Documente Academic
Documente Profesional
Documente Cultură
Este artículo presenta el control de generación automática de un sistema térmico desigual de tres
áreas. Las turbinas de recalentamiento de una sola etapa y las restricciones de velocidad de
generación de 3% / min se consideran en cada área de control. Controladores tales como Integral
(I), Proporcional - Integral (PI), Proporcional - Integral - Derivativo (PID), y Proporcional - Integral -
Derivado Plus Derivado de Segundo Orden (PID + DD) son tratados como controladores secundarios
por separado. Una técnica de optimización inspirada en la naturaleza llamada algoritmo Ant Lion
Optimizer (ALO) se utiliza para la optimización simultánea de las ganancias del controlador. La
comparación de las respuestas dinámicas de las frecuencias y las potencias de línea
correspondientes a los controladores I, PI, PID y PID + DD optimizados ALO revela el mejor
rendimiento del controlador PID + DD en términos de menor tiempo de asentamiento,
sobreimpulsos pico y oscilaciones reducidas. La robustez de las ganancias óptimas del mejor
controlador obtenido en condiciones nominales se evalúa mediante el análisis de sensibilidad. El
análisis reveló que las ganancias óptimas del controlador PID + DD obtenidas a nivel nominal son
robustas y no es necesario reiniciar de nuevo los cambios en la carga, parámetros como la constante
de inercia (H), el tamaño y la posición de la perturbación. Además, el rendimiento del controlador
PID + DD se encuentra mejor en comparación con el controlador PID frente a la condición de patrón
de carga aleatorio.
Introducción
A medida que la complejidad del sistema de alimentación aumenta día a día, es necesario mantener
la frecuencia y atar las líneas de energía dentro de sus límites preestablecidos para mantener el
sistema interconectado confiable y seguro. Siempre que haya un cambio en la carga en el sistema
de potencia, la frecuencia y las potencias de línea de enlace se desvían de sus valores nominales o
programados, lo cual es indeseable y puede llevar a un funcionamiento incorrecto del sistema de
potencia. Por lo tanto, se requiere un control continuo entre la demanda de carga y la generación,
que se denomina control de frecuencia de carga (LFC) o control de generación automática (AGC),
mantiene el error de control de área (ACE) en cero. ACE es el término utilizado para representar las
desviaciones tanto en la frecuencia como en las potencias de línea de enlace como una combinación
lineal, que viene dada por (1).
Algunos autores también presentaron un análisis de sensibilidad para probar la solidez de los
parámetros de control propuestos obtenidos en condiciones nominales frente a las incertidumbres
del sistema, como las variaciones en la carga, la constante de inercia (H), el tamaño y la posición de
las perturbaciones. En [8,13,18] los autores presentaron sensibilidad a las variaciones en la carga y
la constante de inercia desde sus condiciones nominales. Sin embargo, el análisis de sensibilidad no
se presenta en ningún estudio AGC disponible en el pasado para las ganancias de controladores PID
+ DD optimizados ALO.
En la literatura, se dispone de muy pocos estudios [23,24] sobre el rendimiento del controlador
cuando la naturaleza de la perturbación se cambia de paso a aleatorio, es decir, patrón de carga
aleatoria (RLP). Sin embargo, el rendimiento del controlador optimizado PID + DD de ALO aún no se
ha estudiado contra RLP en AGC.
De la discusión anterior, los siguientes son los objetivos principales del presente trabajo.
(a) Aplicación del algoritmo Ant Lion Optimization (ALO) para la optimización simultánea de
ganancias de diferentes controladores, a saber, I, PI, PID y PID + DD, y comparación de las respuestas
dinámicas correspondientes a cada controlador para encontrar la mejor.
(b) Análisis de sensibilidad para el mejor controlador para variaciones amplias en la carga del
sistema, la constante de inercia, el tamaño y la posición de la perturbación.
(c) Prueba de rendimiento del mejor controlador con patrón de carga aleatorio (RLP).
Sistema investigado
Se considera para estudio un sistema térmico de tres áreas interconectadas. Las capacidades de
diferentes áreas de control están en la proporción de 2: 5: 8. Cada área está equipada con turbinas
de recalentamiento de una etapa. También se consideran restricciones de frecuencia de generación
(GRC) de 3% / min en cada área. Para tener todos los valores en la misma base, los valores por
unidad se toman en términos de las capacidades de área. Para este propósito se toman en cuenta
las cantidades a12 = -2/5, a23 = -5/8 y a13 = -1/4. El modelo de función de transferencia para el sistema
propuesto de tres áreas se muestra en la Fig. 1. Los parámetros nominales del sistema se toman de
[18] y se representan en el Apéndice A. Controladores como I, PI, PID y PID + DD se consideran
controladores secundarios por separado. La dinámica del sistema se evalúa con una perturbación
de carga por pasos (SLP) del 1% en el área1. Las ganancias del controlador se optimizan con la ayuda
del algoritmo Ant Lion Optimizer (ALO) inspirado en la naturaleza. La función de costo (J)
considerada en esta optimización es Integral Squared Error (ISE) y dada por Eq. (2) El modelo de
simulación y la codificación de ALO se realiza en el software Matlab.
donde i = número de área (1, 2, 3), j = número de área (1, 2), k = 2(para k diferente a j), 3.
La aptitud de todas las hormigas se almacenará en la matriz MOA en términos de función objetivo f
La posición y la aptitud de ant-lion están representadas por las matrices MAntlion, MOAL
respectivamente
Movimiento aleatorio de hormigas
Las hormigas se mueven aleatoriamente para buscar comida. El movimiento aleatorio de hormigas
está dado por Eq. (7)
Para restringir el movimiento aleatorio dentro del espacio de búsqueda, se utiliza la forma
normalizada, que se basa en la normalización min-max. La posición de las hormigas se puede
actualizar mediante Eq. (9)
donde am, bm son el mínimo y máximo de la caminata aleatoria de hormigas c tm, dtm, representa
la mínima y máxima variable m th en la t th iteración. (enésimas)
Atrapamiento de hormigas
La expresión matemática del atrapamiento de las hormigas en los pozos de la hormiga león viene
dada por las ecuaciones. (10) y (11).
Construcción de trampa
El león hormiguero más apto se selecciona utilizando el método de ruleta.
donde I = 10w t/s , t es la iteración actual, S es el número máximo de iteraciones y w es una constante
cuyo valor viene dado por
Fig. 4. Comparación de respuestas dinámicas de GA, PSO, DE, FA y ALO. (a)∆f1 = f (t),
(b) ∆ Ptie 1-3 = f (t).
Fig. 5.- Comparación de la desviación de frecuencia en el área 1 al 75% de carga con valores óptimos
correspondientes al 75% de carga y al 50% de carga
Fig. 6. Comparación de la desviación de frecuencia en el área 1 al 25% de carga con valores óptimos
correspondientes al 25% de carga y al 50% de carga.
Fig. 7. Desviación de la frecuencia de comparación en el área1 en H = 6 s para valores óptimos
correspondientes a H = 6 s y H = 5 s.
Fig. 10. Comparación de la desviación de frecuencia en el área 1 a 3% de SLP en el área 1 para los
valores óptimos correspondientes al 3% de SLP y al 1% de SLP en el área1.
Fig. 11. Comparación de la desviación de frecuencia en el área 1 al 1% de SLP simultáneamente en
el área1, el área2 y el área3 con los valores óptimos correspondientes al 1% de SLP simultáneamente
en el área1, el área2, el área3 y el 1% de SLP en el área1.
Fig. 14. Comparación de la desviación de la potencia de la línea de enlace en la línea que conecta el
área2 y el área3 en un patrón de carga aleatorio con controladores PID y PID + DD con los valores
óptimos correspondientes.
Capturando el proceso de oración y reconstrucción del pozo.
Ant león atrapa a la hormiga cuando alcanza el fondo del pozo y consume. Después de esto, hormiga
tiene que actualizar la posición para atrapar nuevas presas. Este proceso está representado por Eq.
(15).
Elitismo
Elitismo se usa para mantener las mejores soluciones en cada etapa. La mejor hormiga león
obtenida es tratada como élite, que es la hormiga hormiga más apta. La élite debería afectar a la
hormiga león en cada etapa (movimiento aleatorio). Para esto, se asume que cada hormiga se asocia
con una hormiga león por la rueda de la ruleta y la élite que viene dada por la ecuación. (dieciséis).
donde KP, KI, KD y KDD son ganancias proporcionales, integrales, derivadas y derivadas dobles del
controlador PID + DD, ACE es el controlador de área. La principal diferencia entre el controlador PID
y el controlador PID + DD es el término derivado extra de segundo orden. Esto se puede determinar
mediante la ganancia derivada doble (KDD). Los controladores derivados dobles proporcionan
resultados destacados que los controladores derivados únicos [8]. Sin embargo, las perturbaciones
aumentan drásticamente en los controladores de doble derivada. La aplicación del controlador PID
+ DD se realiza en el sistema AVR y se mejoró con respecto a los controladores PID de orden
fraccionada y PID. Los cuatro parámetros del controlador están optimizados con el algoritmo Ant
Lion Optimizer (ALO) para encontrar la minimización de la función de costo J sujeta a
Los límites inferior y superior se toman como 0 y 1 para todas las ganancias de los controladores
propuestos. Las respuestas dinámicas con PID + DD se comparan con otros controladores.
Resultados y análisis
Desempeño comparativo de los controladores I, PI, PID y PID + DD
El algoritmo Ant Lion Optimizer (ALO) se usa para optimizar las ganancias del controlador de los
controladores I, PI, PID y PID + DD por separado con 1% de SLP en el área 1 del sistema
interconectado. Cuando el sistema se proporciona con el controlador I, los valores óptimos
obtenidos son KI1 / = 0.7569, KI2 / = 0.3943, KI3 / = 0.5291, con los controladores PI KI1 / = 0.61158,
KI2 / = 0.1615, KI3 / = 0.4035, KP1 / = 0.0127, KP2 / = 0.0100, KP3 / = 0.1949, con controladores PID,
KI1 / = 0.4899, KI2 / = 0.4031, KI3 / = 0.3542, KP1 / = 0.0273, KP2 / = 0.1103, KP3 / = 0.1039, KD1 / =
0.1862 , KD2 / = 0.0139, KD3 / = 0.0203, y con controlador PID + DD KI1 / = 0.2185, KI2 / = 0.3892,
KI3 / = 0.3558, KP1 / = 0.2988, KP2 / = 0.0221, KP3 / = 0.1013, KD1 / = 0.1038, KD2 / = 0.1031, KD3
/ = 0.1122, KDD1 / = 0.0099, KDD2 / = 0.0216, KDD3 / = 0.0758. Las respuestas dinámicas
correspondientes a estos valores óptimos para cada controlador se obtienen y se comparan en la
figura 3 (a) - (f). Los tiempos de establecimiento y los picos de pico de las respuestas de la Fig. 3 se
anotan y proporcionan en la Tabla 1. Es claro a partir de la Fig. 3 y Tabla 1 que el controlador PID +
DD proporciona mejores respuestas dinámicas en términos de menor tiempo de establecimiento y
magnitudes menores de sobreimpulso máximo así como también magnitudes reducidas de
oscilaciones en comparación con los controladores I, PI y PID. Para investigar el rendimiento del
algoritmo ALO, las otras técnicas de optimización basadas en la población como GA, PSO, DE y FA se
utilizan para optimizar las ganancias del controlador PID + DD (KPi, KIi, KDi y KDDi) en el mismo
sistema de estudio a nivel nominal condiciones del sistema No se muestran los valores ajustados de
los parámetros de todos los algoritmos anteriores y los valores óptimos obtenidos. En la Fig. 4 se
compara la respuesta dinámica del sistema con las ganancias óptimas obtenidas a través de cada
una de las técnicas de optimización, es decir, los controladores PID + DD optimizados GA, PSO, DE,
FA y ALO. El análisis crítico revela que ALO optimizó PID + DD el controlador proporciona valores
menores de sobreimpulsos pico, oscilaciones y tiempo de establecimiento. Solo se muestran dos
respuestas dinámicas para la justificación de la declaración.
Análisis de sensibilidad
Para probar la solidez del controlador PID + DD, KPi*, KIi*, KDi* y KDDi* obtienen en
condiciones nominales contra las variaciones en las condiciones del sistema, como las
variaciones en la carga, la constante de inercia, la magnitud y la posición del SLP, el análisis
de sensibilidad se lleva a cabo
En esta sección, el controlador PID + DD se prueba contra una amplia variación de las
condiciones del sistema, como la carga y el parámetro del sistema (H) desde su condición
nominal. La carga nominal del sistema es del 50% y la constante de inercia H es de 5 s. La
carga del sistema y la constante de inercia (H) varían en ± 25% y ± 20% respectivamente. En
cada condición modificada, el controlador PID + DD gana KPi, KIi, KDi y KDDi se optimizan
de nuevo con el algoritmo ALO y se muestran en la Tabla 2. Las respuestas dinámicas con
ganancias correspondientes a condiciones nominales y cambiadas se comparan y se
muestran en las Figs. 5-8. Se puede ver en las Figs. 5-8 que las respuestas dinámicas con
ganancias óptimas correspondientes a las condiciones nominales y modificadas son más o
menos las mismas. Esto demuestra que la robustez de las ganancias óptimas del controlador
(KPi*, KIi*, KDi* y KDDi*) se obtiene en condiciones nominales para grandes variaciones en
las condiciones del sistema, como la carga y la constante de inercia.
Conclusión
La aplicación principal del controlador PID + DD se presenta como un controlador
secundario para AGC del sistema de interconexión térmica de tres áreas. El algoritmo de
optimización inspirado en la naturaleza llamado Anti lion optimizer se aplica para optimizar
las diferentes ganancias del controlador PID + DD como KPi, KIi, KDi y KDDi. El controlador
optimizado PIDD + DD de ALO tuvo un mejor rendimiento en comparación con los
controladores I, PI y PID en términos de tiempo (s) de establecimiento, exceso de pico y
oscilaciones. El análisis de sensibilidad revela que las ganancias óptimas del controlador PID
+ DD obtenidas en condiciones nominales y parámetros del sistema son lo suficientemente
robustas y no necesitan reiniciarse para variaciones amplias en las condiciones del sistema
tales como carga, constante de inercia, tamaño y posición de SLP. El rendimiento del
controlador optimizado PID + DD de ALO se encuentra mejor contra RLP como perturbación
en comparación con el controlador PID.