Resumen de Estrategias de optimización del control predictivo de un convertidor multinivel-NPC y su implementación en FPGA
- español
Los convertidores de potencia multinivel representan una alternativa ampliamente utilizada en la gestión del flujo de energía eléctrica en sistemas de alta potencia y alta o media tensión, como puedan ser sistemas de generación de energía eólica o, en general, sistemas de generación, transmisión y distribución de energía para aplicaciones industriales. El control de este tipo de convertidores puede abordarse desde distintas estrategias, como las técnicas de Modulación de Espacios Vectoriales, la Eliminación Selectiva de Armónicos, por nombrar algunas. Por otro lado, las técnicas de Control Predictivo basado en el Modelo (MPC) han adquirido una gran relevancia en el ámbito del control de convertidores y máquinas eléctricas, debido a su precisión, rápida respuesta dinámica y la posibilidad de establecer varios objetivos de control simultáneos. La idea básica consiste en predecir el comportamiento del convertidor, utilizando un modelo discreto o descripción matemática del mismo. Por contra, estas técnicas implican una gran carga computacional, debido a que, en cada periodo de muestreo, debe optimizarse una función de coste, mediante la exploración de cada uno de los posibles estados de conmutación del convertidor. El Control Predictivo sobre un Conjunto Finito de Estados (FCS-MPC) supone un caso particular de MPC, donde el algoritmo solo se aplica a un número finito de estados de conmutación del convertidor. Posteriormente, el convertidor es configurado en aquel estado de conmutación óptimo que minimice cierta función de coste y ello, durante cada intervalo de muestreo. Para establecer la importancia de una variable respecto a otras, se incluye un factor de peso para cada uno de los términos de la función de coste. Ajustar los valores óptimos de estos factores de peso, es una etapa crucial en la especificación del algoritmo FCS-MPC, y resulta una difícil tarea, habitualmente resuelta mediante la técnica de ensayo-error. Por ello, en la mayoría de trabajos publicados en este ámbito de investigación, una vez se determinan los factores de peso, estos permanecen siempre constantes. En esta tesis, se propone un proceso general automático de ajuste de estos factores de peso. Para demostrar la viabilidad del método propuesto, se ha aplicado al caso del control FCS-MPC de un convertidor multinivel de voltaje de Punto Neutro Fijo de Tres Niveles (3L-NPC). Se han estudiado diferentes estrategias para realizar este proceso, y finalmente, se ha considerado una solución basada en Redes Neuronales Artificiales (ANN), como la mejor opción para implementar una novedosa estrategia que se ha venido en denominar: Modelo de Control Predictivo Adaptativo (A-MPC) como una versión optimizada del MPC tradicional. La función de coste incluye el error de seguimiento de las corrientes de red, la frecuencia de conmutación de los transistores IGBT, y el desequilibrio de las tensiones del Bus-DC. Consideradas como figuras de mérito, el error de las corrientes generadas, la distorsión armónica total (THD), la frecuencia media de conmutación y el desequilibrio del Bus-DC, junto con las referencias de potencia activa y reactiva, son las entradas de la red neuronal, cuyas salidas serán los factores de peso óptimos. Para reducir la carga computacional, el algoritmo trabaja usando una transformación a componentes alfa-beta de las corrientes y tensiones. Además, en la tesis se propone una metodología de implementación sobre FPGA del algoritmo de control propuesto. Por último, para evaluar las prestaciones del método de ajuste propuesto, se han realizado numerosas simulaciones y se han llevado a cabo experimentos sobre una plataforma de procesamiento conectada a un convertidor multinivel ubicado en el laboratorio de investigación del grupo GEISER.
- English
Multilevel converters are well-established alternative used in high-power and high or medium voltage systems as wind energy conversion, generation, transmission and distribution of energy to industrial applications. Several control strategies have been developed for these converters as Space Vector Modulation (SVM) or Selective Harmonic Elimination (SHE) to name the most commonly used. However, Model Predictive Control (MPC) techniques are generating considerable interest to implement different controllers for multilevel converters, due to its accuracy, fast dynamic response and multi-target simultaneous control. The basic idea of this concept is to predict the future behavior of the converter based on its discrete model or mathematical descriptions of the system. Against, the major drawback of this technique is the high computational load required, because the model is repetitive evaluated at each sampling time for each switching state. Finite Control Set Model Predictive Control (FCS-MPC) has been developed as a particular case of MPC where the algorithm is only applied for a finite number of switching states, reducing the computational burden. Then, the controller configures the converter with the optimal switching state that minimizes a given cost function over a sampling interval. In order to establish the importance of one controlled target in relation to the others, a weighting factor is included for each term in the cost function. Adjusting the optimal values of these weighting factors is a crucial stage in the specification of a FCS-MPC and it is a difficult challenge too. Due to this, in all works currently presented, once the weighting factors have been determined, they remain unchanged. In this thesis, a FCS-MPC has been applied for a Three-Level Neutral Point Clamped (3L-NPC) voltage source converter, including an automatic tuning process of the weighting factors. Different strategies have been studied, and finally, an artificial neural network-based approach has been considered as the better solution to implement a novel controller strategy: Adaptive Model Predictive Control (A-MPC) as an optimized version of a traditional MPC. The cost function includes predictions of the grid currents, the switching frequency of the Insulated Gate Bipolar Transistors (IGBT) and the balance of the DC-link bus voltages. Merit figures such as the current tracking error, Total Harmonic Distortion (THD), average switching frequency and DC-link voltage balancing along with the active and reactive power references, are the inputs of the Artificial Neural Network (ANN) whose outputs constitute the weighting factors. In order to reduce the computational burden, alpha-beta components transformation and a FPGA-based implementation have been used. Finally, in order to evaluate the proposed method, numerous simulations and experiments have been carried out on a platform located in the research laboratory of the GEISER group.
