Control automtico de la generacin de un sistema multi-rea

usando el algoritmo del optimizador hormiga de len basado

en el controlador PID ms Doble Derivativo.
Abstracto
Este artculo presenta el control automtico de generacin de un sistema trmico de
tres zonas desigual. En cada rea de control se consideran las turbinas de
recalentamiento de una sola etapa y las restricciones de velocidad de generacin del
3% / min. Los controladores como Integral (I), Proporcional - Integral (PI), Proporcional
- Integral - Derivativo (PID) y Proporcional - Integral - Derivativo ms Derivativo de
Segundo Orden (PID + DD) son tratados como controladores secundarios por
separado. Una tcnica de optimizacin inspirada en la naturaleza llamada algoritmo
Ant Lion Optimizer (ALO) se utiliza para la optimizacin simultnea de las ganancias
del controlador. La comparacin de las respuestas dinmicas de las frecuencias y las
potencias de la lnea de unin correspondientes al optimizado ALO I, PI, PID y
controlador PID + DD revelan el mejor rendimiento del controlador PID + DD en
trminos de menor tiempo de asentamiento, sobrepasos mximos y oscilaciones
reducidas. La resistencia de las ganancias ptimas del mejor controlador obtenidas en
condiciones nominales se evala usando un anlisis de sensibilidad. Anlisis expuesto
de que las ganancias ptimas del controlador PID + DD obtenidas a la nominal son
resistentes y no es necesario reiniciar para cambios en la carga, parmetro como
inercia constante (H), tamao y posicin de la perturbacin. Adems, el rendimiento
del controlador PID + DD se encuentra mejor en comparacin con el controlador PID
frente a la condicin de patrn de carga aleatoria.

Introduccin
A medida que la complejidad del sistema de potencia est aumentando da a da, es
necesario mantener la frecuencia y las potencias de lnea de enlace dentro de sus
lmites predefinidos para mantener el sistema interconectado, fiable y seguro. Siempre
que hay un cambio en la carga en el sistema de potencia, las potencias de frecuencia
y de lnea de enlace se desvan de sus valores nominales o programados, lo cual es
indeseable y puede conducir al funcionamiento sin xito del sistema de potencia. Por
lo tanto, se requiere el control continuo entre la demanda de carga y la generacin,
que se denomina control de frecuencia de carga (LFC) o control de generacin
automtica (AGC), mantiene el error de control de rea (ACE) en cero. ACE es el
trmino utilizado para representar las desviaciones en la frecuencia y la lnea de
conexin de potencias como una combinacin lineal, que est dada por (1).

AC E i= Ptie jk + Bi f i (1)

Donde los sufijos i, j representan las reas (i = 1, 2, 3 y j = 1, 2, k = 2 (para k j), 3) y

Bi (factor de sesgo de rea i) = i (Caractersticas de respuesta de frecuencia
de rea (AFRC) del rea i). A partir de la encuesta de la literatura, se puede observar
que la cuestin LFC se estudia tanto en aislados, as como sistemas inter-conectados
de potencia [1 - 11]. Wang et al. [1] estudi AGC en el sistema de energa de rea
nica con restricciones de tasa de generacin (GRC). El concepto de modelado de
reas mltiples del sistema interconectado a travs de la lnea de unin es propuesto
por Elgerd et al. [2]. Los investigadores en [3-5] llevado a cabo AGC estudio de dos
reas interconectadas sistema de energa con ayuda del modelo propuesto en [2]. La
investigacin reciente se centra en un AGC de un sistema interconectado cuyas reas
de control son ms de dos [6, 8, 12, 13].
Para un mejor control de la frecuencia, aparte de la velocidad que rigen el sistema, se
puede ir por el controlador secundario que puede garantizar un cero ACE. AGC de un
sistema interconectado con controladores Integral y Proporcional - Integral (PI) se
presenta en Ref. [4]. Los autores de [6,7] presentaron AGC con el controlador
Proporcional - Integral - Derivativo (PID). Saikia et al. [8] introdujo un nuevo
controlador clsico, la derivada doble integral (IDD) y prob la superioridad del
controlador IDD sobre los controladores Integral (I), Proporcional-Integral (PI),
Proporcional-Integral-Derivativo (PID) e Integral - Derivativo . Sahu et al. [9] introdujo
dos grados de libertad Proporcional - Integral - Derivativo (2 DOF - PID) controlador en
AGC [9]. Alomoush [10] investig AGC de sistemas aislados e interconectados tanto
con el orden entero (IO) como con los controladores de orden fraccional (FO) y
concluy el mejor rendimiento de los controladores FO sobre los controladores IO.
Tcnicas inteligentes como la lgica difusa y las redes neuronales tambin se aplican
para investigar AGC
Nomenclatura

f Frecuencia del Sistema K pi Ganancia proporcional del

nominal (Hz) controlador PI, PID y PID +
DD en el rea i
i Subndice referido a la zona i K Di Ganancia derivada de los
(1, 2, 3) controladores PID y PID + DD
en el rea i
* Superndice denota valor K DDi Ganancia de derivada doble
ptimo del controlador PID + DD en el
rea i
Pri Potencia nominal del rea i Bi Caractersticas de respuesta
(MW) en frecuencia de rea (AFRC)
del rea i
( D i +1/R i)
Hi Constante de inercia del rea J ndice de costos
i (s)
fi


2
( Ptie j k 2+ dt), j=1, 2, k =2 ( para k j ) ,3

T
J =
0

P Di Cambio de carga incremental T Tiempo simultaneo (s)
en el rea i (p.u)
Di P Di / fi (pu/Hz) PI
T 12 ,T 23 ,T 13Sincronizacin de coeficientes fi Cambio incremental en la
frecuencia del rea i (Hz)
 Ri Parmetro de regulacin de Ptie ikCambio incremental en la
velocidad del regulador del potencia de la lnea de
rea i (Hz / pu MW) conexin que conecta entre el
rea i y el rea j (p.u)
T gi Constante de tiempo del w Constante basado en
regulador de vapor del rea i iteraciones
(s)
K ri Coeficiente de n Nmero de hormigas (tamao
recalentamiento de la turbina de la poblacin)
de vapor del rea i
T ri Constante de tiempo de t Paso de caminata aleatoria
recalentamiento de la turbina
de vapor del rea i (s)
T ti Constante de tiempo de la
turbina de vapor del rea i (s)
Bi Frecuencia de polarizacin
constante del rea i
T pi 2 H i /fDi
K pi 1/ Di (Hz/ pu)
K ji Integral de los controladores
Integral, PI, PID y PID + DD
en el rea i

cuestin [11, 12]. Sahu et al. [11] presentado lgica fuzzy controlador PI a AGC de dos
sistemas de rea donde como Kuntia et al. Aplicacin de la red neural enfoque para
estudiar multi-rea AGC [12]. Los inconvenientes de la lgica difusa y las redes
neuronales, como el consumo de tiempo en diferentes etapas como la formacin de
base de reglas y el entrenamiento de la red neuronal se sealan en [13].
Recientemente, en [14] los autores aplicaron un nuevo controlador llamado PID ms el
derivado de segundo orden (PID + DD) al sistema de regulador de voltaje automtico
(AVR) y demostraron un mejor rendimiento sobre los controladores PID y Orden
Fraccional PID (FOPID). El controlador PID + DD tambin demostr su resistencia
frente a las incertidumbres del modelo del sistema AVR. Sorprendentemente, el
controlador PID + DD no se presenta para estudiar el problema AGC. Esto necesita
ms investigaciones. ACE efectivamente se convertir en cero si y slo si las
ganancias del controlador se optimizan correctamente. Inicialmente para seleccionar
las ganancias del controlador se utiliz el mtodo clsico. La tcnica clsica es un
mtodo de prueba y error e ineficiente. Posteriormente, los investigadores utilizaron
algoritmos basados en la poblacin o tcnicas de optimizacin para obtener los
valores adecuados de las ganancias del controlador. Los algoritmos basados en la
poblacin evoluciona en diferentes etapas a travs de generaciones para encontrar la
mejor solucin ms apta. Sin embargo, la tcnica de optimizacin particular puede
desempearse mejor en la solucin de un problema especfico, mientras que otros
algoritmos no pueden. Diferentes tcnicas de optimizacin como el algoritmo gentico
(GA) [15], optimizacin de enjambre de partculas (PSO) [16], hbrido Optimizacin de
enjambre de partculas y bsqueda de patrones (hbrido PSO y PS) [11], Evolucin
diferencial (DE) (BFA) [18], algoritmo de bsqueda gravitacional (GSA) [7], algoritmo
de vuelo de fuego (FA) [13], el algoritmo de la lucirnaga hbrido y la bsqueda de
patrones (FA hbrido y PS) [19], Cuckoo Search (CS) [20], y Bat algoritmo (BA) [21],
etc., para optimizar las ganancias del controlador. El principal inconveniente del
Algoritmo Gentico (AG) es su convergencia prematura, lo que reduce la eficiencia de
bsqueda y se seala en [18]. Para superar esta desventaja autores presentaron la
tcnica BFO y prob el mejor rendimiento de BFO sobre la tcnica clsica y el
algoritmo gentico en [18]. Sahu et al. [7] aplicado algoritmo de bsqueda gravitacional
(GSA), que se inspira en las leyes newtonianas de la gravedad y el movimiento y
concluy GSA superioridad sobre GA, DE y BFO algoritmos. En Ref. [17] autores
aplicaron el algoritmo ABC y demostraron su mejor rendimiento en comparacin con
PSO. Debbarma et al. [13] present la aplicacin del algoritmo de la lucirnaga (FA)
que depende del comportamiento de destellos de las lucirnagas, al problema AGC.
Su estudio revela que la FA puede desempearse mejor que la tcnica BFO. Dash et
al. [20] aplic el algoritmo CS para optimizar diferentes dos niveles de libertad (2 DOF)
controladores y present el mejor rendimiento de CS sobre FA y BFO algoritmos con
ayuda de las caractersticas de convergencia. Algunos investigadores presentaron
Algoritmo Bat (BA) a AGC de sistema interconectado [21].

Fig. 1 Modelo de funcin de transferencia del sistema trmico interconectado de tres reas.
Fig. 2PID ms la estructura del controlador derivado de segundo orden.

Debido a las dificultades asociadas y la complejidad de AGC, los autores estn

buscando nuevos y eficientes algoritmos que pueden funcionar mejor que los
algoritmos existentes. Recientemente, Mirjalili introdujo un algoritmo inspirado en la
naturaleza llamado optimizador de hormiga len (ALO) [22]. Tambin es un algoritmo
basado en la poblacin que se basa en el mecanismo de caza de hormigas len en la
naturaleza. ALO se utiliza con xito para resolver diferentes tipos de funciones de
prueba, tales como unimodal, multi-modal y funciones compuestas. Las funciones
unimodales tienen valores ptimos nicos. En contraste, las funciones multimodales
tendrn ms de un valor ptimo, de los cuales uno es global ptimo. Las funciones
compuestas son en su mayora versiones combinadas, giradas, desplazadas y
sesgadas de funciones de prueba unimodales y multimodales. Para las funciones de
prueba unimodal ALO proporciona alta tasa de explotacin y convergencia debido al
mecanismo de encogimiento de lmites y al elitismo. Las funciones compuestas
tendrn ms nmero de optima locales y diferentes formas en diferentes reas de
espacios de bsqueda. En las funciones multimodales y compuestas, el algoritmo ALO
demostr ser mejor en la exploracin mejorada, la evitacin optima local, la
explotacin y la convergencia en diferentes formas de espacios de bsqueda. La alta
exploracin en las funciones multimodales y compuestas se debe a las selecciones
aleatorias de la caminata y de la rueda de la ruleta. ALO tambin se prueba con el
problema en tiempo real como la forma ptima de las hlices de la nave. La evaluacin
de desempeo de ALO con diferentes problemas y aplicaciones de marca de
referencia demuestra su mejor desempeo sobre otros algoritmos como GA, PSO, FA,
BA y CS.
Algunos autores tambin presentaron anlisis de sensibilidad para probar la
resistencia de los parmetros del controlador propuestos obtenidos en condiciones
nominales frente a incertidumbres del sistema tales como variaciones en la carga,
constante de inercia (H), tamao y posicin de las perturbaciones. En [8, 13, 18] los
autores presentaron sensibilidad frente a las variaciones en la carga y la inercia
constante de sus condiciones nominales. Sin embargo, el anlisis de sensibilidad no
se presenta en ningn estudio de AGC disponible en el pasado para ALO optimizado
PID + DD controlador ganancias.
En la literatura se dispone de un nmero muy menor de estudios [23, 24] sobre el
rendimiento del controlador cuando la naturaleza de la perturbacin cambia de fase a
aleatoria, es decir, patrn de carga aleatoria (RLP). Sin embargo, el rendimiento de
ALO optimizado al controlador PID + DD an no se ha estudiado contra RLP en AGC.
A partir de la discusin anterior, los siguientes son los principales objetivos del
presente trabajo.
a) Aplicacin algoritmo de optimizador de hormiga len (ALO) para la optimizacin
simultnea de las ganancias de diferentes controladores a saber, I, PI, PID y
PID + DD y la comparacin de las respuestas dinmicas correspondientes a
cada controlador para encontrar el mejor.
b) Anlisis de sensibilidad para el mejor controlador para grandes variaciones en
la carga del sistema, constante de inercia, tamao y posicin de perturbacin.
c) Prueba de rendimiento del mejor controlador con carga aleatoria
Patrn (RLP).
Sistema investigado
Se considera para estudio un sistema trmico interconectado de tres reas. Las
capacidades de las diferentes reas de control estn en la proporcin de 2: 5: 8. Cada
zona est equipada de una sola etapa para recalentar las turbinas. Tambin se
consideran las restricciones de velocidad de generacin (GRC) de 3% / min en cada
rea. Para tener todos los valores sobre la misma base, se toman los valores unitarios
en trminos de las capacidades de rea. Para ello se tienen en cuenta las cantidades
a12=2/5 , a23=5/8 y a13=1/4 . El modelo de funcin de transferencia
para el sistema de tres reas propuesto se muestra en la Fig. 1. Los parmetros
nominales del sistema se toman de [18] y se representan en el Apndice A. Los
controladores como I, PI, PID y PID + DD se consideran controladores secundarios por
separado. La dinmica del sistema se evala con 1% de la perturbacin de la carga
por etapas (SLP) en el rea 1. Las ganancias de los controladores se optimizan con la
ayuda del algoritmo optimizador de hormiga len (ALO) inspirado en la naturaleza. La
funcin de coste (J) considerada en esta optimizacin es el error cuadrtico integral
(ISE) y dado por la ecuacin (2). El modelo de simulacin y codificacin de ALO se
realiza en el software Matlab.
fi


Ptie jk 2
2+ dt


T
J =
0

Donde i= numero de rea (1, 2, 3), j= numero de rea (1, 2), k=2 (para k j), 3.
Algoritmo optimizador hormiga len
Recientemente, en 2015, Mirjalili propuso un algoritmo inspirado en la naturaleza
llamado optimizador hormiga len (ALO) que imita el comportamiento de caza de los
hormigas len en la naturaleza [22]. La fase larvaria y la fase adulta son dos etapas
importantes en el ciclo de vida de ALO. Las hormigas len cazan en fase de larvas y
usan la fase adulta para la reproduccin. La etapa larva es la inspiracin para el
algoritmo ALO. Las hormigas len cavan el hoyo en forma de cono en la arena
movindose en trayectoria circular y lanzando la arena hacia fuera con las quijadas.
Despus de cavar la trampa larvas esperan (hormigas). El tamao de la trampa
depende del nivel de hambre de la hormiga-len y del tamao de la luna. Si el nivel de
hambre o el tamao de la luna, es ms, el tamao de la trampa es ms y viceversa. Si
la presa est en la superficie del cono, caer fcilmente en ella. Si la hormiga len
encuentra la presa en la trampa, atrapar la presa. Existen principalmente cinco
operaciones en el algoritmo ALO, a saber, el movimiento aleatorio de hormigas, la
construccin de trampa, la captura de hormigas
Tabla 1. Los valores de tiempo (s) de asentamiento y de pico de rebasamiento de la
Fig. 3.
Tabla 2. Valores ptimos de variables en diferentes condiciones del sistema y
parmetros del sistema.

En trampas, captura de presas y reconstruccin de trampas. Esta sesin presenta

importantes pasos en el algoritmo ALO. Las posiciones aleatorias de las hormigas se
guardan en la matriz MAnt

A m , n , es el valor de m-ensima variable (dimensin) de n-ensima hormiga, n =

nmero de hormigas (tamao de poblacin). La aptitud de todas las hormigas se
almacenar en la matriz MOA en funcin de la funcin objetivo f.

La posicin y la condicin fsica de la hormiga-len estn representadas por las

matrices M Antlion , M OAL respectivamente.
Movimiento aleatorio de hormigas
Las hormigas se mueven al azar para buscar comida. El movimiento aleatorio de las
hormigas viene dado por la Ec. (7).

2 r ( t 1 )1, cumsum ( 2r ( t 2 )1 ) cumsum(2 r ( t n) 1)

0,cumsum (7)
X ( t )=

Donde cumsum representa la suma acumulativa, n = nmero mximo de hormigas, t =

paso de caminata aleatoria (iteracin) y

Rand es un nmero aleatorio producido con distribucin uniforme en [0,1].

Para restringir el movimiento aleatorio dentro del espacio de bsqueda, se utiliza la
forma normalizada, que se basa en la normalizacin min-max. La posicin de las
hormigas puede ser actualizada por la Ec. (9)
d
t
( m am )+C t (9)
t ( X tm am )(d m Ctm )
Xm=

t
Donde am , bm son mnimo y mximo de caminata aleatoria de hormigas, Cm
t
d m , representa mnima y mxima mth variable en tth iteracin.

Atrapamiento de hormigas
La expresin matemtica de la trampa de las hormigas a las fosas de la hormiga de
len est dada por las ecuaciones (10) y (11)
t t t
Cm = Antlio n m+ C (10)
 t t t
d m= Ant lio nn +d (11)

Construccin de la trampa
La ms apta hormiga len se selecciona utilizando el mtodo de la rueda de la ruleta.
Las Hormigas deslizndose hacia una hormiga len.
El deslizamiento de las hormigas en fosas es dado por las ecuaciones (12) y (13)

Ct
Ct = (12)
I

t
d
dt = (13)
I

Donde I = 10w t/ s , t es la iteracin actual, S es el nmero mximo de Iteraciones

y w es una constante cuyo valor es dado por
Fig 4. Comparacin de las respuestas dinmicas de GA, PSO, DE, FA y ALO.
( a ) 1= ( t ) , ( b ) Pue 13= ( t ) .

Fig 5. Comparacin de la desviacin de frecuencia en el rea 1 a 75% de

carga con valores ptimos correspondientes a 75% de carga y 50% de
carga.
Fig 6. Comparacin de la desviacin de frecuencia en el rea 1 al 25% de
carga con valores ptimos correspondientes al 25% de carga y 50% de
carga.

Fig.7 Comparacin de la desviacin de frecuencia en el rea 1 a H = 6 s

para valores ptimos correspondientes a H = 6 s y H = 5 s.
Fig 8. Desviacin de la frecuencia de comparacin en el rea 1 a H = 4 s
para valores ptimos correspondientes a H = 4 s y H = 5 s

Fig. 9 Comparacin de la desviacin de frecuencia en el rea 1 al 2% de

SLP en el rea 1 para los valores ptimos correspondientes al 2% de SLP y
1% de SLP en el rea 1.
Fig. 10 Comparacin de la desviacin de frecuencia en el rea 1 al 3% SLP
en el rea 1 para valores ptimos correspondientes al 3% SLP y 1% SLP en
el rea 1.

Fig. 11 Comparacin de la desviacin de frecuencia en el rea 1 al 1% de

SLP simultneamente en area1, area2 y area3 con valores ptimos
correspondientes al 1% de SLP simultneamente en area1, area2, area3 y
1% SLP en rea1.
 Fig. 12 Patrn de carga aleatorio.

Fig. 13 Comparacin de la desviacin de frecuencia en el rea 1 en el

patrn de carga aleatoria con los controladores PID y PID + DD con los
valores ptimos correspondientes.
Fig. 14 Comparacin de la desviacin de potencia de la lnea de unin en la
lnea que conecta entre el rea 2 y el rea 3 en el patrn de carga aleatoria
con los controladores PID y PID + DD con los valores ptimos
correspondientes.

Capturar el proceso de presa y reconstruccin del pozo

La hormiga len captura a la hormiga cuando alcanza el fondo del hueco y se lo come.
Despus de esto, la hormiga tiene que actualizar la posicin con el fin de atrapar una
nueva presa. Este proceso est representado por la ecuacin (15).

Elitismo

Elitismo se utiliza para mantener las mejores soluciones en cada etapa. La mejor
hormiga len obtenida se trata como elite, que es la hormiga len ms apta. La Elite
debe afectar a la hormiga len en cada etapa (movimiento al azar). Para ello se
supone que cada hormiga se asocia con una hormiga len por la rueda de la ruleta y la
lite que es dada por la ecuacin (16).

RA, RB representa el paseo al azar alrededor del len de la hormiga seleccionado y la

lite en iteracin t-sima simultneamente.
El algoritmo detallado est disponible en la Ref. [22]. En este trabajo con fines de
optimizacin, se considera el tamao de poblacin (n) = 10, el nmero mximo de
iteraciones (S) = 200. Algoritmo ALO probado para varias ejecuciones para obtener las
ganancias ptimas del controlador sujetas a una minimizacin de la funcin de coste J.

Controlador Proporcional - Integral - Derivativo ms Derivativo de Segundo

Orden (PID + DD)

El controlador Proporcional - Integral Derivativo (PID) es ampliamente usado debido

a su diseo sencillo y su rendimiento robusto frente a una amplia gama de condiciones
de funcionamiento. Un PID como estructura de un controlador Proporcional-Integral-
Derivativo ms Doble Derivativo (PID + DD) logro la atencin de los investigadores
para estudiar el sistema Regulador de Voltaje Automtico (AVR) [14]. El controlador
PID + DD consta de cuatro trminos de control mientras que tres mandos de control en
el controlador PID. La estructura del controlador PID + DD propuesto se muestra en la
Fig. 2. La entrada al controlador es la seal de error e (t) = ACE, donde la salida U (s),
del controlador est dada por la Ec. (17).

Donde KP, KI, KD y KDD son ganancias proporcionales, integrales, derivativas y

derivativas dobles del controlador PID + DD, ACE es el controlador de rea. La
principal diferencia entre el controlador PID y el controlador PID + DD es el trmino
extra derivado de segundo orden. Esto puede ser determinado por la ganancia de la
derivada doble (KDD). Los controladores de doble derivacin proporcionan resultados
prominentes que los controladores de una sola derivada [8]. Sin embargo, las
perturbaciones aumentan drsticamente en los controladores de doble derivacin. La
aplicacin del controlador PID + DD se realiza en el sistema AVR y se prob mejor que
los controladores PID de orden fraccional y PID. Los cuatro parmetros del controlador
se optimizan con el algoritmo de Ant Lion Optimizer (ALO) para encontrar la
minimizacin de la funcin de coste J sometida a

Los lmites inferior y superior se toman como 0 y 1 para todas las ganancias de los
controladores propuestos. Las respuestas dinmicas con PID + DD se comparan con
otros controladores.

Resultados y anlisis
Resultados comparativos de los controladores I, PI, PID y PID + DD

El algoritmo de Ant Lion Optimizer (ALO) se utiliza para optimizar las ganancias del
controlador de los controladores I, PI, PID y PID + DD por separado con 1% de SLP en
el rea 1 del sistema interconectado. Cuando el sistema se suministra con controlador
I, los valores ptimos obtenidos son:
 Con los controladores PI:

K I1 = 0.61158, K I 2 = 0.1615, K I 3 = 0.4035, K P1 = 0.0127, K P2

= 0.0100, K P3 = 0.1949

Con los controladores PID:

K I1 = 0.4899, K I 2 = 0.4031, K I 3 = 0.3542, K P1 = 0.0273, K P2 =

0.1103, K P3 = 0.1039,

K D1 = 0.1862, K D 2 = 0.0139, K D3 = 0.0203

Con el controlador PID + DD:

K I1 = 0.2185, K I 2 = 0.3892, K I 3 = 0.3558, K P1 = 0.2988, K P2

= 0.0221, K P3 = 0.1013,

K D1 = 0.1038, K D 2 = 0.1031, K D3 = 0.1122, K DD 1 = 0.0099, K
2
DD
= 0.0216, K DD 3 = 0.0758.

Controla KI 1 KI 2 KI 3 KP 1 KP 2 KP 3 KD 1 KD 2 KD 3 K DD 1 K DD 2 K DD 3
dor
I 0.756 0.39 0.52
9 43 91
PI 0.611 0.16 0.40 0.01 0.01 0.19
58 15 35 27 00 49
PID 0.489 0.40 0.35 0.02 0.11 0.10 0.18 0.01 0.02
9 31 42 73 03 39 62 39 03
PID + 0.218 0.38 0.35 0.29 0.02 0.10 0.10 0.10 0.11 0.00 0.02 0.07
DD 5 92 58 88 21 13 38 31 22 99 16 58

Las respuestas dinmicas correspondientes a estos valores ptimos para cada

controlador se obtienen y comparan en la Fig. 3 (a) - (f). El (los) tiempo (s) de
sedimentacin y las superaciones de pico de las respuestas de la Fig. 3, se
proporcionan en la Tabla 1. Es claro desde la Fig. 3 y la Tabla 1 que el controlador PID
+ DD proporciona mejores respuestas dinmicas en trminos de menor tiempo de
sedimentacin y menores magnitudes de sobrepaso de pico, as como magnitudes
reducidas de oscilaciones cuando se compara con los controladores I, PI y PID. Para
investigar el rendimiento del algoritmo ALO, se utilizan las otras tcnicas de
optimizacin basadas en la poblacin como GA, PSO, DE y FA para optimizar las
ganancias del controlador PID + DD (KPi, KIi, KDi, and KDDI) en el mismo sistema de
estudio en condiciones nominales del sistema. No se muestran los valores
sintonizados de los parmetros de todos los algoritmos anteriores y los valores
ptimos obtenidos. La comparacin de la respuesta dinmica del sistema con las
ganancias ptimas obtenidas a travs de cada una de las tcnicas de optimizacin, es
decir, el controlador optimizado PID + DD de GA, PSO, DE, FA y ALO en la Fig. 4. El
anlisis crtico revela que el controlador PID + DD optimizado por ALO proporciona
valores menores de sobrepasos de pico, oscilaciones y tiempo de sedimentacin. Slo
se muestran dos respuestas dinmicas para la justificacin de la declaracin.

Anlisis de sensibilidad

KPi
Para probar la rigidez de las ganancias del controlador PID + DD , KIi ,

KDi
KDDi
y obtenidas en condiciones nominales frente a variaciones en las
condiciones del sistema tales como variaciones en la carga, constante de inercia,
magnitud y posicin de SLP, se lleva a cabo.

Anlisis de sensibilidad para las variaciones en la carga y la inercia constante (H)

En esta seccin, el controlador PID + DD es probado frente a una amplia variacin de

las condiciones del sistema como la carga y el parmetro del sistema (H) desde su
condicin nominal. La carga nominal del sistema es de 50% y la constante de inercia H
es de 5 s. La carga del sistema y la constante de inercia (H) varan 25% y 20%,
respectivamente. En cada condicin cambiada las ganancias del controlador PID + DD
KPi, KIi, KDi y KDDi se optimizan de nuevo con el algoritmo ALO y se muestran en la
Tabla 2. Las respuestas dinmicas 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 dinmicas con ganancias ptimas correspondientes a
condiciones nominales y cambiadas son ms o menos iguales. Esto demuestra la

robustez de las ganancias ptimas del controlador ( KPi , KIi , KDi y KDDi
) se obtiene en condiciones nominales para grandes variaciones en las condiciones del
sistema como carga e inercia constante.

Rendimiento del controlador PID + DD contra el tamao y la posicin de SLP

En este caso, el controlador PID + DD se prueba para la robustez contra magnitudes

mayores y diferentes posiciones de SLP. El sistema de estudio se proporciona con 2%
de SLP, 3% de SLP en el rea 1 y 1% de SLP en todas las reas de control (rea1,
rea2 y rea3) por separado. En cada caso, las ganancias del controlador PID + DD
como DD KPi, KIi, KDi y KDDi se optimizan y se representan en la Tabla 2. Las
respuestas dinmicas del sistema con ganancias de controlador correspondientes a
condiciones SLP nominales y cambiadas se muestran en las Figs. 9-11. Es claro que
desde Figs. 9-11 que el rendimiento del controlador PID + DD con los parmetros
ptimos de condicin SLP nominal y modificada es ms o menos igual, lo que
demuestra la solidez del controlador PID + DD contra el valor ms alto de SLP as
como SLPs simultneos en todas las reas de control.

Rendimiento del controlador PID + DD contra patrn de carga aleatoria (RLP)

Para analizar el rendimiento del controlador PID + DD contra la naturaleza aleatoria de
la carga, un patrn de carga aleatoria (RLP) como se muestra en la Fig. 12 se aplica
en el rea 1 como perturbacin. Los controladores PID y PID + DD se consideran el
sistema como controladores secundarios y en ambos casos las ganancias del
controlador se optimizan con ALO. Cuando el sistema est provisto de controlador
PID, los valores ptimos obtenidos son:
KI 1 = 0.2011, KI 2 = 0.3463, KI 3 = 0.6461,
1 = 0.3110,
KP
KP2 =

KP3
0.2100, = 0.0100,
1 = 0.0936,
KD 2
KD 3 = 0.0167
KD
= 0.0100,
Y con el controlador PID + DD son:
KI 1 = 0.2145, KI 2 = 0.0763, KI 3 = 0.3287,
1 = 0.2036, ,
KP
KP2

KP3
= 0.0108, , = 0.1726,
1 = 0.2642,
KD 2
KD 3 = 0.0140,
KD 1 = 0.0376,
KDD
= 0.0100,
2
KDD 3
KDD
= 0.0200, = 0.0520.
Las respuestas dinmicas del sistema con valores ptimos correspondientes a PID y
PID + DD con RLP se comparan y se muestran en las Figs. 13 y 14. De las Figs. 13 y
14 se ve claramente que el controlador PID + DD super al controlador PID en
trminos de desviaciones y las oscilaciones contra patrn de carga aleatoria.

Conclusin
La principal aplicacin del controlador PID + DD se presenta como controlador
secundario para AGC de tres reas del sistema interconectado trmico. El algoritmo de
optimizacin inspirado en la naturaleza llamado Ant lion optimizer se aplica para
optimizar las diferentes ganancias del controlador PID + DD como KPi, KIi, KDi y
KDDi. El controlador PIDD + DD optimizado con ALO se comport mejor en
comparacin con los controladores I, PI y PID en trminos de tiempo (s) de
sedimentacin, sobrepaso de pico y oscilaciones. El anlisis de sensibilidad revela que
las ganancias ptimas del controlador PID + DD obtenidas en las condiciones
nominales y en el parmetro del sistema son suficientemente robustas y no necesitan
ser reiniciadas para grandes variaciones en las condiciones del sistema tales como
carga, inercia constante, tamao y posicin de SLP. El rendimiento de ALO optimizado
PID + DD controlador se encuentra mejor frente a RLP como perturbacin en
comparacin con el controlador PID.

Apndice A
Los parmetros nominales del sistema son:
f = 60 Hz; Tgi = 0.08 s; Tti = 0.3 s; Tri = 10 s; Kri = 0.5; Kpi = 120 Hz/pu MW; Tpi = 20
s; T12 = 0.086 pu MW/rad; Hi = 5 s; Di = 8.33 * 10-3 pu MW/Hz; Bi = bi = 0.425 pu
MW/Hz; Ri = 2.4 pu Hz/MW; loading = 50%.