Control automático de la generación de un sistema

multi-área usando el algoritmo optimizador hormiga

de león basado en el controlador PID más derivativo
de segundo orden.
Integrantes:
Castillo Hernández brenda
Castrejón albavera Leslie Dayana
López Eder
 Abstracto
Se presenta el control automático de generación de un sistema térmico de tres zonas desiguales. En
cada área de control se consideran turbinas de recalentamiento en una sola etapa y las restricciones de
velocidad de generación del 3% / min. Los controladores como Integral (I), Proporcional - Integral
(PI), Proporcional - Integral - Derivativo (PID) y Proporcional - Integral - Derivativo más Derivativo
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 la línea de unión correspondientes al
optimizado por ALO con los controladores I, PI, PID y PID + DD revelan el mejor rendimiento el
controlador PID + DD en términos de menor tiempo de asentamiento, sobrepasos máximos y
oscilaciones reducidas.
La robustez de las ganancias óptimas del mejor controlador obtenidas en condiciones nominales se
evalúa usando un análisis de sensibilidad. Análisis expuesto de que las ganancias óptimas del
controlador PID + DD obtenidas a la nominal son robustas y no es necesario reiniciar para cambios
en la carga, parámetro como inercia constante (H), tamaño y 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 aleatoria.
 Introducción
Siempre que hay un cambio en la carga en el sistema de potencia, las potencias de frecuencia y de línea
de unión se desvían de sus valores nominales o programados, lo cual es indeseable y puede conducir al
funcionamiento sin éxito del sistema de potencia. Por lo tanto, se requiere el 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 en la frecuencia y la
línea de conexión de poderes como una combinación lineal, que está dada por (1).
𝐴𝐶𝐸𝑖 = ∆𝑃𝑡𝑖𝑒 𝑗−𝑘 + 𝐵𝑖 ∆𝑓𝑖 (1)

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

y 𝐵𝑖 (factor de sesgo de área i) = 𝛽𝑖 (Características de respuesta de frecuencia de
área (AFRC) del área i).
Los investigadores han llevado a cabo AGC estudio de dos áreas interconectadas sistema de energía
con ayuda del modelo propuesto por Elgerd. La investigación reciente se centra en AGC un sistema
interconectado cuyas áreas de control son más de dos.
Recientemente, los autores aplicaron un nuevo controlador llamado PID más la derivada de
segundo orden (PID + DD) al sistema de regulador de voltaje automático (AVR) y demostraron un
mejor rendimiento sobre los controladores PID y PID de orden fraccionario (FOPID).
• El controlador PID + DD también demostró su resistencia frente a las
incertidumbres del modelo del sistema AVR.
• El controlador PID + DD no se presenta para estudiar el problema AGC.
Inicialmente para seleccionar las ganancias del controlador se utilizó el método
clásico. La técnica clásica es un método de prueba y error e ineficiente.
Fig. 1 Modelo de función de transferencia del sistema térmico interconectado de tres áreas.
Recientemente, Mirjalili introdujo un algoritmo inspirado en la naturaleza llamado
optimizador de hormiga león (ALO).
• Se basa en el mecanismo de caza de hormigas león en la naturaleza.
• Se utiliza con éxito para resolver diferentes tipos de funciones de prueba, tales
como unimodal, multi-modal y funciones compuestas.
Las funciones unimodales tienen valores óptimos únicos. En contraste, las
funciones multimodales tendrán más de un valor óptimo, de los cuales uno es
global óptimo. Las funciones compuestas son en su mayoría versiones
combinadas, giradas, desplazadas y sesgadas de funciones de prueba unimodales y
multimodales.
Los siguientes son los principales objetivos del presente trabajo.

a) Aplicación algoritmo de optimizador de hormiga león (ALO) para la

optimización simultánea de las ganancias de diferentes controladores a saber,
I, PI, PID y PID + DD y la comparación de las respuestas dinámicas
correspondientes a cada controlador para encontrar el mejor.
a) Análisis de sensibilidad para el mejor controlador para grandes variaciones
en la carga del sistema, constante de inercia, tamaño y posición de
perturbación.
b) Prueba de rendimiento del mejor controlador con carga aleatoria
Patrón (RLP).
• Para las funciones de prueba unimodal, ALO proporciona alta tasa de explotación y convergencia debido al
mecanismo de encogimiento de límites y al elitismo. Las funciones compuestas tendrán más número de optima
locales y diferentes formas en diferentes áreas de espacios de búsqueda.
• En las funciones multimodales y compuestas, el algoritmo ALO demostró ser mejor en la exploración mejorada,
la evitación optima local, la explotación y la convergencia en diferentes formas de espacios de búsqueda.
 SISTEMA INVESTIGADO
DESCRIPCIÓN DEL SISTEMA.
• Sistema térmico interconectado en tres áreas, cada área distinta con las siguientes relaciones: 𝑎12 =
− 2/5 , 𝑎23 = −5/8 y 𝑎13 = −1/4.
• Cada zona cuenta con una etapa para recalentar la turbina.
• Cuenta con restricciones de velocidades de generación (GRC) de 3%/min.
• Los controladores en este sistema se toman por separado y se evalua con 1% de perturbación de carga
por etapa (SIP).
 ALGORITMO OPTIMIZADOR DE HORMIGA
LEON.
En el sistema las ganancias de los controladores se optimizan con la ayuda del algoritmo optimizador de
hormiga león (AOL).

𝑇
𝐽 = න (∆𝑓𝑖 )2 + (∆𝑃𝑡𝑖𝑒 𝑗−𝑘 )
2
𝑑𝑡
0
Donde:
𝐽: el error cuadrático integral.
𝑖= numero de área (1,2,3)
𝑗= numero de área 1,2
𝑘= 2 (para 𝑘ǂ𝑗), 3
 DESCRIPCIÓN DEL AOL.
• En el 2015 Mirjalili, se inspiro en la naturaleza para crear un algoritmo
llamado optimizador hormiga león, donde imita el comportamiento de caza
de este animal.
• Se divide en dos etapas: la etapa larva y la fase adulta.
• La etapa larva es la inspiración para este algoritmo.
5 OPERACIONES PARA EL ALGORITMO
ALO
Movimiento aleatorio de hormigas.
Construcción de la trampa
Captura de hormigas en trampas
Captura de presas
Reconstrucción de trampas
 Para el movimiento aleatorio de hormigas…
• Se toma en cuenta las posiciones aleatorias donde se realiza la siguiente matriz:

• Para la aptitud de todas las hormigas se hace la siguiente matriz, en función de la

función objetiva f.
• La posición y condición física de las hormigas león están en las siguientes matrices:

• Para el movimiento aleatorio de las hormigas se tiene la siguiente ecuación:

𝑋 𝑡 = 0, 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟 𝑡1 − 1, 𝑐𝑢𝑚𝑠𝑢𝑚 2𝑟 𝑡2 − 1 … 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟 𝑡𝑛 − 1)
• Y para la expansión:
• Para que exista una restricción del movimiento aleatorio dentro del espacio
de búsqueda se utiliza la forma normalizada que representa un minimo y
máximo, la posición de la hormiga se actualiza de la siguiente manera:
𝑡 −𝑎 )(𝑑 −𝐶 𝑡 )
(𝑋𝑚
𝑡
𝑋𝑚 = 𝑚 𝑚 𝑚
+ 𝐶𝑡
𝑡 −𝑎 )
(𝑑𝑚 𝑚

Donde 𝑎𝑚 𝑑𝑚 son el minimo y máximo de caminata aleatoria de la hormiga.

• Atrapamiento de hormigas: la expresión matemática de la trampa de las hormigas a
las fosas de la hormiga de león está dada por las ecuaciones:

𝑡 = 𝐴𝑛𝑡 − 𝑙𝑖𝑜𝑛𝑡 + 𝐶 𝑡
𝐶𝑚 𝑚
𝑡
𝑑𝑚 = 𝐴𝑛𝑡 − 𝑙𝑖𝑜𝑛𝑛𝑡 + 𝑑 𝑡
 PARA LA CONSTRUCCIÓN DE
TRAMPA…
La hormiga león más apta se selecciona utilizando el método de la rueda de la ruleta,
donde las hormigas se deslizan hacia una hormiga león. Este deslizamiento en las fosas
esta dado por:
𝑡 𝑡
𝐶 𝑑
𝐶𝑡 = ; 𝑑𝑡 =
𝐼 𝐼
Donde:
𝐼= 10𝑤 𝑡/𝑠, t es la iteración actual
s= es el número máximo de Iteraciones
w=
 CAPTURA DE PRESAS Y RECONSTRUCCIÓN
DE TRAMPAS

• En esta etapa la hormiga león captura a la hormiga ya que cayo al fondo del oyo y se
lo come. Después la hormiga tiene que actualizar la posición con el fin de atrapar de
nuevo. Este proceso se expresa de la siguiente manera:

𝑡 𝑖𝑓 𝑓 𝐴𝑛𝑡 𝑡 > 𝑓(𝐴𝑛𝑡𝑙𝑖𝑜𝑛𝑡 )

𝐴𝑛𝑡 𝑙𝑖𝑜𝑛𝑛𝑡 = 𝐴𝑛𝑡𝑚 𝑚 𝑗
 ELITISMO
Se utiliza para mantener las mejores soluciones en cada etapa. La mejor hormiga león obtenida
se trata como elite, que es la hormiga león más apta. Para ello se supone que cada hormiga se
asocia con una hormiga león por la rueda de la ruleta y la élite que es dada por la ecuación:

𝑡 𝑡
𝑅𝐴 +𝑅𝐵
𝐴𝑛𝑡 𝑡 =
2

Donde: RA, RB representa el paseo al azar alrededor del león de la hormiga seleccionado y la
élite en iteración t-ésima simultáneamente.
 CONTROLADOR PROPORCIONAL - INTEGRAL -
DERIVATIVO MÁS DERIVATIVO DE SEGUNDO ORDEN
(PID + DD)
• Se estudio el sistema Regulador de Voltaje Automático (AVR), utilizando el
controlador PID+DD, consta de cuatro términos de control y su estructura queda
de la siguiente forma:

• Para determinar la salida del controlador se tiene la siguiente ecuación:

𝐾𝐼
𝑈 𝑠 = 𝐾𝑝 + + 𝐾𝐷𝑆 + 𝐾𝐷𝐷𝑆 2 ∗ 𝐴𝐶𝐸
𝑠
• El controlador PID+DD resulta ser mejor que el controlador PID.
Los controladores de doble derivación proporcionan resultados prominentes que los
controladores de una sola derivada. Sin embargo, las perturbaciones aumentan
drásticamente en los controladores de doble derivación
Los cuatro parámetros del controlador se optimizan con el algoritmo de (ALO) para
encontrar la minimización de la función de coste J sometida a:
 Resultados y análisis
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 área 1 del sistema interconectado.

Controlador 𝐾𝐼1ሶ 𝐾𝐼2ሶ 𝐾𝐼3ሶ ሶ

𝐾𝑃1 ሶ
𝐾𝑃2 ሶ
𝐾𝑃3 ሶ
𝐾𝐷1 ሶ
𝐾𝐷2 ሶ
𝐾𝐷3 ሶ
𝐾𝐷𝐷1 ሶ
𝐾𝐷𝐷2 ሶ
𝐾𝐷𝐷3
I 0.7569 0.3943 0.5291

PI 0.61158 0.1615 0.4035 0.0127 0.0100 0.1949

PID 0.4899 0.4031 0.3542 0.0273 0.1103 0.1039 0.1862 0.0139 0.0203

PID + DD 0.2185 0.3892 0.3558 0.2988 0.0221 0.1013 0.1038 0.1031 0.1122 0.0099 0.0216 0.0758
Las respuestas dinámicas correspondientes a estos valores óptimos para cada controlador se
obtienen y comparan en la Fig. 3 (a) - (f).
 El (los) tiempo (s) de sedimentación y las superaciones de pico de las respuestas de la
Fig. 3, se proporcionan en la Tabla 1.

Tabla 1. Los valores de ajuste del tiempo (s) y de sobrepaso de pico de la Fig. 3.

Es claro desde la Fig. 3 y la Tabla 1 que el controlador PID + DD proporciona mejores

respuestas dinámicas en términos de menor tiempo de sedimentación y menores
magnitudes de sobrepaso de pico, así como magnitudes reducidas de oscilaciones
cuando se compara con los controladores I, PI y PID.
La comparación de la respuesta dinámica del sistema con las ganancias óptimas
obtenidas a través de cada una de las técnicas de optimización, es decir, el controlador
optimizado PID + DD de GA, PSO, DE, FA y ALO en la Fig. 4.

Fig. 4 Comparación de las respuestas dinámicas de GA, PSO, DE, FA y ALO.

𝑎 𝛥ƒ1 = ƒ 𝑡 , 𝑏 𝛥𝑃𝑢𝑒1−3 = ƒ 𝑡 .
 Análisis de sensibilidad para las variaciones en la carga y la
inercia constante (H)
El controlador PID + DD es probado frente a 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 de 50% y la constante de inercia H es de 5 s. La carga del
sistema y la constante de inercia (H) varían ± 25% y ± 20%, respectivamente.
En cada condición cambiada las ganancias del controlador PID + DD KPi, KIi, KDi,
and KDDI se optimizan de nuevo con el algoritmo ALO y se muestran en la Tabla 2.

Tabla 2. Valores óptimos de variables en diferentes condiciones del sistema y parámetros del sistema.
 Las respuestas dinámicas con ganancias correspondientes a condiciones nominales y
cambiadas se comparan y se muestran en las Figs. 5-8.

Fig 5. Comparación de la desviación de frecuencia en el área 1 a Fig 6. Comparación de la desviación de frecuencia en el área 1
75% de carga con valores óptimos correspondientes a 75% de al 25% de carga con valores óptimos correspondientes al 25%
carga y 50% de carga. de carga y 50% de carga.
Fig.7 Comparación de la desviación de frecuencia en el área 1 a Fig 8. Desviación de la frecuencia de comparación en el área 1 a
H = 6 s para valores óptimos correspondientes a H = 6 s y H = 5 s. H = 4 s para valores óptimos correspondientes a H = 4 s y H = 5 s
 Rendimiento del controlador PID + DD contra el
tamaño y la posición de SLP
Tabla 2. Valores óptimos de variables en diferentes condiciones
En este caso, el controlador PID + DD del sistema y parámetros del sistema.
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 área 1 y 1% de SLP en
todas las áreas de control (área 1, área 2
y área 3) por separado. En cada caso,
las ganancias del controlador PID +
DD como KPi, KIi, KDi, y KDDI se
optimizan y se representan en la Tabla
2.
 Las respuestas dinámicas del sistema con ganancias de controlador correspondientes a
condiciones SLP nominales y cambiadas se muestran en las Figs. 9-11.

Fig. 9 Comparación de la desviación de frecuencia en el área 1 al Fig. 10 Comparación de la desviación de frecuencia en el área 1
2% de SLP en el área 1 para los valores óptimos al 3% SLP en el área 1 para valores óptimos correspondientes al
correspondientes al 2% de SLP y 1% de SLP en el área 1. 3% SLP y 1% SLP en el área 1.
Rendimiento del controlador PID + DD contra patrón
de carga aleatoria (RLP)
Para analizar el rendimiento del controlador PID + DD contra la naturaleza
aleatoria de carga, un patrón de carga aleatoria (RLP) como se muestra en la
Fig. 12 se aplica en el área 1 como perturbación.

Fig. 12 Patrón de carga aleatorio.

 Cuando el sistema está provisto de controlador PID, los valores óptimos obtenidos
son:

Controlador 𝐾𝐼1ሶ 𝐾𝐼2ሶ 𝐾𝐼3ሶ 𝐾𝑃1ሶ 𝐾𝑃2ሶ 𝐾𝑃3ሶ 𝐾𝐷1ሶ 𝐾𝐷2ሶ 𝐾𝐷3ሶ ሶ
𝐾𝐷𝐷1 ሶ
𝐾𝐷𝐷2 ሶ
𝐾𝐷𝐷3
PID 0.2011 0.3463 0.6461 0.3110 0.2100 0.0100 0.0936 0.0100 0.0167

PID + DD 0.2145 0.0763 0.3287 0.2036 0.0108 0.1726 0.2642 0.0100 0.0140 0.0376 0.0200 0.0520

Las respuestas dinámicas del sistema con valores óptimos correspondientes a PID y
PID + DD con RLP se comparan y se muestran en las Figs. 13 y 14.
 Fig. 14 Comparación de la desviación de potencia de la línea de
Fig. 13 Comparación de la desviación de frecuencia en el área 1
unión en la línea que conecta entre el área 2 y el área 3 en el
en el patrón de carga aleatoria con los controladores PID y PID +
patrón de carga aleatoria con los controladores PID y PID + DD
DD con los valores óptimos correspondientes.
con los valores óptimos correspondientes.
 Conclusión
La principal aplicación del controlador PID + DD se presenta como controlador secundario
para AGC de tres áreas del sistema interconectado térmico. El algoritmo de optimización
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 comportó mejor en comparación con los controladores I, PI y PID en
términos de tiempo (s) de sedimentación, sobrepaso de pico y oscilaciones. El análisis de
sensibilidad revela que las ganancias óptimas del controlador PID + DD obtenidas en las
condiciones nominales y en el parámetro del sistema son suficientemente robustas y no
necesitan ser reiniciadas para grandes variaciones en las condiciones del sistema tales como
carga, inercia constante, tamaño y posición de SLP. El rendimiento de ALO optimizado PID +
DD controlador se encuentra mejor frente a RLP como perturbación en comparación con el
controlador PID.