Estrategias MPC para máquina de inducción usando NPC de 3 niveles.

Pablo Briceño Navarro

4 de diciembre de 2017

Resumen
El siguiente documento tiene por objetivo entregar resultados de simulación para la comparación de dos
estrategias de control usando control predictivo. Una corresponde al control directo de torque, llamada MPDTC
(Model Predictive Direct Torque Control, por sus siglas en inglés), mientras que la otra corresponde a control
directo de flujo, que se abrevia como MPSFC (Model Predictive Stator Flux Control, por sus siglas en inglés).
Ambas estrategias fueron implementadas en una máquina de inducción, usando un inversor de tres niveles
de neutro anclado (conocido como NPC). Adicionalmente, se agregaron estudios de compensación de tiempos
muertos en los semiconductores y retardos en el tiempo de cálculo de los algoritmos planteados, junto con la
introducción de errores en los parámetros de la máquina.

1. Introducción.
El masivo uso de componentes de semiconductores en accionamientos eléctricos, junto con estrategias de control
cada vez más sofisticadas, requieren el uso de la inclusión de modelos más precisos del sistema de estudio, in-
cluyendo la naturaleza discreta de los semiconductores, junto las restricciones propias del accionamiento (como
la tensión disponible en el enlace de tensión continua) y de operación del accionamiento en conjunto (limitar
la máxima corriente que podrı́a circular). En este escenario, el control predictivo asoma como alternativa dado
que permite incluir la naturaleza discreta de los inversores y restricciones técnicas, además incorpora las ventajas
actuales de los sistemas de control como la rapidez de las plataformas de control digital (DSP y FPGA), las cuáles
realizan sus cálculos y acciones en tiempos discretos.

La técnica de control desarrollada en éste documento requiere minimizar, en cada instante de muestreo, una fun-
ción de costos, considerando para ello el error en entre la referencia de las variables a controlar y la estimación
de la misma. La principal desventaja del control predictivo (según el contexto de éste trabajo) yace en la nece-
sidad de saber ponderar los errores, lo que se conoce como la elección de los pesos adecuados. Normalmente la
elección adecuada de dichas constantes requiere de simulaciones, según el punto de operación y variables a con-
trolar, por lo que siempre se debe considerar que el aumento del factor de peso de una variable perjudica a las otras.

En el siguiente documento las variables de la máquina a controlar con el torque electromagnético, flujo de estator
y velocidad de la máquina. Las dos primeras se controlan mediante la estrategia de control predictivo, mientras
que la variable mecánica se controla mediante un controlador lineal, cuyo lazo de control anida al lazo de torque.
Para la estrategia MPC, se hace uso de un control directo de torque, de ahora en adelante MPDTC, y otra de flujo

1
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

de estator y que se denotará como MPSFC. Ambas estrategias necesitan un modelo de la máquina de inducción
discreta, habiendo más de una posibilidad de modelamiento, pero en éste trabajo se hará uso de las aproximaciones
mostrados en [1] y en [2], donde la primera considera una discretización de una matriz de estados lineal variante
en el tiempo, mientras que la segunda referencia ocupa una aproximación descompuesta en dos partes; primero se
aproxima por el método de Euler para luego calcular un promedio entre la estimación anterior y Euler.

Una vez que las estrategias se implementan se pone a prueba la robustez de los algoritmos frente a cambios en
los parámetros del sistema, evaluando también observadores lineales y Filtro de Kalman. Finalmente se agrega
el efecto de tiempo muerto en los semiconductores para observar el deterioro del comportamiento y un método
sencillo de compensación en el esquema de control.

2. Discretización del sistema

2.1. Aproximación con sistema lineal variante en el tiempo.
Para este caso se considera que las ecuaciones de la máquina pueden ser representadas en términos de las variables
de estado complejas (fasores espaciales)de corriente i s y flujo de rotor ψre , involucrando de esta forma la dinámica
tanto de estator como de rotor y sin crear acoplamientos entre señales complejas, simplificando la el modela. La
corriente de estator está gobernada por una dinámica rápida, junto con el hecho de que medir esta variable es mucho
más sencillo, por lo que la utilización de dicha variable es ideal para estrategias de control de altas prestaciones
dinámicas, tal como se menciona en [3]. En base a lo expuesto, y considerando un sistema de referencia fijo al
estator, las ecuaciones complejas utilizadas en este trabajo son
dψα kr ψα kr ωψβ vα
τσ + iα = + + (1)
dt rσ τr rσ τσ
dψβ kr ψβ kr ωψα vβ
τσ + iβ = − + (2)
dt rσ τr rσ τσ
dψα
τr + ψα = Lm iα − ωτr ψβ (3)
dt
dψβ
τr + ψβ = Lm iβ + ωτr ψα (4)
dt
Donde los valores de τσ y τr con constantes de tiempo asociados a los devanados, rσ corresponde a una resistencia
equivalente y Lm corresponde al parámetro concentrado de inductancia magnetizante. Todos estos parámetros se
encuentran detalladas en [3]. El sistema expresado como matriz de estado, queda de la siguiente forma:
      
kr ωm (t)
i̇α − τ1σ 0 kr
τ σ rσ τ r τ σ rσ   i α
1
0
     τσ rσ  
− τ1σ − krτωσmrσ(t)
   kr    1 
 i̇β   0   i
τ σ rσ τ r   β 
  0 τσ rσ  vα 

 = + (5)
   Lm 1     
ψ̇α   τ 0 − τr −ω m (t)  ψ α   0 0  vβ
   r    
Lm 1
ψ̇β 0 τr ω m (t) − τr ψ β 0 0
Donde se observa que ciertos términos de la matriz de estado son dependientes del tiempo, por lo que discretizar
la matriz requiere el uso del Teorema de Caley Hamilton enunciado en [4], capı́tulo 4. El proceso se simplifica si
es que se aı́slan los términos dependientes de tiempo con los coeficientes constantes:
   
kr ωm (t)
− τ1σ 0 τ
kr
r
σ σ rτ 0 0 0 0 τ r
σ σ
   
 kr   kr ωm (t) 
 0 − τ1σ 0 
τ σ rσ τ r 
0 0 − τ σ rσ 0 
A= 
 +
 
 (6)
 Lτm 1
0 − τ 0  0 0 0 −ω m (t) 
 r r   
Lm 1
0 τr 0 − τr 0 0 ω m (t) 0
| {z } | {z }
Ac Aw (t)

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

En [1] se sugiere que, para discretizar la matriz de estado y obtener Φ, se puede utilizar la siguiente igualdad:
Φ = eATs = e(Ac +Aw (t))Ts (7)
Con Ts como tiempo de muestreo.

En [5], se hace notar que la ecuación (7) es válida si y solo sı́ Ac Aw = Aw Ac , situación que no es válida en este
caso. Pero en la misma publicación [5] y [1], se muestra que la aproximación es mejor que la aproximación clásica
de Euler ([6], capı́tulo 8).

Por lo tanto la matriz eAw (t)Ts puede ser expresada, usando el Teorema de Caley-Hamilton, como:
 
1 0 −kr (cos(Ts ω) − 1)/(rσ τσ ) kr sin(Ts ω)/(rσ τσ )
 
 
Aw (t)Ts
0 1 −k r sin(T s ω) −k r (cos(T s ω) − 1)/(rσ τσ ) 
e = 
 (8)
0 0 cos(Ts ω) sin(Ts ω) 
 
0 0 sin(Ts ω) cos(Ts ω)
La matriz eAc Ts puede ser aproximada, por sencillez, mediante la expansión Taylor de segundo orden:
Ts2 A2c
eAc Ts ≈ I4x4 + Ts Ac +
2
Con I4x4 como la matriz identidad de orden 4.
Finalmente se establece que la matriz eAc Ts se calcula de manera offline, mientras que eAw Ts se calcula en cada
instante de medición. Finalmente la matriz Φ se obtiene multiplicando ambas expresiones mencionadas.

Con todo lo anterior, solo resta discretizar la matriz asociada a la alimentación del modelo. Dicha matriz corres-
ponde a B y se denota como Γ en el espacio discreto y se calcula como:
Z Ts
Γ= eAτ Bdτ
0
Y dado la forma de la matriz B, el producto vectorial dentro de la integral no considera términos dependientes del
tiempo, por lo que finalmente, se obtiene:
 
Ts
0
 τσ rσ 
 Ts 
 0 
τσ rσ 
Γ = eATs B = eAc T s B ≈ 
 
 0 0 
 
0 0

2.2. Aproximación mediante el método de Heun

Éste método se basa en la estimación usando dos etapas, donde primero se estima con el método de Euler hacia
adelante y luego esa estimación se ocupa para corregir y obtener el verdadero valor. El último paso se basa en
el promedio de dos pendientes, que ,en el caso de interés de matrices de estado, corresponde a la derivada de los
estados:

xpk+1 = xk + Ts (Axk + Buk ) (9)

Ts
xk+1 = xpk+1 + A(xpk+1 − xk ) (10)
2
Donde la primera ecuación se le conoce, según [2], como predictor, mientras que a la segunda ecuación se le conoce
como corrector.
Por lo tanto, cada vez que se requiera predecir un nuevo instante futuro, se deben hacer dos cálculos por estado.
Pero a diferencia del método anterior, no se actualiza la matriz de estado en cada instante de muestreo y tampoco
requiere el uso de funciones trigonométricas.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

3. Convertidor NPC de 3 Niveles

El convertidor NPC (Neutral Point Clamped) de 3 niveles, mostrado en la Figura 1, posee 4 IGBTs por fase, junto
con 2 diodos adicionales en los IGBT del centro, que yacen conectadas con el punto neutro del DC-LINK. Este
convertidor es de la familia de inversores fuente de tensión multinivel, siendo una de sus principales ventajas poder
trabajar con accionamientos con niveles de tensión mayores (comparado con un inversor de 2 niveles) y disminuir
el efecto de distorsión sobre la tensión de salida.

Figura 1: Inversor NPC de 3 niveles.

La tensión de salida, entre fase y punto neutro del convertidor toma valores discretos de [−Vdc /2, 0, Vdc/2], por lo
que existen 27 estados que puede producir el inversor, donde se deben energizar solo dos IGBTs en serie a la vez,
tal como se muestra en la Tabla 1

Sx Sx1 Sx2 Sx3 Sx4 vxN

+ 1 1 0 0 Vdc /2
0 0 1 1 0 0
- 0 0 1 1 −Vdc

Tabla 1: Estados posibles de conmutación para los IGBTs de cada fase, donde x = [a, b, c].

En la Figura 2, se representan los 27 estados posibles que logra tomar el inversor mencionado, en el plano Real-
Imaginario. Nótese la presencia de estados redundantes, los cuáles van desde el fasor 19 al 27 y que son inherentes
en la topologı́a utilizada, pero que pueden ser aprovechados para evitar cambios bruscos en las conmutaciones, es
decir, evitar pasar de un estado + a un estado − (o viceversa) sin antes pasar por 0.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

(-,+,-) (0,+,-) (+,+,-)

(0,+,0) (+,+,0)
(-,+,0) (+,0,-)
(-,0,-) (0,0,-)

(-,-,-)
(0,+,+) (+,0,0)
(-,+,+) (0,0,0) (+,-,-)
(-,0,0) (0,-,-)
(+,+,+)

(0,0,+) (+,0,+)
(-,0,+) (+,-,0)
(-,-,0) (0,-,0)

(-,-,+) (-,0,+) (+,-,+)

Figura 2: Representación de los estados, dispuesto en un plano Real-Imaginario, que puede tomar el inversor NPC.
Imagen extraı́da de [6].

4. Resultados de simulación
4.1. Estrategia MPDTC con espacios de estados lineales y variantes en el tiempo
En esta sección se muestran los resultados para la estrategia de control utilizando control directo de torque.
El algoritmo de control se basa en al idea de minimizar el error entre el torque deseado y el electromagnético
desarrollado. Éste último depende de la interacción entre el flujo y corriente de estator, ambas variables se pueden
controlar con la tensión aplicada a la máquinas. La expresión de torque electromagnético también puede obtenerse
del uso de el flujo de estator y el flujo de rotor:
3 3pkr
Te = pℑ {ψs∗ is } = ℑ {ψs ψr∗ }
2 2σLs
Dado que para un mismo valor de torque electromagnético, es posible obtener más de una combinación entre
fasores de corriente y flujos, por lo que es más cómodo definir una referencia de magnitud de flujo y estimar flujos
y ángulos, a partir de la variable que es posible de medir, que corresponde a la corriente de estator.
Por lo tanto, el algoritmo de control se puede escribir de la siguiente forma:
1) Se miden las corrientes y velocidad de la máquina, en el instante k.
2) Se estima el flujo de estator ψs , para el instante k usando la siguiente relación:

ψsk = ψsk−1 + Ts (Vk − rs isk ) (11)

3) Con la ecuación (11) se calcula el flujo de rotor:

 
ψsk Lr Lr Ls
ψr k = + isk Lm − (12)
Lm Lm

4) Se estima los valores futuros de flujo de rotor, ψrk+1 , y corriente de estator, isk+1 usando la ecuación (5),
usando el valor óptimo de tensión Vk de la iteración anterior.
5) Con las estimaciones de las variables de estado, se procede a buscar el nuevo vector óptimo para hallar la
h iT
estimación del iαk+2 iβk+2 ψrαk+2 ψrαk+2 . Dicho vector se vuelve importante de conocer, dado que con
esto se reduce el error introducido por el delay producto del cálculo en el algoritmo en las plataformas de im-
plementación en tiempo real. Dicho efecto se menciona en [1], [2] y [6] y se basa en el hecho de que el cálculo
iterativo del algoritmo requiere tiempo de procesamiento por lo que la medición hecha en el instante k para

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

obtener el vector óptimo que minimice el error, se comienza a aplicar recién en el instante k + 1 y no se ve su
efecto hasta la siguiente medición, es decir, en el instante k + 2. Por lo tanto se hace énfasis en que la mejor
forma de compensar dicho efecto es predecir hasta el instante k+2, previo conocimiento de la estimación en el
instante k +1 de las variables de interés, sabiendo que se conoce el vector de tensión de la estimación anterior.

Por lo tanto, se hace uso de la ecuación (5), cambiando los estados k por k + 1 y evaluando 19 estados de
conmutación del inversor (ya que no se consideran los redundantes y tampoco buscará minimizar el número
de conmutaciones en éste trabajo), para hallar el vector de tensión óptimo aplicar.
6) Con la predicción de los estados ψrk+2 y isk+2 , se procede a conocer la predicción de ψsk+2 y Torque
electromagnético Tek+2 usando la siguiente expresión:

ψsk+2 = σLs isk+2 + Lm bmψrk+2 (13)

3pkr n o
Tek+2 = ℑ ψsk+2 ψr∗k+2 (14)
2σLs
7) La función de costos, J, a minimizar considera el error en el torque electromagnético y en la magnitud de
flujo de estator Ψs . Adicionalmente, se debe considerar la tensión en los condensadores, las cuáles deben
ser balanceadas. Dichas tensiones poseen una dinámica asociada, y que dependen de cada conmutación, tal
como se explicita en [7] y el capı́tulo 8 de [6]. Por lo tanto, la función de costos considera:

(Tref − Tek+2 )2
J= + λψ (Ψs − Ψsk+2 )2 + λvdc (vdc1 − vdc2 ) (15)
Tn2
Siendo los coeficientes λψ y λvdc los denominados pesos de la función de costos y que tienen el fin de
asignar importancia al error, por lo que el fin de mejorar una variable, se deteriora otra. Nótese que se ha
considerado el error cuadrático, ya que da mejores resultados para el caso de control de más de variable con
igual importancia ([6], capı́tulo 11, sección 3).
8) Se actualizan las variables de interés y se almacena el vector de tensión óptimo.
La referencia de torque es generada por un controlador de velocidad lineal, cuya entrada es el error de velocidad.
Dicho controlador se ajusta como un P I con un esquema de antienrrollamiento, donde los parámetros han sido
extraı́dos de [6], junto con los parámetros de la máquina.

Los pesos de λψ y λvdc corresponden a 0, 85 y 0, 01, respectivamente. Los resultados de las variables de flujo de
estator ψs , torque electromagnético, corriente de fase y tensión en los condensadores se muestran a continuación,
con una referencia de velocidad de 300 rad/s y aplicación de carga mecánica de 15 N m a los 2 de segundos.

25

20
Torque electromanético[Nm]

15

10 16

15
5
14

-5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 3: Torque electromagnético desarrollado por la máquina, durante arranque y perturbación mecánica.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

En la Figura 3, se aprecia como se comporta el torque electromagnético, donde en los primeros instantes se aplica
un torque de valor medio 20 N m y que corresponde a la saturación del controlador P I. Cuando se alcanza la
referencia de velocidad, el torque se reduce a cero y al ocurrir la perturbación mecánica, el controlador reacciona
cambiando la referencia de torque. Frente a esto el algoritmo logra predecir los cambios y obtener un valor medio
de torque igual al mecánico, pero con cierto ripple de alrededor de 0, 4 N m y THD de 1, 966. Con respecto a las
oscilaciones que se muestran antes del segundo 1, se hace hincapié que esto proviene de las oscilaciones de la in-
teracción de flujo de estator y corrientes de estator, junto con la dinámica propia de la máquina al ser magnetizada.

Por otro lado, la magnitud de flujo de estator, mostrado en la Figura 4, alcanza rápidamente un valor cercano a
la referencia, pero con oscilaciones en un principio. Cuando el torque electromagnético se hace cero, se nota un
leve aumento en la magnitud de flujo. Al ocurrir la perturbación mecánica, se nota nuevamente una disminución
de flujo causada por una disminución en el valor de medio de la tensión del enlace DC, tal como se alcanza ver
la Figura 6 y además se logra apreciar que al reducirse la magnitud del torque electromagnético, el ripple de las
tensiones se reducen.

0.8

0.7

0.6
[Wb]

0.5 0.72
s

0.7
Magnitud de

0.4
0.68

0.3 0.66

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 4: Flujo enlazado por estator, durante arranque y perturbación mecánica.

Finalmente la corriente de una de las fases de la máquina se puede apreciar en la Figura 5. Se alcanza un
comportamiento sinusoidal a magnitudes grandes, mientras que a referencias pequeñas el ripple se vuelve más
notorio. El valor de THD, después de que se aplica carga, en estado estacionario corresponde 0, 098, mientras que
el THD en vacı́o y girando a velocidad de referencia, corresponde a 0, 19.

80

60
Corriente de fase [A]

40

20

-20

-40
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 5: Corriente de una fase de estator durante arranque y perturbación mecánica.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

266
Tensión C 1
265 Tensión C 2

264

263

262
Tensión [V]

261

260

259

258

257

256
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 6: Tensión en los condensadores del inversor.

4.2. Estrategia MPDTC con modelo por aproximación de Heun

Para esta sección se realiza nuevamente un control de torque, pero esta vez el modelo implementado considera la
aproximación de Heun, de una forma similar a [2]. Por lo tanto, se deben hacer ciertos cambios en el algoritmo
mencionado 4.1:

1) Se miden las corrientes y velocidad de la máquina, en el instante k.

2) Se estima el flujo de estator ψs , para el instante k usando la siguiente relación:

ψsk = ψsk−1 + Ts (Vk − rs isk ) (16)

3) Con la ecuación (11) se calcula el flujo de rotor:

 
ψsk Lr Lr Ls
ψr k = + isk Lm − (17)
Lm Lm

4) Se estima los valores futuros de flujo de rotor, primero con la ecuación (9) para luego aplicar (10):

 i = i (1 − T s ) + T k ψr − jT ω ψr kr + v Ts
sp1 s τσ s r τ r rσ τ σ s rσ τ σ k τ σ rs σ
Predicción: (18)
L ψ
 ψ = ψ + T (i m + r + jωψ )
rp1 r s s τr τr r


 i = i − 0,5T (i − i ) 1 + 0,5T (ψ − ψ ) kr + 0,5T (ψ − ψ )ω
sk1 s s sp1 s τσ s rp1 r rσ τ σ τ r s rp1 r
Corrección: (19)
 ψ = ψ + 0,5T (i − i ) Lm − 0,5T (ψ − ψ ) 1 − j0,5T (ψ − ψ )ω
rk1 r s sp1 s τr s rp1 r τr s rp1 r

5) Con las estimaciones de las variables de estado, se procede a buscar el nuevo vector óptimo para hallar la
h iT
estimación del iαk+2 iβk+2 ψrαk+2 ψrαk+2 . Para esto, se puede aproximar utilizando el método de Euler.

6) Con la predicción de los estados ψrk+2 y isk+2 , se procede a conocer la predicción de ψsk+2 y Torque
electromagnético Tek+2 usando la siguiente expresión:

ψsk+2 = σLs isk+2 + Lm bmψrk+2 (20)

3pkr n o
Tek+2 = ℑ ψsk+2 ψr∗k+2 (21)
2σLs
7) La función de costos, J, a minimizar es la misma que la ecuación (15).

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

8) Se actualizan las variables de interés y se almacena el vector de tensión óptimo.

Para este escenario se consideraron los parámetros de la tabla 2

Ts Saturación
Ts vdc C1 C2 λψ λvdc
PI velocidad PI velocidad
66, 67µs 533 V 10mC 10mC 2 ms 20 Nm 1,734 0,005

Tabla 2: Parámetros considerados en las simulaciones

Las simulación considera el mismo escenario que la sección anterior, donde se exige una referencia de velocidad
igual a 300 rad/s y en el segundo 2, la máquina es perturbada con una carga igual a 15 N m.
En este caso el efecto de la aproximación soluciona el problema del ripple en el flujo de estator, mejorando con ello
el THD de la corriente de fase. Por otro lado el torque electromagnético se ve desfavorecido, ya que el ripple de
aumenta, tal como se logra apreciar en la Figura 7. El valor del THD asciende a 5, 089 y un ripple mayor a 1 N m.

25

20
Torque electromagnético [Nm]

15 22

21

10 20 16
19
15
18
5
14

0 13

-5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 7: Torque electromagnético desarrollado por la máquina, durante arranque y perturbación mecánica usando
un modelo discreto de la máquina de inducción por el método de Heun.

La magnitud de flujo de estator, mostrada en la Figura 8 , posee menos oscilaciones comparado con lo expuesto
en la Figura 4. El THD corresponde a 1, 169, junto con un ripple de 0, 03 W b. Se advierte que el valor medio del
flujo coincide con la referencia, diferencia del caso anterior.

Finalmente la corriente de una de las fases de la máquina, expuesta en la Figura 9, se logra apreciar que la señal es
más sinusoidal, comparada con la señal de la Figura 5. El THD, en los instantes de mayor amplitud de corriente,
corresponde a 0, 064 y a 0, 2 en los instantes de de menor amplitud de corriente.

Se advierte que el funcionamiento del sistema depende fuertemente de la aproximación utilizada en el modelo
discreto, ya que se ven deterioradas las señales de interés (flujo o torque electromagnético), en un caso u otro.
Para la estrategia de control directo de torque, se advierte que la aproximación por el método de Heun mejora el
control sobre el flujo de estator, pero en desmedro del ripple del torque desarrollado por la máquina.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

0.8

0.7

[Wb] 0.73
0.6
0.71
s
Magnitud de

0.5 0.69

0.67

0.4

0.3

0.2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]

Figura 8: Flujo enlazado por estator, durante arranque y perturbación mecánica, para modelo discreto utilizando
el método de Heun.

80

60

40
Corriente [A]

20

-20

-40
0 0.5 1 1.5 2 2.5 3 3.5 4
Tiempo [s]

Figura 9: Corriente de una fase de estator durante arranque y perturbación mecánica.

4.3. Estrategia MPFSC

En esta estrategia se desea controlar la trayectoria de flujo de estator, dando solo la magnitud de flujo. Dentro
de la función de costos no se considera el torque electromagnético, por lo que solo se evaluarán dos funciones.
Al ocupar un controlador externo de velocidad es posible entregar una referencia de torque electromagnético y
será ésta la que permita calcular las referencias adecuadas de posición angular del flujo.

Los modelos que describen a la máquina de inducción, son los mismos que las secciones anteriores, por lo que se
hará referencia a las ecuaciones ya mencionadas, cambiando o agregando sólo lo necesario para la implementación
de ésta nueva estrategia. En particular la presente sección se basa en los trabajos [2], en la cual se trabaja solo
un inversor de dos niveles y la proyección hacia un inversor de tres niveles se trata en [8], donde se comenta que
abordar los pesos de la función de costos no es sencilla, por lo que decide usar técnicas de modulación.

El algoritmo para una aproximación utilizando un modelo lineal variante en el tiempo (LVT), se establece de la
siguiente forma:

1) Se miden las corrientes y velocidad de la máquina, en el instante k.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

2) Se estima el flujo de estator ψs , para el instante k usando la siguiente relación:

ψsk = ψsk−1 + Ts (Vk − rs isk ) (22)

3) Con la ecuación (11) se calcula el flujo de rotor:

 
ψsk Lr Lr Ls
ψr k = + isk Lm − (23)
Lm Lm

4) Se estima los valores futuros de flujo de rotor, ψrk+1 , y corriente de estator, isk+1 usando la ecuación (5),
usando el valor óptimo de tensión Vk de la iteración anterior.
5) Con las estimaciones de las variables de estado, se procede a buscar el nuevo vector óptimo para hallar
h iT
la estimación del iαk+2 iβk+2 ψrαk+2 ψrαk+2 . Por lo tanto, se hace uso de la ecuación (5), cambiando
los estados k por k + 1 y evaluando 19 estados de conmutación del inversor (ya que no se consideran los
redundantes y tampoco buscará minimizar el número de conmutaciones en éste trabajo), para hallar el vector
de tensión óptimo aplicar.
6) Con la predicción de los estados ψrk+2 y isk+2 , se procede a conocer la predicción del ángulo de ψs , denotado
como ∠ψs :
ψsk+2 = σLs isk+2 + Lm ψrk+2 (24)
q
Ψrk+1 = ψr2α + ψr2β (25)
 
Tref
∠ψs = ∠ψr + arcsin (26)
kT Ψr Ψsref

7) La función de costos, J, a minimizar considera:

J = λψ (Ψsref − Ψsk+2 )2 + λvdc (vdc1 − vdc2 )2 (27)

8) Se actualizan las variables de interés y se almacena el vector de tensión óptimo.

Por otro lado el algoritmo para el modelo discreto de la máquina eléctrica basado en el método de Heun, establece
los mismos pasos que los señalados en la sección 4.2, cambiando las ecuaciones de los pasos 6 y 7 por las ecuaciones
(24), (26) y (27).

Las simulaciones implementadas para ambos algoritmos mencionados, consideran los parámetros en las tablas 3 y
4.

Ts Saturación
Ts vdc C1 C2 λψ λvdc
PI velocidad PI velocidad
66, 67µs 533 V 10mC 10mC 2 ms 20 Nm 0,5 0,005

Tabla 3: Parámetros considerados en las simulaciones para algoritmo usando modelo lineal variante en el tiempo
(LVT).

Ts Saturación
Ts vdc C1 C2 λψ λvdc
PI velocidad PI velocidad
66, 67µs 533 V 10mC 10mC 2 ms 20 Nm 2,04 0,0002

Tabla 4: Parámetros considerados en las simulaciones para algoritmo usando aproximación de Heun.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

La magnitud de flujo de estator se aprecia en la Figura 10, evidenciando problemas en el valor medio del flujo
de estator para el modelo LVT, pero al mismo tiempo es el que menos ripple presenta, a diferencia del modelo
con aproximaciones del método por Heun. El origen de la diferencia recae en el impacto en la tensión de los
condensadores y en los errores del modelo introducido.

0.8
Modelo LVT
Aproximación por Heun

0.75
[Wb]

0.7
s
Magnitud de

0.65
0.75
0.75

0.6 0.7
0.7

0.65
0.55 0.65

0.5
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 10: Flujo enlazado por estator, durante arranque y perturbación mecánica, usando MPFCS.

Con respecto al torque electromagnético desarrollado bajo control de flujo directo, mostrado en la Figura 11, se
aprecia que existe un aumento del ripple comparado con los casos de estudio expuestos en la Figuras 3 y 7. EL
valor del THD para el modelo LVT, alcanza un valor de 4, 3 con ripples del orden de 1 N m.

Figura 11: Torques electromagnéticos durante arranque y perturbación mecánica, usando MPFCS.

Finalmente, las corriente de unas de las fases de la máquina presentan un comportamiento demasiado distintos
en cuanto a fase. Esta perturbación adicional es compensada por el controlador lineal de velocidad, exigiendo un
poco más de torque. De ésta forma el ángulo del flujo de estator aumenta, con ello la referencia de componente
imaginaria del flujo de estator.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

60
20
20

50 10 10

0
0
40 -10
-10
-20
30 -20
Corriente [A]

20

10

-10

-20

-30
0 0.5 1 1.5 2 2.5 3
Timepo [s]

Figura 12: Corrientes durante arranque y perturbación mecánica. Color azul par modelo LVT y color naranjo para
modelo por Heun.

Para ambas señales, el valor del THD está alrededor de 0, 098, un tanto mayor que en el caso analizado en la
Figura 9 y similar al del caso de la Figura 5. En éstas circunstancias el, modelo por aproximación de Heun entrega
mejores ı́ndices, a pesar de la perturbación adicional que introduce.

Los resultados anteriores presentan demasiado ripple e introducen errores producto del modelado, por lo que definir
que modelo genera mejores desempeños (menor ripple, menor THD y seguimiento de referencia), dado el punto de
operación seleccionado, no es posible. Los resultados presentados, pueden ser mejorados con la incorporación de
observadores que permitan mejorar la estimación de las variables de estado. Los resultados serán presentados en
la siguiente sección.

5. Desempeño con observadores

En esta sección se pretende evaluar el comportamiento de distintos observadores en conjunto con los esquema MPC
ya estudiados. La principal función de los esquemas de observación serán para estimar el flujo de rotor ψrk , lo que
se traduce en que los algoritmos de control predictivo dejan de estimar el flujo de rotor a partir de la medición de
tensión y corriente de la máquina. Por lo tanto los algoritmos y modelos son los mismos que las secciones previas,
al igual que las topologı́as.

Como primer escenario se presenta el uso de un Filtro de Kalman, el cual consiste en un observador estadı́sticamente
óptimo, donde se hace una predicción y corrección en cada instante en base al modelo de máquina (descrito por
el método de Euler) y a las mediciones, seleccionando en cada instante cuál es la más confiable. El diseño de
este observador considera el clásico Filtro de Kalman, no extendido dado que se considera la velocidad como un
parámetro y no una estado a observar. La base de las ecuaciones se extrajo de [9]. Los resultados se aprecian en
las Figuras 13 y 14, viendo claramente una mejora en comparación a las secciones anteriores de control directo
de torque, dado que el valor del THD se redujo al igual que el ripple en la magnitud de flujo de estator. Como
comentario adicional, el filtro de Kalman fue ajustado para velocidades pequeñas, por lo que a velocidades altas
como 300 rad/s existe un error que puede ser resulto ajustando las matrices del Filtro en cuestión.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

35
Corriente [A]
25 THD =0,05
10
-5
-20
-35
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
0.8
de s [Wb]

Valor medio 0,68

Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Torque [Nm]

Valor medio 15,05

20
15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 13: Resultados de corriente, flujo de estator y torque electromagnético usando Filtro de Kalman y LTV
para MPDTC.
Corriente [A]

THD=0,41
20
0
-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,69 [Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
Torque [Nm]

Valor medio=15,06 [Nm]

20

10

0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 14: Resultados de corriente, flujo de estator y torque electromagnético usando Filtro de Kalman y método
de Heun para MPDTC.

En el caso del observador de Luenberger de orden completo [4], utiliza el error entre la medición de la corriente y
su estimación para lograr la estimación del flujo de rotor. Se debe proporcionar una dinámica al observador, lo que
implica el diseño de una matriz de ganancias para dicha tarea. En las Figuras 15 y 16 se muestra el desempeño
de la estrategia MPDTC utilizando dicho observador lineal. En ambos escenarios se aprecia que los resultados son
favorables, logrando un bajo valor de THD en la corriente y manteniendo la consigna de flujo deseado, junto con
un ripple pequeño en el torque.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

Corriente [A]
THD=0,048
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,695 [Wb]
[Wb]
Magnitud

0.75

0.7
s
de

0.65

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Torque [Nm]

valor medio=15,07 [Nm]

20
15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 15: Resultados de corriente, flujo de estator y torque electromagnético usando observador de Luenberger
de orden completo y LTV para MPDTC.
Corriente [A]

THD=0,045
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]

0.8
Valor medio=0,707[Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
Torque [Nm]

Valor medio=15,06[Wb]
20

10

0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 16: Resultados de corriente, flujo de estator y torque electromagnético usando observador de Luenberger
de orden completo y método de Heun para MPDTC.

En el caso del observador de orden reducido [10], no se vuelve a estimar la variable medida (corriente de estator).
Al igual que el observador de orden completo, se requiere de un diseño de la dinámica, la cuál se hace ajustando
una matriz de ganancias de forma tal de ubicar los polos del observador a voluntad. A diferencia de los resultados
expuestos por un observador de orden completo, el ripple de las corrientes y valor medio de torque y flujo se ven
deteriorados, tal como se expone en las Figuras 17 y 18. Se resalta la rápida respuesta por parte del observador
reducido, a diferencia del observador de orden completo.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

Corriente [A]
THD=0,053
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,698 [Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Torque [Nm]

20 Valor medio=15,063[Nm]
15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 17: Resultados de corriente, flujo de estator y torque electromagnético usando observador de Luenberger
de orden reducido y LTV para MPDTC.
Corriente [A]

THD=0,049
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,711[Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Torque [Nm]

Valor medio=15,08[Nm]
20
15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 18: Resultados de corriente, flujo de estator y torque electromagnético usando observador de Luenberger
de orden reducido y método de Heun para MPDTC.

Finalmente, se evaluá el comportamiento de un modelo del sistema adaptativo de referencia (MRAS por sus siglas
en inglés). Éste observador se basa en la comparación de un modelo de tensión, que se ocupa como referencia, y
corriente para conocer la velocidad de giro de la máquina, junto la posición angular. Cuando los ambos modelos
generan coinciden el error se vuelve cero y el sistema se encuentra operando sin variaciones. El modelo utilizado se
basa en los trabajos de [11], [12] y [13]. La estimación de flujo de rotor se obtiene a partir del modelo de corriente
que, según los trabajos citados, presenta mejor comportamiento a bajas velocidades, hecho que se deja ver en
las Figuras 19 y 19, ya que a medida que la velocidad de giro de la máquina crece la estimación de flujo decae.
Finalmente, esto se traduce en error estacionario en cuanto torque, dado que el controlador de velocidad trata de
compensar las perturbaciones adicionales, aumentando la referencia de torque.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

Corriente [A]
THD=0,049
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,64[Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Valor medio=15[Nm]
Torque [Nm]

20
15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 19: Resultados de corriente, flujo de estator y torque electromagnético usando un modelo del sistema
adaptativo de referencia (MRAS, por sus siglás en inglés) y LTV para MPDTC.
Corriente [A]

THD=0,046
20

-20

0 0.5 1 1.5 2 2.5 3

Tiempo [s]
0.8
Valor medio=0,654 [Wb]
de s [Wb]
Magnitud

0.7

0.6
0 0.5 1 1.5 2 2.5 3
Tiempo [s]
25
Torque [Nm]

20 Valor medio=15,06 [Nm]

15
10
5
0
0 0.5 1 1.5 2 2.5 3
Tiempo [s]

Figura 20: Resultados de corriente, flujo de estator y torque electromagnético usando un modelo del sistema
adaptativo de referencia (MRAS por sus siglás en inglés) y método de Heun para MPDTC.

Se observa que el uso de los observadores mejora el THD de la corriente y ripple en el flujo de estator. A pesar de
esto pueden introducir perturbaciones adicionales, como lo son el hecho de no seguir la referencia de torque a la
salida del controlador de velocidad.

Para el caso de la estrategia MPDFC, se puede proceder de la misma forma, pero dado que ya se tiene una noción
de cuales observadores presentan mejores desempeños, dado el punto de trabajo y ajustes realizados, se procede a
mostrar solo el que da mejores resultados, en cuanto a seguimiento de referencia y comportamiento de la corriente
y torque electromagnético. En base las simulaciones, punto de operación deseado y ajuste de ganancias, el obser-
vador de orden reducido da mejores prestaciones para el modelo implementado.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

El comportamiento de las corrientes de la máquina, girando a 300 rad/s y con carga mecánica de 15 N m, para el
modelo discreto LVT y por método de Heun, se muestran en la Figura 21, donde se aprecia que el comportamiento
de las corrientes es muy sinusoidal con un reducido valor de THD en ambos caso. El desfase que se muestra
corresponde a las diferencias dinámicas de ambos métodos, junto con las perturbaciones adicionales que pueden
introducir.

25
THD LVT=0,036
20 THD Heun=0,037

15

10
Corriente [A]

-5

-10

-15

-20

-25
2.5 2.51 2.52 2.53 2.54 2.55 2.56 2.57 2.58 2.59 2.6
Tiempo [s]

Figura 21: Comportamiento de las corrientes para un algoritmo MPFCS, usando un sistema LVT discreto con un
modelo por método de Heun, usando un observador lineal de orden reducido.

En el caso de la magnitud de los flujos de estator, los resultados también son muy parecido, con una tendencia a
mejorar con el modelo lineal variante en el tiempo, tal como se aprecia en la Figura 22. En ambos escenarios el
ripple es pequeño y mucho mejor que lo presentado en la sección 4.3.

0.75
Valor medio método de Heun=0,706 [Wb]
0.74 Valor medio LTV=0,700 [Wb]

0.73

0.72
[Wb]

0.71
s
Magnitud de

0.7

0.69

0.68

0.67

0.66

0.65
2.5 2.505 2.51 2.515 2.52 2.525 2.53 2.535 2.54 2.545 2.55
Tiempo [s]

Figura 22: Comportamiento de la magnitud de flujos de estator para un algoritmo MPFCS, usando un sistema
LVT discreto con un modelo por método de Heun, usando un observador lineal de orden reducido.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

Finalmente se presenta en la Figura 23, el comportamiento del torque electromagnético desarrollado por la máqui-
na, en la condición mencionada usando un modelo discreto lineal variante en el tiempo. Se aprecia que la referencia
de torque es levemente mayor al valor medio desarrollado por la máquina, lo que se interpreta que las perturba-
ciones adicionales son pequeñas.

17
Valor medio Torque electromagnético= 15,07[Nm]
Valor medio Referencia Torque=15,14[Nm]
16.5

16

15.5
Torque [Nm]

15

14.5

14

13.5

13
2.5 2.505 2.51 2.515 2.52 2.525 2.53 2.535 2.54 2.545 2.55
Tiempo [s]

Figura 23: Comportamiento del torque electromagnético para un algoritmo MPFCS, usando un sistema LVT,
usando un observador lineal de orden reducido.

En las mismas condiciones de operación, pero utilizando un modelo discreto de máquina por el método de Heun,
se genera una mayor diferencia entre el torque desarrollado por la máquina y la referencia de torque, visible en la
Figura 24.

17
Valor medio Torque electromagnético=15,05 [Nm]
Valor medio referencia Torque=15,26 [Nm]
16.5

16

15.5
Torque [Nm]

15

14.5

14

13.5

13
2.5 2.505 2.51 2.515 2.52 2.525 2.53 2.535 2.54 2.545 2.55
Tiempo [s]

Figura 24: Comportamiento del torque electromagnético para un algoritmo MPFCS, usando un sistema LVT,
usando un observador lineal de orden reducido.

Se desprende que, en base al punto de operación deseado y condiciones expuestas de observador, el algoritmo

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

MPFCS funciona de mejor forma con un modelo discreto lineal variante en el tiempo. Además presenta un mejor
comportamiento que el algoritmo MPDTC, en cuanto a ripple en las variable de interés.

5.1. Desempeño sistema a varación de parámetros

En esta sección se observará el efecto que tienen sobre la estrategia MPDTC y MPFCS, con el uso de observadores,
frente a variación de parámetros, especı́ficamente variación en τr y τσ . Para llevar a cabo esto, se hará uso del
observador de orden completo con usando el modelo discreto de LVT en los dos algoritmos de control. La selección
del observador se debe a que el de orden reducido presenta más problemas de estabilidad frente a variaciones de
parámetros que de orden completo, por otro lado el Filtro de Kalman presenta buenos resultados frente a ruido en
las mediciones, pero no necesariamente es el mejor frente a variación de los parámetros, a pesar de esto, presenta
una mayor región de estabilidad, frente a variación de parámetros. Por otro lado el MRAS presenta mayor error
que los otros observadores, según lo expuesto en las Figuras 19 y 20.

En la Figura 25, se observa como el error en la magnitud del flujo aumenta a medida que la constante de tiempo
de rotor crece (con respecto al valor nominal, marcado con la lı́nea punteada). En ambas estrategias los errores
tienen la misma tendencia, pero dado los ajustes en los pesos, el error en MPFCS es menor. De todas formas, se
puede mejorar el error en la estrategia MPDTC, tendiendo en cuenta que se deteriora las otras variables. En ese
sentido la facilidad de ajuste en la estrategia MPFCS, junto con la robustez presentada, es superior y la razón de
ello proviene de la forma en que los algoritmos predicen las trayectoria del flujo. El MPFCS ocupa la predicción
de flujo de rotor y la salida del controlador PI, la cual es mayor al torque de carga para apoyar la predicción y
compensar el retardo en observación del flujo de rotor.

Por otro lado, en la Figura 26 se aprecia que el aumento en la constante de tiempo transitoria reduce el error,
siendo la estrategia MPFCS la más favorecida frente a la variación de los parámetros. A medida que Rs crece, el
error es mayor que el error provocado por el aumento de Rr .

Como comentario adicional, cuando el error en los parámetros resistivos es muy grande, la partida en la máquina
es compleja ya que alcanza valores de corriente excesivos, que en una implementación real puede dañar a los
semiconductores y a la máquina. Este arranque violento y nocivo puede ser cambiado por uno en donde la referencia
de velocidad sea una rampa y no un escalón de velocidad. A pesar de lo anterior, el Filtro de Kalman provee mayor
estabilidad, pero con error estacionario en la variable de flujo.

0.08
Crece Decrece
Rr Rr
0.07
MPDTC
MPFCS
[-]

0.06
s
Error magnitud

0.05

0.04

0.03

0.02
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
r
[s]

Figura 25: Comportamiento del error en la magnitud de flujo frente a variación de la resistencia de rotor, usando
observador de orden completo.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

0.11
MPDTC
MPFCS
0.1

0.09
Rs crece Rs decrece
[-]

0.08
s
Error magnitud

0.07

0.06

0.05

0.04

0.03

0.02
3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5
[ms]

Figura 26: Comportamiento del error en la magnitud de flujo frente a variación de la resistencia de estator, usando
observador de orden completo.

6. Compensación del tiempo muerto

En esta sección se muestran los efectos del tiempo muerto de los IGBTs y su algoritmo de compensación en las
estrategias MPDTC y MPFCS. Para esto se requiere de antemano conocer como se comporta el inversor durante
la aplicación del tiempo muerto, describiendo el fasor de tensión que se aplica durante dicho intervalo. Sabiendo
como se deforma la tensión, se puede agregar esa señal a los observadores y de esta forma mejorar la estimación
de flujo de rotor.

Como ya se mencionó en la sección 3, los IGBTs de una misma pierna se conmutan de forma negada, es decir, el
IGBT Sa1 se conmuta de forma negada con Sa3 y Sa2 con Sa4 y ası́ también con las otras dos fases. A diferencia
del inversor de dos niveles, se requiere analizar más de dos 4 situaciones, pero la idea de como abordar el problema
es la misma, tal como se identifica en [14],[15] y [16] . Para esta situación y basado en la Tabla 1, se procede a
construir una tabla para identificar el fasor de tensión que se aplica a la carga, observando solos los cambios por
fase, sabiendo que la naturaleza de la carga posibilita que la corriente vaya hacia la carga o provenga de la carga
durante el perı́odo de tiempo muerto. En la tabla 5, se resume las tensiones de fase que se aplican durante Td
segundos del tiempo muerto.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

Tensión durante Td
Cambio
ix ≥ 0 ix < 0
de estado
Desde + a 0 0 Vdc /2
Desde - a 0 −Vdc /2 0
Desde 0 a P 0 Vdc /2
Desde 0 a N −Vdc /2 0
Desde N a P −Vdc /2 Vdc /2
Desde P a N −Vdc /2 Vdc /2

Tabla 5: Valores de tensión que se aplica en la carga, según sentido de la corriente y cambio de un estado a otro,
para cada fase x = {a, b, c}.

Para la adecuada compensación del tiempo muerto (ajustado en 5µs), se debe introducir una secuencia de compa-
ración entre el vector de tensión aplicado y la predicción en el instante siguiente, si son distintos se debe preguntar
desde que y hasta que estado se cambia y en base a eso asignar una tensión. Al realizar dicho proceso por fase, se
procede a generar el fasor de tensión y a partir de este predecir el comportamiento de la corrientes y flujos durante
la aplicación del tiempo muerto. En el caso del MPDTC, se estima los estados de corrientes y flujos durante el
tiempo muerto, denotados como isTd (k + 1) y ψrTd (k + 1), obtenidos a partir de is (k + 1) y ψr (k + 1). Y solo
con los estados en el tiempo muerto se predice los estados en el instante k + 2, ejecutando el resto del algoritmo
adicional. Es importante mencionar que el fasor de tensión óptimo debe ser almacenado junto con el fasor de
tensión de tiempo muerto estimado, ya que le permitirá al observador conocer la perturbación.

10

5
Corriente [A]

-5

-10
1.42 1.44 1.46 1.48 1.5 1.52 1.54 1.56 1.58
Tiempo [s]

0.72
[Wb]

0.71
s

0.7
Magnitud de

0.69

0.68

0.67
1.42 1.44 1.46 1.48 1.5 1.52 1.54 1.56 1.58
Tiempo [s]

Figura 27: Corrientes de estator y magnitud de flujo de estator, girando a 300 rad/s sin carga y con referencia de
flujo nominal.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

30
Corriente [A] 20

10

-10

-20

2.45 2.46 2.47 2.48 2.49 2.5 2.51 2.52 2.53 2.54 2.55
Tiempo [s]

0.72
[Wb]

0.7
s
Magnitud de

0.68

0.66
2.35 2.4 2.45 2.5 2.55 2.6 2.65
Tiempo [s]

Figura 28: Corrientes de estator y magnitud de flujo de estator, girando a 300 rad/s con carga de 15 N m y con
referencia de flujo nominal.

Los resultados de la aplicación del algoritmo se muestran en las Figuras 27 y 28. En la primera Figura la máquina
gira a velocidad a 300 rad/s en vacı́o y en el instante de 1, 5 s se aplica la compensación, lo que trae consigo una
notable mejora en la forma de la corriente, en la forma del flujo de rotor y su contenido armónico. Por otro lado,
la Figura 28 evidencia el efecto de de la compensación, en el instante 2, 5 s cuando la máquina gira a 300 rad/s
con carga de 15 N m. Se observa la disminución del ripple en la corriente y la corrección en la magnitud del flujo.
En ambos casos, el observador escogido corresponde al de orden completo, ya que fue el que presentó mejores
resultados.
En el caso del algoritmo MPFCS, se procede la misma forma que el algoritmo MPDTC, con la salvedad de que la
predicción del flujo de estator el que sufre las modificaciones (y no del rotor) y la introducción de una predicción
durante el tiempo muerto. Por lo tanto, el fasor ψs (k + 2) depende de la corriente ψrTd (k + 1) y flujo ψsTd (k + 1).
En las mismas condiciones de operación que en los resultados del MPDTC, se realizaron las simulaciones para el
algoritmo MPFCS, obteniendo los resultados mostrados en las Figuras 29 y 30.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

10

Corriente [A] 5

-5

-10
1.42 1.44 1.46 1.48 1.5 1.52 1.54 1.56 1.58
Tiempo [s]

0.02
[Wb]

0.01
s
en Magnitud de
Error

-0.01

-0.02
1.42 1.44 1.46 1.48 1.5 1.52 1.54 1.56 1.58
Tiempo [s]

Figura 29: Corrientes de estator y error en la magnitud de flujo de estator, girando a 300 rad/s sin carga y con
referencia de flujo nominal.

20
Corriente [A]

10

-10

-20

2.45 2.46 2.47 2.48 2.49 2.5 2.51 2.52 2.53 2.54 2.55
Tiempo [s]

0.02
[Wb]

0
s
en Magnitud de
Error

-0.02

-0.04

-0.06
2.45 2.46 2.47 2.48 2.49 2.5 2.51 2.52 2.53 2.54 2.55
Tiempo [s]

Figura 30: Corrientes de estator y error en la magnitud de flujo de estator, girando a 300 rad/s con carga de
15 N m y con referencia de flujo nominal.

Comprando los resultados, se puede advertir que los resultados son muy similares y las diferencias son mı́nimas,
con una ligera tendencia a que el MPFCS es más robusto frente a un escenario con tiempo muerto y su compen-
sación. Se debe someter a más simulaciones para determinar cual de los dos algoritmos presenta mayor ventajas.

Con respecto a los observadores, el Filtro de Kalman permite corregir en gran parte el efecto del tiempo muerto,
sin la necesidad de comunicarle al observador de la perturbación. Pero, queda la magnitud de las estimaciones se
ven encarecidas.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

7. Conclusiones.
En el presente documento, se mostraron los resultados del uso de estrategias MPC, basándose en control direc-
tor de torque, denominado MPDTC y control directo de flujo, abreviado como MPFCS. Ésta última estrategia
presenta la ventaja de que solo se requiere el uso de 2 expresiones en la función de costos, las cuales incluyen
la magnitud de flujo de estator y tensión en los condensadores. Mientras que en la estrategia MPDTC, se debe
ajustar 3 pesos: uno para el torque electromagnético, otro para la magnitud de flujo de estator y finalmente, la
tensión en los condensadores, por lo que la elección correcta de los pesos posee más variantes a analizar.

A pesar de la diferencia mencionada, el hecho de que en la estrategia MPFCS la salida del controlador PI sirva para
determinar la referencia de flujo de estator, permite compensar perturbaciones o errores en la estimación o predic-
ción de las variables de interés, entregando un mayor o menor torque al del torque mecánico, en estado estacionario.

Para llevar a cabo la implementación de las estrategias mencionadas, se recurre a discretizar el modelo de la
máquina de inducción como un sistema lineal variante en el tiempo (nombrado como LVT), recurriendo al Teore-
ma de Caley Hamilton. La otra forma de discretizar la planta corresponde al método de Heun, la cual considera
el promedio de dos estimaciones y que es mejor que el método de Euler. Tal como se mencionó el sistema discreto
LVT posee un error, pero según la referencias mencionadas y los resultados de este trabajo, presenta un mejor
comportamiento que el método de Heun.

Al introducir observadores, el comportamiento de las estrategias mejoran, disminuyendo el ripple y THD en las
variables de flujo y corriente. En base a la sintonización y condiciones de trabajo, el observador de orden completo y
reducido entregan buenos resultados, incluso con errores en los parámetros del sistema. Se comprueba además que
el Filtro de Kalman entrega resultados aceptables, pero a altas velocidades no se comporta de manera adecuada,
al igual que el observador por MRAS, el cuál requiere de mayor ajustes para ser comparable con los observadores
ya mencionados, pero a pesar de esto es bastante robusto considerando error en los parámetros. La estrategia
MPFCS, es la que mejor comportamiento presenta, introduciendo un menor ripple.

Finalmente, al introducir el efecto de tiempo muerto, se advierte que los observadores se vuelven muy sensibles a
las perturbaciones en la tensión, por lo que se debe compensar la distorsión en la tensión, tanto en el algoritmo
predictivo como en los observadores. A pesar de esto se logra comprobar que el desempeño de ambas estrategias
es bastante bueno con magnitudes de corrientes cercanas a las nominales y con magnitudes pequeñas.

Como comentario final, se debe destacar la gran ventaja del control predictivo que es poder considerar todas no
linealidades de manera sencilla, como el efecto del tiempo muerto. Además permite introducir la naturaleza discreta
de operación del inversor, sin tener que utilizar moduladores, lo que puede exigir más a los semiconductores, dado
los cambio de estados, si se compara con técnicas de modulación vectorial. Dicha situación se puede corregir
introduciendo una penalización en la función de costos para disminuir cambios de estados violentos, como por
ejemplo, pasar del estado + a − (o viceversa) sin pasar por estado de conmutación 0. También se puede exigir
lı́mites técnicos en la magnitud de la corriente, penalizando de manera exagerada una predicción por sobre el
lı́mite permitido. En este documento no se hizo uso de aquello, pero para implementación en tiempo real se
debe considerar, lo cual serı́a interesante de observar en una estrategia MPFCS con un inversor NPC de 3 niveles,
usando observadores, compensación de no linealidades en el inversor, con evaluación de incertidumbres y a distintos
tiempos de muestreo.

8. Bibliografı́a.
Referencias
[1] H. Miranda, P. Cortés, J. I. Yuz, and J. Rodrı́guez, “Predictive torque control of induction machines based
on state-space models,” IEEE Transactions on Industrial Electronics, 2009.

Pablo Briceño
Universidad Técnica Federico Santa Marı́a
Depto. Ingenierı́a Eléctrica

[2] Y. Zhang, H. Yang, and B. Xia, “Model-Predictive Control of Induction Motor Drives: Torque Control Versus
Flux Control,” IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS, vol. 52, no. 5, 2016.
[3] J. Holtz, “The Representation of AC Machine Dynamics by Complex Signal Flow Graphs,” IEEE Transactions
on Industrial Electronics, vol. 42, no. 3, pp. 263–271, 1995.
[4] C.-T. Chen, Linear System Theory And Design, 3rd ed. New York: Oxford University Press, 1999.
[5] C. A. Rojas, J. I. Yuz, C. A. Silva, and J. Rodriguez, “Comments on Predictive Torque Control of Induction
Machines Based on State-Space Models,” IEEE Transactions on Industrial Electronics, vol. 61, no. 3, pp.
1635 – 1638, 2014.
[6] J. Rodriguez and P. Cortes, PREDICTIVE CONTROL OF POWER CONVERTERS AND ELECTRICAL
DRIVES. IEEE Press Wiley, 2012.
[7] P. I. Urrejola González, “CONTROL PREDICTIVO DE TORQUE DE UNA MAQUINA DE INDUCCION
ALIMENTADA CON UN INVERSOR NPC DE TRES NIVELES: COMPARACIÓN CON CONTROL DI-
RECTO DE TORQUE,” Tesis de Postgrado, Universidad Técnica Federico Santa Marı́a, 2013.
[8] Y. B. Yongchang Zhang, “Model Predictive Flux Control of Three-Level Inverter-Fed Induction Motor Drives
Based on Space Vector Modulation,” in 2017 IEEE 3rd International Future Energy Electronics Conference
and ECCE Asia, no. 2, 2017, pp. 986–991. [Online]. Available: http://ieeexplore.ieee.org/document/8078311/
[9] E. C. Maldonado Olguı́n, “Control Sensorless de una Máquina de Inducción de Doble Excitación basado en
un Filtro de Kalman,” Tesis de postgrado, Universidad Técnica Federico Santa Marı́a, 2011.
[10] J. I. Yus, “Equivalencia entre Controladores Clásicos y Control del Estado Observado,” Tesis de postgrado,
Universidad Técnica Federico Santa Marı́a, 2001.
[11] R. Cardenas and R. Pena, “Sensorless Vector Control of Induction Machines for Variable-Speed Wind Energy
Applications,” IEEE Transactions on Energy Conversion, vol. 19, no. 1, pp. 196–205, 2004.
[12] R. Gimenez, G. Asher, M. Sumner, and K. Bradley, “Dynamic performance limitations for MRAS based
sensorless induction motor drives. Part 2. Online parameter tuning and dynamic performance studies,” IEE
Proc. Electr. Power Appl., vol. 143, no. 2, pp. 123–134, 1996.
[13] P. L. Jansen, R. D. Lorenz, and D. W. Novotny, “Observer-based direct field orientation: analysis and com-
parison of alternative methods,” Industry Applications, IEEE Transactions on, vol. 30, no. 4, pp. 945–953,
1994.
[14] J. P. Hernández Arriaza, “Incorporación de efectos no lineales en el algoritmo de Control Predictivo de
Corriente para Convertidores Fuente de Tensión.” Memoria, Universidad Técnica Federico Santa Marı́a, 2014.
[15] W. Bin, High Power Converters and AC Drives. IEEE Press Wiley, 2006.
[16] J. Holtz, “Pulsewidth modulation for electric power conversion,” Power Electronics Specialists Conference,
1992. PESC ’92 Record., 23rd Annual IEEE, vol. 82, no. 8, pp. 1194–1214, 1994.

Pablo Briceño