Aplicación de red neuronal artificial al control de un convertidor trifásico de condensadores flotantes

Abstract

Algunas de las técnicas de control ampliamente utilizadas en electrónica de potencia son el control lineal Proporcional-Integral (PI), debido a su simplicidad y robustez ante variaciones de parámetros, sin embargo, esta estrategia puede ser considerada lenta y/o incompleta, ya que no es adecuado para sistemas no lineales como los convertidores de potencia. Por otro lado, la técnica de control predictivo basado en modelo (MPC, por sus siglas en inglés Model Predictive Control) se caracteriza por su flexibilidad, rápida respuesta dinámica y buen seguimiento de referencia, a pesar de trabajar con error en estado estacionario [4]. No obstante, requiere la iteración de todos los estados de conmutación posibles, lo que implica un mayor tiempo computacional al aumentar el número de estados de conmutación posibles. En la actualidad se desarrollan diversas aplicaciones de redes neuronales artificiales, una de sus principales características es que no requiere conocer el modelo de un sistema para poder generalizarlo, sumado a que la complejidad de la red se puede adaptar a las necesidades del problema, lo que resulta en una alternativa atractiva a considerar. En el caso de la electrónica de potencia, la posibilidad de reemplazar el control de un convertidor con una red neuronal artificial relativamente simple es la alternativa a validar en este trabajo de memoria. El sistema de prueba se conforma de un convertidor de tipo “Capacitor flotante” (FCC, por sus siglas en inglés Flying Capacitor Converter) multinivel, el cual alimenta una carga RL. Con esta topología, en entorno de simulación, se opera a diferentes condiciones de operación para las estrategias de control PI y el control predictivo, obteniendo el conjunto de datos de entrenamiento para cada estrategia, con el cual se entrenan las respectivas redes neuronales artificiales. Se valida en simulación el comportamiento del control basado en redes neuronales artificiales para cada estrategia de control. Las estrategias de control basadas en redes neuronales artificiales se implementan en un prototipo de laboratorio, utilizando la plataforma de control BRAIn y un FCC de cuatro niveles. En el caso de la red neuronal artificial del control lineal, se logra generalizar el comportamiento proporcional, pero no se consigue incorporar el comportamiento integral en simulación y por ende experimentalmente. En el caso de la red neuronal artificial del control predictivo, se logra obtener un comportamiento similar al control MPC, tanto en régimen transitorio como en régimen estacionario, en corriente y en tensión.