Resumen de Multi-objective & multi-model PI/PID controller tunning

Ernesto del Piero Leyva Callas, Ismael Abdalá Jose, Lucas Colomera de Lima, Mateus Gusso Soriano, Helon Vicente Hultmann Ayala, Gilberto Reynoso Meza

• español

  Este estudio aborda el desafío de modelar un controlador para una turbina eólica de 15 MW propuesta por la Universidad de Córdoba. Ante la falta de disponibilidad de un modelo que represente el funcionamiento interno de la turbina, se resolvió utilizando la herramienta de Identificación de Sistemas en MATLAB. Se empleó el modelo lineal ARMAX, y se aplicaron los criterios de Vinnicombe y Akaike para abordar múltiples modelos, objetivos y seleccionar las mejores funciones de transferencia. Inicialmente, se obtuvieron 15 funciones de transferencia. Posteriormente, el controlador PI propuesto se ajustó a un PID con un filtro utilizando las cuatro funciones de transferencia encontradas mediante el uso del algoritmo de optimización multiobjetivo spMODEx, encontrando ganancias óptimas con un Kp=-8, Ti=12, Td=0.9754, y filtro=10, lo que resultó en un J=0.4602, superando óptimamente el valor propuesto por el desafío, J=0.5206. Las ganancias encontradas en este estudio demostraron su viabilidad para operar en una amplia gama de sistemas, respaldando un enfoque de múltiples modelos

• English

  This study addresses the challenge of modeling a controller for a 15 MW wind turbine proposed by the University of Córdoba. Faced with the unavailability of a model representing the internal workings of the turbine, it was resolved using the System Identification tool in MATLAB. The linear ARMAX model was employed, and the Vinnicombe and Akaike criteria were applied to address multiple models, objectives, and select the best transfer functions. Initially, 15 transfer functionswere obtained. Subsequently, the proposed PI controller was adjusted to a PID with a filter using the four transfer functions found through the use of the multi-objective optimization algorithm spMODEx, finding optimal gains with a ��=−8, ��=12, ��=0.9754, and a ������=10, resulting in a �=0.4602, optimally surpassing the value proposed by the challenge, �=0.5206. The gains found in this study demonstrated their viability to operate across a wide range of systems, supporting a multi-model approach.