A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters

Este artículo presenta los "DeePConverters", una arquitectura de control óptimo basada en datos mediante control predictivo habilitado por datos (DeePC) que permite a los convertidores de potencia conectados a la red percibir y adaptarse automáticamente a las características de la red eléctrica para lograr un rendimiento robusto y óptimo sin depender de modelos simplificados.

Lo esencial

¡Claro que sí! Imagina que el sistema eléctrico de un país es como una orquesta gigante. Tradicionalmente, los generadores de energía (como las grandes plantas de carbón o hidroeléctricas) eran los "directores de orquesta" con un ritmo muy estable y pesado. Pero hoy en día, tenemos muchas fuentes de energía renovable (solar, eólica) que se conectan a la red a través de unos dispositivos electrónicos llamados convertidores.

El problema es que estos convertidores son como músicos novatos que intentan tocar en una orquesta gigante, pero no conocen bien la partitura (la red eléctrica real) y a veces se desincronizan, creando ruido o incluso deteniendo la música (apagones).

Aquí es donde entra el DeePConverter, la solución que proponen los autores de este artículo. Vamos a desglosarlo con analogías sencillas:

1. El Problema: El Músico que lee una Partitura Vieja

Antes, los ingenieros diseñaban los convertidores basándose en una "partitura" (un modelo matemático) de cómo creían que era la red eléctrica.

• La analogía: Imagina que un pianista practica tocando una canción en una habitación silenciosa y perfecta (un modelo simple). Pero cuando sale al escenario real, hay viento, gente hablando y el suelo se mueve (la red real es compleja y cambia).
• El resultado: El pianista intenta seguir su práctica, pero suena mal o se equivoca. En la vida real, esto causa inestabilidad y oscilaciones en la red eléctrica.

2. La Solución: El "Músico que Escucha y Aprende" (DeePConverter)

Los autores proponen un nuevo tipo de convertidor llamado DeePConverter. En lugar de usar una partitura vieja y fija, este dispositivo tiene un "oído" súper agudo.

• La analogía: Imagina a un músico que, en lugar de leer una partitura, escucha lo que está pasando en la sala en tiempo real. Si el suelo tiembla, si el viento cambia o si otro músico se equivoca, este nuevo músico lo nota al instante y ajusta su propia música para encajar perfectamente.
• ¿Cómo lo hace? Usa una técnica llamada DeePC (Control Predictivo Habilitado por Datos). Básicamente, el convertidor mira sus propios datos pasados (qué voltaje y corriente ha visto) y dice: "Basado en lo que pasó hace un segundo, sé exactamente qué debo hacer ahora para sonar bien". No necesita saber la teoría compleja de la red; solo necesita los datos.

3. Las Características Clave (Con Metáforas)

• Modularidad (El "Lego" del Control):
  El sistema es como un set de Lego. Puedes cambiar solo una pieza (por ejemplo, solo la parte que sincroniza el ritmo) o puedes cambiar todo el bloque de control por completo. Esto es genial para las empresas porque pueden actualizar sus máquinas viejas sin tener que tirarlas a la basura; simplemente "enchufan" el nuevo cerebro de datos.

• El "Integrador" (El Corrector de Errores):
  A veces, incluso los mejores músicos se desvían un poco del tono. El DeePConverter incluye un "integrador", que es como un director de orquesta que corrige suavemente el tono si nota que la canción se ha desviado un poquito. Esto asegura que, a largo plazo, la energía sea perfecta y no haya errores acumulados.

• Adaptabilidad (El Camaleón):
  La red eléctrica cambia todo el tiempo (más viento, más nubes, nuevas fábricas conectadas). El DeePConverter es como un camaleón. Si la red cambia, el convertidor actualiza su "memoria" (sus datos) al instante y aprende la nueva situación sin tener que ser reprogramado por un ingeniero humano.

• Robustez (El Escudo):
  Los sensores a veces tienen "ruido" (como si alguien tosiera en la sala). El DeePConverter está diseñado para ignorar ese ruido y seguir tocando la canción correcta. Es como tener un escudo que filtra las interferencias.

4. ¿Qué demostraron en el laboratorio?

Los autores probaron esto en simulaciones muy detalladas y en un laboratorio real (Hardware-in-the-Loop, que es como un videojuego de realidad virtual pero con circuitos eléctricos reales).

• El resultado: Cuando hubo una tormenta eléctrica (una caída de voltaje) o cambios bruscos en la frecuencia, los convertidores normales (los viejos) se descontrolaron o tardaron mucho en recuperarse. Los DeePConverters, en cambio, se mantuvieron estables, recuperaron el ritmo rápidamente y ayudaron a que toda la red se calmara.

En Resumen

Este paper presenta un cerebro nuevo para los convertidores de energía. En lugar de ser máquinas rígidas que siguen reglas fijas basadas en suposiciones, son sistemas inteligentes que aprenden de la realidad.

Es como pasar de un reproductor de cassette (que solo reproduce lo que está grabado, aunque la cinta esté dañada) a un sistema de streaming con IA (que se adapta a tu conexión, corrige los errores en tiempo real y te da la mejor calidad posible, sin importar cómo cambie la red).

Esto es un gran paso para que tengamos una red eléctrica más limpia, estable y capaz de manejar la energía solar y eólica sin problemas.

Resumen técnico

Título del Artículo

Una Arquitectura de Control Óptimo Basada en Datos para Convertidores de Potencia Conectados a la Red

1. Problema

Los convertidores de potencia conectados a la red son fundamentales en los sistemas eléctricos modernos para integrar fuentes de energía renovable, almacenamiento y vehículos eléctricos. Sin embargo, su control convencional presenta desafíos críticos:

• Dependencia de Modelos Simplificados: Tradicionalmente, se utilizan múltiples reguladores PID anidados (sincronización, control de corriente, regulación de potencia/voltaje) cuyos parámetros se ajustan basándose en modelos de red simplificados (como un bus infinito).
• Incertidumbre y Complejidad: La red eléctrica real es altamente compleja, variable y desconocida para el diseñador del controlador. La discrepancia entre el modelo presuntivo y la dinámica real de la red (desajuste de modelo) puede degradar el rendimiento o causar inestabilidades, como oscilaciones observadas en parques eólicos reales.
• Limitaciones de Estrategias Avanzadas: Estrategias no basadas en datos (control robusto, adaptativo o MPC) requieren modelos precisos del convertidor-red y estrategias de reajuste fiables, lo cual es costoso y difícil de mantener ante la variabilidad de la impedancia de la red y la interacción compleja entre dispositivos.

2. Metodología

El artículo propone una arquitectura de control llamada DeePConverter, basada en el Control Predictivo Habilitado por Datos (DeePC - Data-enabled Predictive Control).

• Fundamento Teórico: Se basa en el "Lema Fundamental" de la teoría de sistemas comportamentales, que establece que la dinámica de un sistema lineal e invariante en el tiempo (LTI) puede capturarse completamente mediante sus trayectorias de entrada/salida, sin necesidad de identificar un modelo matemático explícito.
• Arquitectura Modular: Los DeePConverters reemplazan los lazos de control no adaptativos convencionales con un controlador DeePC. Se presentan cinco configuraciones modulares:
  1. Full DeePConverter: Reemplaza toda la estructura de control (sincronización, lazos externos e internos).
  2. Regulado por Potencia/Voltaje: Reemplaza solo el lazo externo.
  3. Regulado por Corriente: Reemplaza lazos externos e internos.
  4. Auto-sincronizado: Reemplaza sincronización y lazo externo.
  5. Híbrido: Reemplaza solo la unidad de sincronización.
• Acción Integral: Para eliminar errores de estado estacionario causados por no linealidades, se incorpora una acción integral dentro del marco DeePC, optimizando las diferencias de la entrada de control ($\Delta u$) en lugar de la entrada misma.
• Especificación de Comportamiento: Mediante el diseño de la función de costo (matrices de ponderación y acoplamiento), el controlador puede emular y adaptar dinámicamente comportamientos de Seguimiento de Red (GFL) y Formación de Red (GFM), incluyendo modos de operación PQ (Potencia Activa/Reactiva) y PV (Potencia Activa/Voltaje).
• Adaptabilidad en Línea: Se proponen dos estrategias para actualizar las matrices de Hankel (que contienen los datos históricos) ante cambios en la red o parámetros del sistema:
  • Actualización Recursiva: Actualización paso a paso para sistemas de rápida variación.
  • Reconstrucción por Lotes: Actualización periódica basada en ventanas de datos para sistemas de evolución lenta.

3. Contribuciones Clave

1. Arquitectura "Plug-and-Play" Basada en Datos: Propuesta de una arquitectura modular que permite la sustitución flexible de capas de control específicas o la totalidad del esquema, facilitando la implementación práctica de controladores basados en datos en electrónica de potencia.
2. Formulación Integral y Adaptativa: Integración de acciones integrales para eliminar errores de seguimiento y estrategias de actualización de matrices de Hankel en línea, mejorando la precisión en estado estacionario y la adaptabilidad a condiciones variables.
3. Unificación de GFL y GFM: Demostración de que una única estructura de control basada en datos puede englobar y realizar tanto esquemas GFL como GFM mediante el diseño de la función de costo, superando las limitaciones de las estructuras fijas tradicionales.
4. Robustez Intrínseca: Análisis y demostración de la robustez del DeePConverter frente a ruido de medición, retardos de comunicación y no linealidades débiles, gracias a términos de regularización y variables de holgura en la optimización.
5. Validación Exhaustiva: Implementación eficiente en tiempo real utilizando solucionadores de alto rendimiento (OSQP) y soluciones de forma cerrada, validada mediante simulaciones de alta fidelidad y pruebas de Hardware-in-the-Loop (HIL).

4. Resultados

Las simulaciones y pruebas experimentales (HIL) demuestran lo siguiente:

• Rendimiento Superior: Los DeePConverters superan a los convertidores convencionales (GFL/GFM) y a las emulaciones basadas en Control Predictivo de Subespacio (SPC) en términos de seguimiento de potencia, regulación de voltaje y rechazo a perturbaciones.
• Estabilidad en Condiciones Críticas:
  • Mantienen la estabilidad y un seguimiento suave durante caídas severas de voltaje (hasta 0.5 p.u.) y cambios en la relación de cortocircuito (SCR), donde los controladores convencionales sufren oscilaciones o pérdida de sincronismo.
  • Proporcionan soporte de inercia y respuesta de frecuencia primaria efectiva en modo GFM.
• Adaptabilidad: Las estrategias de actualización recursiva y por lotes permiten al controlador recuperarse rápidamente de cambios en las condiciones de operación (desequilibrio de voltaje) y variaciones de parámetros internos (cambio de ancho de banda del PLL), manteniendo un rendimiento óptimo.
• Validación HIL: Las pruebas en plataforma de hardware-in-the-loop confirman la viabilidad en tiempo real, mostrando transiciones rápidas entre modos PQ/PV y una regulación de voltaje y corriente muy bien amortiguada.

5. Significado

Este trabajo representa un cambio de paradigma en el control de convertidores de potencia conectados a la red. Al eliminar la dependencia de modelos físicos explícitos y complejos, los DeePConverters ofrecen una solución robusta, óptima y adaptable que puede "percibir" la dinámica de la red directamente a partir de los datos medidos.

Su capacidad para unificar comportamientos GFL y GFM, junto con su robustez ante incertidumbres y su capacidad de auto-ajuste, los posiciona como una tecnología clave para garantizar la estabilidad y resiliencia de los sistemas eléctricos futuros dominados por la electrónica de potencia, especialmente en redes con alta penetración de energías renovables.