Tecniche di controllo predittivo basate sui dati per azionamenti elettrici

This dissertation includes many research activities in the area of MPC of PMSM drives. Predictive controllers represent indeed a promising architecture in electric drives applications, because of high dynamic performances, intuitive tuning, possibility to include constraints in the control problem solution and flexibility in the definition of the control objectives. Two main problems arise for the real-time implementation of the architecture, namely the high computational burden and the parameter sensitivity. Nowadays, the former issue is nearly considered overcome. Improvements in the computational power of the new generation of microprocessors, new hardware such as FPGAs and advanced computing algorithms are available. The second problem is still open and different approaches are under investigation. This work focuses on those methods based on the exploitation of measured data to enhance the performances of purely model-based designed predictive controllers. The contribution of the thesis is structured in two parts. The first part deals with the model-free predictive control of synchronous motor drives, in the context of finite-set predictive control. As previously mentioned, one of the main drawbacks of model-based control is the need of an accurate knowledge model of the plant. However, parameters variations or mismatches, as well as of model non-linearity and uncertainties always affect the model parameters identification. A model-free approach allows to avoid such issues by using a non-parametric adaptive model. The key advantage of this method is that the control is self-adapting to any synchronous motor and any operating condition, thus easing the matching between motor and inverter. The current variations predictions are estimated by means of past measurements, stored into look-up-tables. As a further step, the existing look-up-table based parameter-free techniques are overcome. In particular, the past current measurements are manipulated by a recursive least square filter. Finally, DSVM technique is coupled to the model-free approach. Compared to previous parameter-free solutions, the latter modulation strategy allows to achieve a significantly lower current harmonic distortion at the same control frequency, while keeping the switching frequency value at bay. The second part of the thesis deals with the development of data-driven control methods for the control of electric drives. A possible transition from model-based towards data-driven optimal current control of synchronous motors is discussed. The discussion starts from a model predictive current control algorithm which uses the parametric model of the motor. Second, the PEM is analyzed, where a state-space model is identified from data to estimate the motor current dynamics. Moving toward data-driven controls, the SPC is proposed, where a reduced model is constructed based on the singular value decomposition of raw data. The final step is represented by a complete data-driven approach, named DeePC, where raw data are directly exploited by the controller. Some of these techniques are applied for the first time to the design of the current controller of synchronous permanent magnet motor drives. Design guidelines are provided to practitioners for the proposed application and a way to address offset-free tracking is discussed. The theory behind data-driven controller is then applied to the disturbance estimation problem, namely the behavioral control theory. A data-driven moving horizon estimator is derived, analyzed and applied to the estimation of load torque disturbances. The design of the cost function behind the estimation problem is deeply discussed. All the control schemes proposed or presented in the thesis are real-time implemented on embedded hardware. Simulations and experimental results are widely used to validate the research activities.

Questo lavoro di tesi include attività di ricerca svolte nell'area del controllo predittivo di azionamenti con motori sincroni a magneti permanenti. I controllori predittivi rappresentano un'architettura promettente, caratterizzata da alte prestazioni dinamiche, facilità di progettazione, dalla facilità nell'inclusione dei vincoli nella soluzione del problema di controllo e dalla flessibilità nella definizione dell'indice di prestazione dell'azionamento. Tali architetture soffrono di due problematiche fondamentali nella implementazione in tempo reale: l'elevato onere computazionale e la sensitività parametrica. Al giorno d'oggi, il primo problema si può considerare superato, grazie al progresso della potenza di calcolo e allo sviluppo di algoritmi sempre più efficienti. La seconda problematica è tutt'ora aperta. Questa tesi si concentra su algoritmi che mirano a sfruttare le misure raccolte dall'azionamento per migliorare le prestazioni del controllore predittivo. Il lavoro di tesi è stato suddiviso in due parti principali. La prima parte si focalizza su una tipologia di controllo predittivo noto come model-free. Il vantaggio chiave di questo metodo è che l'azionamento è in grado di adattarsi a qualsiasi motore sincrono e a qualsiasi condizione di lavoro. Le correnti future di un motore sincrono sono stimate a partire da dati rilevati in precedenza e memorizzati in tabelle di look-up. In un secondo momento, il precedente controllore model-free è stato superato. In particolare, le misure di corrente sono state manipolate attraverso un filtro ricorsivo ai minimi quadrati. Infine, il controllore model-free è stato ulteriormente migliorato implementando la tecnica discrete space vector modulation. Rispetto alle precedenti soluzioni model-free, quest'ultima strategia di modulazione permette di ottenere una distorsione armonica significativamente inferiore nelle correnti a parità di frequenza di controllo, non incrementando eccessivamente il valore della frequenza di commutazione. La seconda parte della tesi riguarda schemi di controllo denominati data-driven, sempre nell'ambito del controllo predittivo di azionamenti elettrici. In particolare, si propone una possibile transizione da un controllo di corrente predittivo progettato unicamente a partire da un modello parametrico, a un controllo basato unicamente basato su dati. Il primo schema considerato è un controllore predittivo di tipo model-based standard. In secondo luogo, viene analizzata l'architettura PEM-MPC, nella quale viene identificato un modello in spazio di stato. Adottando un approccio sempre più data-driven, viene proposto il SPC, caratterizzato dall'identificazione di un modello ridotto costruito tramite la decomposizione ai valori singolari di opportune matrici contenenti direttamente misure di corrente raccolte dal motore. L'ultimo passo è costituito da un approccio completo basato sui dati, denominato DeePC, in cui le misure raccolte vengono direttamente sfruttate dal controllore. Molte di queste tecniche sono state applicate per la prima volta alla progettazione del controllore di corrente di motori sincroni. Il medesimo approccio data-driven è stato successivamente applicato al problema della stima dei disturbi. In particolare, si propone una tecnica di progettazione dello stimatore moving-horizon, analizzato e applicato alla stima dei disturbi della coppia di carico. Tutti gli schemi di controllo proposti e descritti in questo lavoro di tesi sono stati implementati in tempo reale. Motivo per cui, tutte le innovative architetture di controllo proposte sono validate da numerosi test sperimentali.