《Annual Reviews in Control》:Partitioning techniques for non-centralized predictive control: A systematic review and novel theoretical insights
划分问题对于设计和实现大规模系统的非集中式模型预测控制(Model Predictive Control, MPC)策略具有核心重要性。这些控制方法包括分散式MPC(decentralized MPC)、分布式MPC(distributed MPC)、分层式MPC(hierarchical MPC)和联盟式MPC(coalitional MPC)。为应用非集中式MPC而对系统进行划分,在于寻找子系统的最佳定义及其在组间的分配,以定义局部控制器,从而最大化相关性能指标。本综述提出了一种新颖的文献划分方法分类,将其划分为五大类:基于优化的方法、算法方法、基于社区检测的方法、面向博弈论的方法和启发式方法。为支持该领域的分类和进一步发展,研究人员建立了统一的图论形式化框架、以混合整数规划形式对问题的数学重述、预测性划分和多拓扑表示的新概念,以及质量指标的方法论表述。研究人员分析了不同类别的划分技术,并概述了其优势与局限性,其中包含对不同方法的技术讨论。文中讨论了代表性案例研究,以说明划分技术在非集中式MPC各领域中的应用,包括电力系统、水网、风电场、化工过程、交通系统、通信网络、工业自动化、智能建筑和信息物理系统。对未来挑战的展望为综述画上句号。
1. 引言
1.1. 动机
现代系统日益呈现出架构规模和实现复杂性,这对集中式控制策略的实施构成了挑战。先进信息传输网络和计算资源的广泛可用性支持了这一趋势。当系统规模增长时,通常建议将其结构化为多个自治互联组件(子系统),这些子系统需要本地计算能力以及通信和协商能力,因此常被定义为控制代理。由多代理构成且规模超过特定硬件运行阈值的系统被称为大规模多代理系统(Large-Scale Multi-Agent System, LS-MAS)。常规控制方法难以直接应用于LS-MAS,因此必须部署非集中式控制策略,其复杂度与通信信道和本地计算能力密切相关。
1.2. 非集中式MPC:控制架构
模型预测控制(MPC)利用系统动力学数学模型与最优控制方法,在滚动时域范式下计算预测控制动作,以优化性能并保证稳定性和约束满足。非集中式预测控制(NCen-MPC)策略将整体控制动作的计算分散到多个控制代理中。传统分类包括分散式MPC(Dec-MPC)、分布式MPC(DMPC)和分层式MPC(HMPC)。近期出现了结合博弈论概念的联盟式预测控制(Coal-MPC)。Dec-MPC无代理间通信,DMPC通过水平通信协调局部动作,HMPC具有垂直分层协调结构,Coal-MPC将网络视为参与合作博弈的代理集合,以最大化全局运行效益。
1.3. 划分问题
划分问题包括定义网络代理及其聚合,形式上涉及将一组元素根据给定度量最优分配到若干集合中。若网络以代理集合形式给出,则寻找最优分组;若网络为单体系统,则需选择可定义控制代理的子系统。已知这两类问题均为NP-hard。应用于NCen-MPC时,划分需考虑代理定义、性能最大化、拓扑变化适应性等挑战。许多划分策略借鉴图论、机器学习等领域方法。
1.4. 综述目标与贡献
本综述目标为:将当前文献中NCen-MPC划分问题统一到共同框架,并为该领域的系统发展奠定基础。具体步骤包括:系统化动态系统的图表示概念;定义可跨策略和跨应用领域比较的关键性能指标及划分质量评估方法;按方法、划分目标和控制策略对已知划分技术进行分类;讨论主要划分方法的优势与局限;对每种文献中的划分技术进行简要技术讨论;对当前应用领域进行分类。此外,引入多拓扑图表示、基于双层混合整数规划(Mixed-Integer Programming, MIP)的形式化定义,以及预测性划分概念。
2. 综述组织结构
本节概述各章内容:图表示、用于预测控制的划分、划分技术分类、个体划分技术分析、应用、结论与未来工作。
3. 图表示
几乎所有划分方法都基于系统的图表示。图表示分为三类:等价于动态系统的图、表示动态系统网络的图、优化问题的图表示。
3.1. 图论基础
图G=(V,E),其中V为顶点集,E为边集,邻接矩阵A
adj描述拓扑。子图、度、邻域、边界等概念被定义。
3.2. 与动态系统关联的图
对于线性离散时间系统,通过将每个状态、输入、输出变量作为节点,非零矩阵元素定义边,构建关联图。加权矩阵W
adj由A、B、C矩阵构成。对于非线性系统,可基于偏导数构造时变加权图G(k),捕捉瞬时交互。
3.3. 系统网络的图表示
当网络具有自然分解时,每个子系统作为顶点,边表示状态间交互。常采用线性交互形式:每个子系统受局部输入影响,并通过耦合矩阵与邻居状态交互。耦合项被视为外部信号。
3.4. 二部图表示
二部图节点分为两组,边跨组连接。用于表示优化问题变量与约束的关系,或网络的输入输出路径。通过最小化耦合约束来分解优化问题。
3.5. 多拓扑网络表示
网络中的连接可能由输入状态依赖、控制决策或外部信号决定。多拓扑表示同时存在多个拓扑层级,每个层级有二进制连接变量,整体连接由各层级变量的乘积决定。动力学中耦合项通过时变拓扑系数引入。
3.6. 多拓扑表示与混合系统
将多拓扑网络描述转化为混合逻辑动态(Mixed-Logical Dynamical, MLD)形式,引入辅助变量和逻辑约束,从而可直接应用MPC控制。
4. 用于预测控制的划分
4.1. 一般划分问题
划分是将网络的状态、输入、输出向量分割为多个子向量,并定义局部动力学。完全非重叠划分要求各子集互不相交且覆盖整个网络。通常假设耦合仅通过状态动力学实现,网络由不可再分的原子子系统组成。划分问题可自顶向下或自底向上进行。
4.2. 度量与评估方法
四个关键性能指标:累积阶段成本J
stage、计算时间J
time、计算成本J
comp(以核心·秒为单位)和通信成本J
comm。通过对比CMPC与NCen-MPC的仿真结果,计算标准化指标。评估通常为后验的,需完整枚举或迭代交换代理。实际中可能不存在同时最小化所有指标的单一划分。
4.3. 性能最大化的最优划分
引入二进制变量矩阵δ表示代理分配,构建双层优化问题:外层为整数规划选择划分,内层求解给定划分下的非集中式控制问题。总问题为NP-hard,实时求解过于昂贵。
4.4. 求解方法
现有方法分为静态划分、事件驱动划分、预测时域内固定划分、时变划分四类。预测性划分指在预测时域内可能变化网络划分,目前文献中鲜有研究。
5. 非集中式预测控制划分技术的分析与分类
5.1. 按划分类别分类
划分为优化型、算法型、社区检测型、博弈论型、启发式五类。优化型基于MIP,NP-hard,可扩展性有限;算法型速度快,结果次优;社区检测基于模块度最大化,多为算法实现;博弈论型源于联盟形成理论,支持Coal-MPC;启发式针对特定应用。
5.2. 按划分子类分类
包括分层、时变、分层时变、输入耦合动力、基于频率的方法等。分层策略具有多聚合层级;时变方法允许在线重构;分层时变通常在较慢时间尺度上进行再划分。
5.3. 按划分方法分类
结构型方法利用网络拓扑结构,无需系统动力学信息;目标型方法旨在实现控制目标,需要动态信息,适用于时变网络。
5.4. 按控制策略分类
划分技术应用于Dec-MPC、DMPC、HMPC、Coal-MPC、非线性MPC及混合策略。各策略在通信、性能、隐私和复杂度方面具有不同权衡。
6. 基于优化的划分
6.1. 一般技术
通过整数变量选择信息图边,部署不同的MPC架构。输入输出分解方法最小化子系统间耦合效应。
6.2. 多目标优化划分
在每个时间步最小化多个拓扑指标的加权和,约束保证非重叠划分,可分布式求解。
6.3. 优化问题分解
将集中式MILP问题分解为约束解耦的子问题,并行求解,以平衡子问题规模为目标。
6.4. 特定性能指标
针对风电场等应用,使用尾流强度等物理指标构建加权图,进行多目标整数优化。
6.5. 鲁棒与随机优化
在划分中考虑热相互作用的最坏情况或期望,形成鲁棒或随机混合整数规划。
6.6. 输入耦合动力学
利用二次二进制规划(BQP)根据代价梯度近似划分输入耦合系统。
6.7. 时变图的分层方法
通过粒度参数α构建BQP,权衡代理间和代理内交互强度及集合大小,允许不同聚合层级。
7. 算法型划分
7.1. 应用于等价图表示
基于图划分排序算法、嵌套?分解等,通过置换矩阵获得弱耦合块。非线性系统可通过线性化构造加权图,然后按度数排序和合并。
7.2. 应用于流图表示
针对电力网络,基于最优潮流计算源-汇平均交易,通过最短路径分配权重,使用METIS算法进行k路划分。
7.3. 基于频率的性能指标
定义相对时间平均增益阵列(RTAGA),基于阶跃响应加权,通过模块度最大化和快速展开算法划分。
7.4. 使用k均值
k均值聚类算法根据欧氏距离划分对象。用于风电场聚类,改进版本如乌鸦搜索提高精度。
7.5. 数据驱动分解
基于输入、状态、输出时间序列,使用k-shape聚类和典型相关分析划分子系统。
7.6. 分层聚类
解释结构建模构造层次,强耦合子系统在上层,上层先求解局部MPC并向下传播。
7.7. 输入耦合系统
利用卡尔曼标准形消除状态耦合,通过灵敏度分析触发通信,实现事件驱动拓扑变化。
7.8. 输入耦合系统的分层聚类
基于最小鲁棒正不变集的距离度量进行凝聚层次聚类,以设计鲁棒Dec-MPC。
7.9. 计算复杂度与可控性
以最小化分布式优化迭代次数为目标,结合可控性检查,使用Kernighan-Lin算法迭代交换节点。
8. 基于社区检测的划分
8.1. 基础与模块度度量
社区检测识别网络中紧密连接的组。模块度Q是常用质量函数,基于邻接矩阵与随机零模型的差异。模块度最大化通常通过谱方法或贪心算法。
8.2. 通过迭代二分最大化模块度
构造模块度矩阵B,迭代将网络一分为二,使用Leicht-Newman算法谱优化,并通过节点移动微调。
8.3. 优化问题分解
将可分离优化问题表示为二部图或单部图,通过模块度最小化(实际为最大化)获得分解,使用Louvain快速展开算法。最优性条件分解(OCD)允许非可分离代价函数。
8.4. 基于频率的图加权
用线性化频率响应的积分定义边权,改进Barber算法计算模块度。
8.5. 时变图表示
对于非线性系统,用偏导数绝对值作为边权,应用谱社区检测获得时变划分。
8.6. 时变图的分层方法
先通过算法选择基本系统单元(FSU),再通过分区指数(partition index)聚合为复合系统单元(CSU),采用贪心算法或遗传算法优化。
9. 基于博弈论联盟形成的划分
9.1. 联盟控制的概念
联盟是代理的子集,特征函数v(C)赋予联盟数值。联盟结构为非重叠划分,其值定义为各联盟特征函数之和。目标为最大化总福利。每个子系统求解局部MPC问题,联盟形成条件是联盟成本小于成员独立成本之和。
9.2. 基础工作
利用Shapley值计算各代理的个体收益,建立参与偏好排序,代理自主形成联盟。扩展工作包括自组织代理、可转移效用博弈、讨价还价协议和PageRank度量。
9.3. 技术扩展
通过共识优化和有限精确势博弈稳定联盟,证明可行性和稳定性。扩展包含目标集跟踪,特征函数包含状态偏差和通信成本。
9.4. 基于市场的划分
定义供需代理的效用值,通过市场交易匹配形成联盟。使用神经网络近似效用和输入,降低计算负担。
9.5. 进一步扩展
预测拓扑过渡、成对聚类、资源分配(结合群体动力学)等。
9.6. 输入耦合系统的划分
针对输入耦合代理,引入私有和公共变量,采用分层联盟形成,并开发鲁棒管式MPC及即插即用能力。
10. 启发式划分
针对特定应用,如广域电力系统基于模态参与矩阵;风电场基于预测的启发式聚类;车辆队列分为主导和连接簇;微电网事件触发重分;无人机群基于球堆积问题聚类。
11. 应用与案例研究
11.1. 分类与基准系统
电力系统、水系统、化工系统、风电场、交通系统、机械系统、智能建筑、抽象网络、铁路、电信、工业工厂、飞行器、信息物理系统等。常用基准包括ACUREX太阳能集热器场、巴塞罗那饮用水输配网络、反应器-分离器过程等。
11.2. 案例分析
详细讨论了各领域中的划分应用,展示了不同方法相对于集中式MPC或传统分散/分布式MPC的性能改善。例如,市场联盟控制在ACUREX上优于PI和CMPC;基于模块度的方法在化工过程中接近CMPC性能;分层DMPC减少通信负担。
11.3. 社区检测方法的应用
模块度最大化用于气体脱硫装置、苯烷基化过程、城市交通边界控制、电力网络电压调节、反应器-分离器系统分层控制等。结果表明性能接近集中式,计算负担显著降低。
11.4. 博弈论方法的应用
联盟预测控制应用于灌溉渠道、高速公路交通控制、车辆队列、八水箱系统、信息物理系统等。动态联盟形成可在性能与通信成本间取得平衡。
12. 结论与未来工作
12.1. 贡献
本综述首次对非集中式预测控制的划分技术进行系统分类和深入分析。提出混合整数规划形式的双层划分问题、预测性划分概念、多拓扑网络表示、性能指标与评估方法论,以及五类划分方法的分类框架。
12.2. 领域现状
图表示已成熟,优化方法表达力强但可扩展性受限,算法方法适用于静态拓扑,时变图方法仍处于前沿。分层方法在较慢时间尺度提供可行方案。多数研究将划分与控制方法分离,控制性质很少与拓扑结构关联。
12.3. 未来工作
时间变化和预测性划分需开发拓扑动态模型;数据驱动和学习方法可预测拓扑变化;需定义对通信故障和攻击具有弹性、鲁棒性和安全性意识的划分;多目标和性能驱动标准应平衡控制性能、通信开销、计算负载和鲁棒性;实时自适应划分需在局部调整和全局重构之间权衡;理论保证应扩展到时变划分;建立标准化基准和评估方法。