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.