Vorhersage-Korrektur-Algorithmen für zeitvariierende eingeschränkte Optimierung

Dieses Papier entwickelt Online-Algorithmen, um Lösungen von zeitvariierenden eingeschränkten Optimierungsproblemen zu verfolgen. Insbesondere, ähnlich den bewährten auf Kalman-Filterung basierenden Ansätzen für dynamische Systeme, beinhalten die vorgeschlagenen Methoden Vorhersage-Korrekturschritte, um nachweislich die Trajektorie der optimalen Lösungen zeitvariierender konvexer Probleme zu verfolgen. Die Vorzüge bestehender Vorhersage-Korrektur-Methoden wurden für uneingeschränkte Probleme und für Setups, bei denen die Berechnung der Inversen der Hessian der Kostenfunktion rechnerisch erschwinglich ist, gezeigt. Dieses Papier behandelt die Einschränkungen bestehender Methoden, indem es eingeschränkte Probleme angeht und erste Vorhersageschritte entwirft, die auf der Hessian der Kostenfunktion basieren (und die Berechnung ihrer Inversen nicht erfordern). Darüber hinaus wird gezeigt, dass die vorgeschlagenen Methoden die Konvergenzgeschwindigkeit bestehender Vorhersage-Korrektur-Methoden verbessern, wenn sie auf uneingeschränkte Probleme angewendet werden. Numerische Simulationen bestätigen die analytischen Ergebnisse und zeigen die Leistungsfähigkeit sowie die Vorteile der vorgeschlagenen Algorithmen. Eine realistische Anwendung der vorgeschlagenen Methode zur Echtzeitsteuerung von Energieressourcen wird präsentiert.