Advanced Predictive Control
Modern control tasks are often so complex that classical control schemes (such as PID) quickly reach their limits. In particular, the consideration of multiple interacting control inputs and outputs as well as constraints on these values (such as limited valve openings or temperature intervals to be meet) constitute major challenges. Predictive control provides an elegant and effective solution to such problems. It translates the control task into an optimal control problem (OCP), which directly takes into account the constraints as well as the system dynamics via models or input-output data. The OCP is recurringly solved based on the current system state in a receiding horizon fashion. The solution is straightforward for simple (i.e., almost linear) and deterministic system dynamics. However, for nonlienar dymanics, uncertain parameters, external disturbances, economic performance indices, or reliable models, the solution quickly becomes cumbersome and complex both from a methododical as well as numerical point of view.
Organizational Info (Winter term 2024/25)
| Lectures | Excercises | |
|---|---|---|
| Start | 09.10.2024 | 15.10.2024 |
| Time | Wednesdays, 10:15 to 11:45 | Tuesdays, 14:15 to 15:45 |
| Room | MB E21/E22 | MB E21/E22 |
| Lecturers / Tutors | Moritz Schulze Darup | Manuel Klädtke |
| Moodle | Link to the course | |
| Language | English or German depending on audience | |
Content (according to module descprition)
Die Vorlesung bietet fundierte Einblicke in fortgeschrittene prädiktive Regelungskonzepte. Um dafür eine geeignete Basis zu schaffen, erfolgt zunächst eine kurze Wiederholung der modellprädiktiven Regelung (engl. Model Predictive Control, MPC) für lineare Systeme (wie sie beispielsweise in der Vorlesung „Grundlagen der modellprädiktiven Regelung“ behandelt wird). Ausgehend von dieser Basis der sogenannten linearen MPC werden Erweiterungen vorgestellt, die eine datenbasierte Implementierung (ohne Modell) erlauben (Data-driven Predictive Control, DPC) oder die robust gegenüber Störungen sind (Robust MPC). Anschließend werden nichtlineare Modelle (Nonlinear MPC) und nicht-konvexe Gütekriterien (Economic MPC) betrachtet. Schließlich werden dezentrale Realisierungen für kooperative prädiktive Regelungen von Multi-Agenten Systemen diskutiert (Distributed MPC). Bei allen Erweiterungen konzentriert sich die Vorlesung schrittweise auf (1) die Spezifikation der Problemstellung, (2) methodische Lösungsansätze, (3) eine Implementierung der Verfahren (in der Regel mit MATLAB) und (4) exemplarische Anwendungen.
Literature
J. B. Rawlings, D. Q. Mayne, and M. M. Diehl. Model Predictive Control: Theory, Computation, and Design. Nob Hill Publishing, 2nd Edition, 2017.
B. Kouvaritakis and M. Cannon. Model Predictive Control: Classical, Robust and Stochastic. Springer, 2016.
Lars Grüne and Jürgen Pannek. Nonlinear Model Predictive Control: Theory and Algorithms. Springer, 2nd Edition, 2017.