大规模不确定马尔可夫跳变线性系统的随机鲁棒自适应系统级方法

我们提出了一个统一框架,用于在外部扰动和可能改变网络拓扑的模式切换下,鲁棒且自适应地稳定大规模网络化不确定马尔可夫跳变线性系统(MJLS)。自适应是通过使用关于扰动的最小信息来识别与可观测数据一致的模式实现的。鲁棒控制是通过扩展系统级综合(SLS)方法实现的,该方法允许我们将同时稳定多个被控对象的问题表述为一个两步凸优化过程。我们的控制管线计算系统当前模式的似然分布,在同时稳定过程中将其用作概率权重,然后通过贝叶斯推断更新似然。由于这种“更软”的概率鲁棒稳定方法,我们的控制管线不会因系统真实模式的变化而遭受先前方法中观察到的突然失稳问题。SLS的可分离性还允许我们为每个子系统计算局部化的鲁棒控制器,从而实现网络的可扩展性;我们使用多种信息共识方法,使得模式估计也可以在局部完成。我们将我们的算法应用于两个示例动态电网网络的扰动抑制问题,一个是7节点的小规模系统,另一个是25节点的大规模电网。