Controle preditivo de cômputo rápido aplicado a inversores trifásicos de dois níveis

Abstract

Nesta dissertação de mestrado, são comparados algoritmos de cômputo rápido presentes na literatura para controle preditivo baseado em modelo com conjunto de controle finito (FCSMPC, do inglês, Finite Control Set Model Predictive Control), quando aplicados a um inversor tipo fonte de tensão trifásico de dois níveis. Uma combinação entre duas das abordagens estudadas é proposta, resultando em um algoritmo inédito na literatura, denominado de vetores adjacentes pré-selecionados para algoritmo de decodificação via esferas (PAV-SDA, do inglês, Preselected Adjacent Vectors for Sphere Decoding Algorithm). Para comparar o desempenho dessas técnicas estudadas, os resultados obtidos por simulações em diferentes cenários são utilizados em análises de rastreamento de referência e esforço de cômputo dos algoritmos. Para horizontes de uma amostra de comprimento, a técnica FCS-MPC com conjunto simplificado de controle, em conjunto com o modelo de predição autorregressivo integrado com média móvel e entrada controlada, apresentou os melhores índices de seguimento de referência, com 21% do tempo de cômputo médio necessário pela segunda técnica mais rápida. Para horizontes de duas amostras ou mais, as técnicas que utilizam o modelo de predição autorregressivo com média móvel e entrada controlada obtêm melhores resultados com menos tempo de cômputo gasto. Por fim, a técnica proposta PAV-SDA demonstra ser a melhor opção para horizontes de três amostras ou mais, pois fornece os melhores índices de seguimento de referência com até 29% menos tempo de cômputo gasto.

Abstract: In this master?s dissertation, fast computation algorithms present in the literature for Finite Control Set Model Predictive Control (FCS-MPC) are compared when applied to a three-phase two-level voltage source inverter. A combination of two of the studied approaches is proposed, resulting in a novel algorithm, named Preselected Adjacent Vectors for Sphere Decoding Algorithm (PAV-SDA). To compare the performance of these studied techniques, the simulation results of different scenarios are analyzed regarding the reference tracking performance and the computational effort spent by the algorithms. For one-sample length horizons, the FCSMPC with Simplified Control Set combined with the Controlled Auto-Regressive Integrated Moving Average model showed the best reference tracking indexes, with 21% of the average computational time required by the second fastest technique. For horizons of two or more samples, techniques using the Controlled Auto-Regressive Moving Average model achieve better results with less computational time spent. Finally, the proposed PAV-SDA technique proves to be the best option for horizons of three or more samples, providing the best reference tracking indices with up to 29% less computational time spent.