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

Este artigo propõe uma arquitetura de controle ótimo baseada em dados, denominada DeePConverter, que utiliza o controle preditivo habilitado por dados (DeePC) para permitir que conversores de potência conectados à rede se adaptem automaticamente às características complexas e variáveis da rede, superando as limitações dos controladores PID convencionais e validando sua eficácia através de simulações de alta fidelidade e testes em hardware-in-the-loop.

O essencial

Imagine que a rede elétrica é como um grande oceano e as usinas de energia (como painéis solares ou turbinas eólicas) são barcos que precisam navegar nele. Antigamente, esses barcos usavam um "piloto automático" muito simples e rígido, baseado em regras fixas (chamadas controladores PID). O problema é que esse piloto automático foi desenhado pensando em um oceano calmo e previsível. Mas, na vida real, o oceano da rede elétrica é cheio de ondas imprevisíveis, tempestades repentinas e mudanças de correntes. Quando o barco encontra uma tempestade que não estava no manual, o piloto automático antigo pode entrar em pânico, fazer o barco balançar perigosamente ou até afundar (causar instabilidade na rede).

Este artigo apresenta uma solução revolucionária: o DeePConverter.

O que é o DeePConverter?

Pense no DeePConverter não como um piloto que segue um mapa desenhado antes, mas como um piloto experiente que "sente" a água.

Em vez de tentar desenhar um modelo matemático perfeito da rede elétrica (o que é quase impossível porque a rede é complexa e muda o tempo todo), o DeePConverter usa dados. Ele olha para o que está acontecendo agora (a tensão, a corrente, a velocidade) e aprende com a experiência passada para decidir o melhor movimento para o próximo segundo. É como se o barco tivesse um senso de "intuição" baseada em milhões de experiências anteriores, em vez de apenas seguir regras escritas num livro.

Como funciona essa "intuição"?

1. Aprender Fazendo (Data-Driven):
   Imagine que você está aprendendo a andar de bicicleta. Você não precisa saber a física complexa do atrito e da gravidade para não cair. Você apenas pedala, sente o equilíbrio, cai um pouco, ajusta e aprende. O DeePConverter faz o mesmo. Ele coleta dados da rede elétrica em tempo real e usa esses dados para prever o futuro e tomar a melhor decisão de controle.

2. O "Cérebro" Modular (Plug-and-Play):
   O artigo mostra que você pode trocar partes do sistema antigo por esse novo "cérebro" de forma modular.

   • Você pode trocar apenas a parte que regula a velocidade (sincronização).
   • Pode trocar a parte que controla a potência.
   • Ou trocar tudo de uma vez.
     É como trocar o motor de um carro por um elétrico, mas mantendo o volante e os freios originais se você quiser, ou trocando tudo para ter um carro totalmente novo e mais eficiente.

3. Sem Erros de "Café Frio" (Integral Action):
   Às vezes, sistemas antigos têm um pequeno erro que nunca desaparece (como um carro que sempre fica um pouco desviado da linha). O DeePConverter tem um mecanismo especial (chamado ação integral) que garante que, se houver um desvio, ele corrija até chegar exatamente no alvo, sem deixar aquele "erro de café frio" acumular.

4. Adaptabilidade (O Camaleão):
   Se a rede elétrica mudar de repente (uma linha cair, uma fábrica ligar), o DeePConverter não fica confuso. Ele tem duas estratégias para se adaptar:

   • Atualização em Tempo Real: Ele ajusta seus "músculos" a cada milissegundo, aprendendo instantaneamente com a nova realidade.
   • Reconstrução de Batch: Se a mudança for muito grande, ele para por um instante, recolhe novos dados intensamente e "reinicia" seu mapa mental para estar pronto para o novo cenário.

Por que isso é importante?

• Estabilidade: Em testes, enquanto os controladores antigos começaram a tremer e oscilar quando a rede ficou instável, o DeePConverter manteve o barco firme e calmo.
• Versatilidade: Ele consegue imitar dois tipos de comportamento diferentes:
  • Seguidor de Rede (GFL): Como um barco que segue a correnteza (ideal para redes fortes).
  • Formador de Rede (GFM): Como um barco que cria sua própria correnteza e ajuda a estabilizar o oceano ao redor (ideal para redes fracas ou ilhas de energia).
    O DeePConverter faz os dois, dependendo do que a rede precisa naquele momento.
• Segurança: Ele respeita os limites físicos (não deixa a corrente elétrica subir demais) e reage rápido a quedas de tensão, evitando apagões.

Conclusão

O DeePConverter é como dar um GPS inteligente e um piloto automático de IA para as usinas de energia renovável. Em vez de depender de mapas antigos e imprecisos, ele olha para o mundo real, aprende com ele e ajusta a rota em tempo real. Isso torna a rede elétrica mais segura, mais estável e capaz de suportar muito mais energia limpa (solar e eólica) sem medo de colapsos. É a evolução de seguir regras para entender o contexto.

Resumo técnico

Título: Uma Arquitetura de Controle Ótimo Baseada em Dados para Conversores de Potência Conectados à Rede

1. Problema e Motivação

A integração em larga escala de fontes de energia renovável (eólica, solar) e sistemas de armazenamento transformou a estrutura das redes elétricas modernas. Diferentemente das usinas convencionais baseadas em geradores síncronos (GS), esses recursos utilizam conversores de potência eletrônicos que possuem baixa inércia física e operam de forma distribuída.

O principal desafio reside no controle desses conversores:

• Limitações dos Métodos Atuais: A abordagem convencional utiliza múltiplos reguladores PID aninhados (sincronização, controle de corrente, regulação de potência/tensão). Os parâmetros desses PID são ajustados com base em modelos de rede simplificados (geralmente assumindo uma "barra infinita").
• Incerteza e Instabilidade: A rede real é complexa, variável no tempo e frequentemente desconhecida. A discrepância entre o modelo presumido e a dinâmica real da rede (mismatch de modelo) pode levar a desempenho inferior, oscilações e até instabilidades em sistemas dominados por eletrônica de potência.
• Dificuldade de Modelagem: Estratégias não baseadas em dados (como controle robusto $H_\infty$ ou MPC tradicional) exigem modelos precisos do sistema conversor-rede, o que é difícil de obter devido à impedância variável da rede e detalhes proprietários dos dispositivos.

2. Metodologia Proposta: DeePConverters

Os autores propõem uma nova arquitetura chamada DeePConverter (Conversor com Controle Preditivo Habilitado por Dados), que utiliza o Controle Preditivo Habilitado por Dados (DeePC - Data-enabled Predictive Control).

• Fundamento Teórico: A metodologia baseia-se no Lema Fundamental da teoria de sistemas comportamentais. Este teorema estabelece que, para um sistema linear invariante no tempo (LTI), a dinâmica completa pode ser capturada inteiramente por trajetórias de entrada/saída (dados), sem a necessidade de identificar um modelo matemático explícito (matrizes A, B, C, D).
• Arquitetura Modular: O DeePConverter permite a substituição flexível dos laços de controle convencionais (sincronização, laço externo de potência/tensão e laço interno de corrente) por um controlador DeePC. São apresentadas cinco configurações modulares, desde a substituição apenas do laço de sincronização até a substituição completa de todos os laços.
• Ação Integral: Para mitigar erros de rastreamento em regime permanente causados por não-linearidades do sistema, os autores introduzem uma formulação DeePC Integral. Em vez de otimizar o sinal de controle direto, o controlador otimiza as diferenças do sinal de controle ($\Delta u$), integrando-as para obter a ação final, eliminando erros estáticos de forma análoga à ação integral do PID, mas derivada de dados.
• Generalização de Comportamentos (GFL e GFM): A estrutura do DeePConverter é generalizada para englobar tanto o modo Seguidor de Rede (GFL - Grid-Following) quanto o modo Formador de Rede (GFM - Grid-Forming). A transição entre esses modos e a definição de comportamentos específicos (como controle de tensão, potência ativa, ou resposta inercial) são realizados através do design da função de custo (matrizes de ponderação e acoplamento), sem alterar a estrutura do controlador.
• Adaptação Online: Para lidar com mudanças dinâmicas na rede (variações de impedância, reconfigurações), o artigo propõe duas estratégias de atualização dos dados (matrizes de Hankel):
  1. Atualização Recursiva: Atualização passo a passo dos dados para adaptação rápida.
  2. Reconstrução em Lote: Reconstrução periódica do conjunto de dados quando a performance degrada ou em intervalos fixos.

3. Contribuições Principais

1. Arquitetura Modular "Plug-and-Play": Proposição de uma estrutura que permite a substituição seletiva de camadas de controle em conversores de tensão (VSC), facilitando a implementação prática do DeePC em sistemas existentes.
2. Formulação Integral e Adaptativa: Introdução de ações integrais no framework DeePC para eliminar erros de regime permanente e estratégias de atualização online (recursiva e em lote) para garantir robustez frente a dinâmicas variantes no tempo.
3. Design de Comportamento via Função de Custo: Demonstração de como a especificação de comportamentos de sincronização e regulação (GFL/GFM, modos PQ/PV) pode ser realizada sistematicamente através da engenharia da função de custo preditiva, unificando diferentes paradigmas de controle em uma única estrutura baseada em dados.
4. Validação Abrangente: Validação através de simulações de alta fidelidade e testes Hardware-in-the-Loop (HIL), demonstrando superioridade em relação a controladores PID convencionais e métodos indiretos baseados em dados (como Controle Preditivo por Subespaço - SPC).

4. Resultados e Desempenho

Os resultados experimentais e de simulação demonstraram que os DeePConverters:

• Rastreamento e Rejeição de Distúrbios: Apresentaram rastreamento de referência mais rápido e rejeição de distúrbios superior (ex.: quedas de tensão severas e variações de SCR) comparado a controladores GFL e GFM tradicionais.
• Estabilidade em Condições Críticas: Em testes de queda de tensão profunda (0.5 p.u.), enquanto o controlador GFL tradicional perdeu a sincronização e o GFM apresentou oscilações significativas, os DeePConverters mantiveram a estabilidade e a operação contínua.
• Resposta Inercial: Configurados com parâmetros de inércia e amortecimento adequados na função de custo, os DeePConverters emularam com sucesso a dinâmica de equação de oscilação (swing equation), fornecendo suporte de frequência e inércia virtual.
• Eficiência Computacional: A implementação em tempo real foi viabilizada usando solvers de programação quadrática (OSQP) e soluções de forma fechada quando as restrições estão inativas, com tempos de cálculo compatíveis com períodos de amostragem de 1 ms.
• Adaptabilidade: Os testes de adaptação online mostraram que as estratégias de atualização de matrizes de Hankel permitiram ao controlador recuperar o desempenho ideal após mudanças bruscas nos parâmetros do sistema (ex.: mudança na largura de banda do PLL) ou condições de operação.

5. Significância e Impacto

Este trabalho representa um avanço significativo no controle de redes elétricas modernas dominadas por eletrônica de potência. Ao eliminar a dependência de modelos físicos precisos e complexos, o DeePConverter oferece uma solução robusta, adaptativa e otimizada que pode lidar com a incerteza inerente das redes do futuro.

A capacidade de unificar os modos GFL e GFM em uma única estrutura baseada em dados, permitindo a transição suave e o ajuste fino de comportamentos via função de custo, simplifica o projeto de controladores e aumenta a resiliência do sistema. A validação em HIL confirma a viabilidade prática dessa abordagem, sugerindo que o paradigma "dados como modelo" é uma rota promissora para a próxima geração de controladores de conversores de potência, essenciais para a integração segura de energias renováveis.