Está en la página 1de 8

DISEO DE UN CONTROL ADAPTATIVO MEDIANTE REDES NEURONALES EN EL ENTORNO MATLAB-SIMULINK

Jess Rodrguez Vzquez* vazquez@uhu.es Patricio Salmern Revuelta* patricio@uhu.es *Dpto. de Fsica Aplicada e Ingeniera Elctrica Universidad de Huelva Ctra/ Palos de la Frontera s/n 21819. Palos de la Frontera. Huelva. Spain

Resumen
Se presenta el diseo de un control basado en la combinacin de dos tipos de redes neuronales. La primera red efecta una estimacin adaptativa de las seales de consigna a travs de neuronas Adaline (ADAptive LInear NEuron). La segunda es una red multicapa entrenada mediante el algoritmo backpropagation que permite emular un relay con histresis. La asociacin de ambos tipos de redes se aplic al control por modulacin de anchura de pulsos (PWM) de un filtro activo. Se trata de un sistema que conectado a una red de potencia permite la compensacin de la potencia reactiva y la eliminacin de los armnicos de la carga. El sistema desarrollado al completo, sistema de potencia ms sistema de control, se realiz en el entorno Matlab-Simulink. Los resultados de la simulacin de un caso prctico permitieron contrastar la viabilidad del sistema de control propuesto. Palabras clave: filtro activo, control adaptativo, redes neuronales, Adaline, Backpropagation, simulacin.

de computacin es paralela, lo que aumenta la velocidad y fiabilidad del sistema. En esta comunicacin el control con redes neuronales diseado se aplic a filtros activos para la compensacin de sistemas elctricos de potencia. Es habitual que estos sistemas incluyan cargas no lineales (rectificadores, inversores, reguladores), lo que hace necesaria la presencia de filtros activos de potencia. El objetivo es reducir el contenido de armnicos y aumentar el factor de potencia, [1,2]. El control de este tipo de acondicionador activo de potencia consta de dos elementos bsicos: un sistema que genera la seal de consigna o referencia y un sistema que realiza el mtodo de control. Se trata de obtener un control de corriente donde la intensidad de referencia pueda adaptarse a cualquier variacin brusca experimentada por la carga. En la figura 1 se presenta un esquema del diseo del sistema de control propuesto, basado en la utilizacin de dos tipos de redes neuronales. Para la estimacin de las seales de consigna del control, es decir, las intensidades de compensacin de referencia para cada fase, se utilizaron neuronas lineales adaptativas Adaline, habituales en el procesamiento de seales, [5]. Se desarroll un mtodo novedoso para estimar la intensidad activa y la intensidad de compensacin de referencia. Como mtodo de control se eligi el control por banda de histresis realizado mediante una red perceptron multicapa entrenada por el algoritmo backpropagation. Para esto, se dise una ANN de tres capas con dos entradas, el error entre la intensidad real de compensacin y la de referencia, y la misma seal retrasada. En lo que sigue se describe el esquema de control y la topologa de las redes neuronales utilizadas. Se presenta la simulacin llevada a cabo en el entorno Matlab-Simulink y se analizan los resultados de un caso prctico. Se trata de un sistema a cuatro hilos

INTRODUCCIN

Las redes neuronales artificiales (ANNs) se vienen aplicando sistemticamente en la ingeniera, [3,4]. Esta tcnica se perfila hoy da como una herramienta novedosa en el diseo de circuitos de control. Esto se debe a dos caractersticas fundamentales: por un lado no es necesario establecer una relacin expresa entrada-salida del sistema sino que la relacin entre ambas se formula a travs de un proceso de aprendizaje o de un algoritmo adaptativo. Por otro lado la arquitectura

constituido por una fuente trifsica senoidal que alimenta a una carga no lineal, un regulador terminado con una rama RL, que se compensa mediante un filtro activo de potencia conectado en paralelo a la carga.

COMPENSACIN DE UN SISTEMA DE POTENCIA MEDIANTE FILTROS ACTIVOS

El primer bloque recibe como entradas las tensiones e intensidades de carga, vL,real e iL,real , y estima las intensidades de compensacin iC,ref que van a ser las referencias para el control. El segundo bloque recibe como entrada las diferencias entre las intensidades de compensacin reales y las de referencia, seal Error en figura 2, y determina las seales de disparo de los IGBTs utilizados en el circuito de potencia del filtro activo. En el control por banda de histresis aqu empleado, la seal real se mantendr dentro de una banda alrededor de la seal de referencia. El aumento o disminucin de la intensidad de compensacin real es el resultado de controlar los periodos de conduccin de los IGBTs utilizados en la etapa de potencia del filtro.

Se parte de un sistema de potencia constituido por una carga trifsica no lineal y desequilibrada alimentada con tensiones equilibradas y senoidales, que se desea compensar. Las intensidades de compensacin se obtienen mediante un filtro activo de potencia cuyo control se realiza a partir de redes neuronales artificiales segn el esquema de la figura 1.
iS Tensiones equilibradas senoidales Filtro activo de potencia iC
Tensin de carga Intensidad de carga

++

iL

Carga trifsica no lineal

DISEO DEL MEDIANTE NEURONALES

CONTROL REDES

3.1 Estimacin de las seales de consigna del control mediante redes neuronales adaptativas Para estimar las seales de consigna para el control, es decir, las intensidades de compensacin de referencia para cada fase, se utilizan dos redes adaptativas constituidas cada una por una neurona lineal Adaline, [5-7]. La ventaja de utilizar estas redes en lugar de otras que pudieran entrenarse offline (como una red perceptron) es que pueden adaptarse a cualquier variacin que presente la forma de onda de la intensidad de carga, por brusca que sta sea. Se parte de un modelo de la seal a estimar de la forma:
f (t ) X n cosnM t  Yn sen nM t 

Control del filtro

Figura 1: Sistema de potencia compensado con un filtro activo de potencia Para cada fase, la intensidad de la carga iL, no lineal, es la suma de la intensidad de fuente iS y la de compensacin iC . El objetivo es inyectar en el sistema la intensidad iC de modo que iS no presente contenido armnico ni componente reactiva. La intensidad de compensacin se corresponde con la parte no activa de la intensidad de carga. El control tiene como entradas la tensin e intensidad de la carga, fig. 1, y est constituido por dos bloques con redes neuronales, un primer bloque con redes adaptativas (neuronas Adaline) que permiten estimar de forma on-line la intensidad de compensacin de referencia para el control, y un segundo bloque con una red perceptron multicapa que, previamente entrenada, trabaja tambin on-line como comparador entre esa seal de referencia y la intensidad de compensacin real, segn figura 2.
v L, re al iC, re f iL, re al -+ iC, real Bloqu e con redes adap tativa s Adaline Red neurona l feedforwa rd Filtro activo (control P WM) Erro r Disp aro de IG BTs

(1)

n 1,..., N

Donde M es la pulsacin fundamental de la seal y Xn e Yn son las componentes en cuadratura del armnico de orden n. En notacin vectorial:
f (t ) W T x (t )

(2)

donde:
WT x (t ) X 1 Y1 X n Y N cos Mt sen Mt ... cos NMt sen NMt

(3)

Figura 2: Esquema del Control del filtro

Las seales se muestrean a intervalos fijos, ,t, por lo que se trabaja con valores de tiempo discretos k,t, con k=0,1,2,... El producto escalar indicado en la ecuacin (2) es realizado por una red con una

neurona Adaline, siendo W el vector de pesos de la red. Tras una estimacin inicial de esos pesos, un algoritmo adaptativo los actualiza hasta que la seal
f real(k) Modelo de seal x (k)

W (k) * x (k) Neurona Adaline

f est(k)

senoidales, si se considera el signo en lugar de la funcin se logra aumentar el tamao de los saltos en la correccin de los pesos con lo que se reduce el tiempo en alcanzar la convergencia, [7]. Las dos anteriores correcciones inciden de forma contraria en la convergencia, por lo que hay que alcanzar una situacin de compromiso entre ambas para lograr una convergencia suficientemente rpida y estable. En este trabajo, en lugar de elegir G(k) como una funcin signo se considera un promedio entre la seal y su signo, lo que mejora el comportamiento en cuanto a estabilidad en la convergencia.

W (k+1) Algoritmo de actualizacin de pesos error (k)

G (k ) 0.5 sgn( x( k ) )

0.5 x ( k )

(6)

Figura 3: Esquema del proceso iterativo estimada converge a la seal real. En la figura 3 se muestra un esquema de este proceso iterativo para la estimacin de las seales de consigna del control. En la figura 3, freal(k) es la seal real del sistema y fest(k) es la estimacin que realiza la red adaptativa. En un instante k se parte del modelo x(k) de las seales a estimar y los pesos W(k), con lo que las redes realizan una estimacin fest(k), segn la ecuacin (2). La diferencia de las seales reales y sus estimaciones es el error en la estimacin en ese instante, e(k). Un algoritmo permite obtener los pesos W(k+1) de la siguiente iteracin que conduce a minimizar ese error. Tras este proceso iterativo las seales estimadas se adaptan a las seales reales. El algoritmo de adaptacin de los pesos es una modificacin del algoritmo de Widrow-Hoff, W-H [4-6], que busca minimizar el error cuadrtico medio entre la seal a estimar y la salida de la red en cada instante. Se tiene:

La evolucin de las seales estimadas a partir del instante inicial depende de la eleccin de los pesos iniciales. Cualquier otra variacin de las seales de tensin o intensidad no depende ya de esa eleccin inicial. En el sistema bajo estudio, dos redes adaptativas reciben como entradas las seales reales de tensin e intensidad de carga de cada fase y obtienen las correspondientes estimaciones. A partir de los coeficientes estimados de las componentes fundamentales de tensiones e intensidades de carga, se calcula el mdulo que ha de tener la intensidad activa de las tres fases, segn se describe a continuacin. Las diferencias entre las intensidades de carga y activas son las intensidades de compensacin de referencia, es decir, las consignas de control buscadas. Las tensiones de alimentacin aplicadas a la carga se consideran senoidales por lo que la intensidad activa slo presenta componente fundamental. Para poder obtener la intensidad activa se parte de la estimacin realizada de las componentes fundamentales de tensiones e intensidades de carga. Esta formas de onda son, para la fase r: v r,L V r,11 co s 1M t  V r,12 sin 1M t  I r, j 12 sin  j M t 

W ( k 1)

W (k )

e( k ) x( k ) x T ( k ) x(k )

(4)

W ( k 1)

= e( k )G ( k ) W (k ) x T ( k )G ( k )

(5)

i r,L

I r, j 11 co s  j M t 

(7)

En ecuacin (4) aparece la regla de W-H y en ecuacin (5) la modificacin comentada. El producto escalar xT(k) x(k) es la norma del vector x(k), por lo que los pesos se corrigen en cada iteracin proporcionalmente al error y en la direccin unitaria de x(k). El parmetro = razn de aprendizaje, se introduce para lograr una convergencia ms estable y como regla prctica se toma entre 0.1 y 1. G(k) es el signo de x(k), G(k)=sgn(xT(k)). Al tratarse de seales x(k)

Donde Vr,11 y Vr,12 son las componentes seno y coseno de frecuencia fundamental de la tensin de la fase r e Ij1 e Ij2 son las componentes seno y coseno de frecuencia j veces la fundamental de la intensidad de la fase r. Conocidos los coeficientes correspondientes a las componentes de frecuencia fundamental de vL e iL, se calcula, sin necesidad de efectuar ninguna integracin, la intensidad activa de carga.

En efecto, para la fase r: 1 Ti 1 Ti


T

la intermedia y de salida; el algoritmo de entrenamiento utilizado ha sido de tipo backpropagation. v i i i ,1 d t vr v i2 dt (8) La salida de un comparador depende de la entrada y de su evolucin. Tras diferentes tests de prueba, se mostr como configuracin ms adecuada aquella que recibe como entradas la seal de error en un instante dado y su valor en el instante anterior. Se muestra la topologa de la red, fig. 4.

i act , r

P V
2

vr

r ,s ,t 0 T

r , s ,t 0

Donde iact, r es la intensidad activa de la fase r, P es la potencia activa consumida por la carga y V es el valor eficaz de la tensin trifsica. Otra forma de expresar la ecuacin anterior es:

C,real

- i C,ref

erro r(t)

14 1
I
C,real

erro r(t-1)

v i , i i ,1 i act , r
i r , s ,t

Delay

v i ,v i
i r ,s ,t

vr

(9) Figura 4: Topologa de la red perceptron El proceso de aprendizaje se realiz en Matlab, segn se describe en el siguiente apartado. Sealar aqu que se especific un 0,1% como error mximo entre la salida de esta red y del comparador patrn usado durante el aprendizaje.

El resultado de (9) se puede expresar en funcin nicamente de las componentes fundamentales de las tensiones e intensidades de carga estimadas:

i L , act

i r , s ,t

V

r ,11 I r 1 ,11

V r ,12 I r 1 ,12 V r ,12 2

V

i r ,s ,t r,11

V

r ,11

co s 1M t 

V r,12 sin 1M t 

(10)

DESARROLLO DE UN CASO PRCTICO EN EL ENTORNO MATLAB-SIMULINK

En cada fase, la diferencia entre la intensidad de la carga y la componente activa estimada es la intensidad no activa, que se utiliza como referencia del control del filtro.
iC , ref iL i L, act

Para probar el diseo de control propuesto sobre un caso prctico se utiliz el entorno Matlab-Simulink, que incluye el blockset Power System. En la figura 5 se presenta el diagrama de bloques del sistema elctrico a compensar con filtros activos.

(11)

Como resultado del control, en el sistema compensado las intensidades de fuente estn equilibradas, por lo que la intensidad de neutro queda anulada.

3.2 Comparador de histresis del control realizado a partir de una red perceptron multicapa Una red neuronal del tipo perceptron multicapa acta como comparador de banda de histresis en el control, segn el esquema de la figura 2. La red perceptron se disea de tres capas, con 2, 14 y 1 neuronas en las capas de entrada, intermedia y de salida respectivamente. Las funciones de activacin son lineales en la capa de entrada y sigmoidales en

Figura 5: Diagrama de bloques del sistema en Simulink A continuacin se presentan algunos de los principales bloques utilizados en la simulacin del

sistema. En la figura 6 se representa la carga no lineal y desequilibrada utilizada, un regulador ac conectado en estrella. En la figura 7 se muestra el bloque de control del filtro activo.

salida. Una vez entrenada la red, la funcin Simuff permite emular de forma on-line el funcionamiento como comparador.

Entrenamiento

Initff

Trainlm

Simuff Figura 8: Diagrama de bloques del programa de entrenamiento en Matlab Figura 6: Esquema de un regulador ac en Simulink

La red perceptron multicapa utilizada para trabajar como comparador tiene, como se indic en el apartado anterior, 2 entradas, 1 salida, y 3 capas de 2, 14 y 1 neuronas respectivamente. Para su entrenamiento se deben conocer las seales de entrada y salida de un bloque comparador patrn. Para ello se simul el sistema incluyendo como comparador de histresis un relay de las libreras de Simulink, recogiendo los valores de entrada y salida de ese bloque en matrices (P y T), segn la figura 9.

Figura 7: Esquema del bloque de control en Simulink

En el esquema del control presentado en la figura 7, aparecen los dos bloques anteriormente comentados, el bloque con redes adaptativas para la estimacin on-line de las consignas de control, y el bloque con redes perceptron que, entrenadas offline, trabaja on-line como comparador de histresis del control utilizado. Para realizar el entrenamiento de las redes perceptron que componen el segundo bloque se utiliz la toolbox de Matlab Neural Networks. Se desarroll un programa de entrenamiento utilizando subrutinas de esta toolbox, segn el esquema de la figura 8. Con Initff se inicializan los pesos de la red y con Trainlm se entrena la red, obtenindose los pesos finales a partir de valores patrn de entrada-

Figura 9: Recogida de valores patrn para el entrenamiento de la red perceptron

Con estos valores patrn de entradas y salidas de la red, se desarroll un programa en Matlab para realizar el aprendizaje de la red, segn el esquema de la figura 8. Como se indic anteriormente, se especific un error mximo del 0,1 % durante el entrenamiento, con lo que la red emula correctamente el funcionamiento del bloque comparador usado como referencia.

ANLISIS DE LOS RESULTADOS

El diseo de control propuesto se prob con un caso prctico: la compensacin de un sistema de potencia constituido por una fuente trifsica senoidal y equilibrada conectada en estrella, que alimenta una carga desequilibrada y no lineal conectada en estrella, en concreto un regulador ac con una rama RL. Tanto el neutro del generador como el de la carga son accesibles, resultando un sistema a cuatro hilos. El sistema elctrico, con el bloque de control incluido, fue simulado en el entorno MatlabSimulink. En un instante dado, 0,085 ms, se conecta el filtro activo y en un instante posterior, 0,14 ms, se produce un cambio brusco de la carga, en concreto una reduccin del 50 %. En la figura 10a se muestran las intensidades consumidas por la carga y en la figura 10b la estimacin que el bloque adaptativo realiza de una de esas intensidades, la de la fase r. En la figura 10c se presenta la estimacin del mdulo de la intensidad activa y en la figura 10d la intensidad activa de la fase r. Se observa que tras el cambio en la carga, en aproximadamente un periodo y medio se estabiliza la seal estimada. En la figura 10e se muestra la diferencia entre la intensidad de carga y la intensidad activa que debe aportar la fuente, es decir, la componente no activa usada como consigna para el control. En las siguientes figuras 10f, 10g y 10h se muestran las intensidades que resultan del control, la intensidad de compensacin del filtro, la intensidad de fuente, y la intensidad de neutro. Se observa que tras la conexin del filtro la intensidad de neutro se anula, y que ante un cambio brusco de la carga, la intensidad de fuente evoluciona a senoidal y equilibrada en menos de un periodo y medio.

c)

d)

e)

f)

g)

h)

Tiempo (ms) a) Figura 10: Resultados de la simulacin de un caso prctico

6
b)

CONCLUSIONES

En este artculo se ha presentado el diseo de un sistema de control de un filtro activo de potencia basado en dos tipos de redes neuronales. Cada seal de consigna se obtiene a partir de dos redes neuronales adaptativas que estiman las

componentes armnicas de la tensin y de la intensidad de la carga. El algoritmo de actualizacin de los pesos de las redes Adaline es una modificacin de la regla de Widrow-Hoff. Por otro lado, el control PWM por banda de histresis utilizado ha sido emulado por una red multicapa de tipo perceptron, entrenada con el algoritmo backpropagation. El sistema al completo se simul en el entorno Matlab-Simulink. Se presentaron los resultados de un caso prctico: un circuito trifsico con una carga desequilibrada y no lineal. Estos resultados permitieron validar la ejecucin del diseo propuesto y contrastar la respuesta dinmica del sistema. Referencias [1] H. L. Jou, J. C. Wu, and H. Y. Chu, New single-phase active power filter, IEE Proceedings Electronic Power Applications, vol. 141, no. 3, May 1994. [2] B. Singh, K. Al-Haddad, A. Chandra, Active Power Filter for Harmonic and Reactive Power Compensation in Three-Phase, Four-Wire Systems Suppliying Non-Linear Loads, ETEP Vol. 8, no. 2, March/April 1998.

[3] Marian P. Kazmierkowski, and Frede Blaabjerg, Impact of Emerging Technologies on PWM Control of Power Electronic Converters, IEEE Industrial Electronics Society Newsletter, December 1995. [4] Bor-Ren Lin, and Richard G. Hoft. Power Electronics Inverter control with neural networks, IEEE Technology Update Series, vol. Neural Networks Applications, 1996, pp. 211-217. [5] Patrick K. Simpson. Foundation of Neural Networks, IEEE Technology Update Series, vol. Neural Networks Theory, Technologies and Applications, 1996, pp. 1-22. [6] S. Osowski. Neural network for estimation of harmonic components in a power system, IEE Proceedings-C, vol.139, no. 2, March 1992 [7] P. K. Dash, S. K. Panda, Baburam Mishra, and D. P. Swain. Fast Estimation of Voltage and Current Phasors in Power Networks Using an Adaptive Neural Network, IEEE Trans. on Power Systems, vol. 12, no 4, November 1997.