Seminario de Avances de Tesis 2011

Cinvestav Unidad Saltillo

11-12 mayo
M.C. Joel Gurubel

Dr. Edgar Snchez

Dr
Dr. Salvador Carlos

Cinvestav Unidad Guadalajara

1

Contenido

Introduccin
Objetivo
MTGS (Micro-Turbine Generation System)
Esquema MTGS
Modelo generador sncrono de imn permanente (PMSG)
Modelo Microturbina(MT)
Microturbina con rectificador pasivo

MTGS conectado en modo aislado

Esquema de controlador de voltaje
Resultados

MTGS conectado en modo red elctrica

Esquema de controlador de voltaje
Resultados

RAAR (Reactor Anaerbico de Aguas Residuales)

Modelo RAAR dinmica lenta
Observador neuronal (RHONO)
Algoritmo control ptimo inverso
Resultados
Programacin de la Tesis
Publicaciones
P bli
i
Referencias

La paulatina disminucin de las reservas mundiales de petrleo y el

notable cambio climtico han motivado la bsqueda de recursos
energticos alternativos, preferentemente renovables, as como el
desarrollo de mtodos eficaces para su transformacin cuando sta
es necesaria. Entre las alternativas exploradas se encuentran las
materias primas y procesos de origen biolgico.
En este sentido,, el anlisis de la fase de acoplamiento
p
entre un
proceso anaerbico y los dispositivos de cogeneracin es de gran
importancia para establecer configuraciones de alta eficiencia en el
aprovechamiento del potencial energtico del biogs.

Acoplamiento entre un proceso de

produccin de biogs, con dispositivos
de cogeneracin
g
de energa
g elctrica

Esquema bsico del sistema de generacin de la

microturbina de un solo eje con recuperador
T

T3
Recuperador

Salida
gases
5
Aire
comprimido
1

Gases
calientes

Biogs

Combustor
2

T4

Aire

Compresor

Turbina

PMSG

T5

T2
T2

T1

s
DiagramaTs(temperaturaentropa)deunamicroturbina
deunsoloejeconrecuperador
Energa
altafrec.
AC

DClink
Rectificador

Inversor

Filtro

AC/DC

DC/AC
C/ C

LC
C

Sealde
control

Interfaceelectrnica
depotencia
AC/DC/AC

RedAC
400V
50/60Hz

Medidor
de
corriente
corriente
yvoltaje

+
Carga
aislada
AC

Controlador
DC/AC

7
Sealesde
referencia

Modelo generador sncrono de imn

permanente (PMSG)
Ecuaciones elctricas

Ecuaciones mecnicas

Modelo microturbina (MT)

Microturbina con rectificador pasivo

10

11

Esquema controlador de voltaje

12

Resultados
Variacin de la carga en un tiempo de simulacin de 21
segundos

t0=0, sin carga

t1=6,
=6 se introduce una carga de 15 kW
t2=12, se incrementa la carga a 24 kW
t3=17,
=17 se disminuye la carga en 9 kW
13

V l id d generador
Velocidad
d wr
1.05

p.u .

0.95

0.9

0.85

0.8

10

15
Tiempo (seg)

20

25

14

Torque micorturbina Tm
1.4

1.2

0.8

p .u .

0.6

0.4

0.2

-0.2

10

15

20

25

Tiempo (seg)

15

Consumo combustible wf
1.4

1.2

p.u.

0.8

0.6

0.4

0.2

10

15

20

25

Tiempo (seg)

16

Voltaje capacitor
1200

1000

Volts
s

800

600

400

200

10

15

20

25

tiempo (seg)

17

18

Ecuaciones controlador lado de

la red

Ecuaciones controlador en el marco de referencia

dq
q

19

Esquema controlador lado de la

red

20

Resultados
Velocidad generador wr

0.95

p
u

0.9

0.85

0.8

0.75

1.5

2
Tiempo (seg)

2.5

3.5

Voltaje capacitor
1200

1000

800

600

400

21

200

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Voltaje y Amperaje de la red en fase

300
200

100
0
-100
-200
-300
-400

1.55

1.6

1.65
Tiempo (seg)

1.7

1.75

1.8

22

Energa activa P

x 10

6
5
4

3
2
1
0
-1
-2
-3

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Energa reactiva Q

x 10

V
A
r

-1

23

-2

-3

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Corriente activa activa (ip)

200

150

100

50

-50

-100

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Corriente reactiva reactiva (iq)

150

100

50

-50

-100

-150

24
0

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Voltaje eje d
500
400
300

200
100
0
-100
-200
-300
-400

0.5

1.5
2
Tiempo (seg)

2.5

3.5

Voltaje eje q
100
50
0

-50
-100
-150
-200

25

-250
-300

0.5

1.5
2
Tiempo (seg)

2.5

3.5

26

Modelo RAAR dinmica lenta

Salidas
27

Observador neuronal (RHONO)

28

Algoritmo de entrenamiento filtro de

Kalman extendido (FKE)

29

Control neuronal ptimo inverso

Se considera un sistema no lineal afn y salida dadas
como
1
2
donde xk Rn es el estado del sistema al tiempo k , u, y
Rm, f : Rn Rn, g : Rn Rnxm, h : Rn Rm, and J : Rn Rmxm,
son funciones de mapeo suaves y acotadas. Se asume f(0)=0
and h(0)=0.
( )
denota el conjunto
j
de enteros no negativos.
g

30

En [1], es asumido una funcin de lyapunov para control en

tiempo discreto como
3
donde x,k es la trayectoria deseada y K es una matriz de
ganancia adicional para modificar la razn de convergencia del
seguimiento del error y la salida definida como
4

31

Que es cero-estado detectable con una funcin candidata de

Lyapunov definida por (3),
(3) y satisface la condicin de pasividad

5
Entonces el sistema (1) con salida (4) es asintticamente
estabilizado por la salida retroalimentada uk=-y
= yk y la ley de
control definida a lo largo de la trayectoria deseada, como
sigue
6

32

con
7

y
8

33

Si existe una

tal que

donde Im es la matriz identidad m x m,

denota inversa, y
es u
una
a matriz
at de
definida
da pos
positiva.
t a
Adems, con la funcin de Lyapunov definida por (3), esta ley de
control es ptima inversa en el sentido de que minimiza la variedad
funcional dada como

34

El RHONO es presentado como un sistema afn con el propsito de

aplicar control neuronal ptimo inverso

35

36

37

Resultados
-3

15

x 10

0.03

Neural model
Reference trajectory

5
0
-5

Neural model
Reference trajectory

0.02
S 2 (m o l/ l)

x 2 (A U )

10

500

1000

1500

Time (h)

0.01
0
-0.01

500

1000

1500

Time (h)

0.2
Neurall model
N
dl
Reference trajectory

I C (m o l/ l)

0.15
0.1
0.05
0

500

1000

1500

Time (h)

38

Seales de control
0 06
0.06

0.04
0.02

500

1000

1500

1000

1500

Time (h)
0.2

Din

0.15
0.1
0.05
0

500
Time (h)

39

S lid M
Salida
Metano
t

0.04
0.03
Neural model
Reference trajectory

YCH (mol/h)

0.02
0.01
0
-0.01
-0.02
-0.03
-0.04

500

1000

1500

Time (h)

40

Error de seguimiento
-3

x 2 (A U ) e rroo r

10

x 10

Error X2

5
0
-5

500

1000

1500

S 2 (m o l/ l) e rro r

Time (h)
0.02
Error S2

0.01
0
-0.01

500

1000

1500

I C (m o l/ l) e rro r

Time (h)
0.1
Error IC
0
-0.1
01

500

1000

1500

Y C H 4 (m o l/ h ) e rro r

Time (h)
0.1
Error QCH4
0
-0.1

500

1000

1500

Time (h)

41

Anlisis del estado del arte

Elaboracin de documento pre-doctoral
Estudio y diseo de control en simulacin de un sistema de
generacin
Anlisis y estudio en simulacin del proceso
Diseo de control en simulacin del proceso anaerbico (Mayo
2011))
Estudio de la fase de acoplamiento del proceso anaerbico y el
sistema de generacin
Diseo de control para la optimizacin del potencial energtico
Validacin del sistema global va simulacin
Validacin experimental
Redaccin de tesis doctoral
42
D f
Defensa
de
d ttesis
i d
doctoral
t l

K. J. Gurubel, E. N. Sanchez, and S. Carlos-Hernandez, Dynamic

Learning Rate (D) for Recurrent High Order Neural Observer
(RHONO): Anaerobic Process Application, International Joint
Conference on Neural Networks San Jose, California July 31 August 5,
5 2011

K. J. Gurubel, E. N. Sanchez, S. Carlos-Hernandez and F. Ornelas

p
Neural Control for Anaerobic Digestion
g
Inverse Optimal
Processes, to Increase Methane Production
(en revisin)

43

[1] F. Ornelas, E. N. Sanchez and A. G. Loukianov, Decentralized inverse

optimal neural control for trajectory tracking
tracking, Proceedings of the Annual
Conference of Mexican Association of Automatic Control (AMCA2010),
October, 2010
[2] M. Z. C. Wanik and I. Erlich
Simulation
of
Microturbine
Generation System Performance during Grid Faults under new Grid
Code Requirements, IEEE Bucharest Power Tech Conference, June 28July 2 2009,
2009 Bucharest,
Bucharest Romania
[3] A. Bertani, C. Bossi and F. Fornari, A Microturbine Generation System
for Grid Connected and Islanding Operation, Accepted for presentation
att IEEE PSCE 2004,
2004 New
N
Y k October
York,
O t b 10-13,
10 13 2004
[4] D. N. Gaonkar, and R. N. Patel, Modeling and Simulation of
y
, Department
p
of
Microturbine Based Distributed Generation System,
Electrical Engineering, Indian Institute of Technology Roorkee, Roorkee,
Uttaranchal, INDIA, 0-7803-9525-5/06 2006 IEEE.

44

45

Generacin de energa del gas

metano

Flujo de biogs = (Flujo de agua) X (Carga orgnica) X (Eficiencia) X

(
(Coeficiente)
)

Flujo de agua= 1.16 L/seg= 100 m3/da

Carga orgnica= 6000 mg/L DQO= 6 Kg/m3
Eficiencia= 80%
Coeficiente=0.5m3 biogs/Kg DQOremovido

Flujo de biogs= 240m3 biogs/da

Energa elctrica= (Flujo de biogs) X (Energa contenida) X (Eficiencia del

generador)

Flujo de biogs= 20m3/hr

Energa contenida 60% de CH4 = 6Kwhr/m3
Eficiencia= 40%

Energa elctrica= 48 Kwhr o 48 KVA

46

47

48