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

Este artigo propõe um novo framework de controle preditivo por modelo que utiliza um ensemble ponderado baseado na distância de Mahalanobis de modelos orientados a dados e um observador de estimação em horizonte móvel para controlar efetivamente sistemas complexos em múltiplas condições operacionais.

O essencial

Imagine que você é o capitão de um navio massivo e complexo (um sistema de aquecimento urbano) tentando navegar através de mudanças climáticas. Às vezes, a água está calma e quente (condições de verão); outras vezes, é tempestuosa e congelante (condições de inverno). Para conduzir este navio de forma eficiente e segura, você precisa de uma equipe de navegação capaz de prever exatamente onde o navio estará nas próximas horas.

Este artigo apresenta uma nova maneira de construir essa equipe de navegação e uma nova forma de conduzir o navio. Aqui está a explicação em termos simples:

O Problema: Um Único Mapa Não é Suficiente

Geralmente, os engenheiros tentam construir um único modelo "caixa preta" (como uma IA superinteligente) para prever como o navio se comporta em todas as condições. Mas, assim como um único mapa não pode mostrar perfeitamente tanto um deserto quanto um iceberg, um único modelo frequentemente fica confuso quando o clima muda. Ele pode prever que o navio se moverá rapidamente em uma tempestade quando, na verdade, ele desacelera, levando a decisões ruins ou violações de segurança.

A Solução: Uma Equipe de Especialistas (Modelos de Conjunto)

Em vez de um generalista, os autores sugerem contratar uma equipe de especialistas.

• Especialista A é um expert em "Condições de Verão". Ele foi treinado apenas com dados de verão.
• Especialista B é um expert em "Condições de Inverno". Ele foi treinado apenas com dados de inverno.

Quando você precisa de uma previsão, não escolhe apenas um; você pede a opinião de ambos e combina suas respostas. Mas a parte complicada é: Quanto você confia em cada especialista?

A Inovação 1: A "Bússola Estatística" (Distância de Mahalanobis)

No passado, as pessoas ou:

1. Pegavam a média de ambas as opiniões (50/50), o que frequentemente estava errado.
2. Perguntavam: "Quem estava certo no passado?" e confiavam mais nele. Mas em um sistema de controle, você está olhando para o futuro, e você ainda não conhece o futuro.

Os autores propõem uma nova regra baseada na Distância de Mahalanobis. Pense nisso como uma bússola estatística.

• O sistema observa o clima atual (as entradas, como temperatura e carga).
• Ele pergunta: "Quão estatisticamente semelhante é o clima de hoje aos dados dos quais o Especialista A aprendeu? Quão semelhante é aos dados do Especialista B?"
• Se hoje parecer muito um "Dia de Verão", a bússola dá ao Especialista A um voto enorme (peso alto) e ao Especialista B um voto minúsculo.
• Crucialmente, esta bússola funciona apenas nas entradas (o que você planeja fazer a seguir), não nas saídas futuras (que você ainda não conhece). Isso permite que o sistema alterne suavemente a confiança entre os especialistas conforme o clima muda durante a janela de previsão.

A Inovação 2: O Observador "Caminho da Memória" (Estimação de Horizonte Móvel)

Há um segundo problema. Esses especialistas de IA (especificamente Unidades Recorrentes com Portão, ou GRUs) possuem uma "memória" ou "estado" interno que os ajuda a fazer previsões. No entanto, essa memória é invisível para o capitão; você só pode ver a temperatura externa e o fluxo de água.

Se o capitão adivinhar a memória errada, a previsão se desviará do curso.

• Antigo Jeito: Apenas deixar o modelo rodar sozinho (Malha Aberta). Se ele cometer um pequeno erro, o erro cresce cada vez mais.
• Novo Jeito (MHE): Os autores construíram um observador "Caminho da Memória". Em vez de olhar apenas para o último segundo, ele olha para trás nos últimos 50 passos de história. Ele pergunta: "Dado tudo o que aconteceu nos últimos 50 minutos, o que deve ter sido a memória interna para produzir esses resultados?"
• Em seguida, ele ajusta a memória para se encaixar perfeitamente na história antes de fazer a próxima previsão. Isso é como um detetive reconstituindo uma cena de crime para entender melhor a situação atual.

O Resultado: Uma Viagem Mais Suave e Barata

Os autores testaram isso em um sistema real de aquecimento (o sistema AROMA) que alterna entre modos de verão e inverno. Eles compararam seu novo método contra:

• Baseado em Regras: Um conjunto simples e rígido de regras (como um humano seguindo um manual).
• Média: Confiando igualmente em ambos os especialistas.
• Mínimos Quadrados: Confiando em quem estava certo mais recentemente.
• Mahalanobis Fixo: Usando a bússola, mas olhando apenas para o momento atual, não para o futuro.
• Seu Método (MD-2): Usando a bússola para ajustar a confiança ao longo de toda a janela futura de previsão.

As Descobertas:

1. Economia: Seu método economizou mais dinheiro (desempenho econômico) porque conseguiu antecipar mudanças no clima melhor do que os outros.
2. Segurança: Cometeu o menor número de erros em relação aos limites de segurança (como a água ficar muito quente ou muito fria).
3. Precisão: O observador "Caminho da Memória" reduziu significativamente os erros nas previsões internas do modelo, tornando todo o sistema mais confiável.

Em Resumo

Este artigo nos ensina como controlar sistemas complexos usando uma equipe de modelos de IA especializados em vez de um generalista. Ele usa uma bússola estatística para decidir em quem confiar com base nas condições atuais e um detetive histórico para corrigir a memória interna da IA. O resultado é um sistema que é mais barato de operar e mais seguro de manejar quando as condições mudam.

Resumo técnico

Resumo Técnico: Controle Preditivo por Modelo e Estimação de Horizonte Móvel usando Modelos de Ensemble Baseados em Dados com Pesos Estatísticos

Enunciado do Problema
O Controle Preditivo por Modelo (MPC) é uma estratégia dominante para a gestão de sistemas complexos, contudo, seu desempenho depende fortemente da precisão do modelo de previsão subjacente. Embora modelos baseados em dados (por exemplo, redes neurais) ofereçam vantagens no desenvolvimento e na disponibilidade de dados, um único modelo de caixa-preta frequentemente falha em manter a precisão da previsão em diversas condições operacionais. Além disso, abordagens padrão de aprendizado de ensemble, que combinam múltiplos modelos especializados, tipicamente dependem de pesos estáticos ou de pesos baseados em erros de saída passados. Esses métodos são subótimos para o MPC porque não podem ajustar dinamicamente os pesos ao longo do horizonte de previsão, onde medições futuras de estado e saída estão indisponíveis. Adicionalmente, estimar os estados internos de modelos de ensemble baseados em dados (que frequentemente carecem de significado físico) enquanto se impõem restrições de estado permanece um desafio não resolvido na literatura.

Metodologia
O artigo propõe um quadro unificado integrando Controle Preditivo por Modelo (MPC) e Estimação de Horizonte Móvel (MHE) para sistemas operando sob múltiplas condições. O núcleo da abordagem envolve um ensemble de modelos baseados em dados (especificamente Unidades Recorrentes com Portões, ou GRUs), onde cada especialista é treinado em um conjunto de dados correspondente a um domínio operacional específico.

1. Pesagem Baseada em Distância de Mahalanobis:
   Em vez de média estática ou pesagem dependente de saída, os autores propõem uma regra de combinação inovadora onde os pesos do ensemble são funções da entrada do sistema. O peso atribuído a cada modelo especialista $M^{[i]}$ em um passo de tempo específico é inversamente proporcional à distância estatística de Mahalanobis entre o vetor de entrada atual (ou futuro) e os dados de entrada de treinamento desse especialista específico.
   $$\lambda^{[i]}_{MD}(u(h)) = \frac{1 / T^2(u(h), u^{[i]})}{\sum_{i=1}^{n} 1 / T^2(u(h), u^{[i]})}$$
   Isso permite que os pesos variem dinamicamente ao longo da janela de previsão com base exclusivamente na sequência conhecida de entradas futuras, permitindo que o MPC antecipe mudanças nas condições operacionais.

2. Observador de Estado Baseado em MHE:
   Para abordar o desafio da estimação de estado para modelos baseados em dados, um observador de Estimação de Horizonte Móvel (MHE) é desenvolvido para cada especialista no ensemble. O problema de MHE minimiza o erro entre as saídas previstas pelo modelo e as saídas reais medidas da planta ao longo de um horizonte passado finito. Crucialmente, essa formulação incorpora explicitamente restrições de estado (por exemplo, limites de amplitude em estados ocultos), garantindo que os estados estimados usados para inicializar o MPC sejam fisicamente consistentes com as limitações internas do modelo.

Principais Contribuições
O artigo faz duas contribuições primárias:

• Uma Formulação MPC Inovadora: Introduz um regulador MPC que utiliza um ensemble baseado em dados onde os pesos de combinação são determinados pela proximidade estatística (distância de Mahalanobis) entre as entradas otimizadas e os dados de treinamento de cada especialista. Isso permite pesos dependentes da entrada e variáveis ao longo do horizonte sem exigir medições futuras de saída.
• Um Observador de Estado com Restrições: Propõe um novo design de observador para modelos de ensemble baseado em MHE. Este método permite a estimação precisa de estados para todos os especialistas do ensemble enquanto impõe estritamente restrições de estado, uma capacidade anteriormente não abordada para modelos de ensemble na literatura.

Resultados Numéricos
O quadro foi validado em um Sistema de Aquecimento Urbano (DHS) de referência, apresentando múltiplas condições operacionais (simulando perfis de carga de verão e inverno). O sistema foi controlado usando um MPC com um horizonte de 72 passos, comparando quatro estratégias de pesagem:

• AV: Média aritmética simples.
• LS: Otimização por mínimos quadrados baseada nos últimos 100 passos de tempo.
• MD-1: Pesos baseados em Mahalanobis fixados ao valor do passo de tempo anterior.
• MD-2: Pesos baseados em Mahalanobis otimizados como função das entradas ao longo de todo o horizonte de previsão.

Os resultados demonstraram que a estratégia MD-2 proposta alcançou o melhor desempenho econômico (menor custo) e o menor número de violações de restrições em comparação com as outras estratégias de MPC e uma linha de base baseada em regras. Especificamente, enquanto as estratégias AV e LS exibiram violações de restrições, as abordagens baseadas em Mahalanobis mantiveram a viabilidade. A abordagem MD-2 superou a MD-1 ao reagir mais cedo a mudanças futuras nas condições, destacando o benefício de pesos variáveis ao longo do horizonte. Adicionalmente, o observador baseado em MHE reduziu significativamente o erro de previsão de saída de um passo para os modelos individuais em comparação com a propagação de estado em malha aberta.

Significado e Alegações
Os autores afirmam que sua metodologia supera significativamente os métodos padrão de seleção de pesos baseados em média e otimização, tanto em termos de desempenho econômico quanto de satisfação de restrições. Eles afirmam que a regra de combinação baseada em Mahalanobis proposta é uma solução robusta para lidar com condições operacionais variáveis dentro de um quadro de MPC, pois depende apenas de dados de entrada disponíveis em vez de saídas futuras indisponíveis. Além disso, o artigo destaca que o observador baseado em MHE aborda efetivamente a questão crítica da estimação de estado para modelos baseados em dados sob restrições, levando a um desempenho em malha fechada aprimorado. A carga computacional do método proposto é notada como permanecendo razoável, apesar da complexidade adicional. Trabalhos futuros são identificados como a integração deste quadro em configurações de aprendizado ativo para aquisição de dados informativos.