Control de Inversores Conectados A Red PDF

RINFI se desarrolla en forma conjunta entre el INTEMA y la Biblioteca de la Facultad de
Ingeniería de la Universidad Nacional de Mar del Plata.

Tiene como objetivo recopilar, organizar, gestionar, difundir y preservar documentos
digitales en Ingeniería, Ciencia y Tecnología de Materiales y Ciencias Afines.
A través del Acceso Abierto, se pretende aumentar la visibilidad y el impacto de los
resultados de la investigación, asumiendo las políticas y cumpliendo con los protocolos y
estándares internacionales para la interoperabilidad entre repositorios
Esta obra está bajo una Licencia Creative Commons Atribución-

NoComercial-CompartirIgual 4.0 Internacional.
El presente trabajo de tesis fue realizado en el Laboratorio de Instrumentación y Control,
Instituto de Investigaciones Cientı́ficas y Tecnológicas en Electrónica (ICYTE), Facultad de
Ingenierı́a, Universidad Nacional de Mar del Plata.
Para mi viejo querido.
iv
Índice general
1. Introducción 1
1.1. VSI binivel trifásico conectado a red . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Control de corriente en inversores conectados a red . . . . . . . . . . . . . . . . 10
1.2.1. Estado del arte en control de corriente . . . . . . . . . . . . . . . . . . . 10
1.3. ¿Por qué el MPC? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4. Control Predictivo basado en Modelo (MPC) . . . . . . . . . . . . . . . . . . . . 14
1.4.1. Métodos de control predictivo en inversores conectados a red. . . . . . . 14
1.4.2. Principios básicos del MPC . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.3. MPC en inversores conectados a red . . . . . . . . . . . . . . . . . . . . . 18
2. MPC con conjunto finito de control (FCS-MPC) 25

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Control de corriente con FCS-MPC . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Función de costo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4. Principio de funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5. Ejecución del algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1. Compensación de retardos . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6. Comparación con un esquema de control PR . . . . . . . . . . . . . . . . . . . . 38
2.6.1. Distorsión armónica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.2. Robustez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7. FCS-MPC Robusto (Robust MPC, RMPC) . . . . . . . . . . . . . . . . . . . . 42
v
2.7.1. Variaciones del modelo del observador . . . . . . . . . . . . . . . . . . . 43
2.7.2. Efecto del observador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.8. FCS-MPC con espectro reducido . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.8.1. Modificación del control . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8.2. Filtro digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.8.3. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.9. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3. Control predictivo generalizado (GPC) 63

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2. Control de corriente con GPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3. Función de Costo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4. Principio de funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.1. Formulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5. Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.5.1. Retardos no modelados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.5.2. Variaciones paramétricas . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.5.3. Efecto del peso asociado al control . . . . . . . . . . . . . . . . . . . . . 84
3.5.4. Elección de λ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.6. Criterio de selección del parámetro λ . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.8. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4. Resultados experimentales 93
4.1. Diseño del hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2. Comparación con un esquema de control estándar . . . . . . . . . . . . . . . . . 95
4.2.1. Desempeño en régimen permanente . . . . . . . . . . . . . . . . . . . . . 96
4.2.2. Desempeño transitorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3. Tiempo de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4. Desempeño global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.5. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
vi
5. Conclusiones finales 105
5.1. Publicaciones derivadas de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
A. Diseño de un control Proporcional Resonante (PR) 109
Bibliografı́a 113
vii
viii
Índice de cuadros
1.1. Estados de conmutación y vectores de tensión . . . . . . . . . . . . . . . . . . . 4
2.1. Algoritmo de control de corriente FCS-MPC . . . . . . . . . . . . . . . . . . . . 27

2.2. Valores de la función de costo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3. Condiciones operacionales nominales. . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4. Puntos de la respuesta en frecuencia deseada. . . . . . . . . . . . . . . . . . . . 58
3.1. Cuadro de parámetros de simulación . . . . . . . . . . . . . . . . . . . . . . . . 82
4.1. Parámetros de diseño del controlador PR . . . . . . . . . . . . . . . . . . . . . . 95

4.2. Comparación del desempeño del controlador . . . . . . . . . . . . . . . . . . . . 102
ix
x
Índice de figuras
1.1. Circuito de potencia del VSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2. Configuraciones de carga equivalente para diferentes estados de conmutación. . . 3
1.3. Vectores de tensión en el plano complejo . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Modulador de ancho de pulsos para un inversor trifásico. F es el valor medio
temporal de la tensión entre lı́neas vab . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Diferentes tipos de esquemas de control de inversores conectados a red. . . . . . 11
1.6. Clasificación de los métodos de control predictivo. . . . . . . . . . . . . . . . . . 14
1.7. Estrategia MPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8. Esquema MPC general para inversores . . . . . . . . . . . . . . . . . . . . . . . 21
1.9. Esquema GPC general para inversores . . . . . . . . . . . . . . . . . . . . . . . 24
2.1. Diagrama en bloques de FCS-MPC de corriente . . . . . . . . . . . . . . . . . . 27

2.2. Principio de funcionamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3. Diagrama de flujo del FCS-MPC para 3W . . . . . . . . . . . . . . . . . . . . . 30
2.4. Régimen permanente con tiempo de muestreo prolongado . . . . . . . . . . . . . 32
2.5. Régimen permanente con tiempo de muestreo reducido . . . . . . . . . . . . . . 33
2.6. Corrientes en la carga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.7. Retardo de cálculo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.8. Diagrama de flujo del algoritmo mejorado para 3W . . . . . . . . . . . . . . . . 36
2.9. Compensación de retardo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.10. Respuesta al escalón. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.11. Espectro de la corriente en la carga. (a) Espectro generado por el control PR.
(b) Espectro generado por el control FCS-MPC. . . . . . . . . . . . . . . . . . . 40
xi
2.12. Variación de parámetros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.13. Diagrama en bloques de la estrategia de control RMPC. . . . . . . . . . . . . . . 42
2.14. Efecto del observador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.15. Polos del observador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.16. THD ante variaciones paramétricas. . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.17. Error medio de la corriente en la carga en función de la relación entre la induc-
tancia real de la carga LL y la inductancia modelada Lm . . . . . . . . . . . . . . 47
2.18. Espectro de la corriente en la carga. . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.19. Evaluación de filtros en la función de costo. . . . . . . . . . . . . . . . . . . . . 54
2.20. Respuesta en frecuencia y diagrama de polos y ceros. . . . . . . . . . . . . . . . 55
2.21. Forma de onda de corriente y espectro del error. . . . . . . . . . . . . . . . . . . 56
2.22. Formas de onda de corriente filtradas. . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1. Estructura del controlador con el observador . . . . . . . . . . . . . . . . . . . . 80

3.2. Efecto del retardo en la corriente y el control. . . . . . . . . . . . . . . . . . . . 83
3.3. Efecto de las variaciones paramétricas en la corriente y el control. . . . . . . . . 84
3.4. Comparación entre GPC deadbeat y GPC propuesto. . . . . . . . . . . . . . . . 86
3.5. Efecto de λ sobre el ancho de banda y el margen de fase. . . . . . . . . . . . . . 87
3.6. Simulación de respuesta transitoria. . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.7. Simulación de robustez. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.8. Diagrama en bloques del GPC implementado. . . . . . . . . . . . . . . . . . . . 90
4.1. Fotografı́a del inversor trifásico. . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

4.2. GPC en régimen permanente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3. PR en régimen permanente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.4. THD en régimen permanente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.5. Análisis de potencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.6. Resultado transitorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.7. Escalón en la fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.8. Variación paramétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.9. Tiempo de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
xii
Resumen
En la inyección de energı́a a la red eléctrica, el control de corriente del inversor debe respon-
der de forma rápida frente a los cambios en la red eléctrica, entregar la energı́a a la red eléctrica
con una distorsión armónica aceptable y, al mismo tiempo, ser robusto frente a variaciones
paramétricas del sistema. El Control Predictivo basado en Modelo (Model Predictive Control,
MPC) es una técnica adecuada ya que cumple con estos requerimientos.
El aporte principal de esta tesis es la aplicación de una estrategia de control MPC en una
variante lineal conocida como Control Predictivo Generalizado (Generalized Predictive Con-
trol, GPC) a inversores conectados a red. En este sentido, se trabajó particularmente en el
impacto del parámetro λ, que es el peso asignado a la dinámica del control en la función de
costo del método, sobre la robustez frente a variaciones paramétricas y retardos de cálculo, y
se mostró que con una correcta selección se puede mejorar la robustez del controlador. A partir
de esta investigación se ideó un método de diseño para su aplicación en inversores conectados
a red, que garantiza buen desempeño dinámico y robustez, manteniendo un bajo costo compu-
tacional. Los resultados experimentales mostraron que el GPC cumple con los estándares de
calidad y supera a controladores clásicos como el control Proporcional Resonante (PR), tanto
en la respuesta de régimen permanente como en la transitoria. Se obtuvo un valor de Distor-
sión Armónica Total (Total Harmonic Distortion, THD) en la corriente, THDi , de 2,7 %, en
comparación con un 5,2 % resultante de un diseño sistemático subóptimo del PR. Esto refleja el
hecho de que el controlador propuesto se encuentra bien por debajo de los máximos valores de
THDi del 5 % impuestos por los estándares, en oposición al controlador PR que está levemente
fuera de los lı́mites. También los criterios de robustez del sistema resultaron coherentes con el
proceso de diseño. Finalmente, se verificó el tiempo de cálculo del GPC que resultó 12,8 µs,
menor que en otras estrategias MPC y también menor que el tiempo requerido por cualquiera
de las contribuciones existentes en la bibliografı́a que presentan una THDi < 5 %. Por lo tanto,
la técnica de GPC propuesta puede ser incluida como un controlador práctico en inversores
conectados a red, incluso ante la ausencia de plataformas de hardware poderosas, en oposición
a otras estrategias MPC computacionalmente demandantes.
Adicionalmente, en base a un estudio de las técnicas de MPC más utilizadas en inyección
a red, se propusieron una serie de mejoras. Más detalladamente, se mejoró la robustez del
MPC de conjunto finito de estados (Finite Control Set MPC, FCS-MPC) mediante la inclusión
de un observador de Luenberger en la estimación del valor futuro de corriente en la carga
para su utilización en el algoritmo de optimización. Con esto se pudo mantener la THD aún
con variaciones de hasta el 50 % en la inductancia de la carga. La calidad de la corriente
inyectada fue mejorada mediante la utilización de un filtro digital en la función de costo,
para lo que fueron evaluadas distintas alternativas de filtros digitales de Respuesta Finita al
Impulso (Finite Impulse Response, FIR) y de Respuesta Infinita al Impulso (Infinte Impulse
Response, IIR). Cuando la mayor restricción se encuentra en la carga computacional o en la
eficiencia del convertidor, el filtro IIR demostró ser la mejor opción. Sin embargo, si se desea
una mayor calidad en la energı́a, el filtro FIR de máxima planicidad mostró ser la elección
óptima. Por último, si se desea minimizar la dispersión espectral, el filtro FIR equiripple fue
el que mejor resultados obtuvo. De esta forma, se obtuvieron parámetros de evaluación para
distintas alternativas de filtro digital que se ajustan a los requerimientos de cada aplicación.
ii
GENERALIZED PREDICTIVE CONTROL
OF GRID-TIE INVERTERS.
Ing. Marcos Gabriel Judewicz
This Thesis work was submitted to the Electronics Department,

School of Engineering, National University of Mar del Plata
on December 23, 2015 in partial fulfillment of the requirements for the degree of
PhD in Electronics Engineering
Thesis supervisors:
Dr. Sergio Alejandro González and Dr. Daniel Oscar Carrica

This thesis work has been carried out in the Laboratorio de Instrumentación y Control,
Instituto de Investigaciones Cientı́ficas y Tecnológicas en Electrónica (ICYTE), Facultad de
Ingenierı́a, Universidad Nacional de Mar del Plata.
Abstract
In grid current injection applications, the inverter current control must respond fast to
grid variations, must deliver power with an acceptable harmonic distortion and, at the same
time, must be robust against model mismatch. Model Predictive Control (MPC) is an adequate
technique because it fulfills these requirements.
The main contribution of this thesis is the application of a linear MPC strategy known
as Generalized Predictive Control (GPC) to grid-tie inverters. In this sense, work has been
made particularly at the impact of the λ parameter, which is the weight assigned to the con-
trol dynamics on the method cost function, on the robustness against model mismatch and
calculation delays, and it was demonstrated that with a correct selection, controller robust-
ness can be improved. From this research, a design method was devised for its application to
grid-tie inverters, which guarantees good dynamic performance and robustness, while keeping
a low computational burden. Experimental results showed that GPC complies with quality
standards and outperforms classic controllers such as the PR controller, both in steady state
and transient responses. A THDi of 2,7 % was obtained, in comparison with a 5,2 % resultant
from a suboptimal systematic PR design. This reflects the fact that the proposed controller
is well below the maximum THDi values of 5 % imposed by the standards, as opposed to the
PR controller which is slightly off limits. Also, the system robustness criteria resulted coherent
with the design process. Finally, the GPC computation time span was verified and resulted in
12,8 µs which is shorter than in other MPC strategies and also shorter than the required time
span of any of the existing works which present a T HDi < 5 %. Therefore, the proposed GPC
technique can be included as practical controller in grid-tie inverters, even in the absense of
powerful hardware platforms, as opposed to other computationally demanding MPC strategies.
Additionally, based on a study of the most widespread MPC techniques in grid injection,
a series of improvements was proposed. More specifically, the Finite Control Set MPC (FCS-
MPC) robustness was improved by the inclusion of a Luenberger observer to estimate the load
current future value to be used in the optimization algorithm. With this addition, THD could be
kept constant even with 50 % load inductance variations. Injected current quality was improved
by using a digital filter in the cost function, for which different FIR and IIR filter alternatives
were assessed. When the strictest constraint lies on computational burden or in the converter
efficiency, the IIR filter proved being the best choice. Nevertheless, if a greater power quality
is desired, the maximally flat FIR filter proved to be the optimal choice. Finally, if minimal
spectral dispersion is desired, the equiripple FIR was the one with best results. In this way,
evaluation parameters were obtained for different digital filter alternatives which fit to each
application requirements.
Capı́tulo 1
Introducción
Este capı́tulo presenta una introducción básica y referencias útiles en relación con los esque-
mas de control para inversores conectados a red, ası́ como los conceptos básicos subyacentes y
las tecnologı́as de implementación digital. Se provee además el contexto necesario, incluyendo
una breve motivación para la utilización del control predictivo, tema central de la tesis.
1.1. VSI binivel trifásico conectado a red
Con el objetivo de inyectar energı́a proveniente de un recurso renovable a la red eléctrica,

se puede utilizar un Inversor de Fuente de Tensión (VSI, Voltage Source Inverter) trifásico, que
convierte potencia eléctrica de CC, almacenada en un banco de capacitores, a CA utilizando el
esquema eléctrico que se muestra en la fig. 1.1.
+ L R ea
Vdc/2 S1 S2 S3 +
ia
PM a N
b
c
+
Vdc/2
S4 S5 S6
Figura 1.1: Circuito de potencia del VSI
Mediante el control de la conmutación de los transistores, se genera una tensión alterna
1
2
que, a su vez, genera una corriente alterna filtrada por los inductores de salida. Las resistencias
asociadas a cada inductor representan las pérdidas por fase y las fuentes de tensión alterna
representan las tensiones de fase de la red eléctrica. El punto medio (PM) de los capacitores
del banco de CC puede conectarse al neutro N de la carga, es decir de la red eléctrica ya que
la red eléctrica opera como carga, obteniéndose una configuración de cuatro hilos (4W); de
lo contrario, se considera una configuración de tres hilos (3W). La configuración 4W posee un
modelo distinto al de la configuración 3W. Su operación puede realizarse controlando cada llave
individualmente, controlando las seis llaves como un conjunto o utilizando un Modulador de
Ancho de Pulsos (Pulse Width Modulator, PWM). Esta diferencia en el control de las llaves
deriva en modelos distintos, que se detallan a continuación.
1.1.1. Modelos
Inversor con control individual de llaves
Para el modelo 3W todas las tensiones se encuentran referenciadas al borne inferior del
banco de CC como se muestra en la fig. 1.1. Considerando que las dos llaves en cada fase del
inversor operan en modo complementario para evitar cortocircuitar la fuente de CC, el estado
de conmutación de las llaves del convertidor Sx , con x = 1, ..., 6, puede ser representado por las
señales de conmutación Sa , Sb y Sc definidas como sigue:



1 si S1 encendido y S4 apagado
Sa = (1.1)


0 si S1 apagado y S4 encendido



Sb = (1.2)





Sc = (1.3)


Estas señales de conmutación definen el valor de las tensiones impuestas por el inversor a
Capı́tulo 1. Introducción 3
cada fase
va = Sa Vdc (1.4)
vb = Sb Vdc (1.5)
vc = Sc Vdc (1.6)
donde VDC es la tensión CC total del banco de capacitores.

√
Considerando el vector unitario a = ej2π/3 = − 12 + j 3/2, que es la representación fasorial
de un desplazamiento de 120o entre las fases que ocurre cuando la carga es balanceada, el vector
de tensión de salida puede definirse como
2
v = (va + avb + a2 vc ) (1.7)
3
donde va , vb y vc son las tensiones aplicadas por el inversor a cada carga por fase. En adelante,
los variables vectoriales se marcarán en negrita como el caso anterior.
De esta forma, el estado de conmutación (Sa , Sb , Sc ) = (0, 0, 0) genera el vector de tensión
v0 definido como
2
v0 = (0 + a0 + a2 0) = 0 (1.8)
3
y corresponde al circuito mostrado en la fig.1.2a
a a b a b c
N N Vdc
Vdc Vdc Vdc
N N
a b c b c c
vaN = 0 vaN = 2/3 Vdc vaN = 1/3 Vdc vaN = 0
vbN = 0 vbN = -1/3 Vdc vbN = 1/3 Vdc vbN = 0
vcN = 0 vcN = -1/3 Vdc vcN = -2/3 Vdc vcN = 0
(a) (b) (c) (d)
Figura 1.2: Configuraciones de carga equivalente para diferentes estados de conmutación. (a)
Estado de conmutación (0, 0, 0) (vector de tensión v0 ). (b) Estado de conmutación (1, 0, 0)
(vector de tensión v1 ). (c) Estado de conmutación (1, 1, 0) (vector de tensión v2 ). (d) Estado
de conmutación (1, 1, 1) (vector de tensión v7 )
4
El estado de conmutación (1, 0, 0) genera el vector de tensión v1 definido como
2 2
v1 = (Vdc + a0 + a2 0) = Vdc (1.9)
3 3
y corresponde al circuito mostrado en la fig. 1.2b

El vector de tensión v2 es generado por el estado de conmutación (1, 1, 0) y se define como
2
v2 = (Vdc + aVdc + a2 0)
3
√ ! ! √
2 1 3 Vdc 3
= Vdc + − + j Vdc = +j Vdc (1.10)
3 2 2 3 3
y corresponde al circuito mostrado en la fig. 1.2c

El estado de conmutación (1, 1, 1) genera el vector de tensión v7 que se calcula como
2 2
v7 = (Vdc + aVdc + a2 Vdc ) = Vdc (1 + a + a2 ) = 0 (1.11)
3 3
y corresponde al circuito mostrado en la fig. 1.2d

De este modo, diferentes estados de conmutación generan diferentes configuraciones de la
carga trifásica conectada a la fuente de DC, como se muestra en la fig. 1.2.
Considerando todas las combinaciones posibles de las señales de conmutación Sa , Sb y Sc ,
se obtienen ocho estados de conmutación y, por consiguiente, ocho vectores de tensión trifásica
como se muestra en el cuadro 1.1.
Cuadro 1.1: Estados de conmutación y vectores de tensión
Sa Sb Sc Vector de tensión v
0 0 0 v0 = 0
1 0 0 v1 = 23 Vdc
√
1 1 0 v2 = 13 Vdc + j 33 Vdc
√
0 1 0 v3 = − 13 Vdc + j 33 Vdc
0 1 1 v4 = − 23 Vdc
√
0 0 1 v5 = − 31 Vdc − j 33 Vdc
√
1 0 1 v6 = 13 Vdc − j 33 Vdc
1 1 1 v7 = 0
En la fig. 1.3 nótese que v0 = v7 , resultando en un conjunto finito de sólo siete vectores de
tensión diferentes en el plano complejo.
Im
v3 (0,1,0) v2 (1,1,0)
v4 (0,1,1) v1 (1,0,0) Re
v7 (1,1,1)
v0 (0,0,0)
v5 (0,0,1) v6 (1,0,1)
Figura 1.3: Vectores de tensión en el plano complejo
Inversor controlado por PWM
La utilización de una etapa de modulación para operar sobre las llaves de potencia del
inversor permite obtener un modelo lineal del inversor. De esta forma, asumiendo una plan-
ta lineal se puede controlar el sistema mediante cualquier control lineal, incluyendo técnicas
clásicas como el control Proporcional Integral (PI) o el Proporcional Resonante (PR). En un
PWM, el ancho de los pulsos es proporcional a la tensión promedio que se desea aplicar. Para
un inversor trifásico, la señal de control de cada fase ui , −1 ≤ ui ≤ 1, es comparada con una
portadora triangular vc , generando los estados de conmutación, como se muestra en la fig. 1.4.
Cuando ui ≥ vc , Si = 1, de lo contrario, Si = 0. La componente fundamental de esta tensión
es proporcional a la tensión de referencia y vale:
VDC
vi = (ui + 1) (1.12)
2
donde vi es la tensión media aplicada por el inversor a la fase i, (i = {a, b, c}). Con las tres
tensiones aplicadas se conforma el vector de tensión, definido en la ec. (1.7), cuya magnitud
y fase depende de las tres señales de control ua , ub y uc . En la fig. 1.4 también se muestra la
tensión entre lı́neas vab = va − vb cuya forma es también sinusoidal.
6
S1 S2 S3 L R ea
+
ia
a +v N
vDC aN b +v
bN c +v
cN
S4 S5 S6
Sa + ua
Driver
Sa -
Driver
vc
t
vc ua ub uc
t
0
vaN [V]
0 t
vbN [V]
0 t
vab [V] = vaN - vbN
F
t
Figura 1.4: Modulador de ancho de pulsos para un inversor trifásico. F es el valor medio temporal
de la tensión entre lı́neas vab .
Carga en configuración 3W
Tomando en cuenta las definiciones de variables del circuito mostrado en la fig. 1.1, las
ecuaciones dinámicas de la corriente en la carga para cada fase pueden escribirse como,
dia
va = L + Ria + ea + vN (1.13)
dt
dib
vb = L + Rib + eb + vN (1.14)
dt
dic
vc = L + Ric + ec + vN (1.15)
dt
donde R es la resistencia de la carga, L es la inductancia de la carga y vN es la tensión entre

neutro y masa. Con estas ecuaciones puede obtenerse la función transferencia de tensión de
inversor a corriente para cada fase mediante la transformada de Laplace:
1
Gj (s) = (1.16)
R + sL
con j = {a, b, c}.

Sustituyendo (1.13)-(1.15) en (1.7) se puede obtener una ecuación vectorial para la dinámica
de la corriente en la carga:

d 2 2 2 2
v=L (ia + aib + a ic ) + R (ia + aib + a ic )
dt 3 3
(1.17)
2 2
+ (ea + aeb + a2 ec ) + (vN + avN + a2 vN )
3 3
Considerando la definición de vector espacial para la tensión del inversor dada en (1.7), y
las definiciones (1.18) y (1.19) (corriente en la carga y los vectores espaciales de tensión de red)
el modelo de la corriente en la carga resulta:
2
i = (ia + aib + a2 ic ) (1.18)
3
2
e = (ea + aeb + a2 ec ) (1.19)
3
2 2
(vN + avN + a2 vN ) = vN (1 + a + a2 ) = 0 (1.20)
3 3
di
v = Ri + L + e. (1.21)
dt
8
Carga en configuración 4W
Para el modelo 4W, todas las tensiones estarán referenciadas al punto medio (PM) del banco
de CC. Cuando se conecta el inversor con cuatro hilos, las tensiones de fase pueden tratarse
independientemente como tensiones monofásicas. Por lo tanto, si se opera directamente, el valor
de las tensiones de salida, resulta
Vdc
vi = (2Si − 1) (1.22)
2
(1.23)
donde vi es la tensión aplicada por el inversor en la fase i. De forma similar, si se opera con
PWM, la tension de salida en cada fase puede modelarse como,
VDC
vi = ui (1.24)
2
Como las tensiones generadas por el inversor en cada fase, tanto operándolo directamente como
utilizando PWM, son independientes, entonces la corriente en la carga puede modelarse de
forma independiente en cada fase, resultando
dii
vi = L + Rii + ei (1.25)
dt
Nótese que el término vN desaparece debido a que el neutro se encuentra conectado al punto
medio del banco de CC.
Modelo de tiempo discreto
Esta sección describe el proceso de discretización de la ecuación de la tensión en la carga

(1.21) que corresponde al caso 3W. El proceso es idéntico para la ecuación (1.25) del caso 4W.
El tiempo de muestreo es Ts . Se debe tener en cuenta que la aplicación de una señal de control
discreto se mantiene constante por un perı́odo de muestreo completo, lo que representa un
esquema retenedor de orden cero.
Reordenando los términos de (1.21), se tiene
di R 1
= − i + (v − e) (1.26)
dt L L
Al calcularse la transformada de Laplace en la ecuación anterior se obtiene,
R 1
sI(s) = − I(s) + (V(s) − E(s)). (1.27)
L L
Dado que para obtener los valores de la corriente se realiza un muestreo con retenedor de orden
cero, este proceso debe incluirse en la discretización de la expresión anterior, obteniéndose,
zI(z) = ad I(z) + bd (V(z) − E(z)). (1.28)
R
donde ad = e− L Ts y bd = − R1 (ad − 1). A partir de la expresión anterior puede obtenerse un
modelo de ecuación en diferencias,
i[k + 1] = ad i[k] + bd (v[k] − e[k]) (1.29)
Con esta discretización se puede obtener la función transferencia de tensión del inversor a
corriente en el plano z:
bd z −1
G(z −1 ) = (1.30)
1 − ad z −1
que posee la misma forma en cada fase, es decir,
−1 bd z −1
Gj (z ) = (1.31)
1 − ad z −1
para j = {a, b, c}. Adicionalmente, si se considera el retardo de cálculo, un modelo conservador

puede ser:
bd z −2
Gj (z −1 ) = (1.32)
1 − ad z −1
donde se agregó un retardo entero adicional en el numerador.

Existen otras alternativas de discretización, como es la forward Euler. Esta se basa en la
10
aproximación de la derivada temporal como una diferencia hacia adelante, es decir,
di
≈ i[k + 1] − i[k] (1.33)
dt
Su utilidad yace en el hecho de que es muy simple de implementar. Sin embargo, el error de
aproximación crece al aumentar el periodo de muestreo. Esta desventaja hace que sea más
apropiada la primera opción ya que la diferencia de carga computacional no se hace evidente
con las plataformas actuales.
1.2. Control de corriente en inversores conectados a red
La inyección de energı́a a la red eléctrica puede controlarse mediante un esquema de control

de corriente de salida del inversor. Los esquemas de control de corriente para los inversores
conectados a red han estado evolucionando constantemente de acuerdo al desarrollo de nue-
vos dispositivos semiconductores y la introducción de nuevas plataformas de control. Como
caracterı́sticas deseables se propone:
Inyectar corriente con bajo contenido armónico (THD inferior al 5 % hasta la componente
armónica 40, según normas de calidad de energı́a)[1].
Presentar robustez frente a variaciones de impedancia de la carga.
Ofrecer una rápida respuesta transitoria ante cambios y fallos de la red eléctrica.
Estos objetivos deben poder cumplirse con la mı́nima carga computacional posible, para mini-
mizar los requisitos de procesamiento necesarios.
1.2.1. Estado del arte en control de corriente
Varios métodos han sido propuestos para el control de corriente en inversores conectados a
red, siendo los más comunes los que se muestran en la fig. 1.5.
Algunos de estos han sido ampliamente validados y son simples, tales como el control no
lineal de histéresis [2], mientras que los métodos de control más nuevos, que logran un mejor
desempeño del sistema, son generalmente más complejos o necesitan mayor potencia de cálculo.
Métodos de control
de VSI conectados a Red
Modo Inteligencia
Histéresis Control lineal Predictivo
deslizante Artificial
Control de
PI Deadbeat Difusa
Corriente
Redes
DPC PR MPC
Neuronales
Neurodifusa
Figura 1.5: Diferentes tipos de esquemas de control de inversores conectados a red.
El control de histéresis aprovecha la naturaleza no lineal del inversor y los estados de con-
mutación de los semiconductores de potencia están determinados por la comparación de la
variable medida con la referencia, considerando un ancho de histéresis dado para el error. Este
esquema de control puede ser utilizado en el control de corriente, pero también en esquemas
más complejos tales como el control directo de potencia (Direct Power Control, DPC) [3, 4].
Este esquema de control tiene su origen en la electrónica analógica y para implementarlo en
una plataforma digital se requiere de una elevada frecuencia de muestreo. El ancho de histéresis
y la alinealidad del sistema introducen inherentemente una frecuencia de conmutación variable,
lo que puede llevar a problemas de resonancia en algunas aplicaciones y generar un contenido
espectral disperso. Esto conlleva la necesidad de utilizar filtros más grandes y costosos, y no
del todo eficaces. Algunas modificaciones han sido propuestas para controlar la frecuencia de
conmutación [5, 6, 7]. En [5], la frecuencia de conmutación promedio es minimizada mediante la
selección del vector nulo más cercano al estado de conmutación previo. En [6], la frecuencia de
conmutación es ajustada de forma estática mediante el diseño del filtro de salida. Finalmente,
en [7] se fija le frecuencia de conmutación mediante el ajuste dinámico del perı́odo de muestreo.
Dada una etapa de modulación para el inversor, cualquier control lineal puede ser uti-
lizado, siendo la elección más común la utilización de controladores PI y controladores PR
12
[8, 9, 10, 11, 12, 13, 14]. Su diseño se basa en un modelo del sistema para garantizar estabilidad
a lazo cerrado en el dominio de la frecuencia obteniendo un resultado conservador y dificilmente
óptimo. El control más utilizado en la industria es el PI sincrónico [15, 16, 17, 18, 19] que, sin
embargo, posee una pobre capacidad de rechazo a perturbaciones y deben realizarse compensa-
ciones feedforward para obtener resultados razonables [20]. Como alternativa, varias estrategias
utilizan el control PR. Sin embargo, un control PR requiere un diseño cuidadoso mediante un
compromiso entre el error en régimen permanente y la robustez lo que puede afectar al ancho de
banda y los márgenes de estabilidad. Adicionalmente, debe mantenerse una frecuencia fija de
referencia y cualquier desviación de esta señal con respecto a la frecuencia resonante genera una
severa disminución del desempeño. Por otra parte, si se desean rechazar múltiples armónicos
se debe diseñar un control PR para cada armónico [21], lo que incrementa su complejidad y la
dificultad de su diseño. Finalmente, cabe destacar que es imposible lograr ganancia resonante
infinita en sistemas digitales.
Con el desarrollo de microprocesadores más poderosos se han propuesto nuevos esquemas de
control como por ejemplo los controles basados en inteligencia artificial, entre los que se puede
destacar el control difuso [22] y el Control Neurodifuso [23] (Neuro Fuzzy Control, NFC). El
control difuso se basa en el conocimiento del sistema por parte del diseñador y la generación
de leyes de lógica difusa para llevar al sistema a condiciones de operación adecuadas. El NFC
va un paso más alla y aprovecha tanto el conocimiento del diseñador sobre el sistema como
la utilización de una red neuronal entrenada. Sin embargo, el diseño de estos controles es un
proceso iterativo y de naturaleza heurı́stica. Por lo tanto, el rendimiento óptimo puede ser difı́cil
de lograr.
Otros controles avanzados incluyen el Control de Modo Deslizante (Sliding Mode Control,
SMC) [24, 25] y el control predictivo [26]. El SMC presenta frecuencia de conmutación variable,
error en régimen permanente, chattering y baja dinámica en variaciones de carga. En cambio,
el control predictivo pareciera ser una alternativa muy interesante para el control de inversores
conectados a red. Existen diferentes tipos de control predictivo. Las ideas comunes detrás
de todos los controles predictivos son la utilización de un modelo del sistema para calcular
predicciones del comportamiento futuro de las variables controladas y la utilización de un
criterio de optimización para seleccionar la actuación apropiada.
Uno de los esquemas de control predictivo más conocidos es el control deadbeat, que utiliza
un modelo del sistema para calcular la tensión que anula el error en el tiempo de una muestra.
Luego, la tensión es aplicada utilizando un modulador. Este tipo de control ha sido utilizado en
aplicaciones de filtro activo [27], y en inyección de corriente a la red [28]. Desafortunadamente,
las estrategias deadbeat son sensibles a las variaciones paramétricas. En [29, 26] se extiende
su robustez al incluir un observador de Luenberger y un modelo expandido con retardos de
cálculo. Una estrategia de control predictivo diferente y muy poderosa que ha sido aplicada
recientemente en eléctronica de potencia es el Control Predictivo basado en Modelo (MPC)
[30], que representa el tema principal de esta tesis.
1.3. ¿Por qué el MPC?
El MPC ha sido aplicado con éxito en sistemas de Múltiples Entradas Múltiples Salidas
(Multiple Inputs Multiple Outputs, MIMO) tales como robots [31, 32], en sistemas con tiempos
de muestreo lentos [33], en sistemas con restricciones [34] y en sistemas no lineales [35]. En la
industria ha sido aplicado en plantas quı́micas [36, 37, 38, 39, 40, 41], en reactores nucleares
[42, 43, 44], en el control de motores eléctricos [45], en la industria metalúrgica [46], en la
papelera [47, 48], en la fabricación de semiconductores [49, 50] y en sistemas de generación
[51, 52, 53] y transmisión [54] eléctrica. También ha sido aplicado a la medicina en sistemas de
terapia intensiva [55, 56] y tratamiento oncológico [57]. Ha sido aplicado a sistemas de control
de crucero en medios de transporte terrestre [58], a motores de inyección electrónica [59] y a
control de tráfico [60]. Todas estas aplicaciones son sólo un extracto del enorme potencial de
esta familia de estrategias de control.
El propósito de esta tesis es aplicar estrategias de MPC, en particular la del MPC con
Conjunto Finito de Control (Finite Control Set MPC, FCS-MPC) y la del Control Predictivo
Generalizado (Generalized Predictive Control, GPC), cumpliendo con los objetivos enunciados
en la sección 1.2. En el primer caso se propuso una serie de mejoras y en el segundo caso se
desarrolló un novedoso método de diseño analı́tico y se obtuvieron mejores resultados que en
otros esquemas de MPC, lo que representa el principal aporte de esta tesis.
14
1.4. Control Predictivo basado en Modelo (MPC)
1.4.1. Métodos de control predictivo en inversores conectados a red.
La principal caracterı́stica del control predictivo es la utilización de un modelo para pre-

decir el comportamiento futuro de las variables controladas. Esta información es utilizada por
el controlador para obtener la actuación óptima, de acuerdo con un criterio de optimización
predefinido.
El control predictivo cubre una muy amplia clase de controladores que han encontrado
una aplicación bastante reciente en inversores conectados a red. En la fig. 1.6 se muestra una
clasificación de los diferentes métodos de control predictivo [61].
ControlTPredictivo
ControlTDeadbeat Histéresis BasadoTenTTrayectoria ControlTPredictivoTbasadoTenTModelo

(MPC)
-TNecesitaTunTmodulador -TSinTmodulador -TSinTmodulador
-TFrecuenciaTfijaTde -TFrecuenciaTdeT -TFrecuenciaTdeT
TTTconmutación TTconmutaciónTvariable TTconmutaciónTvariable
-TBajaTcomplejidad -TConceptosTsimples -TSinTestructuraTen
-TNoTseTincluyen TTcascada
TTTrestricciones T T
T
MPCT MPCT
conTconjuntoTdeTcontrol conTconjuntoTdeTcontrol
continuo finito
-TNecesitaTunTmodulador -TSinTmodulador
-TFrecuenciaTfijaTde -TFrecuenciaTdeT
TTTconmutación TTconmutaciónTvariable
-TPuedenTincluirse -TOptimizaciónTOnline
TTTrestricciones -TPuedenTincluirse
T TTTrestricciones
Figura 1.6: Clasificación de los métodos de control predictivo.
El criterio de optimización en el control predictivo basado en histéresis es el de mantener la

variable controlada dentro de los lı́mites de un área de histéresis [62], mientras que en el control
basado en trayectoria, se fuerza a las variables a seguir una trayectoria predefinida [63]. En el
control deadbeat, la actuación óptima es aquella que hace cero al error en el siguiente instante
de muestreo [28, 64]. En el MPC se utiliza un criterio más flexible, expresado como una función
de costo que debe minimizarse [65].
Por otra parte, el control deadbeat y el MPC se diferencian del resto ya que necesitan de un
modulador para generar la tensión requerida. Esto resulta en una frecuencia de conmutación fija.
Los otros controladores generan directamente las señales de conmutación para el convertidor,
no necesitan de un modulador, y presentan una frecuencia de conmutación variable.
Una ventaja del control predictivo es que los conceptos son muy simples e intuitivos. Depen-
diendo del tipo de control predictivo, la implementación también puede ser simple, como sucede
con el control deadbeat, el MPC con conjunto de control finito y el MPC con conjunto de control
continuo sin restricciones. Sin embargo, si se desea incluir restricciones la implementación se
vuelve más compleja.
Al utilizar el control predictivo es posible evitar la estructura en cascada que es tı́picamente
utilizada en esquemas de control lineal obteniendo respuestas transitorias muy rápidas.
Las alinealidades del sistema pueden ser incluidas en el modelo, evitando la necesidad de
linealizarlo para un punto de operación dado, y mejorando la operación del sistema para to-
das las condiciones. También es posible incluir restricciones sobre algunas variables al diseñar
el controlador. Estas ventajas pueden ser fácilmente implementadas en algunos esquemas de
control, tales como el MPC, pero son muy difı́ciles de obtener en otros como el control deadbeat.
Esta tesis se enfoca en la aplicación de MPC a inversores conectados a red, considerando
ambos casos, es decir, conjunto de control finito y contı́nuo y un horizonte de predicción finito,
lo que se explicará con más detalle en los capı́tulos siguientes.
1.4.2. Principios básicos del MPC
Entre las técnicas de control avanzado, MPC es una que ha sido aplicada exitosamente
en aplicaciones industriales [66, 67, 68]. Aunque las ideas de MPC fueron desarrolladas en los
60s como una aplicación de la teorı́a del control óptimo, el interés industrial en estas ideas
comenzó a finales de los 70s [69]. Desde entonces, el MPC ha sido aplicado exitosamente en la
industria de procesos quı́micos, donde las constantes de tiempo son suficientemente prolongadas
para realizar todos los cálculos requeridos. Las primeras aplicaciones de MPC en electrónica
de potencia pueden encontrarse desde los 80s considerando sistemas de alta potencia con baja
frecuencia de conmutación [70]. La utilización de frecuencias de conmutación más elevadas no
era posible en esa época debido al prolongado tiempo de cálculo requerido por el algoritmo de
control. Sin embargo, con el desarrollo de microprocesadores rápidos y poderosos, el interés en
la aplicación del MPC en la electrónica de potencia se ha incrementado considerablemente a lo
16
largo de la última década.

El MPC no es una estrategia de control especı́fica sino que describe una amplia familia de
controladores [71]. Los elementos comunes son la utilización de un modelo del sistema para
predecir el comportamiento futuro de las variables hasta un horizonte temporal predefinido, y
la selección de las actuaciones óptimas minimizando una función de costo. Esta estructura tiene
varias ventajas importantes:
Los conceptos son muy intuitivos y fáciles de entender.
Puede ser aplicado a una gran variedad de sistemas.
El caso multivariable puede ser fácilmente considerado.
Los retardos pueden ser compensados.
Fácil inclusión de alinealidades en el modelo.
Simple tratamiento de restricciones.
El controlador resultante es fácil de implementar.
Esta metodologı́a es apropiada para la inclusión de modificaciones y extensiones depen-

diendo de aplicaciones especı́ficas.
Sin embargo, deben mencionarse algunas desventajas, como la mayor cantidad de cálculos
en comparación con los controladores clásicos. La calidad del modelo tiene influencia directa
en la calidad del controlador resultante y, si los parámetros del sistema cambian en el tiempo,
debe considerarse algún algoritmo de adaptación o estimación.
Las ideas básicas presentes en MPC son:
La utilización de un modelo para predecir el comportamiento futuro de las variables hasta

un horizonte temporal.
Una función de costo que representa el comportamiento deseado del sistema.
La actuación óptima es obtenida al minimizar la función de costo.

El modelo utilizado para la predicción es un modelo en tiempo discreto en espacio de estados,

como sigue:
x(k + 1) = Ax(k) + Bu(k) (1.34)
y(k) = Cx(k) + Du(k) (1.35)
Debe definirse una función de costo que represente el comportamiento deseado del sistema.
Esta función considera las referencias, estados futuros y actuaciones futuras:
J = f (x(k), u(k), ..., u(k + N )) (1.36)
El MPC es un problema de optimización que consiste en minimizar la función de costo J,

para un horizonte temporal predefinido N , sujeta al modelo del sistema y las restricciones del
sistema. El resultado es una secuencia de N actuaciones óptimas. El controlador aplicará sólo
el primer elemento de la secuencia
u(k) = [1 0 ... 0]arg minu J (1.37)
donde el problema de optimización es resuelto nuevamente en cada instante de muestreo, utili-

zando los nuevos datos medidos y obteniendo una nueva secuencia de actuaciones óptimas cada
vez. Esto es denominado una estrategia de horizonte deslizante.
El principio de funcionamiento del MPC se resume en la fig. 1.7, que representa un caso
general de control.
Los valores futuros de los estados del sistema se predicen hasta un horizonte temporal
predefinido t + N utilizando el modelo del sistema y la información disponible (mediciones)
hasta el tiempo t. La secuencia de actuaciones óptimas es calculada minimizando la función
de costo y el primer elemento de esta secuencia es aplicado. Este proceso entero es repetido
nuevamente para cada instante de muestreo considerando los nuevos datos medidos.
18
Figura 1.7: Estrategia MPC
1.4.3. MPC en inversores conectados a red
La aplicación del MPC en electrónica de potencia es reciente debido a la elevada frecuencia

de muestreo que se requiere en estos sistemas. Los microcontroladores rápidos disponibles en
la última década han disparado la investigación de nuevos esquemas de control, tales como el
MPC, en electrónica de potencia.
Una alternativa interesante es la utilización de FCS-MPC [72], el cual incluye la naturaleza
discreta de los convertidores de potencia. Esta estrategia considera el número finito de estados
de conmutación, y calcula la actuación óptima mediante la evaluación online de cada uno.
Existen variantes tales como FCS-MPC con histéresis [73], que ha sido aplicado al control de
inversores de dos [74], tres [75] y cuatro niveles [65], de rectificadores PWM [76], de inversores
de cuatro ramas [77], y en sistemas de generación fotovoltaica [78] y eólica [79].
Por otra parte, existen estrategias de optimización offline entre las cuales se destacan el
MPC explı́cito [80] que ha sido utilizado en convertidores para transmisión de alta tensión
continua [81] y el GPC [82, 83, 84]. En el MPC explı́cito se resuelve el problema de control
considerando el modelo del sistema, restricciones y objetivos, resultando una tabla de búsqueda
que contiene la solución óptima como función del estado del sistema. Por otro lado, el GPC
permite encontrar la solución al problema de optimización analı́ticamente, cuando el sistema es
lineal y no hay restricciones, proveyendo una ley de control explı́cita que puede ser fácilmente
implementada. El GPC ha sido utilizado en el control de convertidores de potencia únicamente

en [85, 86, 87, 88, 89, 90], motivando su evaluación en inyección a red, debido a que posee
todas las ventajas del MPC y, además, presenta baja complejidad computacional en ausencia
de restricciones. En [85], el GPC fue utilizado para controlar la corriente de estator de un motor
de inducción, alentando su validación experimental. Luego, en [86, 87], se realizó una evaluación
experimental del GPC para el control de un inversor PWM monofásico utilizado como fuente
de alimentación, obteniendo buenos resultados. En [88] se introdujo el GPC para el control
orientado al campo de máquinas de inducción y en [89] se simuló el GPC como un control
de flujo de potencia en un Controlador Unificado de Flujo de Potencia (Unified Power Flow
Controller, UPFC). Finalmente, en [90] se aplicó el GPC en una aplicación de UPS utilizando
la formulación en Ecuación Diofantina. En estas estrategias, se realizó una aproximación del
modelo del convertidor como un sistema lineal utilizando un modulador, lo que simplifica la
optimización. Estas diferencias serán explicadas con más detalle en los capı́tulos siguientes de
esta tesis.
FCS-MPC
Diseño: En el diseño del FCS-MPC para el control de un inversor de potencia, se identifican

los siguientes pasos:
Modelado del inversor identificando todos los estados de conmutación posibles y su rela-
ción con las tensiones o corrientes de entrada y salida.
Definición de una función de costo que represente el comportamiento deseado del sistema.
Obtención de modelos de tiempo discreto que permitan predecir el comportamiento futuro

de las variables a controlar.
Como se mencionó anteriormente, al modelar un inversor, el elemento básico es la llave de

potencia, que puede ser un Transistor Bipolar de Compuerta Aislada (Isolated Gate Bipolar
Transistor, IGBT), un tiristor, un tiristor de Apagado por Compuerta (Gate Turn Off, GTO),
u otros. El modelo más simple de estas llaves de potencia considera una llave ideal con sólo
dos estados: encendido y apagado. Por lo tanto, el número total de estados de conmutación de
un inversor de potencia es igual al número de combinaciones diferentes de los dos estados de
20
conmutación de cada llave. Sin embargo, algunas combinaciones no son posibles, por ejemplo,
aquellas combinaciones que cortocircuitan el banco de CC.
Como regla general, el número de estados de conmutación posibles N es
N = xy (1.38)
donde x es el número de estados posibles de cada rama del convertidor, e y es el número de fases
(o ramas) del convertidor. Por ejemplo, un convertidor trifásico de dos niveles tiene N = 23 = 8
estados de conmutación posibles.
Otro aspecto del modelo del inversor es la relación entre los estados de conmutación y los
niveles de tensión, en el caso de los inversores en configuración 4W, o los vectores de tensión, en
el caso 3W. Puede encontrarse que, en varios casos, dos o más estados de conmutación generan
el mismo vector de tensión. Por ejemplo, en un VSI, los ocho estados de conmutación generan
siete vectores de tensión diferentes, dos de los cuales generan el vector cero como puede verse
en la fig. 1.3.
Cada aplicación diferente impone distintos requerimientos de control sobre los sistemas.
Estos requerimientos pueden expresarse como una función de costo a minimizar. La función
de costo más simple que puede definirse es alguna medida del error entre una referencia y la
predicción de una variable. Sin embargo, una de las ventajas de los métodos de control predictivo
es la posibilidad de controlar diferentes tipos de variables e incluir restricciones en la función de
costo. Para lidiar con las diferentes unidades y magnitudes de las variables controladas, cada
término en la función de costo es multiplicado por un factor de peso que puede utilizarse para
ajustar la importancia de cada término.
Al armar el modelo para la predicción, las variables controladas deben ser consideradas para
obtener modelos en tiempo discreto que puedan usarse para la predicción de estas variables.
También es importante definir qué variables son medidas y cuáles no, porque en algunos casos
las variables requeridas para el modelo predictivo no son medidas y se necesitará, por lo tanto,
algún tipo de estimación. Para obtener un modelo en tiempo discreto es necesario usar algún
método de discretización como ya se explicó en este capı́tulo.
Implementación: Deben considerarse las siguientes tareas:

Predecir el comportamiento de las variables controladas para todos los estados de con-
mutación posibles.
Evaluar la función de costo para cada predicción.
Seleccionar el estado de conmutación que minimiza la función de costo.
La implementación de modelos predictivos y de una estrategia de control predictivo puede

implicar diferentes dificultades dependiendo del tipo de plataforma utilizada. Si se implementa
en un procesador de punto fijo, se debe prestar especial atención a la programación para obtener
la mayor precisión en la representación en punto fijo de las variables. Por otro lado, si se
implementa utilizando un procesador de punto flotante, puede utilizarse casi el mismo código
en las simulaciones y en el prototipo experimental.
Dependiendo de la complejidad del sistema controlado, el número de cálculos puede ser
significativo y limitará el mı́nimo tiempo de muestreo. En el caso más simple, el control de
corriente predictivo, el tiempo de cálculo es pequeño pero en otros esquemas, el tiempo de
cálculo es el parámetro que determina el tiempo de muestreo permitido.
Para seleccionar el estado de conmutación que minimiza la función de costo, deben evaluarse
todos los estados posibles y el valor óptimo es almacenado para ser aplicado a continuación.
El número de cálculos está directamente relacionado al número de estados de conmutación
posibles. En el caso del inversor binivel trifásico, calcular las predicciones para los ocho posibles
estados de conmutación no representa un problema.
Esquema general de control: Un esquema general de FCS-MPC aplicado a inversores se

presenta en la fig. 1.8. En este esquema, las variables medidas x(k) se utilizan en el modelo para
Inversor
x*(k)
Minimización S
de la función Carga
x(k) x(k+1)
Modelo de costo
Predictivo n
Mediciones de
x(k)
Figura 1.8: Esquema MPC general para inversores
calcular las predicciones x(k + 1) de las variables controladas para cada una de las n posibles
22
actuaciones, es decir, estados de conmutación, tensiones o corrientes. Luego, estas predicciones

son evaluadas utilizando una función de costo que considera los valores de referencia x∗ (k) y las
restricciones, y en base a esto, se selecciona la actuación óptima S para ser aplicada al inversor.
GPC
Diseño: Al modelar un inversor considerando la utilización de PWM, el valor de tensión

que impone cada rama es proporcional al ciclo de trabajo ingresado en el modulador como se
mostró anteriormente. Sin embargo debe tenerse en cuenta el tipo de conexión utilizada, es
decir, si la conexión es 3W o 4W, ya que el valor de tensión impuesto por el inversor en cada
fase es distinto en cada caso.
Con respecto a la función de costo, ésta debe considerar el error entre la referencia y la
predicción de una variable, que en el caso del inversor conectado a red, puede ser la corriente
o la potencia. Adicionalmente, debe incluirse un término que pese las variaciones de la señal
de control, es decir, el esfuerzo dinámico del control. Ambos términos deben ser cuadráticos
de forma tal de garantizar la existencia de un mı́nimo global de la función de costo. Para
poder variar la relación entre el término del error y el término del esfuerzo dinámico de control,
se multiplica a este último por un peso relativo λ, cuyo diseño es de vital importancia en el
desempeño del control como se verá más adelante.
Del mismo modo que en el FCS-MPC, se deben obtener modelos discretos de las variables
a controlar utilizando el método de discretización previamente mencionado. Sin embargo, la
etapa de diseño puede incluir la obtención de la ley de control de forma analı́tica, si el sistema
no presenta restricciones, lo que deriva en una formulación de forma de ecuación en diferencias,
como cualquier control lineal clásico. Si el sistema presenta restricciones esto no puede realizarse,
y la ley de control debe obtenerse para cada instante de muestreo.
En definitiva, en la etapa de diseño del GPC para el control de un inversor, se identifican
los siguientes pasos:
Modelado del inversor considerando la utilización de PWM.
Definición de una función de costo que incluya términos cuadráticos del error en las
variables controladas y de las variaciones de la señal de control.
Obtención de modelos de tiempo discreto que permitan predecir el comportamiento futuro

de las variables a controlar.
(Sin restricciones) Obtención de la ley de control a partir de los modelos y la función de

costo elegida.
Implementación: La implementación del GPC es muy distinta a la del FCS-MPC debido

a que la optimización se efectúa de forma offline si no se incluyen restricciones del sistema.
Mediante el modelo de la planta a controlar y el diseño de la función de costo, se obtiene
una representación del controlador en forma de ecuación en diferencias por lo que el costo
computacional es muy inferior al caso del FCS-MPC para horizontes de predicción largos.
En el caso de que existan restricciones, el controlador debe considerar las siguientes tareas:
Actualizar el estado del modelo a partir de las variables medidas
Obtener la señal de control óptima a partir de la resolución del problema de optimización

cuadrática.
Aplicar la señal de control obtenida al PWM.
Del mismo modo que el FCS-MPC, la selección de la plataforma digital influye en la difi-
cultad que se le presenta al diseñador a la hora de programar el algoritmo del control.
Por otro lado, en el caso de no incluir restricciones en el control, la complejidad del sistema
controlado no influye de manera significativa en la cantidad de operaciones que deben efec-
tuarse, ya que esta depende linealmente con el orden de la planta. Sin embargo, en el caso de
incluir restricciones, el tamaño de las matrices que se utilizan para obtener el control óptimo
se incrementa con el orden de la planta lo que puede llegar a ser significativo.
El problema de optimización cuadrática se realiza una única vez en el caso irrestricto mien-
tras que al incluir restricciones debe realizarse en cada instante de muestreo. Éste puede ser
muy demandante computacionalmente si el horizonte de predicción es largo. Afortunadamente,
en el caso de un inversor binivel trifásico, la única restricción fı́sica está definida por la tensión
máxima que puede aplicar a cada fase, lo que puede resolverse sin necesidad de incluirla en la
formulación del GPC como se verá más adelante. De este modo, para esta aplicación, puede
diseñarse un GPC sin restricciones lo que deriva en un control de baja complejidad.
24
Esquema general de control: Un esquema general de GPC aplicado a inversores se presenta

en la fig. 1.9.
Inversor
x*(k) + Controlador Modulador S

Carga
GPC PWM
-
x(k)
Mediciones de
x(k)
Figura 1.9: Esquema GPC general para inversores
En este esquema, las variables medidas x(k) se comparan con los valores de referencia x∗ (k)
y, mediante el error, se ingresa al controlador GPC que entrega la señal de control óptima para
el error obtenido. Esta señal es aplicada al inversor mediante un PWM.
Capı́tulo 2
MPC con conjunto finito de control (FCS-MPC)
2.1. Introducción
En este capı́tulo se presenta la aplicación del FCS-MPC para el control de corriente de un

inversor trifásico, basado en el esquema de control reportado en [74]. La técnica de control
mencionada es mejorada a fin de obtener mayor robustez y menor dispersión espectral.
2.2. Control de corriente con FCS-MPC
La estrategia de control predictivo propuesta está basada en el hecho de que sólo un número
finito de estados de conmutación posibles puede ser generado por un convertidor de potencia
estático y de que los modelos del sistema pueden ser utilizados para predecir el comportamiento
de las variables para cada estado de conmutación. El criterio para definir el estado de conmuta-
ción apropiado consiste en una función de costo que será evaluada para las predicciones de las
variables a controlar. La predicción del valor futuro de estas variables es calculada para cada
estado de conmutación posible y luego se selecciona el estado que minimiza la función de costo,
por lo que se necesita un modelo de la carga en tiempo discreto para predecir el comportamiento
de las variables evaluadas por la función de costo, es decir, las corrientes en la carga, como el
que se obtuvo en (1.29).
En definitiva, el diseño de la estrategia de control puede resumirse en los siguientes pasos:
Definir una función de costo g, incluyendo las variables del sistema que desean ser contro-
ladas, y darle forma de una función minimizable, cuyo mı́nimo es el punto de operación
25
26
deseado del sistema.
Construir un modelo del convertidor y sus posibles estados de conmutación, para definir
el conjunto finito de señales de control que pueden aplicarse a la carga. El algoritmo
elegirá la señal de control que minimice la función de costo previamente diseñada.
Construir un modelo de estados del sistema para predecir sus valores futuros a partir de
los valores actuales y de las distintas señales de control, que se utilizarán para evaluar la
función de costo.
La única forma de manipular el comportamiento del FCS-MPC es mediante la definición

de la función de costo, ya que los otros dos pasos están definidos por la topologı́a y la carga,
respectivamente. Sin embargo, el diseño de la función de costo no es analı́tico, es decir, no se
puede predecir la estabilidad o la respuesta transitoria del control a partir de una función de
costo determinada.
2.3. Función de costo
El objetivo del esquema de control de corriente es minimizar el error entre las corrientes
medidas y los valores de referencia. Este requerimiento puede escribirse en la forma de una
función de costo. La función de costo se expresa en coordenadas ortogonales en la configuración
3W y mide el error entre las referencias y las predicciones de las corrientes:
g = |i∗α (k + 1) − ipα (k + 1)| + |i∗β (k + 1) − ipβ (k + 1)| (2.1)
donde ipα (k + 1) y ipβ (k + 1) son las partes real e imaginaria de la predicción del vector de
corriente en la carga ip (k + 1), para un vector de tensión dado. Para el caso 4W la función de
costo se expresa:
gj = |i∗j (k + 1) − ipj (k + 1)| (2.2)
es decir, se evalúa una función de costo independiente para cada fase j. La predicción se obtiene
utilizando el modelo de la carga, que se obtuvo en el Capı́tulo 1, que se repite aquı́ para
simplificar la lectura:
Capı́tulo 2. MPC con conjunto finito de control (FCS-MPC) 27
i[k + 1] = ad i[k] + bd (v[k] − e[k]) (2.3)
Las corrientes de referencia i∗α (k + 1) y i∗β (k + 1) son las partes real e imaginaria del vector
de corriente de referencia i∗ (k + 1) en el caso 3W. Para el caso 4W, i∗j (k + 1) es la referencia de
la corriente en la fase j y ipj (k + 1) es la predicción de la corriente en la fase j. Para simplificar,
asumiremos que la corriente de referencia posee una variación de amplitud despreciable en un
intervalo de muestreo, por lo que consideraremos i∗ (k + 1) = i∗ (k) y i∗j (k + 1) = i∗j (k). Esta
consideración puede introducir un retardo de una muestra en el seguimiento de la referencia,
lo que no representa un problema si se considera una elevada frecuencia de muestreo.
En la fig. 2.1 se muestra un diagrama de la estrategia de control predictivo aplicada al
control de corriente para un inversor trifásico.
Inversor
i*(k) Sa
Minimización
Sb Carga
p
i (k+1) de*la*función*
i(k) Modelo de*costo*g Sc
Predictivo 7
Figura 2.1: Diagrama en bloques de FCS-MPC de corriente
El control de corriente es realizado en cuatro pasos, como se describe en el cuadro 2.1.
Cuadro 2.1: Algoritmo de control de corriente FCS-MPC
1. Se obtiene el valor de la corriente de referencia i∗ (k) o

i∗j (k), y se mide la corriente en la carga i(k) o ij (k).
2. Se utiliza el modelo del sistema para predecir el valor
de la corriente en la carga en el siguiente intervalo de
muestreo i(k+1) para cada uno de los diferentes vectores
de tensión o ij (k + 1) para ambos valores de tensión por
fase.
3. La función de costo g evalúa el error entre la referencia
y la predicción de las corrientes en el siguiente intervalo
de muestreo para cada vector o valor de tensión.
4. La tensión que minimiza el error de corriente es seleccio-
nada y se generan las correspondientes señales de estado
de conmutación.
muestran en el cuadro 1.1, se estiman los valores futuros de la corriente ipα (k + 1) e ipβ (k + 1), a
partir del modelo utilizado proporcionado por (2.3), representados en lı́nea punteada de color
amarillo. Luego, mediante la función de costo (2.1) se selecciona el vector que minimiza el valor
obtenido, evaluándola para las predicciones ipα (k + 1) e ipβ (k + 1) asociadas a cada uno de ellos.
Por ejemplo, para el instante tk , las señales de referencia se encuentran en i∗α = 15 e i∗β = 0.
Los valores de las predicciones ipα (k + 1) y ipβ (k + 1) obtenidos para cada vector se muestran en
la segunda y tercera columna del cuadro 2.2.
Cuadro 2.2: Valores de la función de costo
Vector de tensión ipα (k + 1) [A] ipβ (k + 1) [A] Función de Costo

v0 , v7 15,3 −0,1 g0,7 = 0,4
V1 16,6 −0,1 g1 = 1,7
V2 15,8 0,3 g2 = 1,1
V3 14,8 0,3 g3 = 0,5
V4 14 −0,1 g4 = 1,1
V5 14,8 −0,6 g5 = 0,8
V6 15,8 −0,6 g6 = 1,4
Cada predicción es evaluada en (2.1) y el valor obtenido para cada predicción se muestra
en la cuarta columna. Considerando el caso del vector nulo V0,7 ,
= |15 − 15,3| + |0 − (−0,1)| = 0,4
Como puede verse en la tabla, justamente el vector nulo es el que obtiene el menor costo, con lo
cual es el que debe aplicarse para cumplir el objetivo de control. Si sólo se observa la corriente
iα , la opción de los vectores V3,5 es la que menor error produce con respecto a la referencia
i∗α . Sin embargo, si se observa iβ , estos vectores producen un error mayor que los vectores
V0,1,4,7 . En definitiva, la opción elegida es la que genera la menor suma de los errores en ambas
componentes de la corriente de salida.
Esta figura ilustra el significado de la función de costo como una medida de error o distancia
entre los vectores de referencia y sus predicciones. Es posible visualizar estos errores y distancias
para el caso del control de corriente, pero este dibujo pasa a ser difı́cil o imposible de construir
para funciones de costo más complejas, donde se incluyan más términos o de dominios distintos.
30
Por ejemplo, es posible manipular el espectro frecuencial de la corriente con la función de costo,
como se verá más adelante.
2.5. Ejecución del algoritmo
En la fig. 2.3 se muestra un diagrama de flujo del algoritmo de control FCS-MPC para una
configuración 3W, que se ejecuta en cada instante de muestreo.
Obtener e [k], i [k]
for j = 0:7
iP [k+1]=f(S)
j
g=g(i[k+1])
j
Si gj < gopt No
gopt = gj
Sopt = Sj
No
j = 7?
Si
Aplicar Sopt[k]
Figura 2.3: Diagrama de flujo del FCS-MPC para 3W
Como puede verse, el algoritmo posee un lazo que se ejecuta para cada estado posible,
obteniendo el estado de conmutación óptimo para el próximo perı́odo de muestreo. El estado
óptimo es aquel que brinda el menor valor de g, por lo que, al ir evaluando las distintas señales
de control posibles, el algoritmo compara el valor de g obtenido con el vector actual contra
el que fue almacenado previamente como gopt , que representa el valor óptimo de g hasta ese
momento. Para inicializar gopt se le asigna el máximo número cuya representación sea posible
por el microcontrolador utilizado.
A continuación se muestran resultados de simulación obtenidos utilizando el software de
simulación circuital NL5 [91]. Los parámetros del sistema que han sido considerados para las
simulaciones son Vdc = 900 V, L = 1,7 mH, R = 0,7 Ω y e = 311 Vpico y reflejan la situación real
de un inversor conectado a red y coinciden con los del prototipo del cual se obtuvieron resultados
experimentales para esta tesis. Además se introdujeron condiciones reales como son el retardo
de cálculo td y los tiempos muertos tm entre las conmutaciones de las llaves de una rama del
inversor. El retardo de cálculo es producto de las operaciones involucradas en el algoritmo de
control, y su longitud varı́a con la complejidad del método. Por otra parte, los tiempos muertos
sirven para evitar el encendido simultáneo de las llaves de una rama del inversor y, por lo tanto,
para evitar un cortocircuito entre los bornes del banco de CC. En el prototipo, td(max) = 10 µs
y tm = 2,5 µs. Adicionalmente, se incluyó el efecto del filtro pasabajos de antialiasing que se
utiliza en el prototipo con un polo doble en fc = 7 kHz.
En la fig. 2.4 se muestra la corriente y tensión en una fase de la carga para un tiempo de
muestreo de Ts = 100 µs. No hay error en régimen permanente en la corriente pero el ripple es
severo. Este ripple es reducido considerablemente cuando se utiliza un tiempo de muestreo más
pequeño, como se muestra en la fig. 2.5 para un tiempo de muestreo Ts = 25 µs. Sin embargo,
al reducir el tiempo de muestreo, la frecuencia de conmutación se incrementa como puede verse
al comparar las tensiones en la carga entre la fig. 2.4 y la fig. 2.5.
En la fig. 2.6 se muestra la respuesta del sistema a un escalón en la amplitud del vector de
referencia de corriente i∗ . Puede observarse que las corrientes en la carga siguen sus referencias
con una rápida dinámica.
2.5.1. Compensación de retardos
Cuando se implementan esquemas de control MPC como el que se acaba de explicar, el tiem-
po de cálculo introduce un retardo adicional a la actuación que puede deteriorar el desempeño
del sistema si no es considerado en el diseño del controlador.
La compensación del retardo de cálculo ha sido tratada en varios trabajos [92, 93, 94, 95, 96].
32
40
20
ia[A]
−20
−40
0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
600
400
200
van[V]
−200
−400
−600
0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
Tiempo [s]
Figura 2.4: Régimen permanente de la corriente y tensión en la carga para un tiempo de

muestreo Ts = 100 µs
El efecto del retardo de cálculo se muestra en la fig. 2.7. Si el tiempo de cálculo es significativo
en comparación con el tiempo de muestreo, habrá un retardo entre el instante en el cual las
corrientes son medidas y el instante de aplicación del nuevo estado de conmutación. Durante
el intervalo entre estos dos instantes, se continuará aplicando el estado de conmutación previo.
Como puede observarse en la fig. 2.7, el vector de tensión seleccionado usando mediciones
hasta tk continuará siendo aplicado después de tk+1 , haciendo que la corriente en la carga se
aleje de la referencia. La siguiente acción será seleccionada considerando las mediciones en
tk+1 y será aplicada cerca de tk+2 . Como consecuencia de este retardo, la corriente en la carga
oscilará alrededor de su referencia, incrementando el ripple de corriente.
40
20
ia[A]
−20
−40
0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
600
400
200
van[V]
−200
−400
−600
0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
Tiempo [s]
Figura 2.5: Régimen permanente de la corriente y tensión en la carga para un tiempo de

muestreo Ts = 25 µs
Método de compensación de retardos
Una solución simple que suele implementarse para compensar este retardo es seleccionar
el estado de conmutación antes de que llegue el instante de aplicarlo. Para ello es necesario
estimar la corriente en k + 1 y en base a esa estimación, seleccionar el estado que optimice el
error en el instante k + 2. Para poder lograr esto, el algoritmo de control se debe modificar de
la siguiente forma:
1. Medición de la corrientes i[k] en la carga.
2. Aplicación del estado de conmutación óptimo Sopt [k] (calculado en el intervalo k − 1).
3. Estimación del valor de la corriente î[k + 1], considerando el estado de conmutación

aplicado S[k].
34
1000
500
van[V]
−500
−1000
0 0.01 0.02 0.03 0.04 0.05 0.06
40
20
iα, iβ[A]
−20
−40
0 0.01 0.02 0.03 0.04 0.05 0.06
10
0
iα, iβ[A]
−10
−20
0.0285 0.029 0.0295 0.03 0.0305 0.031 0.0315

Tiempo [s]
Figura 2.6: Corrientes en la carga para un escalón en la amplitud del vector de referencia de
corriente i∗ , con un tiempo de muestreo Ts = 25 µs. (arriba) Tensión de fase a aplicada por el
inversor a la carga Van . (centro) Corrientes de salida en αβ. (abajo) Acercamiento en el instante
de cambio de amplitud en la referencia.
4. Predicción de las corrientes en la carga iP [k + 2] para todos los posibles estados de con-
mutación S[k + 1].
5. Evaluación de la función de costo para cada predicción iP [k + 2].
6. Selección del estado de conmutación S[k + 1] que minimiza la función de costo.
El algoritmo de control FCS-MPC con compensación de retardos puede ser representado

como el diagrama de flujo presentado en la fig. 2.8. Comparado con el algoritmo de control
original mostrado en la fig. 2.3, la aplicación del nuevo vector de tensión es movido al comienzo,
y se agrega la estimación de las corrientes en el tiempo tk+1 . Nótese que la estimación de las
iL (t) iL (t)
V i(t) t V i(t) t
t t
iL (k+1)
V i(k+1)
Retardo de cálculo
t t
kTs kTs+td kTs (k+1)Ts

(a) (b)
Figura 2.7: (a) Esquema que muestra la distorsión por retardo de cálculo. (b) Eliminación de
la distorsión mediante el cálculo del control al comienzo del intervalo.
corrientes incrementa el tiempo de cálculo, pero sólo marginalmente porque debe ser calculado
solamente una vez.
Para compensar los retardos, las corrientes medidas y el estado de conmutación aplicado
en k se utilizan en (2.3) para estimar el valor de las corrientes en la carga en el tiempo k + 1.
Luego, esta corriente es utilizada como un punto de partida para las predicciones para todos
los estados de conmutación. Estas predicciones se calculan utilizando el modelo de la carga
desplazado temporalmente un paso hacia adelante:
ip (k + 2) = ad î(k + 1) + bd (v(k + 1) − ê(k + 1)) (2.5)
donde î(k + 1) y ê(k + 1) son el vector de corriente y de tensión de red estimados y v(k + 1) es
la actuación a ser evaluada. El vector de tensión de red estimado puede obtenerse mediante la
extrapolación lineal promediada a partir de los valores de tensión sensados mediante la siguiente
ecuación:
5 3
ê(k + 1) = e(k) − e(k − 1) (2.6)
2 2
Si el tiempo de muestreo es elevado, puede suponerse que el valor de la tensión de red no

cambiará mucho, es decir
ê(k + 1) = e(k) (2.7)
36
Aplicar Sopt[k]
Obtener e [k], i [k]
Estimar i[k+1]
for j = 0:7
i[k+2]=f(S)
j
g=g(i[k+2])
j
Si gj < gopt No
gopt=gj
Sopt=Sj
No
j = 7?
Si
Almacenar Sopt[k+1]
Figura 2.8: Diagrama de flujo del algoritmo mejorado para 3W
La función de costo es modificada para la evaluación de las predicciones de la corriente

ip (k + 2), resultando
y el estado de conmutación que minimiza esta función de costo es seleccionada y almacenada

para ser aplicada en el siguiente instante de muestreo.
En la fig. 2.9 se muestra la operación del FCS-MPC con un retardo de cálculo td(max) =
10 µs. Puede verse que el ripple en las corrientes en la carga es mayor cuando el retardo no es
Sin compensación de retardos
30
20
10
i ,i* [A]
0
a
a
−10
−20
−30
0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
Con compensación de retardos

30
20
10
i ,i* [A]
0
a
a
−10
−20
−30
0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055
Tiempo [s]
Figura 2.9: Operación del FCS-MPC con y sin la compensación de retardos (Ts = 10 µs)
compensado.
Cabe aclarar que la estimación de la corriente no representa un retardo de control, ya que
la acción de control se aplica en el momento deseado. Sin embargo, si el modelo utilizado para
realizar la estimación no es suficientemente cercano a la planta real, el efecto de compensación
se pierde, como se verá más adelante.
Otro aspecto de interés es el de la estabilidad del control ante la presencia de retardos
de control. En el caso del FCS-MPC, al ser éste un control no lineal, su estabilidad no puede
estudiarse con los métodos clásicos tales como el margen de fase o el criterio de Nyquist. En [97]
se demuestra que el FCS-MPC es estable para una referencia constante en un convertidor de
CC. Sin embargo, no existen trabajos que estudien la estabilidad en inversores, lo que representa
un problema a resolver.
38
2.6. Comparación con un esquema de control PR
En las figs. 2.10a y 2.10b, se presenta una comparación del FCS-MPC con un control PR.
Aquı́, la amplitud de la referencia de corriente i∗α se reduce de 20 a 10 A en el instante t =
0,02 s manteniendo fija la amplitud de la corriente i∗β . Esta prueba se hace para evaluar la
capacidad de desacoplamiento del lazo de control de corriente. Las corrientes de carga obtenidas
con un control PR (fig. 2.10a), si bien no presentan acoplamiento mutuo notorio entre sus
componentes al momento de aplicar el escalón en una de ellas, muestran una respuesta más
lenta debido a la dinámica del lazo de corriente. La respuesta del FCS-MPC (fig. 2.10b) muestra
una respuesta dinámica rápida y posee un desacoplamiento inherente entre ambas componentes.
Debe aclararse que el control PR fue realizado con un perı́odo de muestreo de T s = 100 µs,
mientras que en el FCS-MPC fue T s = 25 µs, para igualar la cantidad máxima de conmutaciones
por perı́odo de muestreo. Aún ası́, es notoria la diferencia en el patrón del ripple de corriente,
lo que genera diferencias en el contenido espectral entre ambas estrategias de control como se
verá en la sección siguiente.
Además de las capacidades de seguimiento de cualquier método de control de corriente,
otras medidas de desempeño importantes son el espectro de corriente de salida generado por el
inversor y la robustez frente a variaciones paramétricas.
2.6.1. Distorsión armónica
El espectro de corriente para ambos métodos de control se muestra en la fig. 2.11. donde
se observa que el contenido armónico producido por el control PR, está concentrado en la
frecuencia portadora debido al PWM mientras que el del FCS-MPC se caracteriza por un
espectro esparcido. Esto tiene la desventaja de que, a diferencia de un control con PWM,
aparecen armónicas de baja frecuencia difı́ciles de filtrar y por lo tanto, la distorsión armónica
aumenta. Por otro lado, aunque la frecuencia de conmutación del FCS-MPC es variable, ésta se
encuentra limitada. De hecho, el estado de conmutación del inversor puede cambiar solamente
una vez durante cada instante de muestreo, por lo que la frecuencia de conmutación está limitada
a la mitad de la frecuencia de muestreo (fs ). Sin embargo, los estados de conmutación no
cambian en cada instante de muestreo, por lo que la frecuencia de conmutación promedio
siempre es menor que fs /2. Los resultados muestran que la frecuencia de conmutación promedio
40
20
iα, i*α [A]

0
−20
−40
0.01 0.015 0.02 0.025 0.03 0.035 0.04
40
20
iβ,i*β [A]
−20
−40
0.01 0.015 0.02 0.025 0.03 0.035 0.04
Tiempo [s]
(a)
40
20
i , i* [A]
α
0
α
−20
−40
0.01 0.015 0.02 0.025 0.03 0.035 0.04
40
20
i , i* [A]
β
0
β
−20
−40
0.01 0.015 0.02 0.025 0.03 0.035 0.04
Tiempo [s]
(b)
Figura 2.10: Simulación que muestra un escalón en la referencia de corriente i∗α . (a) Control
PR. (b) FCS-MPC.
se concentra entre fs /5 y fs /4. Adicionalmente, el espectro de la corriente puede controlarse

modificando la función de costo como se mostrará posteriormente. De esta forma se podrı́a
40
7
PWM
6 THD ==3.57%
i
Magnitud=[%] 5
4
3
2
1
0 5 10 15 20 25
Frecuencia=[kHz]
(a)
7
6 FCS−MPC
THDi =D20.03%
MagnitudD[%]
5
4
3
2
1
0 5 10 15 20 25
FrecuenciaD[kHz]
(b)
Figura 2.11: Espectro de la corriente en la carga. (a) Espectro generado por el control PR. (b)
Espectro generado por el control FCS-MPC.
llegar a reducir la dispersión espectral y minimizar la distorsión.
2.6.2. Robustez
El concepto de robustez indica la habilidad de un sistema de tolerar perturbaciones tanto

externas (ruido) como internas (variaciones paramétricas). En este caso, para evaluar la robustez
y compararla, se estudia el efecto de la variación de los parámetros de la carga.
Se realizaron simulaciones con Ts = 25 µs para el FCS-MPC y Ts = 100 µs para el control
PR. Esta diferencia se utilizó para equiparar las frecuencias de conmutación promedio. Los
parámetros del sistema se muestran en el cuadro 2.3.
En la fig. 2.12 puede observarse el comportamiento transitorio de ambos métodos de control.
En la parte superior de la figura se muestra el caso con parámetros nominales. Puede verse que
Cuadro 2.3: Condiciones operacionales nominales.
Potencia de salida nominal, Pnom 10 kW

Resistencia de fase de salida, rL 1,5 Ω
Inductancia de fase de salida, L 1,7 mHy
Tensión de fase de la red, Vg 220 Vrms
Frecuencia de conmutación, fs 10 kHz
Tiempo muerto programado, td 2,5 µs
Rango de tensiones del banco CC 760 Vmin , 820 Vmax
Acoplamiento en el PCC conexión directa
ControlLPR FCS−MPC
40 40
CorrienteLenLlaLcargaL[A]
20 20
0 0
LL=L1.7LmH LL=L1.7LmH
−20 −20
−40 −40
0.01 0.015 0.02 0.025 0.03 0.01 0.015 0.02 0.025 0.03
40 40
20 20
0 0
−20 LL=L1.2LmH −20 LL=L1.2LmH
−40 −40
0.01 0.015 0.02 0.025 0.03 0.01 0.015 0.02 0.025 0.03
TiempoL[s] TiempoL[s]
Figura 2.12: Respuesta de los métodos de control al escalón en la referencia de corriente. Con-
diciones nominales (arriba). Variación de la inductancia (abajo). Control PR (izq.). FCS-MPC
(der.)
el FCS-MPC presenta una respuesta dinámica más rápida que el PR cuando se le aplica un
escalón de amplitud −10 A. Se realizó la misma prueba bajo variación del valor de inductancia,
como se muestra en la parte inferior de la figura. Puede verse que el desempeño dinámico del
controlador PR está ligeramente afectado por la variación paramétrica de la carga, presentando
un mayor tiempo de establecimiento y mayor cantidad de oscilaciones. Esto se debe a que al
variar la ubicación de los polos de la planta, el margen de fase del lazo de control se ve reducido
42
y la estabilidad relativa es menor. En contraste, el FCS-MPC muestra cambios en ripple pero su

respuesta dinámica no se ve afectada. La razón de esta mejor estabilidad del FCS-MPC es difı́cil
de evaluar ya que no se puede realizar un análisis de lugar de raı́ces por ser un control no lineal.
Los cambios en el ripple se deben a que las variaciones en la carga producen diferencias entre
la corriente real y la predicción de la corriente del modelo utilizado. Lamentablemente, estos
cambios en el ripple generan mayor distorsión armónica por lo que su efecto es más perjudicial
que en el caso del control PR.
2.7. FCS-MPC Robusto (Robust MPC, RMPC)
Como se mencionó en la sección 2.5.1, para poder predecir iP (k + 2) debe realizarse una
estimación de la corriente en k + 1, î(k + 1). El problema es que esta corriente es estimada a
lazo abierto, es decir, sin tener en cuenta una eventual variación paramétrica.
En esta tesis, se propone la inclusión de un observador de estados de Luenberger para
realizar la estimación de la corriente en k + 1, como se muestra en la fig. 2.13. Esto hace posible
E(t)
3 Inversor
*
i L[k+2] Sa
S 3 - 3
Optimización b Carga
iL[k+2]
Sc
Vx[k] +
3
3 3
Modelo del
Observador
Sistema iL[k+1] iL[k]
Figura 2.13: Diagrama en bloques de la estrategia de control RMPC.
una estimación a lazo cerrado, es decir, considerando el error en la estimación previa y, por
consiguiente, se logra incrementar la robustez del sistema entero.
Particularmente, un observador de Luenberger incluye una muestra del error de la estimación
previa, en la iteración actual. Luego, la expresión de la corriente estimada es,
h i
î(k + 1) = b0 [u(k) − e(k)] + a1 î(k) + K i(k) − î(k) (2.9)
donde K es la ganancia del observador. Esta ganancia es un parámetro modificable que pesa
el error de la estimación previa con respecto al valor actual de la variable. A continuación se
demuestra el efecto de la selección de la ganancia del observador sobre el error de estimación

frente a variaciones del modelo.
2.7.1. Variaciones del modelo del observador
La muestra futura de corriente podrı́a calcularse como
i(k + 1) = a1 i(k) + b0 [u(k) − e(k)] (2.10)
si el modelo fuera exacto. Sin embargo, en realidad, el modelo es inexacto y la medición presenta
ruido por lo que el observador brida una estimación de la muestra futura mediante
h i
î(k + 1) = aˆ1 î(k) + bˆ0 [u(k) − e(k)] + K i(k) − î(k) (2.11)
donde aˆ1 y bˆ0 son los coeficientes del modelo que difieren de los coeficientes de la planta real,
es decir,
aˆ1 = a1 ± ∆a1 (2.12)
bˆ0 = b0 ± ∆b0 (2.13)
El error en la estimación del observador se define como:
ǫ(k + 1) = i(k + 1) − î(k + 1) (2.14)
Por lo tanto, reemplazando (2.10) y (2.11) en (2.14), utilizando (2.12) y (2.13), y reordenando
términos resulta en
ǫ(k + 1) = (a1 − K)(i(k) − î(k)) ∓ ∆a1 î(k) ∓ ∆b0 [u(k) − e(k)] (2.15)
Como el error de la estimación actual es
ǫ(k) = i(k) − î(k) (2.16)

44
entonces (2.15) resulta
ǫ(k + 1) = (a1 − K)ǫ(k) ∓ ∆a1 î(k) ∓ ∆b0 [u(k) − e(k)] (2.17)
A partir de (2.16) se puede definir
î(k) = i(k) − ǫ(k) (2.18)
Reemplazando (2.18) en (2.17), y reordenando términos resulta
ǫ(k + 1) = (a1 ± ∆a1 − K)ǫ(k) ∓ ∆a1 i(k) ∓ ∆b0 [u(k) − e(k)] (2.19)
donde a1 ± ∆a1 = aˆ1 por lo que
ǫ(k + 1) = (aˆ1 − K)ǫ(k) ∓ ∆a1 i(k) ∓ ∆b0 [u(k) − e(k)] (2.20)
Definiendo q −1 como el operador retardo y reordenando términos de (2.20) resulta
∓∆a1 i(k) ∓ ∆b0 [u(k) − e(k)]

ǫ(k + 1) = (2.21)
1 − (aˆ1 − K)q −1
Considerando que la corriente de salida real puede describirse mediante
b0 q −1 [u(k) − e(k)]
i(k) = (2.22)
1 − a1 q −1
entonces reemplazando i(k) en (2.21) y reordenando términos resulta
[(∓∆a1 b0 ± ∆b0 a1 )q −1 ∓ ∆b0 ] [u(k) − e(k)]

ǫ(k + 1) = (2.23)
(1 − a1 q −1 )(1 − (aˆ1 − K)q −1 )
Finalmente, reordenando términos de (2.23) resulta
h i
∓∆b0 1 + (∓ ∆a 1 b0
∆b0
− a1 )q −1
[u(k) − e(k)]
ǫ(k + 1) = (2.24)
(1 − a1 q −1 )(1 − (aˆ1 − K)q −1 )
La ecuación (2.24) muestra que el error de estimación futuro ǫ(k + 1) es la tensión aplicada a
la carga u(k) − e(k) pasada por un filtro que tiene un cero determinado por la magnitud de la
variación paramétrica del sistema, un polo determinado por la planta real y un polo determinado
por el modelo y la ganancia del observador. De este modo, para una dada variación paramétrica,
existe un valor de K óptimo que maximiza el filtrado de la tensión aplicada a la carga, y por
lo tanto minimiza el error de estimación futuro. Además, si uno conociera la planta real y el
contenido espectral de u(k) − e(k), se podrı́a determinar analı́ticamente el valor de K para
obtener el mejor filtrado. Sin embargo, debido a que la planta se supone desconocida, ello no
es posible, por lo que el valor de K óptimo debe determinarse empı́ricamente.
2.7.2. Efecto del observador
En la fig. 2.14 puede observarse el comportamiento transitorio de FCS-MPC. En la parte

SinLObservador ConLObservador
30 30
20 20
10 10
0 0
−10 −10
LL=L1.7LmH LL=L1.7LmH
−20 −20
−30 −30
0.01 0.015 0.02 0.025 0.03 0.01 0.015 0.02 0.025 0.03
40 40
20 20
0 0
−20 LL=L0.85LmH −20 LL=L0.85LmH
0.01 0.015 0.02 0.025 0.03 0.01 0.015 0.02 0.025

TiempoL[s] TiempoL[s]
Figura 2.14: Respuesta del FCS-MPC al escalón en la referencia de corriente. Condiciones

nominales (arriba). Variación de la inductancia (abajo). Sin observador (izq.). Con observador
(K = 0,4) (der.)
superior de la figura se muestra el caso con parámetros nominales, donde puede observarse un
comportamiento similar. Sin embargo, en la parte inferior puede verse que el FCS-MPC con
46
observador presenta menor variación del ripple, con respecto al caso sin observador, para una
reducción de la inductancia de la carga de un 50 %. La ubicación del polo del observador influye
en el mı́nimo error esperable para distintos valores de variación paramétrica de la carga como se
muestra en la fig. 2.15. Estos valores fueron obtenidos empı́ricamente y, para el caso mostrado,
1
0.8
0.6
∆ L = 70%, 80%
0.4
∆ L = 50%
0.2
∆ L = 10%
0
−0.2 ∆ L = 0, 30%
∆ L = 20%, 40%
−0.4 ∆ L = 60%
∆ L = 90%
−0.6
−0.8
−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Figura 2.15: Ubicación óptima del polo del observador para distintos porcentajes de variación
en el valor de la inductancia de la carga
Kopt = 0,4.
En la fig. 2.16 se muestran los valores de THD para distintas relaciones paramétricas entre
la inductancia real de la planta LL y la inductancia modelada Lm . La aparente disminución de
7
Sin Observador
6 Con Observador
THD(%)
4
0 10 20 30 40 50
ΔLL/Lm(%)
Figura 2.16: Comparación entre el FCS-MPC y FCS-RMPC en términos de THD de la corriente
ante variaciones de la inductancia real LL con respecto a la inductancia modelada Lm .
desempeño en el caso sin variaciones es debida a que la ganancia del observador elegida no es
la óptima para esa situación. Pero en general, mediante esta modificación, se puede mantener
un valor bajo de distorsión sin importar las variaciones paramétricas de la carga.
Para comparar el desempeño del sistema bajo variabilidad paramétrica es necesario elegir
un ı́ndice de desempeño que evalúe aspectos significativos del sistema bajo control. Se eligió el
error medio de corriente debido a que es apropiado para evaluar la exactitud del seguimiento
de la referencia de corriente instantáneamente. El desempeño del control sin observador y con
observador fue evaluado para variaciones del valor de la inductancia. En la fig. 2.17 se muestra
un gráfico de resultados. Puede observarse que las variaciones de inductancia inferiores al 50 %
2.5
MPC
RMPC
2.0
ErrorRmedioRdeRcorrienteR [p.u]
1.5
1.0
0.5
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
LL/Lm
Figura 2.17: Error medio de la corriente en la carga en función de la relación entre la inductancia
real de la carga LL y la inductancia modelada Lm .
no producen un efecto notorio en el error medio de la corriente. Sin embargo, para variaciones
mayores, el agregado del observador mejora notablemente el desempeño del control. Con la
inclusión de esta mejora, la robustez del FCS-MPC se ve incrementada y se obtiene un FCS-
MPC robusto (RMPC).
48
2.8. FCS-MPC con espectro reducido
Otra de las grandes desventajas del FCS-MPC es que, al no poseer un PWM de frecuencia
fija, la frecuencia de conmutación de las llaves es variable, por lo que el espectro de la corriente
se encuentra esparcido en un amplio rango de frecuencias como se vio en la sección 2.6.1, lo
que hace muy difı́cil su filtrado y, por lo tanto, obtener un bajo valor de distorsión armónica.
Adicionalmente, el espectro generado por el FCS-MPC varı́a con la frecuencia de muestreo
utilizada como puede verse en la fig. 2.18.
7
6 FCS−MPC
THDi =D20.03%
MagnitudD[%]
5
4
3
2
1
0 5 10 15 20 25
FrecuenciaD[kHz]
(a)
7
6 FCS−MPC
THD =D5.08%
i
5
MagnitudD[%]
4
3
2
1
0 5 10 15 20 25
FrecuenciaD[kHz]
(b)
Figura 2.18: Espectro de la corriente en la carga. (a) Ts = 50 µs. (b) Ts = 25 µs
En [98], los autores llegan a la conclusión de utilizar PWM para mantener fija la frecuencia de
conmutación, por lo que el control predictivo deja de ser del tipo FCS-MPC. En [99], se propone
una restricción en el contenido espectral de FCS-MPC no lineal calculando la Transformada
Discreta de Fourier (Discrete Fourier Transform, DFT) para cada muestra de la variable de
control, lo que implica un elevado costo computacional.

En esta tesis se proponen ideas para modelar el espectro del FCS-MPC. Además de controlar
los valores instantáneos de las variables, se propone incluir requerimientos de contenido espectral
de las variables en la función de costo. Mediante la inclusión de un filtro en la función de costo
se puede controlar el contenido armónico de las variables controladas [100].
La inclusión de un filtro notch centrado en la frecuencia de conmutación deseada, logra
disminuir la dispersión espectral y concentrarla alrededor de esta frecuencia al anular su costo
en el funcional. Además, mediante este método se puede limitar la frecuencia de conmutación
promedio de las llaves, lo que reduce considerablemente las pérdidas, aumentando la eficiencia
del sistema. Por esto, se ha sugerido incluir en la función de costo un filtro digital que efecti-
vamente disminuya la dispersión espectral de la corriente . Sin embargo, la selección del filtro
digital debe realizarse teniendo en cuenta ciertos aspectos.
En primer lugar, la frecuencia central del espectro del error debe ubicarse lo más cerca-
namente posible a la frecuencia de conmutación deseada, por lo que se define el parámetro
desviación relativa de la frecuencia central con respecto a la frecuencia de conmutación desea-
da,
∗
|fsw − fc |
∆fr = ∗
(2.25)
fsw
donde f ∗sw es la frecuencia de conmutación deseada y fc es la frecuencia central del espectro

en frecuencia, definida como la componente de mayor amplitud en el espectro resultante del
error de la corriente de salida. De esta forma, se logra establecer un parámetro de desempeño
que mide la exactitud del filtro para generar la frecuencia deseada.
En segundo lugar, el espectro del error debe poseer una baja dispersión espectral con res-
pecto a la componente de frecuencia de mayor amplitud, para facilitar su filtrado mediante
filtros pasivos del tipo LCL. Para cuantificar este parámetro de evaluación se calculó la suma
de valores RMS de las componentes distintas de la frecuencia de mayor amplitud,
fs
2
X
D= Eh − Ehmax , (2.26)
h
donde Eh es el valor RMS de la componente armónica h, y se definió la dispersión espectral

50
relativa con respecto a la máxima dispersión,
D
De = (2.27)
Dmax
donde Dmax es la máxima dispersión espectral obtenida con un dado filtro.

En tercer lugar, la distorsión armónica total de la corriente obtenida debe ser inferior al 5 %,
y lo más baja posible. Por lo tanto, se cálculó el THD para evaluar el efecto del filtro elegido
sobre la distorsión de la corriente de salida y verificar que cumple con las normas.
Finalmente, la frecuencia obtenida debe ser coherente con la frecuencia deseada, por lo que
se midió la frecuencia de conmutación obtenida fsw , mediante
Nsw
fsw = (2.28)
Tg
donde Nsw es la cantidad de conmutaciones de las llaves y Tg es el perı́odo de la tensión de la

red, que coincide con el periodo de la referencia de corriente.
En base a estos parámetros, se analizaron tres alternativas de filtro notch digital: un filtro de
Respuesta Infinita al Impulso (Infinite Impulse Response, IIR), un filtro de Respuesta Finita
al Impulso (Finite Impulse Response, FIR) de máxima planicidad y un FIR equiripple. Se
presentan simulaciones y en base a los resultados obtenidos se puede definir cuál es la mejor
alternativa en función de las restricciones que se presenten al momento de su aplicación.
2.8.1. Modificación del control
Para poder manipular el contenido espectral de las corrientes de salida, el funcional de costo
debe poseer un filtro digital notch que limite el espectro.
A continuación se muestra la función de costo que incluye, además del término del error
respecto a la referencia, un factor que filtra este error y modifica el espectro de corriente;
J = |F (z) (i∗ [k + 2] − i[k + 2])| (2.29)
donde F (z) expresa al filtro digital que puede ser del tipo FIR o IIR.
El error presentará un espectro inverso al de F (z), debido a que las frecuencias donde
F (z) presenta atenuación significativa poseen menor costo que aquellas donde presenta una
atenuación baja. Además, si se desea un espectro concentrado alrededor de una frecuencia
arbitraria de conmutación debe utilizarse un filtro del tipo notch centrado en esa frecuencia
[101, 102].
2.8.2. Filtro digital
La elección del filtro notch requiere una evaluación del desempeño de distintas alternativas
en términos de dispersión espectral, orden del filtro, corrimiento de la frecuencia central respecto
a la frecuencia deseada, distorsión armónica y frecuencia de conmutación. Aquı́ se incluye la
evaluación de tres tipos de filtro a modo de ejemplo.
Los filtros digitales se clasifican en los IIR y los FIR. Los IIR son de la forma,
PP
i=0 bi z −i
H(z) = P Q
(2.30)
1+ j=1 aj z −j
y presentan la ventaja de que se pueden lograr las mismas especificaciones de respuesta en

frecuencia que con un FIR pero con un menor orden. En cuanto a las desventajas, posee un
mayor riesgo de inestabilidad debido a la existencia de polos que pueden desplazarse fuera del
cı́rculo unitario, y la fase no puede hacerse lineal.
Por otro lado los FIR presentan una transferencia de la forma,
N
X −1
H(z) = bn z −n (2.31)
n=0
Los filtros FIR no poseen las desventajas de los IIR, sin embargo presentan un mayor número
de términos para obtener una respuesta similar a la de los IIR, lo que conlleva un aumento en
el retardo de cálculo.
Los tres tipos de filtro notch digital que se evaluaron son:
1. IIR de segundo orden
2. FIR de máxima planicidad
3. FIR equiripple
52
IIR
El filtro notch IIR de segundo orden es de la forma [103],
1 − 2 cos ω0 z −1 + z −2
H(z) = K (2.32)
1 − 2r cos ω0 z −1 + r2 z −2
donde ω0 es la frecuencia central discreta, r es el módulo de los polos complejos conjugados y K

es un factor de escala. Al variar r, varı́a el ancho de banda del filtro, haciéndose más estrechos
a medida que r se acerca al cı́rculo unitario. Se evaluó el comportamiento del IIR de segundo
orden para distintos valores de r.
FIR de máxima planicidad
Como se ve en (2.31), la expresión de un filtro FIR es una sumatoria de retardos con un

coeficiente asociado. La respuesta del filtro se obtiene determinando el valor de los coeficientes
y el orden, es decir, la cantidad de retardos utilizados. Para obtener un filtro FIR de máxima
planicidad se utilizó un método analı́tico [104] que no requiere el diseño en tiempo continuo.
Sin embargo, la frecuencia central del FIR puede tener un error de frecuencia que es función
del orden del filtro. En definitiva, se evaluó el comportamiento del filtro para distintos valores
de orden N .
FIR equiripple
En el diseño del FIR equiripple se aplicó el método de Parks-McClellan [105]. Este método
utiliza un algoritmo iterativo que busca el óptimo FIR del tipo Chebyshev. Para diseñarlo
se establecen puntos deseados de la respuesta en frecuencia, que luego serán incluidos en la
respuesta final del filtro. Del mismo modo que en el caso anterior se evaluó el comportamiento
del filtro para distintos valores de orden del filtro N .
Estos métodos de diseño de filtros FIR, como consideran un FIR de fase lineal, no aseguran
que la transferencia sea de mı́nima fase, es decir, que no todos los ceros de la transferencia se
encontrarán dentro del cı́rculo unitario. Esto acarrea problemas de inestabilidad en el control
por lo que se modificaron los algoritmos para que los ceros se ubiquen dentro del cı́rculo unitario.
Para ello, una vez obtenidas las transferencias, se reemplazaron los ceros por sus recı́procos, es
decir,
i
i
znmp
znmp = i 2 (2.33)
|znmp |
i
donde znmp es el i-ésimo cero de no mı́nima fase.
De este modo, la respuesta en frecuencia del módulo no se ve afectada, a expensas de perder
la linealidad de la fase. Sin embargo, esto último no representa un problema en esta aplicación.
En la siguiente sección, se describe la evaluación de los distintos filtros notch digitales, IIR,
FIR de máxima planicidad y FIR equiripple, en la función de costo del algoritmo de control
MPC. Se muestran las respuestas en frecuencia de las distintas alternativas, y se realiza una
comparación en términos de desempeño.
2.8.3. Evaluación
Se evaluaron las distintas alternativas mediante simulaciones utilizando el paquete MATLA-

B/Simulink. Los parámetros de simulación fueron: tensión del banco vb = 450 V, perı́odo de
muestreo Ts = 10 µs, inductancia L = 2 mH, resistencia de pérdidas rL = 1 Ω.
La frecuencia de conmutación deseada, fsw = 10 kHz, se utilizó para definir la frecuencia
central del notch, es decir, la frecuencia de mı́nimo peso en la función de costo. El horizonte
de predicción elegido para el algoritmo de control MPC es n = 1, lo que resulta en un mı́nimo
esfuerzo de cálculo.
Evaluación del filtro IIR
Se evaluó el filtro IIR variando el radio r, con 0 ≤ r ≤ 1. El rango r > 1 fue descartado,
ya que los polos se desplazan fuera del cı́rculo unitario y la respuesta se hace inestable. Como
puede observarse en la Fig. 2.19, existe una mı́nima desviación de la frecuencia de conmutación
promedio respecto a la frecuencia central del filtro ∆fr = 0,015 para r = 0,98. Además, para
este mismo valor de r se observa la mı́nima dispersión espectral relativa con respecto a la
máxima dispersión De = 0,6549. Sin embargo, para este valor de r, la T HDi = 12,52 % que
supera el máximo permitido por la norma de 5 % [1]. Por otro lado, para r = 1, se observa la
frecuencia de conmutación de las llaves más cercana al valor deseado de 10 kHz con un valor
fsw = 10,05 kHz. Por lo tanto, se requirió encontrar un valor de r óptimo que cumpla con la
norma y minimice tanto la desviación frecuencial como la dispersión espectral, al mismo tiempo
54
4
2
1
∆ fr
2
∆ fr
1
∆ fr
0.5
0
0 50 100 150 200 250
0 0.2 0.4 0.6 0.8 1 0
50 100 150 200 250
1 1
1
0.8
De
0.5
De
De
0.5
0.6
0
0 0.2 0.4 0.6 0.8 1 0 50 100 150 200 250
50 100 150 200 250
10 10
10
THDi (%)
THDi (%)
THDi (%)
5 5
5
0 0 0
0 0.2 0.4 0.6 0.8 1 50 100 150 200 250 50 100 150 200 250
40 20
40
fsw [kHz]
fsw [kHz]
fsw [kHz]
20 10
20
0 0 0
0 0.2 0.4 0.6 0.8 1 50 100 150 200 250 50 100 150 200 250
r Orden del filtro n Orden del filtro n
Figura 2.19: (En orden descendente)Desviación relativa de la frecuencia de conmutación prome-

dio con respecto a la frecuencia central del filtro ∆fr ; dispersión espectral relativa con respecto
a la máxima dispersión De ; distorsión armónica total (T HDi ) de la corriente filtrada; frecuencia
de conmutación de las llaves fsw . (De izquierda a derecha) Evaluación del filtro IIR en función
de r; Evaluación del filtro FIR de máxima planicidad; Evaluación del filtro FIR equiripple. Los
filtros FIR fueron evaluados en función del orden N .
que garantice una frecuencia de conmutación de las llaves cercana a la deseada.

Para encontrar este valor se armó una función de costo tal que
|fsw − fc |
C = T HDi + De ( %) + ∆fr ( %) + ( %) (2.34)
fc
evaluada para valores de r que cumplen con la norma de T HDi < 5 %. En base a esta función
se encontró que ropt = 0,92 es el valor óptimo de r. Para este valor, ∆fr = 0,045, De = 0,7443,
T HDi = 3,708 % y fsw = 10,45 kHz. La transferencia del filtro puede verse en el gráfico
superior de la Fig. 2.20. El ancho de la banda de transición (T BW ) es 1 kHz. La forma de onda
de corriente y el espectro obtenido se muestran en la Fig. 2.21.
Como puede verse, en comparación con el caso en el que no se incluya el filtro notch en
la función de costo, el espectro se encuentra concentrado alrededor de una marcada frecuencia
de conmutación. Esto, como se mencionó previamente, permite mantener un adecuado nivel de
distorsión armónica y reducir las pérdidas. Por otro lado, el ripple de conmutación es mayor al
incluir el filtro debido a que la frecuencia de conmutación promedio es menor que en el caso sin
DiagramaCdeCBode MapaCdeCPolosCyCCeros
50 1
0.8
MagnitudC[dB] 0
0.6
−50
0.4
−100 0.2
EjeCImaginario
−150 0
135
−0.2
90
−0.4
45
FaseC[º]
−0.6
0
−45 −0.8
−90 −1
10
−1
10
0 1
10 −1 −0.5 0 0.5 1
FrecuenciaC[kHz] EjeCReal
DiagramaRdeRBode MapaRdeRPolosRyRCeros
100 1
0.8
0
MagnitudR[dB]
0.6
−100
0.4
−200 0.2
EjeRImaginario
−300 0
270
−0.2
180
−0.4
90
FaseR[º]
−0.6
0
−90 −0.8
−180 −1
10
−1
10
0 1
10 −1 −0.5 0 0.5 1
FrecuenciaR[kHz] EjeRReal
DiagramaydeyBode MapaydeyPolosyyyCeros
10 1
0 0.8
Magnitudy[dB]
−10
0.6
−20
0.4
−30
0.2
EjeyImaginario
−40
−50 0
180
−0.2
90
−0.4
Fasey[º]
0
−0.6
−90 −0.8
−180 −1
10
−1
10
0 1
10 −1 −0.5 0 0.5 1
Frecuenciay[kHz] EjeyReal
Figura 2.20: Respuesta en frecuencia (izq.) y diagrama de polos y ceros (der.). (En orden
descendente) Filtro IIR notch de segundo orden con r = 0,92; filtro FIR notch de máxima
planicidad con N = 13; filtro FIR notch equiripple con N = 56.
filtro. En el caso sin filtro, la frecuencia de conmutación promedio es fsw = 48,8 kHz, casi cinco
veces más que en el caso filtrado, que es fsw = 10,45 kHz, por lo que las pérdidas de conmutación
56
3
20
2
IL [A]
0
1
−20
0
3
20
2
IL [A]
0
1
−20
0
3
20
2
IL [A]
0
1
−20
0
20 2
IL [A]
0
1
−20
0
0 0.01 0.02 0.03 0.04 0 20 40 60 80 100
Tiempo [s] Frecuencia [kHz]
Figura 2.21: Forma de onda de corriente (izq.) y espectro del error (der.). (En orden descendente)
MPC sin filtro digital; filtro notch IIR de segundo orden con r = 0,92; filtro FIR notch de
máxima planicidad con N = 13; filtro FIR notch equiripple con N = 56.
aumentan proporcionalmente [106]. Sin embargo, su dispersión espectral es relativamente alta

por lo que al colocarle un filtro pasabajos LCL, la forma de onda de corriente presenta distorsión
como puede observarse en el gráfico superior de la fig. 2.22, que el filtro no puede filtrar. De
todos modos, utilizando el filtro IIR, la frecuencia del ripple es filtrada correctamente ya que
se encuentra muy por encima de la frecuencia de corte del filtro LCL que es 2 kHz.
Evaluación del filtro FIR de máxima planicidad
Se realizó la evaluación del filtro FIR de máxima planicidad para un rango de orden del
filtro 3 ≤ N ≤ 256. Cabe aclarar que cuanto mayor es el orden del filtro, mayor es el esfuerzo
computacional requerido por el control, por lo que no es conveniente extender el análisis para
valores elevados de orden. Como puede observarse en la Fig. 2.19, en el gráfico superior se
observa una ∆fr despreciable para N = 177. Por otro lado, la mı́nima De = 0,04731, para
20
10
Amplitud [A]
−10
−20
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
Tiempo [s]
20
10
Amplitud [A]
−10
−20
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
Tiempo [s]
20
10
Amplitud [A]
−10
−20
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04
Tiempo [s]
Figura 2.22: Formas de onda de corriente filtradas con un filtro LCL con un polo dominante
en 2 kHz. (En orden descendente) Filtro IIR notch de segundo orden con r = 0,92; filtro FIR
notch de máxima planicidad con N = 13; filtro FIR notch equiripple con N = 56.
N = 179. Además, la frecuencia de conmutación más cercana al valor deseado de 10 kHz es

fsw = 10,15 kHz, para N = 159. Finalmente, el mı́nimo valor de T HDi obtenido es de 1,9 %
58
para N = 45.
Viendo que los resultados son tan dispares, se ideó una función de costo que, del mismo
modo que para el caso del filtro IIR, busca el óptimo de forma tal que,
|fsw − fc | N
C = T HDi + De + ∆fr + + (2.35)
fc Nmax
N
en donde también se incluyó un término que pesa el orden del filtro Nmax
. Mediante esta función
se encontró que el valor óptimo es Nopt = 13. Para este valor de N , ∆fr = 0,25, De = 0,06153,
T HDi = 2,093 % y fsw = 7,55 kHz. La transferencia del filtro puede verse en el gráfico central
de la Fig. 2.20. El T BW = 5,5 kHz. Además puede observarse que la frecuencia central del filtro
es fc = 13,4 kHz. Esto se debe a que el método utilizado posee una tolerancia en la frecuencia
central que depende del orden del filtro diseñado. La forma de onda de corriente y el espectro
obtenido se muestran en la Fig. 2.21.
Del mismo modo que en el caso del IIR, el espectro se encuentra concentrado alrededor
de una marcada frecuencia de conmutación, y el ripple de conmutación se comporta de la
misma manera. Adicionalmente, su dispersión espectral es baja por lo que al colocarle un filtro
pasabajos LCL, la forma de onda de corriente no presenta distorsión como puede observarse en
el gráfico central de la fig. 2.22. Sin embargo, la frecuencia del ripple no es filtrada correctamente
ya que ∆fr es elevada y por lo tanto la frecuencia de conmutación es más baja de lo deseado,
quedando ubicada dentro de la banda pasante del filtro LCL.
Evaluación del filtro FIR equiripple
Del mismo que con el FIR de máxima planicidad, se realizó la evaluación del FIR equiripple
para 3 ≤ N ≤ 256. Los puntos de la respuesta en frecuencia deseada se muestran en el cuadro
2.4. El ancho de la zona de transición fue elegido de forma tal que el algoritmo de Parks-
Cuadro 2.4: Puntos de la respuesta en frecuencia deseada. Los valores de frecuencia se encuen-
tran normalizados
f(norm) Magnitud
0,0 - 0,1 1,0
0,15 0,5
0,2 0,0
0,25 0,5
0,3 - 1,0 1,0
McClellan converja.
Como puede observarse en la columna derecha de la fig. 2.19, el comportamiento del control
para distintos órdenes del filtro es impredecible ya que no presenta monotonicidad en ninguno
de los parámetros evaluados, a diferencia del caso del FIR de máxima planicidad en donde, a
partir de cierto valor, los valores evaluados se mantenı́an constantes o progresaban hacia cierto
valor. En el gráfico superior se observa una mı́nima desviación relativa de la frecuencia de
conmutación promedio con respecto a la frecuencia central del filtro ∆fr = 0,005 para N = 12.
Por otro lado, se observa la mı́nima dispersión espectral relativa con respecto a la máxima
dispersión De = 0,0182, para N = 252. Además, se observa la frecuencia de conmutación de
las llaves más cercana al valor deseado de 10 kHz con un valor fsw = 10,05 kHz, para N = 204.
Finalmente, el mı́nimo valor de T HDi obtenido es de 1,23 % también para N = 12.
Utilizando (2.35), se obtuvo que el orden óptimo del filtro es Nopt = 56. Para este valor
de N , ∆fr = 0,015, De = 0,05465, T HDi = 2,467 % y fsw = 11,1 kHz. La transferencia del
filtro puede verse en el gráfico inferior de la fig. 2.20. El T BW = 3 kHz. La forma de onda
de corriente y el espectro obtenido se muestran en la fig. 2.21. Adicionalmente, su dispersión
espectral es baja por lo que al colocarle un filtro pasabajos LCL, la forma de onda de corriente
no presenta distorsión como puede observarse en el gráfico inferior de la fig. 2.22. Finalmente,
la frecuencia del ripple es filtrada correctamente ya que la frecuencia de conmutación obtenida
es elevada con respecto a la frecuencia de corte del filtro.
2.9. Resumen
Este capı́tulo se refiere al FCS-MPC aplicado al inversor trifásico. Se presentaron dos pro-
puestas distintas que encaran dos problemas clave de este tipo de control.
En primer lugar, se presentó la problemática del retardo de cálculo y un método para com-
pensarlo. Este método permite incluir el retardo y reducir el ripple de la variable controlada.
Además, se mostraron resultados que fueron comparados con un esquema de control PR en
términos de distorsión armónica, robustez y carga computacional. Para evaluar la robustez, se
consideró el efecto de los errores paramétricos en la inductancia del modelo sobre el desem-
peño del control FCS-MPC. Luego, el desempeño del FCS-MPC fue evaluado en comparación
con un esquema de control PR. Se verificó que las variaciones de los parámetros del sistema
60
pueden afectar el desempeño del FCS-MPC en términos del error medio de las corrientes en la
carga. Para cambiar esta situación se propuso la utilización de un observador de Luenberger
para predecir la muestra futura sobre la que se basa la elección de la señal de control óptima.
Este agregado al controlador brinda mejores resultados que el caso tradicional, en términos de
calidad en la corriente de salida, y permite aumentar la tolerancia a variaciones de parámetros
para una determinada especificación en la calidad de la corriente. Por otra parte, el observador
no empeora de manera apreciable el desempeño dinámico del controlador, incluso cuando la
variación de parámetros es despreciable. Por lo tanto, su aplicación es compatible con sistemas
donde se requiere una respuesta dinámica rápida. Adicionalmente, la inclusion del observa-
dor no produjo cambios significativos en la complejidad del algoritmo, lo que resultó en una
despreciable carga computacional adicional. En consecuencia, esta estrategia sirve como una
actualización a algoritmos FCS-MPC sin necesidad de reemplazar el procesador existente.
En segundo lugar, se realizó otro aporte original consistente en la incorporación de filtros
notch en la función de costo para concentrar el espectro de las corrientes de salida y hacer
más efectivo el filtrado del filtro LCL, logrando en definitva reducir la THD. Se presentó la
evaluación de tres alternativas de filtro notch digital para moldear el espectro en FCS-MPC. Con
esta evaluación se puede seleccionar la opción más adecuada en función de restricciones en la
calidad de la energı́a, la eficiencia del convertidor y la carga computacional del controlador. Los
resultados de simulación mostraron las caracterı́sticas del funcionamiento de los distintos tipos
de filtro notch, pudiendo extenderse a otras alternativas. Sin embargo, se intentó abarcar una
generalidad de filtros digitales para poder realizar una comparativa significativa. Considerando
las estrictas especificaciones de los sistemas de inyección de energı́a, en términos de calidad
y eficiencia, resulta necesario el control del espectro y de la frecuencia de conmutación a la
hora de aplicar un control FCS-MPC en un inversor trifásico y en esto yace la utilidad de
este análisis. Con esta evaluación se destacan las ventajas y desventajas de cada filtro para
cada requerimiento. Si la mayor restricción se encuentra en la carga computacional o en la
eficiencia del convertidor, el filtro IIR es la mejor opción. Sin embargo, si se desea una mayor
calidad en la energı́a, el filtro FIR de máxima planicidad es la elección óptima. Por último, si
se desea minimizar la dispersión espectral, el FIR equiripple es el que mejor resultados obtuvo.
De todos modos, esta última alternativa presentó un comportamiento errático, por lo menos
cuando el diseño se realiza mediante el método de diseño de Parks-McClellan. Cabe aclarar

que los métodos de obtención de filtros digitales mencionados presentan una complejidad tal
que no es práctica su implementación en plataformas de control directamente. El cálculo de
los coeficientes de estos filtros debe realizarse externamente al microcontrolador, lo que quita
flexibilidad al control a la hora de hacer cambios.
En base a los resultados de simulación obtenidos, se obtuvo un control FCS-MPC apto para
su utilización en inversores conectados a red. Sin embargo, su implementación práctica requiere
una complejidad elevada, y por lo tanto una elevada carga computacional, para obtener resul-
tados similares a lo que se puede obtener con un control lineal con PWM de baja complejidad,
por lo que no fue evaluado experimentalmente. Es por esta razón que en el capı́tulo siguiente
se muestra la aplicación de un control MPC lineal denominado GPC que utiliza PWM para
operar al inversor. La exploración y aplicación de este control MPC permitió obtener resultados
experimentales muy satisfactorios y con baja complejidad, lo que representa el principal aporte
de esta tesis.
62
Capı́tulo 3
Control predictivo generalizado (GPC)
3.1. Introducción
El GPC se plantea como un algoritmo de propósitos generales para el control estable de la

mayor parte de los procesos reales. Esto significa que puede aplicarse a plantas con parámetros
variables, retardos variables, y orden variable (si se aplica algún esquema adaptativo). Es eficaz
en plantas de no mı́nima fase e inestables a lazo abierto. Por lo tanto, es apropiado para
aplicaciones de alto desempeño. Adicionalmente, posee la ventaja de incluir un integrador en
su formulación lo que lo hace robusto frente a perturbaciones aleatorias, a diferencia de otras
estrategias de control predictivo que son muy sensibles a estas perturbaciones.
El GPC está basado en la formulación de un modelo explı́cito de la planta a controlar. Para
aplicar este control, es necesario que la planta sea lineal, por lo que, en el caso de un inversor
trifásico, hace necesaria la inclusión de un PWM para su operación. Esto representa la principal
diferencia con el FCS-MPC, analizado en el capı́tulo anterior, el cual opera sobre las llaves
directamente. Esta diferencia influye en el espectro de corriente obtenido, que en el caso del
GPC se encuentra concentrado alrededor de la frecuencia de la señal portadora del modulador,
mientras que en el FCS-MPC se encuentra esparcido. Esto representa una ventaja del GPC
frente al FCS-MPC ya que no es necesario implementar ningún algoritmo de transformación
del espectro como fue necesario utilizar en el FCS-MPC.
Para obtener la señal de control, el GPC utiliza una función de costo, cuyo valor mı́nimo se
encuentra en la señal de control óptima que debe aplicarse a la planta. Sin embargo, si la planta
no presenta restricciones, se obtiene una ley de control con coeficientes constantes, por lo que
63
64
no es necesario realizar una optimización en tiempo real. Esto es una gran diferencia respecto
al FCS-MPC, el cual requiere evaluar la función de costo para cada señal de control posible, en
cada instante de control. Si la función de costo es compleja, como cuando se incluye un filtro
digital para darle forma al espectro, esta optimización en tiempo real presenta una elevada
carga computacional, que implica una mayor demanda sobre la plataforma de control utilizada.
En el caso del GPC sin restricciones, al ser una ley de control con coeficientes constantes, la
carga computacional es reducida, por lo que el algoritmo puede implementarse en cualquier
microcontrolador industrial.
Finalmente, el GPC posee un observador en su formulación al incluir un término que modela
el ruido, como se verá más adelante, que en conjunto con la forma de la función de costo permite
realizar un diseño del control teniendo en cuenta las variaciones paramétricas de la planta, tanto
de la inductancia como de retardos de cálculo, como se propone en esta tesis, a diferencia del
FCS-MPC en el que debe incluirse un observador en su formulación para mejorar su robustez
frente a estas variaciones.
En base a todas las ventajas mencionadas del GPC frente al FCS-MPC, en este capı́tulo se
presenta la aplicación del GPC para el control de corriente de un inversor trifásico conectado a
red al que se le incorporan mejoras para obtener mayor robustez. Además, se propone un nuevo
método de diseño analı́tico que permite garantizar el cumplimiento de las normas de calidad de
la energı́a y, al mismo tiempo, obtener robustez frente a variaciones paramétricas de la carga.
En este capı́tulo se encuentra el principal aporte original de esta tesis.
3.2. Control de corriente con GPC
El GPC [83] es un tipo de MPC donde el ı́ndice a optimizar en el funcional de costo es

el valor esperado de la suma de una función cuadrática que mide la distancia entre la salida
del sistema y una secuencia de referencia, a lo largo de un horizonte de predicción, más otra
función cuadrática que mide el esfuerzo de control. La utilización de funciones cuadráticas
permite encontrar un valor positivo mı́nimo en función de la planta a controlar y el horizonte
de predicción utilizado. El primer término de la función de costo del GPC permite regular el
error de la variable controlada respecto a la referencia y el segundo término permite regular la
dinámica del control. El efecto de cada término sobre la variable controlada se controla mediante
Capı́tulo 3. Control predictivo generalizado (GPC) 65
la utilización de coeficientes asociados a cada uno de ellos que se denominan pesos, cuyo diseño
tiene un efecto sobre la estabilidad y la robustez del control, como se verá más adelante. A
diferencia del FCS-MPC, en el cual la función de costo puede tomar cualquier forma, en el
GPC, la forma mencionada no puede alterarse, ya que de lo contrario no serı́a posible obtener
una ley de control con coeficientes constantes.
Otra caracterı́stica favorable del GPC es su capacidad para manejar restricciones del sistema,
realizando una optimización en tiempo real. Sin embargo, dicha optimización demanda una
elevada carga computacional que se incrementa exponencialmente con la longitud del horizonte
de predicción [71]. No obstante, si no se requiere incluir restricciones al modelo utilizado, el
cálculo de los coeficientes del algoritmo puede realizarse off-line, y por lo tanto el algoritmo en
tiempo real no posee tanta demanda computacional, consistiendo en una ecuación en diferencias.
El cálculo de los coeficientes del algoritmo de control se realiza mediante el modelo del
sistema y la función de costo, como se verá más adelante. Sin embargo, las matrices que con-
forman el modelo son fijas, ası́ también como la expresión de la función de costo. Es por ello
que cualquier diferencia entre el modelo y la planta es perjudicial para el control. Aún ası́,
el diseño de la función de costo permite minimizar el efecto de estas variaciones, si se realiza
adecuadamente.
Como se mencionó previamente, la función de costo incluye un término que pesa la dinámica
del control. El coeficiente de peso relativo de éste término respecto al término del error, permite
modificar la respuesta del control ante perturbaciones que ingresan al sistema. Por lo tanto,
se propone compensar las variaciones del sistema (paramétricas y retardos) diseñando el peso
del esfuerzo de control en el funcional de costo, buscando minimizar la distorsión y maximizar
tanto la estabilidad como la velocidad de la respuesta transitoria. Con este objetivo en mente,
se analizará la influencia del diseño de la función de costo sobre la robustez frente a variaciones
paramétricas y del retardo de la planta.
Adicionalmente, en general, el ajuste del funcional de costo en los esquemas MPC suele
realizarse de manera iterativa hasta lograr una respuesta deseada, de manera similar a cuando
se utiliza un compensador Proporcional Integral Derivativo (PID). Por otro lado, no suelen
modelarse las perturbaciones que ingresan al sistema. Sin embargo, aquı́ se propone un método
que permite realizar un ajuste analı́tico de la función de costo sin necesidad de recurrir a un
66
proceso iterativo, agilizando el proceso de diseño del GPC. Además, se explora la inclusión de
una función de transferencia de la perturbación y su relación con la estabilidad y la dinámica
del observador. El método propuesto permite considerar el ancho de banda y la robustez fren-
te a variaciones paramétricas del sistema como criterios de diseño de la función de costo. La
propuesta es analizada mediante simulaciones que muestran la efectividad del diseño del con-
trolador en distintos escenarios y luego validada experimentalmente, aplicando el GPC como
un control de corriente de un inversor trifásico.
3.3. Función de Costo
La función de costo en un GPC se define como:
Hp H u −1
X 2
X
V (k) = Q(i) [ŷ(k + i|k) − r(k + i)] + R(i) [∆û(k + i|k)]2 , (3.1)
i=Hw i=0
donde:
ŷ Predicción de la salida
r Trayectoria de referencia
∆û Predicción del incremento de la acción de control
Hw Corrimiento de la ventana del horizonte de predicción
Hp Longitud del horizonte de predicción
Hu Longitud del horizonte de control
Q(i) Secuencia del peso del error
R(i) Secuencia del peso del incremento del control
y el argumento (k + i|k) significa que la predicción de la variable en el tiempo k + i es calculada

en el tiempo k.
El primer término de la función de costo evalúa el error en la trayectoria de salida con
respecto a la referencia y el segundo término pesa la magnitud del cambio en la entrada de
control. Ambos términos afectan al costo total de forma diferente de acuerdo a la selección de
R(i)
Q(i) y R(i). Se puede definir un sólo peso en la función de costo si se define λ(i) = Q(i)
para
todo i, asociado al término de la acción de control, y por lo tanto, el peso asociado al término
del error es 1 para todo i. Si se elige un valor constante de λ(i) = λ, la secuencia de control
entera es pesada igualmente en cada instante de tiempo, simplificando el proceso de diseño del
controlador. Sin embargo, su valor afecta el desempeño del controlador, por lo que su selección
es importante. Por ejemplo, en un control deadbeat, λ = 0, con la desventaja de que no se
evalúa la dinámica del esfuerzo de control, lo que puede generar cambios abruptos y de gran
magnitud de la acción de control. Con otros valores de λ, la respuesta dinámica se deteriora
pero mejoran otras caracterı́sticas del control, tales como la estabilidad y la robustez, lo que se
verá más adelante.
Con respecto a las longitudes del horizonte de predicción y control, su selección también
afecta el desempeño del controlador. El horizonte de predicción Hp es el número de muestras
hacia adelante que la función de costo toma en cuenta para evaluar el error entre la variable
controlada y la referencia. Hw le proporciona un corrimiento a la función de costo para evitar
incluir los retardos modelados en su cálculo. Por otro lado, el horizonte de control Hu es el
número de incrementos futuros en la entrada de control que el controlador toma en conside-
ración. Para que el lazo de control sea estable, debe cumplirse que Hp ≥ Hu . Los valores de
∆û(k) para k ≥ Hu , no alteran el costo, por lo tanto son excluidos de la formulación del con-
trol. Esto reduce la complejidad del controlador, pero también puede llevar a una reducción del
desempeño. Sin embargo, existen valores lı́mite para los horizontes de predicción y control por
encima de los cuales no existen mejoras apreciables en el desempeño [87].
3.4. Principio de funcionamiento
La formulación del control GPC requiere, en primera instancia, determinar el modelo de

la planta a controlar y, en base a éste y al funcional de costo, encontrar los coeficientes del
algoritmo de control que generan la acción de control óptima. El modelo de la planta incluye
al modelo del inversor con PWM descrito por (1.24), y el modelo de la carga discreta descrito
por (1.29).
El GPC asume que la planta a controlar presenta una perturbación desconocida d(k),
que es modelada como una señal ν(k) pasada a través de un filtro con función transferencia
68
C(z −1 )/D(z −1 ):
−1
−d B(z )
y(k) = z u(k) + d(k) (3.2)
A(z −1 )
C(z −1 )
d(k) = ν(k) (3.3)
D(z −1 )
donde y(k) es la variable controlada, u(k) es la entrada a la planta controlada, ν(k) es una
señal de perturbación no medible,
A(z −1 ) = 1 − a1 z −1 − ... − an z −n (3.4)
B(z −1 ) = b1 z −1 + ... + bp z −p (3.5)
(3.6)
son los polinomios del modelo del sistema en el dominio del tiempo discreto y d es el número
de retardos discretos adicionales del modelo, no incluidos en B(z −1 ). Además, se asume que
C(z −1 ) = 1 + c1 z −1 + ... + cv z −v (3.7)
D(z −1 ) = 1 + d1 z −1 + ... + dv z −v (3.8)
cuyo orden depende del coeficiente no nulo asociado al exponente más negativo. Nótese que
se puede tomar tanto a C(z −1 ) como a D(z −1 ) como polinomios mónicos (los coeficientes de
sus términos de mayor orden son iguales a 1) porque la magnitud de ν(k) puede considerarse
unitaria.
El término que incluye a u(k) representa la estimación de la salida de la planta sin pertur-
baciones, es decir,
B(z −1 )
ŷ(k) = z −d u(k) (3.9)
A(z −1 )
Este modelo es lo suficientemente general como para permitir modelar tanto perturbaciones
determinı́sticas como estocásticas, ası́ como también combinaciones de éstas. Las perturbaciones
determinı́sticas se modelan usualmente eligiendo C(z −1 ) = 1 (ci = 0) y tomando sólo los
primeros valores de ν(k) distintos de cero [107].
Para modelar una perturbación estocástica estacionaria de media cero se puede tomar a
ν(k) como un proceso de ’ruido blanco’, (E{ν(k)2 } = σ 2 , E{ν(k)ν(k − ℓ)} = 0 para ℓ 6= 0,

su distribución de probabilidad idéntica para todo k, y cada ν(k) independiente de ν(ℓ) si
ℓ 6= k). Luego, si C(z −1 )/D(z −1 ) es una función transferencia asintóticamente estable, d(k) es
un proceso estacionario con densidad espectral [107]
−jωTs
2 |C(e )|2
Φdd (ω) = σ (3.10)
|D(e−jωTs )|2
donde Ts es el periodo de muestreo del control. Nótese que, dado que |C(e−jωTs )|2 = C(e−jωTs )C(e+jωTs ),
y sabiendo que z = e+jωTs , siempre es posible elegir C(z −1 ) tal que todas sus raı́ces se ubiquen
dentro del cı́rculo unitario, sin restringir las formas de densidad espectral de ruido que pueden
ser modeladas de esta manera. También, por la misma razón, factores de z −j en C(z −1 ) no
afectan la densidad espectral.
De (3.2) y (3.3) se obtiene
B(z −1 ) C(z −1 )
y(k) = z −d u(k) + ν(k) (3.11)
A(z −1 ) D(z −1 )
Por consiguiente se puede estimar ν(k) como

D(z −1 ) −1
−d B(z )
ν̂(k|k) = y(k) − z u(k) (3.12)
C(z −1 ) A(z −1 )
D(z −1 )
= [y(k) − ŷ(k)] (3.13)
C(z −1 )
donde ŷ(k) es la predicción de la salida obtenida al filtrar la entrada u a través del modelo de
la planta. De manera de lograr un estimador estable, se debe asegurar que C(z −1 ) tenga todas
sus raı́ces dentro del cı́rculo unitario.
Multiplicando por A(z −1 )C(z −1 ) se obtiene
A(z −1 )C(z −1 )ν̂(k|k) = A(z −1 )D(z −1 )y(k) − z −d B(z −1 )D(z −1 )u(k) (3.14)
que puede ser resuelta como una ecuación en diferencia de un modelo a lazo cerrado, con la
interpretación que z −i ν̂(k|k) = ν̂((k − i)|(k − i)).
En el caso del GPC, si se asume que la perturbación es estocástica, entonces D(z −1 ) tiene
70
que ser:
D(z −1 ) = (1 − z −1 )A(z −1 ) (3.15)
Una justificación para esta elección de modelo de perturbación es apoyada por el siguiente
argumento no estocástico. Si las perturbaciones entran ’dentro’ de la planta, en lugar de sumarse
a la salida (piénsese en perturbaciones entrando en las ecuaciones de estado, si se tuvieran) luego
aparecerán en la salida de la planta como si hubieran sido filtradas por una función transferencia
C(z −1 )/A(z −1 ). Dado que la mayorı́a de las perturbaciones realistas aparecen de esta forma,
parece razonable incluir A(z −1 ) como un factor de D(z −1 ). Por otra parte, la inclusión del factor
(1 − z −1 ) en D(z −1 ) posibilita representar perturbaciones constantes, que son un caso bastante
común e importante. Además, permitir que ν(k) consista en pulsos que ocurren en tiempos
aleatorios lleva a una perturbación que es constante por tramos y salta en tiempos aleatorios.
Esto es a menudo una representación realista de fenómenos tales como perturbaciones de la
carga en una planta. Además y, tal vez, más importante, el factor (1 − z −1 ) es equivalente a
una ’acción integral’, es decir, a error cero para referencias constantes.
Con estas consideraciones, el modelo de función transferencia de GPC queda
A(z −1 )∆y(k) = z −d B(z −1 )∆u(k) + C(z −1 )ν(k), (3.16)
A(z −1 ) y B(z −1 ) se obtienen a partir de la función transferencia de la planta (1.24), por lo

tanto B(z −1 ) = m1 z −1 , A(z −1 ) = 1 − n1 z −1 , y d = 1. El polinomio C(z −1 ) actúa como un
observador y sus coeficientes se eligen de tal forma de ubicar sus raı́ces dentro del cı́rculo
unitario, garantizando la estabilidad del observador. Por lo tanto, al incluir este término en el
modelo en función transferencia de la planta, el diseño del observador se ve muy simplificado. En
[90], C(z −1 ) = 1. Sin embargo, en base a [108], un polinomio de la forma C(z −1 ) = z −1 + c2 z −2 ,
con c2 = −0,8 es un compromiso óptimo entre velocidad de convergencia de la estimación y
filtrado de ruido.
Postularemos a continuación la estrategia GPC utilizada que sirve como base para el pos-
terior diseño del control del inversor trifásico.
3.4.1. Formulación
En base al modelo y a la función de costo, puede obtenerse una representación en el espacio

de estados para el GPC [107]. Primero, el vector de estados se construye como
x(k) = [y(k), y(k − 1), u(k − 1), ν(k − 1)]T , (3.17)
en el cual solamente ν(k − 1) debe estimarse mediante un observador, ya que el resto de las
variables de estado pueden obtenerse por medición directa. Este observador es descrito por
x̂(k|k) = x̂(k|k − 1) + L′ [y(k) − ŷ(k|k − 1)] (3.18)
x̂(k + 1|k) = Ax̂(k|k) + Bu(k) (3.19)
ŷ(k|k − 1) = C x̂(k|k − 1). (3.20)
Las matrices del modelo en el espacio de estados se describen como

 
A11 A12 A13 
 
A=
 0 A22 0 
 (3.21)
 
0 0 A33
B = [m1 , 0, 1, 0]T (3.22)
C = [1, 0, 0, 0], (3.23)

72
donde
 
1 + n1 −n1 
A11 =   (3.24)
1 0
 
−m1 
A12 =   (3.25)
0
 
 c2 
A13 =   (3.26)
0

A22 = 0 0 (3.27)

A33 = 0 0 . (3.28)
Debe notarse que las submatrices A22 y A33 , son matrices nulas pero este no siempre es el caso.
A22 depende del orden de B(z −1 ) y A33 del orden de C(z −1 ), como se explica en [107].
La ganancia del observador se define como
L′ = [1, 0, 0, 1]T , (3.29)
El primer 1 en L′ provoca un ŷ(k|k) = y(k). El segundo 1 en L′ proporciona la estima de

la perturbación v̂(k|k) = y(k) − ŷ(k|k − 1), donde, ŷ(k|k − 1) = C x̂(k|k − 1) y x̂(k|k − 1) =
Ax̂(k − 1|k − 1) + Bu u(k − 1).
La matriz A − LC = A(I − L′ C) es igual a la matriz A excepto que la primera columna es
reemplazada por
[−c2 , 0, ..., 0 , 0, −1, 0, ..., 0]T (3.30)
| {z }
n + p veces
Esta matriz tiene sus autovalores en cero y en las raı́ces del polinomio C(z −1 ). El observador
es, por lo tanto, estable, siempre y cuando C(z −1 ) tenga todas sus raı́ces dentro del cı́rculo
unitario. Los autovalores cero reflejan el hecho de que aquellos elementos del vector de estados
que corresponden a valores de entradas y salidas pasadas son estimados exactamente luego de
un número finito de pasos.
Al iterar el modelo se obtiene:
x̂(k + 1|k) = Ax̂(k|k) + Bu û(k|k) (3.31)
x̂(k + 2|k) = Ax̂(k + 1|k) + Bu û(k + 1|k) (3.32)
= A2 x̂(k|k) + ABu û(k|k) + Bu û(k + 1|k) (3.33)

..
.
x̂(k + Hp |k) = Ax̂(k + Hp − 1|k) + Bu û(k + Hp − 1|k) (3.34)
= AHp x̂(k|k) + AHp −1 Bu û(k|k) + ... + Bu û(k + Hp − 1|k) (3.35)
En la primera lı́nea se ha utilizado x̂(k|k) en lugar de x(k) para denotar que no se conoce el
vector de estados completamete y que las perturbaciones son estimadas con el observador de
estados, y û(k|k) en lugar de u(k), porque en el momento en el que se necesitan calcular las
predicciones no se conoce aún el valor de u(k).
Se ha asumido que la entrada solo cambia en los instantes k, k+1, ..., k+Hu −1, y permanece
constante luego. Entonces se tiene û(k + i|k) = û(k + Hu − 1) para Hu ≤ i ≤ Hp − 1. De hecho,
se desea tener expresadas las predicciones en términos de ∆û(k + i|k) en vez de û(k + i|k).
Además, ∆û(k + i|k) = û(k + i|k) − û(k + i − 1|k), y se asume que en el tiempo k se conoce
u(k − 1). Entonces se tiene
û(k|k) = ∆û(k|k) + u(k − 1)
û(k + 1|k) = ∆û(k + 1|k) + ∆û(k|k) + u(k − 1)

..
.
û(k + Hu − 1|k) = ∆û(k + Hu − 1|k) + ... + ∆û(k|k) + u(k − 1)

74
y por lo tanto se obtiene
x̂(k + 1|k) = Ax̂(k|k) + Bu [∆û(k|k) + u(k − 1)]
x̂(k + 2|k) = A2 x̂(k|k) + ABu [∆û(k|k) + u(k − 1)]
+ Bu [∆û(k + 1|k) + ∆û(k|k) + u(k − 1)]

| {z }
û(k + 1|k)
= A2 x̂(k|k) + (A + I)Bu ∆û(k|k) + Bu ∆û(k + 1|k) + (A + I)Bu u(k − 1)

..
.
x̂(k + Hu |k) = AHu x̂(k|k) + (AHu −1 + ... + A + I)Bu ∆û(k|k)
... + Bu ∆û(k + Hu − 1|k) + (AHu −1 + ... + A + I)Bu u(k − 1)
x̂(k + Hu + 1|k) = AHu +1 x̂(k|k) + (AHu + ... + A + I)Bu ∆û(k|k)
... + (A + I)Bu ∆û(k + Hu − 1|k)
+ (AHu + ... + A + I)Bu u(k − 1)

..
.
x̂(k + Hp |k) = AHp x̂(k|k) + (AHp −1 + ... + A + I)Bu ∆û(k|k)
... + (AHp −Hu + ... + A + I)Bu ∆û(k + Hu − 1|k)
+ (AHp −1 + ... + A + I)Bu u(k − 1)

Finalmente se puede escribir esto en forma matricial:
     
 x̂(k + 1|k)   A   Bu 
 ..   ..   .. 

 .  
  . 

 . 

    P 
     Hu −1 i 
 x̂(k + Hu |k)   AHu   i=0 A Bu 
=
  H +1  x̂(k|k) +  PHu i
    u(k − 1) +
 
x̂(k + Hu + 1|k) A u   i=0 A Bu 
     

 .
..
  . 
  .. 

 .
..


     
    P 
Hp −1
x̂(k + Hp |k) AHp i=0 A i
B u
| {z }
pasado
 
 Bu ... 0 
 
 ABu + Bu ... 0 
  
 .. .. 
 ..
 . . .

 ∆û(k|k) 
 
PHu −1 i  .. 
 (3.36)
 i=0 A Bu ... Bu  . 
  
 PHu 
i
 i=0 A Bu ... ABu + Bu  ∆û(k + Hu − 1|k)
 
 .. .. .. 
 . . . 
 
 
PHp −1 i PHp −Hu i
i=0 A Bu ... i=0 A Bu
| {z }
futuro
Las predicciones de y se obtienen como
ŷ(k + 1|k) = C x̂(k + 1|k) (3.37)
ŷ(k + 2|k) = C x̂(k + 2|k) (3.38)

..
. (3.39)
ŷ(k + Hp |k) = C x̂(k + Hp |k) (3.40)
o  
C 0 ... 0  x̂(k + 1|k)
   
 ŷ(k + 1|k)    0 C ... 0  
 
 .
..
 
=   .
..


  
  .. .. . . ..  

 (3.41)
  . . . . 
ŷ(k + Hp |k)   x̂(k + Hp |k)
0 0 ... C
76
Obtención de la ley de control
La función de costo (3.1) se puede reescribir como
V (k) = ||Y(k) − T (k)||2Q + ||∆U (k)||2R (3.42)
donde
   
ŷ(k + Hw |k) r(k + Hw )
 ..   .. 
Y(k) =  .  T (k) = 
  . 

   
ŷ(k + Hp |k) r(k + Hp )
 
 ∆û(k|k) 
 .
..

∆U (k) = 



 
∆û(k + Hu − 1|k)
y ||A||2B = A × B × AT para matrices A y B apropiadas. Las matrices de peso Q y R están

dadas por
 
Q(Hw ) 0 ... 0 
 
 0 Q(H w + 1) ... 0 
 
Q= . . .  (3.43)
 .. .. . .. .. 
 
 
0 0 ... Q(Hp )
 
R(0) 0 ... 0 
 
 0 R(1) ... 0 
 
R= . .. ..  (3.44)
 .. ... 
 . . 
 
0 0 ... R(Hu − 1)
Ahora bien, como se ha visto en la sección anterior, Y tiene la forma
Y(k) = Ψx̂(k|k) + Υu(k − 1) + Θ∆U (k) (3.45)

para
 
C 0 ... 0 
 
  A 
 0 C ... 0  
 ...  ,
 
Ψ = . .  (3.46)
 .. .. . . . ...  
 

 
  AHp
0 0 ... C
| {z }
Hp filas
 
C 0 ... 0 
 
  B
 0 C ... 0   
  .. 
Υ = . .  . . (3.47)
 .. .. . . . ...   
  PHp −1 
i
 
i=0 A B
0 0 ... C
Luego, se define
E(k) = T (k) − Ψx̂(k|k) − Υu(k − 1) (3.48)
El segundo término a la derecha de la igualdad en la ecuación (3.48) representa el efecto del

estado estimado presente mientras que el tercer término representa a las entradas de control
previas tanto en las muestras presente y futuras de la planta. Esto puede pensarse como el ’error
de seguimiento’, en el sentido de que es la diferencia entre la trayectoria objetivo futura y la
’respuesta libre’ del sistema, es decir la respuesta que ocurrirı́a sobre el horizonte de predicción
si no se hicieran cambios en la entrada; en otras palabras, si se coloca ∆U (k) = 0. Y si E(k)
realmente fuera 0, luego serı́a de hecho correcto colocar ∆U (k) = 0. Ahora se puede escribir
V (k) = ||Θ∆U (k) − E(k)||2Q + ||∆U (k)||2R (3.49)
= [∆U (k)T ΘT − E(k)T ]Q[Θ∆U (k) − E(k)] + ∆U (k)T R∆U (k) (3.50)
= E(k)T QE(k) − 2∆U (k)T ΘT QE(k) + ∆U (k)T [ΘT QΘ + R]∆U (k) (3.51)
pero esta tiene la forma
V (k) = Constante − ∆U (k)T G + ∆U (k)T H∆U (k) (3.52)

78
donde
G = 2ΘT QE(k) (3.53)
y
H = ΘT QΘ + R (3.54)
y ni G ni H dependen de ∆U (k).
Para encontrar el óptimo ∆U (k) se puede encontrar el gradiente de V (k) e igualarlo a cero,
por ser V (k) una función positiva. De (3.52) se encuentra
∇∆U (k) V = −G + 2H∆U (k) (3.55)
entonces el conjunto óptimo de movimientos de la entrada es
1
∆U (k)opt = H−1 G (3.56)
2
Recuérdese que se utiliza sólo la parte de esta solución que corresponde al primer paso, de
acuerdo con la estrategia de horizonte deslizante. Esto se puede representar como
∆u(k)opt = [1, 0, . . . , 0] ∆U (k)opt (3.57)

| {z }
(Hu − 1) veces
Nótese que aquı́ se puede escribir ∆u(k)opt , en vez de û(k|k)opt , porque ahora se conoce la
solución y ésta es la entrada realmente aplicada a la planta en el tiempo k.
∆U (k)opt brinda un punto estacionario, pero no es suficiente para garantizar un mı́nimo.
Diferenciando el gradiente ∇∆U (k) V (3.55) nuevamente con respecto a ∆U (k) se obtiene la
matriz de derivadas segundas, o Hessiano, de V :
∂ 2V
= 2H = 2(ΘT QΘ + R) (3.58)
∂∆U (k)2
Se ha asumido que Q(i) ≥ 0 para cada i, y esto asegura que ΘT QΘ ≥ 0. Entonces si R > 0 luego
el Hessiano es positivo definido, lo que es suficiente para garantizar que se tiene un mı́nimo. Y
este es el caso si R(i) > 0 para cada i.
Formulación como un problema de mı́nimos cuadrados
La solución óptima, como se expresa en (3.56), nunca debe obtenerse calculando la inversa
de H. Esto es debido a que la matriz Θ se encuentra a menudo mal condicionada, lo que puede
resultar en una H también mal condicionada. Por lo tanto, es imperativo prestar atención a los
algoritmos numéricos involucrados en encontrar la solución óptima.
La mejor manera de calcular la solución es resolviendo el problema con mı́nimos cuadrados.
Dado que Q ≥ 0 y R ≥ 0, se pueden encontrar matrices SQ y SR que sean sus ’raı́ces cuadradas’:
T T
SQ SQ = Q SR SR = R
Si Q y R son diagonales, se debe tomar la raı́z cuadrada de cada elemento diagonal. Si no

son diagonales, las raı́ces cuadradas pueden obtenerse utilizando el algoritmo de Cholesky para
matrices positivas definidas, o utilizando otros algoritmos, como el de la descomposición en
valores singulares para matrices semidefinidas.
Por lo tanto, para poder resolver el problema con mı́nimos cuadrados, debe conformarse el
vector  
SQ {Θ∆U (k) − E(k)}
 
SR ∆U (k)
Se debe mostrar que la ’longitud’ cuadrada de este vector, o equivalentemente, la suma de los
cuadrados de sus elementos, es lo mismo que la función de costo V (k), tal que ∆U (k)opt es el
valor de ∆U (k) que minimiza esta longitud.
2 2

SQ {Θ∆U (k) − E(k)} SQ {Y(k) − T (k)}

= (3.59)
SR ∆U (k) SR ∆U (k)

= [Y(k) − T (k)]T SQ
T
SQ [Y(k) − T (k)]
+ ∆U (k)T SR
T
SR ∆U (k) (3.60)
= ||Y(k) − T (k)||2Q + ||∆U (k)||2R (3.61)
= V (k) (3.62)
80
Entonces ∆U (k)opt es la solución de mı́nimos cuadrados de la ecuación
 
SQ {Θ∆U (k) − E(k)}
 =0 (3.63)
SR ∆U (k)
o, equivalentemente, de:    
 SQ Θ  SQ E(k)
  ∆U (k) =   (3.64)
SR 0
Las ecuaciones de la forma Aθ = b pueden resolverse utilizando mı́nimos cuadrados mediante

el algoritmo QR. Por lo tanto, se tiene:
   
SQ Θ SQ E(k)
∆U (k)opt =  \  (3.65)
SR 0
Estructura del control resultante
Recuérdese de (3.57) y (3.48) que
∆u(k)opt = [1, 0, . . . , 0]H−1 ΘT QE(k) (3.66)
y
E(k) = T (k) − Ψx̂(k|k) − Υu(k − 1) (3.67)
La única parte de esta solución que cambia de paso a paso es el ’error de seguimiento’ E(k). Por
consiguiente, el control predictivo, puede dibujarse como en la figura 3.1. El bloque denominado
ε(k) Δu(k)
T(k) + z u(k) y(k)
KGPC Planta
- - z-1
u(k-1)
ϓ z-1
Ψ Observador
x(k|k)
Controlador
Figura 3.1: Estructura del controlador con el observador
KGP C se define como

KGP C = [1, 0, ..., 0]H−1 ΘT Q (3.68)
que se calcula como se enunció previamente. Luego,
∆uopt (k) = KGP C E(k) (3.69)
y
u(k) = u(k − 1) + ∆uopt (k). (3.70)
Es claro a partir de la figura 3.1 que el controlador es un sistema LTI en este caso. Los estados
desconocidos los brinda el observador con las caracterı́sticas previamente mencionadas.
Como puede verse, KGP C depende (indirectamente a través de la matriz R) de los parámetros
de diseño del controlador Hp , Hu y λ, como fueron presentados en la sección previa como
parte de la formulación de la función de costo del GPC. Como se mencionó anteriormente,
ambas longitudes presentan lı́mites que si son superados no se obtiene una mejora apreciable
en el desempeño del controlador [87]. Esto ocurre debido a que las contribuciones del error
en las muestras futuras por la muestra actual se van reduciendo con cada muestra hasta el
punto que son infinitesimales para una implementación práctica en un Procesador Digital de
Señales (Digital Signal Processor, DSP), y generan una carga computacional innecesaria. En
el caso del controlador para esta planta, se comprobó mediante simulaciones que un horizonte
de predicción de Hp = 8 y un horizonte de control de Hu = 6, son los valores mı́nimos para
los cuales longitudes mayores dan mejoras infinitesimales, y por lo tanto, son elegidos para los
cálculos. También se eligió Hw = d + 1 = 2, que incluye tanto al retardo de discretización
inherente como al retardo del tiempo de cálculo del modelo obtenido en (1.32). En el caso
de λ, su selección será explicada en la siguiente sección, lo que lleva a una representación del
controlador en función transferencia GGP C (z −1 ). Recientemente, el algoritmo para la obtención
de la función transferencia del controlador ha sido implementado en un paquete de herramientas
de software matemático [109], lo que facilita enormemente su aplicación práctica.
82
3.5. Análisis
El desarrollo teórico realizado hasta aquı́ se basó en una planta ideal que no exhibe variacio-
nes en los parámetros ni en los retardos. En estas condiciones el control no muestra problemas
ya que, al no variar la planta, el modelo coincide con la misma. Sin embargo, la planta real
presenta variaciones paramétricas y de los retardos. Por esta razón se realizó un análisis del
controlador contemplando la planta real. Se consideró el caso de control tipo deadbeat, lo que
significa, λ = 0. Se efectuaron simulaciones mediante MATLAB/Simulink cuyos parámetros de
simulación se muestran en el cuadro 3.1.
Cuadro 3.1: Cuadro de parámetros de simulación
Parámetro Valor
Tensión de banco 800 V
Inductancia 1,7 mH
Resistencia de pérdidas 0,7 Ω
Tensión de Red (por fase) 311 Vp
Periodo de Muestreo 50 µs
3.5.1. Retardos no modelados
En la implementación de un control existen varios tipos de retardo tales como el retardo de

adquisición y el retardo de cálculo. Independientemente del tipo de retardo, el efecto del mismo
puede ser fuertemente desestabilizante. Por tal motivo se realizaron pruebas de estabilidad del
control GPC tipo deadbeat para un retardo Td = 0,4Ts , donde Ts es el perı́odo de muestreo.
En la fig. 3.2 se muestra una comparación del control GPC deadbeat con y sin retardo en la
planta para una de las fases de la corriente de salida y el esfuerzo de control correspondiente. El
esfuerzo de control corresponde al ciclo de trabajo aplicado a las llaves del inversor y los lı́mites
impuestos en el algoritmo, −1 ≤ d(t) ≤ 1, se transformaron en lı́mites fı́sicos de 0 ≤ δ(t) ≤ 1.
Se aplicó un escalón positivo en la referencia de corriente de magnitud ∆I = 15 A en t = 5 ms
y uno negativo de la misma magnitud en t = 15 ms. En ambos casos, existe un importante
sobrepico en la corriente en el momento en que se aplica el escalón positivo, debido a que el
ciclo de trabajo impuesto por el control en ese instante lleva al PWM a la saturación. En la fig.
3.2b, el retardo de 0,4Ts , genera ringing en la respuesta transitoria y oscilaciones en el ciclo de
trabajo, lo que da cuenta de un bajo grado de estabilidad relativa del control y puede llevar a
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(a)
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(b)
Figura 3.2: Efecto del retardo no modelado en la corriente de salida (arriba) y el ciclo de trabajo
(abajo). (a) Td = 0. (b) Td = 0,4Ts . Ts = 50 µs. Tiempo en s, corriente en A.
la inestabilidad ante errores del modelo de la carga.
3.5.2. Variaciones paramétricas
Para poder observar la robustez del GPC deadbeat, se realizaron simulaciones para L = Lm
Lm
yL= 2
, donde Lm es la inductancia modelada y L la verdadera inductancia. En la fig. 3.3,se
Lm
puede observar que la corriente de salida está más distorsionada en el caso L = 2
. También se
puede ver que el ciclo de trabajo presenta oscilaciones indeseadas cuando Lm no coincide con
L. Sin embargo, la respuesta dinámica del sistema no parece ser afectada por esta variación.
84
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(a)
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(b)
Figura 3.3: Efecto de las variaciones paramétricas en la corriente de salida (arriba) y el ciclo de
trabajo (abajo). (a) Lm = L. (b) Lm = 2L. Tiempo en s, corriente en A.
3.5.3. Efecto del peso asociado al control
En primer lugar, nótese que el incremento de λ tiene el efecto de reducir la actividad del
control, como puede deducirse a partir de (3.1). Al incrementar este peso indefinidamente,
se reducirá la actividad de control a cero, desconectando la realimentación. Si la planta es
estable, esto resultará en un sistema estable. Del mismo modo, si la planta es inestable, el
sistema resultará inestable. Por lo tanto, si la planta es estable, se puede esperar obtener un
lazo cerrado estable al incrementar suficientemente el peso asociado al control. El costo de esta
medida será una respuesta lenta a las perturbaciones, dado que sólo ocurrirán pequeñas acciones
de control. Con una planta inestable podemos esperar un lazo de realimentación inestable, si λ
se incrementa demasiado.
En virtud de lo mencionado acerca de los resultados de simulación, y del anterior análisis,

se propuso un GPC con λ > 0, con el propósito de mejorar la estabilidad y la robustez del
sistema de control. Además se analizó la dependencia del parámetro con la respuesta dinámica
del sistema.
3.5.4. Elección de λ
La elección de λ fue realizada con el criterio de mejorar la estabilidad relativa del control
y obtener la máxima velocidad posible de respuesta al escalón bajo situaciones de retardos no
modelados y desviaciones paramétricas. Esto significa que se eligió el mı́nimo λ que garanti-
zara la primera premisa mencionada, para no empeorar la respuesta dinámica del controlador
excesivamente. Se realizaron simulaciones donde se incluyeron tanto la variación paramétrica
Lm
(L = 2
) como la variación del retardo (Td = 0,4Ts ), para un GPC deadbeat (λ = 0), frente a
otro GPC con λ ajustado, y se muestran en la fig. 3.4. Se puede observar en la fig. 3.4b, que con
el ajuste mencionado el grado de estabilidad relativa del controlador mejora considerablemente,
disminuyendo la magnitud de las oscilaciones en el ciclo de trabajo y mejorando la calidad de
la corriente inyectada. Además la respuesta dinámica del controlador no se ve afectada en los
escalones de amplitud aplicados.
3.6. Criterio de selección del parámetro λ
Como se muestra en (3.1), el diseño del controlador depende de la selección de la matriz R

la que depende a su vez del parámetro λ. Generalmente, la selección de parámetros de peso en
el MPC, incluyendo al GPC, es un proceso iterativo a posteriori, es decir, el diseñador realiza
un procedimiento de sintonización hasta que los resultados reflejan el desempeño deseado. En
esta tesis, se propone un método de diseño a priori en base a criterios de ancho de banda y
robustez del controlador, eliminando la necesidad de una solución iterativa, como se explica a
continuación.
En principio, el ancho de banda del controlador se define como la frecuencia de corte de
la función transferencia a lazo abierto GOL (z −1 ) de la planta controlada, que depende de la
86
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(a)
40
20
−20
−40
3
2
1
0
−1
−2
0 0.005 0.01 0.015 0.02
(b)
Figura 3.4: Comparación de la corriente de salida (arriba) y el ciclo de trabajo (abajo) entre
el algoritmo GPC deadbeat y el GPC con λ ajustado para un retardo de Td = 0,4Ts y una
desviación paramétrica de Lm = 2L. (a) GPC deadbeat . (b) GPC con λ ajustado. Tiempo en
s, corriente en A.
función transferencia del GPC de la forma
GOL (z −1 , λ) = GGP C (z −1 , λ)Gjd (z −1 ) (3.71)
donde Gjd (z −1 ) es la función transferencia discreta de la carga de la fase j y GGP C (z −1 , λ)

refleja la dependencia del controlador con el parámetro λ, asumiendo fijas las longitudes de
horizonte Hp y Hu . Por ejemplo, utilizando los valores dados en el cuadro 2.3 para λ = 0,
34,16 − 28,96z −1
GGP C (z −1 )|λ=0 = , (3.72)
1 + 0,1593z −1 − 1,159z −2
y para λ = 0,1,
9,846 − 8,544z −1
GGP C (z −1 )|λ=0,1 = , (3.73)
1 − 0,9967z −1 − 0,003257z −2
donde para cada caso se obtuvo un GOL (z −1 ) diferente y, por lo tanto, diferentes anchos de
banda.
De este modo, configurando un determinado intervalo para los valores de λ, puede obtenerse
una relación entre λ y el ancho de banda del controlador. La elección del intervalo, 0 ≤ λ ≤ 1,
se utilizó para los gráficos de la fig. 3.5.
954.93 40
6
Bandwidth, [Hz]
BW (l0 ) 40
(IEC 61000-3-2)
THD, [%]
5
PM
636.61
20
20
4
λ0
0
318.31 1
l0 lmax 3 0,75 0,75
0,5 0,5
,
0 0.2 0.4 0.6 0.8 1 0,25 0,25 0
0
be λ
Figura 3.5: Ancho de banda del control (BandWidth, BW) como función de λ (izquierda), sin
desviaciones paramétricas y margen de fase (Phase Margin, PM) del sistema de control como
función de λ y be (derecha), para 0 ≤ λ ≤ 1. Se destaca un valor elegido λ0 .
En la parte izquierda de la figura se observa el ancho de banda en función de λ. Se observa

una evolución exponencial decreciente, donde el ancho de banda del control cae abruptamente
para muy bajos valores de λ. En el mismo gráfico, se muestra la THDi para el mismo intervalo,
88
que se obtuvo utilizando una herramiento de simulación circuital, incluyendo los tiempos muer-
tos del inversor Td = 2,5 µs y el retardo de cálculo td = 100 µs para reflejar una situación real.
La THDi fue obtenida utilizando una calculadora de THD embebida disponible en el software
de simulación de circuitos. Este gráfico muestra que, para cumplir con el lı́mite máximo de
THDi impuesto por la norma IEC 61000-3-2 [1], 5 %, λ debe ser menor que 0,37, aproximada-
mente, lo que introduce un lı́mite superior a λ en su utilización práctica. Pequeños valores de
ancho de banda no sólo producen efectos indeseables en la THDi , sino también en la respuesta
transitoria, como puede verse en la fig. 3.6, donde se muestra una simulación para un escalón
en la amplitud de la corriente de salida para λ = 0,01, λ = 0,1 y λ = 1,0.
20
10A/div 10A/div 10A/div
10
-10
-20 l = 0.01 l = 0.1 l = 1.0

0.025 0.03 0.035 0.04 0.02 0.025 0.03 0.035 0.01 0.015 0.02 0.025 0.03
(a) (b) (c)
Figura 3.6: Resultados de simulación que muestran el comportamiento de la corriente de salida

para diferentes valores de λ. En todos los casos, se efectúa un escalón en la referencia de corriente
de salida desde 5 Ap hasta 13 Ap en instantes de tiempo arbitrarios.
Como puede verse en simulaciones, a mayor λ, peor desempeño del controlador en términos
de respuesta transitoria.
Por otro lado, una buena medida de la robustez de un sistema de control es el sostenimiento
del margen de fase bajo desviaciones paramétricas del modelo de la planta. En (3.74) se expresa
la transferencia de lazo abierto del sistema:
GOL (z −1 , λ, be ) = GGP C (z −1 , λ)Gjd (z −1 , be ) (3.74)
donde Gjd (z −1 , be ) refleja la dependencia de la función transferencia del modelo con una va-
riación paramétrica be , donde be = L/Lm . Dado que la evolución de GOL (z −1 , λ, be ) está direc-
tamente relacionada con el margen de fase, entonces existe también una variación del margen
de fase con λ y be como se muestra en el gráfico de la derecha de la fig. 3.5. Puede verse que
con valores bajos de λ existe una mayor reducción del margen de fase frente a variaciones de
be , incluso existen regiones de inestabilidad donde el margen de fase es nulo o negativo (en los
casos en que el margen de fase fue negativo, se consideró cero el valor para simplificar la figura).
Por lo tanto, los requerimientos de robustez imponen un lı́mite inferior de λ. En la fig. 3.7 se
muestran resultados de simulación para λ = 0,01 , λ = 0,1 y λ = 1.
20
5A/div 5A/div 5A/div
10
-10 L=50%
-20 L=100% L=70% L=50% L=100% L=70% L=100% L=70%

0.005 0.01 0.015 0.02 0.025 0.005 0.01 0.015 0.02 0.025 0.005 0.01 0.015 0.02
Figura 3.7: Resultados de simulación que muestran las formas de onda de la corriente de salida
controlada bajo diferentes situaciones de desviación paramétrica, variando dinámicamente la
inductancia de la carga L, para diferentes valores de λ. De izquierda a derecha, λ = 1, 0,1, 0,01.
Se observa que para λ = 0,01 una reducción de inductancia del 30 % hace inestable al sistema
y que para λ = 0,1, una disminución del 50 % pasa a ser el lı́mite de robustez. Finalmente, para
λ = 1, aún con un 50 % de reducción de la inductancia el sistema sigue siendo estable.
El análisis previo muestra que la selección de λ debe ser un compromiso entre ancho de
banda y robustez, lo que depende de la aplicación especı́fica en la cual el GPC sea utilizado.
Por ejemplo, con la planta descripta previamente, una selección apropiada es λ0 = 0,04, que da
un P M > 30o @ be = 0,7 y un ancho de banda BW = 779 Hz que está a más de una década
por encima de la frecuencia fundamental de la referencia fr = 50 Hz.
Una vez elegido los parámetros, el vector KGP C (3.68) queda fijo y se puede obtener entonces
una representación en función transferencia equivalente del controlador. Luego, la ecuación en
diferencias asociada es utilizada en un procesador digital, haciendo que la implementación del
controlador sea directa.
3.7. Implementación
Un esquema completo del sistema de control se muestra en la fig. 3.8.

La corriente inyectada es medida con sensores de corriente en las fases a y b. Debido a que es
un sistema 3W, en el marco de referencia natural, la tercera corriente depende linealmente de
las otras dos. La ventaja de trabajar en este marco es que no es necesario realizar ningún tipo de
90
VDC Za
- +
FF ua(k)
ub(k) 6 Zb
PWM VSI
+ + uc(k)
ia(k) Zc
GPCtTF -
+ FIR LPF ib(k)
wa(k) - ea(k)
+ pa(k)
wb(k) rb(k) eb(k)
pb(k) VSPF-PLL LPF
- Reference ec(k)
wc(k) A(k)
- ra(k) Generation
ϕ(k)
Figura 3.8: Diagrama en bloques del sistema de control propuesto. Las ecuaciones relevantes
están en paréntesis dentro de los bloques.
transformación por lo que la complejidad computacional es menor. Cada una de las corrientes
medidas es filtrada con un Filtro Pasa Bajos (Low Pass Filter, LPF) anti aliasing antes de ser
adquirida y luego es filtrada por un filtro digital decimador FIR de promedio deslizante de la
forma
1
īj (k) = (ij (k − 1) + i(k) + i(k + 1)). (3.75)
3
Como es un filtro no causal, necesita reformularse retrasando una muestra cada término, a
expensas de un incremento considerable en la rotación de fase. Mediante la siguiente interpo-
lación,
ˆī (k) = ī (k − 1) + (ī (k − 1) − ī (k − 2))

j j j j
= 2īj (k − 1) − īj (k − 2) (3.76)
se obtiene una estimación de la salida del filtro en el tiempo k. Retrasando (3.75) en una y dos
muestras y reemplazando en (3.76), se obtiene
ˆī (k) = 2 + 1 i (k − 1) + 1 i (k − 2) − 1 i (k − 3). (3.77)

j j j j
3 3 3 3
Luego, aplicando la transformada z, se obtiene
2 1 −1 1 −2 1 −3
HF IR (z −1 ) = + z + z − z . (3.78)
3 3 3 3
que es utilizada para llevar las muestras a la frecuencia de conmutación del VSI, que es fsw =
10 kHz. La razón para esta configuración es que el corrimiento de fase del filtro de anti aliasing
analógico puede ser reducido a la frecuencia de corte del lazo de control, ubicando sus polos a
una mayor frecuencia y mejorando su estabilidad global.
Las tensiones de fase son medidas y luego filtradas con un filtro de anti aliasing con fc =
7 kHz, ya que es muestreada a fs = 30 kHz. Estas mediciones son utilizadas por el bloque
VSPF-PLL (Variable Sampling Period Filter Phase Locked Loop) [110], para obtener la fase
de la forma de onda de tensión. Este tipo de PLL fue elegido para garantizar la inyección de
energı́a incluso bajo desbalances de la red. Las señales de referencia ra (k) y rb (k) se construyen
mediante
rj (k) = A(k)sin(pj (k) + φ(k)), (3.79)
donde j = {a, b}, A(k) es la amplitud de la referencia sinusoidal y φ(k) es el corrimiento de fase
de la referencia respecto a la fase de la tensión. Estas variables son utilizadas como entradas al
sistema de control para definir la inyección de potencia activa y reactiva a la red.
El GPC es implementado como una función transferencia discreta en ecuaciones de dife-
rencias que utiliza el error entre las muestras de la corriente de salida y las de la corriente
de referencia, y entrega las muestras de la salida del algoritmo de control wj (k), j = {a, b}.
Mediante el método explicado en la sección 3.6 y a partir de los valores elegidos de Hp , Hu y
λ, la función transferencia resultante es
w(k) 17,58 − 15,07z −1

GGP C = = . (3.80)
e(k) 1 − 0,5881z −1 − 0,4119z −2
La salida del algoritmo de control para la fase c es:
wc (k) = −wa (k) − wb (k). (3.81)
A cada una de estas salidas, se le agrega un término de feedforward de la tensión de la red

92
para rechazar su efecto de perturbación, y consiste en la ej (k) actual, j = {a, b, c}. La entrada
de control resultante compensada con feedforward uj (k) es aplicada al módulo PWM con la
corrección de ganancia apropiada, como se muestra en (1.24), para generar las señales de ciclo
de trabajo de las llaves del inversor. En el módulo PWM se configuraron los tiempos muertos
de las llaves en Td = 2,5 µs.
3.8. Resumen
En este capı́tulo se propuso un MPC del tipo GPC para su utilización en inversores trifásicos
conectados a red. Se analizaron las desventajas de este tipo de controles cuando se realiza un
diseño deadbeat, (λ = 0 en el funcional de costo) en situaciones de retardos no modelados y
variaciones paramétricas de la planta. Se encontró que tanto la calidad de la corriente de salida
como la estabilidad relativa del control se ven afectados en ambas situaciones. A fin de mitigar
estos problemas, se propuso una modificación del control GPC con un valor de λ para eliminar
la inestabilidad que producen. Con esta modificación, el control GPC modificado resultó ser
más robusto que el diseño estándar a expensas de no poseer una respuesta deadbeat.
Luego, en base a un modelo 3W del convertidor, se presentó un procedimiento de diseño
novedoso para el controlador propuesto. Este método permite al diseñador del sistema de con-
trol configurar a priori el comportamiento del control deseado. Fue obtenido mediante una
evaluación analı́tica del parámetro λ del controlador y su efecto en el ancho de banda y la ro-
bustez. Esto facilita el proceso de diseño del controlador, en comparación con las técnicas MPC
estándar, evitando el proceso de sintonización de prueba y error caracterı́stico de las estrategias
basadas en función de costo. El controlador resultante permite obtener una respuesta rápida y
al mismo tiempo, baja distorsión armónica, cumpliendo con los requerimientos del control de
corriente.
Capı́tulo 4
Resultados experimentales
4.1. Diseño del hardware
La fig. 4.1 muestra el hardware utilizado para obtener resultados experimentales.

El VSI está constituido por llaves IGBT de 1700V y 45A, encapsuladas en módulos, marca
Semikron, modelo SKM75GB176D y el banco de CC fue construido con dos capacitores elec-
trolı́ticos de 2200 µF 500V. La corriente de salida es medida con transductores de corriente de
efecto Hall marca LEM modelo LA-125P, condicionada y luego muestreada por el microcontro-
lador.
La plataforma del control digital elegida está compuesta de una placa personalizada basada
en un controlador digital de señales (Digital Signal Controller, DSC) de punto flotante marca TI
modelo TMS320F28335 que ha sido ampliamente adoptado y utilizado en control industrial. Su
ADC central de 12 bits de resolución con muestreo y retención incluida fue utilizado para mues-
trear todas las variables de control y su módulo de PWM mejorado (ePWM) trifásico de 16 bits
fue utilizado para manejar la etapa de potencia. Se incluyó un supervisor separado de tensio-
nes y corrientes basado en un microcontrolador (µC) marca ATMEL modelo AT91SAM7X256
para prevenir que el sistema entre en estados prohibidos y proteger sus subsistemas de posibles
daños.
93
94
Gr id-Side L oad
Inductores de filtrado
VSI Sensores de corriente
Bus CC
VSI
Placas de Control
Figura 4.1: Fotografı́a que resalta las partes relevantes del convertidor de potencia.
Capı́tulo 4. Resultados experimentales 95
4.2. Comparación con un esquema de control estándar
El control propuesto fue probado experimentalmente para evaluar su desempeño, tanto en

régimen permanente como en régimen dinámico, en una configuración trifásica de tres hilos
(3W) con módulos PWM independientes. Las condiciones operacionales para ambos escenarios
se describen en el cuadro 2.3. Además se realizaron experimentos comparativos del control
propuesto frente a un control PR estándar, diseñado siguiendo un método sistemático [111].
En cuanto al diseño del control PR, el criterio de selección de la ganancia resonante Kr queda
a criterio del diseñador, por lo que el controlador resultante no resulta necesariamente óptimo.
Sus parámetros de diseño se enuncian en el cuadro 4.1.
Cuadro 4.1: Parámetros de diseño del controlador PR
Frecuencia de corte, fc 800 Hz

Error en régimen permanente de la corriente de salida deseado, η 1%
Mı́nimo margen de fase deseado, M Fmin 45o
Ganancia proporcional resultante, Kp 12,8177
Lı́mite inferior de ganancia resonante, Krmin 66,4918
Lı́mite superior de ganancia resonante, Krmax 5119,9
Ganancia resonante seleccionada, Kr 2593,2
La ganancia proporcional Kp fue calculada directamente y depende de la inductancia del

modelo Lm y la frecuencia de corte elegida fc . Por otro lado, la ganancia resonante Kr fue elegida
como el punto medio entre sus lı́mites inferior y superior. Elegir el punto medio garantiza la
máxima distancia de cada uno de los lı́mites, previniendo situaciones indeseadas. Estos lı́mites
dependen del modelo, de las condiciones de operación, de fc , del error en régimen permanente
de la corriente de salida η y del mı́nimo margen de fase deseado M Fmin .
El sistema de medición consistió en dos instrumentos, un analizador de potencia marca
HIOKI modelo 3390 4PH con una frecuencia de muestreo de 0,5 MS/s por fase y un oscilos-
copio de señal mixta marca Tektronix modelo 4034B de 350 MHz. El primer instrumento se
utilizó para medir las corrientes de salida del inversor y mostrar directamente un análisis de
potencia detallado y el segundo instrumento para medir las verdaderas caracterı́sticas dinámi-
cas de las corrientes controladas. La exactitud efectiva tanto en tensión como en corriente fue
de ±0,16 %f.s.. En la medición de corriente se utilizaron sondas de 50 A de escala completa
y un análisis armónico en base a la norma IEC61000-3-2. También se utilizó un osciloscopio
96
marca LeCroy modelo 324A para obtener los resultados de desempeño computacional.
4.2.1. Desempeño en régimen permanente
En el primer conjunto de pruebas, se evaluó el desempeño en régimen permanente del control

propuesto y se lo comparó con el control PR estándar. Los resultados se muestran en la fig.
4.2 para el GPC y en la fig. 4.3 para el controlador PR. Se logró una THDi = 2,7 % con el
GPC superando al control PR tradicional que posee una THDi = 5,2 %. La THDi del control
propuesto cumple con el estándar IEC61000-3-2 como se muestra en la fig. 4.4. Un análisis
de potencia más detallado de la condición de régimen permanente se muestra en la fig. 4.5.
Aquı́ puede verse que existe un desbalance del 1 % entre las corrientes de salida, debido a
posibles desbalances en la impedancia de la red y diferencias en los inductores de salida.
4.2.2. Desempeño transitorio
La capacidad de seguir cambios abruptos de la referencia es una caracterı́stica importante de

un controlador para cumplir las demandas de las aplicaciones de conexión a red. Nuevamente,
se comparó la respuesta dinámica del GPC con la del control PR. La fig. 4.6 muestra un escalón
de amplitud en la referencia de 5 Ap a 13 Ap manteniendo nula la potencia reactiva. Como puede
verse, el GPC presenta un sobrepico poco significativo y oscilaciones despreciables, mientras
que el controlador PR presenta un 30 % de sobrepico y oscilaciones severas durante los 6 ms
posteriores al cambio de la referencia.
Un aspecto clave de un sistema de generación de energı́a distribuido (Distributed Power
Generation System, DPGS) es la habilidad para inyectar potencia reactiva a la red. La razón es
que los DPGSs deben mantenerse conectados a la red inyectando potencia reactiva y simétrica
para mejorar los niveles de tensión durante las fallas de la red [112]. Para verificar la efectividad
del GPC en controlar el factor de potencia de salida, se comandó un cambio en escalón de 0o
a 30o y de 0o a −15o con respecto a la fase de la red, y se comparó la respuesta con la del PR,
como puede verse en la fig. 4.7. Aunque ambos controladores alcanzan el desplazamiento de
fase deseado con respecto a la tensión de red, en el caso del GPC la corriente de salida muestra
un cambio en escalón de la fase casi instantáneo, a diferencia del PR que posee oscilaciones con
un tiempo de establecimiento de 10 ms, con severidad en el caso del escalón de 30o .
THDi=2.7%
THDv=4.7%
Figura 4.2: Corrientes experimentales de salida trifásicas en régimen per-

manente del GPC (arriba) junto con una de las formas de onda de tensión
(abajo). THDi = 2,7 % @I = 13 Ap , THDv = 4,7 %.
THDi=5.2%
THDv=4.12%
Figura 4.3: Corrientes experimentales de salida trifásicas en régimen per-

manente del PR (arriba) junto con una de las formas de onda de tensión
(abajo). THDi = 5,2 % @I = 13 Ap , THDv = 4,12 %.
98
Figura 4.4: Medición de THD en régimen permanente a 10,2 kW y contenido armónico

detallado.
Figura 4.5: Análisis detallado de potencia en condiciones de 10,83 kW.
Finalmente, la fig. 4.8 muestra la robustez del GPC respecto a la desviación paramétrica.
Se realizó un cambio progresivo en los coeficientes del controlador para cambiar el coeficiente
be y verificar que el criterio de diseño de robustez fuera alcanzado. Como puede verse, para
be = 0,7, el sistema de control es estable, de acuerdo a lo esperado. Pasa a ser inestable para
be = 0,5, debido a una reducción del margen de fase.
THDv=4.7%
(a) GPC
THDv=4.12%
(b) PR
Figura 4.6: Múltiples cambios en escalón en la referencia de amplitud (arriba), un detalle de la

transición desde 5Ap (Po = 4,33 kW) a 13Ap (Po = 10,83 kW) (medio) y una de las formas de
onda de tensión (abajo). a) T HDv = 4,7 %. b) T HDv = 4,12 %
100
Phase change command Phase change command
THDv=4.7% THDv=4.7%
(a) 30o (b) −15o
Phase change command Phase change command
THDv=4.12%
THDv=4.12%
(c) 30o (d) −15o
Figura 4.7: Corrientes de red trifásicas del GPC (arriba) y PR (abajo) cuando un comando de
cambio en la fase es aplicado junto con una de las formas de onda de la tensión de red. a) b)
T HDv = 4,7 %. c) d) T HDv = 4,12 %
4.3. Tiempo de cálculo
Una caracterı́stica importante del control es su carga computacional, lo que impacta en los
requerimientos de hardware del sistema. Por lo tanto, se realizó un experimento para determinar
el tiempo total que invierte el controlador en el cálculo de la acción de control. Los resultados se
muestran en la fig. 4.9, donde un pulso de 4,80 µs representa la ventana de tiempo que invierte
el microprocesador para realizar el cálculo del control para las tres fases. El trazo inferior es la
señal de inicio de adquisición del Convertidor Analógico a Digital (Analog to Digital Converter,
ADC), donde los pulsos son coincidentes con los instantes de actualización de PWM, que son
equidistantes en el tiempo, como era esperado. El trazo del medio muestra los instantes de
muestreo del ADC. Como puede verse, se requieren tres muestras para el filtro FIR como
L=70% zoom area L=50%

L=100% L=90%
L=80%
L=70%
L=50%
Figura 4.8: Corrientes de salida trifásicas del GPC (arriba), un detalle de las formas de onda de
corriente cuando ocurre la inestabilidad (abajo). La inestabilidad ocurre cuando L disminuye
de 70 % a 50 %.
se explicó en la sección ??, y centradas alrededor del instante de actualización de PWM. El

intervalo de tiempo de 8,0 µs entre el último pulso de adquisición y el flanco ascendente de la
ventana de cálculo se debe al tiempo de adquisición y el algoritmo de filtrado digital. Por lo
tanto, con el control propuesto se logró un tiempo de cálculo total Tt = 12,80 µs.
4.4. Desempeño global
Para evaluar el desempeño, se muestra una comparación con otras estrategias de control
en el cuadro 4.2. Este grupo de controladores está sustentado por contribuciones cientı́ficas
recientes en las que se han obtenido resultados interesantes en cuanto a la THD o al tiempo de
cálculo y fue seleccionado en base a la disponibilidad explı́cita de los valores de THDi y tiempo
de cálculo. En algunos casos, los tiempos de cálculo fueron escalados para compararlos en las
mismas condiciones de potencia de cálculo.
La tabla está dividida en dos partes, la superior que contiene diferentes estrategias de
102
Figura 4.9: Tiempo de cálculo total del GPC (tres fases). El perı́odo del pulso del Ch.1 es igual
al tiempo de cálculo total y los pulsos del Ch. 2 marcan instantes de actualización del ciclo de
trabajo del PWM. El Ch.3 representa los instantes de actualización del ADC.
Cuadro 4.2: Comparación del desempeño del controlador
Estrategia de control Tc [µs] THDi L [mH] fsw [kHz] Td [µs] VDC [V]
RP-DPC[113] 24 2,70 % 1,9 10 2 600
DP-MPC[114] 80 2,5 % 2,2 1,6 N/D N/D
Lyapunov FCS-MPC[93] 6,8 5,27 % 6 20 N/D 100
OSSDPC [115] 40 2,9 % 2 10 N/D N/D
MIQP-MPC[116] 200 2% N/D 1,6 N/D N/D
GPC 12,8 2,7 % 1,7 10 2,5 850
PR+HC[13] 21 2,4 % 2,7 8 N/D 530
PR (modificado)[9] 17,5 1,5 % 9 10 N/D 650
ALSRF+PL[117] 30 4% 1,7 8 N/D 650
control predictivo y la parte inferior que muestra controles no predictivos. En la tabla se puede
verificar que todos los métodos de control cumplen con las normas de THDi exceptuando
Lyapunov FCS-MPC[93] que se encuentra levemente por encima del 5 %. Los parámetros de
comparación adicionales que se incluyen son el valor de la inductancia de filtrado L, la frecuencia
de conmutación máxima fsw , los tiempos muertos del inversor Td y el valor de tensión del
banco CC VDC . Las condiciones más desfavorables de evaluación para la T HDi corresponden a
menores valores de L y fsw , y a mayores valores de Td y VDC . Como puede verse, la estrategia PR
modificada [9] obtiene el porcentaje de THDi más bajo. Sin embargo, fue evaluado con un valor
de L casi 4 veces mayor que el GPC, y un valor de VDC inferior, es decir, en condiciones mucho
más favorables. Del mismo modo, puede observarse que las otras estrategias que poseen menor
T HDi , también se encuentran en condiciones más favorables que el GPC. Al observar estos
resultados, es evidente que el GPC presenta un bajo tiempo de cálculo (Tc = 12,8 µs) y cumple
con los estándares de calidad de la corriente con un valor de THDi de 2,7 % lo que constituye
un resultado interesante, considerando su baja complejidad computacional y las condiciones en
las que fue evaluado.
4.5. Resumen
Los resultados experimentales mostraron que el GPC cumple con los estándares de calidad y
supera a controladores clásicos como el control PR, tanto en la respuesta de régimen permanente
como en la transitoria. Se obtuvo un valor de THDi de 2,7 %, en comparación con un 5,2 %
resultante de un diseño sistemático subóptimo del PR. Esto refleja el hecho de que el controlador
propuesto se encuentra lejos de los máximos valores de THDi permisibles del 5 % impuestos
por los estándares, en oposición al controlador PR que está levemente fuera de los lı́mites.
También los criterios de robustez del sistema resultaron coherentes con el proceso de diseño.
Finalmente, se verificó el tiempo de cálculo del GPC que resultó 12,8 µs que es menor que
para otras estrategias MPC y también menor que el tiempo requerido por cualquiera de las
contribuciones existentes en la bibliografı́a que presentan una T HDi < 5 %. Por lo tanto,
la técnica de GPC propuesta puede ser incluida como un controlador práctico en inversores
industriales conectados a red, incluso ante la ausencia de plataformas de hardware poderosas,
en oposición a otras estrategias MPC computacionalmente demandantes.
104
Capı́tulo 5
Conclusiones finales
Esta tesis trata sobre el Control Predictivo basado en Modelo (MPC) aplicado al control de
corriente de sistemas de inyección de energı́a a la red eléctrica. En este trabajo se buscó mejorar
el desempeño de estas estrategias y al mismo tiempo reducir su carga computacional.
La estrategia MPC más utilizada en inversores es la que se conoce como MPC con conjunto
finito de señales de control (FCS-MPC), que selecciona la combinación de estados de las llaves
del inversor que optimiza un criterio de optimalidad expresado en una función de costo. Para
ello realiza una predicción del estado futuro de la corriente para cada combinación posible
y determina la que genera el menor costo. Este proceso consume un determinado tiempo de
cálculo, lo que tiene el efecto de retardar la acción de control y, por lo tanto, deteriorar la
calidad de la corriente inyectada. Para evitar este problema, se desplaza la predicción una
muestra al futuro y la señal de control es aplicada en el momento exacto. Sin embargo, para
realizar este desplazamiento, se utiliza un modelo que puede tener desviaciones paramétricas
con la planta real, lo que deteriora la calidad de la corriente inyectada. Para evitar esto, en
esta tesis se desarrolló una estrategia de Control Predictivo Robusto basado en Modelo con
Conjunto Finito de señales de Control (Finite Control Set Robust MPC, FCS-RMPC), que
incluye un observador de Luenberger para estimar el valor de la corriente una muestra futura y
mejorar el desempeño del control en situaciones de variación paramétrica. Esta propuesta fue
evaluada mediante simulaciones para conexiones de tres y cuatro hilos. Los valores de THD que
se obtuvieron son: 5,08 % para el caso nominal sin observador, 5,16 % para el caso nominal con
observador, 9,01 % para el caso con variación paramétrica sin observador y 5,01 % para el caso
con variación paramétrica con observador. De esta forma, se logró mantener el valor de THD
105
106
aún con variaciones paramétricas. Sin embargo, el valor de THD obtenido con esta estrategia
sigue siendo alto para los lı́mites impuestos por los estándares de calidad energética, que son
del 5 % hasta la armónica 40. Esto es debido a que al operar directamente sobre las llaves del
inversor, la frecuencia de conmutación no es fija, sino que depende de la selección realizada
por el algoritmo de optimización de la función de costo. Esta variabilidad de la frecuencia de
conmutación genera un espectro frecuencial esparcido y distribuido casi uniformemente hasta la
mitad de la frecuencia de muestreo. En base a la limitación anterior, para atenuar esta dispersión
se incluyó un filtro notch digital en la función de costo que minimiza el costo para la frecuencia
de conmutación deseada, logrando concentrar el espectro alrededor de esta frecuencia. En esta
tesis, se realizó una evaluación de distintas alternativas de filtros notch digitales en la función de
costo en el FCS-MPC para determinar los valores óptimos de diseño y garantizar una dispersión
espectral acotada. En particular, se evaluaron tres tipos de filtros: FIR de máxima planicidad,
FIR equiripple y un filtro IIR de segundo orden.
El valor de THD más bajo obtenido sin incluir no linealidades tales como el tiempo muerto
de las llaves del inversor fue del 2,1 %, utilizando el filtro FIR de máxima planicidad con N = 13
coeficientes. Esto implica que deben realizarse un total de 8×13 multiplicaciones y 8×13 sumas
por muestra lo que da un total de 208 operaciones matemáticas para determinar el estado de
control óptimo. Con las modificaciones propuestas, la estrategia de control FCS-RMPC puede
aplicarse a inversores conectados a red, aunque su costo computacional es elevado en relación
a su desempeño.
Debido al alto costo computacional inherente al FCS-RMPC se exploraron otras familias de
control MPC que presentaran baja THD y menor costo computacional. Con estos requerimientos
se exploró la estrategia de Control Predictivo Generalizado (GPC). Esta estrategia, del mismo
modo que el FCS-MPC, utiliza una función de costo para encontrar el control que optimiza el
criterio utilizado. Sin embargo, no opera directamente sobre las llaves del inversor sino que hace
uso de un Modulador de Ancho de Pulsos (Pulse Width Modulator, PWM) para conmutarlas.
Esta función de costo posee un término que evalúa el error en la corriente y otro término
que evalúa la dinámica del control. Ambos términos se encuentran elevados al cuadrado, lo
que permite encontrar un mı́nimo de manera analı́tica, y el término que evalúa la señal de
control posee un coeficiente asociado que se denomina λ. Este coeficiente sirve de parámetro
Capı́tulo 5. Conclusiones finales 107
de peso relativo del término frente al error total. En esta tesis, trabajó sobre el efecto de λ
respecto a la robustez frente a variaciones paramétricas y a retardos de cálculo del control.
Esto derivó en un novedoso método de diseño que considera la robustez y el ancho de banda.
Esta estrategia de control se aplicó a un inversor trifásico en conexión de 3 hilos. Los resultados
experimentales en términos de calidad de corriente inyectada fueron un 2,7 % de THD y una
robustez tal que permite un 30 % de variación de la inductancia de carga. Además, el tiempo
de cálculo consumido por el microcontrolador fue de 12,8 µs. Este resultado fue comparado con
otras estrategias MPC y con controladores clásicos, y se concluyó que el GPC diseñado con el
método propuesto posee el tiempo de cálculo más bajo entre las estrategias que cumplen con
la norma y una T HD baja considerando las condiciones desfavorables de evaluación frente a
otras estrategias que obtuvieron T HD más bajas. Adicionalmente, el diseño propuesto permite
obtener un control robusto frente a variaciones paramétricas. Estos resultados hacen apto al
GPC para su utilización en plataformas de control industrial, lo que representa la principal
contribución de esta tesis.
5.1. Publicaciones derivadas de la tesis
El trabajo realizado para la obtención de esta tesis derivó en un conjunto de publicaciones

en congresos y revistas. La propuesta del FCS-RMPC derivó en las siguientes publicaciones:
Judewicz, M.G.; Fischer, J.R.; Herran, M.A.; Gonzalez, S.A.; Carrica, D.O., MPC con
Modelo Predictivo basado en Observador de Estados, 23o Congreso Argentino de Control
Automático, Oct. 2012.
Judewicz, M.G.; Fischer, J.R.; Herran, M.A.; Gonzalez, S.A.; Carrica, D.O., A Robust
Model Predictive Control For Grid-Connected Voltage-Source Inverters, Latin America
Transactions, IEEE (Revista IEEE America Latina), vol.11, no.1, pp.27,33, Feb. 2013.
doi: 10.1109/TLA.2013.6502773
La evaluación de distintas alternativas de filtro notch en la función de costo para disminuir la

dispersión espectral derivó en:
Judewicz, M.G.; Fischer, J.R.; Echeverria, N.; Gonzalez, S.A.; Carrica, D.O., Filtro notch
digital para la conformación del espectro en control predictivo basado en modelo, Biennial
108
Congress of Argentina (ARGENCON), 2014 IEEE, vol., no., pp. 1, 6, 11-13 June 2014.
doi: 10.1109/ARGENCON.2014.6868464
Finalmente, con respecto al método GPC propuesto, se realizaron los siguientes trabajos:
Judewicz, M.G.; Fischer, J.R.; Herran, M.A.; Gonzalez, S.A.; Carrica, D.O., Control Pre-
dictivo Generalizado para Inversor Trifásico conectado a Red, XV Reunión de Trabajo en
Procesamiento de la Información y Control, Sep. 2013.
Judewicz, M.G.; Gonzalez, S.A.; Echeverria, N.I.; Fischer, J.R.; Carrica, D.,“Generalized
Predictive Current Control (GPCC) for Grid-Tie Three-Phase Inverters”, in Industrial
Electronics, IEEE Transactions on , vol.PP, no.99, pp.1-1. (En Prensa).
doi: 10.1109/TIE.2015.2508934
5.2. Trabajos futuros
Aplicar GPC a un rectificador boost para regular la tensión del banco de capacitores del
inversor y controlar la corriente extraı́da de un recurso renovable.
Utilizar GPC para controlar la corriente inyectada a la salida de un filtro LCL realizando
damping activo.
Modificar el GPC para utilizar un integrador de N armónicos y mejorar el rechazo a

perturbaciones.
Aplicar el GPC como control directo de potencia y comparar su desempeño con el GPC
de corriente.
Apéndice A
Diseño de un control Proporcional Resonante
(PR)
La función transferencia de un control PR es
2Kr s
GP R (s) = Kp + (A.1)
s2+ ω12
donde Kp es la ganancia proporcional y ω1 , Kr son la frecuencia y ganancia resonante, respec-

tivamente. En la práctica es imposible lograr una transferencia de esa forma debido a que se
obtiene una ganancia infinita en la frecuencia resonante, por lo que se utiliza la forma aproxi-
mada:
2Kr ωP Rc s
GP R (s) = Kp + (A.2)
s2 + 2ωP Rc s + ω12
donde ωP Rc es el ancho de banda a la frecuencia de corte de −3 dB del controlador que reduce

la sensibilidad a la variación de frecuencia fundamental de la red. Por lo tanto, deben diseñarse
dos parámetros: la ganancia proporcional Kp y la ganancia de la frecuencia fundamental Kr .
Ganancia proporcional Kp
Asumiendo que la frecuencia fundamental de la red varı́a en el rango ±1 Hz, ωP Rc es:
ωP Rc = 2π (A.3)
109
110
A partir de (1.16), la transferencia del sistema de control a lazo abierto resulta:
G(s) = GP R (s)Gj (s) (A.4)
y considerando que luego de la frecuencia de corte fc , la magnitud de la respuesta en frecuencia

es cero, se obtiene:
20 lg |G(j2πfc )| ≈ 20 lg |Kp Gj (j2πfc )| = 0 (A.5)
Por tanto, mediante aproximaciones sucesivas se obtiene,
1
Kp ≈ (A.6)
Gj (j2πfc )
Ganancia de la frecuencia fundamental Kr
El error con respecto a la referencia puede calcularse como:
G(s)
E(s) = −1 (A.7)
1 + G(s)
Considerando la frecuencia fundamental f1 , y suponiendo que el error en régimen permanente

es η, la mı́nima magnitud de la respuesta en frecuencia de la función transferencia a lazo abierto
es,
1
|Gmin (j2πf1 )| = −1 (A.8)
η
Es decir,
|G(j2πf1 )| ≈ |GP R (j2πf1 )Gj (j2πf1 )| ≥ |Gmin (j2πf1 )| (A.9)
Reemplazando (A.6) en (A.9), el umbral inferior de Kr se deduce como:
|Gmin (j2πf1 )| 1
Kr ≥ − (A.10)
Gj (j2πf1 ) Gj (j2πfc )
Por otra parte, la fase de la respuesta en frecuencia del controlador PR puede escribirse como:
2ωP Rc ω Kr 2ωP Rc ω
ϕ(ω) = arctan 2 2
(1 + ) − arctan 2 (A.11)
ω1 − ω Kp ω1 − ω 2
Apéndice A. Diseño de un control Proporcional Resonante (PR) 111
Asumiendo que la fase del control en la frecuencia de corte no supera −φ, entonces,
2ωP Rc ωc Kr 2ωP Rc ωc
ϕ(ωc ) = arctan 2 2
(1 + ) − arctan 2 ≥ −φ (A.12)
ω1 − ωc Kp ω1 − ωc2
Reemplazando (A.6) en (A.12), se obtiene el umbral superior para Kr :
2
1 ω1 − ωc2 2ωP Rc ωc
Kr ≤ tan(arctan 2 − φ) − 1 (A.13)
Gj (j2πfc ) 2ωP Rc ωc ω1 − ωc2
Entonces el rango de Kr se define como:
2
|Gmin (jω1 )| 1 1 ω1 − ωc2 2ωP Rc ωc
− ≤ Kr ≤ tan(arctan 2 − φ) − 1 (A.14)
Gj (jω1 ) Gj (jωc ) Gj (j2πfc ) 2ωP Rc ωc ω1 − ωc2
Como puede verse, el diseño de Kr es una relación de compromiso entre el error en régi-
men permanente y la estabilidad, y su criterio de selección es empı́rico e iterativo, lo que lo
hace sumamente ineficiente. Adicionalmente, este método de diseño no es analı́tico por lo que
generalmente se llega a un resultado subóptimo.
112
Bibliografı́a
[1] International Electrotechnical Commission, Limits for harmonic current emission, Inter-
national Electrotechnical Commission Std. 61 000-3-2, 2000, a1:2001.
[2] P. Barbosa, L. Rolim, E. Watanabe, and R. Hanitsch, “Control strategy for grid-connected
dc-ac converters with load power factor correction,” Generation, Transmission and Dis-
tribution, IEE Proceedings-, vol. 145, no. 5, pp. 487–491, Sep 1998.
[3] R. Datta and V. Ranganathan, “Direct power control of grid-connected wound rotor
induction machine without rotor position sensors,” IEEE Trans. Power Electron., vol. 16,
no. 3, pp. 390–399, May 2001.
[4] F. Wang, J. Duarte, and M. Hendrix, “Pliant active and reactive power control for grid-
interactive converters under unbalanced voltage dips,” IEEE Trans. Power Electron.,
vol. 26, no. 5, pp. 1511–1521, May 2011.
[5] J. Suul, K. Ljokelsoy, T. Midtsund, and T. Undeland, “Synchronous reference frame

hysteresis current control for grid converter applications,” IEEE Trans. Ind. Applicat.,
vol. 47, no. 5, pp. 2183–2194, Sept 2011.
[6] F. Wu, L. Zhang, and Q. Wu, “Simple unipolar maximum switching frequency limited
hysteresis current control for grid-connected inverter,” Power Electronics, IET, vol. 7,
no. 4, pp. 933–945, April 2014.
[7] F. Wu, F. Feng, L. Luo, J. Duan, and L. Sun, “Sampling period online adjusting-based
hysteresis current control without band with constant switching frequency,” IEEE Trans.
Ind. Electron., vol. 62, no. 1, pp. 270–277, Jan 2015.
113
114
[8] M. Castilla, J. Miret, J. Matas, L. Garcia de Vicuna, and J. Guerrero, “Control design
guidelines for single-phase grid-connected photovoltaic inverters with damped resonant
harmonic compensators,” IEEE Trans. Ind. Electron., vol. 56, no. 11, pp. 4492–4501,
Nov. 2009.
[9] M. Castilla, J. Miret, A. Camacho, J. Matas, and L. de Vicuna, “Reduction of current

harmonic distortion in three-phase grid-connected photovoltaic inverters via resonant
current control,” IEEE Trans. Ind. Electron., vol. 60, no. 4, pp. 1464–1472, Apr. 2013.
[10] G. Shen, X. Zhu, J. Zhang, and D. Xu, “A new feedback method for PR current control
of LCL-filter-based grid-connected inverter,” IEEE Trans. Ind. Electron., vol. 57, no. 6,
pp. 2033–2041, Jun. 2010.
[11] Q.-N. Trinh and H.-H. Lee, “An enhanced grid current compensator for grid-connected
distributed generation under nonlinear loads and grid voltage distortions,” IEEE Trans.
Ind. Electron., vol. 61, no. 12, pp. 6528–6537, Dec 2014.
[12] C. Bao, X. Ruan, X. Wang, W. Li, D. Pan, and K. Weng, “Step-by-step controller design
for LCL-type grid-connected inverter with capacitor-current-feedback active-damping,”
IEEE Trans. Power Electron., vol. 29, no. 3, pp. 1239–1253, March 2014.
[13] Y. Jia, J. Zhao, and X. Fu, “Direct grid current control of LCL-filtered grid-connected
inverter mitigating grid voltage disturbance,” IEEE Trans. Power Electron., vol. 29, no. 3,
pp. 1532–1541, Mar. 2014.
[14] A. Lidozzi, G. Calzo, L. Solero, and F. Crescimbini, “Integral-resonant control for stand-
alone voltage source inverters,” Power Electronics, IET, vol. 7, no. 2, pp. 271–278, Fe-
bruary 2014.
[15] A. Neris, N. Vovos, and G. Giannakopoulos, “A variable speed wind energy conversion
scheme for connection to weak ac systems,” IEEE Trans. Energy Conversion, vol. 14,
no. 1, pp. 122–127, Mar 1999.
[16] H. Akagi and H. Sato, “Control and performance of a doubly-fed induction machine
intended for a flywheel energy storage system,” IEEE Trans. Power Electron., vol. 17,
no. 1, pp. 109–116, Jan 2002.
[17] M. Prodanovic and T. Green, “Control and filter design of three-phase inverters for high
power quality grid connection,” IEEE Trans. Power Electron., vol. 18, no. 1, pp. 373–380,
Jan 2003.
[18] E. Twining and D. Holmes, “Grid current regulation of a three-phase voltage source
inverter with an LCL input filter,” IEEE Trans. Power Electron., vol. 18, no. 3, pp.
888–895, May 2003.
[19] Y. Li, D. Vilathgamuwa, and P. C. Loh, “Design, analysis, and real-time testing of a
controller for multibus microgrid system,” IEEE Trans. Power Electron., vol. 19, no. 5,
pp. 1195–1204, Sept 2004.
[20] T. Abeyasekera, C. Johnson, D. Atkinson, and M. Armstrong, “Suppression of line voltage

related distortion in current controlled grid connected inverters,” IEEE Trans. Power
Electron., vol. 20, no. 6, pp. 1393–1401, Nov 2005.
[21] M. Liserre, R. Teodorescu, and F. Blaabjerg, “Multiple harmonics control for three-phase
grid converter systems with the use of PI-RES current controller in a rotating frame,”
IEEE Trans. Power Electron., vol. 21, no. 3, pp. 836–841, May 2006.
[22] Y.-K. Chen, C.-H. Yang, and Y.-C. Wu, “Robust fuzzy controlled photovoltaic power
inverter with taguchi method,” Aerospace and Electronic Systems, IEEE Transactions
on, vol. 38, no. 3, pp. 940–954, Jul 2002.
[23] M. Singh and A. Chandra, “Real-time implementation of anfis control for renewable
interfacing inverter in 3p4w distribution network,” IEEE Trans. Ind. Electron., vol. 60,
no. 1, pp. 121–128, Jan 2013.
[24] X. Hao, X. Yang, T. Liu, L. Huang, and W. Chen, “A sliding-mode controller with
multiresonant sliding surface for single-phase grid-connected VSI with an LCL filter,”
IEEE Trans. Power Electron., vol. 28, no. 5, pp. 2259–2268, May 2013.
[25] L. Shang, d. sun, and J. Hu, “Sliding-mode-based direct power control of grid-connected
voltage-sourced inverters under unbalanced network conditions,” Power Electronics, IET,
vol. 4, no. 5, pp. 570–579, May 2011.
116
[26] J. Castelló, J. Espı́, R. Garcı́a-Gil, and S. A. González, “A robust predictive current

control for three-phase grid-connected inverters,” IEEE Trans. Ind. Electron., vol. 56,
no. 6, pp. 1993–2004, Jun. 2009.
[27] J. Allmeling, “A control structure for fast harmonics compensation in active filters,” IEEE
Trans. Power Electron., vol. 19, no. 2, pp. 508–514, March 2004.
[28] Q. Zeng and L. Chang, “An Advanced SVPWM-Based Predictive Current Controller for
Three-Phase Inverters in Distributed Generation Systems,” IEEE Trans. Ind. Electron.,
vol. 55, no. 3, pp. 1235–1246, Mar. 2008.
[29] J. Fischer, S. Gonzalez, M. Herran, M. Judewicz, and D. Carrica, “Calculation-delay tole-

rant predictive current controller for three-phase inverters,” IEEE Trans. Ind. Informat.,
vol. 10, no. 1, pp. 233–242, Feb 2014.
[30] S. Vazquez, J. Leon, L. Franquelo, J. Rodriguez, H. Young, A. Marquez, and P. Zanchetta,

“Model predictive control: A review of its applications in power electronics,” IEEE Ind.
Electron. Mag., vol. 8, no. 1, pp. 16–31, March 2014.
[31] S.-F. Mo and J. Billingsley, “Fast-model predictive control of multivariable systems,”

Control Theory and Applications, IEE Proceedings D, vol. 137, no. 6, pp. 364–366, Nov
1990.
[32] R. Jassemi-Zargani and D. Necsulescu, “Extended kalman filter-based sensor fusion for
operational space control of a robot arm,” Instrumentation and Measurement, IEEE Tran-
sactions on, vol. 51, no. 6, pp. 1279–1282, Dec 2002.
[33] K. Mao and T. Chai, “Model predictive control algorithms for systems with slow sampled
outputs,” Control Theory and Applications, IEE Proceedings -, vol. 143, no. 6, pp. 551–
556, Nov 1996.
[34] P. Scokaert and D. Mayne, “Min-max feedback model predictive control for constrained
linear systems,” Automatic Control, IEEE Transactions on, vol. 43, no. 8, pp. 1136–1142,
Aug 1998.
[35] W.-H. Chen, D. Ballance, and J. O’Reilly, “Model predictive control of nonlinear systems:
computational burden and stability,” Control Theory and Applications, IEE Proceedings
-, vol. 147, no. 4, pp. 387–394, Jul 2000.
[36] S. Norquay, A. Palazoglu, and J. Romagnoli, “Application of wiener model predictive

control (wmpc) to a ph neutralization experiment,” Control Systems Technology, IEEE
Transactions on, vol. 7, no. 4, pp. 437–445, Jul 1999.
[37] M. Kurtz, G.-Y. Zhu, and M. Henson, “Constrained output feedback control of a mul-
tivariable polymerization reactor,” Control Systems Technology, IEEE Transactions on,
vol. 8, no. 1, pp. 87–97, Jan 2000.
[38] M. Mezghani, G. Roux, M. Cabassud, M. Le Lann, B. Dahhou, and G. Casamatta,

“Application of iterative learning control to an exothermic semibatch chemical reactor,”
Control Systems Technology, IEEE Transactions on, vol. 10, no. 6, pp. 822–834, Nov
2002.
[39] P. Dufour, F. Couenne, and Y. Toure, “Model predictive control of a catalytic reverse flow
reactor,” Control Systems Technology, IEEE Transactions on, vol. 11, no. 5, pp. 705–714,
Sept 2003.
[40] J. Gomez, A. Jutan, and E. Baeyens, “Wiener model identification and predictive control
of a ph neutralisation process,” Control Theory and Applications, IEE Proceedings, vol.
151, no. 3, pp. 329–338, May 2004.
[41] R. Young, “Petroleum refining process control and real-time optimization,” Control Sys-
tems, IEEE, vol. 26, no. 6, pp. 73–83, Dec 2006.
[42] M. Kothare, B. Mettler, M. Morari, P. Bendotti, and C.-M. Falinower, “Level control
in the steam generator of a nuclear power plant,” Control Systems Technology, IEEE
Transactions on, vol. 8, no. 1, pp. 55–69, Jan 2000.
[43] M. G. Na, “Auto-tuned pid controller using a model predictive control method for the
steam generator water level,” Nuclear Science, IEEE Transactions on, vol. 48, no. 5, pp.
1664–1671, Oct 2001.
118
[44] M. G. Na, D. W. Jung, S. H. Shin, J. W. Jang, K. B. Lee, and Y. J. Lee, “A model

predictive controller for load-following operation of pwr reactors,” Nuclear Science, IEEE
Transactions on, vol. 52, no. 4, pp. 1009–1020, Aug 2005.
[45] K.-S. Low and H. Zhuang, “Robust model predictive control and observer for direct drive
applications,” Power Electronics, IEEE Transactions on, vol. 15, no. 6, pp. 1018–1028,
Nov 2000.
[46] M. Gopinathan, R. Mehra, and J. Runkle, “Hot isostatic pressing furnaces,” Control
Systems, IEEE, vol. 20, no. 6, pp. 67–82, Dec 2000.
[47] J. VanAntwerp and R. Braatz, “Fast model predictive control of sheet and film processes,”
Control Systems Technology, IEEE Transactions on, vol. 8, no. 3, pp. 408–417, May 2000.
[48] D. Saffer and F. Doyle, “Closed-loop identification with MPC for an industrial scale CD-
control problem,” Control Theory and Applications, IEE Proceedings -, vol. 149, no. 5,
pp. 448–456, Sep 2002.
[49] S. Lachman-Shalem, B. Grosman, and D. Lewin, “Nonlinear modeling and multivaria-

ble control of photolithography,” Semiconductor Manufacturing, IEEE Transactions on,
vol. 15, no. 3, pp. 310–322, Aug 2002.
[50] F. Vargas-Villamil, D. Rivera, and K. Kempf, “A hierarchical approach to production

control of reentrant semiconductor manufacturing lines,” Control Systems Technology,
IEEE Transactions on, vol. 11, no. 4, pp. 578–587, July 2003.
[51] E. Gallestey, A. Stothert, M. Antoine, and S. Morton, “Model predictive control and the
optimization of power plant load while considering lifetime consumption,” Power Systems,
IEEE Transactions on, vol. 17, no. 1, pp. 186–191, Feb 2002.
[52] G. Ferrari-Trecate, E. Gallestey, P. Letizia, M. Spedicato, M. Morari, and M. Antoine,

“Modeling and control of co-generation power plants: a hybrid system approach,” Control
Systems Technology, IEEE Transactions on, vol. 12, no. 5, pp. 694–705, Sept 2004.
[53] R. Seyab, Y. Cao, and S. Yang, “Predictive control for the alstom gasifier problem,”
Control Theory and Applications, IEE Proceedings -, vol. 153, no. 3, pp. 293–301, May
2006.
[54] M. Larsson and D. Karlsson, “Coordinated system protection scheme against voltage co-
llapse using heuristic search and predictive control,” Power Systems, IEEE Transactions
on, vol. 18, no. 3, pp. 1001–1006, Aug 2003.
[55] C. Frei, M. Derighetti, M. Morari, A. Glattfelder, and A. Zbinden, “Improving regulation

of mean arterial blood pressure during anesthesia through estimates of surgery effects,”
Biomedical Engineering, IEEE Transactions on, vol. 47, no. 11, pp. 1456–1464, Nov 2000.
[56] R. Rao, B. Aufderheide, and B. Bequette, “Experimental studies on multiple-model pre-

dictive control for automated regulation of hemodynamic variables,” Biomedical Enginee-
ring, IEEE Transactions on, vol. 50, no. 3, pp. 277–288, March 2003.
[57] D. Arora, M. Skliar, and R. Roemer, “Model-predictive control of hyperthermia treat-

ments,” Biomedical Engineering, IEEE Transactions on, vol. 49, no. 7, pp. 629–639, jul
2002.
[58] V. Bageshwar, W. L. Garrard, and R. Rajamani, “Model predictive control of transitional

maneuvers for adaptive cruise control vehicles,” Vehicular Technology, IEEE Transactions
on, vol. 53, no. 5, pp. 1573–1585, sep 2004.
[59] N. Giorgetti, G. Ripaccioli, A. Bemporad, I. Kolmanovsky, and D. Hrovat, “Hybrid model

predictive control of direct injection stratified charge engines,” Mechatronics, IEEE/AS-
ME Transactions on, vol. 11, no. 5, pp. 499–506, Oct 2006.
[60] A. Hegyi, B. De Schutter, and J. Hellendoorn, “Optimal coordination of variable speed

limits to suppress shock waves,” Intelligent Transportation Systems, IEEE Transactions
on, vol. 6, no. 1, pp. 102–112, March 2005.
[61] P. Cortes, M. Kazmierkowski, R. Kennel, D. Quevedo, and J. Rodriguez, “Predictive

control in power electronics and drives,” IEEE Trans. Ind. Electron., vol. 55, no. 12, pp.
4312 –4324, Dec. 2008.
120
[62] Y. Hu, Y. Deng, Q. Liu, and X. He, “Asymmetry three-level gird-connected current
hysteresis control with varying bus voltage and virtual oversample method,” IEEE Trans.
Power Electron., vol. 29, no. 6, pp. 3214–3222, June 2014.
[63] D. Wang, M. Glavic, and L. Wehenkel, “Trajectory-based supplementary damping control

for power system electromechanical oscillations,” Power Systems, IEEE Transactions on,
vol. 29, no. 6, pp. 2835–2845, Nov 2014.
[64] J. Espi Huerta, J. Castello-Moreno, J. Fischer, and R. Garcia-Gil, “A synchronous refe-

rence frame robust predictive current control for three-phase grid-connected inverters,”
IEEE Trans. Ind. Electron., vol. 57, no. 3, pp. 954 –962, Mar. 2010.
[65] V. Yaramasu, B. Wu, and J. Chen, “Model-predictive control of grid-tied four-level diode-
clamped inverters for high-power wind energy conversion systems,” IEEE Trans. Power
Electron., vol. 29, no. 6, pp. 2861–2873, June 2014.
[66] C.-Y. Lin and Y.-C. Liu, “Precision tracking control and constraint handling of mecha-
tronic servo systems using model predictive control,” Mechatronics, IEEE/ASME Tran-
sactions on, vol. 17, no. 4, pp. 593–605, Aug 2012.
[67] R. Sharma, D. Nesic, and C. Manzie, “Sampled data model predictive idle speed control
of ultra-lean burn hydrogen engines,” Control Systems Technology, IEEE Transactions
on, vol. 21, no. 2, pp. 538–545, March 2013.
[68] N. He, D. Xu, Y. Zhu, J. Zhang, G. Shen, Y. Zhang, J. Ma, and C. Liu, “Weighted
Average Current Control in a Three-Phase Grid Inverter With an LCL Filter,” IEEE
Trans. Power Electron., vol. 28, no. 6, pp. 2785–2797, June 2013.
[69] S. Qin and T. A. Badgwell, “A survey of industrial model predictive control technology,”
Control Engineering Practice, vol. 11, no. 7, pp. 733 – 764, 2003. [Online]. Available:
http://www.sciencedirect.com/science/article/pii/S0967066102001867
[70] M. P. Kazmierkowski and L. Malesani, “Current control techniques for three-phase

voltage-source PWM converters: a survey,” IEEE Trans. Ind. Electron., vol. 45,
no. 5, pp. 691–703, 1998. [Online]. Available: http://ieeexplore.ieee.org/stamp/stamp.
jsp?arnumber=720325
[71] E. F. Camacho and C. Bordons, Model Predictive Control. Springer, 2007.
[72] J. Rodriguez, M. Kazmierkowski, J. Espinoza, P. Zanchetta, H. Abu-Rub, H. Young,

and C. Rojas, “State of the art of finite control set model predictive control in power
electronics,” IEEE Trans. Ind. Informat., vol. 9, no. 2, pp. 1003–1016, May 2013.
[73] X. Zhang, Y. Wang, C. Yu, L. Guo, and R. Cao, “Hysteresis Model Predictive Control
for High-Power Grid-Connected Inverters with Output LCL-Filter,” IEEE Trans. Ind.
Electron., vol. PP, no. 99, pp. 1–1, 2015.
[74] J. Rodriguez, J. Pontt, C. Silva, P. Correa, P. Lezana, P. Cortes, and U. Ammann,

“Predictive current control of a voltage source inverter,” IEEE Trans. Ind. Electron.,
vol. 54, no. 1, pp. 495–503, Feb 2007.
[75] A. Calle-Prado, S. Alepuz, J. Bordonau, J. Nicolas-Apruzzese, P. Cortes, and J. Rodri-

guez, “Model predictive current control of grid-connected neutral-point-clamped conver-
ters to meet low-voltage ride-through requirements,” IEEE Trans. Ind. Electron., vol. 62,
no. 3, pp. 1503–1514, mar 2015.
[76] Y. Zhang and C. Qu, “Model predictive direct power control of pwm rectifiers under
unbalanced network conditions,” IEEE Trans. Ind. Electron., vol. 62, no. 7, pp. 4011–
4022, July 2015.
[77] M. Rivera, V. Yaramasu, J. Rodriguez, and B. Wu, “Model predictive current control of
two-level four-leg inverters - part ii: Experimental implementation and validation,” IEEE
Trans. Power Electron., vol. 28, no. 7, pp. 3469–3478, July 2013.
[78] J. Hu, J. Zhu, and D. Dorrell, “Model predictive control of grid-connected inverters for
PV systems with flexible power regulation and switching frequency reduction,” IEEE
Trans. Ind. Applicat., vol. 51, no. 1, pp. 587–594, Jan 2015.
[79] V. Yaramasu and B. Wu, “Predictive Control of a Three-Level Boost Converter and an
NPC Inverter for High-Power PMSG-Based Medium Voltage Wind Energy Conversion
Systems,” IEEE Trans. Power Electron., vol. 29, no. 10, pp. 5308–5322, Oct 2014.
122
[80] S. Mariethoz and M. Morari, “Explicit model-predictive control of a PWM inverter with
an LCL filter,” IEEE Trans. Ind. Electron., vol. 56, no. 2, pp. 389–399, Feb 2009.
[81] S. Mariethoz, A. Fuchs, and M. Morari, “A VSC-HVDC Decentralized Model Predictive

Control Scheme for Fast Power Tracking,” Power Delivery, IEEE Transactions on, vol. 29,
no. 1, pp. 462–471, Feb 2014.
[82] H. Demircioglu and E. Karasu, “Generalized predictive control. a practical application

and comparison of discrete- and continuous-time versions,” IEEE Control Syst. Mag.,
vol. 20, no. 5, pp. 36–47, 2000.
[83] D. Clarke, C. Mohtadi, and P. Tuffs, “Generalized Predictive Control - Part I. The basic
algorithm,” Automatica, vol. 23, no. 2, pp. 137–148, 1987.
[84] D. W. Clarke, C. Mohtadi, and P. S. Tuffs, “Generalized Predictive Control - Part II.
Extensions and Interpretations,” Automatica, vol. 23, no. 2, pp. 149–160, Mar. 1987.
[85] L. Zhang, R. Norman, and W. Shepherd, “Long-range predictive control of current re-
gulated PWM for induction motor drives using the synchronous reference frame,” IEEE
Trans. Contr. Syst. Technol., vol. 5, no. 1, pp. 119–126, Jan 1997.
[86] K.-S. Low, “A digital control technique for a single-phase PWM inverter,” IEEE Trans.
Ind. Electron., vol. 45, no. 4, pp. 672–674, Aug. 1998.
[87] K. S. Low, “A DSP-based single-phase AC power source,” IEEE Trans. Ind. Electron.,
vol. 46, no. 5, pp. 936–941, Oct. 1999.
[88] R. Kennel, A. Linder, and M. Linke, “Generalized predictive control (GPC)-ready for
use in drive applications?” in Proc. PESC Power Electronics Specialists Conference 2001
IEEE 32nd Annual, vol. 4, 2001, pp. 1839–1844 vol. 4.
[89] T. Allaoui, M. Denaı̈, and M. Bouhamida, “Decoupling multivariable GPC control of

UPFC-based power flow compensation,” in 10th International Conference EPE-PEMC,
2002.
[90] S. Vazquez, C. Montero, C. Bordons, and L. Franquelo, “Design and experimental vali-
dation of a model predictive control strategy for a VSI with long prediction horizon,” in
Industrial Electronics Society, IECON 2013 - 39th Annual Conference of the IEEE, Nov
2013, pp. 5788–5793.
[91] A. Smirnov, “NL5 Circuit Simulator,” /http://nl5.sidelinesoft.com/, 2016.
[92] H.-T. Moon and M.-J. Youn, “Predictive current control for PMSM with consideration
of calculation delay,” Electronics Letters, vol. 37, no. 24, pp. 1488–1489, Nov 2001.
[93] S. Kwak, S.-J. Yoo, and J. Park, “Finite control set predictive control based on Lyapunov
function for three-phase voltage source inverters,” Power Electronics, IET, vol. 7, no. 11,
pp. 2726–2732, Nov. 2014.
[94] V.-T. Phan and H.-H. Lee, “Improved predictive current control for unbalanced stand-
alone doubly-fed induction generator-based wind power systems,” Electric Power Appli-
cations, IET, vol. 5, no. 3, pp. 275–287, March 2011.
[95] P. Cortes, J. Rodriguez, C. Silva, and A. Flores, “Delay compensation in model predictive
current control of a three-phase inverter,” IEEE Trans. Ind. Electron., vol. 59, no. 2, pp.
1323 –1325, Feb. 2012.
[96] J. R. Fischer, S. A. González, M. A. Herrán, M. G. Judewicz, and D. O. Carrica,

“Calculation-delay tolerant predictive current controller for three-phase inverters,” IEEE
Trans. Ind. Informat., vol. 10, no. 1, pp. 233–242, Feb. 2014.
[97] R. Aguilera and D. Quevedo, “On stability of Finite Control Set MPC strategy for Mul-
ticell Converters,” in Industrial Technology (ICIT), 2010 IEEE International Conference
on, March 2010, pp. 1277–1282.
[98] Z. Song, C. Xia, and T. Liu, “Predictive Current Control of Three-Phase Grid-Connected
Converters With Constant Switching Frequency for Wind Energy Systems,” IEEE Trans.
Ind. Electron., vol. 60, no. 6, pp. 2451–2464, June 2013.
[99] J.-H. Hours, M. Zeilinger, R. Gondhalekar, and C. Jones, “Constrained Spectrum Con-
trol,” Automatic Control, IEEE Transactions on, vol. 60, no. 7, pp. 1969–1974, July 2015.
124
[100] P. Cortés, J. Rodrı́guez, D. Quevedo, and C. Silva, “Predictive current control strategy
with imposed load current spectrum,” IEEE Trans. Power Electron., vol. 23, no. 2, pp.
612 –618, Mar. 2008.
[101] D. E. Quevedo and G. C. Goodwin, “Control of EMI from switch-mode power supplies
via multi-step optimization,” in American Control Conference, 2004. Proceedings of the
2004, vol. 1. IEEE, 2004, pp. 390–395.
[102] ——, “Multistep optimal analog-to-digital conversion,” IEEE Trans. Circuits Syst. I,
vol. 52, no. 3, pp. 503–515, 2005.
[103] T. I. Laakso, J. Ranta, and S. J. Ovaska, “Design and implementation of efficient IIR
notch filters with quantization error feedback,” IEEE Trans. Instrum. Meas., vol. 43,
no. 3, pp. 449–456, 1994.
[104] P. Zahradnı́k and M. Vlcek, “Fast analytical design algorithms for FIR notch filters,”
IEEE Trans. Circuits Syst. I, vol. 51, no. 3, pp. 608–623, 2004.
[105] J. McClellan, T. Parks, and L. Rabiner, “A computer program for designing optimum
FIR linear phase digital filters,” IEEE Trans. Audio Electroacoust., vol. 21, no. 6, pp.
506–526, 1973.
[106] N. Mohan and T. M. Undeland, Power electronics: converters, applications, and design.
Wiley. com, 2007.
[107] J. M. Maciejowski, Predictive Control: With Constraints, ser. Pearson Education.

Prentice Hall, 2002. [Online]. Available: http://books.google.com.ar/books?id=HV
Y58c7KiwC
[108] D. Clarke, Advances in model-based predictive control. Oxford ; New York : Oxford
University Press, 1994.
[109] A. Bemporad, M. Morari, and N. L. Ricker, “Model predictive control toolbox,” User’s
Guide, Version, vol. 2, 2004.
[110] I. Carugati, S. Maestri, P. Donato, D. Carrica, and M. Benedetti, “Variable sampling pe-
riod filter PLL for distorted three-phase systems,” IEEE Trans. Power Electron., vol. 27,
no. 1, pp. 321–330, Jan. 2012.
[111] N. Zhang, H. Tang, and C. Yao, “A systematic method for designing a PR

controller and active damping of the LCL filter for single-phase grid-connected
PV inverters,” Energies, vol. 7, no. 6, pp. 3934–3954, 2014. [Online]. Available:
http://www.mdpi.com/1996-1073/7/6/3934
[112] E.ON Netz GmbH, Grid Connections Regulations to High and Extra High Voltage, E.ON
Netz GmbH Std., Apr. 2006.
[113] J. Fischer, S. Gonzalez, M. Herran, I. Carugati, M. Judewicz, and D. Carrica, “Robust

predictive control of grid-tied converters based on direct power control,” IEEE Trans.
Power Electron., vol. PP, no. 99, pp. 1–1, 2013.
[114] S. Almer, S. Mariethoz, and M. Morari, “Dynamic phasor model predictive control of
switched mode power converters,” IEEE Trans. Contr. Syst. Technol., vol. 23, no. 1, pp.
349–356, jan 2015.
[115] S. Vazquez, A. Marquez, R. Aguilera, D. Quevedo, J. Leon, and L. Franquelo, “Pre-

dictive Optimal Switching Sequence Direct Power Control for Grid-Connected Power
Converters,” IEEE Ind. Electron. Mag., vol. 62, no. 4, pp. 2010–2020, Apr. 2015.
[116] S. Almer, S. Mariethoz, and M. Morari, “Sampled data model predictive control of a vol-
tage source inverter for reduced harmonic distortion,” IEEE Trans. Contr. Syst. Technol.,
vol. 21, no. 5, pp. 1907–1915, sept 2013.
[117] F. Gonzalez-Espin, G. Garcera, I. Patrao, and E. Figueres, “An adaptive control system
for three-phase photovoltaic inverters working in a polluted and variable frequency electric
grid,” IEEE Trans. Power Electron., vol. 27, no. 10, pp. 4248–4261, Oct 2012.

Control de Inversores Conectados A Red PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Control de Inversores Conectados A Red PDF

Cargado por

Copyright:

Formatos disponibles

RINFI se desarrolla en forma conjunta entre el INTEMA y la Biblioteca de la Facultad de

Ingeniería de la Universidad Nacional de Mar del Plata.

Esta obra está bajo una Licencia Creative Commons Atribución-

2. MPC con conjunto finito de control (FCS-MPC) 25

3. Control predictivo generalizado (GPC) 63

A. Diseño de un control Proporcional Resonante (PR) 109

1.1. Estados de conmutación y vectores de tensión . . . . . . . . . . . . . . . . . . . 4

2.1. Algoritmo de control de corriente FCS-MPC . . . . . . . . . . . . . . . . . . . . 27

3.1. Cuadro de parámetros de simulación . . . . . . . . . . . . . . . . . . . . . . . . 82

4.1. Parámetros de diseño del controlador PR . . . . . . . . . . . . . . . . . . . . . . 95

1.1. Circuito de potencia del VSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2.1. Diagrama en bloques de FCS-MPC de corriente . . . . . . . . . . . . . . . . . . 27

3.1. Estructura del controlador con el observador . . . . . . . . . . . . . . . . . . . . 80

4.1. Fotografı́a del inversor trifásico. . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

Ing. Marcos Gabriel Judewicz

This Thesis work was submitted to the Electronics Department,

PhD in Electronics Engineering

Dr. Sergio Alejandro González and Dr. Daniel Oscar Carrica

1.1. VSI binivel trifásico conectado a red

Con el objetivo de inyectar energı́a proveniente de un recurso renovable a la red eléctrica,

Figura 1.1: Circuito de potencia del VSI

Mediante el control de la conmutación de los transistores, se genera una tensión alterna

Inversor con control individual de llaves

donde VDC es la tensión CC total del banco de capacitores.

y corresponde al circuito mostrado en la fig.1.2a

El estado de conmutación (1, 0, 0) genera el vector de tensión v1 definido como

y corresponde al circuito mostrado en la fig. 1.2b

y corresponde al circuito mostrado en la fig. 1.2c

y corresponde al circuito mostrado en la fig. 1.2d

Figura 1.3: Vectores de tensión en el plano complejo

Inversor controlado por PWM

donde R es la resistencia de la carga, L es la inductancia de la carga y vN es la tensión entre

con j = {a, b, c}.

Modelo de tiempo discreto

Esta sección describe el proceso de discretización de la ecuación de la tensión en la carga

Reordenando los términos de (1.21), se tiene

Al calcularse la transformada de Laplace en la ecuación anterior se obtiene,

zI(z) = ad I(z) + bd (V(z) − E(z)). (1.28)

i[k + 1] = ad i[k] + bd (v[k] − e[k]) (1.29)

que posee la misma forma en cada fase, es decir,

para j = {a, b, c}. Adicionalmente, si se considera el retardo de cálculo, un modelo conservador

donde se agregó un retardo entero adicional en el numerador.

aproximación de la derivada temporal como una diferencia hacia adelante, es decir,

1.2. Control de corriente en inversores conectados a red

La inyección de energı́a a la red eléctrica puede controlarse mediante un esquema de control

Presentar robustez frente a variaciones de impedancia de la carga.

1.2.1. Estado del arte en control de corriente

Figura 1.5: Diferentes tipos de esquemas de control de inversores conectados a red.

1.3. ¿Por qué el MPC?

1.4. Control Predictivo basado en Modelo (MPC)

1.4.1. Métodos de control predictivo en inversores conectados a red.

La principal caracterı́stica del control predictivo es la utilización de un modelo para pre-

ControlTDeadbeat Histéresis BasadoTenTTrayectoria ControlTPredictivoTbasadoTenTModelo

Figura 1.6: Clasificación de los métodos de control predictivo.

El criterio de optimización en el control predictivo basado en histéresis es el de mantener la

1.4.2. Principios básicos del MPC

largo de la última década.

Los conceptos son muy intuitivos y fáciles de entender.

Puede ser aplicado a una gran variedad de sistemas.

El caso multivariable puede ser fácilmente considerado.

Los retardos pueden ser compensados.

Fácil inclusión de alinealidades en el modelo.

Simple tratamiento de restricciones.