Model Predictive Control Solutions aimed at Energy Saving and Environmental Impact Minimization

The need to increase the efficiency and profitability of industrial plants and the need to comply with strict rules on environmental impact, alongside the need to meet specific production standards, calls for increased level of automation. The present research activity has regarded the development and implementation of solutions for the identification and modelling of dynamic systems. These systems will be used to design, implement and test different control policies aimed at energy saving. Initially filtering techniques and selection of data used for the identification of linear models have been evaluated. The innovation is the use of Fuzzy C- Means clustering algorithm to select the initial data with which to perform the identification process. This choice has led to improved estimates, validating the goodness of the proposed procedure. Successively the work has focused with Predictive Multivariable Control, which application centered on petrochemical and cement field. In the latter an MPC control system architecture based on the cooperation between the basic MPC optimizer and an higher layer optimizer is discussed. This ensure the existence of a feasible solution not relaxing all the constraints of the problem. In parallel to the industrial sector, MPC techniques have been applied to the issue of Home & Build Automation. In particular, this application deals with the issue of the thermal-luminance control in a domotic environment. Given the non-linearity of the considered system, different working points have been identified using the clustering technique. For each cluster a linear model has been identified and an MPC controller has been developed. A switching control approach is thus adopted. Moreover a change was made to the MPC cost function, with the addition of a term in order to increase robustness in the presence of model mismatch.

L’esigenza di aumentare l’efficienza e la redditività degli impianti industriali e l’esigenza di rispettare rigorose norme sull’impatto ambientale, accanto alla necessità di un adeguamento a precise norme di produzione, richiedono un livello crescente di automazione. L’attività di ricerca svolta ha riguardato lo sviluppo e l’implementazione di soluzioni per l’identificazione e la modellazione di sistemi dinamici. Questi sistemi sono stati poi utilizzati al fine di progettare, implementare e testare varie politiche di controllo finalizzate al risparmio energetico. Inizialmente sono state valutate delle tecniche di filtraggio e selezione dei dati usati per l’identificazione di modelli lineari. L’innovazione è stata nell’utilizzare un algoritmo di clusterizzazione Fuzzy C-Means per selezionare i dati iniziali con cui effettuare il processo di identificazione. Questa scelta ha portato ad un miglioramento della stima validando la bontà della procedura utilizzata. In seguito ci si è focalizzati sul controllo multivariabile per la regolazione con particolare riferimento ad applicazioni in ambito petrolchimico e cementifero. In quest’ultimo è stata discussa la cooperazione tra l’ottimizzatore dinamico e un altro di più alto livello volto a garantire l’esistenza di una soluzione ammissibile evitando di rilassare tutti i vincoli del problema. In parallelo al settore industriale, le tecniche di MPC sono state applicate alla tematica della Home & Build Automation. In particolare si è affrontato il tema del controllo termo-illumonitecnico all’interno di un ambiente domotico. Data la non linearità del sistema preso in considerazione, sono stati individuati differenti punti di lavoro utilizzando la tecnica della clusterizzazione. Per ogni cluster è stato identificato un modello lineare e realizzato un controllore MPC. È stato così implementato un controllore switching. Inoltre è stata apportata una modifica al funzionale di costo del MPC, con l’aggiunta di un termine atto ad aumentare la robustezza in presenza di model mismatch.