Professional Documents
Culture Documents
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)
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.
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.
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
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).
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
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
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.
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%.