Space activities have been increasing dramatically in the past decades. As a result, the number of space debris has also increased significantly. Therefore, it is necessary to clean up and remove them to prevent a collision between space debris and spacecraft. In this thesis, we focus on load transportation using tethers, which connect multiple robots and loads together with lightweight cables. We propose a generalized framework to model and calculate the interaction force for the tethered multi-robot system. Then, we develop centralized and decentralized non-linear Model Predictive Control (MPC) controllers to complete a transportation task. Two simulators, a numerical and physical simulator, are presented and used to evaluate the performance of the controllers. The numerical simulator is used to verify the proposed model and evaluate the controllers for the ideal case. The physical simulator is then used to validate the performance of both centralized and decentralized controllers in real-time settings. Finally, we demonstrate how the proposed controllers perform in two and three-dimensional experiments. / Rymdaktiviteter har ökat dramatiskt under de senaste årtiondena. Som en följd av detta har mängden rymdskräp också ökat avsevärt. Därför är det nödvändigt att rensa upp och avlägsna detta skräp för att förhindra kollisioner mellan rymdskräp och rymdfarkoster. I denna rapport fokuserar vi på transporter av rymdobjekt som är sammanbundna via en lätt kabel. Vi föreslår en allmän metod för att modellera och beräkna interaktionskraften för det förenade multirobotsystemet. Sedan utvecklar vi centraliserad och decentraliserad icke-linjär modell-prediktiv reglering, MPC (eng. Model Predictive Control), för att uppnå transportuppgiften. Två simulatorer, en numerisk och en fysisk simulator, presenteras och används för att utvärdera styrsystemets prestanda. Den numeriska simuleringen används för att verifiera den föreslagna modellen och utforma styrsystemet för det idealiska fallet. Den fysiska simuleringen används sedan för att validera prestandan för både det centraliserade och decentraliserade styrsystem i realtid. Slutligen demonstrerar vi hur de föreslagna styrsystemen utför sig i tre- respektive två-dimensionella experiment.

Stricter requirements on the reduction of Nitrogen Oxides (NOx) in the emissions of heavy-duty diesel vehicles drives development for more efficient aftertreatment systems. An ammonia covered catalyst is one of the most successful technologies in reducing NOx by converting it into the harmless byproducts water and nitrogen. The ammonia injection control is however difficult due to nonlinearities and the impact of external exhaust parameters. The ammonia coverage ratio depends heavily on the surface temperature of the catalyst and a rapid increase in surface temperature would lead to a rapid decrease in ammonia storage capabilities. If the storage capabilities decrease below the current level of stored ammonia, the excess ammonia will flow into the exhaust and convert to NOx, an undesired phenomenon due to the cost of and the pollution caused by the ammonia released, often referred to as ammonia slip. This issue is further amplified by the fact that the problem is asymmetric, that is injected ammonia cannot be actively removed but has to be reduced by the reaction with the NOx present in the exhaust. As such, it is very important to keep the level of ammonia storage ratio low enough to avoid slipping but at the same time sufficiently high to obtain a satisfactory NOx conversion efficiency. These two issues are the main reasons why feedback control has proven to be difficult to implement to solve the dosing problem. As one has to store a lot of ammonia in order to obtain a satisfactory conversion of NOx, one often cannot react to rapid temperature increases in the catalyst. As such, one often experiences a lot of ammonia slip during these scenarios. In this report it is shown that utilizing predicted parameters of the exhaust in a model predictive controller reduces the ammonia consumption by 38% while also improving the tracking of the NOx conversion reference by 5.5%. / Strängare krav på minskning av kväveoxider (NOx) i utsläpp från tunga dieselfordon driver utvecklingen för ett mer effektivt efterbehandlingssystem. En ammoniakbelagd katalysator är en av de mest framgångsrika tekniker för att minska NOx genom att omvandla det till de ofarliga biprodukterna vatten och kväve. Injeceringen av ammoniak är dock svår att reglera på grund av olinjär dynamik och påverkan av externa avgasparametrar. Täckningsgraden av ammoniak beror starkt på yttemperaturen hos katalysatorn, där en ökning av temperaturen skulle leda till en minskad lagringskapacitet av ammoniak. Om lagringskapaciteten minskar under nuvarande täckningsgraden av ammoniak kommer överskottet av ammoniak att frigöras och strömma ut ur katalysatorn tillsammans med avgaserna och omvandlas till NOx, ett oönskat fenomen på grund av kostnaden för och de föroreningar som orsakas av ammoniaken. Detta problem förvärras av det faktum att problemet är asymmetriskt, dvs injicerad ammoniak kan inte aktivt avlägsnas utan måste reduceras genom att reagera med de befintliga NOx som finns i avgaserna. Därav är det väldigt viktigt att täckningsgraden av ammoniak hålls tillräckligt lågt för att undvika att ammoniaken frigörs men samtidigt tillräckligt hög för att erhålla den önskade omvandlingen av NOx. Dessa två problem är de främsta anledningarna till att reglering med återkoppling har visat sig vara svårt att implementera för att lösa doseringsproblemet. Eftersom det krävs en hög täckningsgraden av ammoniak för att få en önskvärd omvandling av NOx hinner en ofta inte korrigera för snabba temperaturökningar i katalysatorn. Det frigörs därför mycket av den lagrade ammoniaken under dessa scenarier. I denna rapport demonstreras att användandet av predikterade avgasparametrar i en modell prediktiv kontroller minskar ammoniakförbrukningen med 38% samtidigt som den önskade NOx omvandlingen förbättrades med 5.5%.

In this thesis, we explore the potential of financing a fast charging system with energy storage by delivering ancillary services from the energy storage in an optimal way. Specifically, a system delivering frequency regulation services FCR-D Up and FCR-D Down in combination with energy arbitrage trading is considered. An optimization model is developed that could be implemented operationally and then used in a Monte-Carlo simulation to estimate the net present value of the system for four identified cases at three different energy market price scenarios. The main modeling approach is to formulate the system as a state-space model serving as the foundation for model predictive control, with the delay between decision and delivery of the frequency regulation services incorporated as a part of the system state. The optimization of the system is implemented using a dynamic programming approach with a time horizon of 48h, where the choice of admissible controls is optimized for computational efficiency. The result shows that the system could profitable under optimal operation, but it is heavily dependent on the size of the grid connection, future price levels for ancillary services, and the nature of fast-charging demand. As such, the business case and profitability should be evaluated with a specific use case in mind. The developed model showed relatively good computational efficiency for operational implementations with a run time for one iteration of the optimization problem of 15 seconds. The model could therefore be used as the foundation for future research within the specific field and for similar control problems considering delayed controls and stochastic demand. Several proposed improvements and suggested areas of future research are proposed. / I den här uppsatsen utforskar vi huruvida det är finansiellt lönsamt att leverera snabbladdning från ett energilager samtidigt som energilagret används för att leverera systemtjänster på ett optimalt sätt. Mer specifikt undersöks ett potentiellt system som levererar frekvensregleringstjänsterna FCR-D Up och FCR-D Down samt energiarbitragehandel. Vi utvecklar en optimeringsmodell som kan implementeras i ett fysiskt system och använder sedan modellen i en Monte-Carlo-simulering för att estimera nuvärdet av fyra olika systemkonfigurationer för tre olika prisscenarion. Den huvudsakliga modelleringsmetoden är att formulera systemet som en tillstånds-rum modell, som sedan används som grund för modellprediktiv styrning, där fördröjningen mellan beslut och leverans av frekvensregleringstjänster inkluderas som en del av systemets tillstånd. Optimeringen av systemet implementeras med en dynamisk programmeringsmetodik med en tidsram på 48 timmar, där valet av tillåtna kontroller optimeras för beräkningseffektivitet. Resultatet visar att systemet kan vara lönsamt under optimal drift, men det är starkt beroende av storleken på nätanslutningen, framtida prisnivåer för systemtjänster och typen av snabbladdningsbehovet. Därför bör lönsamheten utvärderas för varje specifikt fall. Den utvecklade modellen visade relativt god beräkningseffektivitet för praktiskt implementation med en körtid för en enskilt iteration på 15 sekunder. Modellen kan därför användas som grund för framtida forskning inom området och för liknande problem inom optimal styrteori som involverar fördröjda kontroller och stokastisk efterfrågan. Flera föreslagna förbättringar och områden för framtida forskning föreslås.

Model Predictive Control (MPC) is a control strategy based on optimization that handles system constraints explicitly, making it a popular feedback control method in real industrial processes. However, designing this control policy is an expensive operation since an explicit model of the process is required when re-tuning the controller. Another common practical challenge is that not all states are available, which calls for an observer in order to estimate the states, and imposes additional challenges such as satisfying the constraints and conditions that follow. This thesis attempts to address these challenges by extending the novel Adversarial Adaptive Model Predictive Control (AAMPC) algorithm with output-feedback for linear plants without explicit identification. The AAMPC algorithm is an adaptive MPC framework, where results from an adversarial Multi-Armed Bandit (MAB) are applied to a basic model predictive control formulation. The algorithm of the project, Adversarial Adaptive Output-Feedback Model Predictive Control (AAOFMPC), is derived by extending the standard MPC formulation with output-feedback, i.e, to an Output-Feedback Model Predictive Control (OFMPC) scheme, where a Kalman filter is implemented as the observer. Furthermore, the control performance of the extended algorithm is demonstrated with the problem of driving the state to a given reference, in which the performance is evaluated in terms of regret, state estimation errors, and how well the states track their given reference. Experiments are conducted on two discrete-time Linear Time- Invariant (LTI) systems, a second order system and a third order system, that are perturbed with different noise sequences. It is shown that the AAOFMPC performance satisfies the given theoretical bounds and constraints despite larger perturbations. However, it is also shown that the algorithm is not very robust against noise since offsets from the reference values for the state trajectories are observed. Furthermore, there are several tuning parameters of AAOFMPC that need further investigation for optimal performance. / Modell Prediktiv Reglering (MPC) är en optimeringsbaserad reglertekniksmetod som hanterar processbegränsingar på ett systematiskt sätt, vilket gör den till en populär metod inom återkopplad reglering i processindustrin. Denna metod medför dock höga beräkningskostnader eftersom det krävs en explicit modell varje gång regulatorn justeras online. I praktiken är det också vanligt att alla tillståndsvariabler inte är tillgängliga, vilket kräver en observatör för att rekonstruera alla tillståndsvariabler. Detta leder till fler utmaningar som att uppfylla ytterligare systembegränsingar och villkor som följer. Detta projekt adresserar dessa utmaningar genom att förlänga den nya algoritmen Adversarial Adaptiv Modell Prediktiv Reglering (AAMPC) med output-feedback för linjära system utan explicit modellidentifiering. AAMPC-algoritmen är en adaptiv reglerstrategi där resultat från en adversarial multiarmed bandit (MAB) appliceras i en standard MPC-formulering. Denna MPC-formulering är förlängd med output-feedback dvs. Output-Feedback Modell Predktiv Reglering (OFMPC) där ett Kalman filter är implementerad som en observatör och resulterar i projektets algoritm: Adversarial Adaptiv Output- Feedback Modell Prediktiv Reglering (AAOFMPC). Vidare demonstreras den utökade algoritmens prestanda med problemet att driva tillståndsvariablerna till ett givet referensvärde, där prestandan evalueras i termer av regret, skattningsfel och hur väl tillståndsvariablerna följer de givna referensvärdena. Experiment utförs på två tidsdiskreta tidsinvarianta (LTI) system, ett andraordningssystem och ett tredjeordningssystem, som är perturberade med olika värden av brus. Resultaten visar att AAOFMPC:s prestanda uppfyller de givna teoretiska begränsningarna trots större störningar. Det visar sig dock att algoritmen inte är särskilt robust mot brus eftersom det sker avvikelser från de givna referensvärdena för tillståndsvariablerna. Dessutom finns det flera parametrar i algoritmen som kräver ytterligare utredningar för optimal prestanda.