Abstract

Este artículo presenta el control de generación automática de un sistema térmico desigual de tres
áreas. Las turbinas de recalentamiento de una sola etapa y las restricciones de velocidad de
generación de 3% / min se consideran en cada área de control. Controladores tales como Integral
(I), Proporcional - Integral (PI), Proporcional - Integral - Derivativo (PID), y Proporcional - Integral -
Derivado Plus Derivado de Segundo Orden (PID + DD) son tratados como controladores secundarios
por separado. Una técnica de optimización inspirada en la naturaleza llamada algoritmo Ant Lion
Optimizer (ALO) se utiliza para la optimización simultánea de las ganancias del controlador. La
comparación de las respuestas dinámicas de las frecuencias y las potencias de línea
correspondientes a los controladores I, PI, PID y PID + DD optimizados ALO revela el mejor
rendimiento del controlador PID + DD en términos de menor tiempo de asentamiento,
sobreimpulsos pico y oscilaciones reducidas. La robustez de las ganancias óptimas del mejor
controlador obtenido en condiciones nominales se evalúa mediante el análisis de sensibilidad. El
análisis reveló que las ganancias óptimas del controlador PID + DD obtenidas a nivel nominal son
robustas y no es necesario reiniciar de nuevo los cambios en la carga, parámetros como la constante
de inercia (H), el tamaño y la posición de la perturbación. Además, el rendimiento del controlador
PID + DD se encuentra mejor en comparación con el controlador PID frente a la condición de patrón
de carga aleatorio.

Introducción
A medida que la complejidad del sistema de alimentación aumenta día a día, es necesario mantener
la frecuencia y atar las líneas de energía dentro de sus límites preestablecidos para mantener el
sistema interconectado confiable y seguro. Siempre que haya un cambio en la carga en el sistema
de potencia, la frecuencia y las potencias de línea de enlace se desvían de sus valores nominales o
programados, lo cual es indeseable y puede llevar a un funcionamiento incorrecto del sistema de
potencia. Por lo tanto, se requiere un control continuo entre la demanda de carga y la generación,
que se denomina control de frecuencia de carga (LFC) o control de generación automática (AGC),
mantiene el error de control de área (ACE) en cero. ACE es el término utilizado para representar las
desviaciones tanto en la frecuencia como en las potencias de línea de enlace como una combinación
lineal, que viene dada por (1).

donde los sufijos i, j representan áreas (i = 1, 2, 3 y j = 1, 2, k = 2 (para k - j), 3) y Bi (factor de

polarización del área i) = bi (características de respuesta de frecuencia de área (AFRC) del área i). De
la encuesta de la literatura, se puede observar que el tema de LFC se estudia tanto en sistemas de
energía aislados como interconectados [1-11]. Wang et al. [1] estudió AGC en un sistema de
potencia de área única con restricciones de velocidad de generación (GRC). Elgerd et al. Proponen
el concepto de modelado de áreas múltiples de un sistema interconectado a través de una línea de
enlace. [2] Los investigadores en [3-5] llevaron a cabo un estudio AGC de dos áreas de sistemas de
energía interconectados con la ayuda del modelo propuesto en [2]. La investigación reciente se
centra en AGC de un sistema interconectado cuyas áreas de control son más de dos [6,8,12,13].
Para un control más suave de la frecuencia, además del sistema de control de velocidad, se puede
ir por el controlador secundario que puede garantizar cero ACE. AGC de un sistema interconectado
con controladores Integrales y Proporcionales - Integrales (PI) se presenta en la Ref. [4]. Los autores
en [6,7] presentaron AGC con controlador Proporcional - Integral-Derivativo (PID). Saikia et al. [8]
introdujo un nuevo controlador clásico, Integral más derivado doble (IDD) y superioridad
comprobada del controlador IDD sobre Integral (I), Proporcional-Integral (PI), Proporcional - Integral
- Derivado (PID) y Integral-Derivativo (ID) Controladores . Sahu et al. [9] introdujo dos grados de
libertad Proporcional - Integral - Derivado (2 DOF - PID) controlador en AGC [9]. Alomoush [10]
investigó el AGC de un sistema aislado e interconectado con órdenes de orden entero (IO) y de
orden fraccional (FO) y concluyó el mejor rendimiento de los controladores FO sobre los
controladores IO. Las técnicas inteligentes como la lógica difusa y las redes neuronales también se
aplican para investigar el tema AGC [11, 12]. Sahu et al. [11] presentó el controlador PI de lógica
difusa para AGC de dos sistemas de área donde Kuntia et al. enfoque de red neuronal aplicada para
estudiar áreas múltiples AGC [12]. Los inconvenientes de la lógica difusa y las redes neuronales, tales
como el consumo de tiempo en diferentes etapas, como la formación de la base de reglas y la
formación de la red neuronal se señalan en [13]. Recientemente, en [14] los autores aplicaron un
nuevo controlador denominado PID más derivado de segundo orden (PID + DD) al sistema regulador
de voltaje automático (AVR) y demostraron un mejor rendimiento en PID y controladores de orden
fraccionada PID (FOPID). Controlador PID + DD también demostró su robustez frente a las
incertidumbres del modelo del sistema AVR. Sorprendentemente, el controlador PID + DD no se
presenta para estudiar el problema de AGC. Esto necesita más investigaciones.
ACE efectivamente se convertirá en cero si y solo si las ganancias del controlador están optimizadas
adecuadamente. Inicialmente para seleccionar las ganancias del controlador, se utilizó el método
clásico. La técnica clásica es un método de prueba y error e ineficiente. Más tarde, los investigadores
utilizaron algoritmos basados en la población o técnicas de optimización para obtener los valores
adecuados de las ganancias del controlador. Los algoritmos basados en la población evolucionan en
diferentes etapas a través de generaciones para encontrar la mejor solución más adecuada. Sin
embargo, la técnica de optimización particular puede tener un mejor rendimiento en la resolución
de un problema específico, ya que, como otros algoritmos, no. Diferentes técnicas de optimización
como Algoritmo Genético (GA) [15], Optimización de Enjambre de Partículas (PSO) [16],
Optimización de Enjambre de Partículas híbrido y Búsqueda de Patrón (PSO híbrido y PS) [11],
Evolución Diferencial (DE) [9], Artificial Bee Colony (ABC) [17], Bacterial Foraging Optimization (BFO)
[18], Gravitational Search Algorithm (GSA) [7], Fire fly algorithm (FA) [13], hybrid firefly algorithm y
pattern search (hybrid FA y PS) [19], Cuckoo Search (CS) [20], y Bat Algorithm (BA) [21] etc., se
aplican para optimizar las ganancias del controlador. El principal inconveniente del Algoritmo
Genético (GA) es su convergencia prematura, que reduce la eficiencia de la búsqueda y se señala en
[18]. Para superar esta desventaja, los autores presentaron la técnica de BFO y demostraron el
mejor rendimiento de BFO sobre la técnica clásica y el algoritmo genético en [18]. Sahu et al. [7]
aplicó el algoritmo de búsqueda gravitacional (GSA) que está inspirado en las leyes newtonianas de
la gravedad y el movimiento y concluyó la superioridad GSA sobre los algoritmos GA, DE y BFO. En
Ref. [17] los autores aplicaron el algoritmo ABC y demostraron su mejor rendimiento en
comparación con PSO. Debbarma et al. [13] presentó la aplicación del algoritmo de luciérnaga (FA)
que depende del comportamiento de parpadeo de las luciérnagas, al problema de AGC. Su estudio
revela que FA puede funcionar mejor que la técnica BFO. Dash et al. [20] aplicaron el algoritmo CS
para optimizar diferentes controladores de dos grados de libertad (2 DOF) y presentaron el mejor
rendimiento de CS sobre algoritmos FA y BFO con la ayuda de las características de convergencia.
Algunos investigadores presentaron Bat Algorithm (BA) a AGC del sistema interconectado [21].
Debido a las dificultades asociadas y la complejidad de AGC, los autores están buscando algoritmos
nuevos y eficientes que puedan funcionar mejor que los algoritmos existentes. Recientemente,
Mirjalili introdujo un algoritmo inspirado en la naturaleza llamado Ant Lion Optimizer (ALO) [22].
También es un algoritmo basado en la población que se basa en el mecanismo de caza de los leones
hormigueros en la naturaleza. ALO se utiliza con éxito para resolver diferentes tipos de funciones
de prueba, como funciones unimodales, multimodales y compuestas. Las funciones uni-modales
tienen valores óptimos únicos. Por el contrario, las funciones multimodales tendrán más de un valor
óptimo, de los cuales uno es óptimo global. Las funciones compuestas son principalmente las
versiones combinadas, giradas, desplazadas y sesgadas de las funciones de prueba unimodal y
multimodal. Para las funciones de prueba unimodales, ALO proporciona una alta tasa de explotación
y convergencia debido al mecanismo de contracción del límite y al elitismo. Las funciones
compuestas tendrán más número de óptimos locales y diferentes formas en diferentes áreas de
espacios de búsqueda. En las funciones multimodales y compuestas, el algoritmo ALO demostró ser
mejor en la exploración mejorada, la evitación de óptimos locales, la explotación y la convergencia
en diferentes formas de espacios de búsqueda. La alta exploración en funciones compuestas y
multimodales se debe a las selecciones de aleatoriedad y rueda de la ruleta. ALO también se prueba
con problemas en tiempo real, como la configuración óptima de las hélices de los barcos. La
evaluación del rendimiento de ALO con diferentes problemas y aplicaciones de benchmark
demuestra su mejor rendimiento en comparación con otros algoritmos como GA, PSO, FA, BA y CS.

Algunos autores también presentaron un análisis de sensibilidad para probar la solidez de los
parámetros de control propuestos obtenidos en condiciones nominales frente a las incertidumbres
del sistema, como las variaciones en la carga, la constante de inercia (H), el tamaño y la posición de
las perturbaciones. En [8,13,18] los autores presentaron sensibilidad a las variaciones en la carga y
la constante de inercia desde sus condiciones nominales. Sin embargo, el análisis de sensibilidad no
se presenta en ningún estudio AGC disponible en el pasado para las ganancias de controladores PID
+ DD optimizados ALO.

En la literatura, se dispone de muy pocos estudios [23,24] sobre el rendimiento del controlador
cuando la naturaleza de la perturbación se cambia de paso a aleatorio, es decir, patrón de carga
aleatoria (RLP). Sin embargo, el rendimiento del controlador optimizado PID + DD de ALO aún no se
ha estudiado contra RLP en AGC.

De la discusión anterior, los siguientes son los objetivos principales del presente trabajo.

(a) Aplicación del algoritmo Ant Lion Optimization (ALO) para la optimización simultánea de
ganancias de diferentes controladores, a saber, I, PI, PID y PID + DD, y comparación de las respuestas
dinámicas correspondientes a cada controlador para encontrar la mejor.

(b) Análisis de sensibilidad para el mejor controlador para variaciones amplias en la carga del
sistema, la constante de inercia, el tamaño y la posición de la perturbación.

(c) Prueba de rendimiento del mejor controlador con patrón de carga aleatorio (RLP).

Sistema investigado
Se considera para estudio un sistema térmico de tres áreas interconectadas. Las capacidades de
diferentes áreas de control están en la proporción de 2: 5: 8. Cada área está equipada con turbinas
de recalentamiento de una etapa. También se consideran restricciones de frecuencia de generación
(GRC) de 3% / min en cada área. Para tener todos los valores en la misma base, los valores por
unidad se toman en términos de las capacidades de área. Para este propósito se toman en cuenta
las cantidades a12 = -2/5, a23 = -5/8 y a13 = -1/4. El modelo de función de transferencia para el sistema
propuesto de tres áreas se muestra en la Fig. 1. Los parámetros nominales del sistema se toman de
[18] y se representan en el Apéndice A. Controladores como I, PI, PID y PID + DD se consideran
controladores secundarios por separado. La dinámica del sistema se evalúa con una perturbación
de carga por pasos (SLP) del 1% en el área1. Las ganancias del controlador se optimizan con la ayuda
del algoritmo Ant Lion Optimizer (ALO) inspirado en la naturaleza. La función de costo (J)
considerada en esta optimización es Integral Squared Error (ISE) y dada por Eq. (2) El modelo de
simulación y la codificación de ALO se realiza en el software Matlab.

donde i = número de área (1, 2, 3), j = número de área (1, 2), k = 2(para k diferente a j), 3.

algoritmo optimizador hormiga león

Recientemente, en 2015 Mirjalili propuso un algoritmo inspirado en la naturaleza llamado Ant Lion
Optimizer (ALO) que imita el comportamiento de caza de los leones hormigueros en la naturaleza
[22]. La fase de las larvas y las fases adultas son dos etapas importantes en el ciclo de vida de ALO.
Los leones hormigueros cazan en fase de larva y usan la fase adulta para la reproducción. La etapa
de larvas es la inspiración del algoritmo ALO. Los leones hormigueros cavan un foso en forma de
cono en la arena moviéndose en una trayectoria circular y arrojando la arena con las mandíbulas.
Después de cavar la trampa, las larvas esperan a orar (hormigas). El tamaño de la trampa depende
del nivel de hambre del león hormiguero y el tamaño de la luna. Si el nivel hambriento o el tamaño
de la luna son más, entonces el tamaño de la trampa es mayor y viceversa. Si oras entrar en la
superficie del cono, caerá fácilmente dentro de ella. Si el león hormiga encuentra que reza en la
trampa, atrapará la oración. Hay principalmente cinco operaciones en el algoritmo ALO: movimiento
aleatorio de hormigas, construcción de trampas, atrapamiento de hormigas en trampas, captura de
presas y reconstrucción de trampas. Esta sesión presenta pasos importantes en el algoritmo ALO.
Fig. 3. Comparación de las respuestas dinámicas del sistema para los controladores I, PI, PID y PID +
DD para tres sistemas térmicos de áreas desiguales (a) ∆f1 = f (t), (b) ∆f2 = f (t), (c ) ∆f3 = f (t),
(d) ∆Ptie 1-2 = f (t), (e) ∆Ptie 1-3 = f (t), (f) ∆Ptie 2-3 = f (t)
Las posiciones aleatorias de las hormigas se guardan en la matriz MAnt.

Am; n es el valor de la m-ésima variable (dimensión) de la n-ésima hormiga, n = número de hormigas

(tamaño de la población).

La aptitud de todas las hormigas se almacenará en la matriz MOA en términos de función objetivo f

La posición y la aptitud de ant-lion están representadas por las matrices MAntlion, MOAL
respectivamente
Movimiento aleatorio de hormigas
Las hormigas se mueven aleatoriamente para buscar comida. El movimiento aleatorio de hormigas
está dado por Eq. (7)

donde cumsum representa la suma acumulativa, n = número máximo de hormigas, t = paso de la

caminata aleatoria (iteración) y

rand es un número aleatorio producido con distribución uniforme en [0,1].

Para restringir el movimiento aleatorio dentro del espacio de búsqueda, se utiliza la forma
normalizada, que se basa en la normalización min-max. La posición de las hormigas se puede
actualizar mediante Eq. (9)

donde am, bm son el mínimo y máximo de la caminata aleatoria de hormigas c tm, dtm, representa
la mínima y máxima variable m th en la t th iteración. (enésimas)
Atrapamiento de hormigas
La expresión matemática del atrapamiento de las hormigas en los pozos de la hormiga león viene
dada por las ecuaciones. (10) y (11).

Construcción de trampa
El león hormiguero más apto se selecciona utilizando el método de ruleta.

Hormigas deslizándose hacia la hormiga león

El deslizamiento de hormigas en pozos está dado por Ecs. (12) y (13).

donde I = 10w t/s , t es la iteración actual, S es el número máximo de iteraciones y w es una constante
cuyo valor viene dado por
Fig. 4. Comparación de respuestas dinámicas de GA, PSO, DE, FA y ALO. (a)∆f1 = f (t),
(b) ∆ Ptie 1-3 = f (t).
Fig. 5.- Comparación de la desviación de frecuencia en el área 1 al 75% de carga con valores óptimos
correspondientes al 75% de carga y al 50% de carga

Fig. 6. Comparación de la desviación de frecuencia en el área 1 al 25% de carga con valores óptimos
correspondientes al 25% de carga y al 50% de carga.
Fig. 7. Desviación de la frecuencia de comparación en el área1 en H = 6 s para valores óptimos
correspondientes a H = 6 s y H = 5 s.

Fig. 8. Desviación de la frecuencia de comparación en el área 1 en H = 4 s para los valores óptimos

correspondientes a H = 4 s y H = 5 s.
Fig. 9. Comparación de la desviación de frecuencia en el área 1 al 2% de SLP en el área 1 para los
valores óptimos correspondientes al 2% de SLP y al 1% de SLP en el área1.

Fig. 10. Comparación de la desviación de frecuencia en el área 1 a 3% de SLP en el área 1 para los
valores óptimos correspondientes al 3% de SLP y al 1% de SLP en el área1.
Fig. 11. Comparación de la desviación de frecuencia en el área 1 al 1% de SLP simultáneamente en
el área1, el área2 y el área3 con los valores óptimos correspondientes al 1% de SLP simultáneamente
en el área1, el área2, el área3 y el 1% de SLP en el área1.

Fig. 12. Patrón de carga aleatorio.

Fig. 13. Comparación de la desviación de frecuencia en el área 1 con un patrón de carga aleatorio
con controladores PID y PID + DD con los valores óptimos correspondientes.

Fig. 14. Comparación de la desviación de la potencia de la línea de enlace en la línea que conecta el
área2 y el área3 en un patrón de carga aleatorio con controladores PID y PID + DD con los valores
óptimos correspondientes.
Capturando el proceso de oración y reconstrucción del pozo.
Ant león atrapa a la hormiga cuando alcanza el fondo del pozo y consume. Después de esto, hormiga
tiene que actualizar la posición para atrapar nuevas presas. Este proceso está representado por Eq.
(15).

Elitismo
Elitismo se usa para mantener las mejores soluciones en cada etapa. La mejor hormiga león
obtenida es tratada como élite, que es la hormiga hormiga más apta. La élite debería afectar a la
hormiga león en cada etapa (movimiento aleatorio). Para esto, se asume que cada hormiga se asocia
con una hormiga león por la rueda de la ruleta y la élite que viene dada por la ecuación. (dieciséis).

RA, RB representa la caminata aleatoria alrededor de la hormiga seleccionada y la élite en la

iteración tth simultáneamente. El algoritmo detallado está disponible en Ref. [22]. En este
documento para fines de optimización, tamaño de la población (n) = 10, se considera el número
máximo de iteraciones (S) = 200. Algoritmo ALO probado para varias ejecuciones para obtener las
ganancias óptimas del controlador sometidas a la minimización de la función de costo J.

Controlador PID plus Dual Derivative (PID + DD)

Controlador proporcional - integral - derivado (PID) ampliamente utilizado debido a su diseño simple
y su rendimiento robusto frente a una amplia gama de condiciones operativas. Un PID como el
controlador estructurado, Proporcional -Integral - Derivado más Derivado doble (PID + DD) alcanzó
la atención de los investigadores para estudiar el sistema de regulador automático de voltaje AVR
[14]. El controlador PID + DD consta de cuatro términos de control, mientras que tres mandos de
control en el controlador PID. La estructura del controlador PID + DD propuesto se muestra en la
Fig. 2. La entrada al controlador es la señal de error e (t) = ACE, donde la salida U (s) del controlador
viene dada por Eq. (17).

donde KP, KI, KD y KDD son ganancias proporcionales, integrales, derivadas y derivadas dobles del
controlador PID + DD, ACE es el controlador de área. La principal diferencia entre el controlador PID
y el controlador PID + DD es el término derivado extra de segundo orden. Esto se puede determinar
mediante la ganancia derivada doble (KDD). Los controladores derivados dobles proporcionan
resultados destacados que los controladores derivados únicos [8]. Sin embargo, las perturbaciones
aumentan drásticamente en los controladores de doble derivada. La aplicación del controlador PID
+ DD se realiza en el sistema AVR y se mejoró con respecto a los controladores PID de orden
fraccionada y PID. Los cuatro parámetros del controlador están optimizados con el algoritmo Ant
Lion Optimizer (ALO) para encontrar la minimización de la función de costo J sujeta a

Los límites inferior y superior se toman como 0 y 1 para todas las ganancias de los controladores
propuestos. Las respuestas dinámicas con PID + DD se comparan con otros controladores.

Resultados y análisis
Desempeño comparativo de los controladores I, PI, PID y PID + DD
El algoritmo Ant Lion Optimizer (ALO) se usa para optimizar las ganancias del controlador de los
controladores I, PI, PID y PID + DD por separado con 1% de SLP en el área 1 del sistema
interconectado. Cuando el sistema se proporciona con el controlador I, los valores óptimos
obtenidos son KI1 / = 0.7569, KI2 / = 0.3943, KI3 / = 0.5291, con los controladores PI KI1 / = 0.61158,
KI2 / = 0.1615, KI3 / = 0.4035, KP1 / = 0.0127, KP2 / = 0.0100, KP3 / = 0.1949, con controladores PID,
KI1 / = 0.4899, KI2 / = 0.4031, KI3 / = 0.3542, KP1 / = 0.0273, KP2 / = 0.1103, KP3 / = 0.1039, KD1 / =
0.1862 , KD2 / = 0.0139, KD3 / = 0.0203, y con controlador PID + DD KI1 / = 0.2185, KI2 / = 0.3892,
KI3 / = 0.3558, KP1 / = 0.2988, KP2 / = 0.0221, KP3 / = 0.1013, KD1 / = 0.1038, KD2 / = 0.1031, KD3
/ = 0.1122, KDD1 / = 0.0099, KDD2 / = 0.0216, KDD3 / = 0.0758. Las respuestas dinámicas
correspondientes a estos valores óptimos para cada controlador se obtienen y se comparan en la
figura 3 (a) - (f). Los tiempos de establecimiento y los picos de pico de las respuestas de la Fig. 3 se
anotan y proporcionan en la Tabla 1. Es claro a partir de la Fig. 3 y Tabla 1 que el controlador PID +
DD proporciona mejores respuestas dinámicas en términos de menor tiempo de establecimiento y
magnitudes menores de sobreimpulso máximo así como también magnitudes reducidas de
oscilaciones en comparación con los controladores I, PI y PID. Para investigar el rendimiento del
algoritmo ALO, las otras técnicas de optimización basadas en la población como GA, PSO, DE y FA se
utilizan para optimizar las ganancias del controlador PID + DD (KPi, KIi, KDi y KDDi) en el mismo
sistema de estudio a nivel nominal condiciones del sistema No se muestran los valores ajustados de
los parámetros de todos los algoritmos anteriores y los valores óptimos obtenidos. En la Fig. 4 se
compara la respuesta dinámica del sistema con las ganancias óptimas obtenidas a través de cada
una de las técnicas de optimización, es decir, los controladores PID + DD optimizados GA, PSO, DE,
FA y ALO. El análisis crítico revela que ALO optimizó PID + DD el controlador proporciona valores
menores de sobreimpulsos pico, oscilaciones y tiempo de establecimiento. Solo se muestran dos
respuestas dinámicas para la justificación de la declaración.

Análisis de sensibilidad
Para probar la solidez del controlador PID + DD, KPi*, KIi*, KDi* y KDDi* obtienen en
condiciones nominales contra las variaciones en las condiciones del sistema, como las
variaciones en la carga, la constante de inercia, la magnitud y la posición del SLP, el análisis
de sensibilidad se lleva a cabo

Análisis de sensibilidad para variaciones en la carga y la constante de inercia

(H)

En esta sección, el controlador PID + DD se prueba contra una amplia variación de las
condiciones del sistema, como la carga y el parámetro del sistema (H) desde su condición
nominal. La carga nominal del sistema es del 50% y la constante de inercia H es de 5 s. La
carga del sistema y la constante de inercia (H) varían en ± 25% y ± 20% respectivamente. En
cada condición modificada, el controlador PID + DD gana KPi, KIi, KDi y KDDi se optimizan
de nuevo con el algoritmo ALO y se muestran en la Tabla 2. Las respuestas dinámicas con
ganancias correspondientes a condiciones nominales y cambiadas se comparan y se
muestran en las Figs. 5-8. Se puede ver en las Figs. 5-8 que las respuestas dinámicas con
ganancias óptimas correspondientes a las condiciones nominales y modificadas son más o
menos las mismas. Esto demuestra que la robustez de las ganancias óptimas del controlador
(KPi*, KIi*, KDi* y KDDi*) se obtiene en condiciones nominales para grandes variaciones en
las condiciones del sistema, como la carga y la constante de inercia.

Rendimiento del controlador PID + DD contra el tamaño y la posición de SLP

En este caso, el controlador PID + DD se prueba en cuanto a robustez frente a una magnitud
mayor y diferentes posiciones de SLP. El sistema de estudio está provisto de 2% de SLP, 3%
de área de SLP 1 y 1% de SLP en todos los controles 62 M. Raju et al. / Energía Eléctrica y
Sistemas de Energía 80 (2016) 52-63 áreas (área1, área2 y área3) por separado. En cada
caso, las ganancias del controlador PID + DD tales como KPi, KIi, KDi y KDDi están
optimizadas y se representan en la Tabla 2. Las respuestas dinámicas del sistema con
ganancias del controlador correspondientes a condiciones de SLP nominales y modificadas
se muestran en las Figs. 9-11. Está claro de las Figs. 9-11 que el rendimiento del controlador
PID + DD con parámetros ópticos de condición SLP nominales y modificados es más o menos
el mismo, lo que demuestra la solidez del controlador PID + DD frente a un valor más alto
de SLP y SLP simultáneos en todas las áreas de control.

Rendimiento del controlador PID + DD contra patrón de carga aleatorio (RLP)

Para analizar el rendimiento del controlador PID + DD frente a la naturaleza aleatoria de la

carga, se aplica un patrón de carga aleatoria (RLP) como se muestra en la figura 12 en el
área 1 como perturbación. Los controladores PID y PID + DD se consideran el sistema como
controladores secundarios y, en ambos casos, las ganancias del controlador se optimizan
con ALO. Cuando el sistema se proporciona con controlador PID, los valores óptimos
obtenidos son KI1 / = 0.2011, KI2 / = 0.3463, KI3 / = 0.6461, KP1 / = 0.3110, KP2 / = 0.2100,
KP3 / = 0.0100, KD1 / = .0936, KD2 / = 0.0100, KD3 / = 0.0167 y con controlador PID + DD
son el controlador KI1 / = 0.2145, KI2 / = 0.0763, KI3 / = 0.3287, KP1 / = 0.2036, KP2 / =
0.0108, KP3 / = 0.1726, KD1 / = 0.2642 , KD2 / = 0.0100, KD3 / = 0.0140, KDD1 - / = 0.0376,
KDD2 / = 0.0200, KDD3 / = 0.0520. Las respuestas dinámicas del sistema con los valores
óptimos correspondientes a los controladores PID y PID + DD con RLP se comparan y se
muestran en las Figs. 13 y 14. De las Figs. 13 y 14 se ve claramente que el controlador PID +
DD superó al controlador PID en términos de desviaciones y oscilaciones frente al patrón
de carga aleatorio.

Conclusión
La aplicación principal del controlador PID + DD se presenta como un controlador
secundario para AGC del sistema de interconexión térmica de tres áreas. El algoritmo de
optimización inspirado en la naturaleza llamado Anti lion optimizer se aplica para optimizar
las diferentes ganancias del controlador PID + DD como KPi, KIi, KDi y KDDi. El controlador
optimizado PIDD + DD de ALO tuvo un mejor rendimiento en comparación con los
controladores I, PI y PID en términos de tiempo (s) de establecimiento, exceso de pico y
oscilaciones. El análisis de sensibilidad revela que las ganancias óptimas del controlador PID
+ DD obtenidas en condiciones nominales y parámetros del sistema son lo suficientemente
robustas y no necesitan reiniciarse para variaciones amplias en las condiciones del sistema
tales como carga, constante de inercia, tamaño y posición de SLP. El rendimiento del
controlador optimizado PID + DD de ALO se encuentra mejor contra RLP como perturbación
en comparación con el controlador PID.