Está en la página 1de 4

1

A. Marcelo Prez, B. Walter Urdiales, Estudiantes de la Universidad Politcnica Salesiana

DISEO DE UNA MICROCENTRAL HIDROELCTRICA


Abstract El presente ensayo trata sobre el tipo de control adaptativo aplicado a la red neuronal Elman en donde se estudiar sus caractersticas, funcionamiento que identificarn la planta con un aprendizaje por medio de planos deslizantes que modificarn los parmetros del controlador, dndole robustez al sistema de control. Index Terms Control adaptativo, red neuronal de Elman, modos deslizantes.
Figura 1. Esquema del sistema implementado.

I. INTRODUCCION

uando se presentan plantas con parmetros variantes en el diseo de controladores, sean sistemas lineales o no lineales se los puede tratar con el mtodo de control por modo deslizante. Algunos autores combinan los mtodos de redes neuronales y de modo deslizante. La tcnica de red neuronal de Elman anuncia una muestra delante de la seal de salida para as obtener el error respectivo del modelo de la planta, con el cual podemos empezar a calcular el plano deslizante del modelo que nos ayudar con el aprendizaje de la red del modelo de la planta. Estos planos deslizantes tambin nos sirven para actualizar los parmetros del controlador PID. II.CONTROL NEURO-ADAPTATIVO La red neuronal se usa como prediccin, El controlador como otra red neuronal basndose en el modelo interno del sistema monitorea las entradas y salidas de la planta, este maneja la entrada de control para predecir la salida. En la siguiente figura se muestra el esquema del control neuro-adaptativo, el cual se aplica para plantas no lineales con parmetros variantes. Este se puede aplicar para otros diseos de control, como adicionarse a algn criterio de optimizacin.

Como podemos observar en la figura el error que hay en la adaptacin del controlador es y ser el error de la propia seal de control, a este se le denota como error de comando. En este documento se estimar el error de comando y se llamar error de comando virtual, ya que no se tiene la seal de control deseada y para el clculo se usar la prediccin del modelo de la planta: (1)

Donde

es un

estimado del Jacobiano del sistema, se obtiene usando la red neuronal como modelo. III. CLASIFICACIN DE REDES NEURONALES Y MODELAMIENTO PREDICTIVO Las redes neuronales se clasificada como unidireccionales y recurrentes. A. Redes unidireccionales : En las redes unidireccionales las seales fluyen en una sola direccin de la entrada hacia la salida. Ya que las neuronas estn conectadas de tal forma para que exista este comportamiento. B. En las redes recurrentes : En las redes recurrentes la propagacin de las seales se dar en direcciones opuestas debido a la conexin de las neuronas. Las redes unidireccionales: Se aplican a la filiacin con xito, aunque con inconvenientes como el gran nmero de neuronas en la capa de entrada, lo que lleva al ruido y aprendizaje lento. Las redes recurrentes: No sufren de los anteriores inconvenientes gracias a su estructura. La red de Elman es uno de los tipos ms simples de red recurrente la cual puede

Manuscript received, April, 11, 2012. This work was supported in part by the U.P.S. A. Marcelo Prez is with the U.P.S. (corresponding author to provide phone: 095-020-043; f; e-mail: maeperezc@hotmail.com). B. Walter Urdiales is with the U.P.S. (corresponding author to provide phone: 084-153-945; f; e-mail: wurdialesc@gmail.com).

2 ser entrenada tambin usando el algoritmo estndar de retropropagacin. son las salidas de la neurona j-sima neurona oculta ganancia de realimentacin 0<se tomar para todas las realimentaciones.

El comportamiento de la red de Elman depende valor escogido para . La salida de la red neuronal puede ser determinada como:

Dnde:
Figura 2. Red de Elman modificada.

q: nmero de neuronas en la capa oculta ( =4 ). n: suma del nmero de entradas ( =1 ). : peso de la neurona i en la capa oculta a la entrada j. : peso de la neurona oculta a la de salida. I(k) : conjunto de datos consistente de la seal de control u(k) y las salidas de las neuronas de contexto en el mismo instante k. : funcin de activacin para el nodo oculto i. : funcin de activacin lineal del nodo de salida.

La red de Elman se usa para obtener el modelo de la planta y predecir su salida. IV. ESTRUCTURA DE LA RED DE ELMAN Esta estructura consiste en una neurona de entrada, una de salida, neuronas ocultas y neuronas de contexto. El nmero de neuronas ocultas es igual al nmero de neuronas de contexto. Se consideran unidades de memoria de un paso de retardo a las salidas de las neuronas que se conectan a las unidades de contexto. Las salidas de las neuronas de contexto hacen parte de las entradas de las neuronas ocultas. Hay que considerar que solo a las conexiones hacia adelante se les modificarn los pesos y que los pesos de las conexiones recurrentes sern iguales a uno. La realimentacin en las neuronas de contexto representa la posibilidad de la red de Elman de modelar sistemas, as como un sistema dinmico representa una relacin entre la salida presente y las entradas pasadas. Las salidas de las neuronas de contexto son inicializadas en cero para una funcin tangente hiperblica o en 0.5 para una funcin sigmoidal. La salida de la neurona j es: (2) Dnde:

Para calcular el error de comando virtual se puede identificar por la aplicacin directa de la regla de la cadena (Jacobiano estimado del sistema).

Con:

la funcin sigmoidal.

Si es la funcin tangente hiperblica, la ecuacin 4 se convierte en:

V. CONTROLADOR PID ADAPTATIVO A continuacin se muestra un controlador del tipo PID adaptativo este es utilizable y adems es posible adems implementar otros controladores.

Dnde: Consideramos que las funciones de activacin de ambas estructuras son lineales, la adaptacin de los pesos para la red neuronal como modelo y el controlador puede ser obtenida por las siguientes ecuaciones:

Figura 3. Controlador.

La seal de control u(k) se calcula como:

Donde: K1, K2, K3: parmetros del controlador

: error de realimentacin,

Con Para una funcin de activacin tangente hiperblica, la actualizacin para la capa oculta es dada por:

: salida real seal deseada en el instante k. Dnde:

VI. MODO DESLIZANTE Si no se desactiva el entrenamiento, el esquema de la figura 1 puede ser en principio un controlador adaptativo para sistemas variantes en el tiempo. Este diseo por planos deslizantes se divide en dos fases. A. Fase 1: Una superficie deslizante se define para producir un comportamiento entrada/salida. B. Fase 2: Los pesos son actualizados de forma que satisfagan las condiciones de seguimiento en la superficie deslizante. En las ecuaciones siguientes definen las superficies deslizantes de la capa de salida del modelo y la salida del controlador respectivamente.

: pequea constante para prevenir la divisin por


cero.

Para prevenir el efecto de chattering, se puede utilizar la siguiente frmula, en vez de la funcin signo:

Dnde:

: constante positiva pequea.

Para asegurar convergencia rpida lo ideal sera tener grandes pero esto puede implicar

problemas de

convergencia e inestabilidad. Por esto los parmetros , , se deben calcular dentro de unos lmites de acuerdo con las ecuaciones:

Dnde:

es el error del modelo son constantes. VII. APLICACIN Un ejemplo de aplicacin tenemos:

En caso de la capa oculta de la red neuronal como modelo, la superficie es definida como:

4 Y en su versin discreta:

En la figura 6 se observa cmo la seal de control aumenta para compensar el cambio en par1 y los parmetros del controlador.

Donde (par1) es 0.8 para 0 k 900 y 1.7 para k>900. La funcin de referencia es el cambio en k=900 debido al par1 ), ntese

Figura 7. Variacin de los parmetros del controlador, k1 (accin derivativa), k2 (accin proporcional), k3 ( accin integral).

VIII.CONCLUSION
Figura 4. Seal de referencia y salida de la planta.

Como conclusiones podemos decir que el estudio del control neuro adaptativo es aplicable a sistemas lineales y no lineales aparte de presentar un comportamiento ptimo en el control adaptativo de varias plantas. La tcnica de planos deslizantes nos ayuda a darle robustez al sistema de control ayudando a las redes que en algunos casos presentan problemas de estabilidad, como se observ en las simulaciones mostradas el sistema presentaba una buena estabilidad. REFERENCES
[1] HUNG J.Y., W. GAO,J.C. HUNG, Variable Structure Control: A Survey, IEEE Trans. On Industrial Electronics, 1993. [2] SLOTINE J.J., W. LI, Applied Nonlinear Control, Prentice Hall, 1991.

Figura 5. valor absoluto del error del modelo. [3] X. F.R. RUBIO Y M.J. LPEZ, Control Adaptativo y Robusto, Secretariadeo de Publicaciones de la Universidad de Sevilla, 1996. [4] http://www.uclm.es/profesorado/marodrigo/pdf/cap/cap5.pdf.

Figura 6. Seal de control.