مقاله انگلیسی رایگان در مورد روش های کنترل پیش‌بینانه مدل برای سیستم های دوره ای با استفاده از برنامه ریزی تصادفی – الزویر ۲۰۱۹

elsevier

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۷۸۴ در سال ۲۰۱۹
شاخص H_index ۲۳۹ در سال ۲۰۲۰
شاخص SJR ۳٫۷۷۸ در سال ۲۰۱۹
شناسه ISSN ۰۰۰۵-۱۰۹۸
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط برق
گرایش های مرتبط مهندسی کنترل
نوع ارائه مقاله
ژورنال
مجله  Automatica
دانشگاه Department of Chemical and Biological Engineering, University of Wisconsin—Madison 1415 Engineering Dr, Madison, WI 53706, United States
کلمات کلیدی كنترل پيش بينانه مدل، چند مقیاسی، سلسله مراتبي، صفحه های برشي
کلمات کلیدی انگلیسی Model predictive control، Multiscale، Hierarchical، Cutting planes
شناسه دیجیتال – doi
https://doi.org/10.1016/j.automatica.2019.05.054
کد محصول E13317
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Basic definitions and setting

۳- Hierarchical MPC schemes

۴- Computational experiments

۵- Conclusions and future work

References

بخشی از متن 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).

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *