Structure exploitation for Scenario-Tree NMPC and MHE

点击翻译按钮获取中文摘要

Nichtlineare Modellprädiktive Regelung (NMPC) dynamischer Prozesse in Echtzeit gewinnt in vielen Bereichen der Ingenieurwissenschaften mehr und mehr an Bedeutung. Dabei wird das volle Ausschöpfen des Potenzials von NMPC durch das in der Praxis unvermeidliche Auftreten von Unsicherheiten behindert, im Besonderen durch den sogenannten model-plant mismatch (Diskrepanz zwischen Modell und Prozess). Die Gruppe von Engell schlägt innerhalb dieses Paketantrags eine neuartige Methode basierend auf Szenariobäumen vor, welche die bereits etablierten Robusten NMPC-Ansätze in einer weniger konservativen Form ergänzt, indem weniger Wert auf das manchmal zu pessimistische Worst-Case Szenario gelegt wird. Die dabei auftretenden Optimierungsprobleme zeichnen sich durch spezielle Dünnbesetztheitsmuster aus, die sich aus der Baumstruktur des Problems ableiten. Wir wollen sie im Weiteren als tree-sparse Probleme bezeichnen. Wir werden effiziente Methoden entwickeln, implementieren, testen und parallelisieren, die diese Dünnbesetztheit ausnutzen. Weiterhin werden wir untersuchen, wie sich tree-sparse Probleme auf eine andere Weise auf Grundlage kontinuierlicher Wahrscheinlichkeitsverteilungen ergeben. Dieser Ansatz erlaubt die Anpassung des Modells an den laufenden Prozess, um damit die Leistung des NMPC Reglers zu verbessern. Für die effiziente Lösung der dabei auftretenden numerischen Probleme müssen sowohl viele bereits verfügbare Echtzeitkomponenten, wie zum Beispiel Schätzer auf Bewegten Horizonten (MHE) und online Versuchsplanung, als auch Echtzeitalgorithmen wie Echtzeititeration (RTI) und Mehrphaseniteration (MLI) auf die Ausnutzung von tree-sparse Mustern der Szenariobaum-NMPC erweitert werden.