Pessoa Fisica

UNIVERSIDADE FEDERAL DE SANTA CATARINA
CURSO DE PS-GRADUAO EM ENGENHARIA DE AUTOMAO E

SISTEMAS

CONTROLE PREDITIVO COM OTIMIZAO
DISTRIBUDA APLICADO A COLUNAS DE
DESTILACO

Dissertao submetida a
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obteno do grau de Mestre em Engenharia
de Automao e Sistemas.

Helton Fernando Scherer

Florianpolis, Julho de 2009
HELTON FERNANDO SCHERER
CONTROLE PREDITIVO COM OTIMIZAC

AO
DISTRIBU
IDA APLICADO A COLUNAS DE

DESTILAC

AO
FLORIAN
OPOLIS
2009
UNIVERSIDADE FEDERAL DE SANTA
CATARINA
PROGRAMA DE P
OS-GRADUAC

AO EM
ENGENHARIA DE AUTOMAC

AO E SISTEMAS

AO
DISTRIBU

DESTILAC

AO
Disserta cao submetida à
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obten cao do grau de Mestre em Engenharia
de Automa cao e Sistemas.
HELTON FERNANDO SCHERER
Florianopolis, Julho de 2009.

AO
DISTRIBU

DESTILAC

AO
Esta Disserta cao foi julgada adequada para a obten cao do ttulo de Mestre em
Engenharia de Automa cao e Sistemas,

Area de Concentra cao em Controle,
Automacao e Sistemas, e aprovada em sua forma nal pelo Programa de
Pos-Gradua cao em Engenharia de Automa cao e Sistemas da Universidade Federal de
Santa Catarina.
Eduardo Camponogara, Ph.D.
Orientador
Eugenio de Bona Castelan Neto, Dr.
Coordenador do Programa de Pos-Gradua cao em Engenharia de Automa cao e Sistemas
Banca Examinadora:
Eduardo Camponogara, Ph.D.
Presidente
Alexandre Trono Neto, Dr.
Eugenio de Bona Castelan Neto, Dr.
Mario Cesar Mello Massa de Campos, Dr.
iii
Aos meus pais, Ros angela e Irineu.
v
AGRADECIMENTOS
Agrade co o apoio nanceiro da Agencia Nacional do Petr oleo, G as Natural e Biocombustiveis-
ANP e da Financiadora de Estudos e Projetos (FINEP) por meio do Programa de Recursos
Humanos da ANP para o Setor do Petr oleo e G as PRH-34 ANP/MCT.
vii
Resumo da Disserta cao apresentada à UFSC como parte dos requisitos necessarios
para obten cao do grau de Mestre em Engenharia de Automa cao e Sistemas.

AO
DISTRIBU

DESTILAC

AO
julho/2009
Orientador: Eduardo Camponogara, Ph.D.
Area de Concentra cao: Controle, Automa cao e Sistemas

Palavras-chave: colunas de destila cao, controle preditivo baseado em modelo, otimiza cao
distribuda, otimiza cao convexa, metodo de ponto-interior
N umero de Paginas: xxii + 63
O controle preditivo, desde que passou a ser utilizado na ind ustria, vem se mostrando
uma importante tecnica de controle avan cado para processos, onde algumas carac-
tersticas como a capacidade de tratar restri coes e utiliza cao de algoritmos que en-
contram solu coes otimas denem a grande vantagem de sua utiliza cao. Na ind ustria
petroqumica ja existem diversas aplica coes do controle preditivo, porem, devido à ne-
cessidade de troca de informa coes com o processo, as vezes se torna inviavel devido
ao esparsamento geograco dos elementos da planta. Uma alternativa e a utiliza cao
de controles distribudos, que sao implementados localmente e trabalham em conjunto
para que o desempenho nal do controle seja igual ou ate mesmo superior ao controle
preditivo centralizado. Este trabalho propoe uma estrutura de controle preditivo dis-
tribudo, baseado no modelo de espa co de estados, para ser utilizada em redes dinamicas
lineares onde restri coes de sada e entrada de controle sao consideradas na formula cao.
Metodos de ponto-interior sao utilizados para garantir que as solu coes produzidas por
agentes de controle distribudos consigam convergir para a solu cao otima global do
problema de controle do processo. Utilizando um modelo de coluna de destila cao e de
uma rede de trafego urbano, o problema de regula cao e estabelecido e a abordagem
distribuda e aplicada. Atraves de compara coes com outras congura coes centralizadas
de controle alguns resultados teoricos e numericos sao obtidos.
ix
Abstract of Dissertation presented to UFSC as a partial fulllment of the requirements for
the degree of Master in Automation and Systems Engineering.
PREDICTIVE CONTROL WITH DISTRIBUTED
OPTIMIZATION APPLIED TO DISTILLATION
COLUMNS
July/2009
Advisor: Eduardo Camponogara, Ph.D.
Area of Concentration: Control, Automation and Systems
Key words: distillation column, model predictive control, distributed optimization,
convex optimization, interior-point method
Number of Pages: xxii + 63
Model predictive control, since its rst use in industry, has proven to be an eec-
tive technique for advanced control. Its advantages stem from the capacity to handle
constraints in a systematic way and the use of optimization algorithms that can nd
optimal solutions. Although many applications are found in the petrochemical indus-
try, sometimes standart MPC become impractical due to the communications between
the control center and the sensors, that are geographically scattered over the plant.
An alternative is the use of distributed controls, which are locally implemented and
work together so that the end performance is comparable to the centralized predictive
control. This work proposes a distributed predictive control structure, based on the
state-space model, to be used in linear dynamic networks where constraints on output
and control-input are considered in the formulation. Interior-point methods are used
to guarantee that the solutions produced by the agents in the distributed control can
reach the global optimal solution of the control problem. Using a model of a distillation
column and of an urban trac network, the regulation problem is established and the
distributed approach is applied. Through comparisons with other centralized control
schemes some theoretical and numerical results are obtained.
xi
Sumario
1 Introdu cao 1
1.1 Colunas de Destila cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Controle de Fluxos de Trafego . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Estrutura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Colunas de Destila cao 5
2.1 Funcionamento de Colunas de Destila cao . . . . . . . . . . . . . . . . . . . . 5
2.2 Controle de Uma Coluna de Destila cao . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Modelo da Coluna de Destila cao . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Sum ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Controle Centralizado 13
3.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Deni coes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3 Controle Preditivo Baseado em Modelo . . . . . . . . . . . . . . . . . . . . . 14
3.4 Formula cao do MPC Utilizando Variaveis de Estado . . . . . . . . . . . . . . 16
3.5 Metodo de Barreira Logartmica . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.6 Sum ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
xiii
4 Controle Distribudo 27
4.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Formula cao Distribuda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3 Algoritmo Distribudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Sum ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5 Resultados Experimentais 35
5.1 Aplica cao das Formula coes no Modelo . . . . . . . . . . . . . . . . . . . . . . 35
5.2 Resultados Numericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Sum ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6 Controle de Trafego Urbano 43
6.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2 Modelagem de MVUs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.3 Controle de Tempos de Verde . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.4 Resultados Numericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.5 Resultados Simulados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.6 Sum ario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
7 Conclusao 55
xiv
Lista de Abreviaturas
CARIMA Controlled Autoregressive Integrated Moving Average
DMC Dynamic Matrix Control
DMPC
Controle Preditivo Distribudo Baseado em Modelo (Distributed Model
Predictive Control )
GPC Controle Preditivo Generalizado (Generalized Predictive Control )
LQR Regulador Quadratico Linear (Linear-quadratic Regulator)
MPC Controle Preditivo Baseado em Modelo (Model Predictive Control )
MVU Malha Viaria Urbana
QDMC Quadratic Dynamic Matrix Control
QP Programa cao Quadratica (Quadratic Programming)
SMOC Shell Multivariable Optimizing Controller
SUMT Sequential Unconstrained Minimization Technique
TUC Trac-responsive Urban Control
xv
Lista de Smbolos
Notacao
A letras mai usculas denotam conjuntos.
A letras mai usculas em it alico denotam matrizes.
a letras min usculas em negrito denotam vetores.
a(k + 1 [ k) representa o valor predito de a(k + 1) no instante k.
0
n umeros em it alico representam matrizes ou vetores de dimens ao apropriada
com estes elementos.
Indices
h ndice de interse coes
i, j ndice auxiliar
k ndice de tempo discreto
m ndice dos sub-sistemas do controle DMPC
v, w ndice de vias
Conjuntos
F
h
conjunto de fases da interse cao h
G
h,v
subconjunto de F
h
indicando as fases em que a via v possui direito de passagem
H conjunto de interse coes
I
h
conjunto de vias de chegada da interse cao h
I(m) conjunto de vizinhos de entrada do sub-sistema m
/ conjunto de sub-sistemas, da coluna de destila cao e da rede de trafego urbano
N(m) vizinhan ca do sub-sistema m
O
h
conjunto de vias de sada da interse cao h
O(m) conjunto de vizinhos de sada do sub-sistema m
xvii
V conjunto de vias
Variaveis Especcas de Vias e Coluna de Destilacao
y
m
sada m da coluna de destila cao
y
max
m
capacidade m axima da sada m
y
min
m
capacidade mnima da sada m
x
v
n umero de veculos da via v (ve)
x
max
v
capacidade m axima de veculos da via v (ve)
t
v,w
taxa de conversao da via v para a w
S
v
uxo de satura cao da via v (ve/h)
q
v
uxo de entrada da via v (ve/h)
p
v
uxo de sada da via v (ve/h)
s
v
uxo de sada interno da via v (ve/h)
d
v
demanda interna da via v (ve/h)
Variaveis e Parametros de Controladores
u
m
a cao de controle do subsistema m
taxa de decrescimento para metodos de ponto-interior
T horizonde de predi cao para o controle preditivo
par ametro de ajuste do metodo de barreira
criterio de convergencia do metodo de barreira
criterio de convergencia do metodo de Newton
e criterio de convergencia do algoritmo distribudo
intervalo de a cao de controle
C
j
tempo de ciclo da interse cao j (s)
L
j
tempo perdido total da interse cao j (s)
u
j,i
tempo de verde da fase i e interse cao j (s)
u
min
a cao de controle mnima permitida
u
max
a cao de controle m axima permitida
xviii
Lista de Figuras
2.1 Coluna de destila cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Verica cao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Rede din amica linear representando a coluna de destila cao . . . . . . . . . . . 11
3.1 Rede din amica linear generica . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Caminho gerado pelo metodo de barreira . . . . . . . . . . . . . . . . . . . . 23
3.3 Convergencia de f(x()) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1 Rede de agentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Convergencia de algoritmos distribudos. . . . . . . . . . . . . . . . . . . . . . 31
5.1 Compara cao entre controles aplicados na coluna de destila cao . . . . . . . . . 37
5.2 Itera coes do algoritmo variando T e , respectivamente. . . . . . . . . . . . . 40
5.3 Convergencia de f(x()) para T = 15, variando . . . . . . . . . . . . . . . . 41
6.1 Exemplo de uma interse cao urbana. . . . . . . . . . . . . . . . . . . . . . . . 44
6.2 Rede de trafego urbano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.3 Exemplo de via urbana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.4 Tempo m aximo de processamento . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.5 Ambiente do simulador Aimsun . . . . . . . . . . . . . . . . . . . . . . . . . . 54
xix
Lista de Tabelas
2.1 Restri coes de opera cao da coluna de destila cao . . . . . . . . . . . . . . . . . 9
5.1 Conjuntos de cada agente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2 Condi coes iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Medias dos custos da coluna de destila cao, para todos os . . . . . . . . . . 38
5.4 Tempo medio de processamento, para = 0, 1 . . . . . . . . . . . . . . . . . . 39
6.1 Custos medios do controle de trafego . . . . . . . . . . . . . . . . . . . . . . . 50
6.6 Resultados de simula cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
xxi
Captulo 1
Introducao
Desde que foram introduzidas na ind ustria, as tecnicas de controle preditivo baseado
em modelo (MPC) proporcionaram muitos resultados positivos no desempenho do controle
de processos [14]. Estas tecnicas avan cadas de controle multivariavel se tornaram tecnologias
importantes para a opera cao de sistemas din amicos mais complexos, com vantagens como a
capacidade de tratar restri coes explicitamente e o uso de algoritmos para conseguir solu coes
otimas.
De forma simplicada, o MPC converte um problema de otimiza cao din amica, com
variaveis dependentes do tempo, em uma serie de problemas de otimiza cao estaticos, que
devem ser resolvidos por algoritmos de otimiza cao. Estas tecnicas de controle utilizam mode-
los matem aticos que representam o processo para estabelecer comportamentos futuros e com
esta predi cao calculam a coes de controle que otimizam a resposta deste processo para algum
criterio de desempenho pre-estabelecido, respeitando as restri coes impostas.
O desenvolvimento contnuo de instrumenta cao, a necessidade de melhorias nos proces-
sos, a competi cao de mercado e a necessidade de solu coes ambientalmente conscientes tem
feito com que os processos de controle se tornem ainda mais complexos. Com isto, a im-
plementa cao e manuten cao de algoritmos MPC centralizados tem se tornado uma questao
importante e, muitas vezes, complicada de ser tratada. Alguns dos principais obst aculos en-
contrados quanto ao uso de tecnicas de controle avan cado, como o MPC, estao na diculdade
de comunica cao entre sensores e unidades de processamento em sistemas geogracamente
distribudos e limita coes computacionais para alguns problemas de otimiza cao.
Uma alternativa seria a utiliza cao de controladores preditivos com abordagem dis-
tribuda, que dividem o problema de otimiza cao em subproblemas menores que devem ser
resolvidos por uma rede de agentes, preservando, ou ate mesmo melhorando, o desempenho
nal [11]. Cada agente desta rede seria respons avel pelo c alculo das a coes de controle de
um dos subproblemas, utilizando para isto a troca de informa coes com os outros agentes
2 1. Introdu cao
existentes. Este deve ser um processo iterativo, repetido diversas vezes antes que a a cao de
controle nal seja enviada para os atuadores da planta, ou seja, a a cao de controle de todo o
processo e conseguida ap os uma negocia cao entre a rede de agentes.
O controle preditivo distribudo e uma tecnologia em evolu cao, e por causa disto existem
diversas pesquisas com os mais diversos objetivos, tais como a elabora cao de algoritmos
para assegurar a coopera cao da rede de agentes, tecnicas para garantir a convergencia dos
problemas distribudos e ate mesmo estudos para o tratamento de restri coes que acoplam os
agentes. Algumas plantas petroqumicas s ao exemplos de grandes sistemas compostos por
subsistemas distribudos, contudo interligados por restri coes de opera cao e sada do processo.
Outros exemplos de mesma natureza s ao as redes de trafego urbano e redes de energia eletrica.
1.1 Colunas de Destilacao
A ind ustria petrolfera continua sendo uma das ind ustrias mais vitais para o desenvolvi-
mento econ omico dos pases. Quando se refere à ind ustria petroqumica, cam subentendidas
todas as demais atividades envolvendo o petr oleo, g as natural e seus derivados, ou seja, desde
a explora cao, transporte, passando pelo reno ate a distribui cao.
Aprofundando um pouco mais sobre o reno realizado pelas ind ustrias petroqumicas,
este e, basicamente, um conjunto de processos fsicos e qumicos com o objetivo nal de
transforma cao da materia-prima em derivados, come cando sempre por um fracionamento do
oleo cru nas renarias [4]. As tecnicas mais utilizadas de reno s ao [56]:
Destila cao: que e a maneira mais antiga e comum de separar os varios componentes,
usando as diferen cas entre as temperaturas de ebuli cao do petr oleo. Esta opera cao e
realizada em colunas de destila cao;
Craqueamento termico: usado para quebrar cadeias longas em outras menores pela
a cao de temperaturas elevadas. Permitindo, por exemplo, que uma renaria transforme
gasoleos em g as de cozinha e gasolina;
Alquila cao / Alcoila cao: processo no qual e transferido um grupo alquila de uma
molecula para outra, visando obter moleculas maiores (mais complexas) especcas;
Craqueamento cataltico: processo de quebra de moleculas grandes em moleculas
menores atraves de um catalisador.
Observando mais atentamente as colunas de fracionamento, estas s ao os elementos mais
importantes dentro de uma renaria, recebendo investimentos relacionados à automa cao e
controle visando garantir qualidade dos produtos e seguran ca do processo. Alem disso, por
1.2. Controle de Fluxos de Trafego 3
este ser um mercado muito competitivo, sempre se busca melhorar o desempenho operacio-
nal destes elementos, gerando novas tecnologias, incluindo melhorias no processo de reno,
visando assim aumentar o lucro [19].
Mas apesar de todos os avan cos obtidos na engenharia de controle e da tecnologia envol-
vida em renarias, existem ainda diversas diculdades quando se trata de controlar unidades
de destila cao. Os processos possuem elevados transientes quando o sistema e perturbado,
gerando produtos fora da especica cao, consequentemente de baixa qualidade, resultando em
desperdcio para a renaria.
Com estas diculdades, se tem ainda grande necessidade de estudos para aprimorar as
tecnicas ja existentes de controle de colunas de destilacao, assim como o desenvolvimento de
novas tecnicas para este controle. Neste ponto se insere a proposta deste trabalho, visando
contribui coes no controle de unidades de destila cao.
1.2 Controle de Fluxos de Trafego
O transito pode ser denido como a utiliza cao de vias por pessoas, veculos e animais,
conduzidos ou nao, em grupos ou isolados, em circula cao ou parados, este ultimo podendo
ser para estacionamento ou opera cao de carga ou descarga [45].
Existem diversos meios de se promover o controle do transito, sendo um dos mais
utilizados a sinaliza cao semaf orica, onde o principal objetivo do controle e impedir que o
uxo de veculos chegue ao regime saturado, pois nesta condi cao s ao gerados os maiores
problemas, tais como baixas velocidades, maior tempo de permanencia dos veculos nas vias,
problemas de seguran ca e ate mesmo problemas de sa ude, com o aumento de emissao de
poluentes.
O n umero sempre crescente de veculos em circula cao tem contribudo signicantemente
para o aumento dos congestionamentos urbanos, e os investimentos em novas malhas vi arias
nao tem sido sucientes para reduzir estes impactos. Sendo assim, buscam-se novas tecnicas
de controle semaf orico que consigam, principalmente, aumentar a eciencia da malha vi aria
existente.
As malhas vi arias podem ser tratadas como subsistemas acoplados, onde o controle
semaf orico de um cruzamento afeta diretamente os cruzamentos e vias de sua vizinhan ca.
Este cen ario, com distribui cao geogr aca e atualmente com controle descentralizado, e um
problema interessante de ser tratado por algoritmos de controle distribudos.
4 1. Introdu cao
1.3 Objetivos
Este trabalho prop oe um algoritmo de controle preditivo distribudo, aplicavel em re-
des de sistemas din amicos lineares com restri coes nas entradas de controle e acoplamento nas
sadas. O problema de otimiza cao do controle preditivo e tratado por uma rede de agen-
tes, de forma que as informa coes deixem de car concentradas em uma unica unidade de
processamento e os controles passem a ser calculados em nvel local.
Ap os o desenvolvimento destes algoritmos, resultados s ao obtidos atraves da aplica cao
em um modelo de coluna de destila cao e em uma rede de trafego urbano, com compara coes
realizadas com outras tecnicas de controle.
1.4 Estrutura
O trabalho come ca com a apresenta cao das caractersticas de funcionamento de uma
coluna de destila cao, assim como a apresenta cao de um modelo para estudos, dispostos no
captulo 2. No captulo seguinte esta o desenvolvimento de um controlador preditivo baseado
em modelo, com toda sua formula cao voltada para aplica c ao no modelo da coluna de des-
tila cao. Nesta parte, o calculo das a coes de controle e centralizado em uma unica unidade de
processamento.
No captulo 4, o mesmo problema de controle preditivo e tratado, porem com uma
abordagem distribuda, onde se tem a formula cao dos subproblemas que serao atribudos a
agentes respons aveis por calcular as a coes de controle. No captulo seguinte estao os resultados
obtidos ap os a aplica cao dos controladores preditivos na coluna de destila cao, comparando
os resultados obtidos atraves das abordagens centralizada e distribuda.
O captulo 6 estende o tema tratado neste trabalho, onde a formula cao sugerida do
controle preditivo distribudo e aplicada em uma rede de trafego urbano, estabelecendo com-
para coes de desempenho com outras tecnicas utilizadas. Neste captulo tambem s ao apresen-
tados os resultados utilizando um simulador de trafego urbano.
Por m, o captulo 7 retoma os pontos importantes do trabalho, ressaltando as princi-
pais contribui coes observadas e denindo sugestoes de trabalhos futuros.
Captulo 2
Colunas de Destilacao
No captulo anterior foram apresentadas de forma geral as plantas petroqumicas e
alguns de seus principais elementos, assim como sua importancia na economia. Agora o
trabalho foca-se nas colunas de destila cao, que s ao elementos de grande import ancia na
ind ustria petroqumica. A separa cao das fra coes de petr oleo via destila cao e a principal
opera cao que ocorre em uma renaria de petr oleo [23].
A proposta deste captulo e apresentar algumas das caractersticas basicas de uma
coluna de destila cao referentes ao seu princpio de funcionamento, as principais restri coes
operacionais e a realiza cao do controle sobre a mesma. Um modelo linear de coluna de
destila cao sera apresentado e transformado convenientemente para que nos captulos seguintes
seja utilizado junto com a teoria de controle a ser desenvolvida.
2.1 Funcionamento de Colunas de Destilacao
A palavra destila c ao e origin aria do latim distillare, que signica gotejar e descreve o
estagio nal do processo, quando do gotejamento de um lquido de um condensador para um
recipiente de coleta [20].
Descrevendo em termos praticos, a destila cao e o processo no qual substancias que
formam uma mistura lquida s ao separadas atraves de processos de aquecimento, sendo ne-
cess ario que os elementos da mistura tenham pontos de ebuli cao diferentes [29]. Hoje, a
destila cao e a tecnologia de separa cao mais importante na ind ustria qumica e petroqumica
[27, 41].
Uma coluna de destila cao pode ser descrita como um complexo sistema de escoamento,
cuja nalidade e realizar a separa cao das misturas que s ao inseridas na mesma. Existem
diversos tipos de colunas de destila cao, determinadas de acordo com o tipo de opera cao,
6 2. Colunas de Destila cao
podendo ser contnua ou batelada, pelo n umero de componentes da mistura de entrada,
pelo n umero de produtos que serao extrados, pela parte interna da coluna, entre outras
caractersticas [39, 52].
Neste trabalho apenas a coluna de destila cao contnua sera utilizada, mais especica-
damente as colunas com prato. Um prato consiste de um equipamento colocado ao longo
da coluna, onde uma camada de lquido se acumula em sua parte superior enquanto os va-
pores ascendentes podem atravessa-lo, permitindo assim trocas de calor e massa e gera cao
de vapor o mais proximo possvel do equilbrio com o lquido [52]. Este e o tipo de coluna
de destila cao mais comum, constitudo de uma seq uencia vertical de estagios que geralmente
utiliza vapor para fornecer o calor necessario para o processo de destila cao. Na Figura 2.1
esta representado este sistema.
T
T
T
T
T
A
A
Retirada
de topo
lateral
Retirada
u3 refluxo da base
y3 temperatura da base
u2 vazo de sada lateral
Produto da
Base
y2 composio do produto lateral
y1 - composio do produto do topo
u1 vazo de sada do topo
vlvula
sensor
manmetro
Figura 2.1: Coluna de destila cao
A entrada da mistura e geralmente realizada na parte intermediaria da coluna, onde
entao o lquido come ca a percorrer os canais de descida em dire cao à base da coluna, se opondo
ao sentido do vapor de aquecimento, que sobe borbulhando atraves do lquido. Um vapor
quente da mistura e formado e come ca tambem a subir pela coluna, mas que vai perdendo
calor com o lquido que encontra na subida e acaba condensando. Este lquido que recebeu o
calor do vapor da mistura tambem recebe calor do vapor de aquecimento, formando tambem
vapores que tendem a ir para a parte mais alta da coluna [60].
Este ciclo ocorre diversas vezes, acumulando lquidos e gases entre todos os pratos ao
longo da coluna de destila cao, fazendo com que a fase de vapor da mistura va se enriquecendo
com os compostos mais volateis na parte superior da coluna ao mesmo tempo em que a fase
lquida, na base da coluna, aumenta a concentra cao de produtos com ponto de ebuli cao
mais elevado. Devido a este comportamento os escoadouros dos produtos geralmente estao
localizados no topo e na base da coluna, mas podem existir escoadouros intermediarios para
produtos que sejam de interesse econ omico.
Para conseguir uma separa cao mais completa dos produtos e comum o uso do reuxo
2.2. Controle de Uma Coluna de Destila cao 7
ou refervedor, onde o produto de partes inferiores da coluna de destila cao e enviado por meio
de dutos para pratos mais altos.
Algumas caractersticas inerentes ao processo de destila cao s ao: elevados gradientes de
temperatura, tempo morto e um alto grau de acoplamento entre as variaveis manipuladas
e controladas [41]. Associado a estas caractersticas tem-se um consumo elevado de ener-
gia, devido ao grande consumo de vapor de aquecimento juntamente com a baixa eciencia
termodin amica do processo [46]. Estas caractersticas indesej aveis atraem pesquisadores e
empresas da area a buscarem solu coes para minimizar custos e otimizar os processos.
Por ter grande versatilidade, as colunas s ao amplamente utilizadas nas ind ustrias. No
entanto, uma opera cao adequada e primordial para que a qualidade dos produtos seja sa-
tisfat oria e se minimize os efeitos das caractersticas citadas anteriormente e, por isto, uma
aten cao especial ao controle aplicado se faz necessaria. A se cao seguinte trata do sistema de
controle em colunas de destila cao.
2.2 Controle de Uma Coluna de Destilacao
O controle de uma coluna de destila cao deve garantir a seguran ca do processo, a es-
pecica cao dos produtos e respeitar as restri coes de opera cao e regulamenta cao ambiental,
tudo isto visando a economia no processo [55]. Em uma unidade de destila cao, tres requisitos
basicos devem ser atendidos [36]:
balan co de massa: onde se busca manter os nveis na base e nos acumuladores de
maneira que nao ocorra inunda cao nem esvaziamento da coluna de destila cao;
especica cao do produto: garantindo a qualidade dos produtos gerados, pois qual-
quer viola cao neste quesito conduz ao reprocessamento ou a degrada cao da mistura;
restri c oes de opera cao: que devem ser respeitadas, podendo estas ser relativas às
pressoes e temperaturas ao longo da coluna.
Quando estes requisitos estao sendo atendidos, diz-se que a coluna de destila cao esta
em opera cao normal. Os fatores que afetam a opera cao normal de uma coluna de destila cao
s ao dos mais variados tipos, desde as condi coes de alimenta cao e reuxo, condi coes do vapor
de aquecimento e ate mesmo as condi coes do tempo.
Nas ind ustrias petroqumicas, quando a produ cao sai da opera cao normal, tem-se tran-
sientes muito elevados. Sendo assim, o controle deve ser projetado de tal forma que rejeite ou
minimize os efeitos das varia coes nao controladas, fazendo a coluna voltar à opera cao normal
e, preferencialmente, minimizando a dura cao destes transientes [54].
As variaveis que devem ser controladas durante a opera cao de uma coluna de destila cao
s ao geralmente relacionadas aos nveis, às composi coes dos produtos e às pressoes e tempera-
turas ao longo da coluna. Algumas das variaveis que podem ser manipuladas para atingir os
objetivos do controle s ao aberturas de valvulas e ligamento de bombas, que regulam vazoes
de entrada/sada e reuxo [32]. Normalmente estes elementos estao conectados ao topo e à
base da coluna.
O controle da coluna de destila cao para estas variaveis controladas e manipuladas e
de certa forma simples, porem ainda e amplamente estudado para que se possam utilizar
algoritmos e sistemas de controle cada vez mais avan cados. Isto ocorre devido aos custos
envolvidos no processo de destila cao, onde melhorias no desempenho representam ganhos
acumulados elevados. Esta busca por melhorias de desempenho pode ser colocada como uma
justicativa para a elabora cao deste trabalho.
2.3 Modelo da Coluna de Destilacao
Para a aplica cao das teorias seguintes foi utilizado o modelo de uma coluna fracionadora
de oleo pesado, conhecido como Shell heavy oil fractionator [7, 48]. Sua escolha foi devido
à este ser um modelo bem difundido no meio academico e, apesar de nao representar um
processo real, possuir uma din amica que pode ser utilizada de forma did atica para estudos
de controle para fracionadores reais, representando um processo multivariavel com algumas
restri coes fsicas e operacionais.
Neste modelo, as variaveis controladas s ao a composi cao do produto no topo, com-
posi cao do produto na lateral e a temperatura da base, sendo representadas como y
1
, y
2
e y
3
respectivamente. As variaveis que podem ser manipuladas s ao a vazao de sada no topo (u
1
),
vazao de sada lateral (u
2
), e o reuxo da base da coluna (u
3
).
A representa cao do sistema pode ser dada por um conjunto de fun coes de transferencia
que relacionam cada entrada com cada sada. A matriz de fun coes de transferencia do sistema
esta colocada na equa cao (2.1).
_
_
y
1
(s)
y
2
(s)
y
3
(s)
_
_
=
_
_
4,05e
27s
1+50s
1,77e
28s
1+60s
5,88e
27s
1+50s
5,39e
18s
1+50s
5,72e
14s
1+60s
6,9e
15s
1+40s
4,38e
20s
1+33s
4,42e
22s
1+44s
7,2
1+19s
_
_
u
1
(s)
u
2
(s)
u
3
(s)
_
_
(2.1)
Algumas restri coes s ao impostas para que o sistema trabalhe dentro de pontos econo-
micamente vi aveis de opera cao. A Tabela 2.1 contem estas restri coes:
Neste trabalho e necessario o modelo em tempo discreto da planta, para isto foi utilizado
um amostrador e um segurador de ordem zero para a discretiza cao do modelo da coluna de
2.3. Modelo da Coluna de Destila cao 9
Restri coes: Varia cao:
reuxo da base (u
3
) de -0,5 a 0,5
vazao do produto do topo (u
1
) de -0,5 a 0,5
vazao do produto lateral (u
2
) de -0,5 a 0,5
Tabela 2.1: Restri coes de opera cao da coluna de destila cao
destila cao [24]. Com um perodo de amostragem T
s
denido como sendo de quatro minutos,
chega-se a uma matriz de fun coes de transferencias discretas como a que e mostrada na
equa cao (2.2).
_
_
y
1
(z)
y
2
(z)
y
3
(z)
_
_ =
_
_
0,08(z
1
+2,88z
2
)
10,923z
1
z
6 0,114z
1
10,936z
1
z
7
0,116(z
1
+2,883z
2
)
10,923z
1
z
6
0,211(z
1
+,96z
2
)
10,923z
1
z
4
0,187(z
1
+0,967z
2
)
10,936z
1
z
3
0,17(z
1
+2,854z
2
)
10,905z
1
z
3
0,5z
1
10,886z
1
z
5 0,196z
1
+0,955z
2
10,913z
1
z
5 1,367z
1
10,81z
1
_
_
u
1
(z)
u
2
(z)
u
3
(z)
_
_
(2.2)
Os atrasos foram considerados como polos em z = 0 para que, depois da transforma cao em
variaveis de estados, cada atraso corresponda a um estado do modelo, nao sendo perdida
esta informa cao durante a conversao [24]. As equa coes (2.3) e (2.4) representam uma parcela
do modelo discreto em variaveis de estado, onde cada grupo x
ij
, A
ij
, B
ij
e C
ij
contem a
informa cao do acoplamento entre as sadas e controles da fun cao de transferencia localizada na
linha i e coluna j da matriz de fun coes de transferencia (2.1) e 0 possui dimens oes apropriadas.
_
_
x
11
(k + 1)
x
21
(k + 1)
x
31
(k + 1)
_
_
=
_
_
A
11
0 0
0 A
21
0
0 0 A
31
_
_
x
11
(k)
x
21
(k)
x
31
(k)
_
_
+
_
_
B
11
0 0
B
21
0 0
B
31
0 0
_
_
u
1
(k)
u
2
(k)
u
3
(k)
_
_
(2.3)
[y
1
(k + 1)] =
_
C
11
0 0 C
12
0 0 C
13
0 0
_
_
x
11
(k)
x
21
(k)
.
.
.
x
33
(k)
_
_
(2.4)
Para exemplicar o resultado da transforma cao do modelo para variaveis de estado, um
conjunto de matrizes obtidas neste processo referentes à entrada u
3
e sada y
2
e apresentado
na sequencia.
A
23
B
23
C
23
D
23
=
_
_
0, 905 0 0 0 0 1
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0, 170 0, 486 0
_
_
(2.5)
Uma compara cao entre as respostas à um degrau de entrada e realizada entre os modelos
contnuo e espa co de estados discreto somente com a nalidade de vericar que o modelo
adquirido esta correto e contem informa coes como o atraso de transporte. A Figura 2.2
mostra a resposta obtida para a sada y
3
quando e aplicado um degrau na entrada u
2
.
0 50 100 150 200 250
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
Tempo (min)
A
m
p
l
i
t
u
d
e
Figura 2.2: Verica cao do modelo
Seguindo com o desenvolvimento do modelo, agrupam-se alguns termos semelhantes da
seguinte forma:
x
i
=
_
_
x
1i
x
2i
x
3i
_
_
, A
i
=
_
_
A
1i
0 0
0 A
2i
0
0 0 A
3i
_
_
, C
i
=
_
_
C
1i
0 0
0 C
2i
0
0 0 C
3i
_
_
(2.6)
B
1
=
_
_
B
11
0 0
B
21
0 0
B
31
0 0
_
_
, B
2
=
_
_
0 B
12
0
0 B
22
0
0 B
32
0
_
_
, B
3
=
_
_
0 0 B
13
0 0 B
23
0 0 B
33
_
_
(2.7)
assim, um modelo com o formato da equa cao (2.8) pode ser obtido.
_
_
x
1
(k + 1)
x
2
(k + 1)
x
3
(k + 1)
_
_
=
_
_
A
1
0 0
0 A
2
0
0 0 A
3
_
_
x
1
(k)
x
2
(k)
x
3
(k)
_
_
+
_
_
B
1
0 0
0 B
2
0
0 0 B
3
_
_
u
1
(k)
u
2
(k)
u
3
(k)
_
_
(2.8a)
_
_
y
1
(k + 1)
y
2
(k + 1)
y
3
(k + 1)
_
_
=
_
C
1
C
2
C
3
_
_
x
1
(k)
x
2
(k)
x
3
(k)
_
_
(2.8b)
O formato utilizado para representar o modelo possui a caracterstica de facilitar a
decomposi cao do modelo obtido em uma rede din amica linear, tratando o sistema como um
conjunto de subsistemas interligados, como apresentado na Figura 3.1.
2.4. Sumario 11
1 2
3
Figura 2.3: Rede din amica linear representando a coluna de destila cao
2.4 Sumario
Foram apresentados conceitos sobre colunas de destila cao e seu controle, assim como um
modelo linear para ser utilizado nos captulos seguintes no desenvolvimento dos algoritmos de
controle. No proximo captulo serao apresentados conceitos sobre controle preditivo baseado
em modelo utilizando uma formula cao centralizada.
Captulo 3
Controle Centralizado
No captulo anterior foi apresentado um modelo linear usado para representar as din a-
micas de uma coluna de destila cao [48]. Aprofundando o estudo, sera apresentada agora uma
base te orica para a formula cao de um controlador preditivo baseado em modelos no espa co
de estados, passando pela fun cao custo, restri coes, ate a obten cao da lei de controle. Um
metodo de ponto interior sera descrito e com ele sera desenvolvido um algoritmo para ser
aplicado na busca da solu cao do problema de controle da coluna de destila cao.
3.1 Introducao
O controle preditivo baseado em modelo (MPC) refere-se aos metodos de controle que
utilizam um modelo matem atico para realizar uma predi cao da resposta futura de um dado
processo e com isto calcular a lei de controle [49]. O MPC integra uma extensa classe de
aplica coes de controle tais como controle otimo, controle estocastico, controle de processos
multivariaveis e com tempo morto [7].
Desenvolvido originalmente para as necessidades especcas do controle de usinas gera-
doras de energia eletrica e renarias de petr oleo, a tecnologia do MPC pode ser encontrada
hoje em uma ampla variedade de aplica coes, incluindo areas qumicas, ind ustria de alimentos,
ind ustria automotiva, entre outras [49].
3.2 Denicoes
Visando facilitar o entendimento do que e proposto neste captulo, serao descritos a
seguir alguns dos elementos inerentes ao controlador [7] antes de formular o algoritmo MPC
que sera aplicado ao problema da coluna de destila cao.
14 3. Controle Centralizado
Fun cao Objetivo: Dene o criterio de desempenho que sera utilizado para otimiza cao no
algoritmo de controle, podendo utilizar quaisquer variaveis, relacionando-as das mais
diversas formas. O tipo mais comum possui formato quadratico, como na equa cao (3.1),
visando minimizar erros futuros de sada e o esfor co de controle.
J =
p
j=1
[ y(t +j[t) w(t +j)]
2
+
m
j=1
[u(t +j 1)]
2
(3.1)
Nesta equa cao, p e o horizonte de predi cao, m e o horizonte de controle, y refere-se
à predi cao da sada da planta, w e a referencia a ser seguida e u e o vetor de a coes
de controle. Estas formula coes podem ainda incluir pondera coes em quaisquer dos
elementos utilizados.
Modelo de Predi cao:

E o elemento principal do MPC podendo, em princpio, assumir
qualquer forma matem atica. Existem diversos tipos de modelos que representam a
rela cao entrada/sada de processos, podendo ser a resposta ao impulso, resposta ao
degrau, modelo no espa co de estados, entre outros, e dependendo do modelo que se
disp oe escolhe-se o tipo de MPC mais apropriado.
Restri c oes: Sao elementos utilizados para representar as limita coes do processo, mas nao
necessariamente aparecem na formula cao do problema. Podem ser de igualdade e de-
sigualdade e relacionam quaisquer elementos do problema, tais como entrada, sada e
controle. Sao adicionadas à minimiza cao e e comum serem colocadas em uma matriz de
desigualdades envolvendo o vetor de entrada, assim o problema toma a forma padr ao
de um problema de programa cao quadratica (QP).
Algoritmo de Controle: Dene como funcionar a o MPC, recebendo a predi cao do compor-
tamento futuro de um processo e suas restri coes para um dado horizonte e calculando
o melhor sinal de controle para este horizonte. A estrategia e entao aplicar no processo
apenas a primeira a cao de controle do horizonte, devido às imprecisoes de predi cao, e
atualizar os par ametros do problema para que um novo problema de otimiza cao seja
formado. Este processo funciona para um horizonte deslizante, ou seja, e repetido a
cada itera cao. Outra razao para evitar a aplica cao de toda a sequencia e que a referencia
pode ser alterada nos proximos intervalos.
3.3 Controle Preditivo Baseado em Modelo
O MPC e um metodo baseado em controle otimo, isto e, que calcula as entradas de
controle visando minimizar uma fun cao objetivo, utilizando tanto valores atuais de sadas do
processo quanto valores preditos por um modelo explcito do mesmo [5].
3.3. Controle Preditivo Baseado em Modelo 15
Uma serie de vantagens fez com que o uso do MPC na ind ustria crescesse nos ultimos
anos [7]. Uma delas e que o MPC apresenta conceitos intuitivos, podendo ser usado desde o
controle de processos com din amicas relativamente simples ate as mais complicadas, incluindo
sistemas com grande tempo morto e nao lineares. A formula cao pode incluir referencias
futuras, quando estas s ao conhecidas, e pode ser estendida para problemas multivariaveis.
Tem-se que o MPC e uma tecnica de controle totalmente aberta que desenvolveu-se tanto na
ind ustria quanto no meio academico [14, 30, 51] e e baseada em certos princpios basicos que
permitem ainda muita pesquisa e futuras extensoes. Desde sua primeira formula cao, muitos
tipos de algoritmos MPC foram desenvolvidos, alguns destes algoritmos s ao apresentados na
sequencia.
IDCOM: A primeira vez que aplica coes de controle foram descritas com o MPC foi em 1976
[50], onde foi referido como IDCOM, um acronimo para identica cao e comando. Este
controlador utilizava a resposta ao impulso da planta como modelo de predi cao, sua
fun cao objetivo era quadratica, podia incluir restri coes de entrada e sada e especicava
um seguimento de referencia como comportamento futuro da planta.
DMC: Engenheiros da Shell desenvolveram seu MPC no incio da decada de 70 ao qual
deram o nome de Dynamic Matrix Control (DMC), cujo algoritmo vem sendo utilizado
com sucesso na ind ustria ha varias decadas [30] e dentre suas principais caractersticas
estao a utiliza cao de um modelo baseado na resposta ao degrau da planta e fun cao
objetivo quadratica para um horizonte nito de predi cao. Em versoes subsequentes, o
DMC passou a tratar restri coes como um problema de programa cao quadratica, e foi
chamado de QDMC [13].
GPC: O GPC foi proposto em 1987 [12] e desde entao tem se tornado um dos metodos
mais populares no ambito do controle preditivo, podendo tratar plantas inst aveis e de
fase nao mnima. Este algoritmo utiliza o modelo CARIMA (Controlled Autoregressive
Integrated Moving Average) para representar a planta e perturba coes e as predi coes de
sada s ao feitas utilizando preditores otimos.
SMOC: No nal dos anos 80, foi desenvolvido o Shell Multivariable Optimizing Controller
(SMOC) [37], o qual uniu o espa co de estados com os algoritmos do MPC. O algoritmo
SMOC incluiu diversos aspectos que s ao considerados essenciais para uma formula cao
moderna do MPC [49], dentre as novas caractersticas estao os modelos de espa co de
estados, que podem representar uma grande variedade de din amicas lineares.
Aplica coes de controle preditivo em colunas de destila cao s ao amplamente estudadas
devido a sua facilidade de implementa cao e tratamento de restri coes de processo [2, 7, 21,
33, 43, 53, 61]. Existem estudos nesta area que utilizam tanto o algoritmo DMC [3, 35]
bem como o GPC [28]. Neste trabalho o estudo do controle sobre a coluna de destila cao usa
o MPC baseado em modelos descritos por variaveis de estado. Na se cao seguinte tem-se o
desenvolvimento do algoritmo de controle.
3.4 Formulacao do MPC Utilizando Variaveis de Estado
A formula cao sera realizada considerando um modelo generico, como o representado na
Figura 3.1, representando sistemas din amicos lineares obtidos pela interliga cao de subsistemas
desacoplados onde as din amicas e os controles s ao locais e o acoplamento entre os subsistemas
e dado por restri coes na sada do processo. O modelo da coluna de destila cao se encontra
dentro do conjunto abrangido por esta formula cao.
1 2
3
4 5
6
Figura 3.1: Rede din amica linear generica
Primeiramente denomina-se / = 1, . . . , M como o conjunto dos M subsistemas
desacoplados. Cada um destes subsistemas m possui uma din amica que pode ser descrita
pela equa cao:
x
m
(k + 1) = A
m
x
m
(k) +B
m
u
m
(k) (3.2)
onde x
m
R
n
m
representa o vetor de estados, u
m
R
p
m
representa a entrada de controle e
A
m
e B
m
s ao matrizes de dimens oes apropriadas. A sada de um dado subsistema m depende
dos estados de subsistemas pertencentes ao conjunto I(m) /, que inclui os estados do
subsistema m, por exemplo para o subsistema 4, o conjunto e dado por I(4) = 1, 3, 4. A
equa cao de sada dos subsistemas podem ser escritas como:
y
m
(k) =
iI(m)
C
m,i
x
i
(k) (3.3)
onde C
m,i
s ao matrizes de dimens oes adequadas que relacionam os estados do conjunto I(m).
Restri coes na sada s ao impostas, pois serao utilizadas mais adiante na aplica cao da coluna
de destila cao. Estas restri coes de sada podem ser colocadas como na equa cao:
y
min
m
y
m
(k) y
max
m
(3.4)
Optou-se por uma referencia de entrada sempre em zero, a m de facilitar a formula cao do
3.4. Formula cao do MPC Utilizando Variaveis de Estado 17
problema. Para o sistema, considerando restri coes na entrada de controle e sadas do sistema,
o problema de regula cao pode ser descrito da seguinte forma:
min
1
2
M
m=1
k=0
_
y
m
(k + 1)
Q
m
y
m
(k + 1) +u
m
(k)
R
m
u
m
(k)
(3.5a)
S.a: de m = 1, . . . , M, k = 0, . . . , :
x
m
(k + 1) = A
m
x
m
(k) +B
m
u
m
(k) (3.5b)
y
m
(k + 1) =
iI(m)
C
m,i
x
i
(k + 1) (3.5c)
u
min
m
u
m
(k) u
max
m
(3.5d)
y
min
m
y
m
(k + 1) y
max
m
(3.5e)
Onde Q
m
s ao matrizes simetricas positivas semi-denidas, R
m
s ao matrizes simetricas po-
sitivas denidas e a fun cao custo relaciona tanto a sada quanto o esfor co de controle. O
proximo passo e aproximar este problema de tempo innito para um horizonte nito para a
aplica cao do MPC.
Dado o vetor x(k) = (x
1
(k), . . . , x
M
(k)) para representar os estados do sistema no
tempo k, o problema pode ser denido como na equa cao:
P : min f =
1
2
M
m=1
T1
j=0
_
y
m
(k +j + 1[k)
Q
m
y
m
(k +j + 1[k)
+ u
m
(k +j[k)
R
m
u
m
(k +j[k)
(3.6a)
S.a : De m = 1, . . . , M, j = 0, . . . , T 1 :
x
m
(k +j + 1[k) = A
m
x
m
(k +j[k) +B
m
u
m
(k +j[k) (3.6b)
y
m
(k +j + 1[k) =
iI(m)
C
m,i
x
i
(k +j + 1[k) (3.6c)
u
min
m
u
m
(k +j[k) u
max
m
(3.6d)
y
min
m
y
m
(k +j + 1[k) y
max
m
(3.6e)
x
m
(k[k) = x
m
(k) (3.6f)
Onde u
m
(k+j[k) representa a predi cao da entrada de controle do subsistema m para o tempo
(k + j) com as informa coes obtidas ate o tempo k, e da mesma forma y
m
e x
m
s ao sadas
e estados preditos respectivamente. A variavel T foi utilizada para denir tanto o horizonte
de predi cao quanto o horizonte de controle a m de tornar o desenvolvimento seguinte mais
simples.
A partir deste ponto a nota cao

[k
e retirada de todas as variaveis para simplicar a

visualiza cao das equa coes. Visando simplicar variaveis algumas substitui coes serao realiza-
das. Primeiramente tem-se a possibilidade de obter o estado do subsistema m no tempo k
usando apenas o estado inicial e os controles passados como vericado na equa cao (3.7), uma
vez que trata-se de um sistema din amico linear.
x
m
(1) = A
m
x
m
(0) +B
m
u
m
(0) (3.7a)
x
m
(2) = A
2
m
x
m
(0) +A
m
B
m
u
m
(0) +B
m
u
m
(1) (3.7b)
.
.
.
x
m
(k) = A
k
m
x
m
(0) +
k
j=1
A
j1
m
B
m
u
m
(k j) (3.7c)
Para as predi coes pode-se usar o mesmo artifcio, podendo entao representar os estados
preditos e sadas futuras no tempo (k +t) de uma forma compacta como:
x
m
(k +j) = A
j
m
x
m
(k) +
j
l=1
A
l1
m
B
m
u
m
(k +j l) (3.8a)
y
m
(k +l) =
iI(m)
C
m,i
_
A
j
i
x
i
(k) +
j
l=1
A
l1
i
B
i
u
i
(k +j l)
_
(3.8b)
Agrupando agora os termos com a ajuda dos vetores x
m
, u
m
e y
m
para representar as
predi coes dos estados, controles e sadas respectivamente para todo o horizonte de predi cao,
e as matrizes CA
m,i
e CB
m,i
para agrupar as matrizes que denem as din amicas, tem-se
agora o seguinte conjunto de vetores e matrizes:
x
m
=
_
_
x
m
(k + 1)
.
.
.
x
m
(k +T)
_
_
, u
m
=
_
_
u
m
(k)
.
.
.
u
m
(k +T 1)
_
_
y
m
=
_
_
y
m
(k + 1)
.
.
.
y
m
(k +T)
_
_
, CA
m,i
=
_
_
C
m,i
A
i
C
m,i
A
2
i
.
.
.
C
m,i
A
T
i
_
_
CB
m,i
=
_
_
C
m,i
B
i
0 0
C
m,i
A
i
B
i
C
m,i
B
i
0
.
.
.
.
.
.
.
.
.
0
C
m,i
A
T1
i
B
i
C
m,i
A
T2
i
B
i
C
m,i
B
i
_
_
Utilizando os vetores e matrizes desenvolvidas pode-se escrever a equa cao da predi cao das
3.4. Formula cao do MPC Utilizando Variaveis de Estado 19
sadas para todo o horizonte conforme a equa cao:
y
m
=
iI(m)
_
CA
m,i
x
i
(k) +CB
m,i
u
i
_
(3.9)
Dene-se agora matrizes

Q
m
e

R
m
com dimens oes apropriadas e vetores u
min
m
, u
max
m
, y
min
m
, e
y
max
m
como na sequencia:
Q
m
=
_
_
Q
m
0 0
0 Q
m
0
.
.
.
.
.
.
.
.
.
0
0 0 0 Q
m
_
_
,

R
m
=
_
_
R
m
0 0
0 R
m
0
.
.
.
.
.
.
.
.
.
0
0 0 0 R
m
_
_
u
min
m
=
_
_
u
min
m
.
.
.
u
min
m
_
_
, u
max
m
=
_
_
u
max
m
.
.
.
u
max
m
_
_
y
min
m
=
_
_
y
min
m
.
.
.
y
min
m
_
_
, y
max
m
=
_
_
y
max
m
.
.
.
y
max
m
_
_
O problema P pode ser representado por uma forma compacta conforme segue:
P : min f =
1
2
M
m=1
_
y
m

Q
m
y
m
+ u
m

R
m
u
m
(3.10a)
S.a : De m = 1, . . . , M :
y
m
=
iI(m)
_
CA
m,i
x
i
(k) +CB
m,i
u
i
_
(3.10b)
u
min
m
u
m
u
max
m
(3.10c)
y
min
m
y
m
y
max
m
(3.10d)
Para esta formula cao, tem-se o seguinte [9]:
Observa cao 3.1. O problema de otimizac ao P e um problema quadr atico convexo.
Desenvolvendo em P a rela cao da equa cao (3.9), pode-se representar o problema utili-
zando apenas o estado atual e os controles. Primeiramente dene-se f
m
como uma parte do
problema P para um m especco para realizar esta substitui cao:
f
m
=
1
2
_
_
iI(m)
_
CA
m,i
x
i
(k) +CB
m,i
u
i
_
_
_
Q
m
_
_
iI(m)
_
CA
m,i
x
i
(k) +CB
m,i
u
i
_
_
_
+
1
2
u
m

R
m
u
m
=
1
2
_
_
iI(m)
CA
m,i
x
i
(k)
_
_
Q
m
_
_
iI(m)
CA
m,i
x
i
(k)
_
_
+
_
_
iI(m)
CA
m,i
x
i
(k)
_
_
Q
m
_
_
iI(m)
CB
m,i
u
i
_
_
+
1
2
_
_
iI(m)
CB
m,i
u
i
_
_
Q
m
_
_
iI(m)
CB
m,i
u
i
_
_
+
1
2
u
m

R
m
u
m
(3.11a)
Novamente realiza-se um agrupamento de termos denindo os vetores g
m,i,j
para os termos
que dependem do estado atual e dos controles, as matrizes H
m,i,j
para agrupar termos que
dependem somente do controle e c
m
para agrupar os termos constante de f
m
como segue:
g
m,i,j
= CB
m,i

Q
m
CA
m,j
x
j
(k) for i, j I (m) (3.12a)
H
m,m,m
= CB
m,m

Q
m
CB
m,m
+

R
m
(3.12b)
H
m,i,j
= CB
m,i

Q
m
CB
m,j
(3.12c)
for i, j I (m) , i ,= m or j ,= m
c
m
=
1
2
iI(m)
jI(m)
x
i
(k)
CA
m,i

Q
m
CA
m,j
x
j
(k) (3.12d)
E possvel assim redenir o problema P como na formula cao (3.13), onde agora a repre-
senta cao ca somente em fun cao dos controles.
P : min f( u) =
1
2
M
m=1
iI(m)
jI(m)
_
u
i
H
m,i,j
u
j
+g
m,i,j
u
i
+
M
m=1
c
m
(3.13a)
S.a : De m = 1, . . . , M :
u
min
m
u
m
u
max
m
(3.13b)
y
min
m

iI(m)
_
CA
m,i
x
i
(k) +CB
m,i
u
i
_
y
max
m
(3.13c)
Na formula cao atual, pode-se dizer o seguinte [9]:
3.5. Metodo de Barreira Logartmica 21
Proposi cao 3.1. f e uma fun c ao estritamente convexa.
A convexidade estrita e uma propriedade que sera de grande ajuda no desenvolvimento
dos algoritmos na sequencia deste trabalho. Foram denidos todos os elementos necessarios
para realizar a parte de experimentos usando a abordagem centralizada, porem existem alguns
aspectos que serao tratados de forma diferente, como por exemplo, as restri coes da planta.
Existem diversos algoritmos que resolvem os problemas de controle preditivo com a
formula cao quadratica atual, porem neste trabalho o objetivo e tratar as restri coes para que
P deixe de ser um problema de programa c ao quadr atica com restri coes e passe a ser um
problema de minimizac ao irrestrita, onde algoritmos mais simples podem ser utilizados [9].
Esta altera cao sera importante quando a formula cao distribuda for utilizada, pois a resolu cao
de subproblemas de programa c ao quadr atica com restri coes pode nao convergir para o ponto
otimo global, diculdade superada com a formula cao de problemas de minimizac ao irrestrita.
Visando este objetivo, sera apresentado e aplicado em P o metodo de barreira logartmica.
3.5 Metodo de Barreira Logartmica
O metodo de barreira foi proposto por Fiacco e McCormick nos anos sessenta [58],
quando foi chamado de tecnica de minimiza cao sequencial irrestrita (SUMT). A ideia principal
do metodo e transformar a busca da solu cao de um problema de otimiza cao convexa com
restri coes em uma sequencia de minimiza coes irrestritas de subproblemas, onde a solu cao de
um subproblema na itera cao atual sera considerada como o ponto inicial para o subproblema
da proxima itera cao [22, 25].
Nestes subproblemas, as restri coes do problema original s ao incorporadas na fun cao
objetivo atraves de alguma fun cao matem atica especca, fazendo com que pontos proximos
às fronteiras das restri coes tenham pesos elevados. Assim a solu cao do problema tende a se
afastar das fronteiras dadas por estas restri coes.
O problema P pode ser representado de uma forma simplicada como:
P : min f (x) (3.14a)
S. a: Ax b, (3.14b)
onde Ax b pode representar o conjunto de todas as restri coes, tanto do controle quanto
da sada. Assume-se que o problema e resolvvel, ou seja, um x
otimo existe, e as restri coes

delimitam um conjunto fechado
1
. O metodo de barreira requer um ponto inicial estritamente
1
Um conjunto S e dito fechado se todo ponto fora de S possui uma vizinhanca disjunta de S [59].
factvel e o domnio da fun cao e o conjunto de pontos que satisfazem as restri coes de desi-
gualdade do problema (3.14) de forma estrita. Assim, uma fun c ao de barreira e qualquer
fun cao B(x) :
n
que satisfaz:
B(x) 0 para todo x que satisfaz Ax < b, e
B(x) quando x se aproxima da fronteira de x[Ax < b
O metodo da barreira logartmica e um dos tipos de metodos de barreira utilizados
para resolver problemas de otimiza cao convexos com restri coes de desigualdade [6]. Sendo a
i
a i -esima linha de A, a ideia do metodo e tratar as restri coes usando a fun cao de barreira
logartmica como a seguir:
(x) =
p
i=1
log
_
b
i
a
i
x
_
, dom = x[Ax < b (3.15)
onde p e o n umero de restri coes de P, ou seja, o n umero de linhas da matriz A. Aplicando
o metodo de barreira em P, dado por (3.14), obtem-se um problema de centraliza cao dado
por:
P () : min g (x) = f (x) +(x) (3.16)
onde > 0 e um par ametro que ajusta a exatidao da aproxima cao. Quanto menor , mais
precisa a aproxima cao P () se torna. A solu cao otima x
e alcan cada resolvendo (3.16)

para uma sequencia decrescente de 0
+
, ou seja, limx
0
+
() = x
. O algoritmo 1 possui
um pseudo-c odigo com a estrutura utilizada no metodo de barreira e a Figura 3.2 ilustra o
resultado da utiliza cao do metodo para um problema ctcio.
Algoritmo 1: Metodo de Barreira
entrada: um x estritamente factvel, inicial, taxa de decrescimento < 1, e
toler ancia
iniciar: k = 1 e
(0)
=
repeat
k = k + 1
calcular passo: obter x
k
resolvendo P(
k
) com a solu cao inicial x
if
k
> /p then
x = x
k
e
k+1
=
k
until
(k)
/p ;
O metodo de Newton pode ser utilizado dentro do algoritmo 1 para se alcan car a solu cao
otima de x() para cada utilizado, usando para este m o gradiente e a Hessiana de (x) e
3.5. Metodo de Barreira Logartmica 23
x
1
x
2
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
x(
0
)
0 x
x
0
Figura 3.2: Caminho gerado pelo metodo de barreira
f(x). O algoritmo 2 mostra como utilizar o metodo de Newton com backtracking line search
[6] para a escolha do tamanho do passo para cada itera cao. Este metodo e dependente de
dois par ametros, 0 < < 0.5 e 0 < < 1, lembrando que o ajuste destes afeta fortemente o
n umero de passos de Newton necessarios para a convergencia [6], porem esta discuss ao nao
sera abordada neste trabalho. O gradiente e a Hessiana das restri coes, agrupadas em , s ao
dados por:
(x) =
p
i=1
1
(b
i
a
i
x)
a
i
,
2
(x) =
p
i=1
1
(b
i
a
i
x)
2
a
i
a
i
(3.17)
P() possui uma solu cao unica x
() para qualquer > 0 pois g(x) e estritamente

convexa. O caminho central T = x
() : > 0 e o conjunto de todos os pontos x
(), > 0,
que s ao chamados de pontos centrais. As seguintes condi coes de otimalidade de primeira
ordem caracterizam um ponto central porque s ao condi coes necessarias e sucientes:
g(x
()) = f(x
()) +
p
i=1
1
(b
i
a
i
x
)
a
i
= 0 (3.18)
Com a formula cao desenvolvida se tem todos os elementos necessarios para entao re-
solver o problema P com a abordagem centralizada.
Algumas observa coes podem ser feitas neste momento em rela cao ao Lagrangeano de
P, L(x, ) = f(x) +
p
i=1
i
(a
i
xb
i
), onde e um vetor de multiplicadores de Lagrange.

E
valido dizer que min
x
L(x, ), dados valores arbitr arios de 0, fornece um limite inferior
para o valor objetivo otimo f
do problema original [38].

Algoritmo 2: Metodo de Newton para P()
entrada: um ponto inicial x na itera cao k, par ametro de barreira , par ametros do
backtracking (0, 1/2) e (0, 1), e toler ancia
while |g(x)| > do
obter o passo de Newton x =
2
g (x)
1
g (x)
denir s = 1
while g (x +sx) > g (x) +sg (x)
x do
s = s
x = x +sx
sada: x
As condi coes (3.18) podem ser usadas para mostrar que todo ponto central fornece um
ponto dual factvel [9]. Dado x(), os multiplicadores de Lagrange s ao dados por:
i
() =

(a
i
x() b
i
)
, i = 1, . . . , p
onde
i
() > 0, pois (a
i
x() b
i
) < 0 para todo i. Pode-se mostrar que (
i
(), x()) e um
par dual factvel, e assim:
minL(x, ()) : x = f(x()) +
p
i=1
i
()(a
i
x() b
i
) = f(x()) p (3.19)
e por meio disto, pode-se fornecer uma barreira inferior para o custo otimo de P da seguinte
forma:
f(x()) f
p (3.20)
Para ilustrar o que foi dito, considere o seguinte problema:
min f = 0, 5u
2
1
u
1
u
2
+u
2
2
4u
2
(3.21a)
S.a :
u
1
+ 2u
2
2 (3.21b)
u
1
1 (3.21c)
u
1
8 (3.21d)
u
2
0.5 (3.21e)
Este problema de minimiza cao foi resolvido utilizando o metodo de barreira logartmica,
com ponto inicial em x
1
= 1 e x
2
= 3. Os par ametros do algoritmo foram denidos como
(0)
= 20, toler ancia = 10
3
e taxa de decrescimento = 0, 5. A Figura 3.3 ilustra a
aproxima cao do resultado otimo, tanto pelo metodo de barreira quanto pelo limite inferior
dado pelo Lagrangeano, mostrando como x() converge para x
quando 0.
3.6. Sumario 25
1 2 3 4 5 6 7 8 9 10 11 12
25
20
15
10
5
0
iterao
c
u
s
t
o

f(x
)
f(x())
f(x()) p
Figura 3.3: Convergencia de f(x())
3.6 Sumario
Nesse captulo abordou-se o controle preditivo baseado em modelo, mais especicada-
mente usando modelos em variaveis de estado, onde se desenvolveu uma formula cao que sera
aplicada no modelo da coluna de destila cao. Alem disto, foi aplicado o metodo de barreira
logartmica para tratar as restri coes do processo. Na sequencia, uma formula cao distribuda
sera elaborada para o mesmo problema, sendo esta abordagem um dos focos principais do
trabalho.
Captulo 4
Controle Distribudo
No captulo anterior foi elaborado um controlador preditivo baseado em modelos em
variaveis de estado para que possa ser aplicado no modelo da coluna de destila cao. No entanto
a abordagem utilizada foi centralizada, onde todas as informa coes dos sensores da planta s ao
levadas a uma unica unidade de processamento e esta e quem vai fornecer valores-alvo para
todos os controladores do processo.
Este captulo trata do mesmo problema de controle preditivo baseado em modelos em
variaveis de estado, porem com uma abordagem distribuda, onde agentes s ao respons aveis
por controles locais e trocam informa coes apenas com agentes vizinhos. Esta abordagem pode
ser uma maneira de resolver o problema da centraliza cao de informa coes/processamento do
processo.
Tambem sera apresentado um algoritmo iterativo para ser aplicado na formula cao dis-
tribuda a m de garantir a qualidade dos resultados do calculo de controle para o resultado
otimo global.
4.1 Introducao
O controle preditivo distribudo (DMPC) e uma tecnologia atual e ainda em evolu cao
cujas caractersticas e objetivos s ao similares ao MPC, utilizando-se de modelos de predi cao,
tratando restri coes e usando algoritmos de otimiza cao [11]. Porem agora a tarefa do calculo
da a cao de controle deixa de ser realizada por apenas uma unidade de processamento e passa
a ser distribuda ao longo do processo.
A ideia do controle distribudo e dividir o problema de otimiza cao estatico em sub-
problemas menores e mais simples, quando comparados ao problema original, para serem
resolvidos por uma rede de agentes. Cada subproblema seria referente a um controle local e
28 4. Controle Distribudo
cada agente seria respons avel em resolver um destes subproblemas, trocando as informa coes
sobre valores de sada e a coes de controle com outros agentes. O controle resultante em toda
a planta seria obtido ap os uma negocia cao entre os agentes, visando um desempenho igual
ao MPC centralizado.
Uma abordagem deste tipo pode trazer diversas vantagens, como por exemplo, durante
alguma modica cao da planta, onde ao inves de modicar todo o algoritmo centralizado
seria suciente adicionar novos agentes e modicar apenas os agentes que possurem rela cao
com estes novos agentes, ou entao durante alguma manuten cao, devido aos algoritmos mais
simples dos agentes distribudos.
Os estudos do DMPC possuem duas frentes principais, uma mais focada na resposta da
aplica cao do controle [34, 40, 57], tratando aspectos como estabilidade e desempenho, e outra
que estuda os algoritmos de otimiza cao [8, 10, 18, 31, 42] , tratando maneiras de se decompor
o problema original e projetando algoritmos para que a solu cao otima dos subproblemas
distribudos seja alcan cada. As proximas se coes se encaixam no segundo grupo, onde se tem
a formula cao distribuda do controlador preditivo e a elabora cao de um algoritmo distribudo
para garantir o funcionamento deste controlador.
4.2 Formulacao Distribuda
Esta se cao trata o problema da formula cao distribuda de P, dado pelo sistema de
equa coes (3.13), realizando a decomposi cao do problema em uma rede de subproblemas aco-
plados P
m
[11]. Nesta formula cao cada controle local ter a um agente m, respons avel por
computar um vetor de controle u
m
. Considerando a rede de subsistemas da Figura 3.1, sera
atribudo um agente para cada subsistema, como ilustrado na Figura 4.1.
Ag2
Ag3
Ag4 Ag5
Ag6
Figura 4.1: Rede de agentes
Para uma perfeita decomposi cao, cada agente m deve possuir toda a informa cao do
problema P que depende de u
m
, inclusive as restri coes. Antes da formula cao da decomposi cao
de P deve-se denir alguns conjuntos especiais:
O(m) = i : m I (i) , i ,= m para representar o conjunto de vizinhos de sada de m;
4.2. Formula cao Distribuda 29
C (m) = (i, j) I (m) I (m) : i = m or j = m para os pares de subsistemas cujos
termos quadraticos estao presentes na fun cao custo do subsistema m e utilizam u
m
.
O(m, l) = (i, j) I (l) I (l) : i = m or j = m para os pares de subsistemas cujos
termos quadraticos estao presentes na fun cao custo do subsistema l, l O(m) e utilizam
u
m
;
N(m) = (I (m) O(m) i : (i, j) O(m, l) , l O(m)) m, dene a vizinhanca
do agente m, incluindo os vizinhos de entrada e sada;
w
m
= ( u
i
: i N(m)), para o conjunto de sinais de controle dos vizinhos do agente m;
z
m
= ( u
i
: i /N(m) m), para o conjunto de todos os sinais de controle que
nao estao em w
m
ou u
m
.
Para exemplicar a constru cao destes conjuntos foi utilizado como referencia o agente
3 da rede representada na Figura 4.1. Os conjuntos do agente 3, neste caso, s ao dados por:
I(3) = 1, 2, 3, 4;
O(3) = 2, 4, 5;
C(3) = (1, 3), (3, 1), (2, 3), (3, 2), (3, 3), (3, 4), (4, 3);
O(3, 2) = (2, 3), (3, 2), (3, 3);
O(3, 4) = (1, 3), (3, 1), (3, 3), (3, 4), (4, 3);
O(3, 5) = (3, 3), (3, 5), (5, 3), (3, 6), (6, 3);
N(3) = 1, 2, 3, 4, 5, 6.
Continuando a formula cao distribuda, dene-se um problema P
m
para representar P
para um m qualquer, deixando o problema da seguinte forma:
P
m
:
min f
m
( u) =
1
2
(i,j)C(m)
u
i
H
m,i,j
u
j
+
iI(m)
g
m,m,i
u
m
+c
m
+
1
2
lO(m)
(i,j)O(m,l)
u
i
H
l,i,j
u
j
+
lO(m)
(m,j)O(m,l)
g
l,m,j
u
m
(4.1a)
S.a :
u
min
m
u
m
u
max
m
(4.1b)
y
min
i

jI(i)
_
CA
i,j
x
j
(k) +CB
i,j
u
j
_
y
max
i
, i O(m) m (4.1c)
com H
m,i,j
, g
m,i,j
e c
m
denidos pelas equa coes (3.12a) a (3.12d). Neste problema existem
diversos termos que s ao relacionados ` as mesmas variaveis, por isto e possvel simplicar a
representa cao do problema agrupando estes termos como a seguir:
H
m
= H
m,m,m
+
lO(m)
H
l,m,m
(4.2a)
g
m
=
1
2
(i,m)C(m):i=m
_
H
m,i,m
+H
m,m,i
_
u
i
+
iI(m)
g
m,m,i
+
1
2
lO(m)
(i,m)O(m,l):i=m
_
H
l,i,m
+H
l,m,i
_
u
i
+
lO(m)
(m,j)O(m,l)
g
l,m,j
(4.2b)
Com isto, o problema P
m
pode ser reescrito como:
P
m
( w
m
) :
min f
m
( u
m
, w
m
) =
1
2
u
m
H
m
u
m
+g
m
u
m
+c
m
(4.3a)
S.a :
u
min
m
u
m
u
max
m
(4.3b)
y
min
i

jI(i)
_
CA
i,j
x
j
(k) +CB
i,j
u
j
_
y
max
i
, i O(m) m (4.3c)
Esta formula cao e aplicada em cada controle local u
m
do processo e e atribuda a cada
agente m. Para este caso, o termo c
m
e constante e poderia ser retirado do problema de
otimiza cao sem afetar o resultado.
Algumas propriedades e deni coes importantes da decomposi cao do problema s ao enun-
ciadas a seguir. As demonstra coes s ao encontradas em [8]:
Corolario 4.1. f
m
( u
m
, w
m
) e uma fun c ao de u
m
estritamente convexa.
Demonstrac ao. f
m
e convexo pois suas parcelas y
m

Q
m
y
m
e u
m

R
m
u
m
s ao convexas, dado
que

Q
m
s ao matrizes positivas semi-denidas e

R
m
matrizes positivas denidas.
Deni cao 4.1 (Espa cos factveis). Os espacos factveis denidos pelas restric oes de P
m
s ao
dados por:
U
m
e o espaco factvel dado pelas restric oes de P
m
( w
m
);
U = U
1
U
M
e o espaco factvel para P;
W
m
=
iN(m)
U
i
e o espaco factvel das vari aveis na vizinhan ca do agente m.
4.2. Formula cao Distribuda 31
Hip otese 4.1 (Compacidade). O espaco factvel U e um conjunto compacto.
Hip otese 4.2 (Factibilidade estrita). Existe um u U tal que as restric oes de desigualdade
sejam atendidas de forma estrita para todo m /.
Proposi cao 4.1 (Condi coes de Otimalidade). Como f e uma fun c ao convexa e U e um
conjunto convexo, u
e um mnimo local em U se e somente se:

f( u
( u u
) 0, u U (4.4)
Um ponto u
que satisfaz a condic ao (4.4) e chamado de ponto estacionario.

Na ausencia de restri coes de acoplamento entre os subsistemas, uma solu cao otima u
para o conjunto de subproblemas P

m
seria uma solu cao otima global, pois P e convexo [8].
No entanto, esta rela cao nao e valida para este trabalho, pois as restri coes dos subsistemas
acoplam as sadas do processo.
O problema 3.21 pode ser utilizado para ilustrar esta arma cao. Se simplesmente
for aplicada a teoria da decomposi cao estabelecida e for utilizada uma resolu cao sequencial,
alternando na busca da solu cao de u
1
e u
2
atraves de problemas estabelecidos P
1
e P
2
, tem-se
um resultado como a trajet oria em linha contnua encontrada na Figura 4.2.

E possvel ver
que o resultado obtido atraves desta abordagem nao atinge o valor otimo, cando limitada
devido às restri coes existentes.
u
1
u
2
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
timo global sem restries
curva gerada pelo
mtodo de barreira
caminho gerado pelo
mtodo sequencial
rea delimitada
por restries
Figura 4.2: Convergencia de algoritmos distribudos.
Uma alternativa para contornar este problema e a utiliza cao de algoritmos de ponto-
interior, produzindo um caminho central ate a solu cao otima do problema [9]. Assim, as
restri coes dos subproblemas serao tratadas como no captulo anterior, aplicando o metodo de
barreira logartmica, e sera desenvolvido um algoritmo especco para coordenar os agentes
e garantir a convergencia do calculo de controle para o resultado otimo global. O caminho
central ate a solu cao otima do problema obtida desta forma pode ser visto na trajet oria
tracejada na Figura 4.2.
4.3 Algoritmo Distribudo
Esta se cao descreve o algoritmo distribudo que sera utilizado para que cada agente
chegue à solu cao otima quando estes forem usados para calcular as a coes de controle do
processo. Trata-se de um algoritmo iterativo, com a gera cao de uma sequencia de solu coes
que tende à solu cao otima global. Primeiramente dene-se o problema P
m
( w
m
) para um
especco como P
m
():
P
m
() = min g
m
( u
m
) = f
m
( u
m
) +
m
( u
m
) (4.5)
onde
m
( u
m
) e a fun cao barreira logartmica das restri coes do processo que dependem dire-
tamente de u
m
, como visto na se cao anterior, ou seja, as desigualdades dadas pelas equa coes
(4.3b) e (4.3c).
A seguir dene-se um vetor u
k
=
_
u
k
1
, . . . , u
k
M
_
para o conjunto de todas as decisoes de
controle do problema P na itera cao k. O agente m produz a nova itera cao u
k+1
m
da seguinte
forma:
u
k+1
m
= u
k
m
s
k
m
g
m
( u
k
m
) (4.6)
onde s
k
m
e o passo na dire cao g
m
( u
k
m
), que e a dire cao de m aximo descenso. Uma maneira
de se calcular este passo e atraves do metodo de backtracking line search [6], citado no captulo
anterior e exposto na sequencia no Algoritmo 3:
Algoritmo 3: Metodo de backtracking
input: um u
k
m
estritamente factvel, uma dire cao de descenso g
m
( u
k
m
) e os
par ametros do backtracking (0, 1/2) e (0, 1)
s
k
m
= 1
while g
m
( u
k
m
s
k
m
g
m
( u
k
m
)) > g( u
k
m
) s
k
m
_
_
g
m
( u
k
m
)
_
_
2
do
s
k
m
= s
k
m
output: u
k+1
m
= u
k
m
s
k
m
g
m
( u
k
m
)
Uma outra alternativa seria a utiliza cao da dire cao de Newton, dada pela expressao
2
g
m
( u
k
m
)
1
g
m
( u
k
m
) que, para o caso de uma fun cao g
m
convexa, tambem induz uma
dire cao de descenso. Neste caso g
m
(
2
g
m
( u
k
m
)
1
g
m
( u
k
m
)) < 0.
Para garantir a convergencia da rede ate uma solu cao estacionaria do problema de
caminho central P(), algumas suposi coes devem ser respeitadas ao resolver os problemas
4.3. Algoritmo Distribudo 33
P
m
():
Hip otese 4.3 (Trabalho Sncrono). Se o agente m est a revendo sua decis ao na iterac ao k,
ent ao:
(a) o agente m usa w
k
m
para produzir uma aproximac ao da solu c ao u
k+1
m
para P
m
(), uti-
lizando o passo na dire c ao de descenso;
(b) u
k
m
n ao e uma solu c ao otima para P
m
();
(c) todos os agentes na vizinhaca do agente m devem manter suas decis oes na iterac ao k:
u
k+1
i
= u
k
i
i N (m).
Hip otese 4.4 (Trabalho M aximo e Contnuo). Se u
k
n ao e um ponto estacion ario para P(),
ent ao o agente m(k) = arg
iM
max
__
_
g
i
( u
k
i
)
_
_
_
produz a nova iterac ao u
k+1
m(k)
.
Com a perfeita decomposi cao do problema, onde cada problema P
m
( w
m
) e cada pro-
blema de barreira P
m
() abrangem todos os termos e restri coes do problema P original que
dependem de u
m
, pode-se dizer o seguinte:
Proposi cao 4.2. u e um ponto estacion ario de P() se, e somente se, o par ( u
m
, w
m
) for
um ponto estacion ario para P
m
() para todo m /.
Um pseudo-c odigo e dado no Algoritmo 4, representando o metodo de barreira dis-
tribudo aplicado em uma rede. Neste codigo pode-se observar dois ciclos que devem ser
executados na busca das solu coes, sendo um deles para cada itera cao k e o outro para a
sequencia decrescente de . Come cando com uma a cao de controle factvel, os agentes trocam
informa coes localmente sobre suas decisoes, sincronizam seus calculos para que nao trabalhem
em paralelo e iteram ate atingirem a convergencia.
Ressaltando o problema P() tratado com o algoritmo distribudo, este pode ser obser-
vado no la co de repeti cao interior do Algoritmo 4. Neste ciclo, a cada itera cao k os agentes
devem seguir a estrutura de comunica cao estabelecida, fazendo com que o agente m com
maior dire cao de descenso itere, assim como os agentes, nao-vizinhos entre si, que nao estao
na vizinhan ca de m, repetindo este processo ate chegar à solu cao u() de P(). Mediante o
que foi exposto ate agora, juntamente com as an alises de convergencia encontradas em [9],
pode-se denir o seguinte:
Teorema 4.1. Atraves das Hip oteses 4.3 e 4.4, o algoritmo distribudo com passo de descenso
por gradiente fornece uma sequencia de iterandos u
k
convergente para a solu c ao u() do
problema de centralizac ao P().
Assim, com tudo que foi exposto ate agora, se tem toda a teoria para a aplica cao dos
controles centralizado e distribudo na coluna de destila cao, podendo entao come car a parte
de aplica cao e an alise de resultados deste trabalho.
Algoritmo 4: Metodo de barreira distribudo
entrada: ( u
0
1
u
0
M
) estritamente factveis, =
0
> 0, 0 < < 1, toler ancia
e > 0 e teste de parada = false.
repeat
repeat: (Solu c ao do problema de centraliza c ao, P())
calculam-se os passos de descenso, g
i
( u
k
i
), i /;
o agente m que tiver a maior taxa de decrescimento recebe w
k
m
e calcula
u
k+1
m
para o atual usando o metodo de descenso com backtracking;
os agentes i nao vizinhos entre si e que nao estao na vizinhan ca do agente
m calculam u
k+1
i
para o atual;
os demais agentes, j, mantem u
k+1
j
= u
k
j
;
u
k+1
:=
_
u
k+1
1
u
k+1
M
_
;
if u
k
for um ponto estacion ario para P() then
:= true;
else
k := k + 1;
until = true ;
:= ;
until < e ;
4.4 Sumario
Neste captulo foi apresentada uma formula cao distribuda para o problema de controle
preditivo baseado em modelos no espa co de estados, juntamente com um algoritmo distribudo
para garantir bons resultados. Esta formula cao sera aplicada mais adiante, a m de comparar
a abordagem centralizada com a distribuda.
No proximo captulo serao aplicadas as formula coes no modelo da coluna de destila cao
e serao expostos os resultados, comparando tempo de processamento, desempenho, entre
outros aspectos.
Captulo 5
Resultados Experimentais
Com o conte udo descrito nos captulos anteriores caram denidos todos os elementos
te oricos do trabalho sobre os controles centralizado e distribudo. Parte-se agora para a
aplica cao das formula coes dos controladores preditivos no modelo da coluna de destila cao.
O objetivo principal do captulo e vericar o funcionamento do DMPC comparado
ao algoritmo centralizado, observando os calculos de controle, sada do processo, tempo de
processamento, entre outros aspectos.
5.1 Aplicacao das Formulacoes no Modelo
Retomando alguns aspectos do modelo da coluna de destila c ao, este e composto por tres
entradas (u
1
, u
2
e u
3
) e tres sadas (y
1
, y
2
e y
3
). O modelo no espa co de estados destaca os
grupos de matrizes que indicam os acoplamentos entre as entradas e sadas do processo. Para
este modelo, devido ao acoplamento direto entre todas as variaveis, o conjunto de vizinhos
de entrada I (m) e igual à 1, 2, 3 para qualquer m.
As matrizes de pondera coes dos controladores, referentes às a coes de controle e erro
de seguimento, foram denidas com valores unit arios, pois este ajuste nao e o foco deste
trabalho. As restri coes utilizadas demarcam valores m aximo e mnimo de a cao de controle e
sada do processo, e estao no formato de programa cao quadratica, sendo expandidas conforme
o horizonte de predi cao.
Ser ao comparados os resultados de tres algoritmos distintos, sendo dois deles com abor-
dagem centralizada e o outro sendo o distribudo. O primeiro algoritmo centralizado utiliza
a formula cao de programa cao quadratica convencional, onde a solu cao de P e obtida com a
ajuda do solver QUADPROG, especco do Matlab
R _
para problemas na forma quadratica
com restri coes. Este metodo sera denominado como cent
QP
.
36 5. Resultados Experimentais
O segundo algoritmo centralizado e baseado na teoria discutida no Captulo 3, onde a
solu cao de P e encontrada com a aplica cao do metodo de barreira logartmica para tratar as
restri coes do problema. Este metodo sera chamado de cent
Br
.
O terceiro algoritmo, dist
Br
, trata da abordagem distribuda usando o metodo de bar-
reira. Para esta abordagem primeiramente se deve estabelecer quais s ao os elementos dos
conjuntos utilizados na formula cao.
Alem de I (m) = 1, 2, 3 para qualquer m, a vizinhan ca e igual ao conjunto de sada
para cada agente m. Outros conjuntos s ao dados na Tabela 5.1.
Tabela 5.1: Conjuntos de cada agente
m O(m) C(m) O(m, k) w
m
1 2,3 (1,1),(1,2),(2,1),(1,3),(3,1) O(1,2) = O(1,3) = C(1) u
2
, u
3
2 1,3 (1,2),(2,1),(2,2),(2,3),(3,2) O(2,1) = O(2,3) = C(2) u

1
, u
3
3 1,2 (1,3),(3,1),(2,3),(3,2),(3,3) O(3,1) = O(3,2) = C(3) u

1
, u
2
Os vetores z
m
s ao de dimens ao nula para todos os m. Com estes vetores estabelecidos,
pode-se montar cada um dos problemas P
m
do algoritmo distribudo. Outros elementos,
referentes às variaveis e criterios de convergencia dos algoritmos, foram denidos como a
seguir:
O criterio de convergencia do metodo de Newton, utilizado no cent
Br
e dist
Br
, foi
adotado como 10
5
;
A toler ancia do metodo de barreira foi escolhida como 10
4
;
O criterio de convergencia adotado no algoritmo distribudo foi e 10
4
;
Dez pontos iniciais aleat orios foram utilizados nos experimentos, deixando-os primeira-
mente factveis. Estes pontos se encontram na Tabela 5.2;
O valor inicial de , usado no metodo de barreira, foi de 10
3
;
Os horizontes de predi cao analisados foram T = 1, 2, 5, 10, 15, 20, 25, 30;
As taxas de decaimento para os metodos de ponto-interior foram 0, 05; 0, 1; 0, 3; 0, 5.
As solu coes passadas sobre o controle poderiam ser utilizadas como uma aproxima cao
inicial do problema de otimiza cao (hot start), porem isto nao foi feito para enfatizar o que
seria o pior caso possvel. Os experimentos foram realizados variando os tipos de algoritmos,
horizonte de predi cao e taxa de decaimento. Na proxima se cao estao os resultados obtidos.
5.2. Resultados Numericos 37
Tabela 5.2: Condi coes iniciais
Sada C.I.
1
C.I.
2
C.I.
3
C.I.
4
C.I.
5
C.I.
6
C.I.
7
C.I.
8
C.I.
9
C.I.
10
y
1
0,500 -0,500 -0,201 -0,379 0,171 -0,082 -0,265 0,178 -0,044 0,334
y
2
0,212 0,121 0,297 0,015 0,338 0,273 -0,010 0,149 -0,014 0,028
y
3
-0,241 -0,079 -0,500 -0,212 -0,438 0,353 -0,500 -0,492 0,500 0,412
5.2 Resultados Numericos
Em etapas iniciais do estudo foram obtidos resultados com o DMPC sem o uso de
restri coes, apenas averiguando o funcionamento da distribui cao do problema P. Apesar de a
aplica cao ser muito semelhante à teoria estabelecida, existem algumas diferen cas que devem
ser expostas.
Alem de se omitirem as restri coes, a formula cao do controle preditivo utilizada e baseada
na resposta ao degrau da coluna de destila cao (DMC) [30] e o controle tem como objetivo
o seguimento de uma referencia, diferente da formula cao estabelecida neste trabalho. Mais
detalhes sobre esta formula cao podem ser encontradas em [47].
Os resultados obtidos das sadas e a coes de controle das abordagens centralizada e
distribuda estao na Figura 5.1.
0 2 4 6 8 10 12 14 16 18 20 22 24 24
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo [ h ]
0 2 4 6 8 10 12 14 16 18 20 22 24
-0.4
-0.2
0
0.2
0.4
0.6
Tempo [ h ]
y
1
y
2
y
3
u
1
u
2
u
3
(a) Controle Centralizado
0 2 4 6 8 10 12 14 16 18 20 22 24 24
0
0.1
0.2
0.3
0.4
0.5
0.6
Tempo [ h ]
0 2 4 6 8 10 12 14 16 18 20 22 24
-0.4
-0.2
0
0.2
0.4
0.6
Tempo [ h ]
y
1
y
2
y
3
u
1
u
2
u
3
(b) Controle Distribudo
Figura 5.1: Compara cao entre controles aplicados na coluna de destila cao
O comportamento observado com a abordagem distribuda foi semelhante ao resultado
obtido com o controle centralizado, sendo este um indcio de que a formula cao distribuda
funciona tao bem quanto à centralizada.
Os proximos resultados s ao referentes à teoria demonstrada neste trabalho, onde o
objetivo agora e levar as sadas para zero. A fun cao objetivo dada em (3.10) e usada para
compara coes nos experimentos computacionais, sendo referenciada como custo. A Tabela
5.3 possui a media dos resultados dos custos obtidos com os dez pontos iniciais e os quatro
valores diferentes de para cada horizonte de predi cao considerado.
Tabela 5.3: Medias dos custos da coluna de destila cao, para todos os
T cent
QP
cent
Br
dist
Br
1 0,1405 0,1405 0,1405
2 0,2892 0,2892 0,2892
5 1,0140 1,0140 1,0140
10 1,8297 1,8297 1,8297
15 2,1495 2,1495 2,1495
20 2,2807 2,2807 2,2807
25 2,3428 2,3428 2,3428
30 2,3766 2,3766 2,3766
A compara cao entre os custos dos algoritmos centralizados serve para comprovar que
o metodo de barreira funciona adequadamente para calcular as a coes de controle, pois a
diferen ca existente e somente devido aos criterios de convergencia adotados.
A diferen ca entre o custo do dist
Br
e dos algoritmos centralizados e menor que 3
10
3
, assim como a diferen ca entre os valores de controle calculados, o que signica que
resolver o conjunto de problemas distribudos P
m
e equivalente a resolver o problema P,
demonstrando a funcionalidade do algoritmo distribudo estabelecido.
As Tabelas 5.4 à 5.6 contem os resultados relacionados ao tempo gasto nos experi-
mentos, comparando cent
QP
, cent
Br
e dist
Br
. Um computador com um processador AMD
Turion
TM
64x2 1.60 GHz e 2048 MB de mem oria foi usado para a realiza c ao destes experi-
mentos. O tempo e dado em segundos e representa o tempo medio, juntamente com o desvio
padr ao, necessario no calculo das a coes de controle de grupos de experimentos, compostos por
dez condi coes iniciais e varia coes da taxa de decaimento. Estes resultados incluem o tempo
de negociac ao entre os agentes na abordagem distribuda.
Comparando os tempos dos algoritmos centralizados, percebe-se que o algoritmo de
barreira e mais lento, porem esta diferen ca nao e de tal forma que inviabilizaria a utiliza cao
deste algoritmo.

E importante notar que o cent
QP
resolve o problema com um algoritmo
especco, que nao se tem acesso para modica coes tao facilmente, enquanto que cent
Br
e
de facil implementa cao, podendo este ser um dos motivos da ado cao do metodo de barreira,
sacricando um pouco o tempo de processamento.
Comparando os resultados do dist
Br
com os demais, pode-se perceber, como esperado,
que quanto maior o valor do horizonte de predi cao, mais tempo e necessario para atingir a
solu cao. Porem o tempo necessario sempre foi menor que um segundo, o que e um resultado
promissor, visando aplica coes reais. Neste ponto e valido lembrar que, devido ao modelo
5.2. Resultados Numericos 39
Tabela 5.4: Tempo medio de processamento, para = 0, 1
T cent
QP
cent
Br
dist
Br
1 0, 0065 0, 0047 0, 0072 0, 0027 0, 0173 0, 0024
2 0, 0068 0, 0051 0, 0136 0, 0172 0, 0244 0, 0047
5 0, 0045 0, 0009 0, 0256 0, 0208 0, 0412 0, 0126
10 0, 0244 0, 0306 0, 0376 0, 0332 0, 1224 0, 0321
15 0, 0147 0, 0221 0, 0621 0, 0316 0, 2220 0, 0854
20 0, 0515 0, 0219 0, 0875 0, 0510 0, 2726 0, 1206
25 0, 0635 0, 0169 0, 1487 0, 0412 0, 4029 0, 0857
30 0, 0716 0, 0109 0, 2423 0, 0409 0, 5388 0, 0593
T cent
QP
cent
Br
dist
Br
1 0, 0051 0, 0005 0, 0077 0, 0006 0, 0247 0, 0035
2 0, 0057 0, 0015 0, 0148 0, 0127 0, 0364 0, 0096
5 0, 0052 0, 0001 0, 0152 0, 0010 0, 0626 0, 0065
10 0, 0152 0, 0190 0, 0414 0, 0234 0, 1483 0, 0528
15 0, 0171 0, 0206 0, 0753 0, 0100 0, 2623 0, 0801
20 0, 0483 0, 0030 0, 1128 0, 0517 0, 3453 0, 0608
25 0, 0723 0, 0405 0, 2954 0, 1748 0, 6940 0, 2504
30 0, 1159 0, 0741 0, 4346 0, 1531 0, 7320 0, 1552
utilizado da coluna de destila cao, nao houve paralelismo no calculo das a coes de controle, o
que seria um ponto favor avel na utiliza cao do algoritmo distribudo.
Um ponto a ser discutido e a utiliza cao de horizontes de predi cao menores que o atraso.
Em situa coes reais isto nao deveria acontecer, porem como o objetivo era demonstrar que a
formula cao distribuda atua da mesma maneira que a centralizada, entao estes experimentos
podem ser considerados validos.
O n umero de itera coes entre os agentes para troca de informa coes tambem foi contabi-
lizado. A Figura 5.2 representa os valores medios obtidos nos experimentos, para varia coes
no horizonte de predi cao e taxa de decaimento do metodo de barreira, onde em cada gr aco
variou-se um dos par ametros enquanto se usavam todas as possibilidades do outro par ametro.
Pode-se notar que a escolha de e mais crtica para o n umero total de itera coes, que e um
fator extremamente importante para objetivos de aplica c oes praticas.
A Figura 5.3 pode ser usada para refor car as conclusoes a respeito do par ametro .
Cada curva nesta Figura representa a curva media da convergencia do algoritmo para um
horizonte de predi cao xo em T = 15 e para as dez condi coes iniciais estabelecidas. As
varia coes de utilizadas ilustram a import ancia do ajuste deste par ametro como criterio de
T cent
QP
cent
Br
dist
Br
1 0, 0074 0, 0090 0, 0108 0, 0007 0, 0465 0, 0082
2 0, 0063 0, 0052 0, 0289 0, 0302 0, 0636 0, 0245
5 0, 0195 0, 0253 0, 0264 0, 0109 0, 1112 0, 0545
10 0, 0063 0, 0004 0, 0570 0, 0034 0, 3003 0, 2854
15 0, 0272 0, 0254 0, 1076 0, 0226 0, 2807 0, 0376
20 0, 0479 0, 0026 0, 1672 0, 0447 0, 4924 0, 0604
25 0, 0773 0, 0247 0, 5150 0, 1976 0, 8130 0, 1939
30 0, 0794 0, 0332 0, 6295 0, 1524 0, 9078 0, 1459
1 5 10 15 20 25 30
0
10
20
30
40
50
60
70
80
90
100
Horizonte de predio T
I
t
e
r
a
e
s

e
n
t
r
e

o
s

a
g
e
n
t
e
s
0 0.2 0.4 0.6
0
10
20
30
40
50
60
70
80
90
100
Taxa de decrescimento
I
t
e
r
a
e
s

e
n
t
r
e

o
s

a
g
e
n
t
e
s
Figura 5.2: Itera coes do algoritmo variando T e , respectivamente.
convergencia do algoritmo.
Outra abordagem poderia ser a de utilizar um n umero m aximo de itera coes entre
agentes juntamente com os criterios de convergencia, a m de garantir o cumprimento dos
prazos entre os intervalos de amostragem, mas toda a modica cao estabelece um compromisso
entre velocidade e qualidade.
O modelo se mostrou um pouco inadequado para os objetivos do estudo, devido ao
forte acoplamento entre as variaveis. Modelos mais esparsos devem ser utilizados, onde a
abordagem distribuda pode mostrar resultados mais competitivos comparados aos algoritmos
centralizados.
Finalizando as an alises, pode-se dizer que o MPC centralizado pode ser modicado em
uma rede de agentes, calculando as a coes de controle de forma distribuda, sem grandes perdas
de desempenho e ate mesmo fornecendo vantagens, uma vez que o esfor co computacional
necessario na resolu cao de cada problema distribudo e menor.
5.3. Sumario 41
5 10 15 20 25
2.142
2.143
2.144
2.145
2.146
2.147
2.148
2.149
2.15
2.151
2.152
Iterao
C
u
s
t
o

=0,1
=0,3
=0,6
f(x
)
f(x())
f(x()) p
f(x())
f(x()) p
f(x())
f(x()) p
Figura 5.3: Convergencia de f(x()) para T = 15, variando
5.3 Sumario
Neste captulo foram aplicados e comparados os controles MPC e DMPC no modelo
da coluna de destila cao, os resultados obtidos foram de experimentos numericos, observando
as diferen cas entre os controles, tempo de processamento, entre outros aspectos.
No proximo captulo sera apresentada uma aplica cao do DMPC em malhas vi arias
urbanas. Os resultados a serem comparados foram obtidos com a ajuda de um simulador
prossional de trafego veicular, a m de validar o funcionamento do controle preditivo dis-
tribudo.
Captulo 6
Controle de Trafego Urbano
Este captulo trata da aplica cao do controle preditivo distribudo em uma malha vi aria
urbana (MVU), visando o controle de trafego veicular. Estes foram estudos realizados pa-
ralelamente ao estudo na coluna de destila cao, podendo ser colocado como uma extensao
de outra pesquisa de mestrado sobre aplica cao de controle preditivo distribudo aplicado em
redes veiculares [15].
Para o trabalho atual, a MVU foi estendida e a tecnica utilizada para o calculo das
a coes de controle foi modicada. Os resultados foram promissores, por isto optou-se por
incorporar este captulo nesta disserta cao.
No captulo estao topicos relacionados à modelagem de redes de trafego urbano, for-
mula cao do controle preditivo baseado em modelo e a an alise dos resultados numericos e
simulados obtidos.
6.1 Introducao
O n umero crescente de veculos faz com que os sistemas de trafego funcionem perto dos
seus limites, invariavelmente aumentando o congestionamento, ocasionando atrasos, aumen-
tando o nvel de emissoes de poluentes, e reduzindo a seguran ca e o conforto de motoristas e
viajantes habituais [44].
Alterar sicamente as MVUs pode resolver estes problemas, porem esta nem sempre
e uma solu cao possvel ou economicamente vi avel. Uma alternativa s ao os estudos de es-
trategias que aperfei coam o desempenho da infra-estrutura existente, principalmente atraves
do controle dos tempos de verde de sem aforos [17].
Uma rede de trafego urbana e formada por varias vias interligadas por cruzamentos
onde os sinais luminosos podem ser instalados para coordenar correntes de trafego conitan-
44 6. Controle de Trafego Urbano
Est agio 1 Est agio 2 Est agio 3
tempo
perdido
Tempo de Ciclo
Figura 6.1: Exemplo de uma interse cao urbana.
tes. Cada via pode ser subdividida em aproximac oes, onde cada aproxima cao dene quais
partes dessa via podem atravessar o cruzamento ao mesmo tempo. Esta divisao e feita por-
que e possvel que existam partes de uma mesma via com direito de passagem em momentos
diferentes. O conceito de uxo, utilizado quando se tratam problemas de trafego veicular, se
refere à quantidade total de veculos que passam pelo cruzamento partindo de uma mesma
aproxima cao. Estes uxos podem ser compatveis ou incompatveis, devido à possibilidade
de atravessarem o cruzamento simultaneamente.
Considerando a Figura 6.1, que representa um cruzamento de duas vias de quatro
pistas cada uma, pode-se ilustrar o conceito de aproxima cao. Analisando por exemplo a via
horizontal no sentido leste-oeste, existem duas aproxima coes nesta via, uma onde os veculos
permanecem na via horizontal e outra onde os veculos realizam a conversao para a via
vertical. As setas podem ser entendidas como os uxos.
Alguns conceitos basicos quando se trata de trafego urbano estao listado a seguir e
tambem estao representados na Figura 6.1.
Capacidade do cruzamento: e o n umero de veculos por unidade de tempo que
podem atravessar o cruzamento;
Fluxo de satura cao: e denido como o uxo medio que atravessa a faixa de parada
de um cruzamento, quanto este possui o direito de passagem (r.o.w.);
Ciclo: dene a repeti cao da sequencia de indica coes do sem aforo em um cruzamento;
Estagio: e dado por uma por cao do ciclo em que as indica coes semaf oricas permanecem
constantes;
Tempo perdido: e o tempo adicionado entre cada estagio para evitar interferencias
entre uxos incompatveis.
6.2. Modelagem de MVUs 45
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
x
11
x
12
x
13
x
14
x
15
x
16
x
17
1 2
3
4 5 6 7 8
Figura 6.2: Rede de trafego urbano
Retornando à discuss ao sobre os sem aforos, estes inuenciam o uxo veicular atraves
de quatro caractersticas principais [17]:
Especica cao dos estagios: Denindo quais vias ter ao direito de passagem em cada
estagio. Para cruzamentos mais complexos esta pode nao ser uma tarefa trivial;
Tempo de ciclo:

E o tempo total somando as fra coes de verde e os tempos perdidos
entre as transi coes de estagios;
Porcentagens de verde: Dene o tempo efetivo que sera atribudo a cada estagio.

E
o elemento principal do problema de otimiza cao dos estudos realizados;
Oset: Dene a diferen ca temporal entre ciclos de jun coes consecutivas. Quando bem
ajustado este elemento pode ocasionar ondas verdes.
A rede apresentada na Figura 6.2 ilustra uma MVU e sera utilizada para os estudos
seguintes, sendo que esta rede possui sem aforos em todos os cruzamentos.
6.2 Modelagem de MVUs
A modelagem utilizada e conhecida como store-and-forward [26], onde o modelo mate-
m atico descreve como as las em cada via evoluem no tempo, de acordo com a la inicial e as
caractersticas fsicas da MVU. Se o trafego urbano for modelado como um sistema bin ario,
que assume o valor do uxo de satura cao quando possui direito de passagem e zero quando for
o contrario, pode-se dizer que a modelagem store-and-forward simplica este modelo bin ario
como um uxo medio ao longo do ciclo de um cruzamento.
Primeiramente representa-se a MVU como um grafo direcionado, estabelecendo o con-
junto de vias v V e cruzamentos h H. Conjuntos I
h
e O
h
s ao utilizados para representar
as vias de chegada e sada da interse cao h, respectivamente. Sao estabelecidos os seguintes
par ametros:
C
h
, para o tempo de ciclo de cada cruzamento h (s);
L
h
, para tempo total perdido em cada cruzamento (s);
S
v
, v I
h
, para os uxos de satura cao, que s ao modelados como constantes e conhecidos
(ve/h);
t
v,w
, v I
h
, w O
h
, para as taxas de conversao dos veculos que saem da via v e se
dirigem a via w;
O controle da interse cao h possui um n umero xo de estagios, dados pelo conjunto F
h
,
cujo subconjunto G
h,v
F
h
representa os estagios em que a via v possui direito de
passagem;
u
h,i
denota o tempo de verde alocado ao estagio i do cruzamento h (s).
Duas restri coes serao impostas de modo que a sincronizacao entre os cruzamentos seja
preservada, fazendo com que o controle de fra coes de verde nao modique os ciclos nominais
da rede. Estas restri coes s ao:
Restri cao 1: A soma dos tempos de verde e dos tempos perdidos deve ser igual ao ciclo do
cruzamento ao qual pertencem,
iF
h
u
h,i
+L
h
= C
h
;
Restri cao 2: u
h,i
[u
min
h,i
, u
max
h,i
], onde u
min
h,i
e u
max
h,i
representam os tempos mnimo e m aximo
de verde de cada estagio.
Considere a rede ilustrativa da Figura 6.3. Nesta rede, uma via v interliga dois cru-
zamentos A e B. Uma expressao no tempo discreto para representar a din amica da via v e
dada por:
x
v
(k + 1) = x
v
(k) +[q
v
(k) +d
v
(k) p
v
(k) s
v
(k)], (6.1)
onde x
v
representa o n umero de veculos na via v, os elementos q
v
e p
v
s ao os uxos de entrada
e sada da via v durante o perodo [k, (k + 1)], k e um ndice de tempo discreto, e o
intervalo de controle, e d
v
e s
v
representam as demandas de entrada e sada, respectivamente.
6.2. Modelagem de MVUs 47
A B
Via v
q
v
p
v
s
v d
v
Figura 6.3: Exemplo de via urbana
As taxas de sada podem ser substitudas pela igualdade s
v
(k) = t
v,0
q
v
(k), desde que
estas taxas sejam consideradas conhecidas. Pode-se tambem denir o uxo de entrada da via
v como q
v
(k) =
wI
A
t
w,v
p
w
(k), onde t
w,v
, dene as taxas de conversao da via v partindo
das vias w encontradas em I
A
.
Assumindo que os uxos de sada das vias s ao iguais ao uxo de satura cao ponderados
pela razao entre o tempo de ciclo e o tempo de verde no qual estas possuem direito de
passagem, isto e :
p
v
(k) = S
v
iG
h
,v
u
h,i
(k)
C
h
,
para toda a interse cao h para qual v perten ca a I
h
e assumindo que C
h
= C para todas as
interse coes h H, chega-se em uma nova representa cao da equa cao (6.1), dada pela seguinte
equa cao de estado:
x
v
(k + 1) = x
v
(k) +
_
d
v
(k)
S
v
C
iG
B,v
u
B,i
(k)
+ (1 t
v,0
)
wI
A
t
w,v
S
w
C
iG
A,w
u
A,i
(k)
_
, (6.2)
onde x
v
(k) representa o n umero de veculos na via v no instante k e os termos u
B,i
(k) e
u
A,i
(k) representam os sinais de controle no instante k.
Generalizando a equa cao (6.2) para todas as vias v V , pode-se formar uma nota cao
matricial para a rede do tipo:
x(k + 1) = Ax(k) +Bu(k) +Td(k), (6.3)
onde x(k) e o vetor com as quantidades de veculos de todas as vias, u(k) e o vetor contendo
os sinais de controle u
h,i
, para todo h H, para todo i F
h
, d(k) e o vetor contendo as
demandas de entrada d
v
, para todo v V e A = I, B e T s ao respectivamente as matrizes
de estado, entrada e perturba cao do sistema.
Outra abordagem seria calcular tempos-xos de verde previamente, e deni-los como
verdes nominais, permitindo a utiliza cao de uma formula cao incremental, onde apenas va-
ria coes no valor nominal de verde seriam fornecidos ao sem aforo.

E importante notar que,
independentemente da formula cao utilizada, as matrizes do sistema permanecem iguais, pois
dependem unicamente de caractersticas fsicas como a topologia da rede, especica cao dos
estagios, tempos de ciclo, uxos de satura cao e taxas de conversao.
Desprezando as perturba coes e estendendo a modelagem para toda a rede da Figura
6.2 chega-se ao modelo que sera utilizado pelos controladores, onde x(k) = (x
1
, . . . , x
17
)(k) e
u(k) = (u
1
, . . . , u
17
)(k).
Este trabalho leva em considera cao restri coes de limita coes dos estados, que s ao tra-
duzidas como restri coes inferiores e superiores de capacidade das vias, x
v
0 e x
v
x
max
v
respectivamente. Porem, a utiliza cao destas restri coes pode gerar pontos infactveis, devido
às restri coes ja existentes no modelo store-and-forward utilizado.
Para evitar este problema, a restri cao do somatorio dos tempos de verde ser igual ao
tempo de ciclo em cada cruzamento sera relaxada, permitindo que esta soma resulte em
valores menores que o tempo de ciclo. A estrategia utilizada sera de distribuir de forma
proporcional, ao nal do calculo do controle, os tempos de verde restantes para que o tempo
de ciclo que com o valor nominal.
6.3 Controle de Tempos de Verde
O controle de tempos de verde geralmente e feito por estrategias de tempo-xo, com os
valores calculados previamente e colocados em planos nos sem aforos [17]. No entanto, este
trabalho trata de estrategias que respondem às varia coes do trafego e calculam os tempos de
verde a cada tempo de ciclo, visando otimizar algum criterio de desempenho.
Uma estrategia que sera utilizada como base para comparacoes e a trac-responsive
urban control (TUC), que resolve um problema linear quadratico de regula cao (LQR) para
obter os valores de tempos de verde [17]. Esta estrategia n ao leva em considera cao as restri coes
da rede. Por isto, ao nal de cada calculo de a cao de controle, deve-se resolver um problema
de otimiza cao para achar um ponto factvel que seja o mais proximo do valor LQR calculado.
As demais estrategias s ao baseadas em metodos de controle de horizonte deslizante
[1, 16], aplicando o controle preditivo para calcular as fra coes de verde de cada estagio em
cada cruzamento.
O controle de fra coes de verde pode ser aproximado como um problema de regula cao,
pois o objetivo principal e esvaziar as vias. Considerando o modelo obtido na se cao anterior,
o problema de otimiza cao P que sera usado no MPC e formulado como:
6.3. Controle de Tempos de Verde 49
min f =
1
2
M
m=1
m
(6.4a)
onde o objetivo local do subsistema m e dado por:
m
=
T1
l=0
[ x
m
(k +l + 1[k)
Q
m
x
m
(k +l + 1[k) + u
m
(k +l[k)
R
m
u
m
(k +l[k)] (6.4b)
Sujeito a:
x
m
(k +l + 1[k) = A
m
x
m
(k +l[k) +
iI(m)
B
mi
u
i
(k +l[k) (6.4c)
u
min
m
u
m
(k +l[k) u
max
m
(6.4d)
x
min
m
x
m
(k +l + 1[k) x
max
m
(6.4e)
x
m
(k[k) = x
m
(k) (6.4f)
d
m
u
m
(k +l[k) C
m
L
m
(6.4g)
para m = 1, . . . , M, l = 0, . . . , T 1, onde u
m
(k + l[k) e a predi cao da entrada de controle
calculada no tempo k para o subsistema m, e da mesma forma, x
m
e a predi cao dos estados.
T e o horizonte de predi cao e de controle, Q
m
e R
m
s ao matrizes simetricas positivas semi-
denidas e simetricas positivas denidas, respectivamente. A restri cao 6.4g indica a relaxa cao
em rela cao aos tempos de verde que foi utilizada, onde sua soma pode ser menor que o valor
efetivo de ciclo.
As formula coes dos controladores preditivos, centralizado e distribudo, seguem da
mesma forma que àquela realizada nos captulos anteriores para o modelo da coluna de
destila cao. Devido a esta semelhan ca, optou-se por omitir esta parte do desenvolvimento,
porem mais detalhes sobre esta formula cao podem ser encontrados em [9].
Nas se coes seguintes estao os resultados da aplica cao dos algoritmos em redes de trafego
urbano. O cen ario utilizado e a MVU de oito jun coes apresentada na Figura 6.2. Usando o
modelo store-and-forward desta rede chega-se em uma rede de sistemas din amicos lineares,
com subsistemas em cada jun cao.
Primeiramente serao apresentados alguns resultados numericos, comparando o desem-
penho do algoritmo distribudo com outros centralizados. Ap os, serao fornecidos alguns
resultados obtidos com a ajuda de um simulador especco para trafego urbano.
6.4 Resultados Numericos
Da mesma forma que foi feito com o modelo da coluna de destila cao, serao comparados
os resultados dos tres algoritmos desenvolvidos nos captulos anteriores, cent
QP
, cent
Br
e
dist
Br
.
Para os resultados numericos, a implementa cao do modelo e dos algoritmos foi feita
com a ajuda do Matlab. Um conjunto de experimentos foram realizados, com varia coes no
horizonte de predi cao T, taxa de decrescimento do metodo de barreira e condi coes inicias
da rede.
A Tabela 6.1 apresenta a media dos custos dos resultados obtidos nestes experimentos,
onde para cada horizonte de predi cao estao atribudos 40 experimentos obtidos com as va-
ria coes de dez condi coes iniciais e para as taxas de decrescimento 0, 1; 0, 2; 0, 4; 0, 6. O
custo representa a soma das fun coes objetivo para todos os experimentos.
Tabela 6.1: Custos medios do controle de trafego
T cent
QP
cent
Br
dist
Br
1 8,4224e6 8,4224e6 8,4225e6
2 8,6068e6 8,6068e6 8,6068e6
3 8,6586e6 8,6586e6 8,6586e6
4 8,6922e6 8,6922e6 8,6923e6
5 8,7292e6 8,7291e6 8,7292e6
6 8,7666e6 8,7666e6 8,7666e6
7 8,7700e6 8,7700e6 8,7700e6
10 8,7407e6 8,7407e6 8,7407e6
12 8,7232e6 8,7231e6 8,7232e6
15 8,6982e6 8,6979e6 8,6982e6
Os resultados numericos demonstram que, em fun cao dos custos, todas as estrategias
conseguem calcular os pontos otimos, onde a diferen ca no resultado esta somente nos criterios
de convergencia.
As Tabelas 6.2 à 6.5 possuem os resultados dos tempos necessarios no computo dos
tempos de verde. O tempo e dado em segundos e dene o tempo total que cada algoritmo
utilizou para calcular as a coes de controle. Cada resultado indica a media de um grupo de ex-
perimentos considerando dez condi coes iniciais aleat orias, onde foram consideradas varia coes
na taxa de decrescimento do metodo de barreira e horizonte de predi cao.
Em rela cao ao tempo medido, percebe-se com os resultados comportamentos interes-
santes. Para pequenos horizontes de predi cao, o algoritmo dist
Br
sempre foi mais lento que
os demais, porem esta caracterstica se inverte quando este horizonte e aumentado. Isto
6.5. Resultados Simulados 51
T cent
QP
cent
Br
dist
Br
1 0, 0833 0, 1611 0, 0661 0, 1048 0, 2581 0, 0888
2 0, 0566 0, 0092 0, 0387 0, 0054 0, 3415 0, 0192
3 0, 0895 0, 0182 0, 0956 0, 0111 0, 4776 0, 0575
4 0, 2547 0, 1032 0, 2618 0, 0893 0, 7995 0, 2240
5 0, 3243 0, 1225 0, 3104 0, 0518 0, 8973 0, 2053
6 0, 3591 0, 0333 0, 4624 0, 0786 1, 1566 0, 1164
7 0, 5117 0, 0371 0, 9213 0, 0845 1, 1201 0, 0706
10 1, 8808 0, 1075 1, 8535 0, 1252 1, 0090 0, 1470
12 2, 2297 0, 3581 3, 1207 0, 1772 1, 1294 0, 0876
15 4, 1764 0, 0584 6, 4727 0, 9292 1, 6990 0, 1446
T cent
QP
cent
Br
dist
Br
1 0, 0249 0, 0064 0, 0371 0, 0067 0, 2884 0, 0165
2 0, 0541 0, 0049 0, 0473 0, 0035 0, 4250 0, 0301
3 0, 1228 0, 0373 0, 1572 0, 0400 0, 7060 0, 1070
4 0, 2427 0, 0427 0, 2701 0, 0519 0, 9563 0, 1481
5 0, 2255 0, 0165 0, 4010 0, 0756 1, 2238 0, 1869
6 0, 3354 0, 0149 0, 6059 0, 0408 1, 4385 0, 0799
7 0, 5056 0, 0240 1, 2490 0, 1149 1, 1704 0, 0796
10 1, 8403 0, 2306 2, 5181 0, 3434 1, 2653 0, 3636
12 2, 1131 0, 0282 3, 8939 0, 5058 1, 4522 0, 2158
15 4, 1775 0, 0525 6, 7514 0, 8459 2, 0013 0, 2382
pode signicar competitividade do algoritmo distribudo em redes maiores, comparado aos
algoritmos centralizados.
A Figura 6.4 possui os resultados dos tempos m aximos que ocorreram em cada grupo
de experimentos, evidenciando as conclusoes obtidas com os resultados numericos.
6.5 Resultados Simulados
Apesar de importantes, somente os resultados numericos nao garantem que o algo-
ritmo tenha um bom desempenho, pois o modelo nao representa tao bem o comportamento
do trafego em uma MVU. Visando comparar a abordagem TUC-LQR com o DMPC, os
respectivos algoritmos foram implementados para calcular as fra coes de verde de uma rede
construda no simulador de trafego urbano Aimsun
c
, que disp oe de um ambiente usado para
T cent
QP
cent
Br
dist
Br
1 0, 0245 0, 0062 0, 0426 0, 0057 0, 4111 0, 0306
2 0, 0543 0, 0053 0, 0543 0, 0033 0, 6157 0, 0404
3 0, 1428 0, 0133 0, 2103 0, 0206 1, 0544 0, 0870
4 0, 2035 0, 0742 0, 2440 0, 0165 1, 3101 0, 1449
5 0, 2280 0, 0308 0, 4204 0, 0174 1, 6290 0, 1337
6 0, 3357 0, 0137 0, 6575 0, 0518 1, 7998 0, 1067
7 0, 5292 0, 0405 1, 4479 0, 0916 1, 4592 0, 1161
10 1, 8871 0, 0911 2, 7078 0, 1019 1, 5915 0, 1061
12 2, 1120 0, 0218 4, 6417 0, 4029 1, 9515 0, 4326
15 4, 1656 0, 0232 9, 4817 0, 2324 2, 7432 0, 5022
T cent
QP
cent
Br
dist
Br
1 0, 0225 0, 0059 0, 0621 0, 0244 0, 6620 0, 0430
2 0, 0670 0, 0154 0, 1361 0, 0268 1, 1609 0, 1326
3 0, 1434 0, 0194 0, 2919 0, 0391 1, 4813 0, 0927
4 0, 1481 0, 0388 0, 4230 0, 0202 2, 0881 0, 1033
5 0, 2199 0, 0121 0, 7150 0, 0232 2, 2846 0, 1448
6 0, 3522 0, 0349 1, 3318 0, 0787 2, 1408 0, 1516
7 0, 5105 0, 0422 2, 2740 0, 0680 1, 9411 0, 1605
10 1, 9245 0, 1331 4, 4160 0, 1049 2, 4764 0, 3057
12 2, 1250 0, 0279 7, 3633 0, 1283 2, 7986 0, 2860
15 4, 1611 0, 0391 15, 4932 0, 5861 4, 1292 0, 7811
modelar e simular redes de transito com as mais diversas caractersticas e complexidade. A
Figura 6.5 apresenta a implementa cao do cen ario no simulador Aimsun
c
.
Como os resultados numericos demonstraram que os algoritmos cent
Br
, dist
Br
e cent
QP
produziram a coes de controle praticamente identicas, entao serao implementados no simulador
e comparados apenas o metodo dist
Br
com a estrategia TUC-LQR [17].
Os par ametros das simula coes foram denidos como a seguir:
Tempo de ciclo xo em 120 segundos;
Perodo de amostragem igual ao tempo de ciclo;
Taxa de decrescimento do metodo de barreira = 0, 1;
Tempo perdido entre estagios xo em 6 segundos;
6.5. Resultados Simulados 53
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0
2
4
6
8
10
12
14
16
18

dist
Br
cent
Br
cent
QP
T
e
m
p
o
(
s
)
Horizonte de predicao - T
Figura 6.4: Tempo maximo de processamento
Horizonte de predi cao de um passo;
Pesos do controle e sada unit arios, tanto para o controle LQR quanto para o DMPC.
O horizonte foi denido como sendo de um passo apenas pois o modelo store-and-
forward usado para predi cao se mostrou um pouco inconsistente com o modelo do simulador.
Isto acontece devido algumas de suas limita coes, como por exemplo o fato de um veculo nao
passar por duas jun coes consecutivas em um mesmo intervalo de tempo.
Dez simula coes de uma hora de dura cao com condi coes iniciais diferentes foram rea-
lizadas. As medias das estatsticas de trafego dos resultados da simula cao estao na Tabela
6.6. Pode-se perceber uma pequena melhoria que o DMPC fornece em rela cao à estrategia
TUC-LQR, mas mais importante que isto e a verica cao de que o algoritmo distribudo com
metodo de barreira funciona de maneira satisfatoria em ambientes simulados.
Tabela 6.6: Resultados de simula cao
Caracterstica Estrategia
LQR DMPC
Media do Atraso (s/km) 144,59 142,92
Media de Densidade (veh/km) 20,31 20,18
Media de Fluxo (veh/h) 6210,67 6216,00
Media de Velocidade (km/h) 22,24 22,25
Media do Tempo Total de Viagem (h) 164,30 163,60
Figura 6.5: Ambiente do simulador Aimsun
6.6 Sumario
Este captulo abordou o trabalho realizado com controle de trafego urbano. As se coes
deram uma breve descri cao sobre redes de trafego urbano, sua modelagem e controle. No
nal foram realizados experimentos numericos e com a ajuda de um simulador.
Somando este conte udo ao que foi exposto nos captulos anteriores, tem-se todos os
resultados te oricos e praticos obtidos. A seguir estao as conclusoes nais deste trabalho.
Captulo 7
Conclusao
Devido à import ancia do setor de renarias de petr oleo, o controle de colunas de des-
tila cao continua sendo um foco de muitas pesquisas e investimentos, pois alem de fatores
como seguran ca e garantia de qualidade, quaisquer melhorias no processo representam maior
lucratividade para o setor. Visando contribuir nos aspectos de controle e otimiza cao, neste
trabalho foram desenvolvidos algoritmos para serem utilizados em controladores preditivos,
que foram aplicados em um modelo de coluna de destila cao visando resolver o problema de
regula cao.
Uma metodologia de decomposi cao de problemas foi descrita e aplicada, gerando uma
estrutura para a implementa cao do controle preditivo distribudo em redes din amicas linea-
res. No desenvolvimento do trabalho, foram adotadas algumas restri coes operacionais com
o objetivo de criar ambientes um pouco mais proximos dos encontrados em situa coes reais.
Com a distribui cao do problema, varios subproblemas menores foram gerados, onde para
cada um destes foi atribudo um agente, respons avel por trocar informa coes com os agentes
vizinhos e calcular as a coes de controle do subsistema ao qual foi designado.
As restri coes foram tratadas atraves de metodos de ponto-interior, de tal forma que o
conjunto de subsistemas trabalhasse em conjunto e conseguisse encontrar a a cao de controle
otima para todo o sistema, e nao somente a solu cao otima de cada subsistema. Neste trata-
mento das restri coes, o metodo de barreira foi utilizado de tal forma que a minimiza cao com
restri coes que devia ser resolvida por cada agente, passou a ser uma sequencia de resolu coes
de problemas de minimiza cao irrestrita, que podem ser resolvidos por metodos mais simples,
como o metodo de Newton por exemplo.
Uma estrutura de coordena cao entre os agentes foi proposta a m de garantir que a
solu cao iterativa da rede de subproblemas consiga convergir para a coes de controle otimas
para o processo. Esta estrutura indica alguns dos procedimentos que devem ser respeitados,
como por exemplo, evitar o trabalho paralelo de um agente com outro que esteja em sua
vizinhan ca.
56 7. Conclusao
Como resultados obtidos, primeiramente se podem avaliar as aplica coes dos controla-
dores preditivos distribudo e centralizado ao cen ario da coluna de destila cao. Desta an alise
vericam-se desempenhos similares entre as abordagens, conrmando que resolver o problema
distribudo e equivalente a resolver o problema inicial centralizado e que o metodo utilizado
para o tratamento de restri coes funcionou adequadamente, onde as diferen cas observadas
foram somente devido aos criterios de convergencia utilizados.
Uma constata cao importante foi em rela cao ao custo computacional necessario para o
calculo das a coes de controle. Resolver o subproblema de cada agente e mais simples que re-
solver o problema do caso centralizado, pois cada subproblema contem apenas as informa coes
de sua vizinhan ca, o que geralmente corresponde a uma diminui cao do tamanho do problema
original. Esta vantagem poderia, por exemplo, permitir a utiliza cao de m aquinas com me-
nores recursos computacionais ao longo do processo, realizando a mesma tarefa que uma
unidade de processamento mais poderosa que centraliza as informa coes do processo.
Deve-se enfatizar que o controle preditivo distribudo e mais apropriado para sistemas
multivariaveis onde os acoplamentos s ao mais esparsos, justamente para se beneciar de sim-
plica coes nos subproblemas. Este fato acabou nao acontecendo com o modelo da coluna de
destila cao escolhido, onde o sistema possui um forte acoplamento entre todas as variaveis.
Entretanto, o estudo continua sendo valido, considerando que a maioria dos problemas mul-
tivariaveis nao possui uma intera cao completa entre as variaveis de controle e sada, o que
favorece a utiliza cao da abordagem distribuda desenvolvida.
Outros resultados importantes foram colocados no captulo 6, onde uma abordagem
semelhante do controle preditivo distribudo foi utilizada no controle de trafego urbano. No-
vamente foram comparados os resultados das abordagens distribuda e centralizada, porem,
neste caso foi possvel observar melhor as vantagens do controle distribudo. A rede utilizada
era mais esparsa, e os subproblemas nao precisavam de toda a informa cao do problema ori-
ginal. Isto foi traduzido em velocidade no calculo das a c oes de controle, assim como agentes
que puderam trabalhar paralelamente sem afetar o desempenho nal do controle. Resultados
foram obtidos com a ajuda de um simulador de trafego urbano, validando o funcionamento
do algoritmo desenvolvido.
Alem das vantagens expostas, um grande benefcio com a utiliza cao de sistemas dis-
tribudos de controle seria em rela cao à manuten cao, pois ao inves de rever todo o algoritmo
centralizado do controle preditivo aplicado ao processo, bastariam adicionar novos agentes e
revisar os controles apenas dos agentes na vizinhan ca destes novos agentes.
Como dire coes para trabalhos futuros indicam-se os seguintes aspectos:
Inclusao de observadores de estado, visando aproximar mais a teoria desenvolvida ao
controle utilizado em situa coes reais, onde nem sempre se tem acesso facil a todos os
estados do sistema;
57
Controle de seguimento de referencia, que e um objetivo comum na aplica cao de con-
trole, porem analisando atentamente como seria esta implementa cao de uma forma
distribuda;
Outros cen arios maiores e mais esparsos poderiam ser analisados, onde a abordagem
distribuda caria mais evidenciada;
Utiliza cao de simuladores de colunas de destila cao. Resultados preliminares ja estao
sendo obtidos, porem ainda necessitam de amadurecimento antes de fornecerem alguma
contribui cao signicativa ao tema de estudo;
Outros metodos de tratamento de restri coes poderiam ser estudados e comparados ao
metodo de barreira utilizado;
A robustez do algoritmo a eventuais falhas de agentes ou de comunica cao tambem
poderia ser estudada mais profundamente, sendo este um ponto importante visando
aplica coes reais onde estes problemas provavelmente ocorreriam;
Para implementa coes no simulador, seria interessante a elabora cao de m odulos mais
consistentes para o sincronismo entre os agentes, evitando quaisquer conitos na troca
de informa coes;
Por ultimo, seria interessante estabeler an alises mais criteriosas em rela cao à comu-
nica cao entre os agentes, visando sempre reduzir a quantidade de troca de mensagens
realizada na rede.
Estudos aprofundados e a implementa cao destes topicos certamente gerariam resultados
inovadores, que agregariam muito conhecimento ao tema discutido neste trabalho.
58 7. Conclusao
Referencias Bibliogracas
[1] K. Aboudolas, M. Papageorgiou, and E. Kosmatopoulos. Control and optimization
methods for trac signal control in large-scale congested urban road networks. In Pro-
ceedings of the American Control Conference, pages 31323138, Nova York, EUA, jul
2007.
[2] R. A. Abour-Jeyab, Y. P. Gupta, J. R. Gervais, P. A. Branchi, and S. S. Woo. Cons-
trained multivariable control of a distillation column using a simplied model predictive
control algorithm. Journal of Process Control, 11:509517, 2001.
[3] M. Alpbaz, S. Karacan, Y. Cabbar, and H. Hapoglu. Application of model predictive
control and dynamic analysis to a pilot distillation column and experimental investiga-
tion. Chemical Engineering Journal, 88:13, 2002.
[4] ANP. Agencia nacional do petr oleo, g as natural e biocombustveis, 2009. URL
http://www.anp.gov.br/petro/refino editorial.asp.
[5] O. Q. F. Araujo. MPC - Model Predictive Control, 01 2008. URL
http://www.eq.ufrj.br/links/h2cin/eqe768/AULA 7/MPC.doc.
[6] S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press, mar
2004. ISBN 0521833787.
[7] E. F. Camacho and C. Bordons. Model Predictive Control. Springer-Verlag, London,
2004.
[8] E. Camponogara and L. B. de Oliveira. Distributed optimization for model predictive
control of linear dynamic networks. Accepted by IEEE Transactions on Systems, Man,
and Cybernetics - Part A, 2009.
[9] E. Camponogara and H. F. Scherer. Distributed optimization for model predictive control
of linear dynamic networks with control-input and output constraints. draft, 2009. URL
http://www.das.ufsc.br/~scherer/workingpaper/dmpc-oip.pdf.
[10] E. Camponogara and S. N. Talukdar. Distributed model predictive control: synchronous
and asynchronous computation. IEEE Transactions on Systems, Man, and Cybernetics
- Part A, 37(5):732745, September 2007.
60 REFER
ENCIAS BIBLIOGR
AFICAS
[11] E. Camponogara, D. Jia, B. H. Krogh, and S. N. Talukdar. Distributed model predictive
control. IEEE Control Systems Magazine, 22(1):4452, fev 2002.
[12] D. W. Clarke, , C. Mohtadi, and P. S. Tus. Generalized predictive control-part i. the
basic algorithm. Automatica, 23(2):137148, mar 1987.
[13] C. Cutler, A. Morshedi, and J. Haydel. An industrial perspective on advanced control.
AICHE annual meeting, oct 1983.
[14] C. R. Cutler and B. L. Ramaker. Dynamic matrix control - a computer control algorithm.
AIChe 86th National Meeting, 1979.
[15] L. B. de Oliveira. Otimiza cao e controle distribudo de fra coes de verde em malhas
vi arias urbanas. Masters thesis, Programa de Pos Gradua cao em Engenharia Eletrica,
UFSC, Florianopolis, 2008.
[16] L. B. de Oliveira and E. Camponogara. Predictive control for urban trac networks:
initial evaluation. In Proceedings of the 3rd IFAC Symposium on System, Structure and
Control, Foz do Igua cu, Brasil, October 2007.
[17] C. Diakaki. Integrated control of trac ow in corridor networks. PhD thesis, Depar-
tamento de Engenharia de Produ cao e Gerenciamento, Universidade Tecnica de Creta,
1999.
[18] W. B. Dunbar. Distributed receding horizon control of dynamically coupled nonlinear
systems. IEEE Transactions on Automatic Control, 57(7):12491263, 2007.
[19] M. Fairbanks. Investimentos ajustam reno para usar mais oleo nacional. Qumica e
Derivados, 37(407):12, 2006.
[20] A. A. Ferreira and F. R. A. Neto. Simulated distillation in the petroleum industry.
Revista Qumica Nova, 28(3), may/jun 2005.
[21] A. M. F. Fileti, S. L. Cruz, and J. A. F. R. Pereira. Control strategies analysis for a batch
distillation column with experimental testing. Chemical Engineering and Processing, 39:
121128, 2000.
[22] R. Fletcher. Practical Methods of Optimization. John Wiley & Sons, 2nd edition, 1987.
[23] A. S. Foust, L. Wenzel, C. Clump, C. W. Maus, and L. B. Andersen. Princpios das
Operac oes Unit arias. LTC, Rio de Janeiro, 1982.
[24] G. F. Franklin, J. D. Powell, and M. Workman. Digital Control of Dynamic Systems.
Prenctice Hall, 3rd edition, 1997.
[25] K. R. Frisch. The logarithmic potential method for convex programming. Unpublished
manuscript, Institute of Economics, University of Oslo, Oslo, Norway, may 1955.
REFER
ENCIAS BIBLIOGR
AFICAS 61
[26] D. C. Gazis and R. B. Potts. The oversaturated intersection. In Proceedings of the
Second International Symposium on Trac Theory, pages 221237, Londres, Inglaterra,
1963.
[27] Ivar J. Halvorsen and Sigurd Skogestad. Distillation theory. Encyclopedia of Separation
Science, pages 11171134, 2000.
[28] H. Hapoglu, S. Karacan, Z. S. E. Koca, and M. Alpbaz. Parametric and nonparametric
model based control of a packed distillation column. Chemical Engineering Process, 40:
537544, 2001.
[29] E. J. Henley and J. D. SeaderR. Equilibrium-Stage Separation Operation in Chemical
Engineering. John Wiley & Sons, Canada, 1981.
[30] E. Ikonen and K. Najim. Advanced Process Identication and Control. CRC Press, 2002.
[31] T. Keviczky, F. Borrelli, and G. J. Balas. Decentralized receding horizon control for
large scale dynamically decoupled systems. Automatica, 42:21052115, 2006.
[32] H. Z. Kister. Distillation Operation. Mc-Graw-Hill, USA, 1990.
[33] M. Lee and S. Park. New scheme combining neural feedfoward control with model-
predictive control. AICHE Journal, 38(2):193220, 1992.
[34] S. Li, Y. Zhang, and Q. Zhu. Nash-optimization enhanced distributed model predictive
control applied to the shell benchmark problem. Information Sciences, 170:259349,
2005.
[35] S. N. Maiti and D. N. Saraf. Start-up and control of a distillation column using adaptive
dynamic matrix control: an experimental study. Process Control Quality, 7(3-4):143156,
1995.
[36] C. Marangoni. Implementac ao de uma estrategia de controle com ac ao distribuda em
uma coluna de destila c ao. PhD thesis, Departamento de Engenharia Qumica, UFSC,
Florianopolis, 2005.
[37] P. Marquis and J. P. Broustail. Smoc, a bridge between state space and model predictive
controllers: Application to the automation of a hydrotreating unit. In Proceedings of
the 1988 IFAC Workshop on Model Based Predictive Control, pages 3743, Oxford,
Inglaterra, 1988.
[38] F. L. Marshall. An application oriented guide to lagrangian relaxation. Interfaces, 15
(2):1021, 1985.
[39] W. McCabe, J. Smith, and P. Harriott. Unit Operations of Chemical Engineering.
McGraw-Hill Inc., N.Y., 7th edition, 2005.
62 REFER
ENCIAS BIBLIOGR
AFICAS
[40] Mehmet Mercangoz and Francis J. Doyle III. Distributed model predictive control of an
experimental four-tank system. Journal of Process Control, 17(3):297308, mar 2007.
[41] L. G. Moura. Modelagem emprica de colunas de destila cao utilizando redes neurais
de wavelets para otimiza cao e controle de processos. Masters thesis, Departamento de
Engenharia Qumica, UFSC, Florianopolis, 2003.
[42] R. R. Negenborn, B. De Schutter, and J. Hellendoorn. Multi-agent model predictive con-
trol for transportation networks: serial versus parallel schemes. Engineering Applications
of Articial Intelligence, 21(3):353366, 2007.
[43] J. E. Normey-Rico and E. F. Camacho. Control Of Dead-time Processes. Springer-Verlag,
2007.
[44] M. Papageorgiou. Overview of road trac control strategies. In Information and Com-
munication Technologies: From Theory to Applications, pages LIXLLX, 2004.
[45] A. L. Pereira and K. C. P. Guedelha. Deni cao dos uxos de equilbrio no caso de
ocorrencia de um incidente numa rodovia urbana. XII Congresso Nacional de Pesquisa
e Ensino em Transportes, I:119127, 1998.
[46] L. T. Pinto. Aplica cao de colunas de m ultiplo-efeito na destila cao do sistema etanol-
agua. economia de energia. Masters thesis, Departamento de Engenharia de Produ cao
e Sistemas, UFSC, Florianopolis, 1987.
[47] A. Plucenio, D. J. Pagano, E. Camponogara, H. F. Scherer, and M. Lima. A simple
distributed mpc algorithm. Congresso Brasileiro de Autom atica, 2008.
[48] D. M. Prett and M. Morari. Shell Process Control Workshop. Butterworths, Boston,
1987.
[49] S. J. Qin and T. A. Badgwell. A survey of industrial model predictive control technology.
Control Engineering Practice, 11(7):733764, 2003.
[50] J. Richalet, A. Rault, J. L. Testud, and J. Papona. Algorithmic control of industrial pro-
cesses. Proceedings of the 4th IFAC symposium on identication and system parameter
estimation, pages 11191167, 1976.
[51] J. Richalet, A. Rault, J. L. Testud, and J. Papona. Model predictive heuristic control:
Applications to industrial processes. Automatica, 14(5):413428, 1978.
[52] L. M. Rose. Distillation Design in Practice. Elsevier, 1985.
[53] A. T. Schwarm and M. Nikolaou. Chance-constrained model predictive control. AICHE
Journal, 45:17431752, 1999.
REFER
ENCIAS BIBLIOGR
AFICAS 63
[54] D. E. Seborg, T. F. Edgar, and D. A. Mellichamp. Process Dynamics and Control. John
Wiley & Sons, Singapore, 1989.
[55] S. Skogestad. Dynamics control of distillation columns a tutorial introduction. Trans.
IChemE - Distillation and Absorbtion, 75(A), sep 1997.
[56] Unicamp. Cepetro - centro de estudos de petr oleo, 2009. URL
http://www.cepetro.unicamp.br/petroleo/index petroleo.html.
[57] A. N. Venkat, I. A. Hiskens, J. B. Rawlings, and S. J. Wright. Distributed mpc stra-
tegies with application to power system automatic generation control. Control Systems
Technology, IEEE Transactions on, 16(6):11921206, 2008.
[58] A. V.Fiacco and G. P. McCormick. Nonlinear Programming: Sequential Unconstrained
Minimization Techniques. John Wiley & Sons, New York, 1968.
[59] E. W. Weisstein. Closed set, 2009. URL http://mathworld.wolfram.com/ClosedSet.html.
[60] L. O. Werle. Minimiza cao dos transientes atraves do aquecimento distribudo em uma
coluna de destila cao. Masters thesis, Departamento de Engenharia Qumica, UFSC,
Florianopolis, 2007.
[61] M. J. Willis, G. A. Montague, C. Di Massimo, M. T. Tham, and A. J. Morris. Nonlinear
predictive control using optimization techniques. In Proceedings of the American Control
Conference, pages 27882793, Boston, EUA, 1991.

Pessoa Fisica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Pessoa Fisica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE SANTA CATARINA

CURSO DE PS-GRADUAO EM ENGENHARIA DE AUTOMAO E

IDA APLICADO A COLUNAS DE

IDA APLICADO A COLUNAS DE

IDA APLICADO A COLUNAS DE

IDA APLICADO A COLUNAS DE

Area de Concentra cao: Controle, Automa cao e Sistemas

e retirada de todas as variaveis para simplicar a

otimo existe, e as restri coes

e alcan cada resolvendo (3.16)

() para qualquer > 0 pois g(x) e estritamente

() : > 0 e o conjunto de todos os pontos x

do problema original [38].

e um mnimo local em U se e somente se:

que satisfaz a condic ao (4.4) e chamado de ponto estacionario.

para o conjunto de subproblemas P

2 1,3 (1,2),(2,1),(2,2),(2,3),(3,2) O(2,1) = O(2,3) = C(2) u

3 1,2 (1,3),(3,1),(2,3),(3,2),(3,3) O(3,1) = O(3,2) = C(3) u

Você também pode gostar