Control predictivo Modulado basado en redes neuronales para un inversor de voltaje trifásico de tres niveles

Abstract

El control predictivo modulado (M2PC) ha sido ampliamente estudiado en electrónica de potencia gracias a su capacidad de mantener fija la frecuencia de conmutación de los convertidores de potencia, y por tanto, reducir nivel de distorsión armónica total (THD) comparado con el control predictivo de estados finitos (FCS-MPC). Una frecuencia de conmutación fija es útil para el diseño de inversores. Desafortunadamente, los controladores M2PC requieren de un coste computacional más elevado que los FCS-MPC, ya a que, los M2PC realizan más cálculos para determinar la acción de control. Esto limita su uso en inversores multinivel (MLIs), puesto que la cantidad de conmutaciones es mayor comparado con inversores de dos niveles. En la literatura se pueden encontrar propuestas para reducir el coste computacional de los controladores predictivos; entre las cuales se puede resaltar el aproximar a un FCS-MPC mediante el uso de redes neuronales artificiales (ANNs). No obstante, usar una aproximación mediante ANNs aumenta el THD resultante que ya de por si tiene presente un FCS-MPC. El presente trabajo propone el uso de una ANN para aproximar el comportamiento de un control M2PC, a fin de no solo reducir el coste computacional, sino que también de mermar el THD, y al aplicarlo a un inversor de voltaje trifásico de tres niveles (3f-3L-VSI). La principal diferencia con previas propuestas similares radica en que la propuesta de este trabajo se basa en realizar una regresión múltiple mediante una ANN, y con ello predecir el voltaje promedio óptimo que el inversor debe generar. Los resultados de la investigación muestran que, en efecto, el controlador neuronal propuesto (ANN-M2PC) posee un coste computacional mucho menor que su contra parte M2PC, y que al mismo tiempo conserva una frecuencia constante de conmutación, además de un bajo THD.