Development of optimization and data-driven model predictive control methods using computational intelligence techniques: Design and applications with emphasis on the economic operation of engineering systems
Ανάπτυξη μεθόδων βελτιστοποίησης και βασισμένου-σε-δεδομένα προβλεπτικού αυτομάτου ελέγχου με χρήση τεχνικών υπολογιστικής νοημοσύνης: Σχεδιασμός και εφαρμογές με έμφαση στην οικονομική λειτουργία συστημάτων μηχανικής
![Thumbnail](/xmlui/bitstream/handle/11400/5510/Manuscript_9_signed_final.pdf.jpg?sequence=6&isAllowed=y)
Διδακτορική διατριβή
Συγγραφέας
Παπαδημητράκης, Μύρων
Ημερομηνία
2023-10-12Επιβλέπων
Alexandridis, AlexΛέξεις-κλειδιά
Data-driven control ; Economic model predictive control ; Radial basis function ; Computational intelligence ; Metaheuristic search ; Particle swarm optimization ; Smart grids ; Active suspension ; Vessel propulsion control ; Vessel trajectory tracking ; Έλεγχος βάσεων δεδομένων ; Οικονομικός έλεγχος με προβλεπτικά μοντέλα ; Δίκτυα ακτινικής συνάρτησης βάσης ; Υπολογιστική νοημοσύνη ; Μεταευρετική βελτιστοποίηση ; Βελτιστοποίηση σμήνους σωματιδίων ; Έξυπνα δίκτυα ; Ενεργή ανάρτηση ; Έλεγχος πρόωσης πλοίων ; Έλεγχος πλοήγησης πλοίωνΠερίληψη
This thesis addresses the creation of data-driven model predictive control (MPC) schemes and optimization methods utilizing computational intelligence (CI) & machine learning (ML) tools. Both theoretical and practical aspects of CI-based MPC as well as metaheuristic optimization are taken into account, and the economic merits of the proposed algorithms are showcased over the optimization & predictive control of a diverse range of engineering applications. First, regarding metaheuristic optimization, a significant objective of this thesis is to address high-dimensional, non-convex problems with reasonable solution accuracy. For this reason, a cooperative particle swarm algorithm is devised, capable of using cooperative particle sets on grouped design variables. The grouping occurs by applying a community-detection algorithm over the sensitivity matrix of the system at hand, thus identifying design variables that are structurally or topologically interrelated. The proposed method is tested on an IEEE benchmark system, and, together with a machine-learning ensemble load prediction model that is also developed in this thesis, an effective proposition for efficient & economic smart grid dispatch is made. Second, a data-driven tracking nonlinear model predictive controller is devised based on radial basis function neural networks. Standard MPC performance heavily relies on the quality of the prediction model; if it is inaccurate, then the control actions yielded by the solution of the optimal control problem will be suboptimal for the real plant. This means that a linearized model of a high-dimensional system with significant nonlinearities will be unfit for usage within MPC, while its respective ODE-integrated form will be too computationally expensive. Such a first-principles ODE model may be extremely hard to yield for some cases, mandating a data-driven approach. Therefore, this thesis proposes complementing an MPC prediction model with radial basis function networks whenever necessary, using recorded plant data. The ability of the proposed MPC scheme in handling the two aforementioned modelling drawbacks is showcased for the case of a high-dimensional active suspension plant, as well as for the data-driven vessel trajectory inference for collision avoidance using MPC. As a natural continuation of the work on tracking MPC, the third contribution of this thesis is the creation of a data-driven economic MPC scheme for the efficient & economic control of a vessel propulsion system. This specific choice of case study is highly motivated, since it is an item of significant economic importance for the maritime sector of the Greek economy. Initially, a stabilizing EMPC control law is constructed for the vessel propulsion problem and compared to standard tracking MPC, confirming a significant difference in fuel-efficiency. Serving as proof of concept, these results inspire the development of a data-driven EMPC for vessel propulsion based on reinforcement learning. This learning scheme is able to handle structural modelling discrepancies between plant and model, therefore achieving higher closed loop performance and tangible economic benefit. Lastly, in order to leverage both the collision avoidance tracking MPC and the economic vessel propulsion EMPC results, a control law for the data-driven navigation & economic propulsion control of vessels is proposed and its theoretical foundation for further development is laid. Also, it is the author’s opinion that the work presented in this thesis is extendable to other engineering domains and practical applications.
Περίληψη
Η παρούσα διατριβή ασχολείται με τη δημιουργία συστημάτων ελέγχου με προβλεπτικά μοντέλα (Model predictive control - MPC) βάσει δεδομένων και μεθόδων βελτιστοποίησης με χρήση εργαλείων υπολογιστικής νοημοσύνης (computational intelligence - CI) και μηχανικής μάθησης (machine learning - ML). Λαμβάνονται υπόψη τόσο οι θεωρητικές όσο και οι πρακτικές πτυχές του MPC με βάση την υπολογιστική νοημοσύνη καθώς και της μεταευρετικής βελτιστοποίησης, και παρουσιάζονται τα οικονομικά πλεονεκτήματα των προτεινόμενων αλγορίθμων σε σχέση με τη βελτιστοποίηση & τον προβλεπτικό έλεγχο ενός ποικίλου φάσματος εφαρμογών μηχανικής. Πρώτον, όσον αφορά τη μεταευρετική βελτιστοποίηση, ένας σημαντικός στόχος της παρούσας διατριβής είναι η αντιμετώπιση προβλημάτων υψηλής διαστατικότητας, μη κυρτών προβλημάτων με αποδεκτή ακρίβεια επίλυσης. Για το λόγο αυτό, επινοείται ένας συνεργατικός αλγόριθμος σμήνους σωματιδίων, ικανός να χρησιμοποιεί συνεργατικά σμήνη σωματιδίων σε ομαδοποιημένες μεταβλητές σχεδιασμού. Η ομαδοποίηση πραγματοποιείται με την εφαρμογή ενός αλγορίθμου εντοπισμού κοινότητας στον πίνακα ευαισθησίας του εξεταζόμενου συστήματος, εντοπίζοντας έτσι μεταβλητές σχεδιασμού που είναι δομικά ή τοπολογικά αλληλένδετες. Η προτεινόμενη μέθοδος προσομοιώνεται σε ένα δοκιμαστικό σύστημα της IEEE και, σε συνδυασμό με ένα μοντέλο πρόβλεψης φορτίου με μηχανική μάθηση που αναπτύσσεται επίσης στην παρούσα διατριβή, συνθέτει μια αποτελεσματική πρόταση για αποδοτικό & οικονομικό έλεγχο έξυπνων δικτύων. Δεύτερον, σχεδιάζεται ένας μη γραμμικός ελεγκτής MPC με χρήση δεδομένων που βασίζεται σε νευρωνικά δίκτυα συναρτήσεων ακτινικής βάσης για παρακολούθηση τροχιάς. Η τυπική απόδοση του MPC εξαρτάται σε μεγάλο βαθμό από την ποιότητα του μοντέλου πρόβλεψης- αν αυτό είναι ανακριβές, τότε οι κινήσεις ελέγχου που προκύπτουν από τη λύση του προβλήματος βέλτιστου ελέγχου θα είναι μη βέλτιστες για το πραγματικό σύστημα. Αυτό σημαίνει ότι ένα γραμμικοποιημένο μοντέλο ενός συστήματος υψηλής διαστατικότητας με σημαντικές μη γραμμικότητες θα είναι ακατάλληλο για χρήση στο πλαίσιο του MPC, ενώ η αντίστοιχη ολοκληρωμένη μορφή των διαφορικών εξισώσεων του κρίνεται υπολογιστικά δαπανηρή. Μάλιστα, σε ορισμένες περιπτώσεις, ένα τέτοιο φυσικό μοντέλο διαφορικών εξισώσεων μπορεί να είναι εξαιρετικά δύσκολο να δημιουργηθεί για ορισμένες περιπτώσεις, επιβάλλοντας μια προσέγγιση βάσει δεδομένων. Ως εκ τούτου, η παρούσα διατριβή προτείνει τη χρήση ενός μοντέλου πρόβλεψης MPC με δίκτυα συναρτήσεων ακτινικής βάσης όπου είναι απαραίτητο, χρησιμοποιώντας καταγεγραμμένα δεδομένα του συστήματος. Η ικανότητα του προτεινόμενου σχήματος MPC στο χειρισμό των δύο προαναφερθέντων ζητημάτων μοντελοποίησης παρουσιάζεται για την περίπτωση ενός συστήματος ενεργής ανάρτησης με υψηλή διαστατικότητα, καθώς και για τη δημιουργία μοντέλων κινούμενων εμποδίων βάσει δεδομένων για τον έλεγχο πλοήγησης πλοίων για την αποφυγή σύγκρουσης με χρήση MPC. Ως φυσική συνέχεια της εργασίας σχετικά με το MPC παρακολούθησης τροχιάς, η τρίτη συνεισφορά αυτής της διατριβής είναι η δημιουργία ενός σχήματος οικονομικού MPC βάσει δεδομένων για τον αποτελεσματικό και οικονομικό έλεγχο ενός συστήματος πρόωσης πλοίου. Η συγκεκριμένη επιλογή της μελέτης περίπτωσης είναι ιδιαίτερα αιτιολογημένη, καθώς πρόκειται για ένα αντικείμενο υψηλής οικονομικής σημασίας για τον ναυτιλιακό τομέα της ελληνικής οικονομίας. Αρχικά, κατασκευάζεται ένας σταθεροποιητικός νόμος ελέγχου EMPC για το πρόβλημα της οικονομικής πρόωσης πλοίου και συγκρίνεται με το κλασσικό MPC τύπου παρακολούθησης τροχιάς, επιβεβαιώνοντας μια σημαντική διαφορά στην αποδοτικότητα καυσίμου. Χρησιμεύοντας ως αποδεικτικό σκαλοπάτι, τα αποτελέσματα αυτά εμπνέουν την ανάπτυξη ενός EMPC ελεγκτή βασισμένου σε δεδομένα για την πρόωση πλοίων που βασίζεται στην ενισχυτική μάθηση. Ο αλγόριθμος μάθησης που αναπτύσσεται & εφαρμόζεται είναι σε θέση να χειριστεί τις δομικές αποκλίσεις μοντελοποίησης μεταξύ πραγματικού συστήματος και μοντέλου, επιτυγχάνοντας έτσι υψηλότερες επιδόσεις κλειστού βρόχου και, τελικά, απτά οικονομικά οφέλη. Τέλος, προκειμένου να αξιοποιηθούν τόσο τα αποτελέσματα του MPC για την παρακολούθηση τροχιάς & της αποφυγής σύγκρουσης όσο και τα αποτελέσματα του EMPC για την οικονομική πρόωση των πλοίων, προτείνεται ένας νόμος ελέγχου για τον έλεγχο πλοήγησης και οικονομικής πρόωσης των πλοίων βάσει δεδομένων και τίθενται τα θεωρητικά θεμέλια για περαιτέρω έρευνα & ανάπτυξη. Τέλος, η γνώμη του συγγραφέα είναι ότι οι εργασίες που παρουσιάζονται στην παρούσα διατριβή μπορούν να επεκταθούν και σε άλλους τομείς της μηχανικής & πρακτικές εφαρμογές.