Ingeniero Civil Eléctrico / Las microrredes se alzan como una solución plausible a los problemas de integración de energías renovables y de generación distribuida a los sistemas eléctricos, permitiendo además la alimentación de zonas aisladas. En sistemas de baja tensión las cargas suelen ser monofásicas, lo que constituye una fuente natural de desbalances. Para el control de microrredes se opta generalmente por un control jerárquico, con control primario distribuido y control secundario y terciario centralizado. En general, se trabaja con control primario mediante curvas de estatismo emulando el comportamiento de las máquinas síncronas en los inversores, con lo cual los inversores comparten carga. El control secundario y terciario se encarga de mantener el sistema en condiciones nominales de operación y de optimizar la operación de la microrred. En el presente trabajo de título se aborda el control de microrredes de baja tensión ante desbalances. Usando el programa Plecs se ha simulado una microrred compuesta de tres inversores y líneas de transmisión de naturaleza resistiva, con las cuales se alimentan tres cargas balanceadas, sometiendo al sistema a impactos de carga desbalanceados. Para el diseño del control primario se ocupan curvas de estatismo y un lazo de impedancia ficticia. Se añade en paralelo con el control primario lazos de control que compensan la presencia de componentes de secuencia negativa y cero en la tensión. Se ha probado dos estrategias de control de secuencia negativa, una cooperativa y otra no cooperativa. El control secundario se encarga de restaurar la frecuencia y tensión a sus valores nominales. En los resultados obtenidos, se observa que el sistema reparte cargas de secuencia positiva. La impedancia ficticia permite que, aunque la línea sea resistiva, el sistema responda como si sus líneas fuesen de naturaleza inductiva. Para probar el control de secuencia negativa se ha simulado la respuesta del sistema ante un impacto de carga bifásico entre las fases a y b. Al conectar cargas trifásicas desequilibradas se consigue inyectar desbalance de secuencia negativa y cero. El control de secuencia negativa y cero actúa compensando la presencia de estas componentes con éxito; sin embargo, la estrategia colaborativa no comparte bien la potencia de secuencia negativa entre inversores. Esto ocurre debido a que las impedancias de las líneas afectan el desempeño de este control.

Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniero Civil Eléctrico / El desarrollo y evolución de inversores ha aumentado en los últimos años debido a la gran cantidad de aplicaciones que incluyen estos dispositivos, entre ellas se cuenta la conversión de la energía, tracción eléctrica, máquinas y generación distribuida. Además, el control de estos dispositivos ha sido un tema muy estudiado, ya que se requiere convertir la energía eficientemente para aprovechar al máximo la generación de esta. El control predictivo basado en modelos (MPC) es una estrategia prometedora para el control de inversores, la cual tiene como característica el uso de modelos matemáticos del sistema para predecir comportamientos futuros y seleccionar acciones de control apropiadas. Dentro de las ventajas de MPC es que se pueden controlar varias variables con una sola ley de control. Esto puede lograrse mediante la introducción de los objetivos de control en la función de costo. Cada término adicional en la función tiene un factor de ponderación específico. Estos parámetros tienen que ser diseñado correctamente con el fin de lograr el rendimiento deseado, ya que la mala elección de estos puede provocar la inestabilidad del sistema. El primer objetivo de esta tesis es el diseño de una estrategia de control predictivo multi-objetivo para inversores, con el fin de evitar la selección de los ponderadores dentro de la función de costo de MPC. Esto se realizó para los métodos de control predictivo de estado finito (FCS-MPC) y control predictivo modulado (M2PC). Para obtener la solución del problema se encuentra la frontera óptima de Pareto, evaluando todos los estados de conmutación factibles, aprovechando la naturaleza discreta del inversor. Luego la acción de control se escoge mediante el algoritmo e-constraint. Como resultado se obtuvo que no fue necesario la elección de pesos, ya que con esta formulación la solución del problema se puede escoger flexiblemente y a criterio del diseñador, no obstante se debe seleccionar un parámetro e, el cual tiene relación directa con el rendimiento. Finalmente el criterio del diseñador es más fácil de elegir que el peso. Asimismo, la propuesta multi-objetivo presenta todas las características de MPC, por ejemplo, compensación de retardos, fácil inclusión de no linealidades y restricciones, entre otras. El segundo objetivo corresponde al diseño de un método para la sintonización de MPC. Como la frontera de Pareto es difícil de obtener en tiempo real, se busca emular el comportamiento del problema multi-objetivo (MO-MPC) en FCS-MPC. Para ello se genera un simulador de la planta real con tal de obtener la respuesta del sistema. Basado en la frontera de Pareto dinámica, es posible estimar un ponderador lambda(k), que conecte FCS-MPC con MO-MPC en el instante k (J=J_1+\lambda(k) J_2). Con ello se utiliza una función de lambda(k) en vez de un valor fijo en la función de costo. Se comprobó que esta forma de sintonización logra emular el comportamiento de MO-MPC, y es capaz de adaptarse a distintas condiciones del sistema, dado el modelo dinámico del ponderador. Para validar las propuestas de esta tesis se utilizó la topología de un filtro activo de potencia en paralelo (SAPF). Se observó que este sistema es capaz de compensar reactivos, armónicos y desbalances indistintamente de la carga no lineal utilizada. Por último, se realizó una implementación experimental para validar la propuesta multi-objetivo para M2PC. Se utilizaron diversas condiciones en la frontera de Pareto, obteniéndose que el criterio con mejores resultados es escoger la acción de control más cercana al origen dentro de la frontera, debido a que se minimizan todos los objetivos al mismo tiempo, con igual importancia.

No description available.

Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniero Civil Eléctrico / En esta tesis se desarrollan y evalúan tres estrategias de control predictivo distintas en un generador de inducción de doble excitación (DFIG), que son: descentralizado, centralizado y distribuido. En la estrategia de control predictivo descentralizada el conversor back-to-back es regulado mediante dos controladores predictivos, uno para el lado rotor y el otro para el lado red, y mediante un controlador PI que mantiene el balance del voltaje en el DC-link. En la estrategia de control predictivo centralizado todo el conversor es regulado mediante un único controlador predictivo. Por último en la estrategia de control distribuido el sistema es regulado mediante dos controladores predictivos que comunican sus acciones de control. Para evaluar las estrategias de control planteadas se desarrolla un simulador que captura la dinámica de un generador doblemente alimentado mediante el uso del software Matlab-Simulink. Los controladores se programan de acuerdo a las estrategias de control implementadas y son aplicados en el simulador del generador. Se evalúa el desempeño de cada uno de estos, en base a los siguientes criterios de comparación: THD, error de seguimiento de las corrientes, error de seguimiento del voltaje de DC-Link, tiempo de ejecución del programa de cada controlador y frecuencia de switching. Se analiza también el desempeño de estas estrategias de control bajo condiciones de operación de estrés en la red, es decir, se somete el aerogenerador a una falla trifásica que implica una caída de la tensión de la red en un 70%. A partir de los resultados se concluye que es posible implementar las tres estrategias de control propuestas en el DFIG. Además se observa que el valor de la función de costos resulta ser mínimo en la estrategia de control centralizada seguida por la distribuida para presentar un menor desempeño en la estrategia de control descentralizada. En cuanto al error de seguimiento el voltaje del DC-Link es mejor para el caso centralizado, seguido por el distribuido, observándose el peor desempeño en el caso de descentralizado, con sobreniveles en torno al 4% cuando se cambia el punto de operación. Este resultado se debe a que en el caso centralizado el controlador encuentra un óptimo global, en cambio en el descentralizado los óptimos son locales. En general, los resultados de la estrategia de control distribuido son bastante similares a los obtenidos mediante la estrategia de control centralizado, con la diferencia de que se resuelve el problema de optimización dentro del tiempo de muestreo. Al analizar la distorsión armónica se observa que la frecuencia se encuentra distribuida a lo largo de todo el espectro lo que en aplicaciones reales complica el dimensionamiento de los filtros para armónicos y aumenta su costo, por lo que recientemente se han estudiado estrategias de control predictivo moduladas que utilizan una fase de modulación antes de conectarse a las compuertas de los IGBT's. Como consecuencia los armónicos se centran en torno a múltiplos de la frecuencia de la señal portadora. Por último al analizar el comportamiento de las estrategias propuestas en presencia de una caída de tensión en la red se producen sobrecorrientes en los enrollados del rotor que el convertidor lado rotor no es capaz de controlar. Además durante la contingencia es necesario utilizar un chopper para disipar el exceso de energía.

Control predictivo basado en modelos (MPC) es una metodología de control ampliamente utilizada en la industria por su habilidad para controlar procesos multivariable con restricciones en sus entradas y sus salidas. Se distinguen dos fases en la implementación de MPC: identificación y control. El propósito de esta tesis es doble: realizar contribuciones en la identificación para MPC y proponer una nueva metodología de control MPC. La respuesta en bucle cerrado de una implementación de MPC depende, en gran medida, de la capacidad de predicción del modelo; luego la identificación del modelo es un punto crucial en MPC y la parte que a menudo exige la mayor parte del tiempo del proyecto. El primer objetivo que cubre la tesis es la identificación para MPC. Puesto que un modelo es una aproximación del comportamiento de un proceso, dicha aproximación se puede hacer teniendo en cuenta el fin que se le va a dar al modelo. En MPC, el modelo se utiliza para realizar predicciones dentro de una ventana futura, luego la identificación para MPC (MRI) tiene en cuenta dicho uso del modelo y considera los errores de predicción dentro de dicha ventana para el ajuste de los parámetros del modelo. En esta tesis, se cubren tres temas dentro de MRI. Primero se define MRI y las distintas formas de abordarlo. Luego se compara en términos de MRI el ajuste de un modelo con múltiples entradas y múltiples salidas con el ajuste de varios modelos con múltiples entradas y una salida concluyendo que el ajuste de un único modelo con múltiples entradas y múltiples salidas proporciona mejores resultados en términos de MRI para horizontes de predicción lo suficientemente grandes. Por último, se propone el algoritmo PLS-PH para implementar MRI con modelos paramétricos en el caso de correlación en los datos de identificación. PLS-PH es un método de optimización numérica por búsqueda lineal basado en PLS (mínimos cuadrados parciales). Se muestra en un ejemplo como PLS-PH es capaz de proporcionar mejores modelos que las técnicas convencionales de MRI en modelos paramétricos en el caso de correlación en los datos de identi ficación. Una vez obtenido el modelo se puede formular el controlador predictivo. En esta tesis se propone LV-MPC, un controlador predictivo para procesos continuos que implementa la optimización en el espacio de las componentes principales. / Laurí Pla, D. (2012). MPC: Relevant Identification and Control in the Latent Variable Space [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/15178 / Palancia

Memoria para optar al título de ingeniero civil eléctrico / En este territorio todavía existen comunidades aisladas que no tienen acceso a la energía eléctrica o que tienen un acceso de baja calidad mientras estén más alejadas de los centros urbanos. Para solucionar estos problemas para estas de comunidades, dentro de las cuales se incluyen comunidades mapuche, se han generado entre otras soluciones las micro-redes de energías renovables, que se hacen cargo de la energía. Además del problema de la electricidad, en las comunidades del sur y en particular de la Novena región de la Araucanía, existe un problema extendido que tiene relación con la escasez de agua para agricultura y consumo humano, que se produce en verano, debido a, entre otros factores, a la presencia forestal en gran parte del territorio. Esto además en cuanto a las comunidades mapuche se presenta como un problema tanto en tareas productivas, afectando su calidad de vida, pero ta mbién en términos culturales y espirituales debido a que la cosmovisión mapuche se relaciona de otra forma con el territorio que habita. En esta memoria se propone un sistema de gestión de agua que permita el llenado de sistemas de estanques usando la energía excedente de una micro-red. Este excedente puede ser escaso en cuyo caso se debe priorizar la decisión. Como solución, se ha diseñado un controlador predictivo basado en modelo (MPC), que a través de la predicción de los niveles de los estanques busca la solución óptima al problema de la coordinación. Primero se modela el sistema hídrico, la parte eléctrica, se aplican simplificaciones y se linealiza la planta utilizando una identificación a través de un modelo ARX. Para resolver el problema de optimización se utilizan algoritmos genéticos para calcular acción de control que se acerque al óptimo, de forma numérica incluyendo las restricciones del problema, generando gran un ahorro en tiempo de procesamiento. En los resultados se puede apreciar que, aunque el algoritmo genético no asegura el óptimo, si se acerca lo suficiente para que se note el efecto del controlador, comparado con controladores On/Off, siguiendo referencias y cumpliendo restricciones. Finalmente, cuando se incluye la restricción de energía para el funcionamiento de las bombas, se observa que por acción del MPC se logra hacer una coordinación del llenado de los estanques por turnos incluso cuando la energía no alcanza para ambos sistemas en paralelo.

Partiendo de la motivación de buscar medios que permitan el ahorro de energía tanto por el aspecto económico como el ecológico se desarrolló este trabajo el cual pretende diseñar un controlador predictivo basado en modelo (CPBM) para controlar un generador de vapor de tubos de agua de forma más efectiva y eficiente que los sistemas actuales Para este fin se realizó una revisión del estado del arte de los generadores de vapor y de sus sistemas de control donde se identificaron las principales variables a controlar. Debido al bajo desempeño de estos sistemas de control se propuso, luego de un análisis previo, el uso de un controlador predictivo basado en modelo para su aplicación en el generador de vapor. Para lograr este objetivo se estudió un modelo matemático no lineal multivariable de un generador de vapor reportado en la literatura, el cual posteriormente se utilizó para realizar la simulación de la planta real. Luego para el diseño del controlador se utilizó el modelo linealizado con el fin de aligerar cálculos. El diseño del controlador multivariable está basado en un controlador predictivo que es computacionalmente más eficiente que el controlador predictivo convencional. Para la aplicación de este controlador se consideraron restricciones en la señal de control y durante las pruebas simuladas en Matlab/Simulink se le introdujo señales ruidosas y perturbaciones alcanzando buenos resultados en eficiencia energética y de control superando al sistema actual basado en controladores PID. Finalmente se propuso la implementación práctica del controlador haciendo uso de un DSP hibrido. / Tesis

Model predictive control (MPC) has been, since its introduction in the late 70’s, a well accepted control technique, especially for industrial processes, which are typically slow and allow for on-line calculation of the control inputs. Its greatest advantage is its ability to consider constraints, on both inputs and states, directly and naturally. More recently, the improvements in processor speed have allowed its use in a wider range of problems, many involving faster dynamics. Nevertheless, implementation of MPC algorithms on embedded systems with resources, size, power consumption and cost constraints remains a challenge. In this thesis, High-Level Synthesis (HLS) is used to implement implicit MPC algo- rithms for linear (LMPC) and nonlinear (NMPC) plant models, considering constraints on both control inputs and states of the system. The algorithms are implemented in the Zynq@ -7000 All Programmable System-on-a-Chip (AP SoC) ZC706 Evaluation Kit, targeting Xilinx’s Zynq@-7000 AP SoC which contains a general purpose Field Programmable Gate Array (FPGA). In order to solve the optimization problem at each sampling instant, an Interior-Point Method (IPM) is used. The main computation cost of this method is the solution of a system of linear equations. A minimum residual (MINRES) algorithm is used for the solution of this system of equations taking into consideration its special structure in order to make it computationally efficient. A library was created for the linear algebra operations required for the IPM and MINRES algorithms. The implementation is tested on trajectory tracking case studies. Results for the linear case show good performance and implementation metrics, as well as computation times within the considered sampling periods. For the nonlinear case, although a high computation time was needed, the algorithm performed well on the case study presented. Because of resources constraints, implementation of the nonlinear algorithm on higher order systems was precluded. / Modellprädiktive Regelung (engl: Model Predictive Control (MPC) ist, seit der Einfüh- rung in den späten 70er Jahren, eine gut angenommene Regelungstechnik, insbesondere für industrielle Prozesse, die typischerweise langsam sind und die online Steuergröße Berechnung ermöglichen. Ihr größter Vorteil ist die Fähigkeit, Beschränkungen bezüg- lich der Steuergrößen und der Regelgrößen zu berücksichtigen. In letzter Zeit hat die Verbesserung der Geschwindigkeit der Prozessoren den Einsatz in einer breitere Pro- blemreichweite mit einer schnelleren Dynamik ermöglicht. Allerdings bleibt die MPC Algorithmus-Implementierung in eingebetteten Systeme mit beschränkte Ressourcen, Größe, Energieverbrauch und Kosten eine Herausforderung. In dieser Arbeit wird die High-Level Synthesis (HLS) benutzt, um implizit MPC Algorithmen für lineare (LMPC) und nichtlineare (NMPC) Regelstrecken zu implemen- tieren, wobei Steuergröße- und Regelgrößenbeschränkungen berücksichtigt werden. Die Algorithmen sind im Zynq@-7000 AP SoC ZC706 Auswertungskit implementiert, wobei auf der Xilinxs Zynq@-7000 AP SoC, der ein allgemeiner Zweck FPGA enthält, abgezielt wird. Ein innere-Punkte Verfahren (engl: Interior-Point Method (IPM)) wird für die Lösung des Optimierungsproblems in jedem Sampling benutzt. Die größte Berechnungs- komplexität bei dem IPM ist die Lösung eines linearen Gleichungssystems. Ein minimaler Residuum-Algorithmus (MINRES) wird für die Lösung dieses Gleichungssystem benutzt, wobei die spezielle Struktur berücksichtigt wird, um das Verfahren recheneffizient zu machen. Es wurde eine Bibliothek mit Funktionen für die benötigten linearen Algebra Operationen in den IPM und MINRES Verfahren entwickelt. Die Implementierung wird in Trajektorieverfolgung Fallstudien getestet. Die Ergeb- nisse für den linearen Fall zeigen gute Leistungen und Metriken, sowie Rechenzeiten innerhalb des berücksichtigten Taktzeiten. Für den nichtlinearen Fall wurde eine ho- he Rechenzeit benötigt. Trotzdem hat der Algorithmus für die vorgestellte Fallstudie gut funktioniert. Infolge der Ressourcenbeschränkungen war die Implementierung des nichtlinearen Algorithmus für Systeme höherer Ordnung verhindert. / Tesis

El control óptimo preview se define como un control predictivo desde el enfoque de control óptimo; esto quiere decir que su funcionamiento se basa en el conocimiento de los valores futuros de la referencia, de tal manera que usa estos valores en la formulación de la ley de control; por ende, tiene un desempeño superior al control proporcional integral derivativo (PID), y también superior que el control óptimo general. En este trabajo se desarrolla un modelamiento matemático de una planta esfera sobre un plano utilizando como herramientas los análisis eléctricos, mecánico, físico, cinemático y dinámico, con el principal objetivo de conseguir una serie de ecuaciones analíticas de la planta y de esa manera poder comprender las principales variables que intervienen en dicho modelo. A partir del modelo obtenido, se elabora un controlador avanzado óptimo preview de posición y trayectoria, para luego realizar un análisis comparativo entre dicho controlador avanzado variando el tiempo preview y otro controlador convencional proporcional integral derivativo para el control de posición de una esfera sobre un plano. Se consiguió simular con éxito el control la posición, trayectoria definida y una trayectoria circular mediante el controlador avanzado diseñado, obteniendo resultados favorables a comparación con el controlador convencional proporcional integral derivativo. / Tesis

In recent years, there is a growing interest in the development of systems capable of performing tasks with a high level of autonomy without human supervision. This kind of systems are known as autonomous systems and have been studied in many industrial applications such as automotive, aerospace and industries. Autonomous vehicle have gained a lot of interest in recent years and have been considered as a viable solution to minimize the number of road accidents. Due to the complexity of dynamic calculation and the physical restrictions in autonomous vehicle, for example, deterministic model predictive control is an attractive control technique to solve the problem of path planning and obstacle avoidance. However, an autonomous vehicle should be capable of driving adaptively facing deterministic and stochastic events on the road. Therefore, control design for the safe, reliable and autonomous driving should consider vehicle model uncertainty as well uncertain external influences. The stochastic model predictive control scheme provides the most convenient scheme for the control of autonomous vehicles on moving horizons, where chance constraints are to be used to guarantee the reliable fulfillment of trajectory constraints and safety against static and random obstacles. To solve this kind of problems is known as chance constrained model predictive control. Thus, requires the solution of a chance constrained optimization on moving horizon. According to the literature, the major challenge for solving chance constrained optimization is to calculate the value of probability. As a result, approximation methods have been proposed for solving this task. In the present thesis, the chance constrained optimization for the autonomous vehicle is solved through approximation method, where the probability constraint is approximated by using a smooth parametric function. This methodology presents two approaches that allow the solution of chance constrained optimization problems in inner approximation and outer approximation. The aim of this approximation methods is to reformulate the chance constrained optimizations problems as a sequence of nonlinear programs. Finally, three case studies of autonomous vehicle for tracking and obstacle avoidance are presented in this work, in which three levels probability of reliability are considered for the optimal solution. / Tesis