Le travail de cette thèse apporte une contribution aux méthodes de réglage de la tension dans les réseaux électriques. Il s’agit de fournir au réseau la puissance active et surtout la puissance réactive nécessaire pour réguler la tension et aboutir à un système équilibré vue du côté source. Ces puissances sont extraites d’une source d’energie renouvelable : une attention particulière a été portée à l’énergie éolienne raccordée au réseau à travers la Machine Asynchrone à Double Alimentation (MADA) pilotée par des convertisseurs statiques. Le système de contrôle le plus répandu des éoliennes est basé principalement sur la technique d’extraction du maximum de puissance. Cependant, cette technique limite la mise en oeuvre deservices auxiliaires, telle que la participation des éoliennes au réglage de la tension dans le réseau électrique. Pour cela, une nouvelle méthode d’extraction du coefficient de puissance optimal, permettant d’améliorer la participation de la MADA à la régulation de la tension dans le réseau (compensation de la puissance réactive et du déséquilibre), a été développée. Le convertisseur multiniveaux à structure NPC (Neutral Point Clamped) raccordant l’énergie renouvelable au réseau a été étudié. La commande prédictive assurant simulatnément l’amélioration du facteur de puissance, l’équilibrage du réseau électrique et du bus continu du convertisseur NPC a été proposée. Ensuite, l’application de cette commande prédictive a été elargie en lui attribuant plusieurs objectifs : amélioration du facteur de puissance avec équilibrage du réseau, équilibrage du bus continu, minimisation des pertes par commutation et réduction de la tension de mode commun. La minimisation des pertes a été obtenue en proposant une nouvelle stratégie qui consiste à exploiter les datasheets constructeurs donnant l’évolution de l’énergie dissipée durant la commutation en fonction du courant. Ces courbes expérimentales ont été transformées en modèlesmathématiques implémentés dans la commande prédictive. Les résultats de simulation et expérimentaux sont présentés pour évaluer les performances de la méthode proposée. / The work in this research thesis presents a contribution to voltage regulation in electrical networks. By considering adequate active and reactive powers injection into the grid, voltage control and load balancing are provided. These powers are generated from a grid connected renewable energy conversion system : a special attention was paid to the Wind Energy ConversionSystem (WECS) based on Doubly-Fed Induction Generator (DFIG).The typical control strategy for WECS is the maximum power coefficient tracking method. However, this method limits desirable ancillary power services, such as the participation of wind turbines in voltage regulation in the power grid. Therefore, a new method that derives the optimal power coefficient enhancing the participation of WTS in voltage regulation in the network (reactive and unbalanced power compensation), has been developed. The multilevel NPC (Neutral Point Clamped) converter, used for grid interface connection of renewable energy sources systems, has been studied. A predictive control method for the three-level NPC converter, capable of simultaneously compensating the problems of : DC link capacitors voltage balancing, load balancing and power factor correction in the power system, has been proposed. Then, the application of this predictive control was extended to simultaneously achieve multiple objectives: load balancing with power factor correction in the network, DC link capacitors voltage balancing, switching losses minimization and common mode voltage reduction. The switching losses minimization was obtained by proposing a new strategy which consists on exploiting the manufacturer datasheets that gives the evolution of the switching loss energy in function of the circulating current. The experimental curves of the datasheet are expressed in a mathematical model implemented in the predictive control. Simulation and experimental results are presented to evaluate the performance of the proposed method.

Bien que la commande prédictive fasse appel à des paramètres ayant une signification concrète, la valeur de ces derniers impacte fortement les performances obtenues du système à contrôler. Leur réglage n’étant pas trivial, la littérature fait état d’un nombre conséquent de méthodes de réglage. Celles-ci ne garantissent cependant pas des valeurs optimales. L’objectif de cette thèse est de proposer une approche analytique et originale de réglage de ces paramètres. Initialement applicable aux systèmes MIMO linéaires, l’approche proposée a été étendue aux systèmes non linéaires avec ou sans contraintes et pour lesquels il existe un modèle Takagi-Sugeno (T-S). La classe des systemès non linéaires considérés ici est écrite sous la forme quasi-linéaire paramétrique (quasi-LPV). Sous l’hypothese que le système soit commandable et observable, la méthode proposée garantit la stabilité optimale de ce système en boucle fermée. Pour ce faire, elle s’appuie, d’une part, sur une technique d’amélioration du conditionnement de la matrice hessienne et, d’autre part, sur le concept de rang effectif. Elle présente également l’avantage de requérir une charge calculatoire moindre que celle des approches identifiées dans la littérature. L’intérêt de l’approche proposée est montré à travers l’application en simulation à différents systèmes de complexité croissante. Les travaux menés ont permis d’aboutir à une stratégie de commande prédictive auto-adaptative dénommée "ATSMPC" (Adaptive Takagi-Sugeno Model-based Predictive Control). / Even though predictive control uses concrete parameters, the value of these latter has a strong impact on the obtained performances from the system to be controlled. Their tuning is not trivial. That is why the literature reports a number of adjustment methods. However, these ones do not always guarantee optimal values. The goal of this thesis is to propose an analytical and original tuning tuning approach of these parameters. Initially applicable to linear MIMO systems, the proposed approach has been extended to non-linear systems with or without constraints and for which a Takagi-Sugeno (T-S) model exists. The class of nonlinear systems considered here is written in quasi-linear parametric form (quasi-LPV). Assuming that the system is controllable and observable, the proposed method guarantees the optimal stability of this closed-loop system. To do this, it relies, on the one hand, on a conditioning improving technique of the Hessian matrix and, on the other hand, on the concept of effective rank. It also has the advantage of requiring a lower computational load than the approaches identified in the literature. The interest of the proposed approach is shown through the simulation on different systems of increasingcomplexity. The work carried out has led to a self-adaptive predictive control strategy called "ATSMPC" (Adaptive Takagi-Sugeno Model-based Predictive Control).

Confidentiel / Confidential

Un groupe de robots collaboratifs peut gérer des tâches qui sont difficiles, voire impossibles, à accomplir par un seul. On appelle un ensemble de robots coopérant un système multi-agents (SMA). L'interaction entre agents est un facteur clé dans la commande coopérative qui pose d'importants défis théoriques et pratiques. L'une des tâches du contrôle coopératif est le consensus dont l'objectif est de concevoir des protocoles de commande afin de parvenir à un accord entre leurs états respectifs. Cette thèse améliore la navigation pour les SMA, tout en tenant compte de certaines contraintes pratiques (modèle du robot et contraintes temporelles) dans la conception de contrôleurs coopératifs pour chaque agent, de manière décentralisée. Dans cette thèse, deux directions sont étudiées. D'une part, le taux de convergence est une spécification de performance importante pour la conception du contrôleur pour un système dynamique. La convergence rapide est toujours recherchée pour améliorer les performances et la robustesse. La plupart des algorithmes de consensus existants se concentrent sur la convergence asymptotique, où le temps d'établissement est infini. Cependant, de nombreuses applications nécessitent une convergence rapide généralement caractérisée par une stratégie de commande à temps fini. De plus, la commande à temps fini autorise certaines propriétés intéressantes, mais le temps de stabilisation dépend des conditions initiales des agents. L'objectif ici est de concevoir un protocole de consensus leader-follower à temps fixe pour les SMA décrits en temps continu. Ce problème est étudié en utilisant la théorie de la stabilisation à temps fixe, qui garantit que le temps de stabilisation est borné quelles que soient les conditions initiales. Les contrôleurs et les observateurs à modes glissants sont conçus pour que chaque agent résolve le problème du consensus à temps fixe lorsque le leader est dynamique. D'autre part, par rapport aux systèmes à temps continu, le problème du consensus dans un cadre à temps discret convient mieux aux applications pratiques en raison de la limitation des ressources de calcul pour chaque agent. Le modèle de commande prédictive (MPC) permet de gérer les contraintes de commande et d'état des systèmes. Dans cette thèse, cette méthode est appliquée pour traiter le problème du consensus en temps discret en laissant chaque agent résoudre, à chaque étape, un problème de commande optimale contraint impliquant uniquement l'état des agents voisins. Les performances de suivi sont également améliorées dans cette thèse en ajoutant de nouveaux termes à partir du MPC classique. Les contrôleurs proposés sont simulés et implémentés sur un groupe composé de plusieurs robots réels en utilisant ROS (Robotic Operating System). Dans cette thèse, quelques solutions correspondant au problème de la connexion entre plusieurs robots mobiles de manière décentralisée, du réglage des périodes d'échantillonnage et des paramètres de contrôle sont également abordées. / Nowadays, robots have become increasingly important to investigate hazardous and dangerous environments. A group of collaborating robots can often deal with tasks that are difficult, or even impossible, to be accomplished by a single robot. Multiple robots working in a cooperative manner is called as a Multi-Agent System (MAS). The interaction between agents to achieve a global task is a key in cooperative control. Cooperative control of MASs poses significant theoretical and practical challenges. One of the fundamental topics in cooperative control is the consensus where the objective is to design control protocols between agents to achieve a state agreement. This thesis improves the navigation scheme for MASs, while taking into account some practical constraints (robot model and temporal constraints) in the design of cooperative controllers for each agent, in a fully decentralized way. In this thesis, two directions are investigated. On one hand, the convergence rate is an important performance specification to design the controller for a dynamical system. As an important performance measure for the coordination control of MASs, fast convergence is always pursued to achieve better performance and robustness. Most of the existing consensus algorithms focus on asymptotic convergence, where the settling time is infinite. However, many applications require a high speed convergence generally characterized by a finite-time control strategy. Moreover, finite-time control allows some advantageous properties but the settling time depend on the initial states of agents. The objective here is to design a fixed-time leader-follower consensus protocol for MASs described in continuous-time. This problem is studied using the powerful theory of fixed-time stabilization, which guarantee that the settling time is upper bounded regardless to the initial conditions. Sliding mode controllers and sliding mode observers are designed for each agent to solve the fixed-time consensus tracking problem when the leader is dynamic. On the other hand, compared with continuous-time systems, consensus problem in a discrete-time framework is more suitable for practical applications due to the limitation of computational resources for each agent. Model Predictive Control (MPC) has the ability to handle control and state constraints for discrete-time systems. In this thesis, this method is applied to deal with the consensus problem in discrete-time by letting each agent to solve, at each step, a constrained optimal control problem involving only the state of neighboring agents. The tracking performances are also improved in this thesis by adding new terms in the classical MPC technique. The proposed controllers will be simulated and implemented on a team of multiple Mini-Lab Enova Robots using ROS (Robotic Operating System) which is an operating system for mobile robots. ROS provides not only standard operating system services but also high-level functionalities. In this thesis, some solutions corresponding to problem of connection between multiple mobile robots in a decentralized way for a wireless robotic network, of tuning of the sampling periods and control parameters are also discussed.

Over the past decades, attention has been brought to the importance of indoor air quality and the serious threat of bio-aerosol contamination towards human health. A novel idea to transport hazardous particles away from sensitive areas is to automatically control bio-aerosol concentrations, by utilising airflows from ventilation systems. Regarding this, computational fluid dynamics (CFD) may be employed to investigate the dynamical behaviour of airborne particles, and data-driven methods may be used to estimate and control the complex flow simulations. This thesis presents a methodology for machine-learning based control of particle concentrations in turbulent gas-solid flow. The aim is to reduce concentration levels at a 90 degree corner, through systematic manipulation of underlying two-phase flow dynamics, where an energy constrained inlet airflow rate is used as control variable. A CFD experiment of turbulent gas-solid flow in a two-dimensional corner geometry is simulated using the SST k-omega turbulence model for the gas phase, and drag force based discrete random walk for the solid phase. Validation of the two-phase methodology is performed against a backwards facing step experiment, with a 12.2% error correspondence in maximum negative particle velocity downstream the step. Based on simulation data from the CFD experiment, a linear auto-regressive with exogenous inputs (ARX) model and a non-linear ARX based neural network (NN) is used to identify the temporal relationship between inlet flow rate and corner particle concentration. The results suggest that NN is the preferred approach for output predictions of the two-phase system, with roughly four times higher simulation accuracy compared to ARX. The identified NN model is used in a model predictive control (MPC) framework with linearisation in each time step. It is found that the output concentration can be minimised together with the input energy consumption, by means of tracking specified target trajectories. Control signals from NN-MPC also show good performance in controlling the full CFD model, with improved particle removal capabilities, compared to randomly generated signals. In terms of maximal reduction of particle concentration, the NN-MPC scheme is however outperformed by a manually constructed sine signal. In conclusion, CFD based NN-MPC is a feasible methodology for efficient reduction of particle concentrations in a corner area; particularly, a novel application for removal of indoor bio-aerosols is presented. More generally, the results show that NN-MPC may be a promising approach to turbulent multi-phase flow control.

In underwater tracking and surveillance, the active towed array sonar presents a way of discovering and tracking adversarial submerged targets that try to stay hidden. The configuration consist of listening and emitting hydrophones towed behind a ship. Moreover, it has inherent limitations, and the characteristics of sound in the ocean are complex. By varying the pulse form emitted and the trajectory of the ship the measurement accuracy may be improved. This type of optimization constitutes a sensor management problem. In this thesis, a model of the tracking scenario has been constructed derived from Cramér-Rao bound analyses. A model predictive control approach together with information measures have been used to optimize a filter's estimated state of the target. For the simulations, the MATLAB environment has been used. Different combinations of decision horizons, information measures and variations of the Kalman filter have been studied. It has been found that the accuracy of the Extended Kalman filter is too low to give consistent results given the studied information measures. However, the Unscented Kalman filter is sufficient for this purpose.

Die Dissertation liefert einen Beitrag zur Modellierung und optimalen Ansteuerung von vernetzten hybriden Energiesystemen. Die Arbeit beschreibt die Entwicklung einer modellprädiktiven Regelung (MPC) für konkrete Energiesysteme. Dafür wird eine Betrachtung zu berücksichtigender wirtschaftlicher und technischer Rahmenbedingungen vorgenommen, die zur Formulierung notwendiger Nebenbedingungen für die MPC genutzt wird. Für den Umgang mit dem ansteigenden Rechenbedarf der MPC bei steigender Systemzahl wird ein alternativer Ansatz auf Basis eines auktionsbasierten Algorithmus vorgestellt. Die Modellierung der Energiesysteme wird ausgehend von einer bestehenden Laboranlage vorgenommen. Die Erprobung der vorgestellten Ansätze erfolgt in einer Simulationsumgebung, die die Untersuchung verschiedener Szenarien erlaubt. Im Rahmen der Simulationsszenarien mit unterschiedlicher Systemzahl und Zusammensetzung der Energie-systeme wird eine Sensibilitätsanalyse der vorgestellten MPC vorgenommen. Die Interpretation der Ergebnisse erfolgt auf Basis numerischer und empirischer Bewertungskriterien.

Continuous casting is a dominant production technology of steelmaking which is currently used for more that 95% of the world steel production. Mathematical modelling and optimal control of casting machine are crucial tasks in continuous steel casting which directly influence productivity and quality of produced steel, competitiveness of steelworks, safety of casting machine operation and its impact on the environment. This thesis concerns with the development and implementation of the numerical model of temperature field for continuously cast steel billets and its use for optimal control of the casting machine. The numerical model was developed and implemented in MATLAB. Due to computational demands the model was parallelized by means of the computation on graphics processing units NVIDIA with the computational architecture CUDA. Validation and verification of the model were performed with the use of operational data from Trinecke zelezarny steelworks. The model was then utilized as a part of the developed model-based predictive control system for the optimal control of dynamic situations in the casting machine operation. The behaviour of the developed control system was examined by means of dynamic model situations that have confirmed the ability of the implemented system to optimally control dynamic operations of the continuous casting machine. Both the numerical model of the temperature field and the model-based predictive control system have been implemented so that they can be modified for any casting machine and this allows for their prospective commercial applications.

No description available.

No description available.