Safe and optimal operation under uncertainty and plant-model mismatch

Abstract

Designing model-based control systems involves addressing uncertainty and modeling errors to ensure robust control. While this is a fundamental control problem, in recent years, the rapid growth of the field of machine learning has led to a significant rise in the development of probabilistic and robust techniques based on data sampling. The objective of this thesis is twofold. On the one hand, improve the estimation of safe regions by means of sample-based techniques. Safe regions bound the probability of meeting the constraints and keep it above a certain threshold. On the other hand, in this thesis we propose techniques that modify the real-time optimization problem in order to calculate the optimal operation of the plant despite the precision of the available model.

El diseño de sistemas de control basados en modelo requiere la consideración de la incertidumbre y de los errores de modelado para dotar de robustez al controlador. Si bien éste es un problema fundamental del control, en los últimos años, el crecimiento exponencial del campo del aprendizaje automático ha provocado un incremento notable en el desarrollo de técnicas probabilísticas y robustas basadas en el muestreo de datos del sistema. El objetivo de esta tesis es doble. Por un lado, mejorar la estimación de regiones seguras mediante técnicas basadas en la extracción de muestras. Estas regiones seguras permiten acotar la probabilidad de cumplimiento de las restricciones con el fin de mantenerla siempre por encima de cierto umbral. Por otro lado, en la tesis se proponen técnicas basadas en modificadores que ajustan el problema de optimización en tiempo real para calcular el punto de funcionamiento óptimo de la planta, aun cuando el modelo disponible sea impreciso.