Limón Marruedo, DanielMontes Lozano, Enrique2025-07-282025-07-282025Montes Lozano, E. (2025). Control predictivo basado en datos. Aplicación al sistema térmico TCLab. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/175701La ciencia de los datos ha experimentado grandes avances en las últimas décadas, lo que ha permitido el surgimiento de nuevas técnicas de identificación de sistemas que pueden ser aplicadas para el control de sistemas dinámicos. La implementación de estas técnicas ha dado lugar a un nuevo enfoque de control predictivo, cuyo modelo de predicción se obtiene a partir de los datos de entrada y salida del sistema, sin necesitar un modelo matemático explícito del mismo. Con este enfoque, se ha estudiado el control predictivo basado en datos, junto a la comparación con el control predictivo clásico basado en modelos, con el objetivo de sopesar las ventajas e inconvenientes que cada uno trae consigo. Para ello, se han propuesto diferentes técnicas de estimación mediante metodologías de aprendizaje automático, técnicas que han sido luego empleadas para identificar el sistema térmico TCLab, haciendo uso de las ecuaciones NARX (Nonlinear AutoRegresive eXogenous) de la descripción en espacio de estados. Seguidamente, se ha presentado el lema de Willems para identificar sistemas lineales e invariantes en el tiempo, sobre el cual se ha hecho un análisis de su sensibilidad ante el ruido. Junto a ello, se propuso además un pseudo-controlador predictivo a un paso basado en el lema. Por último, se han comparado los resultados obtenidos entre tres controladores predictivos: uno basado en modelo (MPC, Model Predictive Control), otro basado en modelo de Machine Learning (DBPC, Data-Based Predictive Control), y, finalmente, un controlador predictivo basado en los datos de las trayectorias del sistema, haciendo uso del lema de Willems (DDPC, Data-Driven Predictive Control, en concreto, DeePC, Data-enabled Predictive Control). Las comparaciones han sido hechas sobre un modelo simulado del TCLab primero, y sobre el sistema TCLab real después, analizando la bondad de los controladores con diferentes índices.Data science has experienced great advances in recent decades, which has allowed the emergence of new system identification techniques that can be applied to the control of dynamic systems. The implementation of these techniques has led to a new approach to predictive control, whose prediction model is obtained from the input and output data of the system, without requiring an explicit mathematical model of it. With this approach, data-based predictive control has been studied, along with a comparison with classical model-based predictive control, with the aim of weighing the advantages and disadvantages that each one brings. To this end, different estimation techniques have been proposed using machine learning methodologies, which have then been used to identify the thermal system TCLab, using the NARX (Nonlinear AutoRegresive eXogenous) equations of the state space description. Next, Willems’lemma has been presented to identify linear time-invariant systems, on which an analysis of its sensitivity to noise has been made. In addition, a pseudo-one-step predictive controller based on the lemma was also proposed. Finally, the results obtained between three predictive controllers have been compared: one based on a model (MPC, Model Predictive Control), another based on a machine learning model (DBPC, Data-Based Predictive Control), and finally, a predictive controller based on the data of the system trajectories, using Willems’lemma (DDPC, Data-Driven Predictive Control, specifically, DeePC, Data-enabled Predictive Control). The comparisons have been made on a simulated model of TCLab first, and then on the real TCLab system, analyzing the goodness of the controllers with different indices.application/pdf95 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess