Robusztus MPC multiplikatív bizonytalansági struktúra esetén

A multiplikatív bizonytalansági struktúra alkalmazásának két előnye van az additívval szemben.

Az egyik, hogy a negatív állapot megjelenése teljes mértékben elkerülhető a modellben. A másik pedig, hogy nem csak az állapot, hanem a szabályozó jelek, sőt a hálózat peremén megjelenőd(k) igényforgalom bizonytalansága is belevonható a rendszermodellbe. A multiplikatív hibastruktú-ra egyik lehetséges alkalmazási formája az ún. lineáris tört thibastruktú-ranszformáció (Linear Fhibastruktú-ractional Transformation: LFT) szerinti megközelítés [83, 130]. Az LFT modellt speciálisan az (4.20) egyenlettel leírt városi forgalommodellre alkalmazva a következőt írhatjuk:

x(k+ 1) =Ax(k) +Bu(k) +Ed(k) +Gp(k), (4.94) q(k) =Dxx(k) +Duu(k) +Ddd(k), (4.95) p(k) = ∆(k)q(k), k∆(k)k₂ ≤1, (4.96) ahol G= [I|I|I] három egységmátrixot tartalmazó, nem négyzetes hipermátrix. q ésp segédvál-tozók, amelyek segítségével az aktuális ∆ bizonytalanság bevonható a dinamikai modellbe. ∆ bizonytalansági mátrix diagonális:

ahol|δi(k)| ≤1. Emiatt (4.96) feltétel egyszerűbben|pi(k)| ≤ |qi(k)|alakban is megfogalmazható.

Dx, Du és Dd hipermátrixok, amelyekkel multiplikatív módon definiálható a bizonytalanság mértéke. Például, amennyiben csak az 1-es útszakaszon – azaz gyakorlatilag x₁-re vonatkozóan – feltételezünk ±30%-os állapotbizonytalanságot, akkorD_x a következőképpen alakul:

Dx =

ahol0 nullmátrixot jelöl. Du hipermátrix struktúrája hasonló, azzal a különbséggel, hogy abban a felső és az alsó blokk a nullmátrix. Ismételten egy példával reprezentálva, amennyiben csak az 1-es útszakasz zöldidejére – azaz gyakorlatilag u₁-re vonatkozóan – feltételezünk ± 20%-os

4.3. Robusztus MPC városi forgalomirányításhoz

szabályozási bizonytalanságot, akkor Du a következőképpen alakul:

D_u =

D_d hipermátrix az előzőekhez hasonlóan épül fel, csak ekkor a két felső blokk lesz nullmátrix.

Egy példával szemléltetve:

Amennyiben (4.95) egyenletet (4.96)-be, majd p segédváltozót (4.94) modellbe helyettesítjük, átrendezés után a következő egyszerűbb alakot kapjuk:

x(k+ 1) = (A+G∆(k)Dx)x(k) + (B+G∆(k)Du)u(k)

+(E+G∆(k)Dd)d(k), (4.101) amelyben jól látható, hogy hogyan kerül bele a dinamikai modellbe a multiplikatív állapot- és szabályozási bizonytalanság. Dx,Du és Dd értékét előzetes mérések alapján lehet megbecsülni.

Az LFT struktúrával leírt rendszert is robusztus MPC szabályozással lehet optimálisan irá-nyítani. A (4.81) optimalizálási feladathoz hasonlóan ismételten egy minimax feladat megfogal-mazásáról van szó, avval a technikai különbséggel, hogy mosti(a horizont futóindexe) nem 1-től N-ig, hanem 0-tól N−1-ig megy – a később alkalmazandó algoritmus miatt:

minu max

A (4.81) funkcionálhoz hasonlóanQ ésRismételten pozitív szemidefinit súlymátrix. Ua szabá-lyozó jelre ésXaz állapotra vonatkozó korlátozások halmaza. ∆a zavarások lehetséges halmazát jelenti.

4.3. Robusztus MPC városi forgalomirányításhoz

A továbbiakban a Löfberg (2003) által publikált [138] robusztus MPC stratégia felhasználásá-val oldjuk meg az LFT modell alapú minimax problémát. (4.102) funkcionál (4.82) összefüggéshez hasonlóan vektorizált formában is felírható:

min_u max

∆ x^TQx+u^TRu. (4.103)

Q és Rez esetben is Q és R súlymátrixokkal felírt blokkdiagonális hipermátrixok. xés u az N horizontra prediktált állapotok és szabályozó jelek:

x=^hx^T(k|k) x^T(k+ 1|k) . . . x^T(k+N−1|k)^iT, (4.104) u=^hu^T(k|k) u^T(k+ 1|k) . . . u^T(k+N −1|k)^iT. (4.105) Mindemellett szükségünk lesz a bizonytalan rendszer predikciójának LFT modelljére is, amihez elsőként (4.96) és (4.95) segédváltozókat kell felírnunkN horizontra vonatkozóan:

p=^hp^T(k|k) p^T(k+ 1|k) . . . p^T(k+N −1|k)^iT , (4.106) q=^hq^T(k|k) q^T(k+ 1|k) . . . q^T(k+N −1|k)^iT , (4.107) (4.108) Továbbá (4.106) és (4.107) segítségével a következő összefüggéseket írhatjuk:

x=Ax+Bu+Ed+Gp+c, (4.109)

4.3. Robusztus MPC városi forgalomirányításhoz

A (4.102) által leírt optimalizálás ugyanakkor nem determinisztikus időbonyolultságú (NP-hard) megoldhatóságú probléma [65, 192]. Ez gyakorlatilag azt jelenti, hogy a számítási idő exponenciálisan nő a közlekedési hálózat méretének, ill. az MPC horizont hosszának növelésével.

Ennek oka a minimax optimalizálási koncepció, amelynek lényege a legrosszabb esetre vonatkozó számítás: azaz a költségfüggvényt úgy kell maximalizálni, hogy közben figyelembe vesszük az összes potenciális bizonytalanságot.

[115] és [138] alapján a (4.102) problémát egy hatékonyan megoldható formára lehet hozni.

Elsőként a (4.103) alakot az alábbi konvex minimalizálási feladattá relaxáljuk [137,179]:

minu, t t,

subject to x^TQx+u^TRu≤t, ∀∆∈∆, (4.122) ahol t egy egyszerű skalár célérték. Ezek után a (4.122) minimalizálási problémát is tovább alakítjuk Schur-komplemens [84] valamint [115] eredményeinek alkalmazásával. A relaxálási pro-cedúra részletei az I függelékben találhatók. Az eredeti (4.102) minimax probléma közvetlen megoldása helyett tehát az alábbi egyszerűsített LMI feladathoz jutunk:

umin, t,τ t, (4.123)

4.4. Új tudományos eredmények

(4.123) és (4.124) együtt egy SDP feladat, amelyben a t skalár számot akarjuk minimalizálni.

Az LMI-ben definiált τ a segédegyütthatók vektora (τi ≥ 0). ˜x, Λ és Ω tagok a (4.109) és (4.110) egyenletek elemeinek kombinációi. Az szemidefinit programozásként felírt optimalizálás az eredeti minimax helyett már csak minimalizálási feladat megoldását igényli, ugyanakkor a szabályozás robusztus jellege – implicit módon – továbbra is garantált.

Ahogy azt már a korábbi fejezetekben is olvasható volt, a városi közúti közlekedési rendszer modellje erős fizikai korlátokkal rendelkezik, amelyeket be kell tartani a teljes MPC szabályozási folyamatban (azaz N horizonton). A robusztus LMI alapú optimalizálási algoritmus lehetősé-get biztosít az állapotokra, ill. a szabályozó jelekre vonatkozó korlátok betartására. A (4.123) SDP feladat kiegészíthető lineáris egyenlőtlenségekkel a (4.102) feladatban leírtXésUkorlátozó halmazoknak megfelelően. Hipervektoros (N horizontra felírt) formában ezek a korlátozások az alábbiak:

Hxx ≤ fx. (4.129)

Huu ≤ fu, (4.130)

(4.130) és (4.129) gyakorlatilag poliéder testként megfogalmazott korlátozó halmazok. A (4.130) korlátozás közvetlenül hozzáadható az SDP feladathoz. Az állapotkorlátozást leíró (4.129) egyen-lőtlenség azonban speciálisan kezelendő a modellbizonytalanságok miatt. Ne feledjük, hogy a (4.104) hipervektorral leírt állapotpredikció a (4.106) bizonytalansági komponenst is tartal-mazza. Emiatt az állapotkorlátozások robusztus teljesülését külön igazolni szükséges, melynek levezetése a J függelékben található.

Összefoglalva elmondható, hogy a robusztus MPC alapú forgalomirányítás - amellett, hogy hatékonyan képes a zöldidők meghatározására - meg tudja akadályozni az útszakaszok ”túlcsor-dulási” jelenségét is (amikor az adott útszakaszon már nem férnek el az autók, így az oda hajtani szándékozók benn ragadnak a csomópontban).

A multiplikatív bizonytalansági struktúrát alkalmazó, robusztus, online forgalomirányítási folyamatot az M.1algoritmusleírás foglalja össze. A kidolgozott módszert valós budapesti teszt-hálózat szimulációs modelljén teszteltem, amelynek eredményeit a Kfüggelék tartalmazza.

4.4. Új tudományos eredmények

Az ismert állapottér alapú városi forgalomirányítási stratégiák alkalmazásának nagy hátránya, hogy nem képesek a korlátozások figyelembe vételére a szabad jelzések meghatározása során.

4.4. Új tudományos eredmények

korlátozások mellett végzett modell prediktív szabályozó. A módszer működhet központi és elosztott irányítási struktúrában is és alkalmas robusztus kialakításban, segítségével hatékonyabb közúti forgalomirányító rendszer építhető.

3. Tézis. Bizonyítottam, hogy a városi hálózatokban, több csomópont jelzőlámpás irányí-tásához tervezhető olyan forgalomirányító rendszer, amely képes korlátozások figyelembevételével is forgalomtechnikailag optimális irányítást adni, miközben az irányítási célok széleskörűen vál-toztathatók. A módszer az állapottérben felírt diszkrét idejű, időinvariáns, járműmegmaradási egyenleteken alapuló, prediktív szabályozó eljárást alkalmazza.

1. A több csomópontból álló jelzőlámpa hálózatok forgalmi leírását a TUC [99] modellre alapozva írtam fel:

x(k+ 1) =Ax(k) +Bu(k) +x_be(k) +w(k) (4.131) aholxa sorban álló járművek száma,ua beavatkozó jel (a szabad jelzésidő),xbea lehatárolt rendszer határain belépő járművek száma (amelyet a mérhető hibaként vettem fel),wa nem mérhető hibák összessége. A nem mérhető hibák között szerepelnek a mérésekre rakodó zajok és az állapothiba. A mérésekvnulla várható értékű, normál eloszlású zajjal terheltek:

y(k) =Cx(k) +v(k) (4.132)

2. Rámutattam, hogy a nem pozitív rendszerként felírt (4.131) modellben, a pozitív rendszer tulajdonság figyelembe vétele a szabályozótervezés során megfelelően felállított korlátozá-sok beépítésével biztosítható. Javaslatot tettem a lineáris rendszerként modellezett köz-lekedési folyamatok pozitív ortánson belüli irányítását lehetővé tevő szabályozó tervezési feltételeinek meghatározására.

3. Általánosan is megfogalmaztam aB mátrix felépítésének módszerét több kereszteződésből álló hálózatban, majd módszert dolgoztam ki MPC szabályozó tervezésére, amely a sorban álló járművek számát minimalizálja. A bemutatott szabályozó minden jelzőlámpa ciklusban úgy állapítja meg a beavatkozó jelet, hogy a következő funkcionált minimalizálja, miközben kielégíti a (4.131) dinamikai és a (4.132) mérési egyenleteket és a korlátozó feltételeket is:

J(k) = 1 aholNp a predikciós horizont hossza, xi a helyzetjelző vonalak előtt sorban álló járművek száma, u_i a szabad jelzés idők hossza.

4. Bemutattam, hogy a (4.133) feladat megoldása megegyezik egy általánosan felírt, kvadra-tikus optimalizálási feladattal

minu J(k) = 1

2u^TΦu+β^Tu, Fu−h≤0.

(4.134) ahol u a szabályozó jelek vektora (szabad jelzés), Φ és β^T az állapotdinamikai modellt foglalják magukba, mígFu−h ≤ 0 egyenlőtlenség a korlátozások figyelembe vételét tar-talmazza.

4.4. Új tudományos eredmények

5. A forgalomirányító rendszerben az egyes (pl. megkülönböztetett) járművek előnybiztosí-tása is megoldható a megfelelően módosított Q mátrix használatával. Az irányítási célok széleskörűen definiálhatók, példát mutattam be olyan stratégiára ahol a rendelkezésre álló zöld időket úgy határozza meg a rendszer, hogy közben maximalizálja a csomópontban átjutó utasok számát.

A tézishez kapcsolódó publikációk: [59,46,50,37, 38,20,47,26,27]

4. Tézis. Bemutattam, hogy a prediktív forgalomirányítás továbbfejleszthető olyan elosz-tott irányító rendszerré, ahol a hálózat forgalomfüggő jelzéstervét a csomóponti forgalomirányító berendezések párhuzamosan, egy időben számítják ki. A kibővített állapottér modell alapján pe-dig robusztus prediktív irányítás is megvalósítható, amivel lehetőség nyílik a városi közlekedési rendszer bizonytalanságainak a kezelésére is.

1. Rámutattam, hogy az előző tézisben bemutatott MPC módszer alapján előállt, számí-tási feladat (4.134) megoldható decentralizáltan módon is, azaz a számíszámí-tási műveleteket a csomóponti forgalomirányító berendezések elosztott módon, párhuzamosan is képesek megvalósítani.

2. A 4.134egyenlet a dualitás-elmélet [77] alapján duális alakra hozható, és az alábbi lineáris egyenletrendszer megoldására redukálható:

P λ=w, λj ≥0, (4.135)

ahol P mátrix és w vektor Φ, β, F, és h kombinációi. Majd a projektált Jacobi-iterációt alkalmazva a (4.135) megoldására [77] a következőt kapjuk:

λj(t+ 1) = max aholκ >0 egy hangoló paraméter és ppedigP mátrix eleme.

A 4.135 egyenlet duális feladat iterációs algoritmussal történő megoldásával az MPC el-osztott módon implementálható párhuzamos számítással. Az elel-osztott módszer lényege, hogy (4.136) globális iterációs problémaM darab kisebb feladatra bontható szét, amelyek párhuzamosan számíthatók. Városi jelzőlámpás hálózatban az i= 1, 2, . . . , M számítást végző egységek megfeleltethetők a csomóponti vezérlő gépekben rendelkezésre álló számí-tásai kapacitásnak. Azi-ik alprobléma gyakorlatilag az optimalizálási változók csökkentett halmazát figyelembe véve kerül kiszámításra. Az iteráció végső eredményéhez a részmegol-dások növekvő pontosságú, közelítő megoldásaként jutunk. Aλ^∗optimális kiszámítása után az MPC feladat végső eredménye, azaz optimális zöldidők már közvetlenül számíthatók.

3. Bemutattam, hogy forgalmi modellben nehezen mérhető zavarások modell bizonytalansá-got okoznak. Az állapot- és forgalmi igény bizonytalanságok a hálózati teljesítőképesség csökkenéséhez vezethetnek, valamint a prediktív irányítás esetén a bizonytalanságok hatá-sa a teljes horizonton érvényesül [62, 97],[46]. Ennek a problémának a megoldása lehet a

4.4. Új tudományos eredmények

store-and-forward modell kiegészítése állapot- és igénybizonytalansággal, amely révén az irányítás egy minimax optimalizációs feladat megoldását jelenti a következő formában:

minu max

∆

K−1X

i=0

x(k+i|k)^TQx(k+i|k) +u(k+i|k)^TRu(k+i|k), feltételek: u(k+i|k)∈U, ∀∆∈∆,

x(k+i|k)∈X, ∀∆∈∆,

∆(k+i|k)∈∆

(4.137)

ahol Q ≻ 0 és R ≻ 0 diagonális súlyozó mátrixok, ∆ a potenciális bizonytalanságok halmazát jelenti. A minimax feladatban a minimális költséget a bizonytalanságok lehetséges maximális hatása mellett keressük megfelelőu(k+i|k) szabad jelzési idő beállításokkal. A (4.137) optimalizálás ugyanakkor nem determinisztikus időbonyolultságú probléma (NP-hard); a számítási idő exponenciálisan nő a hálózat méretével. Emiatt Ghaoui, Löfberg és Boyd eredményei [115, 138, 84] alapján a minimax feladatot egy hatékonyan megoldható szemidefinit optimalizálássá kell átalakítani.

A tézishez kapcsolódó publikációk: [20,34,35,36, 39,41,47,48]

5. fejezet

Többkritériumos közúti

In document A közúti járműforgalom becslése és irányítása (Pldal 82-90)