Controle Preditivo Data-Enabled (DeePC) em Conversor Buck

Controle Preditivo
Eletrônica de Potência
Disponível
Aplicação do DeePC — controle preditivo direto a partir de dados, sem etapa explícita de identificação de modelo — à regulação de tensão de um conversor CC-CC Buck.
Data de Publicação

14 de julho de 2026

Objetivos

O Data-Enabled Predictive Control (DeePC) é uma estratégia de controle preditivo que substitui o modelo em espaço de estados do MPC clássico por uma representação não paramétrica, construída diretamente a partir de trajetórias de entrada/saída medidas, com base no Lema Fundamental de Willems. O projeto tem como objetivos:

  • Implementar o algoritmo DeePC em Python (ou MATLAB) para o conversor Buck já modelado nos repositórios ControleBuck e IC-DataDrive;
  • Coletar/gerar trajetórias de excitação persistente (PRBS) em simulação e, se possível, em bancada real;
  • Comparar o desempenho do DeePC com um MPC baseado em modelo (já existente no LabVirtual) e com um controlador PID clássico, em termos de erro de regulação, esforço de controle e robustez a variações de carga;
  • Investigar o efeito da regularização (termos de folga e penalização em norma) na robustez a ruído de medição.

Pré-requisitos

  • Sistemas de Controle I e II (função de transferência e espaço de estados);
  • Noções de otimização convexa (o DeePC resulta em um QP a cada instante de amostragem);
  • Programação em Python (numpy, cvxpy ou osqp) ou MATLAB;
  • Desejável, não obrigatório: Tópicos Especiais em Controle (ementa cobre MPC/DeePC) ou Identificação de Sistemas.

Estrutura Sugerida para o Grupo Autogerenciado

  • Reuniões semanais de 1h entre os membros do grupo para revisão de progresso, com reunião quinzenal com o orientador para validação de resultados e definição dos próximos passos;
  • Entregáveis mensais: relatório curto (2-3 páginas) documentando o que foi implementado, resultados de simulação e próximos passos;
  • Ferramentas: repositório Git compartilhado (GitHub), notebooks Jupyter ou scripts versionados para as simulações, planilha ou quadro Kanban (ex: GitHub Projects) para organizar tarefas entre os membros;
  • Divisão sugerida de papéis dentro do grupo: um membro focado na formulação/otimização do DeePC, outro na infraestrutura de simulação e coleta de dados, outro na comparação com os controladores de referência (MPC/PID) e documentação.

Referências

  1. Coulson, J., Lygeros, J., & Dörfler, F. (2019). Data-Enabled Predictive Control: In the Shallows of the DeePC. European Control Conference (ECC). [placeholder — confirmar edição/páginas]
  2. Willems, J. C., Rapisarda, P., Markovsky, I., & De Moor, B. (2005). A note on persistency of excitation. Systems & Control Letters. [placeholder — confirmar edição/páginas]
  3. Berberich, J., Köhler, J., Müller, M. A., & Allgöwer, F. (2021). Data-Driven Model Predictive Control with Stability and Robustness Guarantees. IEEE Transactions on Automatic Control. [placeholder — confirmar edição/páginas]