Presentation CBA2014

Motivação Objetivos Fundamentação Teórica Metodologia Investigada Análise dos Resultados Conclusões
Síntese de um Filtro Inverso - Vector Fitting versus

Levenberg-Marquardt
Autores:
Eubis Pereira Machado, D.Sc., UNIVASF
Damásio Fernandes Júnior, D.Sc., UFCG
Washington Luiz Araújo Neves, Ph.D., UFCG
XX Congresso Brasileiro de Automática - CBA 2014

Sumário
1 Motivação
2 Objetivos
3 Fundamentação Teórica
4 Metodologia Investigada
5 Análise dos Resultados
6 Conclusões
2 / 20
Sumário
1 Motivação
2 Objetivos
6 Conclusões
3 / 20
Motivação
TPC TPC + anti-aliasing TPC IDEAL TPC TPC + anti-aliasing TPC IDEAL
100
1
0
Ganho (PU)
Fase (graus)
0.8
-100
0.6
-200
0.4
0.2 -300
0 -400
1 2 3 1 2 3
10 10 10 10 10 10
Frequência (Hz) Frequência (Hz)
TPC TPC + anti-aliasing TPC IDEAL

300
200
100
Tensão (V)
-100
-200
-300
0 5 10 15 20 25 30 35 40 45 50
Tempo (ms)
4 / 20
Motivação
TPC TPC + anti-aliasing TPC IDEAL TPC TPC + anti-aliasing TPC IDEAL
100
1
0
Ganho (PU)
Fase (graus)
0.8
-100
0.6
-200
0.4
0.2 -300
0 -400
1 2 3 1 2 3
10 10 10 10 10 10
TPC TPC + anti-aliasing TPC IDEAL

200
150
100
50
Tensão (V)
-50
-100
-150
-200
50 100 150 200
Tempo(ms) 4 / 20
Sumário
1 Motivação
2 Objetivos
6 Conclusões
5 / 20
Objetivos
Geral
Identificar filtros inversos, de baixa ordem, a partir dos
dados de resposta em frequência de TPC.
Específicos
Síntese de funções racionais com os propósitos de:
Corrigir a resposta em frequência de TPC;
Corrigir a tensão secundária de TPC;
Eliminar o atraso de fase e atenuação do ganho
proporcionados pelo filtro anti-aliasing.
6 / 20
Objetivos
Geral
Específicos
6 / 20
Objetivos
Geral
Específicos
6 / 20
Objetivos
Geral
Específicos
6 / 20
Objetivos
Geral
Específicos
6 / 20
Objetivos
Geral
Específicos
6 / 20
Objetivos
Geral
Específicos
6 / 20
Sumário
1 Motivação
2 Objetivos
6 Conclusões
7 / 20
Fundamentação Teórica
Aproximação do filtro inverso:
a0 + a1 γv + . . . + an γvn
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm
γv = jωv identificação na frequência analógica;
1
γv = z −1 = e−jΩv identificação na frequência discreta.

2
Função objetivo:
npt npt
1X 1X
F (x) = (hv − H(γv ; x))2 = (Rv (x))2 . (2)
2 2
v =1 v =1
Quadrados mínimos lineares (QML);

Quadrados mínimos não lineares (QMNL);
Vector fitting.
8 / 20
a0 + a1 γv + . . . + an γvn
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm
1

2
Função objetivo:
npt npt
1X 1X
F (x) = (hv − H(γv ; x))2 = (Rv (x))2 . (2)
2 2
v =1 v =1

Vector fitting.
8 / 20
a0 + a1 γv + . . . + an γvn
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm
1

2
Função objetivo:
npt npt
1X 1X
F (x) = (hv − H(γv ; x))2 = (Rv (x))2 . (2)
2 2
v =1 v =1

Vector fitting.
8 / 20
a0 + a1 γv + . . . + an γvn
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm
1

2
Função objetivo:
npt npt
1X 1X
F (x) = (hv − H(γv ; x))2 = (Rv (x))2 . (2)
2 2
v =1 v =1

Vector fitting.
8 / 20
a0 + a1 γv + . . . + an γvn
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm
1

2
Função objetivo:
npt npt
1X 1X
F (x) = (hv − H(γv ; x))2 = (Rv (x))2 . (2)
2 2
v =1 v =1

Vector fitting.
8 / 20
Quadrados Mínimos Lineares

Considerando, a priori, Rv (x) ≈ 0, ∀ v = 0, 1, . . . , npt
n m
!
X X
ai (jωv )i − hv bi (jωv )i = hv , (3)
i=0 i=1
Expandindo, obtém-se:
Ax = b. (4)
Características do sistema:
Sistema com coeficientes complexos;
Mal condicionado;
9 / 20

n m
!
X X
i=0 i=1
Ax = b. (4)
Mal condicionado;
9 / 20

n m
!
X X
i=0 i=1
Ax = b. (4)
Mal condicionado;
9 / 20

n m
!
X X
i=0 i=1
Ax = b. (4)
Mal condicionado;
9 / 20
Quadrados Mínimos Não Lineares

npt Pn !2
i
1X i=0 ai s
F (x) = hv − (5)
1+ m i
P
2 i=1 bi s
v =1
Aproximação quadrática de F (x) em torno do ponto x(k ) :

T 1 T
G(x) ≈ F (x(k ) ) + [x − x(k ) ] ∇F (x(k ) ) + [x − x(k ) ] ∇2 F (x(k ) )[x − x(k ) ]
2
(6)
Aproximação do ponto crítico de G(x) na k -ésima iteração:
x(k +1) = x(k ) + p(k )

2 (7)
∇ F (x(k ) )p(k ) = −∇F (x(k ) )
10 / 20
Métodos Convencionais de Solução
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
Levenberg-Marquardt ∇2 F (x(k ) ) p(k ) = −∇F (x(k ) )
 | {z }

... Hessiana
Diferem apenas na aproximação da matriz Hessiana;

Precisam de uma boa estimativa inicial para apresentar
sucesso no ajuste;
Qual o melhor valor de x(k ) para inicializar o MQNL?
A solução do MQL?
Erros associados ao mal condicionamento;
Não há garantia da solução representar sistemas estáveis
no domínio do tempo.
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Newton

Gauss-Newton 
 x(k +1) = x(k ) + p(k )
 | {z }

... Hessiana

sucesso no ajuste;
A solução do MQL?
11 / 20
Sumário
1 Motivação
2 Objetivos
6 Conclusões
12 / 20
Metodologia Investigada
a0 + a1 sv + . . . + an svn ∼
R(x) = (αv + jβv ) − =0 (8)
| {z } 1 + b1 sv + . . . + bm svm
Medições
De forma simplificada:

g11 g12 xa α
= . (9)
g g xb β
| 21 {z 22 } | {z } | {z }
A x b
Sistema sobredeterminado com coeficientes reais;

Mal condicionado: necessidade de pré-condicionamento.
13 / 20
Metodologia Investigada
Filtro inverso em s ou em z
Utilizado no MQL Utilizado no MQNL

z }| { z }| {
Qn
a0 + a1 γv + . . . + an γvn k =1 γ 2 + a1k γ + a0k
H(γv , x) = H(γv , x) = k0 Qm
1 + b1 γv + . . . + bm γvm

k =1 γ 2 + b1k γ + b0k
14 / 20
Sumário
1 Motivação
2 Objetivos
6 Conclusões
15 / 20
Ajuste do filtro inverso de um TPC 138 kV

5
10 400
Referência Referência
300 LM
LM
4 RVF RVF
10 200
Fase (graus)
100
Ganho (PU)
3
10 0
-100
2
10 -200
-300
1 -400
10 1 2 3
1 2 3 10 10 10
10 10 10
7
10
6
10
Função objetivo
5
10
4
10
3
10
2
10
0 200 400 600 800 1000
k (Iterações) 16 / 20

3
10 400
LM LM
300 RVF
2 RVF
10
Fase (graus)
200
Ganho (PU)
1
10
100
0
10
0
-1
10 -100
1 2 3 1 2 3
10 10 10 10 10 10
5
10
4
10
3
10
Função objetivo
2
10
1
10
0
10
-1
10
0 20 40 60 80 100 120

4
10 400
LM 300 LM
3
10 RVF RVF
200
Fase (graus)
2
Ganho (PU)
10
100
1
10
0
0
10 -100
-1
10 -200
1 2 3 1 2 3
10 10 10 10 10 10
6
10
4
10
Função objetivo
2
10
0
10
-2
10
-4
10
0 50 100 150 200 250 300
Sumário
1 Motivação
2 Objetivos
6 Conclusões
19 / 20
Conclusões
1 O atraso de fase excessivo dificulta o processo de síntese

dos filtros inversos;
2 A metodologia investigada forneceu estimativas iniciais
necessárias para um bom desempenho do método de
Levenberg-Marquardt.
20 / 20
Conclusões

20 / 20
Conclusões

20 / 20

Presentation CBA2014

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Presentation CBA2014

Diunggah oleh

Hak Cipta:

Format Tersedia

Motivação Objetivos Fundamentação Teórica Metodologia Investigada Análise dos Resultados Conclusões

Síntese de um Filtro Inverso - Vector Fitting versus

XX Congresso Brasileiro de Automática - CBA 2014

5 Análise dos Resultados

5 Análise dos Resultados

TPC TPC + anti-aliasing TPC IDEAL

TPC TPC + anti-aliasing TPC IDEAL

5 Análise dos Resultados

5 Análise dos Resultados

γv = z −1 = e−jΩv identificação na frequência discreta.

Quadrados mínimos lineares (QML);

γv = z −1 = e−jΩv identificação na frequência discreta.

Quadrados mínimos lineares (QML);

γv = z −1 = e−jΩv identificação na frequência discreta.

Quadrados mínimos lineares (QML);

γv = z −1 = e−jΩv identificação na frequência discreta.

Quadrados mínimos lineares (QML);

γv = z −1 = e−jΩv identificação na frequência discreta.

Quadrados mínimos lineares (QML);

Quadrados Mínimos Lineares

Quadrados Mínimos Lineares

Quadrados Mínimos Lineares

Quadrados Mínimos Lineares

Quadrados Mínimos Não Lineares

Aproximação quadrática de F (x) em torno do ponto x(k ) :

x(k +1) = x(k ) + p(k )

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

Diferem apenas na aproximação da matriz Hessiana;

5 Análise dos Resultados

Sistema sobredeterminado com coeficientes reais;

Utilizado no MQL Utilizado no MQNL

5 Análise dos Resultados

Ajuste do filtro inverso de um TPC 138 kV

Ajuste do filtro inverso de um TPC 230 kV

Ajuste do filtro inverso de um TPC 500 kV

5 Análise dos Resultados

1 O atraso de fase excessivo dificulta o processo de síntese

1 O atraso de fase excessivo dificulta o processo de síntese

1 O atraso de fase excessivo dificulta o processo de síntese

Anda mungkin juga menyukai