Metodología de estimación de parámetros en dispositivos eléctricos con procesos iterativos de simulación usando algoritmos genéticos

Abstract

La tesis se presenta como una metodología para realizar estimación de parámetros de dispositivos eléctricos por medio de simuladores electrónicos. Se aborda una alternativa a los problemas de manipulación de parámetros precisamente en la estimación de parámetros de modelo circuital de cargas eléctricas. De esa forma se propone una metodología que utiliza técnicas de inteligencia artificial como los algoritmos genéticos para validar modelos propuestos de softwares de simulación eléctrica. Así se encuentra una alternativa a la típica estimación de parámetros basada en funciones objetivo realizada sobre ecuaciones matemáticas de todo el sistema. Se realiza una contextualización respecto a la temática de estimación y el funcionamiento de las herramientas de simulación temporal de dispositivos eléctricos. Se presentan la elección de software, selección de herramientas, estructura de la metodología, su funcionamiento y el trabajo conjunto de estas para llevar a cabo la estimación. El software de simulación base es LTspice con uso del motor Spice para manipular parámetros eléctricos por medio de arreglo Netlist matricial. Se utiliza algoritmos genéticos y se presenta la función objetivo general para realizar la estimación en distintos escenarios. Se expone una manera de adquisición de señales para agrupar las señales por medio del dispositivo Analog Discovery 2 y se ejecuta todo el código principal de la metodología haciendo uso del lenguaje de programación Python. Finalmente, se valida la herramienta con 3 escenarios de estimación de dispositivos del área de ingeniería eléctrica haciendo estimación de parámetros de un transformador, un módulo fotovoltaico y una lampara fluorescente (CFL). La metodología agilizará el proceso involucrado para llevar estimación de parámetros a partir de datos adquiridos. Adicionalmente, brinda un método versátil para que los ingenieros, haciendo uso de conocimiento de simulación, realicen caracterización de los dispositivos eléctricos que necesiten de manera rápida sin modelamientos matemáticos- analíticos extensos y complejos (Texto tomado de la fuente).

The Thesis is presented as a methodology to do parameter estimation of electric devices using electronic simulators. It approaches an alternative to problem of manipulation parameters in the parameter estimation of circuital models of electric loads. Is proposed a methodology that use artificial intelligent techniques like genetic algorithm to validate model proposed of electrical simulation software’s. In that way is founded and alternative to the typic techniques of parameter estimation bases of objective functions made it over mathematical equations of all the system. Is realized a contextualization about estimation topics, and the operation of simulation software tools focus on electrical devices in time analysis. Is presented the software choices, tools selection, structure of the methodology, its functioning, and the work in group of them to carry out the estimation. The base software for simulation is LTspice using the Spice motor to manipulate electrical parameters via Netlist matrixial configuration. Is used genetic algorithms and is presented the general objective function to make signals comparison to realize the estimation. Is exposed way to do signal acquisition to a group the signals via Analog Discovery device and it is executed all the principal code of methodology making use of Python programming language. Finally, is validated the tool with 3 scenarios of devices estimation in the electrical engineer area doing estimation of parameters of a transformer, photovoltaic module, and compact fluorescent lamp. The methodology shall agile the involved process to do parameter estimation bases on acquired data. Give a versatile method for engineers, that making use of simulation knowledge, they should realize electrical device characterization that can need in a fast way without making complex and large mathematical-analytic models.