[논문 리뷰] A distributed optimization-based approach for hierarchical model predictive control of large-scale systems with coupled dynamics and constraints

Minh Dang Doan, Tamás Keviczky외 1명|arXiv (Cornell University)|2011. 09. 06.

Advanced Control Systems Optimization인용 수 9

한 줄 요약

이 논문은 동적 상호작용과 제약 조건이 있는 대규모 시스템을 위한 분산형 계층적 모델 예측 제어(MPC) 프레임워크를 제안한다. 제약 조건 강화, 원천 평균화, 그리고 분산 자코비 업데이트를 통한 근사 부분구분 방법을 조합함으로써, 유한한 반복 횟수 이내에 원천 타당성과 MPC 안정성을 보장한다 — 이는 계산 및 통신 제약 조건 하에서 실시간 제어를 위한 실용적이고 확장 가능한 해법을 제공한다.

ABSTRACT

We present a hierarchical model predictive control approach for large-scale systems based on dual decomposition. The proposed scheme allows coupling in both dynamics and constraints between the subsystems and generates a primal feasible solution within a finite number of iterations, using primal averaging and a constraint tightening approach. The primal update is performed in a distributed way and does not require exact solutions, while the dual problem uses an approximate subgradient method. Stability of the scheme is established using bounded suboptimality.

연구 동기 및 목표

• 계산 및 통신 제약 조건 하에서 동적 상호작용과 제약 조건이 있는 대규모 시스템에서 분산 MPC를 구현하는 데 도전하는 문제를 해결하기 위해.
• 기존의 이중 분해 방법이 수렴하는 데 무한히 소요되는 문제를 피하기 위해, 유한한 반복 횟수 이내에 원천 타당성과 닫힌 루프 안정성을 보장하는 방법을 개발하기 위해.
• 하나의 계층적 두 단계 반복 구조를 통해 하위계의 간소한 핵심 파rameter 공유만으로 분산 구현을 가능하게 하기 위해.
• MPC 업데이트 간에 감소하는 비용 함수를 기반으로 한 리아푸노프 함수를 사용하여, 부분최적화의 경계가 잘 정의된 하위최적화 성능과 안정성을 확보하기 위해.

제안 방법

• 원래 MPC 문제의 제약 조건을 강화하여, 부분최적 해조차도 원천 타당성을 보장하는 방법을 사용하며, 슬레이터 벡터로부터 유도된 제약 조건 강화 파rameter를 활용한다.
• 중앙집중형 문제를 하위계 수준의 하위문제로 분해하기 위해 이중 분해를 사용하며, 경계가 있는 하위최적화를 보장하는 근사 부분구분 방법을 통해 이중 문제를 해결한다.
• 반복 간의 중간 이중 해를 조합하는 분산 원천 평균화 기법을 통해 원천 타당성을 복원한다.
• 이중 변수에 대해 자코비 유형의 업데이트 전략을 사용하여, 각 반복에서 정확한 해가 필요 없이 완전히 분산된 계산을 가능하게 한다.
• 내부 반복은 이중 문제를 근사적으로 해결하고, 외부 반복은 원천 해를 업데이트하고 시간 영역을 이동시키는 계층적 두 단계 반복 구조를 사용한다.
• 비용 함수가 MPC 시간 단위 간에 감소함을 보이며, 이 감소 성질을 리아푸노프 함수로 활용하여 닫힌 루프 안정성을 증명한다.

실험 결과

연구 질문

• RQ1 동적 상호작용과 제약 조건이 있는 대규모 시스템에서, 분산 MPC 체계가 유한 시간 내에 원천 타당성과 안정성을 확보할 수 있는가?
• RQ2 이중 분해에서 유도된 부분최적 해를 정확한 이중 해가 필요 없이 원천 타당 해로 전환하는 방법은 무엇인가?
• RQ3 분산 MPC 프레임워크에서 근사 이중 업데이트를 사용할 경우, 하위최적화의 경계와 닫힌 루프 안정성을 보장하는 조건는 무엇인가?
• RQ4 제약 조건 강화와 원천 평균화 메커니즘은 어떻게 설계되어야 하며, 이는 타당성을 유지하면서 분산 계산을 가능하게 하는가?

주요 결과

• 정확한 이중 해가 계산되지 않더라도, 원천 평균화와 제약 조건 강화를 통해 원래 MPC 문제의 원천 타당성이 일정한 반복 횟수 이내에 보장된다.
• 비용 함수가 MPC 시간 단위 간에 감소하며, 이 감소 성질을 리아푸노프 함수로 활용하여 닫힌 루프 안정성을 증명한다.
• 경계가 잘 정의된 하위최적화 성능을 통해 안정성을 입증하며, 이는 부분최적 해가 진정 최적 해와 알려진 성능 범위 내에 유지됨을 보장한다.
• 슬레이터 벡터와 제약 조건 노름 경계는 시간 단위 간에 재귀적으로 업데이트될 수 있어, 각 단계에서 가정을 재초기화하지 않고도 반복적으로 적용 가능하다.
• 단지 몇 가지 핵심 파rameter만 계층적으로 하위계 간에 공유함으로써, 최소한의 통신으로 분산 구현이 가능하다.