Incorporación de inteligencia artificial para la coordinación de Smart Grids en sistemas de control maestro-esclavo utilizando MPC como control principal

Abstract

El control predictivo basado en modelo con conjunto finito de estados de conmutación (FCS-MPC, Finite Control Set Model Predictive Control) gobierna convertidores de potencia evaluando directamente sus estados de conmutación, y su desempeño depende de la fidelidad del modelo discreto que emplea para predecir. Ahí nace el problema que esta memoria aborda. Los componentes reactivos de un filtro no conservan su valor nominal en servicio, por tolerancia de fabricación, temperatura y saturación magnética, de modo que el predictor trabaja con parámetros que ya no describen la planta. En una microrred maestro–esclavo las desviaciones de la inductancia Lf y la capacitancia Cf degradan el seguimiento del convertidor maestro, con especial sensibilidad cuando este forma la tensión en modo isla. La propuesta es una red neuronal informada por física (PINN, Physics-Informed Neural Network) que actúa como módulo de corrección paramétrica del filtro inductor–condensador (LC) del maestro. La PINN infiere en línea los factores de escala ρLf y ρCf a partir de mediciones y de la memoria del controlador, y con ellos reescala los parámetros efectivos del predictor sin alterar las referencias, los pesos de la función de costo ni la decisión del MPC. El entrenamiento es íntegramente fuera de línea, con una pérdida que combina supervisión paramétrica, coherencia con el modelo discreto y regularización, y la inferencia se exporta como operaciones matriz–vector embebidas en el C-Script de PLECS. La arquitectura conserva una tercera salida asociada a la resistencia de la rama capacitiva, pero su etiqueta de entrenamiento es constante y el factor exportado vale idénticamente uno, de modo que solo los dos parámetros reactivos reescalan el predictor desplegado. Las dos resistencias del filtro, la de la rama capacitiva Rfc y la serie del inductor Rf, quedan(...).

Finite Control Set Model Predictive Control (FCS-MPC) governs power converters by directly evaluating their switching states; its performance relies on the fidelity of the discrete model used for prediction. This thesis addresses the resulting challenge: filter reactive components do not maintain their nominal values ​​during operation—due to manufacturing tolerances, temperature, and magnetic saturation—meaning the predictor operates with parameters that no longer accurately describe the system. In a master-slave microgrid, deviations in inductance Lf and capacitance Cf degrade the master converter's tracking performance, particularly when it establishes the voltage in islanded mode. The proposed solution is a Physics-Informed Neural Network (PINN) acting as a parametric correction module for the master unit's inductor-capacitor (LC) filter. The PINN performs online inference of the scaling factors ρLf and ρCf using measurements and controller history; it then uses these to rescale the predictor's effective parameters without altering references, cost function weights, or the MPC decision itself. Training is conducted entirely offline using a loss function that combines parametric supervision, consistency with the discrete model, and regularization; the inference process is exported as matrix-vector operations embedded within the PLECS C-Script. The architecture retains a third output associated with the capacitive branch resistance, but its training label is constant and the exported factor is identically one, ensuring that only the two reactive parameters rescale the deployed predictor. The two filter resistances—the capacitive branch resistance (Rfc) and the series inductor resistance (Rf)—are excluded(...).