Model Predictive Control of a Discrete Displacement Hydraulic Power Take-Off System
Translated title
Model prædektiv regulering af et diskret hydraulisk PTO system
Authors
Høyer, Nikolaj Skaanning ; Asmussen, Magnus Færing
Term
4. term
Education
Publication year
2017
Submitted on
2017-06-01
Pages
88
Abstract
I dette speciale udvikles og afprøves en modelprædiktiv styring (MPC) til et hydraulisk power take-off (PTO) med diskrete trin (diskret forskydning). PTO’en er den del af en bølgekraftmaskine, der omsætter bevægelse til hydraulisk energi. Arbejdet tager udgangspunkt i Wave Star-bølgeenergikonverteren, hvor et PTO med diskrete indstillinger tidligere er foreslået, men uden en optimal styringsstruktur. Vi udvikler en dynamisk model af PTO-systemet og validerer den med målinger på en hydraulisk testbænk (et laboratorieopsæt). Vi formulerer en MPC, der maksimerer den høstede energi og samtidig tager højde for systemtab. Det kræver, at et diskret optimeringsproblem løses i realtid, dvs. at styringen vælger mellem et sæt mulige indstillinger fra øjeblik til øjeblik. Som løser anvendes algoritmen differential evolution, som tilpasses det diskrete problem. Beregningstiden reduceres yderligere med modelsimplifikationer og approksimationer af tab. Den foreslåede styring implementeres på testbænken og sammenlignes med en tidligere udviklet reaktiv styring. Forsøg viser, at den udviklede MPC kan implementeres og køre i realtid, og test på testbænken tyder på, at den kan give højere gennemsnitlig effekt fra havbølgerne end den reaktive styring.
This thesis develops and tests a model predictive control (MPC) for a hydraulic power take-off (PTO) with discrete steps (discrete displacement). The PTO is the part of a wave energy converter that turns motion into hydraulic energy. The work is based on the Wave Star wave energy converter, for which a discrete PTO has been proposed, but no optimal control structure has been established. We build a dynamic model of the PTO system and validate it with measurements on a hydraulic test bench (a laboratory setup). We then formulate an MPC that maximizes harvested energy while accounting for system losses. This requires solving a discrete optimization problem in real time, meaning the controller selects among a set of allowed settings at each instant. We use the optimization algorithm differential evolution, adapted to the discrete problem, and reduce computation time through model simplifications and loss approximations. The proposed controller is implemented on the test bench and compared with a previously developed reactive controller. Tests show the MPC can be implemented and executed in real time, and test-bench results suggest it can outperform the reactive controller in average harvested power from ocean waves.
[This abstract was generated with the help of AI]
Documents