Académique Documents
Professionnel Documents
Culture Documents
4/20
Motivation
Tous les systèmes réels sont soumis à des perturbations et/ou des incertitudes!
▶ Ces perturbations/incertitudes agissent le plus souvent négativement sur la
stabilité et les performances des systèmes commandés.
⇒ Il est nécessaire de les prendre en compte lors de la synthèse de la loi de
commande.
Plusieurs catégories de méthodes:
1. Commande robuste : synthétiser une loi de commande qui “résiste” aux aléas
2. Commande adaptative : ajuster la loi de commande en fonction des variations
du système
3. Commande prédictive : prédire le comportement futur du système et optimiser
le signal de commande en fonction
4/20
Commande Adaptative et Prédictive
Commande prédictive
Commande prédictive
Concept de base
Car
6/20
Commande prédictive
Concept de base
6/20
Commande prédictive
Concept de base
Model
Output
Command input
6/20
Commande prédictive
Concept de base
Model
Output
Command input Objective
Prediction Best choice
Constraints
6/20
Commande prédictive
Vue d’ensemble min J(·)
u
PNp ref
s.t. J = i=1 we (yk+i − yk+i )2
MPC = Model Predictive Control
xk+i =f (xk+i−1 , uk+i , dk+i )
∀i = 1 · · · Np ,
yk+i =g(xk+i , uk+i , dk+i )
∀i = 1 · · · Np , dk+i = h(·)
∀i = 1 · · · Np , dk+i = h(·)
Paramètres de design :
▶ Période d’échantillonage ▶ Pondérations et fonction objective
▶ Horizon de prédiction ▶ Modèle de prédiction
▶ Horizon de contrôle ▶ Résolution
7/20 ▶ Contraintes → performances vs complexité numérique
Commande prédictive
Design d’une commande prédictive
▶ Sample time Ts Tr Tr
20 ≤ Ts ≤ 10
• Ts trop grand ⇒ réponse lente
• Ts trop petit ⇒ complexité numérique
8/20
Commande prédictive
Design d’une commande prédictive
▶ Sample time Ts Tr Tr
20 ≤ Ts ≤ 10
▶ Prediction horizon Np Np Ts ≈ Tsettling
Past Future
Predicted output
Setpoint
Free variables
Future control actions
Constant
min J + ρε
u,ε
Recommandations
s.t. ymin − εVmax ≤ y ≤ ymax + εVmax
• Contraintes sur les sorties soft
• Eviter d’avoir des contraintes hard sur u Np Np −1
X X
et ∆u en même temps J= ref
ωe (yk+i −yk+i )2 + ω∆u (uk+i+1 −uk+i )2
i=1 i=0
9/20
Commande prédictive
Design d’une commande prédictive
Fonction coût et pondérations
J = αJ1 + βJ2
10/20
Commande prédictive
Design d’une commande prédictive
Modèle de prédiction
11/20
Commande prédictive
Design d’une commande prédictive
Modèle de prédiction
▶ Lorsque l’état est utilisé dans la fonction coût, un estimateur peut être nécessaire
x̂k+1 =Ax̂k + Buk + L(yk − ŷk )
ŷk =C x̂k + Duk
11/20
Commande prédictive
Design d’une commande prédictive
Résolution
Cas idéal : LTI MPC ▶ Problème d’optimisation convexe
▶ Système linéaire
→ Unique minimiseur global de la fonction coût
▶ Contraintes linéaire
→ problème bien compris, avec de nombreuses
▶ Fonction coût quadratique méthodes numériques/solveurs efficaces
Système L NL ≈ L fortement NL L
Contraintes L L L ou NL NL
Fonction L L L ou NL NL
coût
MPC linéaire MPC adaptatif ou MPC non-linéaire
gain-scheduled
12/20
Commande prédictive
Design d’une commande prédictive
MPC
Optimizer Switch
13/20
Commande prédictive
Design d’une commande prédictive
14/20
Commande prédictive
Design d’une commande prédictive
Faisabilité
▶ Faisabilité à tout instant : en partant des conditions initiales du système, il
existe une trajectoire du système qui satisfait les contraintes
→ Ensemble de faisabilité χN : ensemble des conditions initiales telles que le
problème soit faisable à un horizon N
xk+1 = xk + uk + wk
∥xk ∥2 ≤ xmax
∥uk ∥2 ≤ umax
∥wk ∥2 ≤ wmax
V (x) = 0 ⇐⇒ x = 0
V (x) > 0 ⇐⇒ x ̸= 0 ∀ε, ∃d(ε) : ∥x0 ∥ ≤ d() ⇒ ∥xk ∥ ≤ ∀k
dV Stabilité asymptotique et exponentielle
≤ 0 ∀ x ̸= 0
dt
16/20
(inégalité stricte pour stabilité asymtotique)
Commande prédictive
Design d’une commande prédictive
Stabilité et faisabilité
▶ Problème : On ne résout que sur un horizon à court-terme
▶ Impossible de résoudre pour Np = ∞ (passage à l’échelle)
▶ Mais il est possible de synthétiser la commande MPC à horizon fini pour
s’approcher du cas Np = ∞
Outils à disposition :
▶ Contrainte finale : xk+Np = 0 ou xk+Np ∈ Ξp
▶ Coût final dans la fonction coût : J + xTk+N Qp xk+Np
p
18/20
Commande prédictive
Résumé
Implémentation d’une commande prédictive
Pour un système xk+1 = f (xk , uk , wk )
▶ Définir les paramètres de la commande : Ts , Np , Nc
▶ Définition du modèle de prédiction
• Modèle du système (simplifié si nécessaire/possible) : x̂k+1 = fp (xk , uk , wk )
• Perturbations : ŵ ∽ P
• Attention : Vous devez modéliser à l’horizon de prédiction!
▶ Définir la fonction coût J(x̂, u)
▶ Définir le problème d’optimisation
MPC = min(J,contraintes,options)
• Contraintes à définir
• options = dépend du solver utilisé
19/20
Commande prédictive
Résumé
Implémentation d’une commande prédictive
Pour un système xk+1 = f (xk , uk , wk )
▶ Initialisation : x0
Pour k = 1 . . . N
▶ Trouver le signal de commande
uk = argmin(MPC)
xk+1 = f (xk , uk , wk )
Des questions?