Commande prédictive non-linéaire. Application à la production d'énergie.

Nonlinear predictive control. Application to power generation

• Auteur / Autrice : Manon Fouquet
• Direction : Hervé Guéguen, Didier Dumur
• Type : Thèse de doctorat
• Discipline(s) : Automatique (STIC)
• Date : Soutenance le 30/03/2016
• Etablissement(s) : CentraleSupélec
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes) - Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Partenaire(s) de recherche : Établissement opérateur d'inscription : CentraleSupélec (2015-....)
• Jury : Président / Présidente : Gérard Bloch
• Jury : Examinateurs / Examinatrices : Damien Faille, Alina Voda
• Jury : Rapporteurs / Rapporteuses : Eric Bideaux, Nicolas Langlois

Mots clés

Mots clés contrôlés

Systèmes non linéaires

Commande prédictive

Collocation, Méthodes de (mathématiques)

Systèmes dynamiques hybrides

Modelica (langage de programmation)

Mots clés libres

Modèles physiques

Modelica

Optimisation dynamique hybride

Méthode de collocation

Sum Up Rounding

Commande prédictive non linéaire

Physical models

Modelica

Hybrid dynamic optimization

Collocation method

Sum Up Rounding

Nonlinear Model Predictive Control

Résumé

Cette thèse porte sur l'optimisation et la commande prédictive des centrales de production d'énergie en utilisant des modèles physiques des installations. Les modèles sont réalisés à l'aide du langage Modelica, un langage équationnel adapté à la modélisation de systèmes multi-physiques. La modélisation de systèmes physiques dans ce langage est présentée dans une première partie, ainsi que les traitements symboliques réalisés par les compilateurs Modelica pour mettre les modèles sous une forme adaptée à l'optimisation. On présente dans une seconde partie le développement d'une méthode d'optimisation dynamique hybride pour les centrales de production d'énergie, qui fournit une trajectoire optimisée de l'installation sur un horizon long. Les trajectoires calculées incluent les trajectoires des commandes continues ainsi que les décisions d'engagement des différents équipements. L'algorithme d'optimisation combine la méthode de collocation et une méthode nommée Sum Up Rounding (SUR) pour la prise en compte des décisions d'engagement. Un algorithme de commande prédictive (MPC) est enfin introduit afin de garantir le suivi des trajectoires optimales et de prendre en compte en temps réel la présence de perturbations et les erreurs du modèle d'optimisation. L'algorithme MPC utilise des modèles linéarisés tangents générés automatiquement à partir du modèle non linéaire.

This thesis deals with hybrid optimal control and Model Predictive Control (MPC) of power plants by use of physical models. Models of the facilities are developped with Modelica, an equation based language tailored for modelling multi-physics systems. Modeling of physical systems with Modelica is introduced in a first part, as well as some of the symbolic processing done by Modelica compilers that transform the original model to a form suited for optimization. Then, a method to solve optimal control problems on hybrid systems (such as power plants) is presented. This methods provides an optimal trajectory for the power plant on a long horizon. The optimal trajectory computed by the method includes the trajectories of continuous inputs as well as switching decisions for components in the plant. The optimization algorithm combines the collocation method and a method named Sum Up Rounding (SUR) for dealing with switches. Finally, a Model Predictive Controller is developped in order to follow this optimal trajectory in real time, and to cope with disturbances on the actual system and modelling errors. The proposed MPC uses tangent linear models of the plant that are derived automatically from the nonlinear model.