Having a accurate model of a system is essential for many applications today, especially those related to advanced process control. When executing a project often a lot of time is spent performing experiments on the real system to estimate a model. By designing higher quality experiments the time needed to estimate and identify these models can be reduced saving both resources and engineering efforts. This masters thesis investigates optimal input design to minimize the time needed to identify a linear time-invariant multivariable system fulfilling certain requirements on the model accuracy. Previous input designs mostly focused on sequential excitation but here the effects of using combined simultaneous and sequential excitation is investigated. The design is performed in simulations and evaluated in closed loop using a model predictive controller to further guarantee that the output constraints are not violated. The results indicate that there are many cases where using combined simultaneous and sequential excitation outperforms the previous methods. The effects of the color of the noise on the input design is investigated and the ability of different designs to estimate system delay is also studied. In addition it is shown how an iterative scheme can be used to guarantee that the accuracy requirements on the estimated model are met. / Att ha en god modell av ett system är viktigt för många applikationer idag, särskilt de som är relaterade till avancerad processtyrning. När man genomför ett projekt läggs ofta mycket tid på att utföra experiment på det verkliga systemet för att identifiera en modell. Genom att utforma experiment av hög kvalitet kan den tid som behövs för att identifiera dessa modeller minskas, vilket minimerar både processpåverkan och ingenjörsinsatsen. Denna masteruppsats undersöker metoder för optimal experimentdesign för att minimera tiden som behövs för att identifiera ett multivariabelt system där det finns krav på modellens noggrannhet. Tidigare metoder fokuserade mest på sekventiella experiment, men här undersöks effekterna av att använda en kombination av samtidiga och sekventiella experiment. Här används simuleringar som utvärderas i sluten loop med hjälp av en modellprediktiv regulator för att undvika att utsignalbegränsningarna inte överskrids. Resultatet indikerar att det finns många fall där användning av kombinerade samtidiga och sekventiella experiment överträffar tidigare metoder. Effekterna av färgat brus på ingångsdesignen undersöks och olika metoders förmåga att uppskatta systemfördröjning studeras också. Dessutom visas hur ett iterativt schema kan användas för att garantera att noggrannhetskraven på den uppskattade modellen uppfylls.

Cette thèse s'inscrit dans le cadre du projet collaboratif MICROSOL, mené par Schneider Electric, et qui oeuvre pour le développement de micros centrales solaires thermodynamiques destinées à la production d'électricité en sites isolés (non connectés au réseau électrique) en exploitant l'énergie thermique du soleil. Le but de cette thèse étant le développement de lois de commande innovantes et efficaces pour la gestion de l'énergie de deux types de micros centrales solaires thermodynamiques : à base de moteur à cycle de Stirling et à base de machines à Cycle de Rankine Organique (ORC). Dans une première partie, nous considérons une centrale solaire thermodynamique à base de machine à cycle de Stirling hybridée à un supercondensateur comme moyen de stockage d'énergie tampon. Dans ce cadre, nous proposons une première loi de commande validée expérimentalement, associée au système de conversion d'énergie du moteur Stirling, qui dote le système de performances quasi optimales en termes de temps de réponse ce qui permet de réduire la taille du supercondensateur utilisé. Une deuxième loi de commande qui gère explicitement les contraintes du système tout en dotant ce dernier de performances optimales en terme de temps de réponse, est également proposée. Cette dernière loi de commande est en réalité plus qu'un simple contrôleur, elle constitue une méthodologie de contrôle applicable pour une famille de systèmes de conversion de l'énergie.Dans une deuxième partie, nous considérons une centrale solaire thermodynamique à base de machine à cycle de Rankine Organique (ORC) hybridée à un banc de batteries comme moyen de stockage d'énergie tampon. Etant donné que ce système fonctionne à vitesse de rotation fixe pour la génératrice asynchrone qui est connectée à un système de conversion d'énergie commercial, nous proposons une loi de commande prédictive qui agit sur la partie thermodynamique de ce système afin de le faire passer d'un point de fonctionnement à un autre, lors des appels de puissance des charges électriques, le plus rapidement possible (pour réduire le dimensionnement des batteries) tout en respectant les contraintes physiques du système. La loi de commande prédictive développée se base sur un modèle dynamique de la machine ORC identifié expérimentalement grâce à un algorithme d'identification nonlinéaire adéquat. / This Ph.D thesis was prepared in the scope of the MICROSOL project, ledby Schneider Electric, that aims at developing Off-grid solar thermodynamic micro powerplants exploiting the solar thermal energy. The aim of this thesis being the development of innovative and efficient control strategies for the energy management of two kinds of solar thermodynamic micro power plants: based on Stirling engine and based and Organic RankineCycle (ORC) machines.In a first part, we consider the Stirling based solar thermodynamic micro power planthybridized with a supercapacitor as an energy buffer. Within this framework, we propose afirst experimentally validated control strategy, associated to the energy conversion system ofthe Stirling engine, that endows the system with quasi optimal performances in term of settlingtime enabling the size reduction of the supercapacitor. A second control strategy that handlesexplicitly the system constraints while providing the system with optimal performances interm of settling time , is also proposed. This control strategy is in fact more than a simplecontroller, it is a control framework that holds for a family of energy conversion systems.In a second part, we consider the Organic Rankine Cycle (ORC) based thermodynamicmicro power plant hybridized with a battery bank as an energy buffer. Since this system worksat constant speed for the asynchronous generator electrically connected to a commercial energyconversion system, we propose a model predictive controller that acts on the thermodynamicpart of this system to move from an operating point to another, during the load power demandtransients, as fast as possible (to reduce the size of the battery banks) while respecting thephysical system constraints. The developed predictive controller is based upon a dynamicmodel, for the ORC power plant, identified experimentally thanks to an adequate nonlinearidentification algorithm.

Le problème de l'efficacité énergétique dans le domaine des transports a comme principal défi savoir comment utiliser la source d'énergie pour que l'efficacité énergétique puisse être maximisée, c'est-à-dire comment le véhicule doit être conduit de telle sorte que la quantité minimale d’énergie est utilisée. Ce problème est le principal problème considéré dans cette thèse. Le véhicule est un prototype impliqué dans la course européenne Shell Eco-Marathon. La dynamique du véhicule est d'abord obtenu par l'identification expérimentale des paramètres. Une stratégie en boucle ouverte de conduite optimale en termes de consommation électrique est calculée. Plusieurs approches ont été étudiées pour le suivi de la référence optimale (stratégie de conduite optimale). Ces approches doivent prendre en compte les ressources limitées en taille mémoire et capacité de calcul. Une commande prédictive (MPC) basée sur la dynamique linéarisée est tout d'abord synthétisée. Le problème de poursuite nécessite une MPC avec contraintes variant dans le temps. La stabilité et la convergence de la commande prédictive sont prouvées à l'aide du formalisme des ensembles invariants. En troisième partie, à partie du modèle LPV, une adaptation de techniques standards basées sur des fonctions de Lyapunov quadratiques et à paramètres variants avec calculs hors-ligne est proposée. Elle est implémentée sur un banc de test. Enfin, une technique adaptative robuste avec identification en ligne de la dynamique est proposée et implémentée dans le véhicule. Cette technique a été testée et validée en course. Les résultats expérimentaux obtenus montrent de bonnes performances de la stratégie de conduite / In the field of transportation, the research on energy efficiency has been carried out for few decades by the automotive industry, where one of the main objectives is to reduce the energetic consumption. This particular problem can be rephrased as how the vehicle must be driven so that the minimum quantity of energy is used. This is the optimal driving strategy. In this project, a suitable model of the Vir'volt electric vehicle involved in the European Shell Eco-Marathon is obtained. The unknown parameters involved in the vehicle dynamics are estimated using Parameter identification from experimental data. The identified dynamics is used to derive an optimal driving strategy that is intended to be tracked on-line during the driving task. The tracking task is subject to time-varying polytopic constraint on the input and/or the state. A MPC-based tracking strategy that uses an homothetic transformation as a suitable time-varying invariant set is used. The time-varying invariant set guarantees the asymptotic stability of the control law. The problem of the MPC tracking for Linear Parametric Varying (LPV) systems is introduced. A new explicit MPC strategy for LPV systems is developed. This strategy uses a Parameter dependent Lyapunov Function (PDLF) to involve explicitly the time-varying parameter in the control law and so it reduces conservatism. A benchmark is used to test the performances of the optimal driving strategy and the explicit MPC tracking strategy. Finally, a robust adaptive technique with on-line identification of the dynamics is has been proposed and tested in the race showing good performances of the adaptive driving strategy

[ES] La gran mayoría de procesos del mundo real tienen incertidumbres inherentes, las cuales, al ser consideradas en el proceso de modelado, se puede obtener una representación que describa con la mayor precisión posible el comportamiento del proceso real. En la mayoría de casos prácticos, se considera que éstas tienen un comportamiento estocástico y sus descripciones como distribuciones de probabilidades son conocidas. Las estrategias de MPC estocástico están desarrolladas para el control de procesos con incertidumbres de naturaleza estocástica, donde el conocimiento de las propiedades estadísticas de las incertidumbres es aprovechado al incluirlo en el planteamiento de un problema de control óptimo (OCP). En éste, y contrario a otros esquemas de MPC, las restricciones duras son relajadas al reformularlas como restricciones de tipo probabilísticas con el fin de reducir el conservadurismo. Esto es, se permiten las violaciones de las restricciones duras originales, pero tales violaciones no deben exceder un nivel de riesgo permitido. La no-convexidad de tales restricciones probabilísticas hacen que el problema de optimización sea prohibitivo, por lo que la mayoría de las estrategias de MPC estocástico en la literatura se diferencian en la forma en que abordan tales restricciones y las incertidumbres, para volver el problema computacionalmente manejable. Por un lado, están las estrategias deterministas que, fuera de línea, convierten las restricciones probabilísticas en unas nuevas de tipo deterministas, usando la propagación de las incertidumbres a lo largo del horizonte de predicción para ajustar las restricciones duras originales. Por otra parte, las estrategias basadas en escenarios usan la información de las incertidumbres para, en cada instante de muestreo, generar de forma aleatoria un conjunto de posibles evoluciones de éstas a lo largo del horizonte de predicción. De esta manera, convierten las restricciones probabilísticas en un conjunto de restricciones deterministas que deben cumplirse para todos los escenarios generados. Estas estrategias se destacan por su capacidad de incluir en tiempo real información actualizada de las incertidumbres. No obstante, esta ventaja genera inconvenientes como su gasto computacional, el cual aumenta conforme lo hace el número de escenarios y; por otra parte, el efecto no deseado en el problema de optimización, causado por los escenarios con baja probabilidad de ocurrencia, cuando se usa un conjunto de escenarios pequeño. Los retos mencionados anteriormente orientaron esta tesis hacia los enfoques de MPC estocástico basado en escenarios, produciendo tres contribuciones principales. La primera consiste en un estudio comparativo de un algoritmo del grupo determinista con otro del grupo basado en escenarios; se hace un especial énfasis en cómo cada uno de estos aborda las incertidumbres, transforma las restricciones probabilísticas y en la estructura de su OCP, además de señalar sus aspectos más destacados y desafíos. La segunda contribución es una nueva propuesta de algoritmo MPC, el cual se basa en escenarios condicionales, diseñado para sistemas lineales con incertidumbres correlacionadas. Este esquema aprovecha la existencia de tal correlación para convertir un conjunto de escenarios inicial de gran tamaño en un conjunto de escenarios más pequeño con sus probabilidades de ocurrencia, el cual conserva las características del conjunto inicial. El conjunto reducido es usado en un OCP en el que las predicciones de los estados y entradas del sistema son penalizadas de acuerdo con las probabilidades de los escenarios que las componen, dando menor importancia a los escenarios con menores probabilidades de ocurrencia. La tercera contribución consiste en un procedimiento para la implementación del nuevo algoritmo MPC como gestor de la energía en una microrred en la que las previsiones de las energías renovables y las cargas están correlacionadas. / [CA] La gran majoria de processos del món real tenen incerteses inherents, les quals, en ser considerades en el procés de modelatge, es pot obtenir una representació que descriga amb la major precisió possible el comportament del procés real. En la majoria de casos pràctics, es considera que aquestes tenen un comportament estocàstic i les seues descripcions com a distribucions de probabilitats són conegudes. Les estratègies de MPC estocàstic estan desenvolupades per al control de processos amb incerteses de naturalesa estocàstica, on el coneixement de les propietats estadístiques de les incerteses és aprofitat en incloure'l en el plantejament d'un problema de control òptim (OCP). En aquest, i contrari a altres esquemes de MPC, les restriccions dures són relaxades en reformulades com a restriccions de tipus probabilístiques amb la finalitat de reduir el conservadorisme. Això és, es permeten les violacions de les restriccions dures originals, però tals violacions no han d'excedir un nivell de risc permès. La no-convexitat de tals restriccions probabilístiques fan que el problema d'optimització siga computacionalment immanejable, per la qual cosa la majoria de les estratègies de MPC estocàstic en la literatura es diferencien en la forma en què aborden tals restriccions i les incerteses, per a tornar el problema computacionalment manejable. D'una banda, estan les estratègies deterministes que, fora de línia, converteixen les restriccions probabilístiques en unes noves de tipus deterministes, usant la propagació de les incerteses al llarg de l'horitzó de predicció per a ajustar les restriccions dures originals. D'altra banda, les estratègies basades en escenaris usen la informació de les incerteses per a, en cada instant de mostreig, generar de manera aleatòria un conjunt de possibles evolucions d'aquestes al llarg de l'horitzó de predicció. D'aquesta manera, converteixen les restriccions probabilístiques en un conjunt de restriccions deterministes que s'han de complir per a tots els escenaris generats. Aquestes estratègies es destaquen per la seua capacitat d'incloure en temps real informació actualitzada de les incerteses. No obstant això, aquest avantatge genera inconvenients com la seua despesa computacional, el qual augmenta conforme ho fa el nombre d'escenaris i; d'altra banda, l'efecte no desitjat en el problema d'optimització, causat pels escenaris amb baixa probabilitat d'ocurrència, quan s'usa un conjunt d'escenaris xicotet. Els reptes esmentats anteriorment van orientar aquesta tesi cap als enfocaments de MPC estocàstic basat en escenaris, produint tres contribucions principals. La primera consisteix en un estudi comparatiu d'un algorisme del grup determinista amb un altre del grup basat en escenaris; on es fa un especial èmfasi en com cadascun d'aquests aborda les incerteses, transforma les restriccions probabilístiques i en l'estructura del seu problema d'optimització, a més d'assenyalar els seus aspectes més destacats i desafiaments. La segona contribució és una nova proposta d'algorisme MPC, el qual es basa en escenaris condicionals, dissenyat per a sistemes lineals amb incerteses correlacionades. Aquest esquema aprofita l'existència de tal correlació per a convertir un conjunt d'escenaris inicial de gran grandària en un conjunt d'escenaris més xicotet amb les seues probabilitats d'ocurrència, el qual conserva les característiques del conjunt inicial. El conjunt reduït és usat en un OCP en el qual les prediccions dels estats i entrades del sistema són penalitzades d'acord amb les probabilitats dels escenaris que les componen, donant menor importància als escenaris amb menors probabilitats d'ocurrència. La tercera contribució consisteix en un procediment per a la implementació del nou algorisme MPC com a gestor de l'energia en una microxarxa en la qual les previsions de les energies renovables i les càrregues estan correlacionades. / [EN] The vast majority of real-world processes have inherent uncertainties, which, when considered in the modelling process, can provide a representation that most accurately describes the behaviour of the real process. In most practical cases, these are considered to have stochastic behaviour and their descriptions as probability distributions are known. Stochastic model predictive control algorithms are developed to control processes with uncertainties of a stochastic nature, where the knowledge of the statistical properties of the uncertainties is exploited by including it in the optimal control problem (OCP) statement. Contrary to other model predictive control (MPC) schemes, hard constraints are relaxed by reformulating them as probabilistic constraints to reduce conservatism. That is, violations of the original hard constraints are allowed, but such violations must not exceed a permitted level of risk. The non-convexity of such probabilistic constraints renders the optimisation problem computationally unmanageable, thus most stochastic MPC strategies in the literature differ in how they deal with such constraints and uncertainties to turn the problem computationally tractable. On the one hand, there are deterministic strategies that, offline, convert probabilistic constraints into new deterministic ones, using the propagation of uncertainties along the prediction horizon to tighten the original hard constraints. Scenario-based approaches, on the other hand, use the uncertainty information to randomly generate, at each sampling instant, a set of possible evolutions of uncertainties over the prediction horizon. In this fashion, they convert the probabilistic constraints into a set of deterministic constraints that must be fulfilled for all the scenarios generated. These strategies stand out for their ability to include real-time updated uncertainty information. However, this advantage comes with inconveniences such as computational effort, which grows as the number of scenarios does, and the undesired effect on the optimisation problem caused by scenarios with a low probability of occurrence when a small set of scenarios is used. The aforementioned challenges steered this thesis toward stochastic scenario-based MPC approaches, and yielded three main contributions. The first one consists of a comparative study of an algorithm from the deterministic group with another one from the scenario-based group, where a special emphasis is made on how each of them deals with uncertainties, transforms the probabilistic constraints and on the structure of the optimisation problem, as well as pointing out their most outstanding aspects and challenges. The second contribution is a new proposal for a MPC algorithm, which is based on conditional scenarios, developed for linear systems with correlated uncertainties. This scheme exploits the existence of such correlation to convert a large initial set of scenarios into a smaller one with their probabilities of occurrence, which preserves the characteristics of the initial set. The reduced set is used in an OCP in which the predictions of the system states and inputs are penalised according to the probabilities of the scenarios that compose them, giving less importance to the scenarios with lower probabilities of occurrence. The third contribution consists of a procedure for the implementation of the new MPC algorithm as an energy manager in a microgrid in which the forecasts of renewables and loads are correlated. / González Querubín, EA. (2024). Scenario-Based Model Predictive Control for Systems with Correlated Uncertainties [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/203887