Gestión de escenarios ponderados en entornos estocásticos usando control predictivo basado en modelo
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12266Palabras clave:
Control predictivo, Sistemas estocásticos, Escenarios ponderados, Control probabilístico y robusto, Contol óptimoResumen
Este artículo presenta una formulación detallada del control predictivo basado en modelo con escenarios ponderados (WS-MPC, por sus siglas en inglés) orientada a sistemas lineales con incertidumbres. El enfoque propuesto combina técnicas de optimización robusta y generación de múltiples escenarios dinámicos del sistema, asignando una ponderación diferenciada al escenario de peor caso dentro del problema de control. Esta estrategia permite una mayor resiliencia ante perturbaciones estocásticas y modelado incierto, mejorando la capacidad del controlador para anticiparse a comportamientos no esperados. El WS-MPC adapta dinámicamente las acciones de control en función de la evolución de todos los escenarios considerados, manteniendo la factibilidad y estabilidad del sistema ante condiciones desfavorables. Los resultados de simulación demuestran que el enfoque propuesto incrementa la robustez operativa del sistema y proporciona una respuesta más segura y confiable frente a variaciones inesperadas. En particular, este controlador se ha implementado en un caso de estudio académico centrado en la gestión del inventario de una tienda.
Referencias
Arcari, E., Iannelli, A., Carron, A., Zeilinger, M. N., 2023. Stochastic MPC with robustness to bounded parameteric uncertainty. IEEE Transactions on Automatic Control 68 (12), 7601–7615. DOI: 10.1109/TAC.2023.3294868
Bemporad, A., Borrelli, F., Morari, M., Sept 2003. Min-max control of constrained uncertain discrete-time linear systems. IEEE Transactions on Automatic Control 48 (9), 1600–1606. DOI: 10.1109/TAC.2003.816984
Ben-Tal, A., Ghaoui, L., Nemirovski, A., 2009. Robust Optimization. Princeton University Press. DOI: 10.1515/9781400831050
Bertsimas, D., Brown, D. B., Caramanis, C., 2011. Theory and applications of robust optimization. SIAM review 53 (3), 464–501. DOI: 10.48550/arXiv.1010.5445
Birge, J. R., Louveaux, F., 2011. Introduction to stochastic programming. Springer Science & Business Media. DOI: 10.1007/978-1-4614-0237-4
Calafiore, G. C., Fagiano, L., 2012. Robust model predictive control via scenario optimization. IEEE Transactions on Automatic Control 58 (1), 219– 224. DOI: 10.1109/TAC.2012.2203054
Hernández-Rivera, Andrés et al. / Jornadas de Automática, 46 (2025) Camacho, E. F., Berenguel, M., Rubio, F. R., Mart´ınez, D., 2012. Control of solar energy systems. Springer, London, England. DOI: 10.1007/978-0-85729-916-1
Camacho, E. F., Bordons, C., Maestre, J. M., 2025. Model Predictive Control. Third Edition. Springer-Verlag, London, England.
Coppens, P., Patrinos, P., 2021. Data-driven distributionally robust MPC for constrained stochastic systems. IEEE Control Systems Letters 6, 1274–1279. DOI: 10.1109/LCSYS.2021.3091628
Giulioni, L., 2015. Stochastic model predictive control with application to distributed control systems. Ph.D. thesis, Politecnico di Milano.
Grosso, J., Ocampo-Martinez, C., Puig, V., Joseph, B., 2014. Chanceconstrained model predictive control for drinking water networks. Journal of Process Control 24 (5), 504–516. DOI: 10.1016/j.jprocont.2014.01.010
Maciejowski, J., 2002. Predictive control with constraints. Prentice Hall, Essex, England.
Mark, C., Liu, S., 2020. Stochastic MPC with distributionally robust chance constraints. IFAC-PapersOnLine 53 (2), 7136–7141. DOI: 10.1016/j.ifacol.2020.12.521
Schildbach, G., Fagiano, L., Frei, C., Morari, M., 2014. The scenario approach for stochastic model predictive control with bounds on closed-loop constraint violations. Automatica 50 (12), 3009–3018. DOI: 10.1016/j.automatica.2014.10.035
Shapiro, A., Dentcheva, D., Ruszczynski, A., 2021. Lectures on stochastic programming: modeling and theory. SIAM. DOI: 10.1137/1.9781611976595
Tian, X., Negenborn, R. R., van Overloop, P.-J., Maestre, J. M., Sadowska, A., van de Giesen, N., 2017. Efficient multi-scenario model predictive control for water resources management with ensemble streamflow forecasts. Advances in water resources 109, 58–68. DOI: 10.1016/j.advwatres.2017.08.015
van Ackooij, W., Henrion, R., P´erez-Aros, P., 2020. Generalized gradients for probabilistic/robust (probust) constraints. Optimization 69 (7-8), 1451–1479. DOI: 10.1080/02331934.2019.1576670
van Overloop, P.-J., Weijs, S., Dijkstra, S., 2008. Multiple model predictive control on a drainage canal system. Control Engineering Practice 16 (5), 531–540. DOI: 10.1016/j.conengprac.2007.06.002
Velarde, P., Valverde, L., Maestre, J., Ocampo-Martinez, C., Bordons, C., 2017. On the comparison of stochastic model predictive control strategies applied to a hydrogen-based microgrid. Journal of Power Sources 343, 161–173. DOI: 10.1016/j.jpowsour.2017.01.015
Velarde, P., Zafra-Cabeza, A., Márquez, J. J., Maestre, J. M., Bordons, C., 2023. Stochastic MPC-based reconfiguration approaches for microgrids. IEEE Transactions on Control Systems Technology. DOI: 10.1109/TCST.2023.3342135
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Andrés Hernández-Rivera, Pablo Velarde, Ascensión Zafra-Cabeza, Francisco Javier Muros, José M. Maestre
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
