ESCUELA DE DOCTORADO

 
Tesis Doctorales de la Universidad de Alcalá
Más información
ESTRATEGIAS DE OPTIMIZACIÓN DEL CONTROL PREDICTIVO DE UN CONVERTIDOR MULTINIVEL-NPC Y SU IMPLEMENTACIÓN EN FPGA
Autor/aMachado Llerena, Osmell
DepartamentoElectrónica
Director/aRodríguez Sánchez, Francisco Javier
Codirector/aMartín Sánchez, Pedro
Fecha de defensa14/07/2017
CalificaciónSobresaliente
ProgramaDoctorado en Electrónica:sistemas Electrónicos Avanzados.sistemas Inteligen (RD 1393/2007)
Mención internacionalNo
ResumenLos convertidores de potencia multinivel representan una alternativa ampliamente utilizada en la gestión del flujo de energía eléctrica en sistemas de alta potencia y alta o media tensión, como puedan ser sistemas de generación de energía eólica o, en general, sistemas de generación, transmisión y distribución de energía para aplicaciones industriales. El control de este tipo de convertidores puede abordarse desde distintas estrategias, como las técnicas de Modulación de Espacios Vectoriales, la Eliminación Selectiva de Armónicos, por nombrar algunas. Por otro lado, las técnicas de Control Predictivo basado en el Modelo (MPC) han adquirido una gran relevancia en el ámbito del control de convertidores y máquinas eléctricas, debido a su precisión, rápida respuesta dinámica y la posibilidad de establecer varios objetivos de control simultáneos. La idea básica consiste en predecir el comportamiento del convertidor, utilizando un modelo discreto o descripción matemática del mismo. Por contra, estas técnicas implican una gran carga computacional, debido a que, en cada periodo de muestreo, debe optimizarse una función de coste, mediante la exploración de cada uno de los posibles estados de conmutación del convertidor. El Control Predictivo sobre un Conjunto Finito de Estados (FCS-MPC) supone un caso particular de MPC, donde el algoritmo solo se aplica a un número finito de estados de conmutación del convertidor. Posteriormente, el convertidor es configurado en aquel estado de conmutación óptimo que minimice cierta función de coste y ello, durante cada intervalo de muestreo. Para establecer la importancia de una variable respecto a otras, se incluye un factor de peso para cada uno de los términos de la función de coste. Ajustar los valores óptimos de estos factores de peso, es una etapa crucial en la especificación del algoritmo FCS-MPC, y resulta una difícil tarea, habitualmente resuelta mediante la técnica de ensayo-error. Por ello, en la mayoría de trabajos publicados en este ámbito de investigación, una vez se determinan los factores de peso, estos permanecen siempre constantes. En esta tesis, se propone un proceso general automático de ajuste de estos factores de peso. Para demostrar la viabilidad del método propuesto, se ha aplicado al caso del control FCS-MPC de un convertidor multinivel de voltaje de Punto Neutro Fijo de Tres Niveles (3L-NPC). Se han estudiado diferentes estrategias para realizar este proceso, y finalmente, se ha considerado una solución basada en Redes Neuronales Artificiales (ANN), como la mejor opción para implementar una novedosa estrategia que se ha venido en denominar: Modelo de Control Predictivo Adaptativo (A-MPC) como una versión optimizada del MPC tradicional. La función de coste incluye el error de seguimiento de las corrientes de red, la frecuencia de conmutación de los transistores IGBT, y el desequilibrio de las tensiones del Bus-DC. Consideradas como figuras de mérito, el error de las corrientes generadas, la distorsión armónica total (THD), la frecuencia media de conmutación y el desequilibrio del Bus-DC, junto con las referencias de potencia activa y reactiva, son las entradas de la red neuronal, cuyas salidas serán los factores de peso óptimos. Para reducir la carga computacional, el algoritmo trabaja usando una transformación a componentes alfa-beta de las corrientes y tensiones. Además, en la tesis se propone una metodología de implementación sobre FPGA del algoritmo de control propuesto. Por último, para evaluar las prestaciones del método de ajuste propuesto, se han realizado numerosas simulaciones y se han llevado a cabo experimentos sobre una plataforma de procesamiento conectada a un convertidor multinivel ubicado en el laboratorio de investigación del grupo GEISER.