4. Anàlisi de 5 casos concrets a Mallorca
4.1. Procediment de recerca
A maioria dos trabalhos sobre aplicação de estratégias de controle avançadas publicados avalia a eficiência das técnicas propostas com base em simulação numérica realizada em computador ou simuladores digitais de tempo real. A implementação real de estruturas de controle projetadas com técnicas MBPC utilizando lógica fuzzy para modelar as características não-lineares do SEP é um tema ainda em processo de maturação e que precisa ser mais investigado e avaliado. Até onde o autor desta proposta pôde pesquisar na literatura científica que trata do assunto, foram encontrados poucos trabalhos experimentais investigando técnicas MBPC em sistemas de potência reais e de escala reduzida (Chandra et
9
al. em 1991; Zachariah, 1994; Finch et al., 1999; Moon et al., 2003; Shaosheng e Yaonan,
2004; Moutinho, 2007; Naouar et al., 2008; Xu et al., 2009; Moutinho et al., 2012a; Guzinski
e Abu-Rub, 2013; Lin, et al., 2014) e em sistemas de potência reais de escala comercial
(Camacho e Berenguel, 1997).
De fato, é em ambiente de simulação computacional, que são encontradas a maioria das contribuições descrevendo os resultados obtidos com a utilização de técnicas MBPC em sistemas elétricos de potência, conforme se observa nas últimas três décadas (Gu e Bollinger, 1989; Lim e Hiyama, 1990; Pahalawathatha et al., 1991a; Rovnak e Corlis, 1991; Hogg et al.,
1991; Rossiter et al., 1991; Barreiros et al., 1998; Prasad et al., 1998a; Prasad et al., 1998b;
Da Costa Jr., 1999; Prasad et al., 2000; Peng et al. 2002; Muñoz-Hernández e Jones, 2006;
Wu e Malik, 2006; Liu e Chan, 2006; Venkat et al., 2008; Zachariah et al., 2009; Liu et al.,
2010; Sguarezi Filho, et al., 2011; Moon e Lee, 2011; Yousuf et al., 2011; Glavic et al., 2011;
Mohamed et al., 2011; Hermans et al., 2012; Morattab et al., 2012; Li e Zhou, 2012; Kong et al., 2012; Wu et al., 2013; Roshany-Yamchi et al., 2013; Qi et al., 2013; Moradzadeh et al.,
2013; Shiroei et al., 2013; Azad et al., 2013).
Na Tabela 1.1 são apresentadas algumas das características de alguns trabalhos que descrevem aplicações de técnicas MBPC em SEP. Comparando o número de trabalhos com avaliação experimental com o número de trabalhos onde a avaliação da técnica de controle preditivo é realizada de forma simulada verifica-se que estudos experimentais detalhados para a avaliação de desempenho de técnicas MBPC, com modelos de predição lineares e não- lineares, em sistemas elétricos de potência reais e de escala reduzida é uma lacuna que ainda carece de preenchimento e abre perspectivas de projetos e inovações, fato evidenciado no gráfico apresentado na Figura 1.1 onde se compara o número de trabalhos onde a avaliação se dá por meio de simulação computacional e por avaliação em sistema de potência real.
Figura 1.1 – Comparação entre trabalhos com aplicações MBPC em SEP que reportam os resultados
10
Tabela 1.1: Características de alguns dos trabalhos pesquisados que descrevem aplicações de técnicas
MBPC aplicadas em sistemas elétricos de potência (RD – Modelo de Resposta ao Degrau; TT – Turbina Térmica; TF – Turbina Francis; NU – Não utilizado; IA – Técnica de Inteligência Artificial; SI – Avaliação por simulação computacional; EX - Avaliação experimental em sistema de potência real; ES - Modelo de Espaço de Estados; CE - Computação Evolucionária; GA - Algoritmos Genéticos; PSO – Particle Swarm Optimization; DFIG - Doubly Fed Induction Generator; MSIP - Motor síncrono de imã permanente; PQ – Programação Quadrática; Predictive Current Control – PCC; 2L-VSI - Two Level Voltage-source Inverter; IOFL - Input-Output Feedback Linearization; ExpARX - ARX Exponencial; IncARX - ARX incremental; RML – Rede de Modelos Locais; SM - Sistema Multimáquinas; GG - Grupo gerador; MSBI – Máquina síncrona conectada ao barramento infinito; HVDC –High-Voltage Direct Current; FK – Filtro de Kalman).
Autor Ano Estratégia MBPC estudado Sistema Modelo de predição IA Avaliação Gu e Bollinger 1989 GMV adaptativo auto-ajustável MSBI ARX NU SI
Fan et al. 1990 GMV adaptativo auto-ajustável SM - IEEE de 10 máquinas ARMA NU SI Lim e Hiyama 1990 GMV adaptativo auto-ajustável
descentralizado
SM ARX NU SI
Pahalawathatha
et al. 1991a
GMV adaptativo
auto-ajustável MSBI ARX MIMO NU SI Chandra et al. 1991 GMV adaptativo auto-ajustável GG – 3KVA ARX NU EX Rossiter et al. 1991 GPC MIMO TT - 600 MW RD MIMO NU SI
Rovnak e
Corlis 1991 DMC TT a óleo RD MIMO NU SI
Hogg e El-
Rabaie 1991 GPC adaptativo auto-ajustável TT a carvão -200MW CARIMA MIMO (3x3) NU SI Zachariah 1994 GPC adaptativo
auto-ajustável GG – 3KVA
CARIMA MIMO
(2x2) NU EX
Camacho e
Berenguel 1997 MBPC Planta Solar ES NU EX
Barreiros et al. 1998 GPC adaptativo auto-ajustável MSBI e SM CARMA SISO NU SI Prasad et al. 1998b Neural network MBPC TT a óleo - 200MW NNARX - Neural net ARX MIMO NU SI Prasad et al. 1998a GPC com restrições TT a óleo - 200MW RML - IncARX e CARIMA NU SI
Finch et al. 1999 GPC adaptativo
auto-ajustável GG – 3KVA CARIMA NU EX Da Costa Jr. 1999 GPC posicional
sem restrições MSBI
RML com ARX SISO Lógica Fuzzy SI Prasad et al. 2000 Constrained non- linear MPC (NPMPC) TT a óleo - 200MW ES NU SI Peng et al. 2002 Constrained Multivariable GPC-(ExpMPC) TT a carvão - 600MW ExpARX NU SI
Moon et al. 2003 MBPC com restrições Protótipo de driver de MSIP - 750W ES NU EX Shaosheng e
11
Tabela 1.1: Continuação
Autor Ano Estratégia MBPC SEP estudado Modelo de predição IA Avaliação Liu e Chan 2006
GPC neuro-fuzzy não-linear (NFGPC)
TT a vapor -
200MW RML - Neuro-fuzzy Neuro-fuzzy SI Muñoz-
Hernández e
Jones 2006
GPC MIMO com
restrições TF - 300MW CARIMA MIMO NU SI Wu e Malik 2006 GPC MIMO com restrições turbinas a gás SM com 5 ES MIMO NU SI Venkat et al. 2008 MBPC distribuído SM com 2 e 4
áreas ES descentralizado NU SI Naouar et al. 2008 PCC Gerador síncrono de 0.8Kw ES NU EX Kouro et al. 2009
Finite Control Set Model Predictive Control (FCS-MPC) Conversor 2L-VSI ES NU SI Xu et al. 2009 PCC 1.5-kW DFIG ES NU EX
Liu et al. 2010 Controle preditivo não-linear TT a vapor Neuro-fuzzy com RML e IOFL Neuro-fuzzy SI Mon e Lee 2011 DMC TT a óleo -
160MW RD MIMO (3x3) Fuzzy SI Yousuf et al. 2011 Intelligent Predictive Controller (iMPC) MSBI ES CE, GA e PSO SI Glavic et al. 2011 Receding-horizon Multi-step Optimization (RHMSO) SM - Nordic32 ES NU SI Mohamed et al., 2011 GPC Descentralizado SM ES NU SI Sguarezi Filho, et al. 2011 MBPC com restrições DFIG ES NU SI Hermans et al. 2012 Decentralised MPC (DMPC); Feasible Cooperation Based MPC (FC-MPC); Stability Constrained Distributed MPC (SC-DMPC)
SM com 4 áreas ES MIMO NU SI
Morattab et al. 2012 Model Predictive Coordinated Secondary Voltage Controller (MPCSVC) SM - New England (39 barras) ES NU SI Li e Zhou 2012 Multi-Model Predictive Control (MMPC) baseado em DMC TT a vapor - 600MW RD NU SI Kong et al. 2012 MBPC com restrições resolvido com PQ DFIG ES NU SI
Moutinho et al. 2012a GPC GG – 10KVA CARIMA NU EX Guzinski e
Abu-Rub 2013 MBPC com restrições GG - 5.5-KW ES NU EX Azad et al. 2013 MPC Retificador
HVDC ES + FK NU SI Lin, et al. 2014 Model-based predictive current control - MBPCC Motor Síncrono de imã permanente ES NU EX
12 Também se observa que, principalmente nas últimas duas décadas, registra-se um considerável número de trabalhos que utilizam modelos de predição do tipo espaço de estados nas estratégias MBPC. Em aproximadamente 40% dos trabalhos analisados, as estratégias de controle preditivo propostas utilizam este tipo de modelo para representar a dinâmica do sistema analisado, conforme se constata no gráfico da Figura 1.2.
Figura 1.2 – Tipo de modelo matemático utilizado para predição na estratégia MBPC.
Considerando o contexto exposto acima, propõe-se nesta tese a avaliação de estratégias de controle digital baseadas em técnicas MBPC utilizando:
a) Os recursos de simulação disponíveis no PowerSim_PredC_Id, o simulador computacional desenvolvido para avaliar técnicas de identificação e controle digital em sistemas elétricos de potência. Uma breve descrição deste simulador será apresentada no Capítulo 2. Na primeira etapa da avaliação das estratégias propostas, este simulador será utilizado para validar computacionalmente os algoritmos desenvolvidos e ajustar os parâmetros dos projetos das estruturas de controle;
b) Os recursos de um modelo de SEP real e de escala reduzida, disponível no Centro de Tecnologia da ELETROBRAS-ELETRONORTE (LACEN) localizado em Belém, Pará. Conforme descrito no Anexo B, este modelo está montado no Laboratório de Simulação da Dinâmica de Sistemas de Elétricos de Potência (LAD_POT). Com os recursos disponíveis no LAD_POT é possível avaliar e validar estratégias avançadas de controle, monitoração (Moutinho, 2009b; Moutinho, 2011a; Moutinho, 2011d; Moutinho, 2011e) e manutenção preditiva (Moutinho, 2011b; Moutinho, 2011c; Moutinho, 2012b; Moutinho, 2012c; Moutinho, 2012d) aplicadas às máquinas rotativas em operação na ELETROBRAS- ELETRONORTE.
13 O modelo real de SEP estudado é formado por um motor de corrente contínua acoplado a um gerador síncrono de polos salientes conectado a um sistema de potência de escala comercial por uma pequena linha de transmissão, conforme descrito no Anexo B. Este modelo será denominado Sistema de Geração de Escala Reduzida (SGER). Apesar de simples, o SGER exibe características dinâmicas representativas de sistemas elétricos de grande porte e pode ter alguns de seus parâmetros físicos alterados de forma controlada durante os ensaios. Com estes recursos, é possível avaliar a robustez das estratégias de controle propostas quando ocorrem variações nos parâmetros físicos do sistema como reatâncias das linhas de transmissão e inércia rotacional do gerador, dentre outros. Também é possível avaliar o comportamento dos controladores em diferentes condições operacionais.
Conforme descrito no Anexo B, será considerado que a cadeia de controle do SGER é formada por:
a) Um Regulador de Velocidade (RV);
b) Um Regulador Automático de Tensão (RAT);
c) Um ESP utilizado quando o SGER opera de forma interligada ao sistema comercial de geração de energia;
O RAT e o RV são controladores digitais com estrutura SISO. O projeto da lei de controle suplementar do ESP pode ser realizado de forma SISO, ou seja, sintetizando um sinal estabilizante que é então adicionado à malha de excitação do gerador síncrono ou de forma MIMO, sintetizando dois sinais estabilizantes um aplicado à malha de excitação de gerador e o outro aplicado à malha de regulação de velocidade. Trabalhos anteriores já demonstraram que a utilização de estratégias de controle digital MIMO em sistemas de potência do tipo máquina síncrona conectada ao barramento infinito (Pahalawathatha et al., 1991; Zachariah et al., 2009) e em sistemas multimáquinas (Cheng et al., 1986; Morioka et al., 1994; Wu e
Malik, 2006) são viáveis sob o ponto de vista operacional já que, podem ser obtidas melhorias de desempenho e estabilidade quando se consideram estas estratégias.
Para fins de avaliação comparativa de desempenho, as estratégias de controle propostas serão implementadas utilizando dois esquemas de funcionamento:
1) Digital não-adaptativo a parâmetros fixos com modelos lineares do tipo espaço de estados ou função de transferência;
2) Com supervisão Fuzzy e modelo não-linear do tipo RML ou RCL;
O esquema de controle não-adaptativo a parâmetros fixos utiliza duas técnicas de projeto: a) GPC em suas formulações monovariável e multivariável (Camacho e Bordons,
14 2004); e b) Controle por alocação radial de polos com realimentação da saída em formulação monovariável e multivariável.
O esquema de controle baseado em supervisão fuzzy tem duas formulações:
a) A primeira utiliza uma Rede de Modelos Locais (RML) (Hunt e Johansen, 1997), que é uma estrutura não-linear formada por modelos dinâmicos lineares identificados em vários pontos de operação do sistema. Com base em um conjunto de regras fuzzy, o modelo linear do sistema de potência em uma condição operacional arbitrária é estimado em tempo real usando um sistema fuzzy do tipo Takagi-Sugeno (Wang, 1997), que funciona como um supervisor. Utilizando este modelo estimado, um controlador é então projetado com os métodos GPC ou alocação radial de polos, em suas versões SISO ou MIMO;
b) A segunda utiliza uma Rede de Controladores Locais (RCL), estrutura não-linear formada por controladores projetados com as técnicas GPC ou alocação radial de polos em suas versões SISO ou MIMO e sintonizados em vários pontos de operação do sistema. Com base em um conjunto de regras fuzzy, um controlador linear é sintetizado em uma condição operacional arbitrária utilizando um sistema fuzzy do tipo Takagi-Sugeno que funciona como um supervisor.
As principais contribuições desta tese de doutorado são:
1) Projetar e avaliar, por meio de simulação computacional, estratégias de controle baseadas em lógica fuzzy com modelo não-linear do tipo RML em suas formulações SISO e MIMO com técnica de projeto da lei de controle do tipo alocação radial de polos;
2) Projetar e avaliar, por meio de simulação computacional, estratégias de controle baseadas em lógica fuzzy com modelo não-linear do tipo RCL em suas formulações SISO e MIMO com técnica de projeto da lei de controle do tipo alocação radial de polos;
3) Projetar e avaliar, por meio de simulação computacional, estratégias de controle baseadas em lógica fuzzy com modelo não-linear do tipo RML em suas formulações SISO e MIMO com técnica de projeto da lei de controle do tipo GPC;
4) Projetar e avaliar, por meio de simulação computacional, estratégias de controle baseadas em lógica fuzzy com modelo não-linear do tipo RCL em suas formulações SISO e MIMO com técnica de projeto da lei de controle do tipo GPC;
5) Projetar e avaliar, por simulação computacional e experimentalmente, estratégias de controle de velocidade de um motor CC utilizando técnica de controle preditivo do
15 tipo: a) GPC incremental; b) Discrete-timeModel Preditive Control (MPC), conforme
descrito em Wang (2009); e c) GPC formulado como um problema do tipo Linear Quadratic Gaussian (LQG) (Åström e Wittenmark, 1998), conforme descrito em Bitmead et al. (1990).
Na Tabela 1.2 são resumidas as estratégias de controle a serem avaliadas para o caso da formulação SISO. Na Tabela 1.3 são apresentadas as estratégias propostas para o caso MIMO. O desempenho destas estratégias será investigado de duas formas:
a) Por meio de simulações computacionais utilizando um sistema de potência do tipo máquina síncrona conectada ao barramento infinito e um sistema multimáquinas formado por duas áreas de geração;
b) Utilizando os recursos disponíveis no SGER do LAD_POT;
Tabela 1.2: Estratégias de controle SISO propostas. ‘C’ representa a estrutura de controle utilizada na avaliação da estratégia: C∈
[
'RAT ,''RPV ,' 'ESP']
ID SIGLA_Estratégia Descrição