Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ELT 4100
CONTROL INTELIGENTE DE UN
GENERADOR SINCRÓNICO BASADO
EN LÓGICA DIFUSA
(INFORME DE INVESTIGACIÓN)
Índice General i
Resumen iii
I. INTRODUCCIÓN 1
1.1 Planteamiento del Problema 1
1.2 Objetivos 4
1.2.1 Objetivos Generales 4
1.2.2 Objetivos Específicos 4
1.3 Hipótesis 5
1.4 Revisión Bibliográfica 5
1.5 Descripción del Trabajo 10
II MODELACIÓN MATEMÁTICA 11
2.1 Introducción 11
2.2 Modelo Matemático del Generador 11
2.2.1 Modelo Mecánico 11
2.2.2 Modelo Eléctrico 12
2.3 Diagrama de Bloques 14
2.4 Esquema de Control Propuesto 15
III MODELACIÓN DIFUSA 17
3.1 Introducción 17
3.2 Lógica de Aristóteles 17
3.2.1 Conjuntos Clásicos [22] 17
3.3 Lógica Difusa 18
3.3.1 Conjuntos Difusos 19
3.3.2 Variables Lingüísticas 20
3.3.3 Funciones de Pertenencia 21
3.3.4 Operaciones Básicas de Lógica Difusa 21
3.4 Modelos Basados en Lógica Difusa 22
3.5 Modelos Difusos Lingüísticos 23
3.5.1 Fusificación 23
3.5.2 Base de Reglas 24
3.5.3 Motor de Inferencia 24
3.5.4 Desfusificación 26
3.6 Modelos Difusos de Takagi y Sugeno 26
3.6.1 Ventajas de los Modelos Difusos 27
3.7 Sistema de Lógica Difusa 28
3.8 Sistema de Control 28
3.8.1 Sistema de Control de Lazo Cerrado 29
3.9 Diseño de Controladores para Sistema de Control 29
3.10 Controlador Difuso 29
3.10.1 Controlador PID 30
3.10.2 Controlador Difuso PD 31
IV APLICACIÓN 32
4.1 Introducción 32
4.2 MATLAB® 32
4.3 SIMULINK® 32
4.4 Datos del Sistema 33
4.5 Base de Reglas Difusas 34
4.5.1 Base de Reglas Difusa empleadas por el controlador difuso P 34
i
4.5.2 Base de Reglas Difusa empleadas por el controlador difuso P 35
4.6 Respuesta del Generador 36
4.6.1 Respuesta del generador con un controlador tradicional 36
4.6.2 Respuesta del Generador con un Controlador Inteligente 37
4.7 Análisis de Resultados 44
V CONCLUSIONES Y DESARROLLOS FUTUROS 45
5.1 Introducción 45
5.2 Conclusiones 45
5.3 Desarrollos Futuros 45
Referencias Bibliográficas 47
Anexos 50
Anexo A1 Calculo de Constantes Ki 50
ii
Resumen
Se consideró un controlador difuso PI, por ser el más común, además su rendimiento es
óptimo.
iii
I. INTRODUCCIÓN
La energía eléctrica, hoy en día, es una forma de energía de mayor consumo final en el
mundo. Por lo que, se hace necesario generar la energía eléctrica, transportarlo y
distribuirlo en forma económica y confiable. Las tensiones en cada una de las barras del
sistema deben ser controladas dentro del margen del ± 10 % respecto al valor nominal
por medio de los reguladores automáticos de tensión que controlan la corriente de
excitación de la excitatriz de los generadores, cambiadores de taps bajo carga de
transformadores y por las fuentes de potencia reactiva distribuidas a lo largo del SEP.
1
La operación y control de un SEP, está sujeta a diversas perturbaciones, las cuales
pueden conducir a un colapso al sistema. Las perturbaciones consideradas para la
presente investigación son las variaciones de carga abruptas que modifican el perfil de
tensiones a niveles inaceptables en algunas barras del SEP y asimismo la frecuencia.
Para responder a estas variaciones, deben actuar los reguladores de los generadores.
Las consecuencias de los colapsos, son generalmente catastróficas, las que se pueden
manifestar como pérdidas económicas, desgracias humanas, etc.
Para una determinada condición de operación del SEP, el sistema puede transitar a otra
condición con una dinámica no adecuada y tal vez pueda presentarse un colapso del
sistema si los reguladores no responden adecuadamente.
2
perturbaciones externas, o cuando el proceso de encontrar un modelo adecuado de
la dinámica del sistema es excesivamente complejo. Este tipo de situaciones se ha
venido afrontando en los últimos tiempos con técnicas avanzadas de control, entre
las cuales se pueden nombrar el control adaptable por modelo de referencia, la
programación de ganancias, los esquemas basados en el criterio de estabilidad de
Liapunov y los controladores de estructura variable.
El controlador inteligente con lógica difusa, es más sencillo, por que está basado en
la observación del sistema en condiciones de operación. Esta observación de la
realidad, presenta reglas difusas, que pueden ser implementadas fácilmente en un
programa computacional.
Por otro lado, los esquemas de control basados en técnicas de inteligencia artificial
como la utilización de mecanismos de inferencia basados en algoritmos genéticos,
redes neuronales o lógica difusa también han adquirido gran importancia en las
aplicaciones de control.
3
Siguiendo esta tendencia, en este trabajo se presentaran técnicas de control inteligente
aplicados al control de generadores eléctricos, basadas en sistemas de inferencia neuro-
difusos.
1.2 Objetivos
Por lo tanto, los objetivos que se persiguen con la investigación, se dividen en objetivos
generales y objetivos específicos.
4
1.3 Hipótesis
El artículo presentado por T. Hiyama [4], es uno de los primeros trabajos reportados en
la literatura que emplea reglas de control. Presenta una aplicación de un esquema de
control de estabilización basado en reglas para mejorar la estabilidad de un SEP. Varias
reglas simples son preparadas para cada generador del sistema. La señal de
estabilización para cada generador es de tipo discreto y se renueva en cada muestreo
para controlar los niveles de excitación que depende del estado de la
velocidad/aceleración al utilizar las mediciones realizadas de la salida, es decir, la
desviación de la velocidad y las reglas de control.
Carlos Buelna y Rogelio Soto [5, 6], presentan el diseño de un controlador neuro-difuso
para estabilizar la frecuencia y tensión de salida de un generador sincrónico. La
estructura de control propuesta consiste en dos controladores PI-difusos y dos redes
neuronales. Con esa estrategia de control, se reduce la dificultad de ajuste fino de los
factores de escala. El ajuste experimental se realiza en un laboratorio y una
computadora para el algoritmo de control. Se muestran los resultados de la simulación y
experimental, el sistema es robusto para grandes cambios de la carga.
5
segundo en lógica difusa y el tercero utiliza las teorías de control H y control
proyectivo. Como objetivo de control se considera mejorar la estabilidad y la respuesta
dinámica de un generador conectado a una barra infinita. El desempeño de los
estabilizadores se evalúa mediante simulación no lineal del sistema eléctrico de potencia
con el software MATLAB. Este artículo, si bien no trata del control propiamente de un
generador, es interesante puesto que considerar en su modelación el sistema de
excitación de un generador, además emplea la lógica difusa y reglas heurísticas en la
estructura de un estabilizador de potencia.
6
utilizar con técnicas avanzadas de control. La simulación se realiza mediante el software
MATLAB.
M. Noroozian, et al. [12], presentan un controlador con lógica difusa que cambia la
reactancia serie para amortiguar las oscilaciones electromecánicas del sistema de
potencia. Se construye un juego de reglas del control y la inferencia es proporcionada
por una lógica difusa razonada. La base de conocimiento para el controlador, se
establece de la observación del comportamiento dinámico de un sistema de potencia
sencillo y el conocimiento de la ingeniería general sobre la dinámica del sistema. La
actuación del controlador, muestra ser robusta y comparable al controlador óptimo con
un tiempo mínimo.
7
diferencia temporal y Q-aprendizaje en el algoritmo de aprendizaje. Se informan
resultados experimentales con ambos en el problema del equilibrio del péndulo
invertido, problema de la estabilización del sistema potencia y el problema recuperación
del sistema de satélite atorado.
8
estabilizador propuesto es demostrado implementando en forma práctica usando un
procesador digital de señal montado en un PC-AT. Se presentan los resultados de las
pruebas experimentales sobre un modelo físico de un SEP.
Los enfoques considerados por los diversos autores para el control inteligente del
generador eléctrico y SEP, se pueden clasificar en:
Del análisis de los trabajos desarrollados sobre el tema, este trabajo se enmarca en el
control inteligente mediante un sistema de inferencia difuso.
9
1.5 Descripción del Trabajo
Se incluye las referencias bibliográficas y se presentan los anexos necesarios para una
mejor comprensión del trabajo de investigación.
10
II MODELACIÓN MATEMÁTICA
2.1 Introducción
donde:
τ j ω Tm Te Dω [p.u.]
δ ω 1 [p.u.]
11
donde:
δ = Ángulo eléctrico
τ j = Constante de tiempo representativo de la Inercia J
ω = Velocidad angular
D = Coeficiente de amortiguación de potencia
E 'q' K 1 E q' K 2 D
donde:
K 2 1 K1
12
Representando el sistema en la forma x f ( x, u, t ) donde las variables de estado se
elige como:
T
x x 1 , x 2 , x 3 , x 4 , x 5 E 'd' , Λ D , E 'q , , δ , las ecuaciones de estado, son:
T
x 1 (X q X 'q' ) I q
x 1
τ 'qo'
x 3 x 2 (X 'd X ) I d
x 2
τ 'do'
E fd K d x 2 X xd I d x 3 (1 K d )
x 3
τ 'do
Tm E 'q' I q I d x 1 Dx 4
x 4
τj
x 5 x 4 1
Las corrientes y tensiones en los ejes directo y en cuadratura (eje d y eje q), son:
Vd R L I d x 4 I q R L
Vq R L I q x 4 I d R L
Vt Vd2 Vq2
y además:
E 'q' K 1 x 3 K 2 x 2
13
X 'd' X
K1
X 'd X
K 2 1 K1
Fig. 2.1 Diagrama de bloques del modelo lineal simplificado de un generador sincrónico
14
Fig. 2.2 Regulador automático de tensión modelo tipo II del IEEE [23]
En la Fig. 4.4, se muestra el diagrama de bloques del esquema de control propuesto que
se aplica para controlar un generador [23], es un control inteligente basado en lógica
difusa.
15
Fig. 2.4 Diagrama de bloques del control inteligente del generador sincrónico propuesto
16
III MODELACIÓN DIFUSA
3.1 Introducción
En este capítulo, se enfoca la lógica clásica (lógica bivalente) y la lógica difusa (lógica
multivaluada). También se enfoca la modelación difusa, considerando: la Fusificación,
Base de Reglas, Motor de Inferencia y la Desfusificación.
Aristóteles, filósofo griego (384 - 322 a.C.), fue el fundador de la ciencia de la lógica, y
estableció un conjunto de reglas rígidas para que las conclusiones puedan ser aceptadas
como lógicamente válidas.
La lógica clásica está basada en la lógica de Aristóteles, es una lógica bivalente: ser ó
no ser, 0 ó 1, todo ó nada, falso o verdadero, blanco ó negro, pertenece ó no pertenece,
caliente ó frío, etc., no se acepta situaciones intermedias.
17
A 1, 2, 3, ...., 9 ó A x x Z x 10
Una forma alternativa de definir el conjunto anterior sería através de una Función de
1 si x Z x 10
Pertenencia A ( x )
0 si x Z x 10
El cual tiene una representación gráfica dada por la gráfica de la Fig. 3.1.
La lógica difusa es una técnica que permite trabajar con información con alto grado de
imprecisión, es una lógica multivaluada que permite valores intermedios para poder
definir evaluaciones entre: 0 y 1, si y no, falso y verdadero, negro y blanco, caliente y
frío, pertenece y no pertenece, etc.
La lógica difusa, puede aplicarse con facilidad a los problemas del mundo real donde el
grado de pertenencia a un conjunto de soluciones es gradual. Este aspecto facilita el
diseño, la construcción e implementación de los diferentes sistemas de control
utilizados en los sistemas eléctricos de potencia de una manera más simple y
económica.
18
3.3.1 Conjuntos Difusos
Los conjuntos difusos, pueden ser vistos como una generalización de la noción de
conjunto clásico, en la cual la función de pertenencia puede asumir valores en el
intervalo 0, 1 . En este caso, no se puede decir simplemente que un elemento pertenece
al conjunto, y si, que el elemento pertenece al conjunto con un cierto grado de
pertenencia.
Ejemplo 3.2, Sea el conjunto de los números enteros próximos al número 7. Este
conjunto puede ser definido por una función de pertinencia dado en la Tabla No. 3.1.
19
Si a = 0.95, b = 1 y c = 1.05, se tiene la siguiente representación gráfica:
Es decir, que los elementos del conjunto difuso, son definidos por parea constituidos por
los elementos x U y los respectivos valores de la función de pertinencia F ( x ) .
Las variables lingüísticas, son variables cuyos valores no son números, y sí, palabras o
sentencias de un lenguaje natural o artificial.
Ejemplo 3.4, Sea la variable Tensión, suponiendo que esa variable puede asumir los
valores lingüísticos Muy_Baja, Baja, Normal, Alta y Muy_Alta. El conjunto de valores
asumidos por la variable lingüística es denominado Conjunto de Términos representado
por T(x ) , donde x es la variable. Los valores asumidos por la variable lingüística son
representados por conjuntos difusos definidos por las correspondientes funciones de
pertinencia
20
Fig. 3.4 Gráfica de la función de pertenencia
21
Unión. La función de pertenencia de la unión de A y B se define como:
A B max A ( x ), B ( x )
(x ) 1 A ( x )
A
Producto cartesiano. Dados los conjuntos difusos A1, ... , An con universos X1, ..., Xn
A1... A n (X1, ... , X n ) min A1 (X1), ... , A n (X n )
22
3.5 Modelos Difusos Lingüísticos
Conocido también como modelo Mamdani, en la Fig. 3.5 y 3.6, se muestran el diagrama
de bloques de este modelo.
3.5.1 Fusificación
Es un interfaz que transforma las variables de entrada del modelo (u) en variables
difusas. Para éste interfaz se deben tener definidos los rangos de variación de las
variables de entrada y los conjuntos difusos asociados con sus respectivas funciones de
pertenencia.
23
3.5.2 Base de Reglas
Existen varias formas de derivar las reglas, entre las que destacan las basadas en:
Realiza la tarea de calcular las variables de salida a partir de las variables de entrada,
mediante las reglas del controlador y la inferencia difusa, entregando conjuntos difusos
de salida.
Por ejemplo, dada una base de conocimiento con n reglas del tipo:
Si u1 es Ai y u2 es Bi entonces y es Ci
24
Wi min( A , B , )
i i
debido a que las premisas de la reglas están unidos por operadores AND, definidos
como la intersección de conjuntos difusos.
2.- Para cada regla se tiene una consecuencia "y es Ci", que tiene asociado una función
pertenencia es:
' min( Wi , C i , )
Ci
3.- Para evaluar el conjunto total de reglas, se unen los conjuntos difusos C 'i resultantes
de cada regla, generándose un conjunto de salida con la siguiente función de
pertenencia:
De esta forma, se obtiene una salida difusa del controlador, con una función de
pertenencia '
C
25
b) Completividad de un conjunto de reglas
3.5.4 Desfusificación
Estos modelos se caracterizan por relaciones basadas en reglas difusas, donde las
premisas de cada regla representan subespacios difusos y las consecuencias son una
relación lineal de entrada-salida (Takagi y Sugeno, 1995).
Las variables de entrada en las premisas de cada regla son relacionadas por operadores
"y" y la variable de salida es una combinación lineal de las variables de estado. Por lo
tanto, las reglas del modelo tienen la siguiente forma:
26
Entonces Yi pio p1i X1 ... p i X k
k
donde X1, ..., Xk son las variables de entrada o premisas de las reglas, A1i, ..., Aki son
Por lo tanto, la salida del modelo, Y, se obtiene ponderando la salida de cada regla por
M
Wi Yi
Y i 1
M
Wi
i 1
intersección.
1. Es computacionalmente eficiente
2. Trabaja adecuadamente con técnicas lineales
3. Trabaja adecuadamente con técnicas de optimización y adaptivas
4. Es adecuado con el análisis matemático
1. Es intuitivo
2. Tiene amplia aceptación
27
3. Es adecuada al pensamiento humano
1. La salida o respuesta del sistema físico bajo control está ajustada según lo
requerido por la señal de error.
28
2. La señal de error es la diferencia entre la respuesta actual (sensor) de la planta y
la respuesta deseada, como la especifica por una entrada de referencia.
Los pasos para diseñar un controlador para un sistema complejo, son los siguientes: [23]
El control difuso es una tecnología actualmente muy bien desarrollada que permite
utilizar conocimiento de naturaleza heurística para controlar un sistema. Tiene la
propiedad de poder manejar imprecisión y vaguedad en la información que utiliza.
Tienen una gran popularidad ya que, aún sin aprobar del todo la rigurosa métrica que la
29
teoría de control impone, han captado el interés de fabricantes de equipos electrónicos y
de control al ser aplicados con éxito a un sinfín de aparatos y dispositivos.
El control difuso es una estrategia que pertenece al Control Inteligente cuyas decisiones
las toman utilizando un sistema de inferencia basado en lógica difusa. Un controlador
difuso es por naturaleza no lineal y existen diversos tipos, en general se define un
conjunto de estructuras básicas cuyo comportamiento se aproxima a los controladores
clásicos del tipo Proporcional (P), Integral (I) o Derivativo (D). Donde estas
denominaciones dependen del procesamiento que se realice sobre la señal de error antes
de entrar al sistema de inferencia difuso.
30
3.10.2 Controlador Difuso PD
Éste controlador requiere dos señales: Una señal proporcional a la señal de error y otra
señal proporcional a la derivada de la señal de error.
31
IV APLICACIÓN
4.1 Introducción
En este capítulo, se realiza la aplicación del controlador difuso propuesto para el control
del generador sincrónico y la respectiva simulación empleando el software MATLAB®
2007 y sus utilitarios: Simulink® [26], el Tool box de lógica difusa. [24, 25]
4.2 MATLAB®
4.3 SIMULINK®
32
Fig. 4.1 Interrelación del SIMULINK® con el MATLAB®
33
0.366 pu Reactancia transitoria de eje en cuadratura
X 'q
Después de elegir las variables adecuadas para las entradas y la salida del controlador
difuso, se requiere decidir sobre las variables lingüísticas. Esas variables transforman
los valores numéricos de las entradas al controlador difuso, a cantidades difusas. El
número de esas variables lingüísticas especifica la cualidad del control la cual se puede
lograr al emplear el controlador de lógica difusa. Cuando el número de variables
lingüísticas se incrementa, también se incrementan el tiempo computacional y el
requerimiento de memoria. Por lo tanto, es necesario realizar un balance entre la calidad
del control y el tiempo computacional al elegir el número de variables lingüísticas.
34
La base de reglas difusas utilizadas por el controlador difuso P, está definida en la Tabla
4.2
1. NG = negativo_grande
2. NP = negativo_pequeño
3. CERO = cero
4. PP = positivo_pequeño
5. PG = positivo_grande
La base de reglas difusas utilizadas por el controlador difuso PD, está definida en la
Tabla 4.3
e
NG NP CERO PP PG
NG NG NG NG NP CERO
NP NG NG NP CERO PP
∆e
CERO NG NP CERO PP PG
PP NP CERO PP PG PG
PG CERO PP PG PG PG
35
Las 25 reglas de control difusas, son de la forma:
En la Fig. 4.2, se muestra el diagrama de bloques del generador sincrónico, que utiliza
como control de tensión de bornes del generador un regulador automático de voltaje,
AVR, es un control tradicional, ampliamente utilizado en la industria de generación
eléctrica.
36
Fig. 4.2 Diagrama de bloques del control de un generador sincrónico tradicional
Control Tradicional
1.2
Respuesta
0.8
Escalon unitario
0.6
Vt [pu]
0.4
0.2
-0.2
0 1 2 3 4 5 6 7 8 9 10
Tiempo [s]
37
Fig. 4.4 Esquema de control inteligente del generador
En la Fig. 4.5, se muestra el diagrama de bloques del generador sincrónico, que utiliza
como controlador difuso P que reemplaza al regulador automático de voltaje, AVR.
En las Figs. 4.6, 4.7 y 4.8, se muestran la implementación en el Tool Box de lógica
difusa del MATLAB® del controlador difuso P.
38
Fig. 4.6 Controlador difuso P
39
Fig. 4.8 Función membresía y defusificación, controlador difuso P
1.6 Respuesta
1.4
1.2
1
Vt [pu]
0.8
Escalon unitario
0.6
0.4
0.2
-0.2
0 1 2 3 4 5 6 7 8 9 10
Tiempo [s]
40
4.6.2.2 Controlador Difuso PD
En las Figs. 4.11, 4.12, 4.13 y 4.14, se muestran la implementación en el Tool Box de
lógica difusa del MATLAB® del controlador difuso PD.
41
Fig. 4.12 Editor de la función membresía
42
Fig. 4.14 Editor de la base de reglas difusas para el controlador difuso PD
Controlador Difuso PD
1.4
Respuesta
1.2
0.8
Escalon unitario
Vt [pu]
0.6
0.4
0.2
-0.2
0 1 2 3 4 5 6 7 8 9 10
Tiempo [s]
43
En la Fig. 4.15, se muestra la respuesta del generador sincrónico cuando se utiliza un
controlador difuso PD. La respuesta, es adecuada, el diseño del controlador difuso PD
es medianamente compleja, pero cumple con los requerimientos del control.
En la Fig. 4.10, las ganancias son: Ke = 0.15 y Kc = -0.05 con estos parámetros la
respuesta tiene un sobreimpulso de 1.35 pu, la cual se puede evidenciar en la Fig. 4.15.
1.2
Respuesta
0.8
Escalon unitario
0.6
0.4
0.2
-0.2
0 1 2 3 4 5 6 7 8 9 10
Considerando las respuestas obtenidas en los tres casos, los resultados son satisfactorios
al utilizar el control inteligente basado en un controlador difuso PD.
44
V CONCLUSIONES Y DESARROLLOS FUTUROS
5.1 Introducción
5.2 Conclusiones
Por otra parte, se tuvo que simplificar algunas temáticas y quedaron en el tintero
algunas ideas.
45
1. Aplicar la lógica difusa y redes neuronales al diseño de un controlador
inteligente de un generador eléctrico mediante un sistema de inferencia neuro-
difuso.
2. La inclusión de un algoritmo genético para la sintonización de los parámetros
del controlador difuso.
46
Referencias Bibliográficas
47
[13] A. Esogbue, et al., ‘A Reinforcement Learning Fuzzy Controller for Set-Point
Regulador Problemas’. School of Industrial and Systems Engineering, Georgia
Institute of Tecnology.
[14] A. Esogbue, W. Hearnes II, ‘A Learning Algorithm for the Control of Continuous
Action Set-Point Regulator Systems’. School of Industrial and Systems
Engineering, Georgia Institute of Tecnology, September 16, 1998
[15] C. Falkner, B. Heck, ‘A Design of Passivity-Based Output Feedback
Controllers for Power System Stabilization’. Arkansas Tech University,
Georgia Institute of Technology.
[16] M. A. M. Hassan, O. P. Malik, G. S. Hope, ‘A Fuzzy Logic Based Stabilizer for a
Synchronous Machine’. IEEE Transactions on Energy Conversion, Vol. 6, No.
3, september 1991, pp. 407-413.
[17] M. A. M. Hassan, O. P. Malik, ‘Implementation and Laboratory Test Results for a
Fuzzy Logic Based Self-Tuned Power System Stabilizer’. IEEE Transactions on
Energy Conversion, Vol. 8, No. 2, june 1993, pp. 221-228.
[18] K. Tomsovic, M. Y. Chow, Tutorial on Fuzzy Logic Applications in Power
Systems. IEEE-PES Winter Meeting in Singapure, january 2000.
[19] M. A. Abido, Y. L. Abdel-Magid, ‘A Hybrid Neuro-Fuzzy Power System
Stabilizer for Multimachine Power Systems’. IEEE Trans. on Power Systems,
Vol. 13, No. 4, november 1998.
[20] M. A. Abido, Y. L. Abdel-Magid, ‘Hybridizing Rule-Based Power System
Stabilizer with Genetic Algorithms’. IEEE Trans. on Power Systems, Vol. 14,
No. 2, may 1999.
[21] Anderson, P.M. and Fouad, A. A., Power System Control and Stability. The
Iowa State University Press, Ames, Iowa, USA, 1977.
[22] Doris Sáez, ‘Lógica difusa, redes neuronales y control predictivo’. Técnicas
Modernas de Control, SEMINARIO AADECA-UBA. Marzo, 2002, Buenos
Aires.
[23] S. N. Sivanandam, et al., Introduction to Fuzzy Logic using MatLab. Springer-
Verlag Berlin Heidelberg, 2007.
[24] The MathWorksTM, Fuzzy Logic Toolbox™, For use with Matlab. User’s
Guide, version 2. 2002.
[25] The MathWorksTM, Fuzzy Logic Toolbox™ 2 User’s Guide. 2009a.
[26] The MathWorksTM, Simulink® 7 User’s Guide. 2009.
48
[27] I Rojas, Introducción a Simulink. Curso de Doctorado: Fundamentos de
Matlab/Simulink.
[28] M. Torres, “Modelo de PSS y AVR Basado en Lógica Difusa para un Generador
Sincrónico”. Universidad de Cundinamarca.
49
Anexos
Anexo A1 Calculo de Constantes Ki
50