Evaluation of convergence and computational efficiency of distributed state estimation techniques for large-scale systems

Abstract

Sistemas a gran escala es una denominación que surge a raíz del crecimiento en tamaño y complejidad de los sistemas dinámicos y los modelos usados para representarlos. Estos sistemas cuentan además con una gran cantidad de sensores y actuadores embebidos. Medir variables de interés de los sistemas es muy importante si se quiere implementar técnicas de control o simplemente porque es necesario saber la evolución del sistema dinámico. Para simplificar la complejidad del sistema, este se divide en un número determinado de subsistemas, cada uno más pequeño y sencillo que el sistema completo. Se exploran algunas técnicas para dividir sistemas. Se propone implementar un estimador de estado para cada subsistema y luego sumar la información de cada uno para obtener una estimación global. A este procedimiento se le conoce como estimación de estado distribuida. Estimadores de estado distribuidos basados en Filtro de Kalman, filtros de partículas y estimadores de horizonte deslizante son explicados e implementados en simulación en un benchmark, y se comparan atributos de interés : costo computacional, convergencia y error de predicción, esto se dividiendo el sistema en diferente cantidad de subsistemas. Estas comparaciones dan un indicio de cual podría ser la técnica indicada a implementar dado un sistema dinámico a gran escala. Finalmente, el sistema a gran escala Hydro- Power Valley es usado para verificar las pistas arrojadas por las comparaciones hechas

Abstract : Large scale systems is a denomination born due to the increasing size and complexity of dynamical systems and models used for their representation. These systems have a large amount of embedded sensors and actuators. Measuring systems variables of interest is very important in order to implement control schemes or just because it is necessary to know the dynamical system evolution. In order to simplify the complexity of the system, it is divided into a number of subsystems, each one smaller and simpler than the overall system. Some system partitioning techniques are explored. Distributed state estimation states that for each subsystem, a local state estimator is implemented, and then, the sum of each local estimation gives the overall state estimation. Distributed state estimators based on Kalman Filtering, particle filtering and moving horizon estimation are explained and implemented in simulation using a benchmark, and the attributes of interest are compared: computational cost, convergence and prediction error, this is done by dividing the system into different number of subsystems. These comparisons point out which could be the adequate technique to be implemented given a large scale system. Finally, the Hydro-Power Valley large scale system is used to verify the hints given by the comparisons previously made