Esta tesis explora las complejidades y avances en el control de inversores de potencia con control predictivo basado en modelo, con un enfoque particular en los inversores multiniveles. La importancia de estos últimos está creciendo debido al cambio global en la generación de energía, especialmente en la necesidad de fuentes de energía renovable como la solar y eólica, ya que se requieren inversores de potencia para su integración en las redes eléctricas. El control predictivo basado en modelo es un método de control emergente en este campo, anteriormente limitado por su alto esfuerzo computacional que no se adaptaba bien a las altas frecuencias que necesitan los convertidores de potencia para funcionar. Gracias a la mayor disponibilidad de hardware de cálculo más potente, este método de control se ha vuelto más atractivo debido a sus ventajas, como su optimalidad, flexibilidad y la capacidad de manejar fácilmente sistemas multivariables complejos que requieren varios objetivos de control. En esta tesis se introduce una nueva mejora para el control predictivo llamada ``multirate'' y se adapta a la aplicación de convertidores de potencia. Este trabajo también aborda el problema de la inercia en la creciente integración de fuentes de energía renovable. La reducción de generadores síncronos y su sustitución por fuentes de energía gobernadas por electrónica de potencia disminuye la inercia de la red, creando desafíos en la regulación de frecuencia y aumentando el riesgo de inestabilidad de la red. Aprovechando la flexibilidad del control predictivo basado en modelo, se introduce una nueva formulación como un método prometedor para proporcionar inercia virtual a la red. La tesis concluye con propuestas de implementación de control predictivo basado en modelo en tiempo real, destacando implementaciones basadas en datos y métodos de aprendizaje automático para abordar las difíciles res-tricciones del tiempo real en aplicaciones de electrónica de potencia. En particular, se propone un sistema \textit{hardware-in-the-loop} para superar las demandas computacionales en un dispositivo FPGA. En resumen, este trabajo proporciona un marco para la implementación de control predictivo basado en modelos en tiempo real que aborda desafíos mordernos de control y mejora el rendimiento. El autor desea que este trabajo pueda servir como una base flexible para el futuro para seguir mejorando la eficiencia de la generación y la integración de energía, así como el rendimiento de conversión de los inversores de potencia.
The thesis explores the complexities and advancements in the control of power inverters with model predictive control, with a particular focus on complex multilevel inverters. Its importance is growing due to the global shift of energy generation, particularly towards renewable energy sources such as solar and wind, since power inverters are required for their integration into electrical grids. Model predictive control is an emerging control method in this field, previously held back by its high computational effort that does not suit with really high frequencies that power converters need to work with. Thanks to the wider availability of more powerful computing hardware, this control method became attractive because of its main advantages, such as its optimality, flexibility, and the ability to easily deal with complex multivariable systems that demand several control objectives. In this thesis, model predictive control for power converters has been studied and a novel enhancement named “multirate” is introduced and adapted to this application. This work also addresses the problem of inertia in the increasing integration of renewable energy sources. The reduction of synchronous generators and its substitution with energy sources governed by power electronics diminishes grid inertia, exacerbating challenges in frequency regulation and increasing the risk of grid instability. By exploiting the flexibility of model predictive control, a new formulation is introduced as a promising method to provide virtual inertia to the grid. The thesis concludes with novel implementation proposals of real-time model predictive control for power inverters, highlighting data-based implementations and machine learning methods to address the difficult real-time constraints in power electronic applications. In particular, a hardware-inthe- loop setup is proposed, and guidelines are given to overcome the computational demands in an FPGA device. Overall, this work provides a framework for the implementation of realtime model predictive control that addresses modern control challenges and enhances performance. The author wishes that this work can serve as a flexible base for the future to continue improving the efficiency of energy generation and grid integration, as well as the conversion performance of power inverters.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados