Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROFESOR GUA:
DRA. DORIS SEZ HUEICHAPAN
MIEMBROS DE LA COMISIN
SR. HCTOR AGUSTO ALEGRIA
DR. LUIS VARGAS DIAZ
SANTIAGO DE CHILE
DICIEMBRE DE 2006
Agradecimientos
Ha sido tanta la gente que ha pasado por mi vida en los meses que he preparado este
trabajo, que no se por donde empezar a agradecer s que el papel es cortito, y la lista es
larga, pero hay que empezar por alguna parte y que mejor que empezar por el principio
Agradezco a mi familia a mis papis por al aguante, al Andresito por las ayudas
desinteresadas, y por las interesadas tambin. A mi to Beto, por toda la buena onda tirada
desde lejos En fin a la Sofa y al papi, a mis t@s y a mis primit@s... Sobre todo a la
Karieb
De mi familia merece un prrafo especial mi Mami gracias viejita por todas las
velitas, las conversaciones, los regalitos, los cariitos y regaloneos, por cocinarme rico y por
quererme tanto
Y claro, no se me pueden olvidar l@s amiguis, ya que han sido parte fundamental en
esto. Como voy en orden parto con las del colegio Magu y Carola, quien hubiese pensado
cuando nos conocimos que bamos a seguir vindonos a estas alturas de la vida??? Las del
liceo Pame y Berta slo les puedo dar las gracias por las largas conversaciones y el
apoyo incondicional, y algn que otro apelativo que prefiero omitir. A los de la U, los de
primer ao: Clau, Manuel, Pedro y Csar y como olvidarlos cuantas horas de estudio
compartidas por ah, cuantos cahuines compartimos (seguro que no, si elctrica es as) a los
elctricos oos y a los no tanto: los scares, el Talo, Carlitos, el Mauro, Pelao, y por
supuesto, con mencin especial a Millaray, Nicols Nicols y a Zrate. Un saludn especial
al Gonzalo, gracias por todos tus consejos (ud. sabe).
Ya se acaba la hoja, espero q los olvidados de la lista no se me sientan, igual se les
quiere harto, pero no quiero seguir dando la lataas que GRACIAS TOTALES!
ndice
1. Introduccin .......................................................................................................................... 6
1.1. Aspectos generales......................................................................................................... 6
1.2. Objetivos ........................................................................................................................ 9
1.2.1 Objetivos generales.................................................................................................. 9
1.2.2. Objetivos especficos .............................................................................................. 9
2. Estrategias de control supervisor predictivo neuronal ........................................................ 10
2.1. Control supervisor........................................................................................................ 13
2.2. Modelacin basada en redes neuronales ...................................................................... 14
2.3. Control supervisor predictivo ...................................................................................... 18
2.4. Estrategias de control predictivo neuronal................................................................... 20
2.4.1. Control predictivo global basado en modelos neuronales .................................... 20
2.4.2. Control predictivo global basado en linealizacin instantnea............................. 22
2.4.3. Emulador neuronal de un controlador predictivo global ...................................... 24
2.5. Ejemplo: Control supervisor para una caldera............................................................. 28
2.5.1. Simulacin con un lazo de control regulatorio ..................................................... 31
2.5.2. Simulacin con un lazo de control supervisor ..................................................... 32
2.5.3. Identificacin y pruebas del emulador neuronal para el control predictivo.......... 34
2.5.4 Conclusiones Generales ......................................................................................... 42
3. Simulador de la turbina a gas de la Central de Nueva Renca ............................................. 43
3.1. Descripcin fenomenolgica del proceso .................................................................... 45
3.1.1. Sistema de combustible: ....................................................................................... 45
3.1.2. Compresor............................................................................................................. 46
3.1.3. Cmara de combustin.......................................................................................... 47
3.1.4. Turbina.................................................................................................................. 48
3.2. Datos para la modelacin del proceso ......................................................................... 50
3.3. Identificacin de los parmetros de la turbina a gas de Nueva Renca......................... 53
4. Control Supervisor Predictivo Neuronal para la Turbina a Gas de la Central Nueva Renca
................................................................................................................................................. 67
4.1 Planteamiento del Problema ......................................................................................... 67
4.1.1 Funcin Objetivo ................................................................................................... 68
4.1.2 Modelo del nivel regulatorio.................................................................................. 70
4.1.3 Restricciones asociadas al modelo difuso global................................................... 71
4.1.4 Modelacin Difusa de la Turbina a Gas de Nueva Renca ..................................... 72
4.2. Pruebas por simulacin ................................................................................................ 75
4.2.1 Pruebas con un sistema de control regulatorio ..................................................... 76
4.3 Comportamiento del controlador supervisor predictivo difuso .................................... 79
4.3.1 Control supervisor predictivo difuso con el factor de peso igual 0,5 ................ 80
4.3.3 Control supervisor predictivo difuso con el factor de peso igual 1 ................... 83
4.3.4. Pruebas con el Control Predictivo neuronal por emulacin con = 0,5 ............. 86
4.3.5 Pruebas con el Control Predictivo neuronal por emulacin con = 1.................. 90
4.4 Anlisis comparativo .................................................................................................... 93
5. Conclusiones y Discusin de resultados ............................................................................. 96
6. Referencias.......................................................................................................................... 98
Anexo 1 Parmetros de los emuladores neuronales para el controlador predictivo difuso
global para la caldera ........................................................................................................ 100
Anexo 2 Programa que busca races y reemplaza a fsolve ............................................... 102
Anexo 3 Parmetros del modelo neuronal de la razn de compresin de los gases en el
compresor.......................................................................................................................... 105
Anexo 4 Control para Nueva Renca ................................................................................. 107
Anexo 5 Parmetros del modelo difuso del simulador ..................................................... 110
Anexo 6 Parmetros de los emuladores neuronales para el controlador predictivo difuso
global para la turbina a gas de Nueva Renca .................................................................... 112
1. Introduccin
1.1. Aspectos generales
La problemtica de disear sistemas de control nace de la necesidad de hacer que la
salida de la planta siga una referencia determinada (dinmica o esttica) y de mantener las
variables del proceso dentro del rango de operacin de la planta. Con el fin de dar solucin a
estos requerimientos, en los distintos procesos industriales se han incorporado controladores
PID. Estos controladores son fciles de sintonizar, pero al ser lineales, funcionan slo de
manera adecuada cerca del punto de operacin en torno al cual fueron sintonizados.
Al aplicar controladores lineales a procesos altamente no lineales, la respuesta de las
variables controladas, aunque se mantiene dentro de los rangos de operacin de la planta, es
deficiente. En virtud de lo anterior, surge la necesidad de disear sistemas de control no
lineales, que respondan de buena manera en un amplio rango de operacin y que sean
robustos ante perturbaciones.
Un ejemplo de sistemas altamente no lineales, son las plantas trmicas de produccin
de electricidad. Actualmente en Chile se encuentran en operacin 38 centrales
termoelctricas, de las cuales siete son de ciclo combinado. Cuatro de ellas estn en el
Sistema Interconectado Norte Grande (SING) y tres en el Sistema Interconectado Central
(SIC).
La potencia instalada en centrales trmicas en todo el pas alcanza los 7.263 [MW] de
los cuales, 3.583 [MW] corresponden a generacin con plantas de ciclo combinado, lo cual
representa el 49% del parque termoelctrico nacional. En la Figura 1 se puede apreciar la
distribucin porcentual del parque generador del Sistema Interconectado Norte Grande y del
Sistema Interconectado Central.
Diesel
8,9%
Hidroelctrica
39,1%
Termoelctrica
Carbn
60,9%
17,8%
Gas Natural
32,7%
Otros
1,5%
Nva. Renca
GN
Nva. Renca
Diesel
Potencia
neta
[MW]
Potencia
Mant.
[MW]
320,1
312
Tabla 1: Costos de operacin de Nueva Renca para gas natural y petrleo diesel
Segn en Balance energtico de la [CNE, 2005] 1 MBTU = 30,27 m3 de gas natural, entonces, el costo de 1 m3
de gas natural es US$ 0,09155. El peso especfico del gas natural es 0,6 [kg/m3], por lo tanto, el precio de 1 [kg]
de gas natural es US$ 0,1526
01
-0
115 20
-0 06
1
29 -20
-0 06
112 20
-0 06
226 20
-0 06
2
12 -20
-0 06
326 20
-0 06
309 20
-0 06
4
23 -20
-0 06
407 20
-0 06
5
21 -20
-0 06
504 20
-0 06
620
06
10.000
9.000
8.000
7.000
6.000
5.000
4.000
3.000
2.000
1.000
0
1.2. Objetivos
1.2.1 Objetivos generales
-
10
multivariables. Las seales de control obtenidas por medio de los modelos neuronales son
ponderadas por sus respectivas funciones base y sumadas para obtener la accin de control
final. El mtodo fue aplicado en un modelo de neutralizacin de pH, obteniendo muy buenos
resultados.
[Cowder et al, 2000] se preocuparon de la disminucin de emisiones de NOx,
obteniendo mejoras importantes en la eficiencia de las plantas en las que trabajaron (una
unidad Keystone de 900 [MW] y una unidad Conemaugh de la misma potencia). Se dise
un controlador predictivo basado en modelos neuronales, el cual fue probado en dos modos
distintos de operacin, el primero que se basa en el control de las emisiones de NOX
(introduce una referencia para el nivel de emisiones de NOx) y el segundo basado en la
minimizacin de las emisiones del mencionado contaminante (su objetivo es minimizar las
emisiones de NOx, con una rpida respuesta ante perturbaciones).
En ambos casos el controlador tiene restricciones para las emisiones de CO y una
referencia para la temperatura del vapor recalentado. Se obtuvo para ambos modos de control
una mejora de sobre un punto porcentual en la eficiencia en generacin y se redujo del orden
de 0,05 lb/MMBTU las emisiones de NOx.
Adems de las aplicaciones del control predictivo clsico se ha estudiado otro mtodo
de control que tiene como fundamento la idea del horizonte deslizante inherente a la
estrategia de control predictivo, considerando restricciones de igualdad o desigualdad para
las estradas y/o los estados. Esta estrategia consiste en agregar al sistema compensado
primario un objeto no lineal denominado en la literatura como regulador de referencia
(command governor, CG) cuya accin se basa en el estado actual, las referencias y las
restricciones a las que se ve sometido el sistema, teniendo como finalidad permitir que el
problema primario de control, opere linealmente en un rango dinmico de mayor amplitud al
que sera posible operar sin la presencia del CG.
[Hirata y Kogiso, 2003], utilizan el regulador de referencia en un mecanismo de
posicin servo (motor DC, un eje, una rueda y una carga). Para la modelacin del sistema se
ignoraron los retardos elctricos del motor y se considera como salida el ngulo de la carga,
siendo la variable de control el voltaje aplicado al motor. Tanto en las pruebas realizadas por
simulacin como en las pruebas realizadas en planta, con la aplicacin del regulador de
referencia se respet las restricciones para un amplio rango de operacin. Al eliminar este
nivel de control, se produjo una violacin de las restricciones, requiriendo el motor ms
corriente de la que era capaz de entregar la fuente. Un punto muy importante a destacar en
este estudio es que, para probar que esta estrategia es robusta ante errores de modelacin se
ajust mal el modelo, con el propsito de evaluar los resultados en este escenario. A pesar del
error de modelacin, los resultados obtenidos por simulacin fueron similares a los obtenidos
en planta, demostrando as, que al menos para el problema planteado esta estrategia de
control es robusta ante los errores en la modelacin del proceso.
[Angeli y Mosca, 1999] aplican el regulador de referencia en un brazo mecnico con
2 articulaciones, siendo las variables manipuladas los torques aplicados en cada articulacin
y las variables controladas los ngulos producidos por el movimiento de cada articulacin. Se
11
12
abierto y en lazo cerrado, siendo el segundo el que entreg mejores resultados a la hora de
predecir el comportamiento del control predictivo neuronal generalizado. El emulador fue
aplicado como nivel supervisor al control de nivel de un sistema consistente en tres estanques
que almacenan agua suministrada por una bomba centrfuga.
Los resultados arrojaron que el mejor controlador fue el emulador neuronal por sobre
los controles regulatorio, por modelo interno, por modelo de referencia, predictivo neuronal
generalizado por linealizacin instantnea y predictivo neuronal global.
En una publicacin del mismo autor [Alayn et al, 2004] justifica el diseo de una
estrategia basada en emulacin neuronal dado que la carga computacional de un controlador
predictivo global es muy alta, por lo tanto no es aplicable para sistemas con dinmicas
rpidas. Con la estrategia propuesta, al eliminar la minimizacin en cada paso de una funcin
objetivo, se reduce considerablemente la carga computacional, y al identificar el controlador
predictivo generalizado con una red neuronal, no se pierden las caractersticas no lineales del
controlador.
Los pasos propuestos para llegar a la solucin planteada son, segn el autor:
-
13
14
como argumento de una funcin llamada funcin de activacin. Las entradas a la neurona
pueden ser seales externas o bien, salidas de otras neuronas.
15
El modelo neuronal puede ser planteado por medio de una expresin matemtica que
relaciona los pesos sinpticos y las entradas para obtener la salida del proceso. La expresin
matemtica para la k-sima salida de la red neuronal se aprecia a continuacin:
NN
NI
yk = g Wi f ji x j + w0i + w0 k
j =1
i =1
donde:
y
g()
NN
Wi
f()
NI
ji
xj
w0i
w0
:
:
:
:
:
:
:
:
:
:
Entradas al sistema
Nmero de capas ocultas
Nmero de neuronas en cada capa
Funcin de activacin de las neuronas
16
i ( k ) =
g
xi
x( k )
donde xi es el vector con las entradas al modelo, en este caso, un nmero determinado de
regresores de la entrada y la salida. i es la sensibilidad para la entrada i y g es la expresin
neuronal de la dinmica de la planta, adems, para la salida 1, en el caso de una red
perceptrn con una capa oculta, la expresin para la sensibilidad es la siguiente:
17
NI
g NN
= W1i ji 1 tanh 2 ji x j + w0i + w0 k
xi i =1
j =1
Luego, como criterio para decidir las entradas que son relevantes, se escoge el clculo
de la distancia al origen [Sez et al, 2002] de modo que la distancia se calcula de la siguiente
manera:
di = E 2 (i ( k ) ) + var (i ( k ) )
Luego, se eliminan los puntos de menor distancia, determinando as cuales son las
entradas relevantes para una emulacin adecuada del proceso a identificar.
Para el alcance de este estudio, es esencial conocer el planteamiento terico del
problema de controlar un proceso con la incorporacin de un nivel supervisor a la planta,
prestando especial atencin a las estrategias de control predictivo basadas en modelos. Se
hace interesante conocer las ventajas y desventajas de esta estrategia de control para lograr
comprender el porqu de la necesidad de buscar emuladores neuronales para disminuir el
tiempo de clculo de dichas estrategias no lineales de control.
Un modelo para predecir las salidas del proceso en instantes futuros (segn un
horizonte de prediccin, Ny)
Una funcin objetivo optimizada para el calcular una secuencia de control
Estrategia deslizante, esto es que, en cada instante el horizonte de prediccin y de
control es desplazado hacia el futuro, lo cual implica la aplicacin de la primera seal
de control calculada en cada paso (no de las Nu acciones de control calculadas para
los Nu instantes siguientes)
18
Nu
Nu
N y Nu
i =1
i =1
j =1 i =1
J = y 2 ( t + j ) + ui u 2 ( t + i 1) + i u u 2 ( t + i 1) + uyij u ( t + i 1) y ( t + j )
j
y
j =1
Ny
Nu
Nu
j =1
i =1
i =1
+ yi y ( t + j ) + ui u ( t + i 1) + i u u ( t + i 1)
donde:
y ( t + j )
u ( t + i 1)
u ( t + i 1)
,
Ny, Nu
Tambin puede incluirse una referencia externa w en la funcin objetivo. Esta funcin
puede representar diferentes metas de optimizacin para el nivel supervisor como por
ejemplo costos o ganancias de operacin de la planta.
19
20
Nu
min J = ( y ( t + i ) R ( t + i ) ) + j u 2 ( t + j 1)
u
i =1
j =1
ura 10: Diagrama de bloques de un control predictivo global basado en modelos neuronales
21
e (t )
donde A(z-1) y B(z-1) son polinomios de coeficientes constantes, d es el retardo del sistema,
e(t) es un ruido blanco y es el operador (1-z-1).
A partir del modelo ARIMAX es posible obtener la prediccin a i pasos para la
salida:
y ( t + i ) = G ( z 1 ) u ( t d + i ) + F ( z 1 ) y ( t )
i
i
con y ( t + i ) la prediccin a i pasos de la salida del proceso y Gj(z-1) es un polinomio que se
obtiene como:
Gi ( z 1 ) = Ei ( z 1 )B ( z 1 )
donde Ej(z-1) y Fj(z-1) se obtienen recursivamente a partir de la ecuacin diofntica:
1 = Ei ( z 1 ) A ( z 1 ) + z i Fi ( z 1 )
Con lo anteriormente expresado, se llega a que el vector de acciones de control
futuras
que
minimiza
u = u ( t ) u ( t + 1) u ( t + N u 1)
Ny
Nu
i =1
u = ( GT G + I ) G T ( r f )
1
22
g0
g
1
con G =
g Nu 1
g N y 1
0
g0
g Nu 2
g N y 2
g0
g N y Nu
0
0
donde gk,n es el ensimo coeficiente del polinomio Gk(z-1). Finalmente, la accin de control a
ser aplicada en planta es:
u ( t ) = u ( t 1) + u ( t )
El hecho de poder programar una solucin analtica para el problema de optimizacin
disminuye notablemente el esfuerzo computacional al no utilizar mtodos numricos para
encontrar la solucin del problema de optimizacin, pero al linealizar para obtener las
predicciones, se pierden las ventajas de un control no lineal, es decir, el comportamiento no
es bueno cuando el proceso a controlar es altamente no lineal.
En la Figura 11 se observa esquemticamente el controlador. Siendo la gran
diferencia entre el mtodo planteado aqu y el mtodo planteado en el punto 2.4.1, el bloque
donde se extrae el modelo lineal a partir del modelo neuronal. Cabe destacar que la eleccin
de una red neuronal con funcin de activacin tangente hiperblica en la capa oculta, facilita
enormemente la programacin del bloque Extraccin del modelo lineal, dado que la
derivada es fcil de programar.
23
24
Si se diese el caso que se tiene un controlador predictivo global, pero no se conoce los
regresores que utiliza para calcular las predicciones, se debe realizar adems un anlisis de
sensibilidades para determinar las entradas relevantes. En la Figura 12 se aprecia un esquema
de este controlador.
En este trabajo se prueba con dos mtodos de identificacin del emulador neuronal
para su posterior implementacin como controlador supervisor para la planta, el primero, de
identificacin en lazo abierto, como se detalla en el punto 2.4.3.1. y el segundo de
identificacin en lazo cerrado, como es explicado en el punto 2.4.3.2.
25
26
27
28
m = k PD PT
ms = CV PT
dQ 1
= SIG ( t f ) Q
dt T f
dmW
1
=
[Q mW ]
dt
TW
dPT
1
=
[ m ms ]
dt CSH
dPD
1
=
[ mW m]
dt
CD
donde:
k
= 3.16
Tf
= 30 s
29
f
Tw
CSH
CD
SIG
CV
Q
mw
PT
PD
=
=
=
=
:
:
:
:
:
:
20 s
7s
17.9986
162.0746
seal de combustible
rea de vlvula de flujo (cte. = 1),
Calor del horno
Flujo msico de vapor generado
presin del vapor sobrecalentado
presin del vapor saturado
30
P t ,Referenc ia
6
4
2
Referencia
Pt
0
-2
0
5
6
Tiempo [s]
5
6
Tiempo [s]
10
4
x 10
5
4
u
3
2
1
0
0
31
10
4
x 10
Pt,Referencia
6
Referencia
Pt
4
2
0
-2
1000
2000
3000
4000
5000
6000
Tiempo [s]
7000
8000
9000
10000
2000
3000
4000
5000
6000
Tiempo [s]
7000
8000
9000
10000
5
4
u
3
2
1
0
1000
32
Presin de vapor
5
4
3
2
1
Referencia
Pt
0
0
0.5
1.5
2
Tiempo [s]
2.5
2
Tiempo [s]
2.5
3.5
4
4
x 10
-2
0.5
1.5
3.5
4
4
x 10
P res in de v apor
Referencia
Pt
4
2
0
2
2.2
2.4
2.6
2.8
3
3.2
Tiempo [s]
3.4
3
3.2
Tiempo [s]
3.4
3.6
3.8
4
4
x 10
2
0
-2
2.2
2.4
2.6
2.8
33
3.6
3.8
4
4
x 10
3
2
1
0
1000
2000
3000
7000
8000
9000 10000
1000
2000
3000
7000
8000
9000 10000
Pt
4
2
0
-2
34
3.5
3
2.5
2
1.5
1
0.5
0
1000
2000
3000
7000
8000
9000 10000
35
Distancia normalizada
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
u(t-1)
u(t-5) R(t-1)
R(t-5) y(t-1)
y(t-5)
1.2
Error de Validacin
0.8
0.6
0.4
0.2
8
10
12
Nmero de neuronas
14
16
18
20
Figura 25: Evolucin del error de validacin segn el nmero de neuronas en la capa oculta
36
6
Referencia
Pt
Presin
4
2
0
-2
1000
2000
3000
7000
8000
9000 10000
1000
2000
3000
7000
8000
9000 10000
Error
2
0
-2
-4
Figura 26: Resultados al reemplazar el controlador predictivo difuso por el emulador neuronal
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
1000
2000
3000
7000
8000
9000 10000
37
u(t-1)
u(t-5) R(t-1)
R(t-5) y(t-1)
38
y(t-5)
0.22
0.21
0.2
Error de validacin
0.19
0.18
0.17
0.16
0.15
0.14
0.13
0.12
8
10
12
Nmero de neuronas
14
16
18
20
Figura 29: Evolucin del error de validacin al aumentar el nmero de neuronas en la capa oculta
5
Referencia
Pt
4
Pt,y
3
2
1
0
0
5
6
Tiempo [s]
5
6
Tiempo [s]
10
4
x 10
4
3
2
1
0
-1
10
4
x 10
Figura 30: Resultados al emular el controlador difuso con una red neuronal
39
Referencia
Pt
P t ,y
4
2
0
1000
2000
3000
4000
5000 6000
Tiempo [s]
7000
8000
9000
10000
2000
3000
4000
5000 6000
Tiempo [s]
7000
8000
9000
10000
2
1
0
1000
Para las tres estrategias de control propuestas (control regulatorio, control supervisor
predictivo difuso global, control supervisor basado en un emulador neuronal del control
difuso global) se calcula el incremento de la variable manipulada entre dos instantes de
tiempo consecutivos, considerando para el anlisis los datos obtenidos con el emulador
neuronal, cuyos datos para entrenamiento se obtienen en lazo cerrado, pero ser el que arroja
mejores resultados.
40
Control regulatorio
u(t)-u(t-1)
50
0
-50
0.5
1.5
Tiempo
2.5
4
x 10
2
0
-2
0.5
1.5
Tiempo
2.5
4
x 10
Emulador Neuronal
u(t)-u(t-1)
2
0
-2
0.5
1.5
Tiempo
2.5
4
x 10
1
N
1
Ju =
N
( y (i ) R (i ))
i
N
u ( i 1)
2
Control regulatorio
Control predictivo difuso global
Emulador neuronal del control
predictivo difuso lazo abierto
Emulador neuronal del control
predictivo difuso lazo cerrado
Jy
Ju
0,0236 2,0442
0,1155 0,0039
0,2618 0,1071
0,0394 0,0023
Tabla 2: Valores medios de la funcin objetivo para el mtodo de identificacin en lazo cerrado
41
42
rhoi
pcin
Tcin
Fd
pcout
Tcout
wf
Pc
wG
TTin
pTin
hTin
Pmech
TTout
pTout
hTout
43
Figura 33: Simulador utilizado para la turbina a gas de la Central Nueva Renca
ii)
Los calores especficos para el aire, los productos de la combustin y vapor inyectado
son asumidos constantes
iii)
iv)
v)
vi)
El flujo msico de aire a travs del compresor es controlado a travs de paletas gua
de entrada
Las distintas etapas en el proceso son representadas por bloques funcionales los
cuales son descritos a continuacin.
44
wf =
donde:
wf
kff
f
e1
:
:
:
:
k ff
f s +1
e1
Posicionador de la vlvula:
e1 =
a
e2
bs + c
donde:
a, b, c : Parmetros de la vlvula
: Seal interna
e2
Seales para el posicionador de la vlvula:
e2 = MF k f w f + Fd e s
donde:
MF :
kf :
Fd :
:
:
Las variables de entrada son Fd y , mientras que la variable de salida es wf, como
puede apreciarse en la Figura 33.
45
3.1.2. Compresor
Al compresor entra aire a presin atmosfrica el cual es comprimido para alcanzar las
mejores condiciones posibles para llevar a cabo la combustin.
1
ma +1
m2
2
2ma
ma
a
wa = A0
i pcin rc rc
c ( ma 1)
donde:
wa :
:
A0
ma :
c :
:
i
pcin
rc
a =
c pa
cva
donde:
cpa : Calor especfico del aire a presin constante
cva : Calor especfico del aire a volumen constante
a
1
a a
c
Tcout = Tcin rc
46
donde:
Tcin : Temperatura de entrada del aire del compresor
Tcout : Temperatura de salida del aire del compresor
wa hI
ctrans
donde:
: Consumo de potencia del compresor
Pc
hI : Cambio de entalpa isentrpica correspondiente a una compresin desde pcin a pcout
c
trans
c =
a 1
a
1 rc
a 1
ac
1 rc
hI = c paTcin rc pa 1
donde:
cpa : Calor especfico del aire a presin constante
Ra : Constante gaseosa del aire
47
donde:
wG : Flujo msico de gases de desecho
wf : Flujo msico de combustible
Energa de combustin:
wG c pg (TTin 298 ) + w f h25 + wa c pa ( 298 Tcout ) = 0
donde:
cpg
TTin
h25
cps
:
:
:
:
TTin
Rcg wg
p = pcout k1 + k2
1
Tcout
Tcout
2 Am pcout
donde:
pTin
p
k1, k2
Rcg
Am
:
:
:
:
:
3.1.4. Turbina
Los gases resultantes del proceso de combustin, provenientes de la cmara de
combustin se expanden produciendo potencia mecnica, la cual es transformada por el
generador en potencia elctrica.
Relacin entre temperatura y presin:
TTout T
= rT
TTin
cg 1
cg
donde:
TTout : Temperatura del gas a la salida de la turbina
rT
T
cg
48
2 m
T cg
wG = Ato
mcg 1
mcg =
mcg +1
2
2
mcg
mcg
Tin pTin rT rT
cg
cg T ( cg 1)
T =
1 rT
cg
cg 1
cg
1 rT
Potencia desarrollada:
PT = T wg hI
Pmech = PT Pc
Rcg
c
hI = c pg TTin rT pg 1
donde:
PT
Pc
Pmech
hI
:
:
:
:
49
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
Flujo de combustible
15
[kg/s]
14
13
12
11
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
Figura 34: Entrada y salida del sistema de combustible (enero y junio de 2006)
50
[Pa]
x 10
11
10
9
8
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
320
300
280
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
600
550
500
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
1.4
x 10
[Pa]
1.35
1.3
1.25
1.2
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
[K]
680
660
640
0.5
1.5
Tiempo [min]
2.5
51
3
4
x 10
Las entradas a la cmara de combustin son el flujo de aire a travs del compresor
(wa, observado en la Figura 35), la presin de los gases de salida del compresor (pcout,
Figura 36), la temperatura de los gases de salida del compresor (Tcout, Figura 36) y el flujo
de combustible (wf, Figura 34). Adems las salidas de este bloque son la presin, que al
tratarse de ciclo Brayton, es la misma que la presin de los gases de descarga del compresor,
y la temperatura de los gases resultantes de la combustin, las mismas que son entradas a la
turbina, que se muestran en la Figura 37:.
En la Figura 38 es posible observar las salidas de la turbina. stas son la potencia, la
temperatura y presin de los gases de descarga.
[K]
1570
1568
1566
1564
1562
1560
1558
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
Figura 37: Entrada de la turbina, salida de la cmara de combustin (enero y junio de 2006)
52
[W]
2.2
x 10
2
1.8
0
5
2.5
[Pa]
x 10
5000
10000
Tiempo [min]
Presin de los gases a la salida de la turbina
15000
5000
15000
2
1.5
10000
Tiempo [min]
Temperatura de los gases a la salida de la turbina
[K]
900
880
860
5000
10000
15000
Tiempo [min]
Compresor
54
Razn de compresin
16.5
16
15.5
15
14.5
14
13.5
13
12.5
12
11.5
0.5
1.5
Tiempo [min]
2.5
3
4
x 10
55
0.3474
0.3472
Error de validacin
0.347
0.3468
0.3466
0.3464
0.3462
0.346
0.3458
6
8
10
12
14
16
Nmero de neuronas en la capa oculta
18
20
Figura 41: Error de validacin del modelo neuronal para la razn de compresin en el compresor
Los resultados grficos donde es posible comparar la seal entregada por el simulador
con la entregada por la planta, pueden observarse en la Figura 42, Figura 43 y Figura 44,
56
2000
4000
6000
8000
10000
12000
Tiempo [min]
Error de prediccin de la razn de compresin
14000
2
1
0
-1
-2
2000
4000
6000
8000
Tiempo [min]
10000
12000
57
14000
[K]
680
660
640
2000
4000
6000
8000
10000
12000
14000
Tiempo [min]
Error de prediccin de la temperatura a la salida del compresor
2000
4000
20
[K]
10
0
-10
-20
6000
8000
Tiempo [min]
10000
12000
14000
1.6
x 10
[Pa]
1.4
1.2
5000
x 10
10000
Tiempo [min]
Error de prediccin de la presin a la salida del compresor
15000
[Pa]
1
0
-1
-2
5000
10000
Tiempo [min]
58
15000
Cmara de combustin
Media del
Desviacin
Error
error
estndar del error RMS
TTin [K]
-2,0593
19,2770
19,3863
Tabla 6: Validacin de los parmetros de la cmara de combustin (15.000 datos)
[K]
1600
1550
1500
1450
5000
10000
Tiempo [min]
Error de prediccin de la temperatura a la salida del compresor
15000
100
[K]
50
0
-50
-100
5000
10000
Tiempo [min]
59
15000
Turbina
Para el caso de la turbina, los parmetros a identificar son la eficiencia politrpica del
a turbina y la razn entre el rea de entrada y el rea de salida de la turbina. Los valores
que alcanzan estos parmetros se aprecian en la Tabla 7.
T
0,878134
Ato 1,1317 [m2]
Tabla 7: Parmetros de la Turbina
Como no se tiene el dato del consumo de potencia del compresor, se guard este dato
al simular para obtener los datos del compresor. El valor de esta variable a travs del
tiempo se aprecia en la Figura 46, donde se puede apreciar que no era una buena opcin
dejar constante esta variable, debido a los cambios importantes que sufre durante la
operacin.
Adems de la potencia consumida por el compresor (Pc) se necesita conocer la
entalpa de entrada, por lo tanto se procedi de la misma forma que con la potencia
consumida por el compresor. El valor de la entalpa de los gases a la entrada de la turbina
(salida de la cmara de combustin) se observa en la Figura 47.
Media del
Desviacin
Error
error
estndar del error RMS
Pmech [MW] -3,2820
3,5000
4,7980
TTout [K]
-25,5995
3,7442
25,8719
Tabla 8: Validacin de los parmetros de la cmara de turbina (15.000 datos)
60
2.38
x 10
2.36
2.34
2.32
[W]
2.3
2.28
2.26
2.24
2.22
2.2
2000
4000
6000
8000
Tiempo [min]
10000
12000
14000
5.48
x 10
5.46
5.44
[J/kg]
5.42
5.4
5.38
5.36
5.34
5.32
0.5
1.5
Tiempo [min]
2.5
61
3
4
x 10
900
880
860
5000
10000
Tiempo [min]
Error de prediccin de la temperatura
15000
[K]
-20
-40
-60
5000
10000
15000
Tiempo [min]
2.4
x 10
Simulador
Planta
[W]
2.2
1.8
2000
4000
2000
4000
x 10
6000
8000
10000
Tiempo [min]
Error de prediccin de la potencia
12000
14000
12000
14000
[W]
-5
-10
6000
8000
Tiempo [min]
10000
62
Sistema de combustible
Luego de esto fue necesario obtener los parmetros del sistema de combustible.
Utilizando como entradas la seal de referencia de combustible (Fd) y como salida el flujo de
combustible (wf) gaseoso para obtener los parmetro que se muestran en la Tabla 9. Con
dicho valores se simula para luego comparar resultados con los obtenidos en planta. Los
resultados pueden apreciarse en la Figura 50, donde se muestra el error del flujo de
combustible entre los datos de Nueva Renca y los datos obtenidos con el simulador con los
parmetros ajustados. Es importante destacar que los datos de flujo de combustible gaseoso
de la planta son extremadamente ruidosos. Esto puede apreciarse en el hecho que aun cuando
la referencia de combustible gaseoso es cero (la planta est funcionando con combustible
lquido), se aprecia un flujo no despreciable de gas hacia la cmara de combustin. Para
llegar a resultados ms exactos se elimin estos datos, as se lleg a los siguientes
parmetros:
kFF 5,6769
F 0,00998
a
5,6769
b
1,78
c
1,78
Tabla 9: Parmetros del sistema de combustible
63
Flujo de combustible
15
Simulador
Planta
[kg/s]
14
13
12
11
2000
4000
6000
8000
10000
12000
Tiempo [min]
Error de prediccin del flujo de combustible
14000
[kg/s]
-1
-2
2000
4000
6000
8000
Tiempo [min]
10000
12000
14000
Media del
Desviacin
Error
error
estndar del error RMS
wf [kg/s] -0,3684
0,3322
0,4961
Tabla 10: Validacin de los parmetros del sistema de combustible (15.000 datos)
Pmech [MW]
TTout [K]
Media del
error
14,997
-3,9747
Desviacin
Error
estndar del error RMS
3,6789
15,442
8,8345
9,6872
Tabla 11: Validacin de los parmetros de la turbina a gas de Nueva Renca (15.000 datos)
64
2.6
x 10
[W]
2.4
2.2
2
1.8
5000
x 10
10000
Tiempo [min]
Error en la potencia a la salida de la turbina
15000
[W]
4
2
0
-2
5000
10000
15000
Tiempo [min]
900
850
800
5000
10000
Tiempo [min]
Error de temperatura de los gases a la salida de la turbina
15000
[K]
50
-50
5000
10000
15000
Tiempo [min]
Figura 52: Validacin del simulador para la temperatura de salida de los gases
65
66
67
Para entregar la referencia ptima es necesario definir una funcin objetivo, es decir,
en necesario definir criterios regulatorios y econmicos a considerar y el peso relativo de
cada uno de ellos.
Para lograr representar de la mejor manera posible el comportamiento de Nueva
Renca y los resultados econmicos que tendra la implementacin de una estrategia de
control avanzado en el proceso de generacin de electricidad es necesario considerar datos
reales de costos del combustible y precios de la energa. Segn la [CNE, 2006] el precio de
nudo en Cerro Navia es, en el mes de abril de 2006, de 41,109 [US$/MWh]. El costo del
combustible alcanza los 2,771 [US$/MBTU].
En el captulo 4.1.1 se detalla la estructura de la funcin objetivo a considerar para la
resolucin del problema de optimizacin.
68
donde:
J
:
JCp :
:
JCr :
Funcin objetivo
Objetivo econmico
Factor de peso del objetivo regulatorio
Objetivo regulatorio
i =1
i =1
J CP = Ppot Pg ( t + i 1) Pfuel Fd ( t + i 1) CF
donde:
Ppot :
Pg
:
Pfuel :
Fd
:
CF :
g (t + i ) P
J Cr = CrPg P
T
i =1
Fd C f Fd2 ( t + i 1)
i =1
donde:
CrPg
Fd
g (t + i )
P
PT
: Referencia externa
69
u ( t ) = k p + i ( y ( s ) y* ( s ) )
s
donde:
u : Variable manipulada
kp : Ganancia proporcional del controlador PI
ki : Ganancia integral del controlador PI
y : Variable controlada
y* : Referencia dinmica para la variable controlada
Para el lazo de control de la potencia, es necesario encontrar un modelo discreto ya
que debe ser incorporado en el modelo que entrega las predicciones del comportamiento de la
planta. El modelo discreto del controlador PI est dado por:
A( z 1 ) w f ( t ) = B ( z 1 ) ( PT ( t ) Pg ( t ) )
Segn el trabajo de [Milla, 2004], cuyo modelo de controlador es utilizado para
obtener el control predictivo difuso global, los polinomios A y B tienen los siguientes valores,
siendo Ts, el tiempo de muestreo, igual a un minuto.
A ( z 1 ) = 1 z 1
T k
T k
B ( z 1 ) = s i + k p + s i k p z 1
2
2
Figura 54: Lazo de control para la temperatura de los gases de escape de la turbina
70
1
Los parmetros del controlador PI, para un control de la forma k p + ki , que aparece
s
en este lazo de control para la temperatura se aprecian en la Tabla 12.
Kp = 5
Ki = 1
Tabla 12: Parmetros del controlador PI para la temperatura
de los gases de salida de la turbina
El lazo de control que regula la potencia entregada por la turbina por medio del flujo
de combustible se observa en la Figura 55 y los parmetros que lo describen pueden ser
apreciados en la Tabla 13. Es importante destacar que este lazo de control es una
simplificacin del lazo de control que existe en planta. Para controlar el flujo de combustible
en Nueva Renca se consideran dos controladores PI, el primero considera como variable
manipulada la temperatura de los gases descargados por la turbina y el segundo, la potencia
de salida. Ambos controladores PI entregan la seal de referencia de combustible, pero la que
efectivamente ingresa al sistema de combustible es la que tiene menor valor (ver Anexo 4).
Kp = 10
Ki = 200
Tabla 13: Parmetros del controlador PI para la potencia
Entregada por la turbina
71
y ( k + j ) + d 1 y ( k + j 1) + d 2 y ( k + j 2 ) + d 3 u ( k + j 1) + d 4 u ( k + j 2 ) + d 5 = 0
Rm: if y(t-j) is Am,j and u(t-k) is Bm,k, then y(t) = c0,m + c1,my(t-1) + + cna,my(t-na)
+c(na+1),mu(t-1) + +c(na+nb),mu(t-nb)
donde:
k
:
Rm :
Am,j :
Bm,k :
cp,m :
72
Referencia de Combustible
1
0.9
0.8
0.7
500
1000
1500
Tiempo [min]
Potencia
2000
2500
500
1000
1500
Tiempo [min]
2000
2500
x 10
2.5
1.5
i , j ( t ) = e
donde:
i , j ( t )
ai,j
bi,j
( (
1 i, j
a x bi , j
2
))
: Funcin de pertenencia
: Parmetro a para la premisa i de la regla j
: Parmetro b para la premisa i de la regla j
Los resultados de predecir a un paso y a diez pasos el comportamiento del sistema por
medio del modelo difuso se aprecian en la Tabla 14, es decir, se calculan los estadsticos del
error entre la potencia real producida por el sistema y la potencia estimada a travs del
modelo difuso.
73
Media
Desviacin
Error
del error estndar del error cuadrtico medio
Error a 1 paso [W]
3,139410-7
4,907110-7
5,824610-7
Error a 10 pasos[W] 2,982710-6
4,285810-6
5,220910-6
Tabla 14: Error de prediccin del modelo difuso
Potencia [W]
x 10
Simulador
Modelo difuso
2.5
1.5
500
1000
1500
Tiempo [min]
Error de potencia
2000
2500
500
1000
1500
Tiempo [min]
2000
2500
-6
Potencia [W]
x 10
-2
74
Potencia [W]
x 10
2.5
1.5
500
1000
1500
Tiempo [min]
Error de prediccin a 10 pasos
2000
2500
500
1000
1500
Tiempo [min]
2000
2500
-5
Potencia [W]
x 10
-1
75
Cada estrategia de control fue probada bajo las mismas condiciones. stas son, una
referencia dinmica para la potencia que vara aleatoriamente entre 150 [MW] y 220 [MW]
cada 60 [min], una referencia esttica para la temperatura de los gases descargados fijada e n
900 [K], adems de una perturbacin en la temperatura de los gases de entrada al compresor
que vara cada 50 [min] cuya forma es observada en la Figura 59.
Temperatura de los gases de entrada
294
292
290
288
[K]
286
284
282
280
278
276
50
100
150
200
250
300
Tiempo [min]
350
400
450
500
76
Potencia [MW]
Temperatura [K]
Media del
error
0,0034
0,4347
Desviacin estndar
del error
4,5925
35,436
Error cuadrtico
medio
4,5922
35,4369
0.5
500
1000
1500
4000
4500
5000
500
1000
1500
4000
4500
5000
600
[kg/s]
500
400
300
3500
77
Flujo de combustible
20
[kg/s]
15
10
5
0
500
1000
1500
3500
4000
4500
5000
[kg/s]
15
10
5
250
300
350
400
Tiempo [min]
450
500
x 10
[W]
1
Potencia
Referencia
0
500
1000
1500
3500
4000
4500
5000
2.5
x 10
Potencia
Referencia
[W]
1.5
1
250
300
350
400
Tiempo [min]
450
500
Figura 62: Potencia entregada por la turbina con una referencia variable entre 150 [MW] y 220 [MW]
78
[K]
1000
500
Temperatura
Referencia
0
500
1000
1500
3500
4000
4500
5000
1000
[K]
900
800
Temperatura
Referencia
700
600
500
250
300
350
400
Tiempo [min]
450
500
Figura 63: Temperatura de los gases de descarga de la turbina con una referencia de 900 [K]
Ppot
Pfuel
CrPg
Fd
N
41,109 [$/MWh]
0,1526 [US$/kg]
100
10
10
Se realizan 2 pruebas, con distintos valores para el factor de peso para el objetivo
regulatorio, , definido en 4.1, la primera prueba se realiza con = 0,5 y la segunda con =
1.
79
Error cuadrtico
medio
3,6163
24,7762
0.5
500
1000
1500
4000
4500
5000
500
1000
1500
4000
4500
5000
700
[kg/s]
600
500
400
300
3500
80
Flujo de combustible
20
[kg/s]
15
10
5
0
500
1000
1500
3500
4000
4500
5000
15
[kg/s]
10
0
250
300
350
400
Tiempo [min]
450
500
2.5
x 10
[W]
1.5
500
1000
1500
3500
4000
4500
5000
2.2
x 10
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
81
500
x 10
[W]
1
Potencia
Referencia
0
500
1000
1500
3500
4000
4500
5000
2.5
x 10
Potencia
Referencia
[W]
1.5
1
250
300
350
400
Tiempo [min]
450
500
Figura 67: Potencia entregada por la turbina con una referencia variable entre 150 [MW] y 220 [MW]
[K]
1000
500
Temperatura
Referencia
0
500
1000
1500
3500
4000
4500
5000
1000
[K]
900
Temperatura
Referencia
800
700
600
250
300
350
400
Tiempo [min]
450
500
Figura 68: Temperatura de los gases de descarga para una referencia de 900 [K]
82
Error cuadrtico
medio
3,5873
24,9751
En las Figura 69, Figura 70, Figura 71, Figura 72 y Figura 21, se puede apreciar que
los resultados obtenidos, a primera vista son muy similares al caso expuesto en 4.3.2, aunque,
como es posible apreciar en la Tabla 18, el error los resultados de seguimiento de referencia
para la potencia son mejores en el caso en que = 0,5, ya que la importancia relativa de la
parte regulatoria es mayor. Es posible apreciar este hecho en la observacin de la Figura 70, a
los 360 [min], la perturbacin producida en el flujo de combustible es menor que la
observada en la Figura 65, cuando la importancia relativa de la parte regulatoria es menor.
Seal de referencia de combustible
1.5
0.5
500
1000
1500
4000
4500
5000
500
1000
1500
4000
4500
5000
600
[kg/s]
500
400
300
3500
83
Flujo de combustible
20
[kg/s]
15
10
5
0
500
1000
1500
3500
4000
4500
5000
[kg/s]
15
10
5
250
300
350
400
Tiempo [min]
450
500
2.2
x 10
[W]
2
1.8
1.6
1.4
500
1000
1500
3500
4000
4500
5000
2.2
x 10
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
84
500
x 10
Potencia
Referencia
[W]
2.5
2
1.5
1
500
1000
1500
3500
4000
4500
5000
2.2
x 10
Potencia
Referencia
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
500
Figura 72: Potencia entregada por la turbina con una referencia variable entre 150 [MW] y 220 [MW]
[K]
1200
1000
800
600
500
1000
1500
3500
4000
4500
5000
1000
[K]
900
Temperatura
Referencia
800
700
600
250
300
350
400
Tiempo [min]
450
500
Figura 73: Temperatura de los gases de descarga para una referencia de 900 [K]
85
Error cuadrtico
medio
3,2697
24,7900
86
25
Error de validacin
20
15
10
6
8
10
12
14
16
Nmero de neuronas en la capa oculta
18
20
Figura 74: Error de validacin en funcin del nmero de neuronas en la capa oculta
0.5
500
1000
1500
4000
4500
5000
500
1000
1500
4000
4500
5000
700
[kg/s]
600
500
400
300
3500
87
Flujo de combustible
20
[kg/s]
15
10
5
0
500
1000
1500
3500
4000
4500
5000
15
[kg/s]
10
0
250
300
350
400
Tiempo [min]
450
500
2.2
x 10
[W]
2
1.8
1.6
1.4
500
1000
1500
3500
4000
4500
5000
2.2
x 10
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
88
500
x 10
[W]
1
Potencia
Referencia
0
500
1000
1500
3500
4000
4500
5000
2.2
x 10
Potencia
Referencia
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
500
Figura 78: Potencia entregada por la turbina con una referencia variable entre 150 [MW] y 220 [MW]
1000
500
500
1000
1500
3500
4000
4500
5000
1100
Temperatura
Referencia
[K]
1000
900
800
700
600
250
300
350
400
Tiempo [min]
450
500
Figura 79: Temperatura de los gases de descarga para una referencia de 900 [K]
89
Media del
error
Potencia [MW]
Temperatura [K]
Desviacin
estndar del
error
3,4031
23,6266
0,0094
0,2412
Error
cuadrtico
medio
3,4029
23,6266
Los resultados grficos observados en la Figura 81, la Figura 82, la Figura 83, la
Figura 84 y la Figura 85 son similares a los resultados obtenidos al en 4.3.4, pero, como
ocurre cuando se considera un mayor peso relativo para la parte regulatoria, los resultados las
perturbaciones observadas en el flujo de combustible son ms suaves.
25
Error de validacin
20
15
10
6
8
10
12
14
16
Nmero de neuronas en la capa oculta
18
20
Figura 80: Error de validacin en funcin del nmero de neuronas de la capa oculta
90
0.5
500
1000
1500
4000
4500
5000
500
1000
1500
4000
4500
5000
700
500
400
300
3500
Flujo de combustible
20
[kg/s]
15
10
5
0
500
1000
1500
3500
4000
4500
5000
15
10
[kg/s]
[kg/s]
600
0
250
300
350
400
Tiempo [min]
450
91
500
2.2
x 10
[W]
2
1.8
1.6
1.4
500
1000
1500
3500
4000
4500
5000
2.2
x 10
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
500
x 10
Potencia
Referencia
[W]
500
1000
1500
3500
4000
4500
5000
2.2
x 10
Potencia
Referencia
[W]
2
1.8
1.6
1.4
250
300
350
400
Tiempo [min]
450
500
Figura 84: Potencia entregada por la turbina con una referencia variable entre 150 [MW] y 220 [MW]
92
1000
500
500
1000
1500
3500
4000
4500
5000
1000
Temperatura
Referencia
[K]
900
800
700
600
250
300
350
400
Tiempo [min]
450
500
Figura 85: Temperatura de los gases de descarga para una referencia de 900 [K]
93
Jy =
Ju =
1
N
( P (i ) R (i ))
1
N
F ( i 1)
i
N
2
d
donde:
Jy
Ju
N
P(i)
R(i)
Fd
:
:
:
:
:
:
Los resultados obtenidos para cada muestra de 5000 datos se presentan en la Tabla
21. En esta tabla puede observarse que el mejor resultado es entregado por el emulador
neuronal con = 1, seguido por el mutador neuronal para el control supervisor predictivo
difuso con = 0,5. Este resultado es el mismo que el obtenido en 2.5, es decir, que a pesar
de que el control predictivo difuso tiene una mejor respuesta que el control regulatorio, pero,
la respuesta es mejorada por el emulador neuronal. Esto se debe, como fue explicado
anteriormente, a que la solucin del optimizador cay en un ptimo local, as, al entrenar el
modelo neuronal, se logra un mejor ajuste con la salida deseada.
Control Regulatorio
Control supervisor predictivo difuso (CSPD) = 0,5
Control supervisor predictivo difuso = 1
Emulador neuronal para CSPD con = 0,5
Emulador neuronal para CSPD con = 1
Jy [MW]
4,5924
3,6951
3,6722
3,5591
3,4032
Ju
0,0953
0,0987
0,1009
0,0941
0,0877
94
J $ = Ppot P ( i ) Pfuel w f ( i )
i =1
donde:
J$
Ppot
Pfuel
wf
:
:
:
:
Beneficio =
100 100
Control Regulatorio
Control supervisor predictivo difuso (CSPD) = 0,5
Control supervisor predictivo difuso = 1
Emulador neuronal para CSPD con = 0,5
Emulador neuronal para CSPD con = 1
JCp
Beneficio con respecto al
[MUS$]
nivel regulatorio[%]
0,62037
0,63907
3,014
0,63901
3,004
0,63915
3,027
0,63911
3,020
95
96
Es posible notar que entre las dos estrategias de control supervisor predictivo difuso y
entre las dos estrategias de control supervisor por emulacin, existen diferencias en su
desempeo, entregando unas mayores beneficios econmicos y otras mejores resultados en lo
que a energas de error de seguimiento de potencia se refiere. Esto encuentra su explicacin
en el hecho que el peso relativo de la parte regulatoria y la parte econmica varan entre una
y otra. As, cuando el factor de peso alcanza un mayor valor, la importancia de la parte
regulatoria aumenta, obtenindose incrementos menores en las utilidades, pero ajustndose
de mejor manera a los requerimientos de la referencia externa, de una manera ms suave.
Un factor importante a considerar es la carga computacional que significa la
implementacin de una estrategia de control. En este aspecto, los emuladores neuronales son,
aproximadamente 2 veces ms rpidos que los controladores predictivos difusos, por lo tanto,
es ms factible que sean aplicados en plantas de dinmicas rpidas.
Es importante destacar que, aunque no aparezca explicito en la funcin objetivo, el
hecho de disminuir el flujo de combustible trae con sigo una disminucin en las emisiones de
contaminantes, lo que, en la actualidad es un tema extremadamente sensible a nivel
gubernamental y social.
Como trabajo futuro, se deja abierta la posibilidad de formular un controlador que
minimice las emisiones de NOx, las cuales no fueron consideradas en este estudio. Adems,
es de gran importancia considerar lo que ocurre al incorporar el ciclo de vapor en Nueva
Renca. Uno de los supuestos de este trabajo es que, al tratarse de un ciclo de Brayton, los
gases son descargados a presin atmosfrica. En la prctica esto no es as, ya que la presin
de descarga es aproximadamente dos veces la presin atmosfrica, hecho que es de vital
importancia para el ciclo de vapor.
Finalmente, se deja abierta la posibilidad de considerar las estrategias de control
supervisor diseadas para ser implementadas fuera de lnea para entregar una sugerencia para
el valor del set point de la potencia, considerando criterios regulatorios y econmicos
97
6. Referencias
[Alayn, 2004]
[Alayn et al,
2004]
[Angeli
y
Mosca, 1999]
[Bemporad
al, 1997]
et
[Camacho
y
Bordons, 1999]
[Casavola et al,
2006]
[Cheng
y
Blankenship,
1998]
[Clark et al,
1987]
[CNE, 2006]
[Contreras,
2004]
[Cowder et al,
2006]
[Hirata
y
Komiso, 2003]
[Jaram y MaxMoerbeck,
2005]
[Noorgard et
al, 2000]
98
[Ordys et al, Ordys, A.; Pike, A.; Johnson, R.; Katebi, R; Grimble, M, Modelling
1994]
and simulation of Power Generation Plants. Springer-Verlag, Gran
Bretaa, 1994.
[Prasad et al, Prasad, G.; Irwin, G.; Swidenbank; E.; Hogg, B.; A hierarchical
physical model based approach to predictive control of a thermal power
2002]
plant for efficient pant-wide disturbance rejection Transaction of the
Institute of Measurement and Control 24,2, pp 107 128, 2002
[Rossiter et al, Rossiter, J.; Neal, P.; Yao, L.; Applying predictive control to a fossil2002]
fired power station, Transaction of the Institute of Measurement and
Control 24,3 pp. 177 194, 2002
[Sez, 1995]
Sez, D. Diseo y evaluacin en tiempo real de controladores y su
aplicacin al pndulo invertido. Tesis de Magster en ciencias de la
Ingeniera. Pontificia Universidad Catlica de Chile, Santiago, 1995.
[Sez et al, Sez D., Cipriano A., Ordys A., Optimization of Industrial Processes
at Supervisory Level, Springer Verlag London Limited, 2002
2002]
[Surez et al, Surez, D.; Snchez, E.; Gallardo, T.; Quintero, A.; Arranque de
2004]
caldera y rodado de turbina de una central termoelctrica usando
control predictivo basado en un modelo neuronal., XI Congreso
Latinoamericano de Control Automtico, La Habana, Cuba, Mayo
2004.
[Xue y Li, Xue, Z.; Li, S.; Multi-model modeling and predictive control based on
2006]
local model networks Control and intelligent Systems, vol. 34, N2,
2006
99
Anexo 1
100
101
Anexo 2
Programa que busca races y reemplaza a fsolve
102
#include "mex.h"
#include <math.h>
#include <stdio.h>
#define X1 0.0
#define X2 100.0
#define eps 0.000001
const int *dims_first, *dims_second, *dims_third;
int c;
double aux;
/* clculo de la salida */
double busca_raices(double alfa[], double beta[], double gamma[]){
double salida;
double ex1 = pow(X1,alfa[0]) - pow(X1,beta[0]) - gamma[0];
double l = X1;
double r = X2;
salida = 0.0;
aux = pow(salida,alfa[0]) - pow(salida,beta[0]) - gamma[0];
while(ex1*aux>0){
salida=salida+0.1;
aux = pow(salida,alfa[0]) - pow(salida,beta[0]) - gamma[0];
}
l=salida-0.1;
r=salida;
while(fabs(aux)>eps){
salida = (l+r)/2.0;
aux = pow(salida,alfa[0]) - pow(salida,beta[0]) - gamma[0];
if (aux*ex1 < 0.0){
r = salida;
}
else {
l = salida;
}
}
return salida;
}
103
if (nlhs > 1) {
mexErrMsgTxt("Demasiados argumentos a la salida.");
}
/* Check data type of first input argument */
if (!mxIsDouble(prhs[0]) || !mxIsDouble(prhs[1]) ||
!mxIsDouble(prhs[2])
|| mxIsComplex(prhs[0]) || mxIsComplex(prhs[1]) ||
mxIsComplex(prhs[2])) {
mexErrMsgTxt("Los argumentos deben ser reales o double");
}
/* Check that dimensions are the same
if ( mxGetNumberOfDimensions(prhs[0])
mxGetNumberOfDimensions(prhs[1]) ||
mxGetNumberOfDimensions(prhs[0])
mxGetNumberOfDimensions(prhs[2]) ||
mxGetNumberOfDimensions(prhs[1])
mxGetNumberOfDimensions(prhs[2])){
mexErrMsgTxt("Las entradas deben
argumentos.\n");
}
dims_first = mxGetDimensions(prhs[0]);
dims_second = mxGetDimensions(prhs[1]);
dims_third = mxGetDimensions(prhs[2]);
/* Check that inputs have the same dimensions. */
for (c=0; c<mxGetNumberOfDimensions(prhs[0]); c++){
if (dims_first[c]!= dims_second[c] || dims_third[c]!=
dims_second[c] ||
dims_first[c]!= dims_third[c]){
mexErrMsgTxt("Las entradas deben tener la misma dimensin.\n");
}
}
/* Assign pointers to each input and output. */
alfa = mxGetPr(prhs[0]);
beta =mxGetPr(prhs[1]);
gamma = mxGetPr(prhs[2]);
/* salida = mxGetPr(plhs[0]); */
plhs[0] = mxCreateDoubleMatrix(1, 1, mxREAL);
mxGetPr(plhs[0])[0] = busca_raices(alfa,beta,gamma);
}
104
Anexo 3
Parmetros del modelo neuronal de la razn de compresin de los
gases en el compresor
105
N1
N2
N3
N4
N5
N6
N7
N8
N9
N10
N11
N12
N13
N14
N15
N16
N17
wa(t-1)
-1.1664
1.0370
1.1646
-0.4279
1.8764
0.7494
1.7399
0.0474
0.5203
1.7181
-0.8603
-0.8432
0.4679
-0.4280
-0.3095
1.1908
-1.2320
wa(t-2)
-1.3843
-0.8859
0.4393
1.7115
0.3267
-1.3527
0.0330
1.2402
-0.6391
-1.0362
1.2346
-1.5442
-1.0201
0.6572
-1.3537
0.0299
1.1073
wa(t-3)
1.2217
1.2747
0.6005
1.8451
-0.3771
-1.3113
0.9313
1.8251
-1.6263
-0.9293
0.2279
-2.7446
0.5002
1.9782
-0.0956
0.1284
-1.4455
wa(t-5)
0.3814
-0.7069
-0.8157
-0.7975
1.8208
-1.3936
-1.1095
0.6638
1.4777
0.6187
1.4971
-1.3185
-0.6134
-0.3168
0.9187
-1.4159
1.0112
Tcin(t-2)
0.0336
1.7482
1.6482
-0.4839
1.4277
-0.1347
0.2168
-1.3190
0.9224
1.0890
0.6488
1.3243
-1.5994
1.4506
0.7795
-1.6480
0.1466
Tcin(t-3)
-0.7138
0.5635
-1.1812
0.3819
-0.4054
-1.5833
-1.8267
-0.8280
-0.8759
0.9260
2.0496
0.3427
1.6259
0.7695
-1.2083
1.2634
1.4570
rc(t-1)
-0.7757
1.3010
-1.0571
0.6867
-0.6464
0.9374
-0.5504
-0.4004
-0.7596
-0.0176
0.0746
0.2762
-0.8069
0.6678
1.9666
-0.3615
-0.1273
Sesgo
5.3535
-4.6306
-2.8458
-0.6754
-3.2704
0.5522
-0.0406
0.1725
1.2937
-1.7956
-3.0589
1.0671
2.2816
-4.6944
-2.2158
2.4143
-2.6518
106
Anexo 4
Control para Nueva Renca
107
108
Todos los mdulos de control descritos anteriormente tienen como funcin controlar
el combustible de entrada a las cmaras de combustin. La seal de referencia de
combustible (FSR) es en realidad la combinacin de 2 seales, una de combustible lquido
(diesel) y otra de combustible gaseoso (gas natural).
109
Anexo 5
Parmetros del modelo difuso del simulador
110
Parmetros de las premisas del modelo difuso para la Turbina a gas de Nueva Renca
Premisa 1
Premisa 2
Premisa 3
Premisa 4
Premisa 5
Premisa 6
R1
9,6739
0,6805
9,6740
0,6805
9,6739
0,6805
0,0497
195,1875
0,0497
195,1826
0,0496
195,1712
R2
8,2080
0,6505
8,2081
0,6505
8,2047
0,6505
0,0365
183,1134
0,0274
172,7855
0,0124
131,4272
R3
8,2055
0,6506
8,2056
0,6506
8,2022
0,6506
0,0365
183,1338
0,0274
172,8152
0,0124
131,4941
Parmetros de las consecuencias del modelo difuso para la Turbina a gas de Nueva Renca
p0
R1
3,438810
R2
R3
p1
-11
p2
-11
p3
-11
p5
p6
-13
-4,047810
2,019710-13
-1,665910
2,518910
-3,717410-9
-5,088510-9
2,460310-8
-3,100210-8
2,145510-10
-6,873110-11
3,665310-9
5,09910-9
- 2,458510-8
3,068710-8
-2,129310-10
6,804610-11
111
8,736310
p4
-11
Anexo 6
112
Sesgo
-1667,5
-893,3
-189
Parmetros para = 1
-
113
Sesgo
3,1016
-1,1828
13,8272
1,5516
-8,8529
-4,9610
-8,6121
1,6696
-5,0552
-8,6376
0,1474
-4,5873
-3,1250
-5,3641
6,0050
5,9300
6,1364
114