Salted Fisher Information for Hybrid Systems

Resumo Técnico: Salted Fisher Information for Hybrid Systems

1. Problema Identificado

A informação de Fisher (FI) é uma métrica fundamental para avaliar a identificabilidade de parâmetros e os limites de variância de estimadores em sistemas dinâmicos. No entanto, as formulações tradicionais de FI assumem que as sensibilidades (derivadas do estado em relação aos parâmetros) evoluem suavemente ao longo do tempo, governadas apenas por equações diferenciais contínuas.

Este pressuposto falha em sistemas híbridos, que combinam dinâmicas contínuas (fluxos) com eventos discretos (saltos/transições), comuns em sistemas de potência, conversores de energia e sistemas de controle. Em sistemas híbridos:

• Eventos discretos (como travamentos de proteção ou comutação de modos) alteram a evolução das sensibilidades de forma não suave.
• Perturbações nos parâmetros afetam não apenas a dinâmica intra-modo, mas também o tempo de ocorrência dos eventos e a geometria de reset.
• Formulações existentes ou ignoram os efeitos das transições ou tratam-nas apenas como reparametrizações simples, negligenciando a deformação geométrica induzida pela mudança de dinâmica e pelo deslocamento no tempo do evento. Isso leva a uma subestimação da informação disponível e a uma avaliação incorreta da identificabilidade.

2. Metodologia Proposta

Os autores propõem uma nova formulação chamada Matriz de Informação de Fisher Salgada (SFIM - Salted Fisher Information Matrix). A metodologia baseia-se em três pilares principais:

• Matriz de Saltação (Saltation Matrix):
  Utilizam a matriz de saltação ($\Xi$), derivada da teoria de sistemas híbridos, para caracterizar a transformação de primeira ordem das sensibilidades ao cruzar uma superfície de guarda (guard). Diferente de uma simples aplicação da matriz Jacobiana do mapa de reset, a matriz de saltação incorpora:

  1. O mapa de reset ($R$).
  2. A diferença entre os campos vetoriais antes e depois do evento ($f^-$ e $f^+$).
  3. O deslocamento no tempo do evento ($\delta t$) causado pela dependência da condição de guarda em relação ao estado e aos parâmetros.

• Evolução Híbrida da Sensibilidade:
  A evolução da matriz de sensibilidade $Z(t) = \partial x(t, \theta) / \partial \theta$ é definida em duas etapas:

  • Durante o fluxo contínuo: Segue a equação variacional padrão $\dot{Z} = D_x f Z + D_\theta f$.
  • No momento do evento ($\tau_j$): A sensibilidade é atualizada usando a matriz de saltação:
    $$Z(\tau_j^+) = \Xi_j Z(\tau_j^-) + D_\theta R + D_\theta \eta_j$$
    Além disso, derivam explicitamente a sensibilidade do tempo de evento em relação aos parâmetros ($\partial \tau / \partial \theta$), mostrando que perturbações paramétricas alteram o instante exato da comutação.

• Definição da SFIM:
  A informação total é a soma da acumulação contínua durante os fluxos e das contribuições discretas instantâneas nos momentos de evento:
  $$I_S(\theta) = \int_{0}^{T} J(t)^\top V^{-1} J(t) dt + \sum_{j} J(\tau_j^+)^\top V_j^{-1} J(\tau_j^+)$$
  Onde $J$ é a sensibilidade da saída e o segundo termo captura o "salto" de informação gerado pela transição.

3. Contribuições Principais

1. Formulação Unificada: Desenvolvimento da SFIM, que unifica a acumulação de informação contínua com as atualizações discretas induzidas por eventos, capturando efeitos que modelos contínuos ou baseados apenas em Jacobianos de reset ignoram.
2. Análise de Sensibilidade de Eventos: Derivação rigorosa de como os parâmetros afetam o tempo de comutação e como isso impacta a evolução das sensibilidades, algo não abordado em formulações anteriores de FI para sistemas híbridos.
3. Condição de Excitação Persistente Híbrida (HPE): Estabelecimento teórica de que a "Excitação Persistente Híbrida" é uma condição suficiente para garantir que a SFIM seja definida positiva (invertível), assegurando a identificabilidade dos parâmetros.
4. Decomposição da Informação: Demonstração de que a mudança na informação de Fisher em um evento é composta por um termo cruzado e um termo quadrático puramente devido à saltação, quantificando o ganho de informação geométrica.

4. Resultados Experimentais

Os autores validaram a abordagem em dois cenários:

• Exemplo Motivacional (Conversor Buck DC-DC):

  • Compararam o modelo híbrido (com SFIM) com um modelo contínuo médio.
  • O modelo médio mostrou autovalores da FI que cresciam lentamente e permaneciam pequenos, indicando baixa informação em certas direções paramétricas.
  • A SFIM, ao incorporar as atualizações de saltação, resultou em autovalores significativamente maiores, demonstrando que os saltos de estado fornecem informação crítica para a estimativa de parâmetros.

• Estudo de Caso: Sistema de Potência de 3 Barras com Gerador Eólico (WTG):

  • Aplicaram a SFIM para identificar parâmetros de um sistema com gerador síncrono e turbina eólica, onde a dinâmica híbrida surge da ativação do controle de passo (pitch) da turbina.
  • Desempenho: A FI suave (Smooth FIM) resultou em uma matriz de posto deficiente (rank 6), indicando parâmetros não identificáveis. A SFIM alcançou posto completo (rank 7) e métricas de informação (determinante logarítmico e menor autovalor) substancialmente superiores.
  • Análise de Direções Fracas: Mesmo com a SFIM, identificou-se uma direção fraca de informação na subespaço dos ganhos PI ($k_p, k_i$), mas a análise mostrou que ambos são localmente identificáveis, revelando um trade-off compensatório entre os ganhos.
  • Impacto do Tempo de Evento: Em cenários onde o tempo de comutação depende explicitamente dos parâmetros (guarda baseada em potência), a SFIM capturou informações adicionais que as aproximações baseadas apenas em Jacobianos de reset não conseguiam.

5. Significado e Conclusão

O trabalho demonstra que ignorar a natureza híbrida dos sistemas dinâmicos leva a uma avaliação pessimista e incorreta da capacidade de identificação de parâmetros. A SFIM fornece uma ferramenta rigorosa para:

• Projetar experimentos e trajetórias que maximizem a informação em sistemas com comutação.
• Garantir a confiabilidade de estimadores em sistemas de energia e controle onde eventos discretos são frequentes.
• Entender que os próprios momentos de transição (saltos) são fontes ricas de informação sobre os parâmetros do sistema.

A abordagem assume dinâmica híbrida determinística e aproximações de primeira ordem, abrindo caminho para futuras extensões a sistemas estocásticos e otimização de trajetórias para maximização da SFIM.