prouvent que si l'oracle est conçu pour minimiser une norme classique ($H_2$ ou $H_\infty$) sur l'ensemble de contraintes amélioré, la métrique de regret spatial est garantie non négative pour tout contrôleur contraint, assurant ainsi la validité de la référence.
2. Cadre de Synthèse Piloté par les Données : L'article recadre la minimisation du regret spatial dans un cadre piloté par les données dans le domaine fréquentiel. Cela élimine la dépendance à l'identification système paramétrique, permettant la synthèse de contrôleurs directement à partir de mesures de réponse fréquentielle.
3. Algorithme Préservant la Stabilité : Un algorithme convexe itératif traitable est développé pour synthétiser des contrôleurs distribués à structure fixe. La méthode assure la stabilité en boucle fermée tout au long des itérations, à condition que l'initialisation soit stabilisante.

Résultats
La méthodologie a été validée par des expériences numériques sur un modèle de réseau électrique à 5 bus avec dynamique de balancement.

• Configuration : Le contrôleur distribué était restreint à une communication de voisin immédiat avec un délai d'un pas. L'oracle avait un accès immédiat aux mesures d'un bus spécifique (Bus 1) sujet aux perturbations.
• Comparaison : Le contrôleur à regret spatial ($K_{SR}$) a été comparé à des contrôleurs distribués classiques $H_2$ ($K_2$) et $H_\infty$ ($K_\infty$).
• Performance :
  • Dans le domaine fréquentiel, $K_{SR}$ a atteint un compromis favorable entre la performance moyenne de $K_2$ et la robustesse de $K_\infty$ près des pics de résonance.
  • Pour des perturbations localisées au nœud spécifique (Bus 1), $K_{SR}$ a imité de près la performance de l'oracle, surpassant significativement à la fois $K_2$ et $K_\infty$.
  • Des simulations dans le domaine temporel avec des perturbations multi-sinus sur le Bus 1 ont montré que $K_{SR}$ a réduit l'énergie de sortie régulée moyenne de 21,72 % par rapport à $K_2$ et de 48,00 % par rapport à $K_\infty$.

Signification et Revendications
L'article revendique que le regret spatial fournit une métrique de performance plus nuancée pour le contrôle distribué en tenant explicitement compte du coût des contraintes de communication et de la localisation des perturbations. Le cadre piloté par les données proposé est significatif car il permet la synthèse de tels contrôleurs optimaux sans nécessiter de modèles paramétriques précis, qui sont souvent indisponibles pour les systèmes à grande échelle.

Les auteurs reconnaissent des limites : la généralisation à des structures de contrôleurs arbitraires nécessite une solution itérative plutôt qu'un programme convexe unique, et la méthode ne garantit pas la complétude sur l'ensemble de tous les contrôleurs stabilisants (elle explore un sous-ensemble défini par la factorisation à gauche). De plus, la complexité computationnelle évolue avec la taille du réseau, suggérant que les implémentations distribuées du problème d'optimisation restent un domaine de recherche futur. Ce travail s'appuie sur des cadres de contrôle pilotés par les données précédents (par exemple, Schuchert et al., 2024 ; Gupta et al., 2026) et étend le concept de regret spatial (Martinelli et al., 2025) à un cadre sans modèle.