Diseño y simulación de un control neuronal aplicado a un convertidor flyback para la regulación de tensión

  • Óscar Eduardo López-Manchola Universidad Distrital Francisco José de Caldas
  • Juan David Gómez-Buitrago Universidad Distrital Francisco José de Caldas http://orcid.org/0000-0002-9136-7849
  • Andrés Eduardo Gaona-Barrera Universidad Distrital Francisco José de Caldas
  • Nelson Leonardo Díaz-Aldana Universidad Distrital Francisco José de Caldas http://orcid.org/0000-0003-0202-0489

Resumen

Este artículo presenta el diseño y simulación de un controlador basado en redes neuronales para regular la tensión de salida de un convertidor flyback. Se usan redes neuronales, ya que estas no requieren de un modelo matemático del convertidor, y, por tanto, se obtiene un mayor rango de operación respecto a métodos de control tradicional. En el entrenamiento se realizan cambios en la base de datos y en la arquitectura para obtener el controlador más apropiado, que garantice la regulación de línea y carga del convertidor. La validación del controlador neuronal funcional se realiza en Simulink con el modelo circuital de un convertidor flyback, sometiéndolo a cambios en la tensión de entrada y en la carga resistiva. Los resultados obtenidos muestran la efectividad del control neuronal para la regulación de línea entre 20 V y 50 V, regulación de carga entre 8 Ω y 12 Ω, y cuya arquitectura está conformada por cuatro neuronas.

Palabras clave: Aprendizaje de máquina, control inteligente, convertidor flyback, red neuronal, regulador de tensión, Simulink, efectividad del control neuronal, cuatro neuronas

Descargas

La descarga de datos todavía no está disponible.

Referencias

[1] C. L. T. Rodríguez, N. L. D. Aldana, J. A. H. Mora, “Controller design for a flyback converter, in operating interconnected to grid mode, for photovoltaic applications”, Revista. Facultad de Ingeniería., no. 65, pp. 16-32, 2012.

[2] C. M. Pappalardo, D. Guida, “Use of the adjoint method for controlling the mechanical vibrations of nonlinear systems”, Machines, vol. 6, no. 2, pp. 19, 2018, doi: 10.3390/machines6020019.

[3] J. S. Gill, D. K. Owen, M. Braylovskiy, “Apparatus, system, and method for improving the power efficiency of telecommunications devices”, U.S. Patent No 10,063,049, 28-Ago-2018.

[4] J. Schoukens, L. Ljung, “Nonlinear system identification: A user-oriented road map”, IEEE Control Syst. Mag., vol. 39, no. 6, pp. 28-99, 2019, doi: 10.1109/MCS.2019.2938121.

[5] X. Yue, B. Su, “Predictive Functional Control of Nonlinear Systems Based on Multiple LPV Models”, en 2019 Chinese Automation Congress (CAC), 2019, pp. 5210-5214, doi: 10.1109/CAC48633.2019.8997055.

[6] K. M. Tsang, W. L. Chan, y X. L. Wei, “Robust DC/DC buck converter using conditional integrator compensator”, Electron. Letters, vol. 44, no. 2, pp. 152-154, 2008.

[7] Z. Yu, J. Zeng, J. Liu, F. Luo, “Terminal sliding mode control for dual active bridge DC-DC converter with structure of voltage and current double closed loop”, en 2018 Australian & New Zealand Control Conference (ANZCC), 2018, pp. 11-15, doi: 10.1109/ANZCC.2018.8606608.

[8] M. M. Seron, J. H. Braslavsky, Sistemas no lineales. Bogotá, Colombia: Universidad Nacional del Rosario, 2000.

[9] M. Santos, “Un enfoque aplicado del control inteligente”, Rev. Iberoamericana de Automática e Informática Industrial RIAI, vol. 8, no. 4, pp. 283-296, 2011, doi: 10.1016/j.riai.2011.09.016.

[10] J. J. Montaño Moreno et. al, “Redes neuronales artificiales aplicadas al análisis de datos”, tesis doctoral, Universitat de les Illes Balears, 2017.

[11] P. Cossutta, M. P. Aguirre, A. Cao, M. A. Engelhardt, M. I. Valla, “Implementación de un algoritmo DSOGI-PLL en una FPGA para sincronización con la red de convertidores de potencia”, en 2014 IEEE Biennial. Congress of. Argentina, ARGENCON 2014, 2014, pp. 651-656, doi: 10.1109/ARGENCON.2014.6868566.

[12] M. Salimi, M. Hamedi, “Adaptive nonlinear control of the flyback switch mode power supplies”, en 2017 Int. Conf. Mech. Syst. Control Eng. ICMSC 2017, 2017, pp. 392-396, doi: 10.1109/ICMSC.2017.7959508.

[13] S. Messalti, A. Harrag, A. Loukriz, “A new variable step size neural networks MPPT controller: Review, simulation and hardware implementation”, Renew. Sustain. Energy Rev., vol. 68, no. 1, pp. 221-233, 2017, doi: 10.1016/j.rser.2016.09.131.

[14] A. Pagni, R. Poluzzi, G. Rizzotto, M. Lo Presti, “DC/DC converters fuzzy control”, IFIS 1993 - 3rd International Conference on Industrial Fuzzy Control Intelligent Systems, 1993, pp. 14-17, doi: 10.1109/IFIS.1993.324222.

[15] M. Salimi, J. Soltani, A. Zakipour, V. Hajbani, "Sliding mode control of the DC-DC flyback converter with zero steady-state error", en 4th Annual International Power Electronics, Drive Systems and Technologies Conference, 2013, pp. 158-163, doi: 10.1109/PEDSTC.2013.6506695.

[16] R. W. Erickson, “Fundamentals of Power Eletronics”, en Fundamentals of Power Eletronics, Second., KluwerAcademic Publishers, 2001, pp. 146-168.

[17] I. Javier, A. Guacaneme, “Análisis y diseño de los conversores DC / DC básicos: el reductor, el elevador y el reductor-elevador. Consideraciones de tensión, corriente y potencia de cada elemento que compone el circuito”, tesis de grado, Universidad Distrital Francisco José de Caldas, 2018.

[18] D. Hart, Electrónica de Potencia. Madrid, España: Prentice Hall, 2001.

[19] F. Semiconductor et al., “The Flyback Converter,” Appl. Mech. Mater., vol. 734, no. September, p. 11, 2013.

[20] M. H. Rashid, “Electronica de Potencia Rashid”, en Electrónica de potencia, Pretince Hall, 1995, pp. 478-481.

[21] F. Villada, N. Muñoz, E. García, “Redes neuronales artificiales aplicadas a la predicción del precio del oro”, Información Tecnológica., vol. 27, no. 5, pp. 143-150, 2016, doi: 10.4067/S0718-07642016000500016.

[22] D. J. Matich, Redes Neuronales: Conceptos básicos y aplicaciones vol. 41. México: Universidad Tecnológica Nacional de México, 2001.

[23] S. D. Hernández, F. T. Córdova, “Simulación de una red neuronal con mapas auto-organizados (som) de kohonen”, Jóvenes en la Ciencia., vol. 3, no. 2, pp. 2650-2653, 2017.

[24] R. Salas, Redes neuronales artificiales vol. 1. Chile: Univ. Valparaíso, 2004.

[25] G. Deshpande, P. Wang, D. Rangaprakash, B. Wilamowski, “Fully connected cascade artificial neural network architecture for attention deficit hyperactivity disorder classification from functional magnetic resonance imaging data”, IEEE Transactions on Cybernetic., vol. 45, no. 12, pp. 2668-2679, 2015, doi: 10.1109/TCYB.2014.2379621.

[26] F. H. Martínez, D. Gómez, M. Castiblanco, “Evaluation of a neural control with optimal architecture for a dc/dc converter”, en The ieee 2010 international power electronics conference-ecce asia-ipec-sapporo, 2010, pp. 53-57.

[27] Y. M. Buswig, A. K. B. H. Othman, N. Bin Julai, S. S. Yi, W. M. Utomo, A. J. L. M. Siang, “Voltage tracking of a multi-input interleaved buck-boost DC-DC converter using artificial neural network control”, J. Telecommunications Electron. Computer Engineering, vol. 10, no. 1-12, pp. 29-32, 2018.

[28] W. M. Utomo, A. Bakar, M. Ahmad, T. Taufik, R. Heriansyah, “Online learning neural network control of buck-boost converter”, en Proc. - 2011 8th International Conference on Information Technology: New Generations. ITNG 2011, pp. 485-489, doi: 10.1109/ITNG.2011.216.

[29] W. M. Utomo, S. S. Yi, Y. M. Y. Buswig, Z. A. Haron, A. A. Bakar, M. Z. Ahmad, “Voltage Tracking of a DC-DC Flyback Converter Using Neural Network Control”, Int. J. Power Electron. Drive Syst., vol. 2, no. 1, pp. 35-42, 2012.

[30] M. T. Hagan, H. B. Demuth, O. D. E. Jesús, “An introduction to the use of neural networks in control systems”, International Journal of Robust and Nonlinear Control: IFAC‐Affiliated Journal, vol. 12, no 11, pp. 959-985, 2002, doi: 10.1002/rnc.727.

[31] J. Amrutha, A. S. Remya Ajai, “Performance analysis of Backpropagation Algorithm of Artificial Neural Networks in Verilog”, en 2018 3rd IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT), 2018, pp. 1547-1550, doi: 10.1109/RTEICT42901.2018.9012614.

[32] S. Basterrech, S. Mohammed, G. Rubino, M. Soliman, “Levenberg—Marquardt Training Algorithms for Random Neural Networks”, The Computer Journal, vol. 54, no. 1, pp. 125-135, 2011, doi: 10.1093/comjnl/bxp101.

[33] Z. Dlugosz, R. Dlugosz, “Nonlinear Activation Functions for Artificial Neural Networks Realized in Hardware”, en 2018 25th International Conference "Mixed Design of Integrated Circuits and System" (MIXDES), 2018, pp. 381-384, doi: 10.23919/MIXDES.2018.8436869.

[34] K. Khalil, O. Eldash, B. Dey, A. Kumar, M. Bayoumi, “A Novel Reconfigurable Hardware Architecture of Neural Network”, en 2019 IEEE 62nd International Midwest Symposium on Circuits and Systems (MWSCAS), 2019, pp. 618-621, doi: 10.1109/MWSCAS.2019.8884809.
Publicado
2021-07-16