Data-Driven Optimal Distributed Controller Synthesis via Spatial Regret

Resumo Técnico: Síntese de Controlador Distribuído Ótimo Baseada em Dados via Arrependimento Espacial

Formulação do Problema
O artigo aborda o desafio de projetar controladores distribuídos ótimos para sistemas lineares invariantes no tempo (LTI) em rede de grande escala, sob restrições estruturais de comunicação. Métodos tradicionais de controle ótimo, como os projetos $H_2$ e $H_\infty$, são frequentemente "agnósticos ao grafo", tratando todas as perturbações de forma uniforme, independentemente de sua localização ou da topologia de comunicação da rede. Essa abordagem falha em capturar a degradação específica de desempenho causada pelo fluxo de informações limitado em configurações distribuídas.

Além disso, os métodos existentes para minimizar o "arrependimento espacial" — uma métrica que quantifica a lacuna de desempenho entre um controlador distribuído restrito e um "oráculo" com capacidades de comunicação aprimoradas — dependem de modelos de espaço de estado precisos. Para sistemas de grande escala, a obtenção de tais modelos paramétricos é frequentemente inviável ou pouco confiável. O problema central é sintetizar um controlador distribuído que minimize o arrependimento espacial diretamente a partir de dados de resposta em frequência obtidos experimentalmente, sem exigir identificação de sistema intermediária, ao mesmo tempo em que preserva a estabilidade do laço fechado e adere a estruturas de comunicação fixas.

Metodologia
O framework proposto opera inteiramente no domínio da frequência utilizando Funções de Resposta em Frequência (FRFs) medidas. A metodologia procede da seguinte forma:

1. Aquisição de Dados: O comportamento entrada-saída da planta é capturado via FRF, estimando especificamente a função de transferência $G_{22}$ a partir de dados entrada-saída persistentemente excitantes. Outras funções de transferência ($G_{11}, G_{12}, G_{21}$) são definidas pelo usuário para codificar especificações de desempenho e modelos de perturbação.
2. Definição do Oráculo: Um controlador "oráculo" $\hat{K}$ é definido com uma topologia de comunicação aprimorada ($\hat{K} \supseteq K$). Este oráculo serve como um benchmark hipotético que pode acessar medições adicionais ou links de comunicação. O arrependimento espacial é definido como a lacuna de desempenho no pior caso entre o controlador restrito $K$ e este oráculo $\hat{K}$ sobre perturbações limitadas.
3. Reformulação no Domínio da Frequência: O problema de minimização do arrependimento espacial é reformulado no domínio da frequência. Usando o Lema 1, a métrica de arrependimento é mostrada como equivalente ao supremo do autovalor máximo da diferença entre as matrizes de função de transferência do laço fechado do controlador restrito e do oráculo.
4. Síntese Convexa Iterativa:
   • O controlador é parametrizado via uma fatoração à esquerda $K = Y^{-1}X$.
   • O problema de otimização resultante é não convexo devido a termos quadráticos e à exigência de estabilidade do laço fechado.
   • Os autores propõem um algoritmo iterativo (Teorema 1) que lineariza as restrições não convexas usando um limite inferior convexo derivado de um controlador estabilizante anterior $K_c$.
   • Em cada iteração, um problema de otimização convexa (um programa semi-infinito resolvido via discretização em frequência) é resolvido para atualizar $X$ e $Y$.
   • Crucialmente, se inicializado com um controlador estabilizante, o algoritmo garante que o controlador sintetizado permaneça estabilizante em cada iteração.

Contribuições Principais
O artigo faz três contribuições primárias:

1. Extensão da Bem-Postura: Os autores estendem os resultados de bem-postura do arrependimento espacial (anteriormente estabelecidos para classes específicas de controladores) para classes arbitrárias de controladores. Eles provam que, se o oráculo for projetado para minimizar uma norma clássica ($H_2$ ou $H_\infty$) sobre o conjunto de restrições aprimorado, a métrica de arrependimento espacial é garantida como não negativa para qualquer controlador restrito, assegurando que o benchmark seja válido.
2. Framework de Síntese Baseado em Dados: O artigo reencena a minimização do arrependimento espacial dentro de um framework baseado em dados no domínio da frequência. Isso remove a dependência da identificação paramétrica de sistemas, permitindo a síntese de controladores diretamente a partir de medições de resposta em frequência.
3. Algoritmo Preservador de Estabilidade: Um algoritmo convexo iterativo tratável é desenvolvido para sintetizar controladores distribuídos de estrutura fixa. O método garante a estabilidade do laço fechado ao longo das iterações, desde que a inicialização seja estabilizante.

Resultados
A metodologia foi validada por meio de experimentos numéricos em um modelo de rede elétrica de 5 barras com dinâmica de oscilação.

• Configuração: O controlador distribuído foi restrito à comunicação entre vizinhos mais próximos com um atraso de um passo. Ao oráculo foi concedido acesso imediato a medições de uma barra específica (Barra 1) propensa a perturbações.
• Comparação: O controlador de arrependimento espacial ($K_{SR}$) foi comparado a controladores distribuídos clássicos $H_2$ ($K_2$) e $H_\infty$ ($K_\infty$).
• Desempenho:
  • No domínio da frequência, $K_{SR}$ alcançou um compromisso favorável entre o desempenho médio de $K_2$ e a robustez de $K_\infty$ próximo aos picos de ressonância.
  • Para perturbações localizadas no nó específico (Barra 1), $K_{SR}$ mimetizou de perto o desempenho do oráculo, superando significativamente tanto $K_2$ quanto $K_\infty$.
  • Simulações no domínio do tempo com perturbações multi-seno na Barra 1 mostraram que $K_{SR}$ reduziu a energia média da saída regulada em 21,72% em relação a $K_2$ e 48,00% em relação a $K_\infty$.

Significado e Afirmações
O artigo afirma que o arrependimento espacial fornece uma métrica de desempenho mais matizada para controle distribuído, contabilizando explicitamente o custo das restrições de comunicação e da localização das perturbações. O framework baseado em dados proposto é significativo porque permite a síntese de tais controladores ótimos sem a necessidade de modelos paramétricos precisos, que frequentemente estão indisponíveis para sistemas de grande escala.

Os autores reconhecem limitações: a generalização para estruturas de controladores arbitrárias necessita de uma solução iterativa em vez de um único programa convexo, e o método não garante completude sobre o conjunto de todos os controladores estabilizantes (ele explora um subconjunto definido pela fatoração à esquerda). Adicionalmente, a complexidade computacional escala com o tamanho da rede, sugerindo que implementações distribuídas do problema de otimização permanecem uma área para pesquisa futura. O trabalho baseia-se em frameworks anteriores de controle baseado em dados (por exemplo, Schuchert et al., 2024; Gupta et al., 2026) e estende o conceito de arrependimento espacial (Martinelli et al., 2025) para um ambiente livre de modelos.