Robust Predictive Control Model Utilizing Recursive State Estimation for Controlling Indoor Microclimates of Clustered Greenhouses

Face aux grands défis des changements climatiques, de la sécurité alimentaire et la rareté des ressources énergétiques, le développement des méthodes de production alimentaire plus fiables et durables est envisagé comme solution innovante. Au cours des deux dernières décennies, la culture en serres agricoles est devenue un moyen très populaire en raison de nombreux avantages tels que l’augmentation du taux de production et l’amélioration des performances globales. D’abord, l’environnement autonome et bien conditionné des serres agricoles assure une meilleure protection contre les conditions météorologiques et climatiques. Ensuite, la culture en serre intelligente peut assimiler des technologies modernes en matière de mesurage, prédiction et contrôle. Pour maintenir un climat de croissance optimal à l’intérieur des serres, les perturbations météorologiques rapides nécessitent des méthodes de commande qui réagissent de manière précise et proactive face aux situations indésirables. L’approche classique se basant sur le contrôle des systèmes multi-entrées et multi-sorties (MIMO) avec une dynamique corrélée ne donne pas une solution optimale, en particulier pour le contrôle d’un environnement de croissance des cultures qui est tellement sensible aux aléas de la météo. Dans le cas du déploiement des serres de petites tailles, l’utilisation de méthodes de contrôle optimisées pourrait constituer un défi gérable. Néanmoins, lors du déploiement de serres agricoles de moyenne à grande tailles, les méthodes de surveillance et de contrôle intelligent sont nécessaires pour maintenir les différents points de consigne souhaités, tout en minimisant les coûts d’exploitation, maximisant le rendement et la qualité des cultures et garantissant l’utilisation la plus efficace des ressources naturelles. La commande prédictive (MPC) est considérée comme l’une des méthodes qui assurent des meilleurs résultats pour le contrôle des environnements avec des variables et des contraintes MIMO. En général, les serres de grande taille sont vues comme de gros consommateurs d’électricité et utilisateurs de ressources naturelles. Les serres intelligentes sont généralement équipées de ressources distribuées, permettant la satisfaction partielle ou complète des besoins énergétiques. Ces système peuvent également ajouter de la complexité au contrôle en augmentant l’incertitude et en limitant le contrôleur MPC. Dans ce cas, le MPC peut être facilement déstabilisé en cas de défaillance dû à l’incertitude des perturbations. Ce risque potentiel lié à l’utilisation d’un simple MPC est le principal inconvénient de ce contrôleur. De plus, les systèmes réels souffrent de limitations, soit dûes à leur sens physique, soit dans leurs définitions mathématiques. Pour remédier à cette incapacité du MPC, la version robuste a été proposée dans ce mémoire. En bref, dans un problème de commande prédictive robuste (RMPC), l’incertitude est soumise à des contraintes et à des caractéristiques de cartographie des risques dans le problème d’optimisation, sans perturber la faisabilité de la solution. Les études montrent une performance relativement parfaite du RMPC. Dans les applications de serres agricoles, le RMPC couvre les lacunes du MPC classique. Cependant, en raison de la nature lente et conservatrice du RMPC, ce type de ro-bustesse peut entraîner des problèmes de stabilité après avoir été exposé à des perturbations sévères. Lorsque des réseaux de serres sont mis en œuvre, l’inconvénient du RMPC en cas de fortes perturbations sera double. En raison de cette faiblesse du RMPC, la consommation d’énergie augmente, en plus du gaspillage des ressources du fait que les contrôleurs sont déréglés après avoir passé une certaine période de contrôle. Cette étude vise également à améliorer pour la première fois la méthode RMPC pour le contrôle d’un réseau de serres intelligentes. En pratique, la plupart des contrôleurs réels ne sont pas protégés contre les perturbations de grande ampleur. C’est pourquoi on a abordé le problème de manière plus pratique. Premièrement, un estimateur d’état récursif robuste est implémenté pour filtrer les écarts de grande ampleur. Ensuite, le RMPC utilise un estimateur d’état récursif robuste implémenté pour décomposer le signal, en utilisant la technique d’appartenance à un ensemble et en construisant l’ensemble robuste positivement invariant, puis générer des séquences de contrôle optimales en présence de perturbations et de contraintes.

Abstract

Faced with the major challenges of climate change, food security and the scarcity of energy resources, developing more reliable and sustainable food production methods is consid-ered an innovative solution. Over the past two decades, agricultural greenhouse cultivation has become a very popular way due to many advantages such as increased production rate and improved overall performance. First, autonomous and well-conditioned environment of greenhouses provide better protection against weather and climatic conditions. Then, smart greenhouse cultivation can assimilate modern measurement, prediction and control technologies. The rapid weather disturbances require control methods that respond precisely and proactively to undesirable situations to maintain an optimal growing climate inside greenhouses. The traditional approach based on controlling Multi-Input Multi-Output (MIMO) systems with correlated dynamics does not provide an optimal solution, particularly for controlling a crop growth environment that is so sensitive to unforeseen conditions of weather. In the case of small greenhouse deployment, the use of optimized control methods could be a manageable challenge. Nevertheless, when deploying medium to large agricultural greenhouses, intelligent monitoring and control methods are required to maintain various desired set points while minimizing operating costs, maximizing crop yield and quality and ensuring the most efficient use of natural resources. Model Predictive Control (MPC) is considered one of the methods that ensure the best results for controlling environments with MIMO variables and constraints. In general, large greenhouses are seen as large consumers of electricity and users of natural resources. Smart greenhouses are generally equipped with distributed resources, allowing partial or complete satisfaction of energy needs. These systems can also add complexity to control by increasing uncertainty and limiting the MPC controller. In this case, the MPC can be easily destabilized in the event of failure due to the uncertainty of the disturbances. This potential risk of using a simple MPC is the main disadvantage of this controller. Furthermore, real systems suffer from limitations, either due to their physical meaning or in their mathematical definitions. To remedy this inability of the MPC, the robust version was proposed in this dissertation. In short, in a Robust Model Predictive Control (RMPC), uncertainty is subject to constraints and risk mapping features in the optimization problem without disturbing the feasibility of the solution. Studies show a relatively perfect performance of RMPC. In agricultural greenhouse applications, RMPC covers the shortcomings of conventional MPC. However, due to the slow and conservative nature of RMPC, this type of robustness can lead to stability issues after being exposed to severe disturbances. When greenhouse networks are implemented, the disadvantage of RMPC under high disturbances will be twofold. Due to this weakness in RMPC, energy consumption increases, in addition to wasting resources due to controllers being out of adjustment after passing a certain control period. This study also aims to improve, for the first time, the RMPC method for controlling a network of smart greenhouses. In practice, most real controllers are not protected against large-scale disturbances. This is why we approached the problem in a more practical way. First, a robust recursive state estimator is implemented to filter large deviations. Then, the RMPC uses a robust recursive state estimator implemented to decompose the signal, using the set membership technique and constructing the positively invariant robust set, then generates optimal control sequences in the presence of disturbances and constraints.