⚡ electrical engineering

Data-Driven Optimal Distributed Controller Synthesis via Spatial Regret

本文提出了一种新颖的数据驱动迭代算法，该算法通过最小化与具有灵活通信拓扑的oracle 之间的空间遗憾，利用频率响应数据综合最优分布式控制器，展现出优于经典 H2/H∞设计的性能。

原作者： Vaibhav Gupta, Daniele Martinelli, Giancarlo Ferrari-Trecate, Luca Furieri, Alireza Karimi

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Vaibhav Gupta, Daniele Martinelli, Giancarlo Ferrari-Trecate, Luca Furieri, Alireza Karimi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位庞大乐团的指挥家，但有一个转折：你无法同时与每一位乐手交谈。你只有有限的对讲机网络。有些乐手只能听到紧邻的同伴，而另一些则超出了信号范围。你的目标是在一阵突如其来的狂风（即“扰动”）袭击舞台时，依然保持音乐的完美。

本文提出了一种新方法，用于设计这些“乐手”（控制器）应如何对风做出反应的“规则”，而无需乐团声学特性的完美蓝图。相反，它们直接利用从乐团实际录制的声音数据。

以下是他们方法的分解，使用简单的类比：

1. 问题：“盲人”指挥家

在传统控制理论中，工程师通常基于两个主要理念来设计控制器：

“平均”方法（ $H_2$ ）： 假设风是随机吹拂的，并试图让音乐在平均意义上听起来良好。
“最坏情况”方法（ $H_\infty$ ）： 假设风会以人类所能想象的强度吹拂，并试图在最猛烈的风暴中生存。

缺陷： 这两种方法都将风视为均匀地吹向整个乐团。它们并不关心风具体吹向何处。但在分布式系统（如电网或机器人集群）中，如果风只吹向某个特定角落，由于对讲机范围有限，远处的乐手可能无法及时听到并解决问题。

2. 解决方案：“神谕”与“遗憾”

作者引入了一种名为**空间遗憾（Spatial Regret）**的新指标。要理解这一点，请想象一位假设的“神谕”指挥家。

神谕： 这是一位超级指挥家，拥有魔法般的、无限范围的对讲机网络。无论距离多远，他们都能瞬间听到每一位乐手和每一阵风。他们知道针对任何特定风向的完美反应方式。
真实控制器： 这是你实际拥有的、对讲机有限的控制器。
空间遗憾： 这是衡量你的真实控制器表现比“神谕”差多少的“分数”。它衡量的是因为你无法像“神谕”那样清晰地听到风而产生的“遗憾”。

本文的目标是设计一种控制器，以最小化这种“遗憾”。它问道：“我们如何能让我们的有限网络在表现上尽可能接近‘神谕’的完美表现，特别是针对那些击中我们薄弱环节的风？”

3. 挑战：没有蓝图，只有数据

通常，要设计这样的控制器，你需要整个系统的完美数学模型（蓝图）。但对于像电网这样巨大而复杂的系统，这些蓝图往往缺失、错误，或者难以构建。

本文的创新：
作者没有构建蓝图，而是说：“让我们直接聆听乐团。”

他们使用频率响应数据：这就像录制乐团在不同时间对特定音符（频率）的反应。
他们跳过了试图猜测底层物理机制（即“系统辨识”）的步骤，直接从声音录音过渡到控制器设计。

4. 方法：循序渐进的舞蹈

直接从声音数据设计控制器在数学上是混乱的（就像蒙着眼睛解谜）。作者提出了一种巧妙的迭代舞蹈：

从安全的一步开始： 你需要一个能保持系统稳定（不让乐团走调）的控制器作为起点。
先设定“神谕”： 他们首先计算出如果“神谕”拥有无限通信能力会怎么做。这设定了黄金标准。
迭代循环： 然后，他们尝试设计有限控制器来模仿“神谕”。
- 他们先做一个猜测。
- 利用声音数据检查这个猜测与“神谕”的接近程度。
- 他们调整猜测以使其更接近，同时确保在任何步骤中音乐都不会走调（稳定性）。
- 重复此过程，直到“遗憾”降至最低。

5. 结果：更出色的表现

他们在5 节点电网（一个小型电力网络）的模型上测试了这种方法。

场景： 他们模拟了一阵风只吹向一个特定的节点。
比较： 他们将新的“空间遗憾”控制器与传统的“平均”和“最坏情况”控制器进行了比较。
结果： 新控制器在处理这种特定的局部风时表现更好。与旧方法相比，它将误差（系统中的“噪声”）降低了约21% 至 48%。即使没有“神谕”那样无限的对讲机，它也学会了针对该特定问题像“神谕”一样行动。

总结

简而言之，本文教导我们如何利用真实世界的数据为网络系统构建“智能”控制器，而无需完美的理论模型。它通过不断将控制器的表现与假设的“完美”版本（即“神谕”）进行比较，并最小化两者之间的差距来实现这一目标，特别关注那些网络通信受限成为最大瓶颈的区域。

技术摘要：基于空间遗憾的数据驱动最优分布式控制器综合

问题表述
本文解决了在结构通信约束下，为大规模网络化线性时不变（LTI）系统设计最优分布式控制器所面临的挑战。传统的优化控制方法（如 $H_2$ 和 $H_\infty$ 设计）通常是“与图无关”的，即无论扰动的位置或网络通信拓扑如何，均对所有扰动进行统一处理。这种方法未能捕捉到分布式设置中因信息流受限而导致的特定性能下降。

此外，现有最小化“空间遗憾”（一种量化受限分布式控制器与具备增强通信能力的“神谕”控制器之间性能差距的指标）的方法依赖于精确的状态空间模型。对于大规模系统而言，获取此类参数化模型往往不可行或不可靠。核心问题在于：直接从实验获得的频率响应数据中综合出最小化空间遗憾的分布式控制器，无需中间的系统辨识步骤，同时保持闭环稳定性并遵循固定的通信结构。

方法论
所提出的框架完全在频域内运行，使用测量的频率响应函数（FRF）。方法论步骤如下：

数据采集：通过 FRF 捕捉受控对象的输入 - 输出行为，具体是从持续激励的输入 - 输出数据中估计传递函数 $G_{22}$ 。其他传递函数（ $G_{11}, G_{12}, G_{21}$ ）由用户定义，用于编码性能规范和扰动模型。
神谕定义：定义一个具有增强通信拓扑（ $\hat{K} \supseteq K$ ）的“神谕”控制器 $\hat{K}$ 。该神谕作为一个假设基准，可以访问额外的测量值或通信链路。空间遗憾定义为受限控制器 $K$ 与该神谕 $\hat{K}$ 在有界扰动下的最坏情况性能差距。
频域重构：将空间遗憾最小化问题在频域内重构。利用引理 1，遗憾指标被证明等价于受限控制器与神谕的闭环传递函数矩阵之差的最大特征值的上确界。
迭代凸综合：
- 控制器通过左分解 $K = Y^{-1}X$ 进行参数化。
- 由于二次项和闭环稳定性的要求，所得优化问题是非凸的。
- 作者提出了一种迭代算法（定理 1），利用源自先前稳定控制器 $K_c$ 的凸下界来线性化非凸约束。
- 在每次迭代中，求解一个凸优化问题（通过频率网格化求解的半无限规划）以更新 $X$ 和 $Y$ 。
- 关键在于，如果以稳定控制器初始化，该算法保证合成的控制器在每次迭代中均保持稳定性。

主要贡献
本文做出了三项主要贡献：

适定性扩展：作者将空间遗憾的适定性结果（此前仅针对特定控制器类建立）扩展至任意控制器类。他们证明，如果神谕旨在最小化增强约束集上的经典范数（ $H_2$ 或 $H_\infty$ ），则空间遗憾指标对任何受限控制器均保证非负，从而确保基准的有效性。
数据驱动综合框架：本文在数据驱动的频域框架内重构了空间遗憾最小化问题。这消除了对参数化系统辨识的依赖，允许直接从频率响应测量中进行控制器综合。
稳定性保持算法：开发了一种可处理的迭代凸算法，用于综合固定结构的分布式控制器。只要初始化是稳定的，该方法就能确保在整个迭代过程中保持闭环稳定性。

结果
该方法论通过在具有摇摆动力学的 5 节点电网模型上的数值实验进行了验证。

设置：分布式控制器被限制为仅具有邻域通信且存在一步延迟。神谕被赋予对易受扰动影响的特定节点（节点 1）测量值的即时访问权。
比较：将空间遗憾控制器（ $K_{SR}$ ）与经典的 $H_2$ （ $K_2$ ）和 $H_\infty$ （ $K_\infty$ ）分布式控制器进行了比较。
性能：
- 在频域中， $K_{SR}$ 在 $K_2$ 的平均性能与 $K_\infty$ 在谐振峰附近的鲁棒性之间取得了有利的权衡。
- 对于集中在特定节点（节点 1）的扰动， $K_{SR}$ 紧密模仿了神谕的性能，显著优于 $K_2$ 和 $K_\infty$ 。
- 在节点 1 施加多正弦扰动的时域仿真表明，相对于 $K_2$ ， $K_{SR}$ 将平均调节输出能量降低了 21.72%；相对于 $K_\infty$ ，降低了 48.00%。

意义与主张
本文主张，空间遗憾通过明确考虑通信约束和扰动定位的成本，为分布式控制提供了更细致的性能指标。所提出的数据驱动框架意义重大，因为它使得在无需精确参数模型（这对于大规模系统往往不可用）的情况下综合此类最优控制器成为可能。

作者承认了局限性：向任意控制器结构的推广需要迭代解法而非单个凸规划，且该方法不能保证遍历所有稳定控制器的集合（它探索的是由左分解定义的子集）。此外，计算复杂度随网络规模增加而增长，表明优化问题的分布式实现仍是未来研究的领域。该工作建立在先前的数据驱动控制框架（例如 Schuchert 等人，2024；Gupta 等人，2026）之上，并将空间遗憾概念（Martinelli 等人，2025）扩展到了无模型设置。