Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis de Maestria Control Neurodifuso Multivariable Aplicado PDF
Tesis de Maestria Control Neurodifuso Multivariable Aplicado PDF
Y DESARROLLO TECNOLÓGICO
cenidet
CONTROL NEURODIFUSO MULTIVARIABLE APLICADO
AL CONTROL DE VELOCIDAD, POTENCIA Y TEMPERATURA
DE GASES DE ESCAPE DE UNA UNIDAD TURBOGAS
T E S I S
PARA OBTENER EL GRADO DE:
MAESTRO EN CIENCIAS EN
INGENIERIA ELECTRÓNICA
P R E S E N T A:
ING. VICTOR OCTAVIO SEGURA OZUNA
DIRECTOR DE TESIS:
DR. CARLOS SALVADOR DE LARA JAYME
CO-DIRECTOR DE TESIS:
DR. VICTOR MANUEL ALVARADO MARTINEZ
The electric power demand in Mexico has forced to the electric sector to be in a
constant search of methods and systems that, among other objectives, improve the
operation of the generating power stations of electric power continually. As part of their
mission, the Electrical Research Institute (IIE) it has promoted and leaning the applied
research and the technological development to improve the indexes of security, readiness,
dependability, efficiency and durability of central generating by means of the development
and the installation of big digital systems of information and control.
At the present time, inside the scheme of electric power generation, the gas turbine
(UTG) represent 7% of the generation of the national electric sector [1]. These units have
become the dominant way of the new electric generation in the U.S, either in simple cycle
or combined. The above-mentioned, is attributable at less installation cost for generated
kilowatt, to the shortest construction programs, at first floor levels of emission of pollutants
and competitive operation costs.
The control system of the gas turbine is based on conventional control algorithms of
the type PI [2]. This control scheme is dedicated for regulation tasks and rejection to
interferences, and it doesn't stop pursuit of reference points. The controllers act all on a
control valve, that which represents a strong interaction among the same ones, for example
an adjustment in the parameters of the algorithm of the digital PI of temperature, it can
improve their acting but it can also affect the acting of the speed control or that of power.
The gas turbine presents a non lineal behavior and variant in the time, mainly in the
starting stage where several important disturbances are presented. At the moment, the
controllers used in the scheme of control of the turbines are lineal, which are syntonized for
a specific operation point and they are conserved this way by indefinite time.
With this strategy, the controller feedback provides a bigger contribution in the
control sign the effort of the conventional controllers' PI control and the strong interaction
that it exists among them diminishing. The controllers PI feedforward contribute a smaller
control sign used for fine adjustments in the control sign.
INDICE
INTRODUCCIÓN
Antecedentes ------------------------------------------------------------------------------------- 1
Estado del arte ----------------------------------------------------------------------------------- 3
Justificación ------------------------------------------------------------------------------------ 4
Planteamiento del problema a solucionar --------------------------------------------------- 5
Objetivo ----------------------------------------------------------------------------------- 5
Alcance ----------------------------------------------------------------------------------- 6
Aportaciones-------------------------------------------------------------------------------------- 6
Organización ------------------------------------------------------------------------------------ 6
i
2.7 Conclusiones -------------------------------------------------------------------------- 38
4.1 Introducción----------------------------------------------------------------------------- 56
4.2 Ambiente de pruebas-------------------------------------------------------------------- 57
4.3 Pruebas del esquema propuesto vs esquema de control convencional --------- 57
4.3.1 Interacción entre los controladores --------------------------------------- 58
4.3.2 Evaluación del sistema de control mediante índices de
Comportamiento ------------------------------------------------------------ 67
4.3.3 Rechazo a disturbios ------------------------------------------------------- 71
4.4 Conclusiones ------------------------------------------------------------------------------ 74
CAPITULO 5 CONCLUSIONES
APENDICE B ANFISEDIT
ii
APENDICE C FUNDAMENTOS DE LÓGICA DIFUSA, REDES NEURONALES,
SISTEMAS NEURODIFUSOS Y ANFIS.
REFERENCIAS --------------------------------------------------------------------------120
LISTA DE TABLAS
LISTA DE FIGURAS
iii
Figura 3.1 Configuración del control de dos grados de libertad ------------------------ 41
Figura 3.2 Esquema de Control Propuesto aplicado al control de velocidad potencia
y temperatura de unidades turbogas ------------------------------------------ 43
Figura 3.3 Mecanismo de razonamiento para un sistema TSK --------------------------45
Figura 3.4 Diagrama del algoritmo ANFIS ------------------------------------------------ 45
Figura. 3.5 Obtención de los datos de entrenamiento ------------------------------------ 48
Figura 3.6 Mapeo lineal entre el dominio X de la variable física x y el universo de
discurso normalizado Y de la variable difusa y ------------------------------ 49
Figura. 3.7 Estructura del sistema neurodifuso -------------------------------------------- 51
Figura 3.8. Funciones de membresía tipo trapezoidal para cada entrada. a) de
velocidad, b) de potencia, c) de temperatura ---------------------------------- 52
Figura 3.9 Función de pertenencia trapezoidal ------------------------------------------ - 52
Figura 3.10 Implementación del sistema neurodifuso al esquema de control --------- 54
Figura 4.1 Gráfica de la velocidad angular de la TG.-------------------------------------- 58
Figura 4.2 Gráfica de la temperatura de los gases de escape de la TG. ---------------- 59
Figura 4.3 Gráfica de la potencia generada de la TG ------------------------------------- 59
Figura 4.4 Gráfica de la velocidad angular de la TG en el primer periodo de
control del PI de velocidad ------------------------------------------------------- 61
Figura 4.5 Gráfica de la velocidad angular de la TG en el segundo periodo de
control del PI de velocidad ----------------------------------------------------- 62
Figura 4.6 Gráfica de la TGE de la TG durante la etapa de arranque ------------------ 63
Figura 4.7 Gráfica de la TGE de la TG durante la etapa de generación --------------- 63
Figura 4.8 Gráfica del seguimiento de la referencia de potencia ----------------------- 64
Figura 4.9 Gráfica de la potencia máxima generada ------------------------------------- 65
Figura 4.10 Señales de control generadas por el esquema de control propuesto ----- 66
Figura 4.11 Señales de control de los esquemas de control ---------------------------- 66
Figura 4.12 índices de error IAE e ITAE de las respuestas de velocidad ------------- 68
Figura 4.13 índices de error IAE e ITAE de las respuestas de la TGE ----------------- 69
Figura 4.14 índices de error IAE e ITAE de las respuestas de la potencia generada - 69
Figura 4.15 Gráfica del error de seguimiento de la velocidad -------------------------- 70
Figura 4.16 Gráfica del error de seguimiento de la potencia --------------------------- 71
Figura 4.17 Respuestas de la potencia generada ante el disturbio --------------------- 72
Figura 4.18 Respuestas de la velocidad ante el disturbio ------------------------------- 73
Figura 4.19 Salida de los controladores ante rechazo a disturbio --------------------- 73
Figura A.1 Diagrama a bloques de la operación de la UTG --------------------------- 79
Figura A.2 Diagrama a Bloques del Sistema UTG -------------------------------------- 80
Figura A.3. Etapa de control de la UTG ---------------------------------------------------- 80
Figura A.4. Diagrama que muestra la parte del secuenciador lógica de la UTG ---- 81
Figura A.5 Diagrama interno de la UTG, válvulas de combustible, sangrado y
álabes guía, Compresor, Cámara de Combustión y Turbina. ------------- 82
Figura A.6 Graficas de las respuestas en la UTG ----------------------------------------- 84
Figura B.1 Datos de entrenamiento --------------------------------------------------------- 86
Figura B.2 selección de numero y tipo de funciones de membresía ------------------ 87
Figura B.3 Comportamiento del error durante el entrenamiento ---------------------- 88
Figura B.4 Verificación del entrenamiento del sistema neurodifuso ----------------- 89
Figura C.1 Funciones de pertenencia de tres conjuntos difusos para la velocidad de un
automóvil ---------------------------------------------------------------------------91
iv
Figura.C.2 Bloques funcionales del sistema difuso ----------------------------------------94
Figura C.3 Tipos de razonamiento difuso -------------------------------------------------- 98
Figura C.4 Diagrama de la Red Neuronal Artificial. --------------------------------------101
Figura C.5 arquitectura de una red de 2 entradas, y 1 salida (propagación)------------107
Figura C.6 arquitectura de una red de 2 entradas, y 1 salida (retro.propagación) -----109
Figura C.7 Función de membresía tipo triangular. ----------------------------------------111
v
Lista de Abreviaciones
ANFIS Adaptive Network based Fuzzy Inference System
ARIC Aproximate Reasoning based Intelligent Control
c.a Corriente alterna.
CD Conjunto Difuso
CFE Comisión Federal de Electricidad.
CGCC Centrales de Generación de Ciclo Combinado ()
CNM Controlador Neurodifuzo Multivariable
CNMP Controlador Neurodifuzo Multivariable Prealimentado
CSV Controlador Supervisor de Velocidad
CTG Centrales Turbogas
DELTAet Angulo de desfasamiento de campos magnéticos del generador.
Ecomp Energía del compresor.
EE.UU Estados Unidos de America
FALCON Fuzzy Adaptive Learning Control Network
FP Función de Pertenencia
FuNe Fuzzy Network
Gaic Flujo de aire que entra al compresor.
GARIC Generalized Aproximate Reasoning based Intelligent Control
Gasang Flujo que sale de las válvulas de sangrado.
Gasc Flujo de aire que sale del compresor.
Gcgt Flujo de combustible gas a la cámara de combustión.
Gct Flujo total de combustible a la cámara de combustión.
GE General Electric
Ggicct Flujo de gases que entran a la cámara de combustión.
Ggit Flujo de gases que salen de la cámara de combustión.
Gqclt Flujo de combustible diesel a la cámara de combustión.
Hcct Energía en la cámara de combustión.
Hgst Energía a la salida de la turbina de gas.
IAE Integral Absoluta del Erro
vi
Lista de Abreviaciones
IEEE Instituto de Ingenieros Eléctricos y Electrónicos
IHM Interfaz Hombre Maquina
IIE Instituto de Investigaciones Eléctricas
IPG Interruptor Principal del Generador
ITAE Integral del Tiempo por el valor Absoluto del Error
LD Lógica Difusa
MISO Multiples entradas- simple salida
MW Megawatts
NEFCON Neuro Fuzzy Control
NNDFR Neural Network Driven Fuzzy Reasoning
OMEGAt Velocidad angular de la turbina.
OMEGAtr Velocidad angular del generador.
PC Computadora Personal
Pcct Presión en la cámara de combustión.
PI Proporcional Integral
PID Proporcional Integral Derivativo
Piqg Presión del combustible gas.
Piql Presión del combustible diesel.
Pj Presión atmosférica.
RN Redes Neuronales
RNA Redes Neuronales Artificiales
RPM Revoluciones por minuto
RVP-AI Reunión de Verano de Potencia, Aplicaciones Industriales
Tacct Temperatura de entrada a la cámara de compresión.
TG Turbinas de Gas
Tgcct Temperatura en la cámara de combustión.
Tgst Temperatura de gases que salen de la turbina.
Tsang Temperatura del flujo de aire de sangrado.
TSK Takagi Sugeno Kan
vii
Lista de Abreviaciones
UTG Unidad Turbogas
VL Variable Lingüística
Vol Voltaje en terminales.
Wet Energía eléctrica producida por el generador.
Wft Fricción en la turbina de gas.
Xcgt Apertura de la válvula de control de combustible gas.
Xqclt Apertura de la válvula de control de combustible diesel.
viii
Introducción
Antecedentes.
1
Introducción
Otra de las estrategias adoptadas por la CFE para satisfacer la demanda de energía
eléctrica presenta un enfoque hacia la producción, a menor costo, de más energía eléctrica
con la capacidad instalada existente. Con respecto a esto, desde una perspectiva técnica, son
de vital importancia los problemas de extensión de la vida útil (duración del equipo) y el
mejoramiento del régimen térmico de las centrales (eficiencia de los procesos de
transformación de energía).
Combustión
Turbogas 7% interna
0.4%
Ciclo combinado
17.8%
Hidroeléctrica 23.3%
Dual 6.1%
Carboeléctrica
6.3%
Nucleoélectrica 3.3%
Geotérmica y
Térmica eoélectrica 2.1%
convencional
34.7%
2
Introducción
3
Introducción
Algunos estudios realizados por otras instituciones han explorado el esquema retro-
prealimentado basados en simulaciones, como un controlador prealimentado difuso
multivariable para una unidad termoeléctrica [9]. Así como también, han realizado el
desarrollo de controladores neurodifusos aplicados al control de turbinas de gas, estos
controladores fueron diseñados apoyándose con el uso de la herramienta de simulación
comercial Matlab [10].
Justificación
El uso de controladores neurodifusos los cuales son no lineales han demostrado ser
una opción viable para controlar procesos que presentan un comportamiento no lineal y
variante en el tiempo como el de arranque de una turbina de gas, así como el desempeño de
dichos procesos.
4
Introducción
Objetivo
5
Introducción
Alcance
Aportaciones.
Organización.
6
Introducción
7
CAPITULO 1 Unidad Turbogas
Unidad Turbogas
1.1 Introducción.
8
CAPITULO 1 Unidad Turbogas
En general, las turbinas de gas se basan en cuatro fases de operación (ciclo Brayton)
y cuatro componentes principales (figura 1.1), que funcionan simultáneamente y
continuamente, para producir potencia mecánica los cuales se describen mas adelante.
Combustible
Camara
2 comb.
3
4
1
Aire Gases
calientes
a) b)
9
CAPITULO 1 Unidad Turbogas
tanto, aun cuando la temperatura del gas puede cambiar en el proceso, su entropía no lo
hará.
Después de la compresión el aire pasa al sistema de combustión donde se añade
calor. El aire se mezcla con el combustible y la mezcla se enciende causando un incremento
muy grande en la temperatura. Esto se realiza a presión constante, así que el proceso se
ilustra en la figura como un cambio del punto 2 al 3.
El ciclo real de la turbina de gas difiere poco del caso ideal; la diferencia principal
entre el ciclo Brayton ideal y el ciclo real es que tanto los procesos de compresión como el
de expansión no son isoentrópicos, además de que existen diversas clases de perdidas
mecánicas.
10
CAPITULO 1 Unidad Turbogas
Combustibles
Energia quimica
Combustión
Energia calorifica
Flujo de gases
Energia cinetica
movimineto de la turbina
Energia mecánica
Energia eléctrica
b) El generador eléctrico.
11
CAPITULO 1 Unidad Turbogas
Combustible
Gas ó Diesel
Aire
comprimido CÁMARA DE Gases
calientes Gases de
COMBUSTIÓN escape
Aire
atmosférico
1.5.1 Compresor
Para que la turbina de gas pueda tener alguna aplicación práctica, se necesita de un
gran volumen de aire a alta presión con el propósito de quemar suficiente combustible en la
cámara de combustión. Esto se obtiene comprimiendo el aire a una presión deseada por
medio de un compresor de flujo axial.
Para obtener la presión requerida, los compresores de flujo axial están constituidos
por varias etapas, en donde, en cada una de ellas, el aire se acelera y se comprime. Cada
etapa del compresor axial consiste en una serie de álabes móviles (giratorios) seguidos por
12
CAPITULO 1 Unidad Turbogas
un conjunto de álabes fijos. En cada etapa, los álabes móviles aceleran el aire y los álabes
estacionarios convierten la energía cinética del aire en un incremento de presión. Por lo
tanto, incrementando la velocidad del aire por cada serie de álabes móviles y convirtiendo
esta velocidad en aumentos de presión por medio de los álabes fijos, se obtiene la fuente de
aire a alta presión necesitado para la combustión. Los compresores axiales utilizados en
UTG's normalmente tienen de 15 a 20 etapas. La figura 1.4 muestra el diagrama de presión,
velocidad y temperatura del aire a lo largo de un compresor axial. Como puede verse, la
presión y la temperatura aumentan, mientras que la velocidad apenas varía.
Cada etapa del compresor tiene ciertas características de flujo de aire que son
diferentes a las demás etapas. Los parámetros que determinan estas características son el
flujo másico, la razón de presión y la velocidad rotacional. Las etapas del compresor están
diseñadas para producir un flujo de aire dado relacionado con un cierto incremento de
presión. Si algún suceso altera la relación entre razón de presión, velocidad rotacional y
flujo másico, el aire no fluirá suavemente por los álabes estacionarios, y en cambio, creará
turbulencias. Esto ocasionará un "atascamiento" en los álabes fijos que impedirá que el aire
fluya hacia la siguiente etapa. Como resultado, el aire también se "estanca" en las etapas
precedentes. Si este proceso continua hasta que todas las etapas están "atascadas", el flujo
de aire podría invertirse y moverse violentamente causando un ruido estrepitoso y,
seguramente, un daño considerable a los álabes del compresor. Este fenómeno de
inestabilidad es conocido como "surge" del compresor y debe prevenirse para evitar
condiciones anormales de operación.
Álabes Álabes Álabes Álabes Álabes Álabes
móvile fijos móvile fijos movile fijos
Velocidad
Presión
Temperatura
del
Compresor
13
CAPITULO 1 Unidad Turbogas
La cantidad de trabajo que puede ser realizado por una turbina de gas ideal, es decir,
sin calor agregado y sin pérdidas de energía, es exactamente igual a la cantidad de trabajo
hecho por el compresor para comprimir el aire. En otras palabras, la máquina podría girar
por sí misma. Las turbinas de gas, sin embargo, tienen pérdidas de potencia considerables
en el compresor y en la turbina misma. En consecuencia, es necesario agregar energía al
fluido de trabajo para obtener una turbina de gas útil y práctica. El calentamiento del aire
incrementa la presión, el aire se expande y esta energía mueve la combinación turbina-
compresor, así como también proporciona potencia para el generador eléctrico.
El aire a alta presión proveniente del compresor entra a los combustores, localizados
generalmente en una sección entre el compresor y la turbina (figura 1.5). El combustible se
alimenta por medio de toberas y se mezcla con el aire comprimido, necesario para producir
la combustión. El aire entra a la zona de combustión a través de perforaciones en el
revestimiento protector de los combustores, que protege al metal de la carcaza de la turbina
contra las radiaciones intensivas producidas por la combustión. La combustión comienza
con una mezcla parcial de combustible y aire, y continúa a lo largo del combustor, mientras
se agrega aire adicional para completar la combustión y enfriar los gases. Normalmente,
solamente del 20% al 30% del aire comprimido se utiliza para quemar el combustible,
mientras que el resto fluye entre los combustores y la carcaza de la máquina para propósitos
de enfriamiento. La mayoría de las turbinas de gas tienen una serie de combustores
instalados alrededor del eje; de esta manera, las temperaturas y los esfuerzos en los álabes
de la turbina se distribuyen uniformemente.
14
CAPITULO 1 Unidad Turbogas
1.5.3 Turbina
El generador eléctrico es una máquina que siempre esta girando al mismo tiempo
que el sistema turbina-compresor, puesto que el generador eléctrico está acoplado al mismo
eje de la UTG. El generador eléctrico empieza a otorgar energía, cuando el interruptor
principal se cierra (el generador se energiza), y esto sucede cuando la velocidad del sistema
compresor-turbina tiene la velocidad de sincronismo y el sistema está listo para realizar el
empalme de energías, es decir, se tiene la misma frecuencia en el sistema que en el Sistema
Nacional1 (como un ejemplo), y la velocidad adecuada.
1
La frecuencia del Sistema Nacional es de 60 Hz.
15
CAPITULO 1 Unidad Turbogas
El equipo auxiliar de arranque tiene por función, hacer girar la flecha de la turbina
de gas desde el estado de reposo hasta la velocidad mínima de la turbina. Adicionalmente la
unidad cuenta con un dispositivo llamado virador hidráulico, el cual hace girar
periódicamente el rotor de la unidad ciertos grados durante el período de enfriamiento que
sigue a un paro, para evitar distorsiones en la flecha.
Los principales componentes del sistema de combustible diesel son: válvula de corte
de combustible, bomba de combustible y válvula de bypass.
En el caso del combustible gas, se cuenta con una válvula de corte, una válvula
reguladora de la presión de suministro de gas, y una válvula reguladora de combustible gas
a la cámara de combustión.
16
CAPITULO 1 Unidad Turbogas
Turbina Generador
Compresor ωt, Wft ωtr, WMW
Wcomp
Aire de sangrado
17
CAPITULO 1 Unidad Turbogas
18
CAPITULO 1 Unidad Turbogas
19
CAPITULO 1 Unidad Turbogas
20
CAPITULO 1 Unidad Turbogas
El flujo de aire que sale del compresor y que entra a la cámara de combustión, se
determina por la resta entre el flujo de aire que entra al compresor menos el flujo que sale
por el sangrado:
Gasc = Gaic − Gasang (1.8)
Flujo de gases que entran a la cámara de combustión:
El flujo de gases de combustión es la suma del flujo de aire que sale del compresor
más el flujo de combustible que entra:
G gicct = Gasc + Gct (1.9)
Temperatura de entrada en la cámara de combustión:
21
CAPITULO 1 Unidad Turbogas
El trabajo de fricción entre las diversas partes en movimiento y en las fijas del
sistema compresor – turbina – generador, se propone proporcional [14]a la velocidad de
giro:
W ft = K comb ∗ ω t (1.14)
Velocidad angular del sistema compresor_turbina:
La rapidez con la que se acumula la energía cinética rotacional en el eje del sistema
compresor – turbina – generador depende del balance de energía [15].
dω t I tg1 (1.1)
dt
=
ωt
[ ]
G git ∗ (H cct − H gst ) + Wmt − WMW − W ft − Wcomp
El modelo de la turbina de gas en la que nos basamos para realizar este trabajo de
tesis es la TG modelo GE-5001, la cual es una máquina de ciclo simple de un sólo eje,
con las siguientes características [16]:
Marca: Hitachi-GE
Capacidad: 30,313 KVA
Voltaje: 13800 V
Factor de potencia: 0.8
Velocidad: 3600 RPM
Frecuencia: 60 Hz
Núm. fases: 3 fases
Tipo de aislamiento: Clase F
Tipo de excitador: Estático
Voltaje/excitación: 285 V
Corriente/excitación: 276 A
Datos de la Turbina
Marca: Hitachi-GE
Modelo: PG5341
Sistema de control: Speedtronic MARK-II
Altitud: 20 metros sobre el nivel del mar
Etapas de la turbina: 2
22
CAPITULO 1 Unidad Turbogas
1.7 Conclusiones
23
CAPITULO 2 Control Convencional de la Unidad Turbogas
2.1 Introducción.
24
CAPITULO 2 Control Convencional de la Unidad Turbogas
La TG fue introducida como fuente de energía primaria a finales de los 40’s. Los
primeros sistemas de control estuvieron basados en sistemas hidro-mecánicos, los cuales
mediante secuencias manuales permitían un control práctico en las turbinas de vapor.
25
CAPITULO 2 Control Convencional de la Unidad Turbogas
Cada una de estas funciones tiene requerimientos específicos que deben ser tratados
de manera particular. A continuación mencionaremos algunos de estos aspectos.
2.3.1 Secuencia
CARGA PICO
25
C A R G A
20
CARGA BASE
(MW)
15
10
5
CARGA MINIMA
5100 VELOCIDAD DE SINCRONISMO
INTERRUPTOR
4945 - 5100 R. P. M.
PRINCIPAL CERRADO
CIERRE DE VALVULAS
4600 DE SANGRADO
APERTURA DE
4200 ALABES GUÍA
3800
V E L O C I D A D
3400
3000
(RPM)
2600
2200
MOTOR DE ARRANQUE FUERA (2140 R. P. M.)
1800
1400
PUNTO DE IGNICION (1020 R. P. M.)
1000
600
200
0
26
CAPITULO 2 Control Convencional de la Unidad Turbogas
Requerimientos de Arranque
Esta función tiene como objetivo conducir y supervisar al equipo Turbogas durante
el proceso de arranque hasta alcanzar la velocidad de sincronizmo donde la frecuencia y el
voltaje del generador deben igualarse con los del sistema eléctrico interconectado.
• Listo para arrancar. Con base en la solicitud de arranque, se abren las válvulas de
sangrado en el compresor y se cierran los álabes guía (esto para aportar mayor
fuerza sobre los álabes).
27
CAPITULO 2 Control Convencional de la Unidad Turbogas
Sincronización.
• Cierre del interruptor principal del generador (conecta al generador con el sistema
eléctrico nacional). el cierre del interruptor principal puede ser en forma manual o
automática, este último a través del sincronizador. Si la sincronización es realizada
automáticamente, el equipo de sincronización genera los comandos de incrementar
o disminuir la velocidad en la turbina hasta igualar la frecuencia del generador con
los del sistema eléctrico en línea, en tanto, el voltaje en terminales requerido para la
sincronización es controlado por el regulador automático de voltaje. Cuando la
frecuencia y el voltaje del generador están en fase con los del sistema eléctrico en
línea, se cierra el interruptor principal del generador.
Paro.
2. Paro de emergencia. Puede ser activado manualmente, pero también debe ocurrir
como resultado de la operación automática de los dispositivos de protección
correspondientes. En este caso, el sistema debe generar las señales requeridas
para cerrar la válvula de alimentación de combustible y cortar el suministro del
mismo a la turbina.
28
CAPITULO 2 Control Convencional de la Unidad Turbogas
Los sistemas de control de la turbina y del generador eléctrico deben mantener una
relación conveniente. En caso de paro de la turbina, se debe contar con medios automáticos
para aislar al generador del sistema eléctrico de potencia al que se encuentra conectado, con
el fin de prevenir el flujo inverso de potencia (motorización del generador).
Protección
29
CAPITULO 2 Control Convencional de la Unidad Turbogas
Una turbina de gas consiste de un sistema que desarrolla un par (compresor, cámara
de combustión y turbina), y de una carga impulsada, con un par que se opone al par
desarrollado. La cantidad de par desarrollado depende directamente del flujo de
combustible suministrado a la turbina. Durante condiciones de estado estable, el par de la
carga es constante y el par desarrollado debe ser suficiente para mover el compresor, vencer
la fricción interna y desarrollar un par igual al de la carga impulsada. Durante condiciones
transitorias, cuando el par de carga cambia, se produce un desbalance entre éste y el par
desarrollado lo cual ocasiona un cambio en la velocidad. Por lo tanto, la tarea del
controlador de velocidad es muy importante, debe mantener condiciones estables de
operación y, después de un cambio de carga debe regresar la velocidad al valor de estado
estable con un mínimo de oscilaciones (sobre impulsos) y en el menor tiempo posible.
El control de potencia comienza una vez que el interruptor del generador fue
cerrado y comienza la generación de una potencia mínima (aproximadamente para ésta
turbina Modelo GE-5001 es de 2 MW). Esto se hace para que la energía generada comience
con una rampa ascendente, de lo contrario la generación puede cambiar con un pico grande
o cambio brusco en el inicio de la potencia, lo que puede provocar problemas en la línea de
generación.
30
CAPITULO 2 Control Convencional de la Unidad Turbogas
31
CAPITULO 2 Control Convencional de la Unidad Turbogas
se encuentra en una configuración retroalimentada como lo muestra la figura 2.3, así como
un control de potencia basado también en un algoritmo PI digital en un esquema
retroalimentado. Además de estos 2 controladores principales también existe un control
supervisor de temperatura, conformado por un PI digital retroalimentado.
Ref. +
PI Vel.
Vel.
-
+
Ref. +
PI MW Vel.
MW
- sc MW
< UTG
TGE
+
Ref.
PI TGE
TGE
-
Medición
32
CAPITULO 2 Control Convencional de la Unidad Turbogas
En esta sección se realiza un análisis del desempeño del esquema de control actual
basándose en las respuestas de la velocidad de la turbina de gas, de la temperatura de los
gases de escape, y de la potencia generada por la turbina de gas, estas respuestas se
muestran el la figura 2.4, con la finalidad de analizar su comportamiento. Estas respuestas
fueron obtenidas con el sistema para desarrollo y validación de algoritmos de control para
turbinas de gas, desarrollado en ambiente Simulink [19] (ver anexo A). Posteriormente
en el capítulo 5 se analizará mejor el desempeño del esquema actual de control, por medio
de índices de error y pruebas de rechazo a disturbio.
33
CAPITULO 2 Control Convencional de la Unidad Turbogas
34
CAPITULO 2 Control Convencional de la Unidad Turbogas
Como se puede observar en las gráficas anteriores, una de las mayores desventajas
que presenta el control actual es la fuerte interacción que existe entre los controladores, ya
que estos son controladores independientes que operan sobre un mismo elemento final de
control (válvula de flujo de gas combustible). Por ejemplo, una variación en los parámetros
del controlador PI de temperatura, no sólo afectará el desempeño del control de
temperatura, sino que también afectará el desempeño del control de velocidad y potencia,
esto se puede observar en las figuras 2.5, 2.6 y 2.7. En estas graficas se muestra las
repuestas normales presentadas en la grafica 2.4 obtenidas del sistema para desarrollo y
validación de algoritmos de control para turbinas y estas se comparan con las respuestas
obtenidas con el mismo sistema al variar un solo parámetro del PI de temperatura.
35
CAPITULO 2 Control Convencional de la Unidad Turbogas
Figura 2.6 Gráfica del comportamiento de la temperatura de la turbina ante ajuste de los
parámetros en el PI de temperatura
Figura 2.7 Gráfica de la potencia de la turbina ante ajuste de los parámetros en el PI de temperatura
36
CAPITULO 2 Control Convencional de la Unidad Turbogas
37
CAPITULO 2 Control Convencional de la Unidad Turbogas
2.7 Conclusiones
Sin embargo, este algoritmo de control también posee algunas desventajas como las
detalladas en este capitulo, algunas de las cuales son:
38
CAPITULO 2 Control Convencional de la Unidad Turbogas
39
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
CONTROL PREALIMENTADO
NEURODIFUSO MULTIVARIABLE
3.1 Introducción.
40
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Donde:
Yd(s) Señal de referencia
Y(s) Salida de la planta
Uff(s) Señal de control prealimentado
Ufb(s) Señal de control retrolaimentado
U(s) Señal de control total
Y ( s ) = Gp ( s )U ( s ) (3.1)
U ( s ) = Uff ( s ) + Ufb ( s ) (3.2)
Uff ( s ) = Yd ( s )Gff ( s ) (3.3)
Ufb ( s ) = [Yd ( s ) − Y ( s )]Gfb ( s ) (3.4)
41
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Si hacemos [
G ff ( s ) = G p ( s) ] y lo sustituimos en la ecuación 3.6 tenemos:
−1
Y ( s ) = Yd ( s ) (3.7)
Sin embargo, esta técnica también presenta algunas desventajas como son:
1. El control por prealimentación no puede reemplazar al control por
retroalimentación.
42
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Como se mostró en la ecuación 3.7, se requiere del modelo inverso de la planta para
implementar el control retroalimentado, lo cual puede ser muy difícil de obtener si es que
este en realidad existe.
Actualmente con el avance del conocimiento, los sistemas neurodifusos nos ofrecen
una alternativa para representar una aproximación del modelo inverso de la planta, lo cual
nos permite seguir adelante con este esquema de control. La descripción de los sistemas
neurodifusos se presenta mas adelante en este capítulo.
El controlador prealimentado será del tipo MISO (multiples entradas y una salida)
donde las entradas al controlador serán las referencias de velocidad, potencia y temperatura
y la salida será la señal de control.
Control
PI
Neurodifuso
SP PI Demanda
+ Válvula
Velocidad
<
DEMANDA
PRIMARIA
+
SP PI
MW
Control
Arranque
Ref. temp. RPM
<
PI
PDC Limitador
x Aceleración
Carga
Temp_Gases_Escape
43
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
disminuyendo de esta manera la interacción entre los controladores PI´s, aportando estos
una señal complementaria de control utilizada para ajustes finos de control y rechazo de
perturbaciones.
Para el desarrollo de la tesis se utilizará ANFIS, debido a que es una clase de redes
adaptivas que son funcionalmente equivalentes a sistemas de inferencia difusos con un
método de auto sintonización (Sistemas de inferencia neurodifusos adaptivos). Otras
razones para su uso son la disponibilidad del software, ya que utiliza la misma plataforma
de programación (Matlab) empleada por el modelo de la unidad turbogas y se tiene
conocimiento previo de aplicaciones de ANFIS en otros proyectos realizados en el IIE.
3.3.1 ANFIS
Para la realización de esta tesis se propone el uso de una clase de red adaptiva la cual es
funcionalmente equivalente a un sistema de inferencia difuso. La arquitectura propuesta es
llamada ANFIS (Sistema de Inferencia Difuso basado en Redes Adaptivas).
44
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
La figura 3.3 ilustra el mecanismo de razonamiento para este modelo (tipo 3, ver anexo
D) y la arquitectura ANFIS equivalente a este razonamiento difuso es mostrado en la figura
3.4. como podemos observar ANFIS está compuesto por cinco capas, los nodos dentro de
una misma capa tienen funciones similares.
A1 A3
f1 = p1 x + q1 y + r1
w1
a1 b1 c1 a3 b3 c3 w1 f1 + w2 f 2
X Y f =
w1 + w2
= w1 f1 + w2 f 2
A2 A4
w2 f 2 = p 2 x + q 2 y + r2
a2 b2 c2 a4 b4 c4
X Y
x y
A1
a1, b1, c1 x y
x
A2 w1 w1
Π N p 1 , q 1, r 1 w1 f1
a2, b2, c2
f
A3 w2 w2
Π N p 2 , q 2, r 2 w2f2
a3, b3, c3
y
A4 x y
a4, b4, c4
45
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Capa 1: Cada nodo i en esta capa, es un nodo adaptivo con una función nodal. Para este
ejemplo esta capa tiene 4 nodos adaptivos (A1, A2, A3 Y A4).
x − ai ci − x
µ Ai ( x ) = max 0, min , (3.9)
bi − a i c i − bi
Donde {ai, bi, ci} es el conjunto de parámetros, estos se conocen como parámetros
premisas o antecedentes.
Capa 2: Cada nodo en esta capa es un nodo fijo representado mediante un círculo,
etiquetado por una π, en el cual se realiza el producto de las señales de entrada.
O 2 ,i = ω i = µ A(1, 3 ) (x ) × µ A( 2 , 4 ) ( y ), i = 1, 2.
(3.10)
Cada salida del nodo representa la fuerza de disparo (activación) de la regla (Norma -
T).
Capa 3: Cada nodo en esta capa es un nodo fijo representado mediante un círculo,
etiquetado por una N, en estos nodos se calcula la relación de la fuerza de disparo de la i-
ésima regla respecto del total de fuerzas de disparo de las reglas.
ωi
O 3,i = ϖ i = , i =1 . (3.11)
ω1 + ω 2
Las salidas de esta capa son llamadas fuerzas de activación o disparo normalizadas.
Capa 4: Cada nodo i en esta capa es un nodo adaptivo con una función nodal:
O 4 ,i = ϖ i f i = ϖ i ( p i x + q i y + ri ) (3.12)
46
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Capa 5: Compuesto por un solo nodo, etiquetado con la letra Σ (sigma), el cual calcula
la salida total como la suma de todas las señales de entrada.
ϖ i fi (3.13)
O5 ,i = ϖ i fi = i
i i
ϖi
2. Definir el tipo y número de funciones de membresía para cada entrada (anexo C).
47
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Ref. +
PI Vel.
Vel.
-
+
Ref. +
PI MW Vel.
MW
- SC MW
< UTG
TGE
+
Ref.
PI TGE
TGE
-
Datos de
entrenamiento
Entrada Salida
Figura. 3.5 Obtención de los datos de entrenamiento
Las variables que se seleccionaron para generar los datos de entrenamiento son la
velocidad angular de la turbina de gas, la potencia (MW) generados por la turbinas de gas,
la temperatura de los gases de escape y la señal de control a la válvula de combustible.
Estos datos son almacenados en forma matricial para su posterior utilización. La forma en
que son almacenados estos datos se muestra en la figura 3.5, lo que interesa es obtener el
modelo inverso de la planta, por lo tanto las salidas de la planta (velocidad, MW, TGE) se
48
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
tomarán como las entradas para el sistema neurodifuso y la señal de entrada a la UTG
(señal de control) será la salida del sistema neurodifuso.
Para uniformizar estas magnitudes se empleó una transformación lineal T1, Esta
transformación lineal puede ser vista como un escalamiento y un desplazamiento de
coordenadas (figura 3.6).
Ymax
T1
T1-1
Ymin
Xmin x Xmax
Figura. 3.6 Mapeo lineal entre el dominio X de la variable física x y el universo de discurso normalizado
Y de la variable difusa y.
49
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
X max − X min
(y) T1–1(y)= x = X min + ( y − Y min ) (3.15)
Y max − Y min
donde:
x y y representan las variables físicas y normalizadas respectivamente.
X= [Xmin, Xmax] es el dominio de la variable física.
Y= [Ymin, Ymax] es el universo de discurso normalizado de la variable difusa.
Los rangos reales de las variables (velocidad, potencia, temperatura y señal de control)
y los rangos normalizados se resumen en la tabla 3.1.
Los rangos reales de las variables (velocidad, potencia, temperatura y señal de control)
y los rangos normalizados se resumen en la tabla 3.1.
50
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
funciones Reglas
Entradas Salida
de membresia
trapezoidales w27
w 27
Velocidad
wi zi
Potencia
Temperatura wi z
sc =
wi
w1
w1
wi
a)
51
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
b)
c)
Figura. 3.8. Funciones de membresía tipo trapezoidal para cada entrada. a) de velocidad, b) de
potencia, c) de temperatura
siendo a, b, c, d los vértices del trapecio tal como lo muestra la figura 3.9 (véase anexo
D).
x
a b c d
Figura. 3.9 Función de pertenencia trapezoidal
52
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
• Inferencia basada en reglas individuales, la tabla 3.2 muestra la base de reglas, estas reglas
son generadas por la combinación de las entradas, como tenemos 3 entradas (velocidad,
potencia y temperatura) y cada una esta compuesta por tres conjuntos difusos (baja, media y
alta) esto nos da una combinación de 27 reglas.
53
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
• Defusificación por promedio ponderado, Es decir la salida del sistema difuso TSK
está dada por:
r
ϖ r zr
O5 , r = r =1
r
ϖr (3.17)
r =1
Donde:
z r = p r x + q r y + rr (3.18)
Control
neurodifuso
Ref. +
PI Vel.
Vel.
-
+
Ref. +
PI MW Vel.
MW
- + sc MW
< UTG
+ TGE
+
Ref.
PI TGE
TGE
-
54
CAPITULO 3 Control Prealimentado Neurodifuso Multivariable
Él ultimo paso del diseño es probar el CNM en conjunto con los controladores PI
existentes, estos controladores PI fueron ajustados para trabajar como controladores
independientes y aportar gran parte de la señal de control, con el esquema propuesto estos
controladores aportan una señal de control menor (complementaria) dedicada para rechazar
disturbios y realizar ajustes finos en la señal de control, por lo tanto es necesario reajustar
los parámetros de estos controladores para obtener el mejor desempeño de ellos.
3.6 Conclusiones
Actualmente con el avance del conocimiento, los sistemas neurodifusos ofrecen una
alternativa para representar una aproximación del modelo inverso de la planta. Para lograr
esto se utilizara ANFIS, debido a que es una clase de red adaptiva funcionalmente
equivalente a un sistema de inferencia difuso con un método de auto sintonización.
55
CAPITULO 4 Evaluación y Análisis de Resultados
EVALUACIÓN Y ANÁLISIS DE
RESULTADOS
4.1 Introducción.
56
CAPITULO 4 Evaluación y Análisis de Resultados
La realización de pruebas se llevó a cabo mediante el uso del “Sistema para Desarrollo y
Validación de Algoritmos de Control para Turbinas de Gas”, desarrollado en ambiente
Simulink . Este ambiente de prueba fue desarrollado en MATLAB versión 6.0, utilizando
un lenguaje modular ofrecido por la herramienta de Matlab llamada Simulink para
facilitar el entendimiento y modificación del Sistema para Desarrollo y Validación de
Algoritmos de Control para Turbinas de Gas.
Para realizar las pruebas del Sistema Turbogas, fue necesaria la implementación de la
sección secuencial lógica, así como de la sección del control, donde se involucraron los tres
controles, el de Potencial, Velocidad y Temperatura. Los tres controles se basaron en el
control clásico Proporcional -Integrativo – Derivativo, en donde las constantes de cada uno
de los controles fueron encontradas aplicando el método de Zeigler – Nichols, teniendo una
aproximación cercana a la deseada y solamente ajustando las pequeñas variantes de cada
control, la implementación fue hecha mediante el control Proporcional - Integrativo para
los tres casos. Una descripción más detallada de este sistema se presenta en el anexo A.
b) Pruebas de seguimiento.
57
CAPITULO 4 Evaluación y Análisis de Resultados
c) Rechazo a disturbios
4 5 6 7 8
58
CAPITULO 4 Evaluación y Análisis de Resultados
4 5 6 7 8
6
7
8
4 5
1 2 3
59
CAPITULO 4 Evaluación y Análisis de Resultados
Como se observa en las figuras anteriores, las respuestas obtenidas con los dos esquemas
de control son similares, sin embargo, haciendo acercamientos en los diferentes puntos
mencionados en la tabla 4.1 se puede observar como las respuestas obtenidas con el
esquema de control propuesto mejoran el comportamiento del esquema de control
convencional. Estas gráficas que muestran los acercamientos se presentan a continuación.
Como se observa en la figura 4.4 el control de velocidad se activa una vez que se ha
alcanzado las 1700 rpm, presentándose inmediatamente la ignición que inicia la combustión
y abre la válvula de combustible. Como se observa los dos controladores tienen un buen
seguimiento inicial, el cual se va perdiendo conforme se va incrementando la demanda de
combustible hasta que la temperatura de gases de escape sobrepasa el límite impuesto por el
fabricante.
60
CAPITULO 4 Evaluación y Análisis de Resultados
Figura 4.4 Gráfica de la velocidad angular de la TG en el primer período de control del PI de velocidad
61
CAPITULO 4 Evaluación y Análisis de Resultados
Figura 4.5 Gráfica de la velocidad angular de la TG en el segundo periodo de control del PI de vel.
Las figuras 4.6 y 4.7 nos muestra las etapas en las cuales el control supervisor de
temperatura de gases de escape toma el control para regular la temperatura y evitar que
esta sobrepase el límite impuesto por el fabricante.
62
CAPITULO 4 Evaluación y Análisis de Resultados
6 7
63
CAPITULO 4 Evaluación y Análisis de Resultados
En la figura 4.9 se observa la potencia máxima generada por la UTG, cabe recordar
que la generación de potencia está limitada por la habilidad del sistema de control para
regular la temperatura lo más cerca posible del límite de temperatura impuesta por el
fabricante. Como se vio anteriormente el esquema de control propuesto mostró ser más
eficaz en este punto, por lo tanto permite una generación adicional de aproximadamente
100 Kw. Esto representa una clara ventaja sobre el esquema de control convencional.
64
CAPITULO 4 Evaluación y Análisis de Resultados
6 7
La figura 4.10 nos muestra las señales de control proporcionadas por el control
neurodifuso prealimentado y por la combinación de los PI´s retroalimentados. Como se
aprecia en la figura la señal de control proporcionada por el CNMP es mayor en todo
instante de tiempo y con cambios más suaves en su magnitud, mientras que la señal
proveniente de los controladores retroalimentados es menor, y esta presenta en algunas
secciones cambios bruscos provocados por la interacción de los controladores.
65
CAPITULO 4 Evaluación y Análisis de Resultados
La gráfica 4.11 muestra las señales de control del esquema propuesto y del esquema
convencional, como se observa estas son muy similares en cuanto a magnitud y
oscilaciones provocadas por la interacción entre los controladores PI’s retroalimentados.
66
CAPITULO 4 Evaluación y Análisis de Resultados
Los índices de error utilizados más comúnmente son la Integral Absoluta del Error
(IAE) y la Integral del Tiempo por el valor Absoluto del Error (ITAE) cuyas formulas son:
IAE =
t
e dt (4.1)
0
ITAE =
t
t e dt (4.2)
0
La cuantificación de estos índices también nos aporta una medición directa del
seguimiento de las curvas de referencia que generan los esquemas de control analizados.
67
CAPITULO 4 Evaluación y Análisis de Resultados
! " ! #
! ! $
# % & #
'
% ( ! #
# ' #
!
) % ! #
! " % ! # &
68
CAPITULO 4 Evaluación y Análisis de Resultados
Figura. 4.13 Índices de error IAE e ITAE de las respuestas de temperatura de gases de escape
* +, # ! %
# !
' -- . / #
! %
!
69
CAPITULO 4 Evaluación y Análisis de Resultados
En términos generales se observó cómo para todos los casos analizados, los índices
de error generados por el esquema de control propuesto son menores que los generados por
el esquema control convencional, remarcando los resultados obtenidos en la sección
anterior. Por ultimo en las figura 4.15 y 4.16, se muestran las gráficas del error de
seguimiento de la velocidad y de la potencia, en ambas gráficas se observa claramente
como el error del control propuesto es menor, traduciéndose en un mejor seguimiento de las
curvas de referencia.
Seguimiento de
Velocidad
70
CAPITULO 4 Evaluación y Análisis de Resultados
71
CAPITULO 4 Evaluación y Análisis de Resultados
Con el esquema de control propuesto se logró que este disturbio sea controlado, sin
adicionar el control supervisor de velocidad, tal como se observa en la Fig. 4.18, además
este disturbio es rechazado más rápidamente y con oscilaciones de menor magnitud que con
el CSV.
72
CAPITULO 4 Evaluación y Análisis de Resultados
La figura 4.19 muestra la señal de control generada por estos dos esquemas de
control para rechazar el disturbio.
73
CAPITULO 4 Evaluación y Análisis de Resultados
4.4 Conclusiones
74
CAPITULO 5 CONCLUSIONES
CONCLUSIONES
5.1 Introducción.
75
CAPITULO 5 CONCLUSIONES
5.2 Problemática
Los controladores actúan todos sobre una sola válvula de control, lo cual representa
una fuerte interacción entre los mismos, por ejemplo un ajuste en los parámetros del
algoritmo del PI digital de temperatura, puede mejorar su desempeño pero también puede
afectar el desempeño del control de velocidad o el de potencia.
5.3 Conclusiones
76
CAPITULO 5 CONCLUSIONES
5.4 Aportaciones
77
ANEXO A AMBIENTE DE PRUEBA
AMBIENTE DE PRUEBA
A.1 Introducción.
78
ANEXO A AMBIENTE DE PRUEBA
Las funciones que realiza el sistema son las siguientes (figura A.1).
Secuencia
lógica
Unidad
Turbogás
Control
Regulatorio
Para realizar las pruebas del Sistema Turbogás, fue necesaria la complementación
de la sección secuencial lógico, así como de la sección del control, donde se involucraron
los tres controles, el de Potencial, Velocidad y Temperatura. Los tres controles se basaron
del control clásico Proporcional -Integrativo – Derivativo, en donde las constantes de cada
uno de los controles fueron encontradas aplicando el método de Zeigler – Nichols, teniendo
una aproximación cercana a la deseada y solamente ajustando las pequeñas variantes de
cada control, la implementación fue hecha mediante el control Proporcional - Integrativo
para los tres casos. A continuación se explican los bloques de control y secuencia lógica
que fueron necesarios incorporar al sistema, para verificar el funcionamiento de la UTG.
79
ANEXO A AMBIENTE DE PRUEBA
En el primer bloque de la figura anterior (fig. A.3), se encuentran los controles que
mantienen a la turbina en condiciones estables, y cercanos a los valores de referencia
previamente establecidos. En la primera posición se encuentra el Control de Potencia que es
aquel que mantiene el valor de potencia generada, teniendo en cuenta que la operación de
éste control comienza una vez que la turbina llegó al valor de velocidad de sincronismo. En
segunda posición se encuentra el control de velocidad, donde su mayor participación la
tiene cuando la UTG está en la condición de arranque, y posteriormente mantendrá al
sistema a la velocidad de sincronismo (constante). Como tercer y último sub-bloque se
encuentra el control de temperatura de los gases de escape de la turbina, que toma un valor
muy importante para asegurar la utilización de la UTG, y de esta forma confiar de un largo
período de vida. Todos ellos son sumamente importantes para el desempeño de la unidad
turbogás (fig. A.3).
80
ANEXO A AMBIENTE DE PRUEBA
Fig A.4. Diagrama que muestra la parte del secuenciador lógica de la UTG.
81
ANEXO A AMBIENTE DE PRUEBA
Figura. A.5 Diagrama interno de la UTG, válvulas de combustible, sangrado y álabes guía, Compresor, Cámara de
Combustión y Turbina.
82
ANEXO A AMBIENTE DE PRUEBA
Válvula de Sangrado. Mediante ésta válvula se tiene una descarga de aire que sale
a la atmósfera en el arranque, esto para evitar inestabilidad en el sistema, y una vez
llegando al 95% de la velocidad nominal (5100 rpm), se cierra ésta válvula para darle
mayor desempeño.
Válvula de Alabes Guía. Mediante esta válvula se tiene control sobre los álabes
guía, en donde al inicio su posición es de aproximadamente el 50%, y cuando la velocidad
llega a un 95%, éstos se abren a un 75% para darle mayor flujo de aire a la Turbina.
Teniendo en cuenta todas las consideraciones que en los apartados anteriores se han
mencionado, se muestra en esta sección la simulación de la UTG. Primero se parte de dar
de alta las condiciones iniciales de todas las variables del proceso que lo requieran. Para la
condición en que la turbina tiene un comienzo de Arranque en Frío, es decir, que la
Turbogás comienza desde velocidad cero, se inicializan las variables del proceso con el
programa denominado “Val_pro1_5.m” donde están todos los parámetros establecidos
bajo esa condición de Simulación.
Al oprimir los dos primeros botones del programa, el sistema de simulación queda
listo para entrar en funcionamiento
83
ANEXO A AMBIENTE DE PRUEBA
84
ANEXO B ANFISEDIT
ANFISEDIT
B.1 Introducción.
85
ANEXO B ANFISEDIT
El sistema de inferencia difuso se puede inicializar de dos formas, estas pueden ser
de acuerdo a la experiencia, conocimiento del proceso y preferencias de cómo se quiere
iniciar los parámetros de las funciones de membresía o dejar que el editor de ANFIS
86
ANEXO B ANFISEDIT
automáticamente realice estas tareas. Esta segunda opción es una de las grandes ventajas
de utilizar el editor ANFIS ya que se logran los mismos resultados con menor esfuerzo.
87
ANEXO B ANFISEDIT
88
ANEXO B ANFISEDIT
procede a guardar el sistema neurodifuso generado en un archivo con formato “.fis” para
después poder incorporarlo como un bloque funcional al modelo del sistema en Simulink.
ANFIS es un sistema difuso complejo y sólo soporta sistemas difusos tipo Sugeno y
estos deben cumplir las siguientes propiedades.
• Tener una sóla salida, obtenida usando la defusificacion por promedio de los pesos
de todas las salidas.
Por lo anterior ANFIS no acepta todas las opciones que los sistemas de inferencia básicos
permiten.
89
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
La lógica difusa (LD)ha cobrado una gran fama por la variedad de sus aplicaciones,
las cuales van desde el control de complejos procesos industriales, hasta el diseño de
dispositivos artificiales de deducción automática, pasando por la construcción de artefactos
electrónicos de uso doméstico y de entretenimiento, así como también de sistemas de
diagnóstico. La expedición de patentes industriales de mecanismos basados en la lógica
difusa tiene un crecimiento sumamente rápido en todas las naciones industrializadas del
orbe.
El adjetivo ``difuso'' aplicado a esta lógica se debe a que en ella los valores de
verdad no-deterministas utilizados tienen, por lo general, una connotación de
incertidumbre. Un vaso medio lleno, independientemente de que también esté medio vacío,
no está lleno completamente ni está vacío completamente. Qué tan lleno puede estar es un
elemento de incertidumbre, es decir, de difusidad, entendida esta última como una
propiedad de indeterminismo. Ahora bien, los valores de verdad asumidos por enunciados
aunque no son deterministas, no necesariamente son desconocidos. Por otra parte, desde un
punto de vista optimista, lo difuso puede entenderse como la posibilidad de asignar más
90
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Conjuntos difusos
A = {(x, µA(x)) | x ∈ U}
Donde U es continuo.
µ A ( x ) / x, si U es discreto.
U
A=
µ A ( x ) / x, si U es continuo.
U
0
35 55 75 V Max mph
Figura C.1 Funciones de pertenencia de tres conjuntos difusos para la velocidad de un automóvil
91
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Sea A y B dos CD’s definidos en el mismo universo de discurso U, con FP’s µA(x) y
µB(x), respectivamente. Las operaciones teóricas de conjuntos de unión, intersección y
complemento para CD’s se definen a continuación.
Unión [Norma-S]
La FP µA∪B de la unión A∪B de los conjuntos A y B se define para toda x ∈ U por:
Intersección [Norma-T]
La FP µA∩B de la unión A∩B de los conjuntos A y B se define para toda x ∈ U por:
Complemento
µ A (x)= 1 - µA(x).
Producto Cartesiano
µ A1X A2 X ,,,,X An(u1, u2, ..., un) = min[µ A1(u1), µA2(u2), ..., µAn (un)]
92
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
o
µ A1X A2 X ,,,, X An(u1, u2, ..., un) = µ A1(u1) ⋅ µA2(u2) ⋅ ... ⋅ µAn (un)
En nuestra vida diaria, las palabras son a menudo usadas para describir variables.
Por ejemplo, cuando decimos “hoy hace calor”, o equivalentemente, “hoy la temperatura es
alta”, utilizamos la palabra “alta” para describir la variable “hoy la temperatura.” Por
consiguiente, la variable “hoy la temperatura” toma la palabra “alta” como su valor. Es
claro que la variable “hoy la temperatura” también puede tomar números como 25°C, 19°C,
etc., como sus valores. Cuando una variable toma números como sus valores, tenemos bien
establecida una estructura para formular ésta. Pero cuando la variable toma palabras como
sus valores, no tenemos una estructura formal para formular ésta en teoría matemática
clásica. En orden de proporcionar esa estructura formal, el concepto de variable lingüística
(VL) fue introducido. Así, para formular palabras en términos matemáticos se usan CD’s
para caracterizar estas palabras.
Si una variable puede tomar palabras en un lenguaje natural como sus valores, ésta
es llamada VL, donde las palabras son caracterizadas por CD definidos en el universo de
discurso en el cual la variable es definida.
Estas dos definiciones son esencialmente equivalentes y desde las cuales se puede
ver que una VL es una extensión de una variable numérica en el sentido que permiten tomar
CD’s como sus valores.
El concepto de VL es muy importante porque las VL’s son los elementos más
fundamentales en la representación del conocimiento humano. Cuando se utilizan sensores
para medir una variable, estos nos dan números; cuando se le hacen preguntas a los
expertos humanos para evaluar una variable, ellos proporcionan palabras. Al introducir el
concepto de VL, se es capaz de formular descripciones vagas en un lenguaje natural en
términos matemáticos precisos. Este es el primer paso para incorporar el conocimiento
humano dentro de sistemas de ingeniería en una manera sistemática y eficiente.
Razonamiento a Aproximado
93
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Modus Ponens:
Premisa 1 (antecedente): si x es A entonces y es B
Premisa 2 (antecedente): x es A;
Consecuencia: y es B.
Modus Tollens:
Premisa 1: si x es A entonces y es B
Premisa 2: y es B
Consecuencia: x es A.
Funciones de pertenencia
Las opciones mas populares de las figuras en las FP´s son las funciones triangular,
trapezoidal y campana. Estas tres opciones definidas por la facilidad de sus parámetros,
descripción funcional de las FP´s, almacenadas con un mínimo uso de memoria y
manipuladas eficientemente por la máquina de inferencia.
(x ) µ A (x )
µ A( x)
A
Parámetros : a , b, c
0
a b c x
µ B( x)
(x ) µ B (x ) B
Trapecio x−a d −x
B (x; a, b, c, d , ) = max min ,1, ,0
B b−a d −c
a<b<c<d
Parámetros : a, b, c y d 0
a b c d x
94
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
(x ) µ C (x )
µC( x)
C
1
C ( x; a , b , c ) = 2b
,b>0
x−c a
Campana 1+
a
C b
Parámetros : a, b y c 0
c x
ANFIS puede servir como una base para construir un conjunto de reglas de
inferencia difusas si-entonces con funciones de membresía apropiadas para generar los
pares de entrada-salida estipulados.
Donde presión y volumen son variables lingüísticas [36], alto y pequeño son valores
lingüísticos los cuales son caracterizados por funciones de membresía.
95
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Ambos tipos de reglas difusas han sido usadas ampliamente tanto en control como
modelado, una regla difusa si – entonces fácilmente puede capturar la esencia de una regla
de dedo humana por medio de funciones de membresía y variables lingüísticas. Las reglas
difusas si – entonces forman la parte central del sistema de inferencia difuso.
Los sistemas de inferencia difusos también son conocidos como sistemas basados en
reglas difusas, modelos difusos, memorias asociativas difusas o controladores difusos,
cuando son utilizados como controladores. Básicamente un sistema de inferencia difuso
está compuesto por 5 bloques funcionales (fig. 4.3) estos son:
Base de Datos. Define las funciones de membresía de los conjuntos difusos usados
en las reglas difusas.
96
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Base de
Conocimiento
Base Base
de de
Datos Reglas
Fusificación Defusificación
x en U y en V
Maquina de
Inferencia
Conjuntos Conjuntos
difusos en U difusos en V
1. Comparar las variables de entrada con las funciones de membresía en la parte de los
antecedentes para obtener los valores de membresía (grados de membresía o
medidas de compatibilidad) de cada variable lingüística (este paso frecuentemente
es conocido como fusificación).
3. Generar los consecuentes correctos (ya sea difusos o numéricos) de cada regla
dependiendo de la fuerza de disparo.
4. Agregar los consecuentes calculados para producir una salida numérica. (Este paso
es llamado defusificación).
Tipo 1: La salida global es el promedio de la fuerza de disparo de cada regla por las
funciones de membresía de salida.
97
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Tipo 3: Takagi y Sugeno, usan reglas difusas Si – Entonces, la salida de cada regla
es una combinación lineal de las variables de entrada más un término constante, y la
salida final es el promedio ponderado de la salida de cada regla.
A1 A3 C1 C3
f1 = p1 x + q1 y + r1
w1
a1 b1 c1 a3 b3 c3
X Y f1 f f
f 2 = p2 x + q2 y + r2
A2 A4 C2 C4
w2
a2 b2 c2 a4 b4 c4 a2 b2 c2
X Y f2 f f
x y
multiplicación
( o min)
w1 f1 + w2 f 2 w1 f1 + w2 f 2
f = f =
w1 + w2 centroide del area w1 + w2
f = w1 f1 + w2 f 2
Figura C.3 Tipos de razonamiento difuso
Las Redes Neuronales (RN) aparecen como una poderosa técnica de reconocimiento
de patrones, las cuales surgen en el momento en que las computadoras interactúan con el
mundo real. Las redes neuronales son ampliamente usadas en muchas aplicaciones. La
evaluación de la aplicación de las redes neuronales requieren de un conocimiento previo de
los algoritmos necesarios y técnicas desarrolladas, así como de sus fuerzas y debilidades.
Como otras técnicas de reconocimiento de patrones, las redes neuronales actúan sobre datos
detectando algunos tipos de organización fundamentales. Las RN pueden realizar tareas de
clasificación, predicción y estimación[40].
Las RN aprenden similitudes entre patrones de datos, infieren soluciones desde los
datos sin conocimiento previo de ellos, extrayendo las similitudes empíricamente.
98
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Básicamente la estructura de una red neuronal esta formada por nodos (de entrada,
salida y ocultos), conexiones capas y pesos que son prácticamente universales pero los
arreglos entre ellos varían.
Desventajas de la RN.
99
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
100
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Modelo de la neurona
θk Umbra
l
Figura C.4 Diagrama de la Red Neuronal Artificial.
101
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
En la mayor parte de los casos se asume que cada neurona recibe contribuciones
aditivas de las neuronas que están conectadas a ellas (enlaces). La entrada total de la unidad
k es la suma ponderada de las entradas que recibe, más el término de offset
sk = j
w jk y j + θ k
Topología.
El número de elementos del proceso puede variar en unas capas respecto a las otras.
Las funciones (tanto de activación como de salida) de los elementos de procesamiento
pueden ser diferentes. No existe limitación en el número de capas ocultas. En general,
cuanto mayor sea la diferencia entre los elementos de entrada y los de salida, será necesario
dotar a la estructura de más capas ocultas. Estas capas ocultas crean una representación
interna de los patrones de entrada. La habilidad de la red para procesar información crece
en proporción directa al número de capas ocultas.
102
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
Esta es la etapa mas larga y critica, en esta etapa se incluye la recopilación de datos,
su análisis, la selección de variables y el preprocesamiento de los datos (patrones de
entrada) con los cuales la red puede aprender eficientemente.
Configuración
El diseño de una red neuronal puede ser tan simple como seleccionar una red
comercial disponible, implementar el hardware o el sofware o la combinación de ambos y
configurarla de acuerdo con los datos. La selección del diseño de la red incluye definir el
comportamiento de los nodos, el procedimiento de entrenamiento, la topología de la red y
los valores de los parámetros de entrenamiento.
Entrenamiento y pruebas.
Por ultimo la parte final del desarrollo es entrenar y probar la red, durante el
entrenamiento se hacen ciclos repetidamente a través de los datos cambiando los valores de
sus pesos para mejorar su desempeño. Cada paso a través del entrenamiento de datos es
conocido como una etapa, y la red aprende a través de la acumulación de los cambios
hechos a los pesos durante todas las etapas hasta que los pesos proporciona los resultados
mas adecuados.
Una red es usada solo si esta regresa resultados apropiados con datos que no han
sido usados para su entrenamiento, para la validación de esta habilidad llamada
generalización se requiere probar la red con un conjunto independiente de datos, durante
103
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
estas pruebas la red calcula un índice de desempeño como puede ser el error cuadrático
promedio. Las pruebas durante el entrenamiento deben mostrar cuando termina este, para
evitar un sobreentrenamiento, también muestran cual configuración es mejor.
Red backpropagation
104
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
• Los problemas a resolver con estas técnicas inteligentes tienen generalmente una
componente de datos empíricos y otra de conocimiento previo, que con los sistemas
neurodifusos pueden ser explotados a cabalidad mezclando los métodos
cuantitativos y cualitativos de las RNA y la LD respectivamente.
105
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
previo
106
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
C.3.1 ANFIS
w1 w1
A1
Π N p1, q1, r1
a 1, b 1, c 1
x
w2 w2
A2
Π N p2, q2, r2
a 2, b 2, c 2
z
w3 w3
A3
Π N p3, q3, r3
a 3, b 3, c 3
y w4 w4
A4
Π N p4, q4, r4
a 4, b 4, c 4
x y
Fig. C.5 arquitectura de una red de 2 entradas, y 1 salida (propagación)
2. Propagar los patrones de entrada (x,y) y por medio del método de mínimos
cuadrados, se encuentran los parámetros de los consecuentes pi, qi y ci. Este método
se explica a continuación.
La salida de la red de acuerdo a la relación de las entradas con las reglas TSK es:
4 (C.1)
z= w r ( p r x + q r y + rr )
r =1
Como son cuatro reglas:
107
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
z1 = w1 ( p1 x + q1 y + r1 )
z 2 = w 2 ( p 2 x + q 2 y + r2 )
z 3 = w 3 ( p3 x + q3 y + r3 )
z 4 = w 4 ( p 4 x + q 4 y + r4 )
[
C = XTX ]
−1
XTZ
3. Inicializar los consecuentes con los valores que se obtienen con mínimos cuadrados.
108
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
pesos de las conexiones con el fin de reducir dicho error. Hay distintas versiones o
reglas del algoritmo de retropropagación y distintas arquitecturas a las que pueden ser
aplicados.
Cada nodo oculto calcula la suma de los errores retropropagados para encontrar la
contribución indirecta al error conocido de la salida. Después de que los errores de la
salida y de cada nodo han sido determinados los nodos ajustan sus pesos para reducir
este error. La ecuación que cambia sus pesos esta diseñada para minimizar las suma de
los errores cuadrados de la red [24]. El gradiente descendente trata de encontrar los
pesos que mejor se ajustan a los patrones y es la base del algoritmo de
retropropagacion, se trata de una regla de aprendizaje supervisado, ya que es preciso
presentar a la red todos los casos de pares entradas-salida que se desea que la red
aprenda. Este método también es conocido como Regla Delta generalizada, por que en
esencia el procedimiento consiste en modificar los pesos de las conexiones (por lo
tanto, favorecer el aprendizaje de la red) a partir del calculo o la diferencia (o delta)
entre las salidas efectivas de la red y las salidas deseadas.
w1 w1
A1
Π N p1, q1, r1
a 1, b 1, c 1
x w2 ∆u1
w2
A2 ∂E
Π N p2, q2, r2 ∆u 2
a 2, b 2, c 2 ∂∆u
∆u
w3 w3
A3 ∆u3
Π N p3, q3, r3
a 3, b 3, c 3
y w4 ∆u 4
w4
A4
Π N p4, q4, r4
a 4, b 4, c 4
x y
Fig. C.6 arquitectura de una red de 2 entradas, y 1 salida (retro.propagación)
109
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
∆α = − n∀α E (α )
(C.3)
Corrección Factor de Gradiente
= (Error )
de pesos aprendisaje local
∂E
∆α i = − n
∂α i
Suponiendo que α sea cualquiera de los parámetros (ai, bi, ci) de cualquier función de
membresía µ y que E sea la medida del error dada por:
E=
1
2
(
∆u * − ∆u
2
) (C.4)
1
Error = (salida deseada − salida real )
2
2
De acuerdo a la regla, para cualquier parámetro del nodo i en la capa 1 de forma
genérica la razón de cambio para un parámetro después de un patrón de datos
propagado es:
∂E (C.5)
∆α = − n
∂α
De acuerdo a la regla de la cadena la cual nos permite derivar composiciones de
funciones [referencia] el gradiente se puede expresar como:
∂E ∂E ∂∆u ∂ wi ∂wi ∂µ i (C.6)
=
∂α ∂∆u ∂ wi ∂wi ∂µ i ∂α
De acuerdo a la estructura de la red de la figura. (C:6) se definen las siguientes
relaciones:
∂E
E=
1
2
( 2
∆u * − ∆u )
→
∂∆u
(
= ∆u * − ∆u (− 1) ) (C.7)
∂∆ u (C.8)
∆u = wi ∆u r
→ = ∆u r
∂ wi
wi ∂w wi − wi wi (C.9)
wi =
→ i = = (1 − wi )
wi ∂wi ( wi )
2
wi
110
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
∂E 1 ∂µ (C.11)
=
∂α µ i
( )
∆u − ∆u * ∆u r w1 (1 − w1 ) i
∂α
∂E
α A − α P = −n
∂α
∂E (C.12)
α (k + 1) = α (k ) − n
∂α
De modo que sustituyendo la ecuación (C.11) en la (C.12) tenemos:
∂µ (C.13)
α (k + 1) = α (k ) − n
1
µi
( )
∆u − ∆u * ∆u r w1 (1 − w1 ) i
∂α
∂µ i
Las derivadas parciales de ∂α se encuentran de acuerdo a la función de
membresía utilizada. Para este caso definimos funciones de membresía triangulares
(figura C.7).
(x ) µ A (x )
µ A( x)
A
Triangular 0 si x ≤ a
A
x−a
si a < x ≤ b
µ = b−a
c−x 0
si b < x ≤ c a b c x
c−b
0 si x < c
ó
x−a c−x
µ ( x; a , b , c ) = max 0, min ,
b−a c−b
Parámetros : a , b , c
111
ANEXO C Fundamentos de lógica difusa, redes neuronales, sistemas neurodifusos y ANFIS
∂µ i
=0 si x ≤ a
∂a
∂µ i x−b
= si a < x ≤ b
∂a (b − a )2
∂µ i
=0 si b < x ≤ c
∂a
∂µ i
=0 si x < c
∂a
∂µ i
=0 si x ≤ a
∂b
∂µ i a−x
= si a < x ≤ b
∂b (b − a )2
∂µ i c−x
= si b < x ≤ c
∂b (c − b )2
∂µ i
=0 si x < c
∂b
∂µ i
=0 si x ≤ a
∂b
∂µ i
=0 si a < x ≤ b
∂b
∂µ i x−b
= si b < x ≤ c
∂b (c − b )2
∂µ i
=0 si x < c
∂b
112
ANEXO D Publicación RVP-AI/2004
Publicación RVP-AI/2004
En este anexo se presenta el articulo publicado en la decimoséptima reunión de verano de
potencia, aplicaciones industriales y exposición industrial, celebrada en julio del 2004 en
Acapulco, Guerrero, Este articulo describe los resultados preliminares de este tema de tesis.
113
ANEXO D Publicación RVP-AI/2004
114
ANEXO D Publicación RVP-AI/2004
115
ANEXO D Publicación RVP-AI/2004
116
ANEXO D Publicación RVP-AI/2004
117
ANEXO D Publicación RVP-AI/2004
118
ANEXO D Publicación RVP-AI/2004
119
ANEXO D Publicación RVP-AI/2004
Referencias
[1] Comisión Federal de Electricidad. Programas de inversiones del sector eléctrico 2003 –
2012. Gerencia de Programación de Sistemas Eléctricos. (noviembre 2003).
http://www.cfe.gob.mx/recursos/publicacion_id47/POISE_PORTAL_CFE_2003.pdf
[3] L. Téllez. Prospectiva del sector eléctrico 2000-2009. Informe Secretaria de Energía.
edición de la Subsecretaría de Política y Desarrollo de Energéticos y de la Unidad de
Comunicación Social. (2003)
[6] C. Garcia. Gas turbine fuzzy speed control. International Conference on Neural
Networks and Neurocontrol, proceedings 2nd Joint México-USA (1997)
[9] R. Garduño, K. Lee. Wide range operation of a power unit via feedforward fuzzy
control. Departament of Electrical Engineering, The Pennsylvania State University, IEEE
Transactions on Energy Conversion, Vol. 15, No. 4, December 2000.
[10] F. Jurado, M. Blas, M. Castro, J. Carpio. Neural networks and fuzzy logic in electrical
engineering. Department of Electrical Engineering, University of Jaen. IEEE Porto Power
Tech Conference. Porto, Portugal, September 2001.
[11] M. Mihuc. Gas turbine control system modernization: planning, design and
implementation. Paper ISA, 92-0627, 1992.
[12] Westinghouse Electric Corporation Gas Turbines Systems Division. Gas Turbine
Systems Primer, An Introduction to Gas Turbines, Combined Cycles and Gasification
Processes, Lester Pennsylvania. October 1975.
120
ANEXO D Publicación RVP-AI/2004
[17] Y.Tani, T. Iwamiya, S. Takahashi. Advanced control system for gas turbine and
combined cycle power plants. Hitachi Review, Vol. 38, No. 3, 1989.
[20] D. Naucke, F. Klawon. Fundations of Neurofuzzy Systems. John Wiley & Sonn Inc,
Paris Francia, 1997
[21] M Sugeno. An introduction survey of fuzzy control. Inform. Sci. Vol. 36, No. 1 págs.
59-83, (1985).
[22] H. Takagi., Hayashi. NN-driven fuzzy reasoning. Int. Appoximate Reasoning. I. Vol.
5, N0. 3, págs. 191-212, (1991).
[23] Halgamuge, M. Glesner M. The fuzzy neural controller FuNe II with a new adaptive
defuzzification strategy based on CBAD distribution. In European Congress on Fuzzy and
Intelligent Technologies’93. Aachen Alemania. Vol. 2, págs. 665-685.
[25] Dan Hammerstron, Adaptive Solution Inc. Working with Neural Network. IEEE
Spectrum, July 1993.
121
ANEXO D Publicación RVP-AI/2004
[26] J.S.R. Jang, N. Gulley, Natick. Fuzzy Logic Toolbox. MS, Mathworks, 2000.
[29] L-X. Wang. A course in fuzzy systems and control. Prentice Hall, Upper Saddle River,
NJ,1997.
[30] T. Takagi and M. Sugeno. Fuzzy identification of systems and its applications to
modeling and control. IEEE Trans. On Systems, Man, and Cybernetics, 15:116-132, 1985.
[31] M.Sugeno, editor. Industrial applications of fuzzy control. Elservier Science Pub. Co.,
1985.
[32] W. Pedrycz. Fuzzy control and fuzzy systems. Wiley, New York, 1989
[34] A. Kandel, editor. Fuzzy expert systems. CRC Press, Boca Raton, FL, 1992.
[35] L.A. Zadeh. Fuzzy sets. Information and Control, 8:338-353, 1965.
[36] L.A. Zadeh. Outline of a new appoach to the analisis of complex systems and decision
processes. IEEE Trans. On Systems, Man, and Cybernetics, 3(1):28-44, January 1973.
[37] T. Takagi and M. Sugeno. Derivation of fuzzy control rules from human operator´s
control actions. Proc. of the IFAC Symp. on Fuzzy Information, Knowledge Representation
and Decision Analysis, pages 55-60, July 1983.
[38] C.-C. Lee. Fuzzy logic in control systems: fuzzy logic controler-part 1. . IEEE Trans.
On Systems, Man, and Cybernetics, 20(2):404-418,1990.
[39] C.-C. Lee. Fuzzy logic in control systems: fuzzy logic controler-part 2. . IEEE Trans.
On Systems, Man, and Cybernetics, 20(2):419-435,1990.
[41] J-S. Roger Jang, C.-T. Sun, E. Mizutani. Neuro-Fuzzy and Soft Computing. Prentice
Hall, Upper Saddle River, NJ,1997.
122