Passivity enforcement and system identification in dynamic networks : a frequency domain approach

Abstract

Resumo: Sistemas de engenharia modernos estão cada vez mais interconectados, formando redes dinâmicas complexas. Garantir a passividade, uma propriedade essencial para a troca de energia, é um desafio na identificação e modelagem de tais sistemas. À medida que as redes se tornam mais complexas, as técnicas tradicionais de identificação frequentemente falham em preservar a passividade do sistema, levando a modelos que violam as condições de balanço de energia. Esta tese aborda o problema da identificação de módulos locais dentro de uma rede dinâmica, garantindo a passividade ao longo de todo o processo de identificação. A literatura existente ainda não apresentou um arcabouço capaz de identificar diretamente sistemas passivos inseridos em redes dinâmicas. Essa limitação motiva o desenvolvimento de um arcabouço de identificação consciente da passividade, que integra restrições de passividade desde a etapa inicial da estimação. O principal objetivo desta tese é desenvolver uma metodologia de identificação de sistemas no domínio da frequência para sistemas interconectados, assegurando a preservação da passividade ao longo do processo de estimação. Isso é alcançado por meio da incorporação de restrições de passividade dentro da estrutura de identificação de sistemas. A metodologia proposta neste trabalho segue uma abordagem em duas etapas: (i) uma estimação não paramétrica da Função de Resposta em Frequência (FRF) é obtida para fornecer uma caracterização inicial do sistema; e (ii) um método de identificação paramétrica refina essa estimação enquanto incorpora restrições de passividade As principais técnicas utilizadas neste estudo incluem um novo método de Ajuste Vetorial no Domínio da Frequência (FD-VF), que atua como a ferramenta principal para identificação paramétrica, e estratégias de imposição de passividade baseadas no Lema de Kalman-Yakubovich-Popov (KYP). A principal contribuição da abordagem baseada em otimização utilizada é sua capacidade de garantir que o modelo identificado permaneça passivo em cada iteração. A abordagem desenvolvida incorpora condições de passividade desde a etapa de geração dos dados. Os resultados demonstram que a metodologia desenvolvida identifica modelos passivos sem comprometer a precisão da estimação. Estudos de caso comparativos mostram que a imposição de passividade durante o processo de estimação leva à obtenção de modelos passivos a cada iteração da identificação paramétrica

Abstract: Modern engineering systems are increasingly interconnected, forming complex dynamic networks. Ensuring passivity, an essential property for energy exchange, is a challenge in system identification and modeling. As networks grow in complexity, traditional identifi cation techniques often fail to preserve system passivity, leading to models that violate energy balance conditions. This thesis addresses the problem of identifying local modules within a dynamic network while guaranteeing passivity throughout the identification process. Existing literature has not yet presented a framework to directly identify passive systems embedded in dynamic networks. This limitation motivates the development of a passivity-aware identification framework that integrates passivity constraints from the initial estimation stage. The main objective of this thesis is to develop a frequency-domain system identification methodology for networked systems that ensures passivity preserva tion throughout the estimation process. This is achieved by integrating passivity constraints into the system identification framework. The methodology proposed in this work follows a two-stage approach: (i) a non-parametric estimation of the Frequency Response Function (FRF) is obtained to provide an initial system characterization; and (ii) a parametric identification method refines this estimation while incorporating passivity constraints. The core techniques used in this study include a novel Frequency Domain Vector Fitting (FD-VF), which serves as the primary tool for parametric identification, and passivity enforcement strategies based on the Kalman-Yakubovich-Popov (KYP) Lemma. The key contribution of the optimization-based approach used is its ability to ensure that the identified model remains passive at every iteration. The developed approach incorporates passivity conditions from the data generation stage onward. The results demonstrate that the developed methodology identifies passive models while maintaining the estimation accuracy. Comparative case studies illustrate that enforcing passivity during the estima tion process leads to the estimation of passive models in each iteration of the parametric identification. This work contributes to the field of dynamic network identification by addressing the challenge of passivity enforcement in dynamic network identification