Evaluación de control neuronal con arquitectura óptima para convertidor dc/dc

Abstract

El control de convertidores DC/DC, topologías utilizadas ampliamente en la reducción activa de contenido armónico para equi- po monofásico no lineal de baja potencia, plantea grandes retos de diseño debido a lo complejo del modelo matemático y su característica dinámica altamente no lineal. Técnicas de inteligencia artificial como las redes neuronales, suponen grandes me- joras en el diseño y desempeño final, dada su capacidad de aprender dinámicas complejas y generalizar su comportamiento. La motivación de este trabajo fue la de plantear (y posteriormente evaluar la respuesta dinámica) un lazo de control directo con re- des neuronales, que permitiera adicionalmente eliminar elementos de prueba y error en su diseño. Se propone un control direc- to basado en red neuronal artificial, cuyo diseño se realizó de forma óptima utilizando modelos de búsqueda bioinspirada, esto para optimizar simultáneamente dos aspectos diferentes pero fundamentales de la red: la arquitectura y los pesos de las cone- xiones. El control es aplicado a un convertidor boost. Los resultados obtenidos permiten observar el desempeño dinámico del es- quema, para el cual los tiempos de respuesta y los delta de voltaje en la salida permiten concluir que los criterios seleccionados para el diseño del control son apropiados y representan un aporte en el desarrollo de aplicaciones de control de sistemas con- mutados DC/DC.

Controlling DC/DC converters (topologies widely used in the active reduction of harmonic content for single-phase nonlinear low -power equipment) raises great design challenges due to the mathematical model’s complexity and its highly nonlinear dynamic characteristics. Artificial intelligence techniques, such as neuronal networks, suppose great improvements in design and final per- formance, given their capacity for learning complex dynamics and generalising their behaviour. This work was aimed at propo- sing (and evaluating dynamic response later on) direct control link with neuronal networks which also allowed eliminating test ele- ments and error in its design. Artificial neuronal network-based direct control was designed as well as possible using bio-inspired search models. This simultaneously optimised two different but fundamental aspects of the network: architecture and the weight of the connections. The control was applied to a boost converter. The results led to observing the scheme’s dynamic performan- ce; response time and exit voltage delta led to concluding that the criteria selected for designing the control were appropriate and represented a contribution towards developing control applications of DC/DC switchmode systems.