MPC (Model Predictive Control)

Kurzdefinition

Model Predictive Control (MPC) ist ein optimierungsbasierter Regelansatz, der ein dynamisches Systemmodell nutzt, um kuenftige Zustaende vorauszusagen und ueber einen Zeithorizont optimale Steuerungstrajektorien zu berechnen. Im Unterschied zum reaktiven PID-Regler agiert MPC proaktiv: Es beinhaltet gleichzeitig Multivariablen-Koordination, Aktuator-Constraints und Wetterprognosen. Fuer Cannabis-Gewächshaeuser ab ca. 1.000 m² kann MPC 30-50% Energieeinsparung gegenueber PID erzielen.

Wissenschaftliche Beschreibung

Grundprinzip: Rollierender Optimierungshorizont

MPC arbeitet in einem wiederholten Zyklus:

1. Messen: Aktuellen Zustand messen (T, RH, CO₂, Aussenklima)
2. Voraussagen: Mit Systemmodell Zukuenftigen Zustand ueber Horizont N prognostizieren
3. Optimieren: Kostefunktion minimieren unter Constraints → optimale Steuersequenz u[0..N]
4. Ausfuehren: Nur u[0] (ersten Schritt) ausfuehren
5. Wiederholen: Naechster Zeitschritt → zurueck zu Schritt 1

Die Optimierungshorizontlänge ist typisch 1-24 Stunden; Abtastrate 5-30 Minuten.

Kostenfunktion und Constraints

Typische Kostenfunktion fuer Cannabis-Gewächshaus:

J = ∑ₖ [w₁(T[k]-Tset)² + w₂(RH[k]-RHset)² + w₃(CO₂[k]-CO₂set)² + w₄E[k]*Preis[k]]

Minimierung unter Constraints: - Tmin ≤ T[k] ≤ Tmax (Pflanzensicherheitsbereich) - 0 ≤ Heizventil[k] ≤ 100% - 0 ≤ Lueftung[k] ≤ 100% - CO₂-Injektion ≤ maximaler Massenfluss - RH[k] ≤ 85% (Botrytis-Grenze)

Systemmodell: Thermische und hygrische Bilanz

Das Gewächshaus-Modell beschreibt physikalisch:

Energiebilanz: dT/dt = (1/ρcV) * [Qheiz + Qsolar - Qlueft - Qhuelle] - Qheiz: Heizleistung (Stellgroesse) - Qsolar: Solarstrahlung (gemessene Stoergroesse) - Qlueft: Lueftungswaermeverlust (Stellgroesse) - Qhuelle: Transpirations-/Kondensationswaerme

Feuchtebilanz: dW/dt = (1/V) * [Etranspiration - Entfeuchtung + Befeuchtung - Lueftungsverlust]

Modellparameter werden aus historischen Betriebsdaten identifiziert oder aus Bauphysik berechnet.

MPC-Varianten fuer Gewächshaus

Constrained MPC (CMPC): Explizite Constraints auf T, RH und Aktuatorpositionen. In Prototyp-Studie: Temperaturgenaueigkeit ±1,5°C, RH-Genauigkeit ±5% bei wechselnden Aussenbedingungen – deutlich besser als PID mit ±3°C Temperaturschwingungen bei Solar-Transienten.

Reinforcement Learning-basiertes MPC (RL-MPC): Kombiniert MPC-Constraint-Handling mit RL-Faehigkeit, optimale Policies aus Simulationsdaten zu lernen. RL-Komponente lernt Wertfunktion, die Langzeit-Kostenschaetzung approximiert und Online-Optimierungsaufwand reduziert. Demonstriert verbesserte Energieeffizienz bei gleichzeitiger Setpoint-Einhaltung.

Datengetriebenes robustes MPC: Verwendet historische Betriebsdaten fuer Unsicherheitsmodelle ohne detaillierte physikalische Gleichungen. Besonders wertvoll, da First-Principles-Gewächshausmodelle komplex und oft ungenau sind. Adaptiert Modellparameter online fuer verbesserte Tracking-Performance unter wechselnden Wetterbedingungen.

MPC vs. PID: Wann lohnt sich der Upgrade?

PID bleibt angemessen fuer Einzonen-Betriebe mit moderatem Klima. MPC wird vorteilhaft wenn: 1. Mehrere Regelgroessen nichtlinear wechselwirken (Lueftung beeinflusst gleichzeitig T, RH, CO₂) 2. Aktuator-Constraints haeufig aktiv sind 3. Wetterprognosen Feedforward-Information liefern koennen 4. Energiekostenoptimierung Prioritaet hat (dynamische Strompreise) 5. Facility >1.000 m² mit signifikanten HVAC-Investitionen

Wetterprognose-Integration

MPC kann Wetterprognosen (Solarstrahlung, Aussentemperatur, Windgeschwindigkeit) direkt in den Optimierungshorizont einbinden: - Sonnige Perioden: Heizung vorausschauend reduzieren; Lueftung praemptiv planen - Bewoelkung: Supplementarbeleuchtung erhoehen bevor DLI-Defizit entsteht - Kaltfront: Greenhouse vorheizen bevor Aussentemperatur faellt

Demand-Response und dynamische Strompreise

MPC integriert Echtzeit-Strompreissignale in Kostenfunktion: - Guenstige Off-Peak-Zeiten: Greenhouse ueberheizen (thermische Masse), CO₂-Behaelter aufladen - Teure Peak-Zeiten: Thermische Masse nutzen, Heizung reduzieren, Beleuchtung dimmen - Einsparungspotenzial: 10-20% Stromkostensenkung ohne signifikante Ernteeinbussen

Implementierung: MATLAB und Python

MATLAB/Simulink: MPC Toolbox mit QP-Solver (quadratische Programmierung); Standard in akademischer Forschung; komfortabel fuer Modellidentifikation

Python: CVXPY (konvexe Optimierung), CasADi (nichtlineare Optimierung), do-MPC (dediziertes MPC-Framework); offener, produktionstauglicher

Cloud-MPC: Moderne Embedded-Prozessoren und Cloud-Computing machen Echtzeit-MPC fuer kommerzielle Betriebe praktikabel; Latenz-Challenge bei Internet-Konnektivitaet → kritische Regelkreise lokal halten

Herausforderung: Modellgenauigkeit

MPC-Performance haengt kritisch von Modellqualitaet ab: - Ungenaue thermische Parameter → suboptimale Steuerung oder Constraint-Verletzungen - Modellidentifikation erfordert Betriebsdaten und Expertise - Saisonale Parameterverschiebungen (Bepflanzungsgrad, Aussenklima) erfordern Online-Adaption - Datengetriebene Ansaetze umgehen Modellierungsaufwand, benoetigen aber grosse historische Datensaetze

Anbau-Relevanz

• Ab wann rentabel: MPC-Einrichtung lohnt sich ab ca. 1.000 m² und signifikanten Energiekosten (HVAC/Licht machen 60-70% der Betriebskosten aus)
• Energieeinsparung: 30-50% theoretisch moeglich; in Praxis 20-35% erreichbar mit korrekter Implementierung
• PID bleibt als Backup: MPC typischerweise als uebergelagerte Schicht auf PID-Basis (PID-Fallback bei MPC-Ausfall)
• Cloud vs. Lokal: Cloud-MPC-Services abstrahieren Komplexitaet, bringen aber Konnektivitaetsrisiken → lokaler Fallback erforderlich
• Kommerzielle Vorreiter: Freight Farms und AppHarvest nutzen praediktive Klimastrategien in kommerziellen Indoor-Betrieben

Verwandte Begriffe

• pid-regler-klima — Klassische Alternative; MPC-Fallback-Schicht
• klimacomputer — Hardware-Plattform fuer MPC-Implementierung
• setpoint-management-crop-steering — Setpoints als MPC-Optimierungsziele
• dli-lichtsteuerung-automatisiert — Lichtsteuerung als MPC-Variable

Quellen

• Reinforcement learning-based model predictive control for greenhouse climate. ScienceDirect 2024. https://www.sciencedirect.com/science/article/pii/S2772375524003551
• Constrained temperature and relative humidity predictive control. ScienceDirect 2023. https://www.sciencedirect.com/science/article/pii/S2214317323000525
• Data-driven robust model predictive control for greenhouse temperature control. ScienceDirect 2023. https://www.sciencedirect.com/science/article/pii/S0306261923005548
• A robust data-driven MPC for greenhouse temperature control. ScienceDirect 2026. https://www.sciencedirect.com/science/article/pii/S0967066126002273

Quellen

• https://doi.org/10.1021/acs
• Wang CT et al. (2022): Air quality in cannabis cultivation facilities. Environ. Sci. Technol. doi:10.1021/acs.est.1c06372