روش کنترل پیش‌بینانه مدل برای سیستم های دوره ای
ترجمه نشده

روش کنترل پیش‌بینانه مدل برای سیستم های دوره ای

عنوان فارسی مقاله: روش های سلسله مراتبی کنترل پیش‌بینانه مدل برای سیستم های دوره ای با استفاده از برنامه ریزی تصادفی
عنوان انگلیسی مقاله: Hierarchical MPC schemes for periodic systems using stochastic programming
مجله/کنفرانس: Automatica
رشته های تحصیلی مرتبط: برق
گرایش های تحصیلی مرتبط: مهندسی کنترل
کلمات کلیدی فارسی: كنترل پيش بينانه مدل، چند مقیاسی، سلسله مراتبي، صفحه های برشي
کلمات کلیدی انگلیسی: Model predictive control، Multiscale، Hierarchical، Cutting planes
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.automatica.2019.05.054
دانشگاه: Department of Chemical and Biological Engineering, University of Wisconsin—Madison 1415 Engineering Dr, Madison, WI 53706, United States
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 7/784 در سال 2019
شاخص H_index: 239 در سال 2020
شاخص SJR: 3/778 در سال 2019
شناسه ISSN: 0005-1098
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 11
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13317
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Basic definitions and setting


3- Hierarchical MPC schemes


4- Computational experiments


5- Conclusions and future work


References

نمونه متن انگلیسی مقاله

Abstract


We show that stochastic programming provides a framework to design hierarchical model predictive control (MPC) schemes for periodic systems. This is based on the observation that, if the state policy of an infinite-horizon problem is periodic, the problem can be cast as a stochastic program (SP). This reveals that it is possible to update periodic state targets by solving a retroactive optimization problem that progressively accumulates historical data. Moreover, we show that the retroactive problem is a statistical approximation of the SP and thus delivers optimal targets in the long run. Notably, the computation of the optimal targets can be achieved without data forecasts. The SP setting also reveals that the retroactive problem can be seen as a high-level hierarchical layer that provides targets to guide a low-level MPC controller that operates over a short period at high time resolution. We derive a retroactive scheme tailored to linear systems by using cutting plane techniques and suggest strategies to handle nonlinear systems and to analyze stability properties.


Introduction


A well-known challenge arising in model predictive control (MPC) is the computational complexity associated with the length of the planning horizon and with the time resolution of the state and control policies (Rawlings & Mayne, 2009). These issues are often encountered in energy system applications that exhibit phenomena and disturbances emanating at multiple timescales. For instance, in energy systems, long horizons are often required to respond to low-frequency (e.g., seasonal) supply/demand variations and peak electricity costs (e.g., demand charges) while fine time resolutions are needed to modulate high-frequency variations (e.g., from wind/solar supply) and to participate in realtime markets (Braun, 1990; Dowling, Kumar, & Zavala, 2017). Computational complexity issues are often handled using receding horizon (RH) approximations, which are practical but do not provide optimality guarantees (Risbeck, Maravelias, Rawlings, & Turney, 2017).

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

روش کنترل پیش‌بینانه مدل برای سیستم های دوره ای
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها