In a power system it is important to keep voltages at specific levels at network buses. Deviations from that can lead to reduced efficiency of transferred power or, in more severe cases, widespread power outages affecting large parts of society. There exists a variety of power system devices that have the ability to regulate the voltage levels. These devices have maximum and minimum control capacities and may have additional operational constraints. It is desired to keep the control capacity of these actuators close to neutral operation so that they have the ability to respond to future disturbances. Due to the nature of such a control problem, a suitable tool is Model Predictive Control. In this thesis, a centralised model predictive control is designed for long-term voltage stability control of a power system. The system model employed is a two-area power system model, where each area includes a network of generators and loads. The model predictive control regulates the tap position of a tap-changing transformer and the reactive power compensation provided by two capacitor banks. In this thesis, it is shown that a centralised model predictive controller successfully maintains voltages within the desired range for a 3.5 % longer duration compared to a decentralised control approach when facing a voltage collapse scenario. Additionally, thanks to its predictive capabilities, it efficiently dampened oscillations in the post-transient steadystate scenario, leading to a 6.6 % shorter settling time than that observed with the decentralised control approach. / I ett kraftsystem är det viktigt att hålla spänningen på specifika nivåer vid nätverksbussarna. Avvikelser från detta kan leda till nedsatt effektöverföringseffektivitet eller, i allvarligare fall, omfattande strömavbrott som påverkar stora delar av samhället. Det finns en mängd olika kraftsystemsenheter som har förmågan att reglera spänningsnivåerna. Dessa enheter har maximala och minimala kontrollkapaciteter och kan ha ytterligare driftbegränsningar. Det är önskvärt att hålla kontrollkapaciteten hos dessa enheter nära neutral drift så att de har förmågan att svara på framtida störningar. På grund av arten av ett sådant kontrollproblem är ett lämpligt verktyg Model Predictive Control. I den här avhandlingen är en centraliserad modellprediktiv reglering utformad för långsiktig spänningsstabilitetskontroll av ett kraftsystem. Systemmodellen som används är en två-area kraftsystemmodell, där varje område inkluderar ett nätverk av generatorer och belastningar. Kontrollen reglerar varvtalet hos en lindningskopplare och den reaktiva effektkompensationen som tillhandahålls av två kondensatorbanker. I denna avhandling visas det att en centraliserad modell-prediktiv reglering framgångsrikt kan upprätthålla spänningar inom det önskade intervallet under en 3.5 % längre varaktighet jämfört med en decentraliserad styrmetod under ett spänningskollapsscenario. Dessutom, tack vare dess prediktiva kapacitet, dämpade den effektivt svängningar i det post-transienta steady-state-scenariot, vilket ledde till en 6.6 % kortare insvängningstid än den som observerades med den decentraliserade styrmetoden.

The aim of this project was to compare two control algorithms designed to steer an autonomous vehicle. The comparison was made using a simulated environment to evaluate the performance of both controllers. The simulation used in this project was designed in Python and used an algorithm which randomly constructed roads from predefined road segments to create paths for the vehicle to follow. In this environment the Linear Time Varying (LTV)-Model Predictive Controller (MPC) and Pure Pursuit Controller (PPC) algorithms were evaluated. The thesis compared how well they follow paths, the average control cost of completing tasks, how well they handle input constraints, and the computational time for each algorithm. The data was collected by driving along three sets of randomly generated roads with both control algorithms. One set mostly straight, one with some turns, and one with mostly turns. An Analysis of Variance (ANOVA) test was used to make the comparison between the performance of the two algorithms. The results showed that both algorithms performed well. The PPC had low computation time and used less control, but it also had larger position errors. The LTV-MPC had higher computation time, but smaller position errors at the cost of larger control values. The conclusion is that the MPC is preferable if computational capabilities are available. Room for future work exists in the form of comparing additional controller types for autonomous vehicles and exploring different tuning parameters for the MPC controller. The simulation could also be expanded to more accurately reflect real world conditions. / Målet med detta projekt var att jämföra två kontrollalgoritmer avsedda för att styra en självkörande bil. Jämförelsen gjordes med hjälp av en simulering som utformades i Python. Den använde sig av en algoritm som slumpmässigt satte ihop vägar från förkonstruerade delar för att skapa banor för den självkörande bilen att följa. I denna miljö har vi testat två algoritmer, en LTV-MPC och en PPC. Vi jämförde hur pass väl de följer banor som skall likna riktiga vägar, hur mycket styrning de använder sig av för att bedöma energianvändning, hur väl de förhåller sig till begränsningar på acceleration och styrning, och den beräkningstiden som krävdes för att köra vår algoritm. Datan samlades genom att köra längs med tre grupper av slumpmässigt genererade vägar med båda kontrollalgoritmerna. En grupp innehöll huvudsakligen raka sträckor, en innehöll en del svängar, och en innehöll mycket svängar. ANOVA-testet användes för att göra jämförelsen mellan resultatet av dessa två algoritmer. Resultatet visade att båda algoritmer presterar väl. PPCn hade låg beräkningstid och mindre styrvärden, men större positionsfel. MPCn hade högre beräkningstid och större styrvärden, men mindre positionsfel. Slutsatsen är att MPCn är att föredra om beräkningsmöjligheterna finns tillgängliga. Det finns utrymme för framtida arbete i form av att jämföra fler kontrollalgoritmer och att utforska fler parameter justeringar för MPCn. Utöver det finns det även utrymme för en simulation som reflekterar verkligheten noggrannare.