DISEO DE UN CONTROLADOR PTIMO USANDO REDES NEURONALES DINMICAS

PARA UN SISTEMA DE GENERACIN

JANER ANDRS RUIZ MARTNEZ

CDIGO: 1059905785
CRISTIAN AGUIRRE ALVAREZ
CDIGO: 1085278682

DIRECTOR:
PhD EDUARDO GIRALDO SUAREZ

ANTEPROYECTO DE GRADO PARA OPTAR POR EL TTULO DE

INGENIERO ELECTRICISTA

UNIVERSIDAD TECNOLGICA DE PEREIRA

FACULTAD DE INGENIERAS
PROGRAMA DE INGENIERA ELCTRICA
PEREIRA
2013

Contenido

1. Definicin del problema

2. Justificacin
3. Objetivos
3.1. Objetivo general
3.2. Objetivos especficos
4. Marco referencial
4.1. Antecedentes
4.2. Marco conceptual
4.3. Marco terico
5. Metodologa
6. Esquema temtico
7. Personas que participan en el proyecto
8. Recursos disponibles
8.1. Materiales
8.2. Institucionales
9. Cronograma
10. Bibliografa

3
4
5
5
5
6
6
6
8
14
14
15
15
15
15
16
16

1. DEFINICIN DEL PROBLEMA

El control es una herramienta altamente eficaz que permite automatizar
procesos con gran rapidez, precisin, menos errores y muchas ms
cualidades, que pueden ser utilizadas para diferentes disciplinas como:
procesos industriales, control de plantas de generacin de energa, sistemas
elctricos, mecnicos, etc. Por lo cual se necesita continuar con
investigaciones de metodologas de control, ya que en sistemas
multivariables es difcil disear los controladores cuando el nmero de
variables es muy grande, lo anterior se puede resolver a partir de sistemas
en cascada (caso de los PI), o con sistemas inteligentes como son las redes
neuronales, lgica difusa, entre otros.
El desarrollo de la tecnologa en los ltimos aos, ha seguido un proceso de
optimizacin y mejora de los diseos en los sistemas de generacin elico,
la explotacin ptima de este sistema es muy complejo dado a la naturaleza
del viento. Debido a esto, se requiere de mtodos avanzados de sistemas de
control ptimo [1].
En busca de un sistema de control ptimo el cual pretende obtener la mayor
cantidad de potencia a partir del viento, se aplicar en este proyecto
tcnicas de control ptimo con sistemas inteligentes como son las redes
neuronales dinmicas (RND) [2].
Las RND es una tcnica eficaz para resolver muchos problemas del mundo
real, tienen la capacidad de aprender de la experiencia con el fin de mejorar
su rendimiento y adaptarse a los cambios ambientales. Adems son capaces
de tratar con informacin incompleta o datos de ruido y puede ser muy
eficaz.

2. JUSTIFICACIN
El progresivo agotamiento de los combustibles fsiles y su encarecimiento
unido al cambio climtico, adems de la creciente demanda energtica ha
motivado la investigacin en fuentes de energas alternativas confiables y
limpias [3]. La energa Elica representa una de las alternativas ms viables
para la generacin de energa elctrica, pues los avances tecnolgicos en
areas como control ptimo y electrnica de potencia nos permiten
convertir el viento en electricidad de una manera eficiente, confiable y
econmica [4].
Son diversos los sistemas involucrados en el proceso de transformacin de
energa que se produce desde la incidencia del viento sobre el
aerogenerador hasta su posterior conversin en energa elctrica. Existe
una transformacin aerodinmica que convierte la energa cintica del
viento en energa mecnica en un eje, que en este caso acciona un
generador elctrico de jaula de ardilla (SCIG). En el diseo y control del
torque, la velocidad del motor, adems de la regulacin corriente que
alimenta la red elctrica, se emplear para esto el convertidor back to back
como sistema electrnico de potencia para que, en definitiva, se pueda
extraer la mxima energa del viento.
En el sistema de generacin elica, el sistema de velocidad variable de
generacin es ms atractivo que el sistema de velocidad fija debido a la
mejora en la produccin de energa elica, las redes neuronales dinmicas
brindan mayor flexibilidad ante velocidades variables producidas por
diversas condiciones de viento, aprovechando la caracterstica de este
sistema se propone obtener la mxima eficiencia en las distintas
velocidades de viento por medio de un control optimizando [12].
Los controladores clsicos PI son aplicados en sistemas fsicos lineales dado
que en ellos es posible realizar un anlisis en el dominio de la frecuencia;
Por su parte el controlador ptimo basado en RND propuesto en este
trabajo , es aplicable a sistemas no lineales y sistemas multivariables, por
esto es necesario hacer una anlisis comparativo entre estos tipos de
controladores ,los cuales son aplicables a un sistema de generacin elico
con un SCIG y convertidor back to back.

3. OBJETIVOS GENERALES Y ESPECFICOS

3.1.

Objetivo general

Disear un controlador ptimo usando redes neuronales dinmicas para un

sistema de generacin elica basado en un generador de induccin de jaula
de ardilla y un convertidor espalda con espalda (back to back).

3.2.

Objetivos especficos

Modelar el sistema de generacin elica basado en un SCIG y un

convertidor back to back.

Disear un sistema de control ptimo basado en redes neuronales

dinmicas para sistemas multivariables.

Hacer un anlisis comparativo de la tcnica propuesta sobre el

sistema de generacin elica y un modelo de control clsico basado
en PI.

4. MARCO REFERENCIAL

4.1

ANTECEDENTES

Durante los ltimos aos, varios avances se han hecho a partir de las redes
neuronales artificiales (RNA).El rea general de las RNA tiene sus races en
la comprensin del cerebro humano. Por lo cual, los conceptos iniciales se
basaron en imitar de tal forma como ste procesa la informacin. Los
esfuerzos que siguieron dieron lugar a diversos modelos de estructuras de
red neuronal (RNA) y el aprendizaje de algoritmos.
Las RNA son evidentes modelos con una extensa variedad en modelado y
control, se pueden clasificar de la siguiente manera, las redes neuronales
estticas (RNE) y las redes neuronales dinmicas (RND). Pero en este caso
las (RNE) no son apropiadas ya que estas seales neuronales se propagan
hacia adelante y no existen conexiones hacia atrs, en cambio las RND si
son acogidas para este trabajo, porque la informacin circula hacia adelante
como hacia atrs durante el funcionamiento de la red. Para que esto sea
posible, deben existir conexiones hacia adelante y retroalimentaciones [5].
Durante las ltimas dcadas se han ido estudiando las redes neuronales
recurrentes. El anlisis de Lyapunov es apropiado para RND, las redes
neuronales de capa simple fueron discutidas en [6]. Las redes de alto orden
y las redes multicapas se encuentran en [7]. La estabilidad de algoritmos de
aprendizaje pueden ser derivados por el anlisis de la identificacin o error
de seguimiento de las redes neuronales [8].
Los mtodos de control de sistemas multivariables, necesitan estudios
avanzados para as tener ptimos resultados, para ello se necesita las
(RND) como un sistema de control de retroalimentacin de mltiplesentradas-mltiples-salidas, en sus siglas en ingls (MIMO multi-input-multioutput) no lineales [16]. Esta tcnica reduce la complejidad de clculo y la
reduccin de problemas que dejan los mtodos clsicos como los
controladores PI. La creciente demanda de estos controladores se debe que
la mayora de los sistemas dinmicos en el mundo son no lineales, a la
complejidad de la tecnologa moderna, como son los robots, los aviones de
alta velocidad y rendimiento, que son capaces de rechazar las
perturbaciones que enfrentan las aplicaciones reales [9], [10], [11].
En el Sistema de generacin de energa elica, es ms llamativo el sistema
de velocidad variable que el de velocidad fija, ya que este nos ayuda a
solucionar muchos problemas, como el de inestabilidad y permite mejorar
la produccin de energa elica [12]. Las Turbinas elicas de velocidad
variable se caracterizan generalmente por tener una mayor eficiencia, Para
6

esta parte lo podemos manipular con controladores basados en RND.

Existen trabajos como:
El
estudio comparativo del controlador de red neuronal Narma-L2
(Nonlinear Autoregressive Moving Average-L2) para MPPT (Maximum Power
Point Tracking). De acuerdo con los datos de entrenamiento, representa un
ptimo rendimiento combinado del viento y del rotor del generador, en
presencia de variaciones de velocidad [2].
Un estudio comparativo de tres algoritmos para el control de MPPT, donde el
controlador IENN es capaz de proporcionar un rendimiento satisfactorio, el
sistema es capaz de rastrear la potencia mxima usando la energa
generada como entrada. El controlador de velocidad establece el comando
de par motor del generador, que se consigue a travs de un bucle de control
de corriente [12].

4.2

MARCO CONCEPTUAL

Sistema: Es un conjunto de elementos que interactan entre si para

conformar un proceso real, dependiendo del tipo de sistema habr
una respuesta para cada estimulacin.
Sistema De Control: se ocupa del anlisis y el diseo de
componente
interactuantes de un sistema en una
configuracin que brinde un comportamiento deseado.
Sistemas No Lineales: representan sistemas cuyo comportamiento
no es expresable como la suma de los comportamientos de sus
descriptores.
Sistemas Multivariables: Son sistemas con varias entradas y
salidas, en los que una entrada afecta a varias salidas y
recprocamente una salida es afectada por varias entradas.
Modelo: La mayora de los sistemas pueden ser modelados
matemtica o
numricamente de manera que se represente
adecuadamente la dinmica de estos.
Realimentacin: consiste en el proceso de medir las variables de
inters en el sistema y usar esa informacin para controlar su
comportamiento.
Sensor: Permite conocer los valores de las variables medidas del
sistema.
Modulacin Por Ancho De Pulso (PWM): es una tcnica en la que
se modifica el ciclo de trabajo de una seal peridica (una sinusoidal
o cuadrada), ya sea para transmitir informacin a travs de un canal

de comunicaciones o para controlar la cantidad de energa que se

enva a una carga.
Convertidor: consiste cambiar un voltaje de entrada de corriente
alterna a un voltaje simtrico de salida de corriente continua, con la
magnitud y frecuencia que desee el usuario.
Inversor: consiste en cambiar un voltaje de entrada de corriente
continua a un voltaje simtrico de salida de corriente alterna, con la
magnitud y frecuencia deseada por el usuario.

4.3

MARCO TERICO

Sistema De Generacin Elico

Generadores de induccin de doble alimentacin, generadores de
induccin de jaula de ardilla (SCIGs) y generadores sncronos de imn
permanente son las configuraciones ms populares para los sistemas de
generacin elica con velocidad variable, en funcin de la potencia. En
estas configuraciones, un convertidor de potencia espalda con espalda
(back-to-back) modulacin por ancho de pulso (PWM) es usado como un
interfaz entre el generador elico y la red elctrica.

FIGURA 1: Generador Elico Con Un SCIG y Un Convertidor De

Potencia Back- To -Back
La Figura1, muestra el diagrama de bloques de un convertidor de
potencia back-to-back PWM de un generador de induccin jaula de
ardilla (SCIG), que se compone de un convertidor VSC1 al lado del
8

generador, un convertidor al lado de la red VSC2 y un capacitor C en un

enlace dc (dc-link). VSC1 funciona como un convertidor, que controla el
torque y la velocidad del motor. VSC2 funciona como un inversor
controlado por una estructura de doble circuito: Un circuito de voltaje
exterior regula el voltaje dc-link y un circuito de corriente interior regula
la corriente de alimentacin a la red elctrica. En otras palabras, el error
de voltaje ordena a la corriente a ser inyectada a la red.
El convertidor back-to-back que se muestra en la fig. 1, como el dc link
es regulado a una velocidad constante, si la corriente promedio i1 e i2
son iguales en el estado estacionario, prcticamente toda la potencia
generada es transferida a la red elctrica. Si la velocidad de viento es
variable, las variables del generador de potencia manejado por el
convertidor VSC1 cambian, dado a las fluctuaciones que se presentan en
la corriente promedio i1 rectificada. Esto, a su vez, crea una corriente de
capacitor i1 i2 que tiende a variar el voltaje dc link.
Si el voltaje del circuito VSC2 es suficiente rpido para cambiar i2 con el
fin de coincidir rpidamente con i1, entonces la corriente y la variacin
del voltaje en dc link son minimizadas, incluso con una pequea
capacitancia C. [13].
Diseo De un Control ptimo
Su formulacin completa requiere, entre otras, el modelo matemtico del
mismo, las restricciones y el ndice de desempeo a optimizar, los cuales
se describen a continuacin:

Descripcin matemtica del sistema fsico

Los sistemas dinmicos pueden representarse por media de un conjunto

de ecuaciones diferenciales de primer orden llamadas ecuaciones de
estado
Donde; x(t) es un vector de estado de nx1, u(t) es un vector de control
mx1 y f() un vector de funciones no lineales variantes en el tiempo. La
salida y(t) es un vector de tamao p y g() un vector de funciones de
salida.

Restricciones fsicas

Las limitaciones o restricciones fsicas del sistema pueden existir en las

variables de estado y/o en las variables de control. Generalmente, las
restricciones de las diferentes variables del modelo son de la forma

Las restricciones para u(t) son ms frecuentes dado que estn

restringidas en un rango de operacin determinado por los lmites
operativos de las tarjetas de adquisicin de control por computador . Las
restricciones en el modelo pueden ser como (1); donde h() es un vector
de funciones dependientes de todas las variables del proceso.

(1)

ndice de desempeo o funcin objetivo

Esta funcin mide el comportamiento global del sistema y su

planteamiento depende de los requerimientos o especificaciones del
sistema de control. Se puede afirmar que un vector de control u(t) es
ptimo si mejora el ndice de desempeo a la vez que cumple con todas
las restricciones impuestas al modelo.
Redes Neuronales
Los sistemas biolgicos son posibles esqueletos para el diseo de
sistemas autnomos. Ellos proveen muchas pistas para el desarrollo de
aprendizaje robusto (altamente estable) y algoritmos adaptables. Los
sistemas biolgicos procesan la informacin, de forma diferente a los
esquemas de control convencionales; stos no se basan en ningn
modelo y son muy eficientes para tratar con incertidumbres y
complejidad. No requieren del desarrollo de un modelo matemtico para
ejecutar tareas complejas. Ciertamente, pueden aprender a ejecutar
nuevas tareas y adaptarse fcilmente a cambios en el ambiente. Si los
principios fundamentales de la computacin encajaron en los sistemas
nerviosos, es comprensible que una generacin totalmente nueva de
mtodos de control pudieran ser desarrollados ms all de las
capacidades de las presentes tcnicas basadas en un modelo
matemtico explcito [14].
Modelo De Una Red Neuronal
El procedimiento para el proceso de aprendizaje es conocido como el
algoritmo de aprendizaje. Su funcin es modificar los pesos sinptico de
las redes para alcanzar una meta preestablecida. La modificacin de los
pesos provee el mtodo tradicional para el diseo e implementacin de
las redes neuronales [14].

FIGURA 2: Modelo no-lineal de una neurona.

La neurona es la unidad fundamental para la operacin de la red
neurona!. La Figura 2 muestra el esquema de una neurona. Existen 3
elementos bsicos de la RNA:
10

1. Un conjunto de uniones de sinapsis, con cada elemento caracterizado

por su propio peso.
2. Un sumador que suma los componentes de la seal de entrada,
multiplicados por su respectivo peso sinptico.
3. Una funcin de activacin no-lineal que transforma la salida del
sumador en la entrada
de la siguiente neurona.
Redes Neuronales Dinmicas
El uso de las redes neuronales dinmicas (RND) o tambin llamadas
recurrentes han mostrado que poseen mejor desempeo en la
identificacin. A su vez, una variedad de arquitecturas de redes
neuronales para control han sido propuestas para el control de sistemas
no lineales. Una de las principales ventajas de las redes neuronales en el
diseo de control no lineal es precisamente la capacidad de construir
mapeos no lineales complejos. Por esto, las metodologas con redes
neuronales podemos considerarlas como una manera certera para
identificar no linealidades desconocidas en un sistema y despus utilizar
este modelo identificado para construir una ley de control que logre los
propsitos de control deseados.
Las Redes neuronales dinmicas poseen al menos una seal
retroalimentada. Esta retroalimentacin puede estar hecha en tiempo
discreto o en tiempo continuo. Cuando es en tiempo discreto involucran
el uso de unidades de retraso. Esta unidad se denota por q , tal que q
u(k) = u (k 1), con k indicando el k-simo muestreo en el tiempo [15].
La ecuacin que describe a las redes neuronales dinmicas sera:
Tiempo Discreto:

Tiempo Continuo:

Donde () y () son funciones sigmoidales.

11

FIGURA 3: Esquema de una red neuronal dinmica

Los ciclos de retroalimentacin (ver Figura 3) resultan en un
comportamiento dinmico no lineal debido a la funcin de activacin nolineal de las neuronas. De ah que el trmino de las redes neuronales
dinmicas (RND) describe mejor este tipo de estructura de las redes
neuronales. Debido a estos hechos, las llamaremos redes neuronales
dinmicas [14].

5. METODOLOGIA.
Se plantean las Siguientes etapas basndonos en los objetivos especficos.
Etapa 1.

Se plantea un modelo general de control ptimo usando Redes

Neuronales Dinmicas para un generador elico basado en SCIG y un
convertidor back to back.
Etapa 2.
Se implementa un controlador ptimo usando Redes Neuronales
Dinmicas, el cual controle la velocidad de torque a la salida del
SCIG, el voltaje a la entra del filtro de salida y la corriente entregada a
la red.
12

Etapa 3.
Se modifica el control ptimo basado en Redes Neuronales Dinmicas
para acte eficazmente ante las fluctuaciones de, control
la
velocidad de torque a la salida del SCIG, el voltaje a la entra del filtro
de salida y la corriente entregada a la red.
Etapa 4.
Se desarrolla un anlisis comparativo de resultados a partir de de la
tcnica propuesta de control ptimo basado en Redes Neuronales
sobre el sistema de generacin elica.
Etapa 5.

Anlisis de resultados y conclusiones.

6. ESQUEMA TEMTICO
Captulo 1:
Introduccin.
Captulo 2:
Aspectos tericos.
Captulo 3:
Metodologa propuesta.
Captulo 4:
Anlisis de resultados obtenidos.
Captulo 5:
Conclusiones y recomendaciones.
Captulo 6: Bibliografa.

7. PERSONAS QUE PARTICIPAN EN EL PROYECTO

Director DEL Proyecto :
Eduardo Giraldo Suarez.
Pregrado Ingeniera Elctrica, Universidad Tecnolgica de
Colombia.
Doctorado Universidad Nacional De Colombia - Sede Manizales.
Ejecutores:
Janer Andrs Ruiz Martnez Cd. 1059905785
Estudiante de Ingeniera Elctrica.
13

Pereira,

Universidad Tecnolgica de Pereira.

Cristian Aguirre lvarez Cd. 1085278682
Estudiante de Ingeniera Elctrica.
Universidad Tecnolgica de Pereira.

8. RECURSOS DISPONIBLES
8.1

Materiales

A continuacin se listan los recursos materiales necesarios para el desarrollo

del proyecto:
Descripcin

Valor unitario

Cantidad

Valor total

Material de
investigacin

---------

----------

320.000

Fotocopias

50

200

10.000

Cds

1.000

5.000

Memoria USB

25.000

25.000

Otros

50.000

--------

70.000

Total

--------

--------

430.000

Hardware: Laboratorio de control, computador.

Software: MATLAB.

Institucionales
Los siguientes son recursos proporcionados por la institucin:

Base de datos IEEE Xplore (Acceso Portal Biblioteca Jorge Roa

Martnez)
Bibliografa disponible en la Biblioteca Jorge Roa Martnez y
Electrilibro.

9 CRONOGRAMA.
14

Las actividades a realizar en el presente trabajo de grado se muestran en el

siguiente esquema:

ACTIVIDAD

TIEMPO [mes]
2
3
4
5

Etapa 1.
Etapa 2.
Etapa 3.
Etapa 4.
Etapa 5.
Elaboracin del documento final

10. BIBLIOGRAFA.
[1]

A. P. Sage, y C. C. White, Optimum systems control, New Jersey:

Prentice Hall, 1977.

[2]

M. Narayana y G. Putrus, Optimal Control of Wind Turbine Using

Neural Networks, IEEE, pp. 1-5, 2010.

[3]

R. G. Ramirez y M. A. Martinez Morales, Desarrollo e innovacin

tecnolgica de sistemas de control de Aerogeneradores, Abril-Junio
2012. [En lnea]. Available:
http://www.iie.org.mx/boletin022012/biie022012.pdf.

[4]

R. . Mungua, Mejora del rendimiento de un Generador Elico

Asncrono conectado a la Red, mediandte convertidores electrnicos y
controladores de lgica borrosa, Septiembre 2008. [En lnea].
Available:
http://gredos.usal.es/jspui/bitstream/10366/19334/1/DFGA_Mejora
%20rendimiento%20generador%20eolico.pdf.

[5]

N. Sinha, M. Gupta y D. H. Rao, Dynamic Neural Networlks: An

Overview, IEE, vol. 1, pp. 491- 496, 2000.

[6]

G. A. Rovithakis y M. A. Christodoulou, Adaptive Control of Unknown

Plants Using Dynamical Neural Networks, IEEE, vol. 24, n 3, pp. 400412, 1994.

[7]

E. B. Kosmatopoulos, M. M. Polycarpou, M. A. Christodoulou y P. A.

Ioannou, High-Order Neural Network Structures for Identification of
Dynamical Systems, IEEE, vol. 6, n 2, pp. 422-431, 1995.

[8]

R. T. Toxqui, Redes neuronales difusas dinmicas para, Abril 2003.

[En lnea]. Available:
15

http://www.ctrl.cinvestav.mx/~yuw/pdf/MaTesRT.pdf.
[9]

C.-Y. Seong y B. Widrow, Neural Dynamic Optimization for Control

SystemsPart I: Background, IEEE, vol. 31, n 4, pp. 482-489, 2001.

[10] C.-Y. Seong y B. Widrow, Neural Dynamic Optimization for Control

SystemsPart II: Theory, IEEE, vol. 31, n 4, pp. 490-501, 2001.
[11] C.-Y. Seong y B. Widrow, Neural Dynamic Optimization for Control
SystemsPart III: Applications, IEEE, vol. 31, n 4, pp. 502-513, 2001.
[12] W.-M. Lin y C.-M. Hong, A New Elman Neural Network-Based Control
Algorithm for Adjustable-Pitch Variable-Speed Wind-Energy Conversion
Systems, IEEE, vol. 26, n 2, pp. 473-481, 2011.
[13] J. M. Esp y J. Castell, Wind Turbine Generation System With
Optimized DC-Link Design and Control, IEEE, vol. 60, n 3, pp. 919929, 2013.
[14] M. A. M. Armendariz, A. S. Poznyak y W. Yuliu, Control adaptable
indirecto usando Redes Neuronales Dinmicas, Revista del Centro de
Investigacin. Universidad, vol. 4, n 16, 2001.
[15] M. e. C. J. R. Reyes, Pasividad Robusta de Sistemas No Lineales via
Redes Neuronales Dinmicas, 2001. [En lnea]. Available:
http://www.ctrl.cinvestav.mx/~yuw/pdf/DoTesJRR.pdf.
[16] D. A. M. G., A. Molina C. y J. C. MONTERO O., DISEO DE UN ESQUEMA
DE CONTROL PTIMO NEURONAL, Scientia et Technica, n 32, pp.
127-132, 2006.

El desarrollo de la tecnologa de la electrnica de potencia ha permitido

ampliar la capacidad de produccin y actuacin de los aerogeneradores
actuales. A la hora de disear el control se tienen
El convertidor del lado del rotor se encarga de fijar las tensiones en el rotor
y magnetizar la mquina de forma que puede actuar sobre el par elctrico y
la potencia reactiva de la mquina mientras que el del lado de red se
encarga de obtener o suministrar a la red potencia activa
segn el punto de funcionamiento de la mquina. El convertidor de lado de
red tambin se puede emplear para inyectar o absorber potencia reactiva

16

Como se indic en el apartado 2.1, vase _gura 2.4, la potencia activa del
rotor es absorbida o inyectada a la red en funcin de la velocidad de giro del
generador, Soens et al. (2003) y Perdana (2008). Este _ujo de potencia en
ambos sentidos se realiza a travs de los dos convertidores (convertidor del
lado del rotor y convertidor del lado de red) mediante la con_guracin backto-back, que conectan el circuito del rotor a la red, ver _gura 3.17.
Un regulador Proporcional-Integral (PI) es usado para reducir el error de
potencia a cero. La salida de este regulador es la referencia de la corriente
del rotor Iqrref que debe ser inyectada en el rotor desde el convertidor
Crotor (Figura 1.8). Esta componente de corriente es la que produce el
torque electromagntico Tem. La componente actual de Iqr, de la secuencia
positiva, es comparada con Iqrref y el error es reducido a cero por el
regulador de corriente (controlador PI).
En el caso del convertidor del lado de red su funcin es la de mantener
constante la tensin VDC,figura [21], sin importar la direccin del flujo de
potencia del rotor y garantizar que el convertidor del lado red trabaja con el
factor de potencia de referencia fijado. Esta funcin se realiza mediante un
lazo de control vase figura [21].

-Los sistemas de medicin que miden las componentes dq de las corrientes

AC de secuencia positiva son controlados por la tensin DC (Vdc).
-El sistema re regulacin Vdc consiste en un regulador de tensin DC. La
salida del regulador de tensin DC es la corriente de referencia Idgcref para
el regulador de corriente (Idgc es la fase de corriente con tensin de la red
que controla el ujo de potencia activa).
-El lazo de regulacin interna consiste de un regulador de corriente. El
regulador de corriente controla la magnitud y fase de la tensin generada
(Vgc) por el convertidor Cred desde la corriente Idgcref producida por el
regulador de tensin DC y especifica la referencia Iqref.

17