Diseño e implementación de una red neuronal de entrenamiento mixto para el control de un flying capacitor trifásico de tres celdas

Abstract

En la electrónica de potencia, los convertidores multinivel, como el de capacitores flotantes (FCC, del inglés Flying Capacitor Converter), destacan por su eficiencia y alta calidad en las formas de onda, aunque presentan desafíos complejos en su control, como la necesidad de mantener el balance de tensiones entre capacitores en tiempo real, evitando condiciones que comprometan su estabilidad. Las estrategias tradicionales, tales como el Control Proporcional-Integrativo (PI) y el Control Predictivo basado en Modelo (MPC, del inglés: Model Predictive Control), aunque son efectivas, enfrentan limitaciones en adaptabilidad y costo computacional, pues el control PI resulta poco adecuado para sistemas multivariables con dinámicas rápidas, mientras que el MPC, si bien ofrece una mejor dinámica de respuesta, presenta error en estado estacionario y además exige una capacidad de cómputo considerable para resolver optimizaciones en línea, lo que restringe su implementación en entornos con recursos limitados. Esto ha motivado la exploración de enfoques de control más flexibles e inteligentes, como las redes neuronales artificiales (ANN, del inglés: Artificial Neural Network). El presente trabajo se centra en el diseño e implementación de una estrategia de control avanzada basada en ANN para un convertidor FCC de tres celdas. A partir del estudio de controles tradicionales como el PI y el MPC, se desarrollaron dos enfoques novedosos: el primero constó de la integración de dos redes neuronales basadas en control lineal y control MPC, mediante un control por bandas de histéresis, y el segundo en una única red neuronal dual que combina características de ambos controles. Estos métodos fueron evaluados en simulaciones y en un prototipo experimental, evaluando su desempeño en términos de comportamiento en transitorios y estado estacionario, mediante el análisis de las corrientes y tensiones de salida. Los resultados muestran que la propuesta con ANN Dual se destaca por sobre la propuesta de unión de ANN mediante histéresis, principalmente debido a su adaptabilidad en el entorno experimental y a las limitantes de las redes neuronales utilizadas para el control de unión de ANN con histéresis. Los resultados confirman que la ANN Dual cumple con los objetivos planteados, mostrando un desempeño competitivo tanto en simulación como en aplicaciones reales. Sin embargo, se identificaron áreas de mejora, principalmente en el proceso de entrenamiento de la red, para aumentar su adaptabilidad a convertidores con parámetros variables y mejorar la calidad de las señales de salida. Este enfoque demuestra el potencial de las ANN para reemplazar y optimizar los controles tradicionales, reduciendo el costo computacional y ofreciendo sistemas más robustos y versátiles para aplicaciones avanzadas en la electrónica de potencia.