CONTROL DIGITAL

Universidad de Cuenca
Departamento de Ingeniera Elctrica,
Electrnica y Telecomunicaciones
SESIN 13
CONTROL PTIMO

Ismael Minchala Avila

AGENDA

Introduccin
Optimizacin con Restricciones
Control ptimo Cuadrtico
Ejemplo

INTRODUCCIN(1)
Cuando calculamos el vector de ganancias de
retroalimentacin de estados, pueden existir varias
alternativas que proponen dinmicas diferentes para el
sistema de control.
Algunas de esas alternativas son mejores que otras, en
trminos de algn ndice de desempeo.
Esto nos lleva a preguntarnos si existe una mejor
solucin al problema de regulacin, cuando tenemos un
conjunto de restricciones.
El control ptimo pretende responder a esas cuestiones.
3

MULTIPLICADORES DE LAGRANGE(1)
Suponga que se desea optimizar la funcin real
univaluada f(x1,x2,,xn) donde las variables x1,x2,,xn
estn sujetas a las restricciones de igualdad (m < n):

g1 (x1 , x2 , , xn ) = 0
g 2 (x1 , x2 , , xn ) = 0

g m (x1 , x2 , xn ) = 0
Donde las funciones f, g1, g2, , gm son diferenciables. f
debe tener segundas derivadas continuas, mientras que
las gi deben tener primeras derivadas continuas.
4

MULTIPLICADORES DE LAGRANGE(2)
El primer paso consiste en determinar los puntos crticos para ello
se forma la funcin:
m

F (x, ) = f (x ) + j g j (x )
j =1

Los puntos estacionarios se determinan resolviendo =0:

F

m
x1 f + g j
j
x1
x1
j =1

x F m
g j
n

F =
=
+ j
= 0

n j =1
n

g1
1

F
g
m

MULTIPLICADORES DE LAGRANGE(3)
Es decir, los puntos mximos o mnimos se encuentran
dentro del conjunto de puntos crticos que se obtienen de
resolver el sistema formado por las ecuaciones:
m
g j
F f
=
+ j
=0
xi xi j =1 xi

para i = 1,2, , n

Y junto con las m ecuaciones dadas por las restricciones:

g1 (x1 , x2 , , xn ) = 0
g 2 (x1 , x2 , , xn ) = 0

g m (x1 , x2 , , xn ) = 0

MULTIPLICADORES DE LAGRANGE(4)
Este sistema se resuelve para las variables x1,x2,
,xn y 1, 2,,m. As pues el sistema consta de
n + m ecuaciones en n + m incgnitas.
El resultado sobre la necesidad dice: Un mximo
o un mnimo al problema debe satisfacer el
sistema de ecuaciones planteado.

MULTIPLICADORES DE LAGRANGE(5)
Habiendo ubicado los puntos estacionarios viene el
problema de determinar si son mximos o mnimos
locales. Para cada punto estacionario x0 y para los
valores 1, 2,,m correspondientes. Se construye la
matriz:
Matriz
Hessiana!

F11

F21

B1 = H F = g1(1)
(1)
g 2

g m(1)

F12

F1n

g1(1)

g 2(1)

g m(1)

F22

F2 n

g1(2 )

g 2(2 )

g m(2 )

g1(2 )

g1(n )

g 2(2 )

g 2(n )

g m(2 )

g m(n )

MULTIPLICADORES DE LAGRANGE(6)
Sea ahora para i = 2, 3, , n m, Bi la matriz obtenida de
B1 eliminando las primeras i 1 filas y las primeras i 1
columnas, y sea i el determinante de Bi. x0 es un
mnimo local si:
Siendo m par, cuando
Siendo m impar, cuando

x0 es un mnimo local si:

Siendo m par, cuando
Siendo m impar, cuando
9

EJEMPLO MULTIPLICADORES
LAGRANGE(1)
Encuentre los valores ptimos de la funcin

f (x, y ) = x 2 + 12 xy + 2 y 2
Sujeto a

4 x 2 + y 2 = 25

10

EJEMPLO MULTIPLICADORES
LAGRANGE(2)
F ( x, y, ) = x 2 +12xy + 2y 2 + ( 4x 2 + y 2 25)
Fx = 0 = 2x +12y + 8 x
Fy = 0 = 12y + 4y + y
g1 = 0 = 4x 2 + y 2 25
1
2
y = x x
6
3

11

EJEMPLO MULTIPLICADORES
LAGRANGE(3)

12

EJEMPLO MULTIPLICADORES
LAGRANGE(4)

13

EJEMPLO MULTIPLICADORES
LAGRANGE(5)

14

EJEMPLO MULTIPLICADORES
LAGRANGE(6)

15

EJEMPLO MULTIPLICADORES
LAGRANGE(7)

16

EJEMPLO MULTIPLICADORES
LAGRANGE(8)

17

CONTROL PTIMO CUADRTICO(1)

x(k + 1) = Ax(k ) + Bu(k )

x(0 ) = c

Objetivo. Determinar una ley de control para el vector u(k), tal que el ndice
de desempeo cuadrtico se minimice.

1 *
1 N 1 *
J = x (N )Sx(N ) + x (k )Qx(k ) + u* (k )Ru(k )
2
2 k =0

S,Q
R

Matriz Hermtica definida postiva o semidefinida positiva

Matriz Hermtca definida positiva

u(k ) = K (k )x(k )
K

Matriz de r n variante en el tiempo. Si N = , entonces

K(k) es una matriz constante de r n.
18

CONTROL PTIMO CUADRTICO(2)

La caracterstica principal de una ley de control ptimo
basada en un ndice cuadrtico es que es una funcin
lineal del vector de estados x(k).
El problema del control ptimo cuadrtico es un
problema de minimizacin que involucra una funcin de
varias variables.
El problema de minimizacin sujeto a restricciones se
puede resolver al aadir dichas restricciones a la funcin
a minimizar mediante el uso de los multiplicadores de
Lagrange.
19

CONTROL PTIMO CUADRTICO(3)

1 *
1 N 1 *
J = x (N )Sx(N ) + x (k )Qx(k ) + u* (k )Ru(k )
2
2 k =0

x(k + 1) = Ax(k ) + Bu(k )

x(0) = c

Restriccin

Utilizando un conjunto de multiplicadores de Lagrange (1), (2), , (N), es

posible definir un nuevo ndice de desempeo L, como:

*
*
*
1 *
1 N 1 x (k )Qx(k ) + u (k )Ru(k ) + (k + 1)[Ax(k ) + Bu(k ) x(k + 1)]
L = x (N )Sx(N ) +

2
2 k =0 + [Ax(k ) + Bu(k ) x(k + 1)]* (k + 1)

20

CONTROL PTIMO CUADRTICO(4)

L
= Qx(k ) + A * (k + 1) (k ) = 0
x(k )
L
= Ru(k ) + B* (k + 1) = 0
u (k )
L
= Ax(k + 1) + Bu(k 1) x(k )
(k )
(k ) = Qx(k ) + A (k + 1)

L
= Sx(N ) (N ) = 0
x

u(k ) = R 1B* (k + 1)
x(k + 1) = Ax(k ) + Bu(k )

x(k + 1) = Ax(k ) + B R 1B* (k + 1) = Ax(k ) BR 1B* (k + 1)

(k ) = P(k )x(k )
21

CONTROL PTIMO CUADRTICO(5)

P(k )x(k ) = Qx(k ) + A * P(k + 1)x(k + 1)
x(k + 1) = Ax(k ) BR 1B* P(k + 1)x(k + 1)

[I + BR

B* P(k + 1) x(k + 1) = Ax(k )

x(k + 1) = I + BR 1B* P(k + 1) Ax(k )

P(k )x(k ) = Qx(k ) + A * P(k + 1) I + BR 1B* P(k + 1) Ax(k )

{P(k ) Q A P(k + 1)[I + BR

*

B* P(k + 1) A x(k ) = 0

P(k ) = Q + A * P(k + 1) I + BR 1B* P(k + 1) A

Ecuacin de Riccati

22

CONTROL PTIMO CUADRTICO(6)

P(N )x(N ) = (N ) = Sx(N )
1

P (N ) = S

* 1

( ) [P(k ) Q]x(k ) = K (k )x(k )

u(k ) = R B A

x(k +1) = Ax(k ) + Bu(k )

* 1

( ) [P(k ) Q]

R B A

23

CONTROL PTIMO CUADRTICO(7)

Algoritmo de Clculo:
1. Dada una planta (A,B) de orden n y las matrices simtricas Q y
R, formar la matriz Hamiltoniana H:

A + BR 1B T A TQ
H =
A TQ

BR 1B T A T

T
A

2. Calcular los valores caractersticos de H. Poner los valores

caractersticos con magnitud menor a uno en la matriz
diagonal EH, y los correspondientes vectores en una matriz.
Divida la matriz de vectores caractersticos en los primeros n
renglones y los ltimos n renglones, como se muestra:

X I
Y
I

24

CONTROL PTIMO CUADRTICO(8)

3. Reemplace cada par de columnas complejas
conjugadas de XI por la parte real y la parte imaginaria
de una de las columnas.
4. Forme la matriz = . Reemplace cada para
de columnas complejas conjugadas de W por la parte
real y parte imaginaria de una de las columnas.
5. Calcule el vector de ganancias ptimas de
realimentacin de estados:

E* = R 1B T WX I1
25

EJEMPLO REGULADOR PTIMO(1)

26.29 z 1 + 31.58 z 2
HGp( z ) =
1 1.245z 1 + 0.2448 z 2
Y (z )
26.29 z 1 + 31.58 z 2
=
U (z ) 1 1.245z 1 + 0.3448 z 2
x1 (k + 1) 1.2447
x (k + 1) = 0.3448
2

x1 (k )
y (k ) = [1
0]

(
)
x
k
2

1 x1 (k ) 26.29
+
u (k )

0 x2 (k ) 31.58

x1 (k ) velocidad del motor

26

EJEMPLO REGULADOR PTIMO(2)

1
Q =
0

0
1

R = [1]
A + BR 1BT A T Q
BR 1BT A T
H =
T
T
A Q
A

3689.3
2407.9
- 2406.6
- 2892.7
4430.4
2892.4

H=
0
-1.0
0

-3.6
-2.9
2.9

-3688.3
-4430.4

1.0

3.6

27

EJEMPLO REGULADOR PTIMO(3)

Calculando los valores y vectores propios de H,
tenemos:
Valores propios con
magnitud menor a la unidad

1 = 2020.2
2 = 7.1
3 = 0.1413
4 = 0.0005

- 0.6403 0.7750 0.4340 - 0.3867

- 0.7681 0.6236 - 0.5400 0.5920

P =
0.0004 - 0.0789 0.5540 - 0.3871

0.0005 0.0650 - 0.4617 0.5918

28

EJEMPLO REGULADOR PTIMO(4)

0.4340
0.5400
T =
0.5540

0.4617

0.3867
X I

0.5920
=
0.3871
YI
0.5918

0.4340
X I =
0.5400
0.5540
YI =
0.4617

0.3867
0.5920
0.3871
0.5918
29

EJEMPLO REGULADOR PTIMO(5)

0 0.1413
0

0.0005
4 0
0.0002
0.0783
W = YI E H =

0
.
0652
0
.
0003

3
E H =
0

E = R 1BT WXI1

E = [0.0187

0.0193]
30

EJEMPLO REGULADOR PTIMO(6)

31

EJEMPLO REGULADOR PTIMO(7)

1
Q =
0

0
1000

R = [100]

32

EJEMPLO REGULADOR PTIMO(8)

10
Q =
0

10
10 10

R = 10 1010

33