Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Aula 13
05 Novembro 2019
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 1 / 54
Aula passada
Tratamento de problemas de (nao) factibilidade.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 2 / 54
Topicos da aula de hoje
Robustez com respeito a incertezas no ganho da planta: Uso denorma 1, programacao linear e otimizacao min-max.
Uso de norma 2: Desigualdades matriciais lineares.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 3 / 54
Formulacao empregando norma 1
A discussao sera restrita ao caso SISO. Contudo, a extensao ao casoMIMO nao traz dificuldades conceituais.
Por simplicidade de notacao, o problema de otimizacao sera formulado emtermos de u.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 4 / 54
Formulacao do problema
Problema de otimizacao a ser resolvido no instante k:
miny∈RN , u∈RM
J =N∑i=1
|y(k + i |k)− yref |+ ρ
M∑i=1
|u(k + i − 1|k)|
s.a.y = Hu + fu
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 5 / 54
Proposicao 1
Se (θ∗, ξ∗) e solucao de
P1 : minθ∈Θ, ξ≥0
ξ s.a − ξ ≤ f (θ) ≤ ξ
entao θ∗ e solucao deP′1 : min
θ∈Θ|f (θ)|
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 6 / 54
Exemplo
f
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 7 / 54
Prova
Hipotese: (θ∗, ξ∗) e solucao de P1.
Tese: θ∗ e solucao de P′1.
Inicialmente, vale observar que ξ∗ = |f (θ∗)|. Com efeito, as restricoes deP1 impoem que ξ∗ ≥ |f (θ∗)|. Por outro lado, se ξ∗ > |f (θ∗)|, seriapossıvel tomar ξ < ξ∗ tal que ξ ≥ |f (θ∗)|, o que viola a hipotese de que(θ∗, ξ∗) e solucao de P1.
Por absurdo, suponha agora que θ∗ nao seja solucao de P′1, isto e, assumaque ∃θ′ ∈ Θ, θ′ 6= θ∗, tal que |f (θ′)| < |f (θ∗)|. Seja entao ξ′ = |f (θ′)|.Pode-se ver que o par (θ′, ξ′) satisfaz as restricoes de P1, isto e,−ξ′ ≤ |f (θ′)| ≤ ξ′ e ξ′ ≥ 0. Alem disso, ξ′ < |f (θ∗)| = ξ∗. Conclui-seentao que (θ∗, ξ∗) nao pode ser solucao de P1, o que viola a hipoteseinicial.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 8 / 54
Proposicao 2
Se (θ∗, ξ∗1 , ξ∗2) e solucao de
P2 : minθ∈Θ, ξ1, ξ2≥0
ξ1 + ξ2
s.a.
−ξ1 ≤ f1(θ) ≤ ξ1
−ξ2 ≤ f2(θ) ≤ ξ2
entao θ∗ e solucao de
P′2 : minθ∈Θ|f1(θ)|+ |f2(θ)|
Prova: Similar a da Proposicao 1.
Pode-se estender este resultado para um problema Pn envolvendo funcoesf1(θ), f2(θ), . . . , fn(θ).
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 9 / 54
f1
f2
|f1 |f2
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 10 / 54
Retornando ao problema inicial
A solucao do problema
miny∈RN , u∈RM
J =N∑i=1
|y(k + i |k)− yref |+ ρ
M∑i=1
|u(k + i − 1|k)|
s.a. y = Hu + fu
pode ser obtida resolvendo o seguinte PPL:
miny∈RN , u∈RM , ξ∈RN , β∈RM
N∑i=1
ξ(k + i |k) + ρ
M∑i=1
β(k + i − 1|k)
s.a.−ξ ≤ y − r ≤ ξ
−β ≤ u ≤ β
y = Hu + fu
ξ, β ≥ 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 11 / 54
Alternativamente:
−ξ ≤ Hu + fu − r ≤ ξ
−β ≤ u ≤ β
ξ, β ≥ 0
Com isso, o problema pode ser reescrito como
minu∈RM , ξ∈RN , β∈RM
[0TM 1TN ρ1TM
] u
ξ
β
s.a.
Hu− ξ ≤ r − fu
−Hu− ξ ≤ fu − r
u− β ≤ 0M
−u− β ≤ 0M
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 12 / 54
Por fim, pode-se colocar o problema na forma
minz∈R2M+N
cT z s.a. S ′zz ≤ b′z
sendo
z =
u
ξ
β
S ′z =
H −IN 0N×M−H −IN 0N×MIM 0M×N −IM−IM 0M×N −IM
, b′z =
r − fu
fu − r0M0M
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 13 / 54
Introduzindo restricoes de operacao
Restricoes de operacao (taxa de variacao do controle, excursao docontrole, excursao da saıda) expressas na forma S u ≤ b, comS ∈ Rr×M , b ∈ Rr podem ser agregadas ao problema impondo-se[
S ′zS 0r×(N+M)
]z ≤
[b′zb
]
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 14 / 54
Robustez a incertezas no ganho da planta
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 15 / 54
Formulacao do problema
Suponha que a dinamica da planta seja descrita por
x(k + 1) = Ax(k) + εBu(k)
y(k) = Cx(k)
em que x(k) ∈ Rn, u(k) ∈ R, y(k) ∈ R e ε ∈ [εmin,εmax ].
Neste caso, a equacao de predicao para a saıda da planta pode ser escritana forma
y = εHu + fu
O problema de otimizacao a ser resolvido a cada instante de tempo serada forma min-max.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 16 / 54
Exemplo de problema de otimizacao min-max
minθ∈[−2,2]
maxd∈[−1,1]
J(θ,d) = θ + 3d
d
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 17 / 54
Seja J ′(θ) = maxd∈[−1,1]
θ + 3d
d
´
J ′(θ′) =?
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 18 / 54
Seja J ′(θ) = maxd∈[−1,1]
θ + 3d
d
´
J ´( ´) = 3 + ´
J ′(θ′) = 3 + θ′
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 19 / 54
Seja J ′(θ) = maxd∈[−1,1]
θ + 3d
d
´
J ´( ´) = 3 + ´
Problema a ser resolvido: minθ∈[−2,2]
J ′(θ)
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 20 / 54
Seja J ′(θ) = maxd∈[−1,1]
θ + 3d
d
, d*)
Solucao: θ∗ = −2, com d∗ = 1.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 21 / 54
Formulacao do problema
Problema a ser resolvido no instante k:
miny∈RN , u∈RM
maxε∈[εmin,εmax ]
J =N∑i=1
|y(k + i |k)− yref |+ ρ
M∑i=1
|u(k + i − 1|k)|
s.a.y = εHu + fu
1Nymin ≤ y ≤ 1Nymax , ∀ε ∈ [εmin,εmax ]
1Mumin ≤ u ≤ 1Mumax
Ideia: Minimizar um limitante superior para o custo J.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 22 / 54
Minimizacao de um limitante superior para o custo
miny∈RN , u∈RM , γ∈R, ξ∈RN , β∈RM
γ
s.a.
y = εHu + fu
1Nymin ≤ y ≤ 1Nymax , ∀ε ∈ [εmin,εmax ]
1Mumin ≤ u ≤ 1Mumax
−ξ ≤ y − r ≤ ξ, ∀ε ∈ [εmin,εmax ]
−β ≤ u ≤ β
γ ≥ 1TN ξ + ρ1TM β
γ, ξ, β ≥ 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 23 / 54
Ou ainda:
minu∈RM , γ∈R, ξ∈RN , β∈RM
γ
s.a.
1Nymin ≤ εHu + fu ≤ 1Nymax , ∀ε ∈ [εmin,εmax ]
1Mumin ≤ u ≤ 1Mumax
−ξ ≤ εHu + fu − r ≤ ξ, ∀ε ∈ [εmin,εmax ]
−β ≤ u ≤ β
γ ≥ 1TN ξ + ρ1TM β
γ, ξ, β ≥ 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 24 / 54
Restricoes envolvendo o parametro incerto
Dificuldade: Como tratar a infinidade de restricoes envolvendoε ∈ [εmin,εmax ] ?
1Nymin ≤ εHu + fu ≤ 1Nymax
−ξ ≤ εHu + fu − r ≤ ξ, ∀ε ∈ [εmin,εmax ]
∀ε ∈ [εmin,εmax ]
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 25 / 54
As restricoes envolvendo ε sao da forma
aT1 zε+ aT2 z ≤ m (1)
em que z =
[u
ξ
].
Se, para um dado z , a desigualdade (1) for valida para ε = εmin eε = εmax , pode-se mostrar que o mesmo vale para todo ε ∈ [εmin,εmax ].
Com efeito, para z fixado, a funcao f (ε) = aT1 zε+ aT2 z e afim em ε eportanto assume o valor maximo em εmax (se aT1 z > 0) ou εmin (seaT1 z < 0).
No caso particular aT1 z = 0, a restricao considerada nao depende de ε.
Desse modo, basta impor as restricoes em ε = εmin e ε = εmax (valoresextremos da incerteza).
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 26 / 54
Exemplo
Seja uma planta com dinamica descrita por
x(k + 1) = 0,9x(k) + 0,5εu(k)
y(k) = x(k)
em que0 < εmin ≤ ε ≤ εmax
Tomando N = M = 1 e ρ = 0, o problema de otimizacao pode serformulado como
miny(k+1|k),u(k|k)∈R
maxε∈[εmin,εmax ]
|y(k + 1|k)− yref |
s.a.y(k + 1|k) = 0,9y(k) + 0,5εu(k|k)
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 27 / 54
Exemplo
Alternativamente:
minu(k|k)∈R
maxε∈[εmin,εmax ]
|0,9y(k) + 0,5εu(k|k)− yref |
Minimizando um limitante superior para o custo:
minu(k|k),γ∈R
γ
s.a.−γ ≤ 0,9y(k) + 0,5εu(k|k)− yref ≤ γ, ∀ε ∈ [εmin,εmax ]
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 28 / 54
Exemplo
ou ainda:min
u(k|k),γ∈Rγ
s.a.γ − 0,5εu(k|k) ≥ −e(k + 1)γ + 0,5εu(k|k) ≥ +e(k + 1)
}∀ε ∈ [εmin,εmax ]
em que e(k + 1) = yref − 0,9y(k)
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 29 / 54
û(k|k)
e0,5 minû = e
0,5 maxû = e
(i)
γ − 0,5εu(k|k) ≥ −e(k + 1), ∀ε ∈ [εmin,εmax ] (i)
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 30 / 54
û(k|k)
e
+ 0,5 maxû = e
+ 0,5 minû = e
(ii)
γ + 0,5εu(k|k) ≥ +e(k + 1), ∀ε ∈ [εmin,εmax ] (ii)
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 31 / 54
û(k|k)
+ 0,5 maxû = e
0,5 minû = e
+ 0,5 minû = e
0,5 maxû = e
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 32 / 54
*
û* û(k|k)
+ 0,5 minû = e
0,5 maxû = e
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 33 / 54
Solucao
γ∗ + 0,5εminu∗(k|k) = e(k + 1) (1)
γ∗ − 0,5εmax u∗(k|k) = −e(k + 1) (2)
Subtraindo (2) de (1), obtem-se
0,5(εmin + εmax)u∗(k|k) = 2e(k + 1)
isto e,
u∗(k|k) =2e(k + 1)
ε
em que ε = 0,5(εmin + εmax) corresponde ao valor medio de ε no intervaloconsiderado.
Se ε = 1, o controle otimo sera dado u∗(k|k) = 2e(k + 1). Nesse caso, asolucao e igual a obtida na ausencia de incerteza sobre o ganho.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 34 / 54
Solucao
O valor otimo do custo pode ser obtido somando (1) e (2):
2γ∗ + 0,5(εmin − εmax)u∗(k|k) = 0
isto e,
γ∗ =εmax − εmin
4
2e(k + 1)
ε=
e(k + 1)
2
δε
ε
em que δε = εmax − εmin.
O custo sera tanto maior quanto maior for a incerteza relativaδε
εsobre o
valor do ganho.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 35 / 54
Introducao de restricao sobre a saıda
Suponha agora que seja introduzida uma restricao operacional da forma
y(k + 1|k) ≤ ymax
Neste caso, deve-se ter
0,9y(k) + 0,5εu(k|k) ≤ ymax , ∀ε ∈ [εmin,εmax ]
ou seja,
u(k|k) ≤ 2
ε[ymax − 0,9y(k)], ∀ε ∈ [εmin,εmax ]
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 36 / 54
u(k|k) ≤ 2
ε[ymax − 0,9y(k)], ∀ε ∈ [εmin,εmax ]
Portanto, sabendo que εmin > 0, basta impor
u(k|k) ≤
2
εmax[ymax − 0,9y(k)], se ymax − 0,9y(k) ≥ 0
2
εmin[ymax − 0,9y(k)], se ymax − 0,9y(k) ≤ 0
→ A incerteza sobre o ganho pode obrigar o uso de um controle“cauteloso” para evitar a violacao da restricao de saıda.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 37 / 54
Uso de Desigualdades Matriciais Lineares
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 38 / 54
Motivacao
Como visto anteriormente, e possıvel obter garantias de factibilidaderecursiva e convergencia do estado para a origem empregando umhorizonte de predicao infinito.
De modo a limitar o numero de variaveis de decisao, pode-se empregar umhorizonte de controle finito, com restricoes terminais e custo terminalassociado ao estado.
Alternativamente, pode-se utilizar um horizonte de controle infinito,adotando-se uma parametrizacao da forma u(k + i |k) = Fk x(k + i |k),sendo Fk ∈ Rp×n uma matriz de ganho a ser determinada a cada instantek. Nesse caso, as variaveis de decisao passam a ser os elementos de Fk .
Na formulacao a ser apresentada (na proxima aula), a matriz Fk seraobtida como solucao de um problema de otimizacao envolvendoDesigualdades Matriciais Lineares.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 39 / 54
O que sao Desigualdades Matriciais Lineares ?(Linear Matrix Inequalities, LMI)
Referencias:
MACIEJOWSKI (2002), p. 235.
BOYD, S.; EL GHAOUI, L.; FERON, E.; BALAKRISHNAN, V. LinearMatrix Inequalities in System and Control Theory. Philadelphia:SIAM, 1994.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 40 / 54
Definicao
Uma LMI e uma desigualdade matricial da forma
F (v) = F0 +l∑
i=1
viFi > 0
sendo F0,F1, . . . ,Fl matrizes simetricas.
F (v) e uma funcao afim das variaveis escalares v1,v2, . . . ,vl .
Desigualdades da forma F (v) < 0 e F (v) < G (v) sao casos particulares daexpressao acima. Com efeito, tais desigualdades podem ser reescritascomo −F (v) > 0 e G (v)− F (v) > 0.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 41 / 54
LMIs em outras formas
Em muitos casos, LMIs podem nao estar expressas diretamente nessaforma.
Considere, por exemplo, a desigualdade de Lyapunov:
ATP + PA < 0
com A =
[−2 01 −3
]e P =
[v1 v2
v2 v3
].
Neste caso, as variaveis sao v1,v2,v3 e a LMI pode ser escrita como[−2 10 −3
] [v1 v2
v2 v3
]+
[v1 v2
v2 v3
] [−2 01 −3
]< 0
[−2v1 + v2 −2v2 + v3
−3v2 −3v3
]+
[−2v1 + v2 −3v2
−2v2 + v3 −3v3
]< 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 42 / 54
[−2v1 + v2 −2v2 + v3
−3v2 −3v3
]+
[−2v1 + v2 −3v2
−2v2 + v3 −3v3
]< 0
[−4v1 + 2v2 −5v2 + v3
−5v2 + v3 −6v3
]< 0
v1
[−4 00 0
]+ v2
[2 −5−5 0
]+ v3
[0 11 −6
]< 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 43 / 54
Sistemas de LMIs
Um sistema de LMIs da forma
F1(v) > 0
F2(v) > 0...
Fm(v) > 0
e equivalente a uma unica LMI escrita comoF1(v) 0 · · · 0
0 F2(v) · · · 0...
.... . .
...0 0 · · · Fm(v)
> 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 44 / 54
LMIs nao estritas
LMIs da forma F (v) ≥ 0 sao ditas nao estritas.
Nesse caso, a LMI e dita factıvel se ∃v tal que F (v) ≥ 0 e estritamentefactıvel se ∃v tal que F (v) > 0.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 45 / 54
Convexidade
O conjunto V = {v ∈ Rn|F (v) > 0} e convexo.
Com efeito, sejam x ,y ∈ V e z = λx + (1− λ)y com λ ∈ [0,1]. Tem-seentao que
F (z) = F [λx + (1− λ)y ] = F0 +l∑
i=1
[λxi + (1− λ)yi ]Fi
= F0 + λ
l∑i=1
xiFi + (1− λ)l∑
i=1
yiFi
= F0 + λ[F (x)− F0] + (1− λ)[F (y)− F0] = λF (x)︸︷︷︸>0
+(1− λ)F (y)︸︷︷︸>0
Portanto, F (z) > 0, comprovando que z ∈ V.
Da mesma forma, pode-se mostrar que V = {v ∈ Rn|F (v) ≥ 0} e convexo.EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 46 / 54
Programacao Semidefinida
Problemas de otimizacao do tipo
minv
cT v s.a. F (v) ≥ 0,
sendo F (v) ≥ 0 uma LMI, sao problemas convexos.
Problemas desse tipo (custo linear e restricoes LMI) sao conhecidos comoProblemas de Programacao Semidefinida.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 47 / 54
Complemento de Schur
Se Q(v) = QT (v),R(v) = RT (v) e Q(v),R(v),S(v) sao afins em v ,entao a LMI [
Q(v) S(v)ST (v) R(v)
]> 0
e equivalente a
R(v) > 0
Q(v)− S(v)R−1(v)ST (v) > 0
ou entao
Q(v) > 0
R(v)− ST (v)Q−1(v)S(v) > 0
Essa equivalencia permite expressar desigualdades quadraticas convexascomo LMIs.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 48 / 54
O complemento de Schur pode tambem ser generalizado para LMIs naoestritas (Boyd et al., 1994):
A LMI [Q(v) S(v)ST (v) R(v)
]≥ 0
e equivalente a
R(v) ≥ 0
Q(v)− S(v)R†(v)ST (v) ≥ 0
S(I − RR†) = 0
sendo R† a pseudo-inversa de R.
Caso seja ainda imposta a condicao R(v) > 0, tem-se simplesmenteQ(v)− S(v)R−1(v)ST (v) ≥ 0.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 49 / 54
Complemento de Schur: Exemplo (Maciejowski, p. 235)
Seja o seguinte PPQ:
minx
(xTQx + qT x + r) s.a Ax ≥ b
sendo Q = QT ≥ 0.
Este problema e equivalente a
minγ,x
γ
s.a.γ − xTQx − qT x − r ≥ 0
Ax ≥ b
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 50 / 54
γ − xTQx − qT x − r ≥ 0
Empregando o complemento de Schur, esta restricao pode ser reescritacomo [
1 Q1/2x
xTQ1/2 γ − r − qT x
]≥ 0
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 51 / 54
Ax ≥ b
Estas restricoes podem ser reescritas como(Ax − b)1 0 · · · 0
0 (Ax − b)2 · · · 0...
.... . .
...0 0 · · · (Ax − b)m
≥ 0
em que (Ax − b)i denota o i-esimo elemento de Ax − b.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 52 / 54
Resumo da aula de hoje
Robustez com respeito a incertezas no ganho da planta: Uso denorma 1, programacao linear e otimizacao min-max.
Uso de norma 2: Desigualdades matriciais lineares.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 53 / 54
Topicos da proxima aula
Robustez com respeito a incertezas politopicas no modelo da planta.
Controle preditivo robusto empregando Desigualdades MatriciaisLineares.
EE-254 (Controle Preditivo) Aula 13 05 Novembro 2019 54 / 54