Controlo e Decisão na Energia
Objetivos
Nesta unidade curricular pretende-se que os alunos fiquem com uma visão global dos métodos e arquiteturas de decisão e controlo utilizadas em sistemas ciber-físicos, em particular na àrea da produção e transporte de energia, compreendendo as potencialidades destes mas também as suas limitações. Em simultâneo, pretende-se que tenham também uma experiência de desenho e implementação de estratégias de controlo que ofereçam soluções para um problema concreto.
Neste sentido, os objetivos de aprendizagem concretos que se esperam nesta disciplina são os seguintes:
OA1. Analisar e modelar sistemas dinâmicos complexos tendo em vista a aplicação das estratégias de controlo abordadas;
OA2. Compreender e desenhar controladores preditivos baseados em modelos;
OA3. Compreender as diferentes arquiteturas de controlo e implicações do uso de redes de comunicação para controlo;
OA4. Desenvolver soluções para problemas concretos de decisão e controlo em sistemas ciber-físicos.
Caracterização geral
Código
2846
Créditos
6.0
Professor responsável
Bruno João Nogueira Guerreiro
Horas
Semanais - 4
Totais - 56
Idioma de ensino
Inglês
Pré-requisitos
Os alunos devem ter frequência das disciplinas Teoria de Controlo e Controlo por Computador.
Bibliografia
Recomendada:
- Slides das aulas teóricas, Bruno Guerreiro e Fernando Coito, 2020.
- Model Predictive Control: Theory, Comp., and Design, J. Rawlings, D. Mayne, M. Diehl, Nob Hill, 2017.
- Predictive Control for Linear and Hybrid Systems, Borrelli, Bemporad, Morari, Cambridge, 2017.
- Model Predictive Control System Design and Implementation Using MATLAB, Liuping Wang, Springer, 2009.
Complementar:
- Exercícios, Bruno Guerreiro e Fernando Coito, 2020.
- Enunciados dos projetos, Bruno Guerreiro, 2020.
- Predictive control: with constraints, Jan Marian Maciejowski, Pearson education, 2002.
- Hybrid Systems: Modeling, Analysis and Control, J. Lygeros, C. Tomlin, and S. Sastry, 2008.
- Multi-Agent Model Predictive Control - with Applications to Power Networks, R.R. Negenborn, TRAIL Thesis Series T2007/14, 2007.
Método de ensino
A disciplina está organizada em aulas teórico-práticas e aulas de laboratório. Nas aulas teórico-práticas são introduzidos os conceitos e aplicados em casos concretos de um ponto de vista analítico. Em complemento, as aulas práticas (ou de laboratório), são direcionadas para o desenvolvimento das técnicas abordadas nas aulas teóricas aplicadas a casos concretos, tendo em vista o seu teste experimental a consequente análise dos resultados.
Está previsto que a unidade possa funcionar em modo de Blended-Learning (B-Learning), onde a introdução dos conteúdos é feita de forma assíncrona com recurso ao Moodle, enquanto as aulas síncronas (presenciais ou online) são usadas para a consolidação de conteúdos, esclarecimento de dúvidas e para a resolução de problemas mais complexos. O uso de técnicas de aprendizagem ativa será também fomentada.
Método de avaliação
A nota final da unidade (F) é calculada da seguinte forma: F = 0,4*HW + 0,1*Q + 0,5*P
- Trabalhos de casa (HW): a avaliação da componente teórico-prática da unidade curricular assentará principalmente na realização de trabalhos de casa individuais, normalmente de duas em duas semanas, e em cada trabalho, um subconjunto de alunos selecionados aleatoriamente terá uma breve revisão oral do seu trabalho;
- Quizzes online (Q): a utilização do modelo de blended-learning implica uma dedicação significativa à aprendizagem com ferramentas online, que são tidas em consideração nesta componente, utilizando short-quizzes no moodle ou outras ferramentas de avaliação online;
- Projetos (P): serão realizados dois trabalhos de projeto para aprofundar a compreensão dos tópicos do curso, aplicados a cenários concretos.
As componentes de avaliação Trabalhos de Casa (HW) e Questionários online (Q) são consideradas a componente teórico-prática, pelo que os alunos terão também o exame final como alternativa. A nota obtida nos Projetos (P) será considerada a nota da avaliação laboratorial.
Conteúdo
1. Introdução e desafios em sistemas ciber-físicos e na área da Energia
2. Representação de sistemas por modelo de estado em tempo discreto
3. Introdução ao projeto de sistemas preditivos de controlo baseados em modelos (MPC)
4. Inclusão de restrições no projeto MPC
5. Controlo preditivo não linear (NMPC)
6. Projeto de MPC descentralizado e distribuído (DMPC)
7. Modelação e controlo de sistemas híbridos