Análisis y diseño de control basado en inteligencia artificial para aplicaciones de convertidores de potencia monofásicos y trifásicos

Abstract

El presente trabajo aborda el análisis y diseño de controladores basados en inteligencia artificial aplicados a convertidores de potencia monofásicos y trifásicos en topología de inversor de dos niveles. Ante las limitaciones de los controladores lineales clásicos frente a perturbaciones, no linealidades y variaciones paramétricas, se propone el uso de agentes de aprendizaje por refuerzo como alternativa de control adaptativo para sistemas de electrónica de potencia, específicamente mediante los enfoques de Q-Learning y Deep Q-Network (DQN). El desarrollo se estructura en una progresión de complejidad creciente. Se parte del control de corriente en inversores monofásicos con carga resistivo-inductiva mediante agentes Q-Learning, para luego extenderse al caso trifásico incorporando representaciones del espacio de estados por sectores que permiten gestionar la naturaleza discreta de las acciones de conmutación. Como etapa final, un agente DQN es aplicado al accionamiento de un motor de inducción trifásico mediante control de campo orientado indirecto (IFOC), reemplazando el lazo PI de corrientes interno. Todos los agentes fueron entrenados y validados en entornos de simulación desarrollados en MATLAB/Simulink y PLECS. Los resultados obtenidos demuestran que los agentes entrenados logran un seguimiento satisfactorio de referencias dinámicas con comportamiento robusto ante variaciones de carga, validando la viabilidad del aprendizaje por refuerzo como herramienta de control en aplicaciones de electrónica de potencia embebida.