Upload
tranque
View
213
Download
0
Embed Size (px)
Citation preview
APLICAÇÕES DE TÉCNICAS DE CONTROLE PREDITIVO BASEADO EM
MODELO
Breno Zaidan Martinelli
Projeto de Graduação apresentado ao Curso
de Engenharia Elétrica da Escola Politécnica,
Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessários à obtenção do
título de Engenheiro.
Orientador: Oumar Diene
Rio de Janeiro
Março de 2018
APLICAÇÕES DE TÉCNICAS DE CONTROLE PREDITIVO BASEADO EM
MODELO
Breno Zaidan Martinelli
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO
CURSO DE ENGENHARIA ELÉTRICA DA ESCOLA POLITÉCNICA
DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
ENGENHEIRO ELETRICISTA.
Examinado por:
Prof. Oumar Diene, D.Sc.
Prof. José Luiz da Silva Neto, Ph.D.
Prof. Walter Issamu Suemitsu, Dr.Ing.
RIO DE JANEIRO, RJ BRASIL
MARÇO DE 2018
Zaidan Martinelli, Breno
Aplicações de técnicas de controle preditivo baseado em
modelo/Breno Zaidan Martinelli. Rio de Janeiro: UFRJ/
Escola Politécnica, 2018.
XII, 66 p.: il.; 29, 7cm.
Orientador: Oumar Diene
Projeto de Graduação UFRJ/ Escola Politécnica/
Curso de Engenharia Elétrica, 2018.
Referências Bibliográcas: p. 60 62.
1. Controle Preditivo. 2. Inversores. 3. Otimização
energética. I. Diene, Oumar. II. Universidade Federal do
Rio de Janeiro, Escola Politécnica, Curso de Engenharia
Elétrica. III. Título.
iii
Dedico este trabalho a minha
família por serem a base de tudo
que sou
iv
Agradecimentos
Primeiramente, gostaria de agradecera aos meus pais, Jussara e Sérgio, por todo o
esforço, carinho, dedicação e amor durante todos os momentos da minha vida. Não
existe nenhuma maneira de retribuir tudo o que vocês zeram por mim.
Ao professor Oumar, pelas orientações e pela atenção dada não só durante esse
trabalho mas por me dar os melhores conselhos nos momentos mais importantes da
minha vida.
A toda a equipe do laboratório ASH da Supélec, pela sua determinação incansável
de nos formar prossionais completos e por propiciar a oportunidade de realizar os
estudos mencionados nesse trabalho.
Finalmente, agradeço aos amigos de classe presentes ao longo dessa caminhada,
por todos os momentos de companheirismo na ilha do fundão e por todos os mo-
mentos onde, juntos, nos preparamos para as diversas avaliações.
v
Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como
parte dos requisitos necessários para a obtenção do grau de Engenheiro Eletricista.
APLICAÇÕES DE TÉCNICAS DE CONTROLE PREDITIVO BASEADO EM
MODELO
Breno Zaidan Martinelli
Março/2018
Orientador: Oumar Diene
Curso: Engenharia Elétrica
Apresenta-se, neste trabalho, um estudo sobre os controladores preditivos base-
ados em modelo (MPC). Dividido em duas partes principais, as características de
cada sistema analisado são introduzidos para sua aplicação no algoritmo do contro-
lador. Utiliza-se a variante de estados nitos do MPC para controlar um inversor
de energia. Uma formulação generalizada é apresentada mostrando sua aplicação
em um estudo de caso de otimização energética. A implementação computacional
de cada modelo é feita utilizando o software MATLAB/Simulink.
vi
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulllment
of the requirements for the degree of Engineer.
MODEL PREDICTIVE CONTROL AND APPLICATIONS
Breno Zaidan Martinelli
March/2018
Advisor: Oumar Diene
Course: Electrical Engineering
In this work, we present a study of the Model Predictive Controllers(MPC). Di-
vided into two main parts, the characteristics of each analyzed system are introduced
for its application in the controller algorithm. The MPC nite-state variant is used
to control a power inverter. A generalized formulation is presented showing its ap-
plication in a case study of energy optimization. The computational implementation
of each model is done using the MATLAB / Simulink software.
vii
Sumário
Lista de Figuras x
Lista de Tabelas xii
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Estruturação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Conversores de potência 4
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Tipos de conversores de energia elétrica . . . . . . . . . . . . . . . . . 5
2.3 Inversores de tensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Representação das grandezas elétricas em relação à referência . . . . . 6
2.5 Técnicas de modulação . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5.1 Modulação PWM senoidal . . . . . . . . . . . . . . . . . . . . 9
2.5.2 Modulação Vetorial Espacial . . . . . . . . . . . . . . . . . . . 9
3 Controle preditivo para inversores 14
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Formulação do modelo matemático . . . . . . . . . . . . . . . . . . . 15
3.2.1 Modelo da carga . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 Controlador MPC-FSC . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 Simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4.1 Dados do sistema . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4.2 Controle de corrente de saída . . . . . . . . . . . . . . . . . . 21
3.4.3 Controle do uxo de potência . . . . . . . . . . . . . . . . . . 24
3.4.4 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 Modelos térmicos para gestão de energia 28
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Modelagem de ambientes . . . . . . . . . . . . . . . . . . . . . . . . . 28
viii
4.2.1 Apresentação das características do problema . . . . . . . . . 28
4.2.2 Tipos de modelagem . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.3 Modelo elétrico equivalente . . . . . . . . . . . . . . . . . . . . 30
4.3 Experimento de modelagem . . . . . . . . . . . . . . . . . . . . . . . 32
4.3.1 Sala de reunião A.S.H. . . . . . . . . . . . . . . . . . . . . . . 33
4.3.2 Sistema de sensores e atuadores . . . . . . . . . . . . . . . . . 33
4.3.3 Dados e resultados . . . . . . . . . . . . . . . . . . . . . . . . 34
5 Controle preditivo para otimização energética 40
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2 Formulação MPC em espaços de estados . . . . . . . . . . . . . . . . 41
5.2.1 Equação de predição . . . . . . . . . . . . . . . . . . . . . . . 41
5.2.2 Função objetivo quadrática . . . . . . . . . . . . . . . . . . . 42
5.2.3 Função objetivo linear . . . . . . . . . . . . . . . . . . . . . . 43
5.3 Estudo de caso - Redução do custo energético de canteiro de obras . . 44
5.3.1 Estrutura do canteiro de obra . . . . . . . . . . . . . . . . . . 44
5.3.2 Dados de entrada e sistema de controle presente . . . . . . . . 45
5.3.3 Identicação do modelo elétrico equivalente . . . . . . . . . . 46
5.3.4 Redução do custo energético com MPC . . . . . . . . . . . . . 48
5.4 Estudo de caso 2 - Canteiro de obras com geração de energia local . . 53
5.5 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6 Conclusões 58
6.1 Trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Referências Bibliográcas 60
A Código Matlab 63
A.1 Código do MPC-FSC . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
ix
Lista de Figuras
1.1 Projeção do crescimento dos objetos conectados à internet . . . . . . 1
2.1 Conceito de um conversor de potência . . . . . . . . . . . . . . . . . . 5
2.2 Representação de um inversor de tensão trifásico de dois níveis. . . . 7
2.3 Sistemas de coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Circuito de um inversor de tensão monofásico de dois níveis . . . . . . 10
2.5 Exemplo PWM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Conguração para Sg = (1, 0, 0) . . . . . . . . . . . . . . . . . . . . . 12
2.7 Plano complexo com vetores espaciais de tensão . . . . . . . . . . . . 13
3.1 Diagrama dos fatores importantes MPC FSC . . . . . . . . . . . . . . 15
3.2 Modelo do inversor ligado à rede. . . . . . . . . . . . . . . . . . . . . 16
3.3 Diagrama esquemático do controle de corrente de um inversor com
controlador MPC-FSC . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.4 (a) Ilustação dos estados previstos pelo algoritmo para t = tk . (b)
Com S3 escolhido, o processo se reinicia . . . . . . . . . . . . . . . . 20
3.5 Implementação do controlador MPC-FSC . . . . . . . . . . . . . . . . 21
3.6 Modelo Simulink do inversor ligado à rede. . . . . . . . . . . . . . . . 22
3.7 Corrente de saída para um degrau em t = 1, 7s . . . . . . . . . . . . . 22
3.8 Detalhe do momento de transição . . . . . . . . . . . . . . . . . . . . 23
3.9 Resposta para o degrau de amplitude no caso onde L = 20mH e R = 1Ω 23
3.10 Resposta para o degrau de amplitude no caso onde L = 10mH e R = 1Ω 24
3.11 Potências ativas referência e medidas . . . . . . . . . . . . . . . . . . 25
3.12 Corrente de saída detalhadas . . . . . . . . . . . . . . . . . . . . . . . 26
4.1 Diagrama dos fatores importantes para a modelagem térmica e seus
objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Circuito RC equivalente à dinâmica de temperatura de um ambiente . 32
4.3 Diagrama dos fatores importantes para a modelagem térmica e seus
objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Sensores adicionais da sala de reunião . . . . . . . . . . . . . . . . . . 34
4.5 Sistema de aquecimento da sala 404 . . . . . . . . . . . . . . . . . . . 34
x
4.6 Temperatura interna e sinal de controle do aquecedor . . . . . . . . . 35
4.7 Temperatura internas das salas vizinhas . . . . . . . . . . . . . . . . 36
4.8 Temperatura externa e incidência solar . . . . . . . . . . . . . . . . . 36
4.9 Resultado do modelo caixa-preta . . . . . . . . . . . . . . . . . . . . 37
4.10 Resultado dos modelos caixa-cinza . . . . . . . . . . . . . . . . . . . 38
5.1 Esquema de controle do MPC clássico . . . . . . . . . . . . . . . . . . 41
5.2 Instalação típica de um canteiro de obra em Paris . . . . . . . . . . . 45
5.3 Temperatura interna . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.4 Entrada de potência do aquecedor . . . . . . . . . . . . . . . . . . . . 47
5.5 Temperatura externa . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6 Circuito RC equivalente do Open-Space . . . . . . . . . . . . . . . . . 48
5.7 Modelo Simulink do Open-Space . . . . . . . . . . . . . . . . . . . . . 49
5.8 Comparação entre a resposta simulada e a real . . . . . . . . . . . . . 49
5.9 Potência elétrica do aquecedor no período do dia 25/01 . . . . . . . . 51
5.10 Comparação entre a respostado modelo identicado para o controla-
dor em histerese e com o MPC para o período do dia 25/01 . . . . . . 52
5.11 Potência elétrica do aquecedor no período de uma semana . . . . . . 52
5.12 Comparação entre a respostado modelo identicado para o controla-
dor em histerese e com o MPC para o período de uma semana . . . . 53
5.13 Perl da geração local de energia . . . . . . . . . . . . . . . . . . . . 54
5.14 Potências consumidas da rede elétrica . . . . . . . . . . . . . . . . . . 55
5.15 Potências consumidas da geração local . . . . . . . . . . . . . . . . . 56
5.16 Comparação entre todas as potências consumidas . . . . . . . . . . . 56
5.17 Temperatura simulada do Open-Space . . . . . . . . . . . . . . . . . . 56
xi
Lista de Tabelas
2.1 Estados de comutação, tensões por fase e vetor de tensão espacial . . 12
3.1 Exemplos de objetivos de controle e suas respectivas funções custo . . 18
3.2 Valores utilizados no modelo do inversor conectado à rede . . . . . . . 21
4.1 Parâmetros encontrados por cada modelo caixa-cinza . . . . . . . . . 38
4.2 Comparação do desempenho de cada modelo . . . . . . . . . . . . . . 39
5.1 Resultados da simulação de um dia . . . . . . . . . . . . . . . . . . . 51
5.2 Resultados da simulação de uma semana . . . . . . . . . . . . . . . . 52
5.3 Sistema do canteiro de obras com produção local de energia - Com-
paração entre os dois problemas de otimização . . . . . . . . . . . . . 57
xii
Capítulo 1
Introdução
1.1 Motivação
A motivação deste trabalho está no grande potencial encontrado nas técnicas de
controle preditivo e em como ele pode ser usado para aumentar a eciência das
diversas aplicações em relação às estratégias de controle clássicas. Com a evolução
dos componentes eletrônicos, a capacidade de processamento dos microcontroladores
tornou-se muito superior permitindo que técnicas com custo computacional mais alto
possam ser utilizadas. Além disso, os objetos do nosso dia a dia estão cada vez mais
conectados, comunicando entre si, recuperando informações externas ou utilizando a
potência de cálculo dos servidores na nuvem. Esta expansão dos objetos conectados
não deve cessar tão cedo, alcançando a marca de 50 bilhões de objetos conectados
em 2020 conforme mostrado na gura 1.1.
Os controladores preditivos podem aproveitar essa conectividade para obter in-
formações preciosas sobre os sistemas controlados. Um exemplo são os sistemas a
bordo dos carros conectados que analisam o comportamento diário dos utilizadores
Figura 1.1: Projeção do crescimento dos objetos conectados à internet
1
e recuperam previsão do tempo para pré-aquecer o carro. O utilizador encontra seu
carro na temperatura ideal para iniciar sua jornada de trabalho.
Muitos estudos sobre os controladores preditivos vêm sendo realizados ao longo
das três ultimas décadas. No artigo [1] de Morari e Lee, uma grande apresentação
das características e evoluções que o controle preditivo sofreu com o tempo é feita.
Inicialmente utilizado nas indústrias petroquímicas, os controladores preditivos são
implementados nas mais diversas áreas como na eletrônica de potencia, na robótica
e na indústria aerospacial [2].
A teoria do controle preditivo aplicada à eletrônica de potência consolidou-se
principalmente na década passada com a pesquisa [3] de Cortes et al. e posteri-
ormente com [4] de Cortés e Rodriguez. No estudo [5] de Kouto et al., múltiplos
objetivos de controle são apresentados para inversores de dois níveis resultando em
diferentes versões do controlador preditivo. O aumento da sua popularidade en-
tre as publicações acadêmicas e as diversas aplicações nos sistemas de geração[8]
motivaram o estudo realizado neste trabalho.
A gestão do consumo energético é um outro exemplo de aplicação para os con-
troladores preditivos. O problema da climatização de prédios e construções envole
diversos fatores como as previsões meteorológicas, a ocupação, a disponibilidade de
fontes de energia alternativas e o preço da unidade de energia. Para serem conside-
radas construções ecientes, as novas construções devem colocar em prática medidas
para garantir o conforto térmico dos ocupantes com o mínimo de energia consumida.
Estes problemas são tratados na segunda parte deste trabalho.
1.2 Objetivos
Este trabalho se propõe a apresentar as características principais das técnicas de
controle preditivo baseado em modelo ou MPC (Model Predictive Control). Dentro
do grande campo de aplicação possível, serão apresentadas duas variantes do MPC
utilizadas em duas aplicações diferentes:
1. Um estudo dos inversores de potência controlados por um controlador MPC
de estados nitos (MPC-FSC - MPC Finite Set Control).
2. Um estudo sobre a optimização energética de sistemas de regulação térmica
com MPC.
1.3 Estruturação
A organização do trabalho é feita da seguinte maneira:
2
No capítulo 2 são apresentadas as características gerais dos inversores e o desen-
volvimento dos seus estados de comutação.
No capítulo 3 é apresentada a teoria do controle preditivo baseado em modelo
de estados nitos. Simulações com diferentes objetivos de controle e conguração
de rede são apresentadas.
No capítulo 4 são apresentadas as técnicas de modelagem térmica de ambientes
através de circuitos elétricos. Um experimento real ilustra o processo.
No capítulo 5 são apresentados as formulações e conceitos do MPC clássico evi-
denciando dois tipos de objetivo de controle diferente. Um grande estudo de caso é
apresentado seguido de uma extensão proposta para o mesmo.
No capítulo 6 são apresentadas as conclusões gerais do trabalho e os possíveis
desdobramentos do mesmo.
3
Capítulo 2
Conversores de potência
2.1 Introdução
A conversão de energia entre suas diversas formas é um dos principais desaos da
engenharia. A energia elétrica é a forma de energia mais versátil e mais facilmente
controlada pelo homem. No caminho entre a geração até o consumidor, a energia
mecânica que gira as turbinas que acionam os geradores é convertida em energia elé-
trica para ser transportada e em seguida consumida por nós. Durante seu transporte,
esta energia elétrica pode sofrer diversas alterações em sua forma a m de diminuir
as perdas encontradas nesse processo de transporte e se adequar às características
das cargas que irão consumir esta energia.
A eletrônica de potência é a área de estudo que combina as ciências dos mate-
riais, controle, eletrônica e sistemas de energia com o objetivo de controlar o uxo
e energia elétrica entre uma fonte e uma carga[6] incompatíveis quando conectadas
diretamente. Reticadores, inversores e conversores CC-CC são exemplos típicos de
circuitos de eletrônica de potência. Para atingir a máxima eciência, esses circuitos
baseiam os seus princípios de funcionamento na utilização das características
não lineares dos dispositivos semicondutores[7]. Esses componentes podem ser
idealmente vistos como chaves que boqueiam totalmente a passagem de corrente
independente da tensão sobre os seus terminais quando funcionando em aberto e,
quando fechados, apresentam queda de tensão nula entre seus terminais, permitindo
a passagem de qualquer magnitude de corrente.
Além das chaves semicondutoras, componentes de armazenamento de energia
como indutores e capacitores assim como transformadores podem fazer parte dos
arranjos dos circuitos de eletrônica de potência. O conceito dos conversores de
potência é mostrado na gura 2.1. Através do controle e da temporização de cada
uma das chaves, pode-se condicionar a energia de maneira a atender as necessidades
4
Figura 2.1: Conceito de um conversor de potência
da carga como, por exemplo, suprir uma carga em corrente contínua a partir de uma
fonte de corrente alternada.
Na próxima seção, apresentar-se-á os quatro grandes grupos de conversores de
energia elétrica segundo as suas relações entre a entrada e a saída.
2.2 Tipos de conversores de energia elétrica
Os conversores de potência podem ser classicados de diversas maneiras. Uma das
classicações mais simples e utilizada é a relação da forma da energia elétrica na
entrada e na saída. Esses conversores são classicados em quatro tipos:
Conversores CC-CC - Conversão de uma corrente contínua (entrada CC) em
uma corrente contínua com uma magnitude diferente (saída CC). Exemplo:
Buck, Boost
Conversores CC-CA - Conversão de uma corrente contínua (entrada CC) em
uma corrente alternada com amplitude, fase e frequência controladas(saída
CA). Exemplo: inversor de tensão
Conversores CA-CC - Conversão de uma corrente alternada (entrada CA) em
uma corrente contínua de tensão ou corrente controlada (saída CC). Exemplo:
reticador a tiristor.
Conversores CA-CA - Conversão de uma corrente alternada (entrada CA) em
uma corrente também alternada com frequência, magnitude e fase controladas
(saída CA). Exemplo: Cicloconversores.
Na continuação desse capítulo será apresentada a topologia dos conversores CC-
CA como inversores de tensão.
5
2.3 Inversores de tensão
Os conversores CC-CA, também chamados de inversores, são circuitos de eletrônica
de potência que controlam as chaves semicondutoras de seus circuitos com o objetivo
de entregar uma corrente alternada a partir de uma fonte contínua. O inversor trifá-
sico de dois níveis representado na gura 2.2 é a topologia mais simples de inversores
trifásicos, constituída de três ramos compostos cada um por duas chaves semicon-
dutoras. Em cada ramo, conecta-se uma das fases (A, B e C) da carga. A entrada
CC representada por vcc é conectada ao barramento positivo (P) e negativo (N),
podendo ser capacitores, baterias, painéis fotovoltaicos ou mesmo uma combinação
de todos esses.
O inversor gera uma corrente alternada em seus terminais de saída controlando
a cada momento o estado lógico das chaves semicondutoras sa, sb, sc. Duas chaves
do mesmo ramo nunca podem estar fechadas ao mesmo tempo a m de evitar um
curto-circuito da fonte contínua, funcionando idealmente de maneira complementar.
Estes inversores podem ser conectados a diversos tipos de cargas diferentes :
cargas passivas, rede elétrica ou mesmo geradores são alguns dos possíveis exemplos.
Cada carga exige um perl de corrente e de potência diferente do inversor. Para isso,
deve-se medir em tempo real as correntes de saída ia, ib, ic para compará-las com as
correntes de referencia. O resultado da comparação passa então por um algoritmo
de controle tendo como saída a forma de corrente que deve ser modulada na saída.
A estratégia de controle e a modulação são as duas principais tarefas do bloco
microcontrolador da gura 2.2. Neste trabalho, apenas a estratégia de controle
preditivo é estudada. Com o intuito de introduzir as ideias fundamentais nas quais
o MPC de estados nitos se baseia, uma breve discussão será feita sobre as formas
de representar as grandezas elétricas em relação aos eixos de referência e a técnica
de modulação vetorial espacial.
2.4 Representação das grandezas elétricas em rela-
ção à referência
No momento da modelagem do sistema de um inversor, deve-se escolher a qual tipo
de eixo de referência todas as variáveis estarão representadas. A utilização de um
dado eixo de referência pode possibilitar o uso de um tipo de controlador especíco,
mediado de um certo custo computacional para transformar todas as variáveis de
uma referência para outra. Três tipos de eixo de referência são amplamente utilizados
em engenharia elétrica [9]:
Eixo de referência natural (abc): O eixo de referência natural tem velo-
6
Figura 2.2: Representação de um inversor de tensão trifásico de dois níveis.[8]
cidade nula e é utilizado com três fases defasadas de 120. As equações nesse
eixo de referência correspondem às verdadeiras relações matemáticas dos mo-
delos reais. Os controladores feitos nessas coordenadas são projetados por fase.
Controladores como Proporcional-Ressonante, dead-beat ou o MPC(discutido
no capítulo 3) são exemplos de estratégias executadas nessa referência. Um
sistema trifásico equilibrado nessa referência é denido pelas equações 2.1:
ga(t) = Gcos (ωt+ φ0)
gb(t) = Gcos
(ωt+ φ0 −
2π
3
)gc(t) = Gcos
(ωt+ φ0 +
2π
3
) (2.1)
em que ga(t), gb(t), gb(t) representam as grandezas instantâneas de corrente ou
tensão, G é o valor de pico, ω é a frequência angular e φ0 é a defasagem inicial
do sistema em relação ao eixo horizontal.
Eixo de referência estacionário (αβ): Nessa referencia, os eixos são tam-
bém estacionários, todavia tem-se apenas duas grandezas girantes defasadas
de 90. No caso equilibrado, reduz-se a complexidade do problema de modeli-
zação através da relação de transformação entre as coordenadas abc e αβ que
7
é descrita pela matriz Tabc→αβ em 2.2 apresentada primeiramente em [10].
[gα
gβ
]=
2
3
[1 −1
2−1
2
0√
32−√
32
]︸ ︷︷ ︸
Tabc→αβ
ga
gb
gc
(2.2)
A transformação de três grandezas girantes em apenas duas reduz a complexi-
dade do projeto do controlador. As coordenadas αβ são muito utilizadas em
diversas aplicações e teorias da engenharia elétrica. Por exemplo, na teoria
pq [11], todas as denições de potências instantâneas são feitas em termos das
coordenadas αβ. A técnica de Modulação Vetorial Espacial (do inglês Space
Vector Modulation - SVM ), discutida na seção 2.5.2, é um outro exemplo da
aplicação dessas coordenadas.
Eixo de referência síncrono (dq): Nessa referência, os eixos giram com
velocidade angular igual à velocidade síncrona do sistema. As grandezas de
controle tornam-se então constantes em relação aos eixos dq. Neste sistema de
coordenadas, os controladores lineares do tipo PI clássicos tornam-se possíveis
tornando essa técnica uma das mais utilizadas atualmente.
Na gura 2.3, pode-se ver os três sistemas de coordenadas descritos anterior-
mente. Os controladores MPC podem ser projetados para trabalhar com qualquer
um dos tipos de sistema de coordenadas, entretanto encontra-se com frequência na
literatura a formulação de seus estados no plano αβ. Esses estados do inversor são
explicados na modulação vetorial espacial discutida na seção seguinte.
2.5 Técnicas de modulação
Implementadas digitalmente nos microcontroladores, a modulação efetua a conver-
são entre o sinal de saída do controlador (normalmente em forma de corrente ou
tensão) e os sinais lógicos de comando das chaves semicondutoras. A técnica de
modulação mais simples de todas consiste em comutar as chaves semicontudoras de
forma a enviar na saída do inversor uma onda quadrada com mesma amplitude do
barramento CC e com frequência fundamental. Evidentemente, essa onda quadrada
é rica em componentes harmônicas e podem ser muito prejudiciais para o funciona-
mento de máquinas elétricas ou outros equipamentos. Duas das principais soluções
de modulação são apresentadas a seguir.
8
(a) Sistema abc (b) Sistema αβ (c) Sistema dq
Figura 2.3: Sistemas de coordenadas
2.5.1 Modulação PWM senoidal
A modulação por largura de pulso senoidal é uma técnica simples e muito utilizada.
A ideia desta modulação é controlar a razão de tempo de fechamento das chaves
semicondutoras de forma a obter na saída um valor médio igual ao valor desejado.
Para um inversor monofásico (gura 2.4) de dois níveis, o sinal modulador gm é
comparado com um sinal triangular chamado de portador triangular gtri. Se a
o sinal gtri é maior que o sinal modulador a saída logica de chaveamento será 0,
fechando as chaves S2+ e S1−, no caso contrario, isto é gm > gtri, o nível lógico da
saída será igual a 1 e a tensão aplicada na carga tem sinal oposto como pode ser
visto na gura 2.5.
Se o sinal modulador for uma senoide, a saída do conversor vo será uma tensão
com fundamental igual a frequência do sinal modulador gm. Para uma entrada
de tensão contínua igual a Vcc, a região de modulação linear desta técnica esta
compreendida entre [−Vcc2, Vcc
2], sendo esta um desvantagens desta modulação.
ggate
0, se gm < gtri −→ S2+, S1− fechados
1, se gm > gtri −→ S1+, S2− fechados(2.3)
2.5.2 Modulação Vetorial Espacial
A modulação vetorial espacial é uma das mais importantes técnicas de modulação
utilizadas devido a sua facilidade de implementação digital e a maior faixa de mo-
dulação linear em relação à modulação clássica [12]. Seu principio de funcionamento
9
Figura 2.4: Circuito de um inversor de tensão monofásico de dois níveis[8]
consiste em analisar a posição do vetor espacial de tensão (ou corrente) e de gerar,
no m de um período de chaveament, uma tensão de saída média igual a tensão
de referência a partir da combinação linear dos vetores de chaveamento adjacentes.
Nesta seção será mostrada a teoria do SVM e como podemos denir os estados de
comutação do inversor de dois níveis.
2.5.2.1 Transformação espacial
Um sistema trifásico denido por Va(t), Vb(t) e Vc(t) pode ser representando no plano
complexo por um vetor espacial girante dado pela relação 2.4:
V =2
3
(Va(t) + aVb(t) + a2Vc(t)
), sendo a = ej
2π3 (2.4)
O vetor espacial V pode ser também representado diretamente em termos das
tensões Vα(t), Vβ(t) obtidas através da transformação Tabc→αβ.
V = Vα(t) + jVβ(t) (2.5)
2.5.2.2 Princípio de operação
Os inversores de tensão trifásicos de dois níveis como o apresentado na gura 2.2,
possuem um conjunto de 6 chaves semicondutoras. Uma vez que as chaves não
podem gerar um curto circuito no lado CC, elas devem trabalhar de forma com-
plementar entre si em cada fase do inversor (sa e sa, sb e sb, sc e sc). O vetor de
comutação denido por Sg = (sa, sb, sc) possui então 23 = 8 estados possíveis para a
10
Figura 2.5: Exemplo PWM senoidal[6]
topologia em questão. Os estados das chaves podem ser representados por ′1′ para
fechado e ′0′ para aberto.
Cada estado do vetor de comutação Sg produz uma conguração de tensões de
linha que é independente do tipo de carga [12]. A distribuição de tensões entre
as fases pode ser determinada pela fórmula de divisor de tensão. Por exemplo, no
caso onde Sg = (1, 0, 0) as chaves sa, sb e sc estão fechadas gerando a conguração
mostrada na gura 2.6. Por simplicidade, a carga é considerada com ligação em
estrela. Nesta situação, a impedância da fase A está em série com o paralelo das
impedâncias das fases B e C. A expressão da tensão em cada fase é dada pelas
equações 2.6 e 2.7.
van = VccZfase
Zfase + 12Zfase
=2
3Vcc (2.6)
vbn = vcn = −Vcc12Zfase
Zfase + 12Zfase
= −1
3Vcc (2.7)
em que Zfase é a impedância equivalente de cada fase
Repetindo o mesmo processo para as 8 combinações possíveis de Sg, obtemos
as tensões apresentadas na tabela 2.1. Os estados numerados de S0 a S7 geram
as tensões V1,V2, ...,V7 representadas em termos do vetor espacial utilizando a
transformação 2.4. Esses vetores dividem o plano complexo em seis setores como
mostrado na gura 2.7. Eles representam os oitos estados de comutação do inversor
que serão utilizados pelo MPC.
Na modulação SVM clássica, para se produzir um vetor de referência Vref em
um dado setor, deve-se efetuar uma combinação linear dos dois vetores adjacentes
11
−+ Vcc
B
Zfase
n
Zfase
C
A
Zfase
Figura 2.6: Conguração para Sg = (1, 0, 0)
Sa Sb Sc Van Vbn Vcn Vx
S0 0 0 0 0 0 0 V0 = 0S1 1 0 0 2
3Vcc −1
3Vcc −1
3Vcc V1 = 2
3Vcce
j0
S2 1 1 0 13Vcc
13Vcc −2
3Vcc V2 = 2
3Vcce
jπ/3
S3 0 1 0 −13Vcc
23Vcc −1
3Vcc V3 = 2
3Vcce
j2π/3
S4 0 1 1 −23Vcc
13Vcc
13Vcc V4 = 2
3Vcce
jπ
S5 0 0 1 −13Vcc −1
3Vcc
23Vcc V5 = 2
3Vcce
j4π/3
S6 1 0 1 13Vcc −2
3Vcc
13Vcc V6 = 2
3Vcce
j5π/3
S7 1 1 1 0 0 0 V7 = 0
Tabela 2.1: Estados de comutação, tensões por fase e vetor de tensão espacial
ao setor. Como mostrado na gura 2.7, se Vref encontra-se no primeiro setor, os
vetores de tensão V1 e V2 serão utilizados para que, na média do período, a tensão
de saída seja igual a Vref . Para executar essa combinação linear, divide-se o período
total de comutação Ts em três partes (T1, T2 e T0 +T7), uma fração de Ts para cada
vetor de tensão adjacente ao setor e uma fração para os vetores nulos. A média de
tensão no nal de Ts é igual a Vref descrito pela equação 2.8.
Vref =T1
TsV1 +
T2
TsV2 +
T0
TsV0 +
T7
TsV7, (2.8)
em que T1/Ts é a fração de tempo do período de comutação no qual o vetor V1
está ativado. Em [12], Zhou e Wang demonstram o cálculo do tempo dos vetores
adjacentes.
12
Figura 2.7: Plano complexo com vetores espaciais de tensão.[12]
13
Capítulo 3
Controle preditivo para inversores
Este capítulo trata a técnica do controle preditivo baseado em modelo aplicado para
o caso dos inversores de tensão de dois níveis. O estudo de caso mostrará a simulação
do sistema inversor-rede programado para atuar com dois objetivos diferentes.
3.1 Introdução
O controle preditivo baseado em modelo é um conjunto de estratégias de controle
que, apesar de serem utilizadas em aplicações variadas, possuem o mesmo conceito
operacional [18]. Pode-se resumir as ideias gerais do MPC em:
uso explicito do modelo do sistema para o cálculo da saída nos instantes futu-
ros;
cálculo da sequência de controle que minimiza uma função custo;
aplicação do primeiro valor da sequência de controle ótima calculada;
deslocamento do horizonte de predição de um passo, recomeçando todo o pro-
cesso.
Os inversores vistos no capítulo 2 são dispositivos com forte característica não
linear e híbrida, apresentando ao mesmo tempo dinâmicas contínuas e discretas.
Para controlar esse sistema corretamente, diversas restrições devem ser consideradas
como, por exemplo, a potência máxima do dispositivo ou a magnitude da corrente
de saída.
O MPC-FSC (Finite Set Control MPC )[5] é a variante do MPC para casos onde
o sistema possui um número de estados nitos. O MPC-FSC calcula todas as ações
de controle possíveis dado o estado do sistema e escolhe aquela que minimiza a
função custo projetada.
14
Figura 3.1: Diagrama dos fatores importantes MPC FSC
Aplicado para o controle de inversores, o MPC-FSC lida com os problemas de não
linearidade e restrição de maneira natural na sua implementação pois sua formulação
no tempo é feita diretamente de maneira discreta facilitando a sua implementação
nos ambientes digitais.
3.2 Formulação do modelo matemático
3.2.1 Modelo da carga
A primeira fase do projeto de um controlador MPC-FSC é a obtenção do modelo do
conversor assim como o modelo da carga conectada a seus terminais. O modelo do
conversor consiste em analisar todos os seus possíveis estados de comutação descritos
na tabela 2.1 do capítulo 2.
A gura 3.2 recupera a topologia descrita na sessão 2.3 de um inversor ligado à
rede elétrica. A equação da dinâmica de corrente para cada uma das fases é descrita
pela segunda lei de Kircho dada por
VaN(t) = Ldia(t)
dt+Ria(t) + ea(t) + vnN(t) (3.1)
15
Figura 3.2: Modelo do inversor ligado à rede.[3]
VbN(t) = Ldib(t)
dt+Rib(t) + eb(t) + vnN(t) (3.2)
VcN(t) = Ldic(t)
dt+Ric(t) + ec(t) + vnN(t) (3.3)
em que L e R são, respectivamente, a indutância e resistência equivalente da
rede.
As equações 3.1-3.3 podem ser reescritas em termo de sua representação vetorial
espacial. Substituindo essas equações em 2.4 tem-se
V (t) = Ld
dt
(2
3(ia(t) + aib(t) + a2ic(t))
)+R
(2
3(ia(t) + aib(t) + a2ic(t))
)+
(2
3(ea(t) + aeb(t) + a2ec(t))
)+ vnN(t)
(2
3(1 + a+ a2)
)(3.4)
O ultimo termo da equação 3.4 é naturalmente igual a zero. Pode-se denir um
vetor espacial vetorial similar ao vetor de tensão 2.4 para a corrente e a tensão da
rede descritos pelas equações 3.5 e 3.6.
i(t) =
(2
3(ia(t) + aib(t) + a2ic(t))
)(3.5)
e(t) =
(2
3(ea(t) + aeb(t) + a2ec(t))
)(3.6)
Essas denições permitem reescrever (3.1)-(3.3) de forma compacta na sua for-
16
mulação vetorial em
V (t) = Ldi(t)
dt+Ri(t) + e(t) (3.7)
3.2.1.1 Discretização do modelo
O modelo obtido em 3.7 encontra-se na sua formulação contínua no tempo. Para
torná-lo compatível com a lógica MPC-FSC e embarcá-lo em um microcontrolador,
deve-se encontrar sua formulação discreta. Isolando em termo derivativo da equação
3.7 pode-se denir os escalares Ac e Bc
di(t)
dt= −R
L︸︷︷︸Ac
i(t) +1
L︸︷︷︸Bc
(V (t)− e(t)) (3.8)
A discretização exata da equação 3.7 a partir de um segurador de ordem zero
descrita pelas transformações em 3.9 resultando na equação 3.10
Ad = eAcTa Bd =
∫ Ta
0
eAcτdτBc (3.9)
i(k + 1) = Adi(k) +Bd(Vk − e(k)) (3.10)
em que, Ta é o período de amostragem do microcontrolador, i(k+1) é a predição
de corrente, i(k) e e(k) são as ultimas medições de corrente e tensão e Vk um dos
oito estados possíveis do vetor de tensão espacial do inversor.
Embora as transformações descritas por 3.9 sejam exatas, a maneira mais utili-
zada na literatura para calcular os valores de Ad e Bd é através da aproximação da
primeira derivada pelo método de Euler.
di(t)
dt≈ i(k + 1)− i(k)
Ta(3.11)
Substituindo 3.11 na equação 3.8, obtêm-se a equação de predição aproximada
descrita por
i(k + 1) =
(1− RTa
L
)︸ ︷︷ ︸
A′d
i(k) +TaL︸︷︷︸B′d
(Vk − e(k)) (3.12)
Nota-se que esta última equação também é a equação de espaço de estados
discreta da carga.
17
3.3 Controlador MPC-FSC
O problema do controle MPC-FSC de um inversor consiste em denir, a cada período
de amostragem, o melhor estado de chaveamento entre os oito estados possíveis. A
gura 3.3 ilustra o esquema de um controlados MPC-FSC com um inversor e sua
carga.
Figura 3.3: Diagrama esquemático do controle de corrente de um inversor comcontrolador MPC-FSC
Congurado previamente com o modelo discreto da carga denido por 3.12 (ou
3.10), o controlador recebe as medidas de corrente de linha e tensão da carga para
calcular os estados futuros possíveis (estados k+1). Através da equação de predição
3.12, o controlador calcula o valor de i(k + 1) substituindo cada um dos vetores
espaciais de tensão da tabela 2.1 (V0 · · ·V7) no lugar da variável Vk. Em seguida,
o controlador utiliza as informações de referência e dos estados previstos para mini-
mizar uma função custo projetada.
Para o caso onde deseja-se seguir uma referência de corrente, a função custo é
uma função do tipo gi(k) = |iref − i|. O MPC-FSC oferece um alto nível de cus-
tomização de sua função custo, podendo ter diversos objetivos de controle diferente
como referência de tensão e corrente, uxo de potência, frequência de chaveamento,
etc. A tabela 3.1 mostra algumas funções custo utilizadas no controle de inversores.
Objetivo de controle Função CustoControle de corrente gi = |iref − i|Controle de tensão gv = |vref − v|
Controle do uxo de potência gPQ = |Pref − P |+ |Qref − Q|Controle da tensão do link cc gvcc = |vccref − vcc|
Controle das perdas de chaveamento gchav =∑Nc
j=14 ˆiC,j4 ˆvCE,j
Tabela 3.1: Exemplos de objetivos de controle e suas respectivas funções custo
A função custo projetada é avaliada para todos os estados de comutação, sendo
18
o estado que apresenta menor valor de função custo o estado escolhido. As saídas
do controlador são os sinais de comando das chaves semicondutoras do inversor. o
algoritmo 1 explica detalhadamente o método utilizado no caso de uma referência de
corrente. A gura 3.4 ilustra as escolhas efetuadas pelo controlador em dois períodos
consecutivos.
Algoritmo 1: Algoritmo MPC-FSC para controle de corrente
Entrada: iref (k + 1), i(k), e(k), (V0, S0), (V1, S1), . . . , (V7, S7)Dados: Modelo do sistema → Matrizes Ad e Bd
Função custo → giSaída: Sinais de comando das chaves semicondutoras
1 início2 gmin =∞3 para cada Vn ∈ V0,V1, . . . ,V7 faça4 in(k + 1) = Adi(k) +Bd(Vn − e(k)) →Predição do estado futuro5 gi(n) = |iref (k + 1)− in(k + 1)|→Cálculo da função custo6 se gi(n) < gmin então7 Sopt ← Sn8 gmin ← gi(n)
9 m10 m11 m12 retorna Sopt
A função custo de uma aplicação pode ser composta de uma ou mais funções apre-
sentadas na tabela 3.1. No estudo feito em [5], Kouro executa algumas combinações
de função custo minimizando a tensão de modo comum e ltrando os harmônicos
da corrente de saída. Por exemplo, para controlar o uxo de potência do inversor e
minimizar as perdas de chaveamento monta-se a função descrita por 3.13
gt = gPQ + λchavgchav = |Pref − P |+ |Qref − Q|+ λchav
∥∥∥∥∥Nc∑j=1
4 ˆiC,j4 ˆvCE,j
∥∥∥∥∥ (3.13)
em que Pref e Qref são as potências referência, P e Q as potências previstas, ˆiC,j
é a corrente prevista de coletor da chave semicondutora j, ˆvCE,j é a tensão entre
coletor e emissor da chave semicondutora j e λchav é um fator de ponderação.
3.4 Simulação
O objetivo das simulações apresentadas é mostrar a versatilidade do controlador
MPC-FSC, mostrando que uma mesma implementação pode ser utilizada com di-
19
(a)
(b)
Figura 3.4: (a) Ilustação dos estados previstos pelo algoritmo para t = tk . (b) ComS3 escolhido, o processo se reinicia
versos objetivos de controle. São apresentado dois tipo de função objetivo:
Função custo projetada para seguir uma referência de corrente. Mostra-se tam-
bém os casos onde as matrizes Ad e Bd da equação de predição não descrevem
o sistema controlado com precisão.
Função custo projetada para seguir uma referência de corrente. Controla-se
as referencias de potência ativa e reativa de entrada do inversor.
O modelo computacional do controlador MPC-FSC está representado na gura
3.5. O algoritmo de controle está embarcado no bloco "microprocessador".
O período de amostragem de ada simulação foi escolhido dentro de uma faixa de
valores coerentes com as frequências de amostragem dos microprocessadores reais.
Dentre os diversos períodos de amostragem simulados (100µs, 50µs, 25µs, 10µs ,
5µs e 2µs), observa-se que a forma de onda de saída apresenta uma elevação das
correntes harmônicas quando o o período de amostragem aumenta. As simulações
apresentam então os casos onde a taxa de distorção harmônica pode ser considerada
pequena.
20
Referência de corrente de saída
S6
S3
S5
S2
S4
S1
Medidas de corrente de saída
Medidas de tensão da rede
Referênciade PotênciaTabela de vetores SVM
fcn
xr_a
xr_b
xr_c
xm_a
xm_b
xm_c
Vtable
vga
vgb
vgc
Pref
Qref
S1
S4
S2
S5
S3
S6
s
Microprocessador
[ 2*Vdc/3;Vdc/3+sqrt(3)*Vdc*1i/3; -Vdc/3+sqrt(3)*Vdc*1i/3; -2*Vdc/3;-Vdc/3-sqrt(3)*Vdc*1i/3; Vdc/3-sqrt(3)*Vdc*1i/3; 0];
Vdc1
Scope3
Scope4
[I_ABCmes2]
From
[ABCref2]
From1
Memory1
Memory2
Memory3
Memory4
Memory9
Memory10
Scope7
Scope10
[V_ABCgrid]
From5
Memory7
Memory8
Memory11
Step3
Step2
Step4
Step5
Step6
Add2
Add3
[gates]
Goto11
Figura 3.5: Implementação do controlador MPC-FSC
3.4.1 Dados do sistema
Para as duas simulações mostradas no presente capítulo, controlou-se um inversor
conectado à rede conforme mostrado na gura 3.6. Os parâmetros desse sistema são
mostrados na Tabela 3.2.
Parâmetros Valores UnidadeR 0,1 ΩL 15 mHVcc 400 Velinha 220 V
Tabela 3.2: Valores utilizados no modelo do inversor conectado à rede
3.4.2 Controle de corrente de saída
Nesta simulação, o tempo de amostragem é Ta = 10µs e visa-se controlar a corrente
de saída do inversor. Inicialmente, a referência de corrente tem amplitude de 6, 7A e,
em t = 1, 7s, um degrau de amplitude é aplicado mudando a referência para 13, 4A.
A resposta pode ser visualizada na gura 3.7 e o detalhe do momento de transição
na gura 3.8.
gi = |iref − i| = |iaref − ia|+ |ibref − ib|+ |icref − ic| (3.14)
Para testar os limites de robustez do controlador, supõe-se que os parâmetros da
rede não correspondem aos congurados no modelo. As guras 3.9 e 3.10 mostram,
21
DC Voltage Source
g
A
B
C
+
-
Universal Bridge
a
b
c
A
B
C
L
VabcIabc
A
B
C
abc
Three-Phase
V-I Measurement
Corrente[gates]
From2 VabcIabc
A
B
C
abc
Three-Phase
V-I Measurement1
Tensao2
T1 +Series RLC Branch+
Series RLC Branch1+Series RLC Branch2
[I_ABCmes2]
N
A
B
CThree-Phase
Programmable
Voltage Source
VabcIabc
A
B
C
abc
Three-Phase
V-I Measurement2
Tensao4
[V_ABCgrid]
Figura 3.6: Modelo Simulink do inversor ligado à rede.
respectivamente, os casos onde o valor da indutância é 33% maior (L = 20mH) e
33% menor (L = 10mH) do que o valor congurado a partir da tabela 3.2. Em
ambos os casos o valor da resistência também foi modicado para um valor 10 vezes
maior do que o valor original.
Tempo (s)0.12 0.14 0.16 0.18 0.2 0.22 0.24
Cor
rente
(A)
-10
-5
0
5
10
Corrente de sa41da do inversor
Figura 3.7: Corrente de saída para um degrau em t = 1, 7s
No caso onde o modelo inserido no controlador está totalmente calibrado em
relação aos verdadeiros parâmetros da carga, o resultado da corrente de saída do
inversor mostra-se muito satisfatório. A referência é seguida antes e depois do degrau
de amplitude. Para o período de amostragem escolhido, a proporção de componentes
harmônicas presentes em relação a frequência fundamental é menor do que 3%.
No caso onde L = 20mH, o controlador MPC-FCS não conseguiu fazer a corrente
de saída seguir o valor de referência. Além disso, pode-ser notar uma forma de onda
distorcida após o degrau de amplitude.
22
Tempo (s)0.16 0.165 0.17 0.175 0.18
Cor
rente
(A)
-10
-5
0
5
10
Corrente de sa41da do inversor
Figura 3.8: Detalhe do momento de transição
Tempo (s)0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.2 0.21 0.22
Cor
rente
(A)
-10
-5
0
5
10
Corrente de sa41da do inversor
Figura 3.9: Resposta para o degrau de amplitude no caso onde L = 20mH e R = 1Ω
23
Tempo (s)0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.2 0.21 0.22
Corr
ente
(A)
-10
-5
0
5
10
Corrente de sa41da do inversor
Figura 3.10: Resposta para o degrau de amplitude no caso onde L = 10mH eR = 1Ω
No caso onde L = 10mH, nota-se apenas um aumento das componentes harmô-
nicas presentes na corrente de saída.
Estes três cenários simulados mostram que o modelo do sistema a ser controlado é
um fator muito importante para o desempenho do controlador em questão, podendo
levar a resultados insatisfatórios caso eles sejam muito discrepantes dos verdadeiros
valores do sistema.
3.4.3 Controle do uxo de potência
Nesta segunda simulação, o controle MPC-FSC é projetado para controlar o uxo de
potência na saída do inversor. As referências de corrente que entram no bloco "mi-
crocontrolador"da gura 3.5 não são mais levadas em conta no algoritmo. O tempo
de amostragem foi reduzido a Ta = 2µs para melhor desempenho do controlador. A
função custo é descrita pela equação 3.15
gPQ = |Pref − P |+ |Qref − Q| (3.15)
Montou-se um cenário de potências com 7 congurações diferentes de referência
de potência ativa e reativa:
Entre t = 0s e t = 0, 1s: Pref = 500W e Qref = 0V Ar
Entre t = 0, 1s e t = 0, 3s: Pref = 500W e Qref = 500V Ar
24
Tempo (s)0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pot
encia
(W)
-5000
-4000
-3000
-2000
-1000
0
1000
2000
3000
4000
5000Potencia de sa41da do inversor
Potência ativa medidaPotência ativa referência
(a) Potência ativa total
Tempo (s)0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7
Pot
encia
(W)
400
600
800
1000
1200
1400
1600
Potencia de sa41da do inversor
Potência ativa medidaPotência ativa referência
(b) Potência ativa .Detalhe entre t = 0, 3s e
t = 0, 75s
Tempo (s)0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pot
encia
(VA
r)
-100
0
100
200
300
400
500
600Potencia reativa de sa41da do inversor
Potência reativa medidaPotência reativa referência
(c) Potência reativa
Figura 3.11: Potências ativas referência e medidas
Entre t = 0, 3s e t = 0, 5s: Pref = 1000W e Qref = 500V Ar
Entre t = 0, 5s e t = 0, 7s: Pref = 1000W e Qref = 0V Ar
Entre t = 0, 7s e t = 1, 2s: Pref = 2000W e Qref = 0V Ar
Entre t = 1, 2s e t = 1, 4s: Pref = 4500W e Qref = 0V Ar
Entre t = 1, 4s e t = 2s: Pref = −4500W e Qref = 0V Ar
Os pers de referencia assim como a resposta do sistema em potência ativa e
reativa podem ser visualizadas na gura 3.11. As correntes de linha correspondentes
aos uxos de potência mostrados na gura 3.11 estão mostrados na gura 3.12.
Observando as imagens da gura 3.12, nota-se que a rápida resposta do contro-
lador às variações de referência. As referencias de potência ativa e reativa foram
seguidas apresentando uma pequena variação em torno de seus valores. Em cada
uma das transições efetuadas, foi necessário menos de 1ms para atingir o regime
permanente.
25
Tempo (s)0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Corr
ente
(A)
-20
-15
-10
-5
0
5
10
15
20Corrente de sa41da do inversor
(a) Corrente de saída do inversor
Tempo (s)0.075 0.08 0.085 0.09 0.095 0.1 0.105 0.11 0.115 0.12 0.125
Corr
ente
(A)
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
Corrente de sa41da do inversor
(b) Detalhe do instante de ativação da potên-
cia reativa t = 0, 1s
Tempo (s)1.18 1.185 1.19 1.195 1.2 1.205 1.21 1.215 1.22 1.225
Cor
rente
(A)
-15
-10
-5
0
5
10
15
Corrente de sa41da do inversor
(c) Detalhe do instante da elevação da potên-
cia ativa t = 1, 2s
Tempo (s)1.392 1.394 1.396 1.398 1.4 1.402 1.404 1.406 1.408
Cor
rente
(A)
-15
-10
-5
0
5
10
15
Corrente de sa41da do inversor
(d) Inversão de 180 no instante da inversão
do uxo de potência
Figura 3.12: Corrente de saída detalhadas
3.4.4 Conclusão
Neste capítulo foi apresentado o método de controle preditivo baseado em modelo
de estados nitos aplicado para o controle de um inversor de energia elétrica. Este
método é extremamente simples pois não utiliza estrutura de realimentação em
cascata ou de estágios moduladores.
Os resultados das simulações mostram que mesmo quando o modelo apresenta
erros nos seus parâmetros, o controlador MPC-FSC comporta-se de maneira robusta
entregando resultados satisfatórios. A simulação apresentada em 3.4.3 mostrou que
a operação do inversor pode ser transformada em uma operação como reticador
simplesmente modicando o sentido da potência ativa de referência.
O controlador MPC-FSC pode reduzir localmente o custo da operação do inversor
levando em conta em sua função objetivo como mostrado em 3.13. Ele pode também
26
fazer parte de um controlador ainda maior que fornece as referências de potência ou
corrente a m de otimizar o custo de todo um sistema. Por exemplo, no estudo de
caso 5.4 apresentado no capítulo seguinte, a potência ativa calculada para a saída
da geração local seria a referência de potência do controlador local do MPC-FSC.
27
Capítulo 4
Modelos térmicos para gestão de
energia
4.1 Introdução
A atual transição energética aliada com as novas legislações requerem instalações
cada vez mais ecientes do ponto de vista energético. No Brasil, medidas como o
IPTU verde incentivam medidas de redução do consumo através da diminuição do
valor do imposto 1. No continente europeu, o consumo de energia nal do setor
das construções (residencial, prédios públicos, industrias) corresponde a aproxima-
damente 40% de toda a energia produzida, sendo mais da metade destinada ao
aquecimento dos ambientes 2.
Diante desta situação, a compreensão do comportamento térmico dos prédios
e residências é fundamental para realizar economias de energia. As empresas es-
pecializadas nesse trabalho executam as medidas da evolução das temperaturas e
do consumo de uma instalação ao longo de um período, determinando um modelo
energético do prédio. Quando o modelo está pronto, é possível apontar as anomalias
de consumo de cada cliente. O cliente, por sua vez, reduz a sua fatura de energia
garantindo o conforto térmico dos seus ocupantes [13].
4.2 Modelagem de ambientes
4.2.1 Apresentação das características do problema
O problema de modelagem da dinâmica de temperatura de um ambiente residencial
ou industrial deve levar em conta diversos fatores. O primeiro grupo desses fato-
res são os fatores intrínsecos como a área da sala, composição de salas vizinhas e
1Fonte: PROJETO DE LEI Nº 1027/2014 - http://mail.camara.rj.gov.br2Site da comissão européia - http://europa.eu/rapid/press-release_MEMO-17-162_fr.htm
28
Figura 4.1: Diagrama dos fatores importantes para a modelagem térmica e seusobjetivos
principalmente a isolação do ambiente. Este último (isolação do ambiente) pode
representar uma enorme economia de energia no longo prazo se dimensionado cor-
retamente para a instalação. O segundo grupo são os dados meteorológicos como
a temperatura externa e a incidência solar. O último grupo compreende os fatores
ditos controláveis, como a potência do aquecedor, o calor gerado de outras manei-
ras como, por exemplo, equipamentos eletrônicos ou pela presença de pessoas. A
gura 4.1 resume os fatores descritos anteriormente evidenciando os dois objetivos
principais dessa metologia : o controle da temperatura e o preço da fatura de energia.
4.2.2 Tipos de modelagem
A dinâmica da temperatura em um ambiente (sala de escritório por exemplo) pode
ser representada por diversos tipos de modelos diferentes. Cada abordagem é apro-
priada para uma situação diferente, fornecendo mais ou menos informações sobre o
sistema estudado.
4.2.2.1 Abordagem caixa-branca
A abordagem de modelos caixa-branca(White-Box ) é pouco ou nunca utilizada para
os objetivos de gestão energética. Nesta modelagem presume-se conhecimento total
das propriedades físicas do sistema estudado. Isto signicaria conhecer precisamente
todas as características dos materiais presentes na sala como por exemplo a condu-
tividade térmica das paredes, solo e janelas mas também a capacidade térmica da
29
sala.
A complexidade desses modelos depende do grau de precisão dos fenômenos des-
critos pelas equações diferenciais que compõem o sistema de equações do modelo.
Apesar de fornecer parâmetros com signicados físicos precisos, o modelo represen-
tado sempre apresentará erros associados as variáveis aleatórias que não podem ser
levadas em conta, como a abertura de janelas e portas, mudando completamente os
fenômenos de transferência[14].
Teoricamente, um modelo caixa-branca não precisa de nenhum tipo de medida do
comportamento do sistema para a identicação de seus parâmetros. Se o resultado
de simulação não condiz com as medidas reais constatadas, conclui-se que o modelo
está errado, necessitando uma revisão de sua estrutura.
4.2.2.2 Abordagem caixa-preta
Os modelos do tipo caixa-preta(Black-Box ) visam garantir a melhor relação entrada-
saída para o sistema estudado. Seus parâmetros são ajustados automaticamente
através de técnicas de regressão linear na teoria de identicação por subespaços [15]
[16]. Os valores encontrados por essas técnicas ajustam da melhor maneira possível
a entrada com a saída, entretanto eles não possuem nenhum signicado físico.
A construção de modelos do tipo caixa-preta é muito mais rápida e direta em
relação aos modelos caixa-branca. Esses modelos têm a capacidade de lidar com
sistemas de múltiplas entradas e múltiplas saídas (Multiple Inputs Multiple Outputs
- MIMO) de maneira mais satisfatória do que as outras abordagens.
4.2.2.3 Abordagem caixa-cinza
Os modelos caixa-cinza(Grey-Box ) são modelos híbridos entre os outros dois modelos
citados anteriormente. Eles utilizam os dados coletados para denir um modelo com
parâmetros que tenham interpretações físicas.
Essa abordagem é amplamente utilizada para a gestão do consumo energético
como mostrado por [14] e [17]. Uma das analogias feitas pelos modelos caixa-cinza
para a dinâmica de temperatura é a analogia por circuitos elétricos apresentada na
próxima seção.
4.2.3 Modelo elétrico equivalente
A modelagem térmica de ambientes por meio da analogia com circuitos elétricos foi
estudada extensivamente a partir da década de 1980. Neste tipo de análise caixa-
cinza, a dinâmica da temperatura interna Tint de um ambiente é representada por
30
uma tensão que pode ser descrita por 4.1
CintdTint(t)
dt= P (t) + Φ(t) (4.1)
em que, Cint é a capacitância que representa a capacidade térmica do ambiente
[J/C], P (t) são as contribuições diretas na forma de calor e Φ(t) são os uxos de
calor trocados com os ambientes vizinhos, ambos representados como correntes.
As contribuições diretas e o uxo de calor trocado com os ambientes vizinhos
são descritos pelas equações 4.2 e 4.3,
P (t) = uc(t) + Ajφsolar(t), (4.2)
Φ(t) =1
RPE
(Text(t)− Tint(t)) +N∑n=1
1
RPn
(Tn(t)− Tint(t)), (4.3)
em que, uc(t) é a potência comandada de aquecimento/resfriamento em Watts, Ajé a área efetiva da janela [m2], φsolar é a incidência solar em [W/m2], RPE e RPn
são, respectivamente, as resistências térmicas efetivas da parede externa e da parede
entre a sala 404 e cada ambiente vizinho em [C/W ], Text(t) a temperatura externa
[C], Tn(t) a temperatura de cada sala vizinha [C] caso elas existam.
Substituindo 4.2 e 4.3 em 4.1 tem-se
CintdTint(t)
dt= uc(t) + Ajφsolar +
1
RPE
(Text(t)− Tint(t)) +N∑n=1
1
RPn
(Tn(t)− Tint(t)),
(4.4)
que representa a equação nodal para o circuito elétrico da gura 4.2. Nesse modelo,
os parâmetros não podem ser medidos diretamente, porém eles podem ser facilmente
interpretados. Por exemplo, em uma instalação onde a parede externa é mais isolante
do que as paredes internas, o valor encontrado para RPE será superior ao valor de
RPn ou então uma mesma sala em uma região mais úmida apresentará o valor de
Cint superior.
Para os ns da análise do sistema e da realização do algoritmo do MPC, é
conveniente representar o sistema descrito pela equação 4.4 em sua forma de espaço
de estados como representado em 4.5
T int(t) = AT int(t) + Bu(t)
y(t) = CT int(t) + Du(t)(4.5)
31
−+ Tn
RPn
Cint uc Ajφsolar
RPE
−+ Text
Tint
Figura 4.2: Circuito RC equivalente à dinâmica de temperatura de um ambiente
em que,
u(t) =[uc(t) Ajφsolar(t) Text(t) T1(t) · · · Tn(t)
]>(4.6)
A1×1 =
[− 1
Cint
(1
RPE
+1
RP1
+ · · ·+ 1
RPn
)](4.7)
B1×(n+3) =[
1Cint
1Cint
1CintRPE
1CintRP1
· · · 1CintRPn
](4.8)
C1×1 = [1] D1×(n+3) =[
0 · · · 0]
(4.9)
O modelo térmico proposto pela gura 4.2 e descrito pelo sistema linear 4.5
é apenas um dos possíveis arranjos elétricos encontrados na literatura. Bachen e
Madsen efetuam em [17] uma investigação do modelo ideal entre 15 congurações
diferentes. O modelo escolhido depende da quantidade de informações disponíveis.
Na seção seguinte, será utilizado o modelo apresentado em 4.5. No estudo de caso
da seção 5.3, uma conguração diferente é apresentada.
4.3 Experimento de modelagem
Esta seção descreve o experimento realizado entre os dias 21/07/2016 e 25/07/2016
nas instalações da École Supérieure d'Électricité - Supélec no campus da cidade de
Rennes.
32
Figura 4.3: Diagrama dos fatores importantes para a modelagem térmica e seusobjetivos
4.3.1 Sala de reunião A.S.H.
A equipe Automatique et Systèmes Hybrides é a equipe de controle e automação do
campus de Rennes. Entre os seus principais assuntos de pesquisa estão o desenvolvi-
mento de novos algoritmos de controle e a análise de sistemas complexos de grande
porte 3.
O objetivo deste experimento foi de encontrar um modelo elétrico equivalente
para a dinâmica de temperatura da sala de reunião, evidenciando a importância de
cada uma das entradas disponíveis.
A sala de reunião, também denominada sala 404, encontra-se no quarto andar
do prédio com orientação de suas janelas no sentido nordeste. Ela possui 3 outras
salas vizinhas (403, 405 e Labo ASH) assim como mostrado na gura 4.3.
4.3.2 Sistema de sensores e atuadores
No campus de Rennes de Supélec, todas a salas contam com termostatos que são
ligados ao sistema central de aquecimento. A planta mostrada 4.3 foi retirada do
programa de gestão de temperatura. Em adição ao termostato padrão, encontra-se
na sala 404 um sistema adicional de seis outros sensores : umidade, temperatura
externa, incidência solar, concentração de gás carbônico, concentração de compostos
orgânicos voláteis além de um segundo sensor de temperatura interna.
As medidas feitas por esse segundo sistema de sensores são enviadas para um
dispositivo USB via Wi-Fi (Figura 4.4), registrando-as em tempo real em um arquivo
de texto.
O experimento foi realizado durante o verão europeu. Desta forma, o sistema de
3Fonte: https://www.ietr.fr/spip.php?article1601
33
Figura 4.4: Sensores adicionais da sala de reunião
(a) Aquecedor portátil (b) Módulo de controle do aquecedor
Figura 4.5: Sistema de aquecimento da sala 404
aquecimento central encontrava-se totalmente desligado, todavia os sensores estavam
ativos. A solução encontrada foi a instalação do aquecedor portátil mostrado na
gura 4.5a. A sua potência foi ajustada em 1200W (600W e 2000W igualmente
disponíveis). Para controlar a sua alimentação elétrica, produziu-se um módulo
composto de uma tomada, um relé controlado por um microprocessador, um sensor
de energia e um disjuntor indicados na gura 4.5b.
4.3.3 Dados e resultados
Durante os quatro dias de experimento, a porta e a janela da sala de reunião perma-
neceram fechadas para eliminar qualquer tipo de erro no modelo. As guras 4.6 e 4.7
mostram a evolução das temperaturas internas das salas, provenientes do sensores
do sistema central de aquecimento. Do segundo sistema de sensores (via Wi-Fi),
utilizou-se a temperatura externa e a incidência solar (gura 4.8).
34
00:00 00:00 00:00 00:00 00:00
Tem
per
atura
[/C
]
28
29
30
31
32Temperatura da sala de reuni~ao ASH
21/07 22/07 23/07 24/07 25/07
Pot
encia
[W]
0
1200
Estado do aquecedor
Figura 4.6: Temperatura interna e sinal de controle do aquecedor
O sinal de controle do aquecedor (gura 4.6) repete-se a cada 24 horas apresen-
tado variações mais rápidas no meio do dia e variações mais lentas no período da
noite no intuito de excitar o sistema de maneiras diferentes.
Analisando os dados de entrada deve-se remarcar:
As salas vizinhas à sala de reunião tiveram seu funcionamento mantido, isto é,
equipamentos ligados e presença de pessoas. Estas mesmas salas têm orienta-
ções diferentes e por isso atingem seus máximos de temperatura em períodos
diferentes do dia.
O sensor de temperatura mostrado na gura 4.4 estava exposto ao sol, apre-
sentando uma elevação anormal de temperatura nos dias ensolarados (gura
4.8).
4.3.3.1 Modelos identicados
Foram identicados 3 modelos diferentes de primeira ordem para o sistema estudado:
Modelo caixa-preta completo: este modelo utiliza todas as informações
disponíveis e servirá de referência para comparar a performance dos outros
dois modelos estudados.
Modelo equivalente elétrico reduzido: este modelo desconsidera a in-
uência das salas vizinhas.
35
21/07 22/07 23/07 24/07 25/07Tem
per
atu
ra[/C
]
24
26
28
30Temperatura sala 403
21/07 22/07 23/07 24/07 25/07Tem
per
atu
ra[/C
]
26
28
30
32Temperatura sala 405
21/07 22/07 23/07 24/07 25/07Tem
per
atu
ra[/C
]
25
30
35Temperatura do laborat4orio ASH
Figura 4.7: Temperatura internas das salas vizinhas
21/07 22/07 23/07 24/07 25/07
Tem
per
atura
[/C
]
10
20
30
40Temperatura externa
21/07 22/07 23/07 24/07 25/07
Pot
encia
[W=m
2]
0
200
400
600
800Incidencia solar
Figura 4.8: Temperatura externa e incidência solar
36
Modelo equivalente elétrico completo: é o modelo completo considerando
as temperaturas das salas vizinhas (sistema 4.5).
Em todos os três casos dividiu-se 4320 pontos em um conjunto utilizado para a
estimação dos parâmetros e um outro conjunto para validação dos modelos encon-
trados. Todos os osets foram retirados das entradas e saídas com a nalidade de
evitar erros introduzidos por sensores mal calibrados.
4.3.3.2 Resultado do Modelo caixa-preta
Com o auxílio do System Toolbox Identication, identicou-se o modelo que obteve
o melhor ajuste em relação ao jogo de dados de validação. A resposta desse sistema
identicado é muito próxima da saída real do sistema como pode ser visto na gura
4.9. Para avaliar a performance de cada modelo, dene-se a função fit% dada por
4.10. Essa função corresponde ao erro quadrático médio normalizado4 (do inglês
Normalized root-mean-square error - NRMSE ) da resposta de um modelo em relação
a um conjunto de dados. Os valores da função fit% podem variar de 100 a menos
innito.
fit% = 100
(1−||y − y||||y − y||
)(4.10)
em que, y é o conjunto de pontos de validação da saída, y é a saída gerada pelo
sistema estimado e y é a média de y.
Tempo (dias)1.9 2.2 2.5 2.8 3.1 3.4 3.7 4.0
Tem
per
atura
[/C
]
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2Valida9c~ao do modelo Black-Box - fit% = 70:5
Temperatura estimadaTemperatura real
Figura 4.9: Resultado do modelo caixa-preta
4https://www.mathworks.com/help/curvet/evaluating-goodness-of-t.html
37
Tempo (dias)1.85 2.05 2.25 2.45 2.65 2.85 3.05 3.25
Tem
per
atura
[/C
]
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5Valida9c~ao dos modelos Grey-Box
Modelo reduzidoModelo completoTemperatura real
Figura 4.10: Resultado dos modelos caixa-cinza
4.3.3.3 Resultados dos modelos caixa-cinza
Os resultados das saídas estimadas para os dois modelos são mostrados na gura
4.10 e os valores para cada elemento do circuito equivalente descritos pela tabela
4.1.
Rint Cint RP403 RP405 RPlabASH
Modelo reduzido 0,0156 123,4 Modelo completo 2, 34× 105 36,32 3, 59× 10−2 1, 01× 10−2 0, 77× 10−2
Tabela 4.1: Parâmetros encontrados por cada modelo caixa-cinza
Através da análise dos resultados do modelo completo da tabela 4.1, pode-se ar-
mar que a temperatura da sala 404 é mais sensível às variações das salas vizinhas do
que a temperatura externa. Este resultado é coerente com a realidade encontrada
nas instalações do experimento, pois a parede externa é muito mais grossa e proje-
tada especialmente para ser um isolante térmico enquanto as paredes internas são
mais nas e leves.
4.3.3.4 Conclusão
A partir dos resultados obtidos, conclui-se que as informações das temperaturas
das salas vizinhas são muito importantes para uma uma melhor estimação da tem-
peratura da sala de reunião. Além disso o modelo caixa-cinza com seis entradas
38
obteve um desempenho muito próximo do modelo caixa-preta, conrmando o cir-
cuito equivalente proposto. O desempenho de cada modelo pode ser vericado na
tabela 4.2.
fit%Modelo elétrico reduzido 36,6Modelo elétrico completo 68,1
Modelo caixa-preta 70,5
Tabela 4.2: Comparação do desempenho de cada modelo
39
Capítulo 5
Controle preditivo para otimização
energética
Este capítulo apresenta a teoria clássica do MPC e a sua variação utilizada para a
otimização econômica do consumo de energia. O estudo de caso mostrará a aplicação
real do MPC econômico e a simulação utilizará o modelo encontrado no capítulo 2
para demonstrar uma outra aplicação do MPC.
5.1 Introdução
A gestão energética de prédios e de instalações industriais tornou-se um verdadeiro
interesse econômico com o desenvolvimento das Smart-Grids e da geração local de
energia. No problema de otimização energética, deve-se garantir o conforto térmico
dos ocupantes, levando em conta os fatores como o preço variável da energia, a pre-
visão do tempo para o dia, a disponibilidade de geração local, etc. Os controladores
clássicos não são capazes de considerar todos esse fatores citados a m de entregar
uma resposta satisfatória (menor custo e maior conforto térmico ao mesmo tempo).
A teoria clássica do MPC apresenta as ideias fundamentais apresentadas do
MPC-FCS do capítulo 3. A diferença entre essas duas encontra-se no momento da
avaliação da função custo. Enquanto o MPC-FSC utiliza o modelo do sistema para
testar cada um dos possíveis estados futuros do sistema, o MPC clássico resolve
um problema de otimização com restrições para encontrar a sequência ótima de
entrada. A gura 5.1 ilustra o esquema de controle do MPC clássico aplicado para
a otimização energética.
40
Figura 5.1: Esquema de controle do MPC clássico
5.2 Formulação MPC em espaços de estados
5.2.1 Equação de predição
O controlador MPC, também chamado de controlador de horizonte variável (Recen-
ding Horizon Control), deve calcular a cada passo de amostragem, a sequência e
entrada ótima para os Nh instantes futuros (horizonte de predição). Para realizar a
predição da trajetória dos estados do sistema, considera-se o sistema linear discreto
descrito por 5.1
x(k + 1) = Ax(k) +Bu(k)
y(k) = Cx(k)(5.1)
em que u(k) e y(k) são os escalares ou vetores, respectivamente, de entrada e de
saída e x(k) o vetor de estados. Dado o instante de predição k onde x(k) = x(0),
calcula-se a trajetória da saída para o instante seguinte segundo a equação 5.2.
x(k + 1|k) = Ax(0) +Bu(k)
y(k + 1|k) = Cx(k + 1|k) = CAx(0) + CBu(k)(5.2)
em que x(k+1|k) e y(k+1|k) são o vetor de estados e a saída previstos para instante
k + 1 calculados no instante k. Repetindo-se o processo de substituição da equação
5.2 até o passo Nh, pode-se descrever toda a trajetória prevista da variável de saída
através das equações 5.3 e 5.4
41
y(k + 1|k)
y(k + 2|k)...
y(k +Nh|k)
=
CA
CA2
...
CANh
x(0)
+
CB 0 · · · 0
CAB CB. . .
......
. . . 0
CANh−1B CANh−2B · · · CB
u(k|k)
u(k + 1|k)...
u(k +Nh − 1|k)
(5.3)
yk = Fx(0) + Huk (5.4)
em que yk é o vetor de saídas previstas e uk é o vetor de entradas calculadas pelo
algoritmo.
A equação é chamada de equação de predição e é a base do algoritmo de otimi-
zação MPC.
5.2.2 Função objetivo quadrática
Dentro da literatura, a função custo mais utilizada é a função quadrática. Neste
caso, também chamado de MPC quadrático [18], minimiza-se ao mesmo tempo erro
quadrático entre a referência de saída e a saída prevista assim como a energia con-
sumida total. Este problema de minimização é descrito por 5.5
minJ(uk)
J(uk) = (yref − yk)T (yref − yk) + λukTuk
s.a. ymin < yk < ymax restrições de saída
uk < uk < umax restrições de entrada
(5.5)
em que yref é a trajetória de referência de saída e λ é um fator de penalização
da variável uk.
Aplicado para o caso da gestão do consumo de energia, o problema apresentado
em 5.5 consiste em seguir a todo momento a referência e temperatura, utilizando
o mínimo de energia (ukTuk). Quanto maior o valor da variável de penalização λ,
menor é o "incentivo"do sistema para utilizar a energia am de alcançar seu objetivo
de seguir a referência.
No caso onde não há restrições, pode-se encontrar uma solução analítica para
o problema 5.5. Substituindo 5.4 na função quadrática de 5.5 e desenvolvendo seu
termo quadrático, tem-se
42
J(uk) = yrefT yref − yref
TFx(0)− yrefTHuk
− x(0)TF T yref + x(0)TF TFx(0) + x(0)TF THuk
− ukTHT yref + uk
THTFx(0) + ukTHTHuk + uk
Tλuk (5.6)
Como todos os termos da equação 5.6 são escalares, pode-se somar os termos
transpostos como−yrefTHuk−uk
THT yref = −2ukTHT yref . Efetuando
dJ(uk)duk
= 0
para encontrar o mínimo da função obtém-se
−2HT yref + 2HTFx(0) + 2(HTH − λI)uk = 0, (5.7)
cuja solução analítica é dada pela equação 5.8.
uk = (HTH − λI)−1HT (yref − Fx(0)) (5.8)
Nos casos dos problemas de otimização convexos com restrições, a solução é
encontrada através de métodos numéricos. No software MATLAB, estes problemas
são resolvidos através do comando quadprog1.
5.2.3 Função objetivo linear
A solução do problema descrito na seção 5.2.2 apresenta o menor consumo energético
obtendo o melhor conforto térmico possível. Entretanto, quando o valor do preço
da energia varia durante o dia, apresentar menor consumo não signica apresentar
menor custo energético. Em [19], Halvgaard et al. propõem uma função custo linear
para o controlador MPC com o objetivo de obter o menor custo energético para um
sistema de refrigeração. Essa variante do MPC é chamada de Economic MPC e tem
sua seu problema de otimização descrito por 5.9.
minJ(uk)
J(uk) = PTuk
s.a. Huk ≥ yref − Fx(0) restrições de de trajetória
uk < uk < umax restrições de entrada
(5.9)
em queP é o vetor que contém o preço da unidade de energia para osNh instantes
de predição.
O fator mais importante para o sucesso deste controlador é o conhecimento
prévio do perl de ocupação do ambiente controlado. Nesta situação, efetua-se o
relaxamento da restrição da trajetória de saída durante o período não ocupado. A
restrição de trajetória decorre diretamente desta relação descrita pela equação 5.10
1https://www.mathworks.com/help/optim/ug/quadprog.html
43
na qual se impõe um limitante inferior para a temperatura durante o período de
ocupação.
yk ≥ yref ,∀k ∈ Ocupação (5.10)
O controlador então pré-aquece ou resfria livremente o ambiente controlado para
obter o menor custo possível. Como será visto no estudo de caso apresentado em
5.3, isso muitas vezes pode signicar em aumentar o consumo de energia absoluto.
As soluções desses problemas são soluções numéricas obtidas através de técnicas
como a técnica do simplexo [20]. O comando MATLAB linprog2 é capaz de imple-
mentar diferentes algoritmos para encontrar a solução que minimiza a função custo
dadas as restrições do problema.
5.3 Estudo de caso - Redução do custo energético
de canteiro de obras
Esta seção trata o estudo de caso da redução do custo energético de um canteiro de
obras de uma grande construtora francesa. Os dados foram coletados entre os dias
18/01/2017 e 31/01/2017.
5.3.1 Estrutura do canteiro de obra
Os canteiros de obra são estruturas temporárias que acolhem diversos trabalhadores
como engenheiros, técnicos e funcionários administrativos durante a execução de
uma obra de construção civil. Durante o período da construção, um canteiro pode
evoluir em tamanho apresentando diversos andares e mesmo múltiplos prédios.
Por serem leves e exíveis, esses canteiros apresentam uma fraca isolação tér-
mica. Desta forma, nos países com clima temperado, os gastos em aquecimento
correspondem a uma grande parte do custo operacional da obra.
A gura 5.2 mostra um exemplo de um prédio de canteiro de obras típico da
região parisiense. Nesta gura, nota-se a divisão externa entre cada contêiner de-
marcados pelas bordas laranja. O seu espaço interior pode ser livremente organizado
utilizando um ou mais contêineres para o mesmo ambiente.
O canteiro de obras escolhido para o estudo encontra-se na comuna francesa de
Puteaux, no noroeste de Paris. Nas seguintes subseções, apresentar-se-á os dados das
medições de temperatura, o modelo elétrico equivalente identicado e o problema
de otimização seguido da solução proposta.
2https://www.mathworks.com/help/optim/ug/linprog.html
44
Figura 5.2: Instalação típica de um canteiro de obra em Paris
5.3.2 Dados de entrada e sistema de controle presente
O ambiente estudado, un Open-Space de aproximadamente 24m2, apresenta dois
aquecedores elétricos distribuídos igualmente sobre a parede externa. O controlador
utilizado na sua regulação térmica é um controlador do tipo histerese. Sua equação
de funcionamento é descrita por 5.11.
F (Tref , δt, Tk) =
1, se Tref − Tk > δt −→ Ligado
0, se Tref − Tk < −δt −→ Desligado(5.11)
em que a função F corresponde à saída do controlador para o aquecedor, Tref é
a temperatura de referencia, δt a diferença máxima de temperatura aceita entre a
temperatura medida e a temperatura de referência e Tk a temperatura medida no
instante k.
Durante o período de coleta de dados, tem-se Tref = 22C durante os períodos
de ocupação e Tref = 10, 5C durante os períodos de inocupação. O valor de δt é
igual a 0, 5C em todos os momentos. A temperatura interna pode ser visualizada
na gura 5.3. A gura 5.4 mostra a potência elétrica instantânea e a 5.5 mostra a
temperatura externa recuperada do site Méteo France3. O período de amostragem
3https://donneespubliques.meteofrance.fr/
45
19/01 20/01 21/01 22/01 23/01 24/01 25/01 26/01 27/01 28/01 29/01 30/01 31/01 01/02
Tem
per
atura
[/C
]
8
10
12
14
16
18
20
22
24
26Temperatura interna do Open-Space
Figura 5.3: Temperatura interna
é de 10 minutos para a temperatura interna e a potência elétrica e de 3 horas para
a temperatura externa.
Uma vez recuperados os dados, executou-se o pré-tratamento a m de preparar
a etapa de identicação. Por exemplo, a curva de temperatura externa da gura 5.5
passou por um processo de reamostragem para que todos os dados de entrada e de
saída possam ter o mesmo número de pontos.
5.3.3 Identicação do modelo elétrico equivalente
Nesta parte do trabalho, o mesmo processo executado no estudo de caso do capítulo
4 foi realizado. Separou-se os dados de entrada e saída em dois conjunto diferentes:
Conjunto de dados de estimação : dados compreendidos entre 23/01 e 28/01.
Conjunto de dados de validação : dados compreendidos entre 19/01 e 23/01.
Nota-se ainda nas guras 5.3-5.4 que o sistema de regulação foi desligado a partir
de 28/01 por uma razão desconhecida. Desta forma, apenas o período de tempo entre
19/01 e 28/01 foi considerado para análise.
Utilizando a abordagem caixa-cinza do modelo elétrico equivalente, encontrou-se
46
19/01 20/01 21/01 22/01 23/01 24/01 25/01 26/01 27/01 28/01 29/01 30/01 31/01 01/02
Pote
ncia
[kW
]
-1
0
1
2
3
4
5
6Potencia el4etrica de aquecimento
Figura 5.4: Entrada de potência do aquecedor
19/01 20/01 21/01 22/01 23/01 24/01 25/01 26/01 27/01 28/01 29/01 30/01 31/01 01/02
Tem
per
atura
[/C
]
-10
-5
0
5
10
15Temperatura externa em Puteaux
Figura 5.5: Temperatura externa
47
o modelo elétrico de segunda ordem representado pelo sistema descrito por 5.12:
T (t) =
[−52, 4 52, 4
10, 7 −12, 1
]T (t) +
[120, 1 0
0 1, 4
]u(t)
y(t) =[
1 0]T (t)
(5.12)
em que,
T (t) =[Tint(t) Tparede(t)
]Tu(t) =
[uc(t) Text(t)
]T(5.13)
Tint é a temperatura do Open-Space, Tparede é a temperatura da parede externa, Texté a temperatura externa e uc é a potência elétrica do aquecedor em kW . O desenho
do circuito elétrico está representado na gura 5.6
Cint uc
Rint
Cparede
TparedeRparede
−+ Tn
Tint
Figura 5.6: Circuito RC equivalente do Open-Space
O modelo Simulink do sistema 5.12 está representado na gura 5.7. A gura
5.8 mostra a sobreposição das curvas da temperatura real e simulada para o mesmo
perl de temperatura de referência. Para o modelo identicado, o valor da função
fit% é igual a 73, 3%.
Após a validação do modelo computacional, encontra-se a fase de estudos do
problema de otimização apresentado na próxima seção.
5.3.4 Redução do custo energético com MPC
5.3.4.1 Índice de desconforto
Um dos objetivos do algoritmo do MPC é de garantir o conforto térmico dos ocu-
pantes. Com o propósito de avaliar a qualidade da regulação térmica, dene-se o
48
x' = Ax+Bu y = Cx+Du
Puteaux open Space
Relay
Scope3Rate Transition1
1Referência classica
2Temperatura Ext
1 Potência
2Temperatura interna
Figura 5.7: Modelo Simulink do Open-Space
19/01 20/01 21/01 22/01 23/01 24/01 25/01 26/01
Tem
per
atura
[/C
]
10
12
14
16
18
20
22
Temperatura interna do Open-Space
Temperatura realTemperatura simulada
Figura 5.8: Comparação entre a resposta simulada e a real
49
índice de desconforto (IC) descrito pela equação 5.14.
IC =
∫Θ
|yref (t)− y(t)|dt (5.14)
em que Θ é o período de ocupação, yref (t) a temperatura de referência e y(t) é a
temperatura medida/simulada. O índice de desconforto penaliza todos os momentos
onde a temperatura do ambiente não é igual à temperatura de referência durante a
ocupação. Quanto mais próximo de zero este índice, melhor é o desempenho de sua
regulação.
Para os ns do presente estudo, o período de ocupação é o período das 8 horas
até às 20 horas de segunda a sexta.
5.3.4.2 Perl tarifário
Na França, o preço da unidade de kWh varia conforme a hora do dia e conforme
o tipo de cliente. No caso desta grande empresa do ramo de construção, a tarifa
diária pode ser decomposta em duas partes:
Tarifa reduzida de 0, 05896 e/kWh entre 22 horas e 6 horas.
Tarifa plena de 0, 08189 e/kWh entre 6 horas e 22 horas.
Estes preços correspondem ao vetor de preços P do problema de minimização
5.9.
5.3.4.3 Simulação e análise de resultados
O problema de otimização do Economic MPC deste estudos de caso é idêntico ao
problema apresentado em 5.2.3. O perl tarifário foi apresentado em 5.3.4.2. A
potência de entrada máxima (umax) é limitada a 3kW . O objetivo do estudo é de
reduzir a preço nal da fatura energética com o menor índice de desconforto possível.
Foram realizadas duas simulações com dois horizontes de predição diferentes. A
primeira simulação tem o horizonte de predição de 24 horas e a segunda de uma
semana. Horizontes de predição menores são mais realistas devido às incertezas das
previsões do tempo a longo prazo e devido ao menor custo computacional requerido.
O segundo caso pode ser interpretado como a sequência de sete simulações com
horizonte de predição de 24 horas. Em ambos os casos, a previsão meteorológica foi
considerada perfeita.
Para o caso da simulação de um único dia, a solução do problema de otimização é
o vetor da potência elétrica do aquecedor visualizado na Figura 5.9. A temperatura
interna do Open-Space para este caso pode ser visualizada em 5.10. Nestas guras,
observa-se o início do aquecimento com potência máxima entre 02:45 e 06:30 para
50
Tempo(dias)00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pote
ncia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica do aquecedor
Figura 5.9: Potência elétrica do aquecedor no período do dia 25/01
Energiaconsumida(kWh)
Custoenergético (e)
Índice dedesconforto
Dados reais 23,8 1,93 1,77Modelo com regulação histerese 24,8 2,04 2,65Modelo com Economic MPC 26,3 1,92 0,13
Tabela 5.1: Resultados da simulação de um dia
em seguida regular a temperatura com potência reduzida. Como não há restrições
para a temperatura fora do período de ocupação, a solução mais econômica mostra
que deve-se sobreaquecer o ambiente (até 25C) durante a tarifa reduzida para uma
utilização mínima da potência durante o período mais caro.
Na simulação de uma semana, a potência elétrica e a resposta em temperatura
podem ser visualizadas, respectivamente, nas guras 5.11 e 5.12. Nesta simulação, a
tarifa reduzida é sempre utilizada prioritariamente. Analisando a resposta durante
os dias 2 e 3, conclui-se que a regulação de temperatura durante os ns de semana
não é necessária. O algoritmo do MPC determinou automaticamente a hora da
reativação do aquecedor.
As tabelas 5.1 e 5.2, mostram os resultados obtidos em termos da energia con-
sumida, o custo energético, e do índice de desconforto para os dados reais e para o
modelo identicado com regulação histerese e com Economic MPC.
51
Tempo(dias)00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Tem
per
atu
ra[/C
]
10
15
20
25Temperatura interna do Open-Space
Modelo com histereseModelo com MPC
Figura 5.10: Comparação entre a respostado modelo identicado para o controladorem histerese e com o MPC para o período do dia 25/01
Tempo(dias)0 1 2 3 4 5 6 7
Pote
ncia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica do aquecedor
Figura 5.11: Potência elétrica do aquecedor no período de uma semana
Energiaconsumida(kWh)
Custoenergético (e)
Índice dedesconforto
Dados reais 163,3 12,8 24,19Modelo com regulação histerese 158,5 12,5 26,35Modelo com Economic MPC 151,4 10,88 0,48
Tabela 5.2: Resultados da simulação de uma semana
52
Tempo(dias)0 1 2 3 4 5 6 7
Tem
per
atura
[/C
]
0
5
10
15
20
25
30Temperatura interna do Open-Space
Modelo com histereseModelo com MPC
Figura 5.12: Comparação entre a respostado modelo identicado para o controladorem histerese e com o MPC para o período de uma semana
5.4 Estudo de caso 2 - Canteiro de obras com gera-
ção de energia local
Neste estudo de caso, adiciona-se uma geração local de energia ao sistema do canteiro
de obras modelado em 5.3. A geração local pode ser considerada como um conjunto
de painéis fotovoltaicos com potência máxima de 4kW e com perl quadrático de
potência produzida visualizada em 5.13. Deseja-se vericar a capacidade do contro-
lador MPC em lidar com multiplas entradas controláveis e observar a diferença da
resposta do Economic MPC e do MPC quadrático (função custo quadrática)
Considerou-se o preço do kWh gerado pela produção local igual a 0, 06e, isto
é, 24% mais barato do que o preço do kWh fornecido pela rede elétrica durante o
período de geração. O controlador encontra-se livre para repartir a energia consu-
mida para o aquecimento entre as duas fontes possíveis mas ainda limitado aos 3kW
máximos dos aparelhos. O novo vetor de entradas uk descrito por 5.15 é composto
de Nh pares(uc us
)Tk, em que uc denota a potência vinda da rede elétrica e us
53
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pot
encia
[kW
]
0
0.5
1
1.5
2
2.5
3
3.5
4Per-l de potencia el4etrica dipon41vel
Figura 5.13: Perl da geração local de energia
a potência vinda da geração local.
uk =
(uc(k|k)
us(k|k)
)0(
uc(k + 1|k)
us(k + 1|k)
)1
...(uc(k +Nh − 1|k)
us(k +Nh − 1|k)
)Nh−1
(5.15)
Para o MPC com função objetivo quadrática, o fator de penalização λ torna-se a
matriz L que incorpora as tarifas de energia para cada entrada e descrita por 5.16.
L =
pck psk 0 · · · 0
0 pck+1psk+1
. . ....
.... . . . . . . . . 0
0 · · · 0 pcNh−1psNh−1
(5.16)
em que pck e psk representam respectivamente os preços dos kWh da rede elétrica e
da geração local no instante k.
54
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pot
encia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida da rede el4etrica
(a) Potência elétrica consumida da rede no
MPC quadrático
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pot
encia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida da rede el4etrica
(b) Potência elétrica consumida da rede no
Economic MPC
Figura 5.14: Potências consumidas da rede elétrica
O problema de minimização 5.5 pode ser reescrito por
minJ(uk)
J(uk) = (yref − yk)T (yref − yk) + ukTLuk
s.a. Huk ≥ yref − Fx(0) restrições de de trajetória
uk < uk < umax restrições de entrada
(5.17)
No caso do Economic MPC, o vetor de preços P é um vetor coluna com os Nh
pares de preço energético representado em 5.18.
P =[ (
pck psk
) (pck+1
psk+1
)· · ·
(pcNh−1
psNh−1
) ]T, (5.18)
aplicado ao mesmo problema de otimização apresentado em 5.9
minJ(uk)
J(uk) = PTuk
s.a. Huk ≥ yref − Fx(0) restrições de de trajetória
uk < uk < umax restrições de entrada
Em ambos os casos, a temperatura mínima durante o período de ocupação é
imposta como sendo a própria temperatura de referência (restrição de trajetória).
Os resultados para cada uma das simulações encontram-se nas guras 5.14-5.17.
As potências consumidas da rede estão mostradas em 5.14. As potências consumidas
da geração local estão em 5.15 e o total esta representado em 5.16. Finalmente, a
temperatura obtida com a utilização do controlador é mostrada em 5.17.
A tabela 5.3 mostra o desempenho de cada simulação com os mesmos parâmetros
denidos na seção 5.3.
55
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pot
encia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida da gera9c~ao local
(a) Potência elétrica consumida da geração
local no MPC quadrático
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pote
ncia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida da gera9c~ao local
(b) Potência elétrica consumida da geração
no Economic MPC
Figura 5.15: Potências consumidas da geração local
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pot
encia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida total
Potência da rede elétricaPotência da geração localPotência total
(a) Potência elétrica total consumida no MPC
quadrático
Hora do dia00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Pote
ncia
[W]
0
0.5
1
1.5
2
2.5
3
Potencia el4etrica consumida total
Potência da rede elétricaPotência da geração localPotência total
(b) Potência elétrica total consumida no Eco-
nomic MPC
Figura 5.16: Comparação entre todas as potências consumidas
Tempo(dias)00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Tem
per
atura
[/C
]
13
14
15
16
17
18
19
20
21
22
23Temperatura interna do Open-Space
(a) Evolução da temperatura no MPC qua-
drático
Tempo(dias)00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00
Tem
per
atura
[/C
]
12
14
16
18
20
22
24Temperatura interna do Open-Space
(b) Potência elétrica total consumida no Eco-
nomic MPC
Figura 5.17: Temperatura simulada do Open-Space
56
Energiaconsumida(kWh)
Custo energético(e)
Índice dedesconforto
MPC quadrático 24,94 1,74 0,041Economic MPC 25,14 1,60 0,064
Tabela 5.3: Sistema do canteiro de obras com produção local de energia - Compa-ração entre os dois problemas de otimização
Os resultados apresentados mostram que o Economic MPC garantiu o menor
preço ao m do dia em detrimento de uma mínima diferença de conforto. Por
outro lado, a otimização proposta pelo MPC quadrático procura obter os melhores
resultados em relação ao rastreamento da referência e em relação à energia total
consumida.
5.5 Conclusão
Neste capítulo foi apresentada a teoria clássica do MPC, suas equações e dois estudos
de casos. No primeiro estudo de caso, mostrou-se que a utilização do MPC no lugar
do controlador implementado reduziria o custo energético em até 13% no período de
uma semana. Na tabela 5.1, nota-se ainda que nos dias de ocupação, a energia con-
sumida pelo novo controlador é superior à energia consumida originalmente, porém
com custo total inferior. Em todos os casos, o objetivo de conforto alcançado pelo
MPC foi melhor do que o conforto do regulador em histerese (índice de desconforto
13 vezes menor durante um dia e 50 vezes menor durante uma semana).
No segundo estudo de caso, fez-se uma extensão do primeiro sistema adicionado
de uma geração local de energia. Com as devidas alterações à formulação do pro-
blema, o controlador MPC foi facilmente ajustado para levar em conta essa nova
entrada. Nestas duas simulações o resultado obtido pelos dois tipos de problema de
otimização foram superiores à regulação presente. Percebe-se também a diferença
de objetivo de cada otimização, sendo o MPC quadrático uma solução mais voltada
para o lado "sustentável"enquanto o Economic MPC puramente nanceiro.
57
Capítulo 6
Conclusões
Este trabalho teve como objetivo apresentar a teoria do controle preditivo baseado
em modelo e mostrar sua versatilidade em duas aplicações de áreas de conhecimento
distintas.
Na campo da eletrônica de potência, utilizou-se a formulação do MPC-FSC para
controlar um inversor de potência. Esta abordagem mostrou-se de simples com-
preensão e adaptada para casos onde o sistema estudado apresenta comportamento
não-linear e híbrido. A grande vantagem da utilização do MPC-FSC para o controle
de inversores reside na alta exibilidade para controlar diversas variáveis e de incluir
ao mesmo tempo as limitações e restrições do sistema de maneira simples. Desta
forma, este tipo de controle é ideal para os caso onde os equipamentos em questão
devem respeitar normas ou legislações que são mais dicilmente expressas em um
controlador clássico. Como sua formulação e implementação é feita diretamente em
um ambiente digital, alterações nos modelos ou nas restrições representam simples-
mente uma alteração em partes do código embarcado nos microprocessadores.
Nos estudos sobre a eciência energética dos sistemas de regulação térmica, con-
trolador MPC também mostrou-se capaz de efetuar grandes economias através do
conhecimento do perl tarifário da energia elétrica. Além disso, esse controlador
apresentou novamente a sua característica de exibilidade no caso onde o sistema
foi expandido com a adição de uma produção local de energia.
O projeto de um controlador MPC pode ser dividido então em duas grandes
partes: modelização e otimização. A modelização é a parte mais importante de
todo o projeto pois a utilização de um modelo incorreto ou mal identicado implica
necessariamente em previsões incorretas. A parte de otimização utiliza as previsões
baseadas no modelo para alcançar um objetivo especicado pela função custo.
As técnicas de controle preditivo baseado em modelo exigem um elevado custo
computacional do sistema embarcado. Entretanto, testar cada estado de comutação
de um inversor ou calcular os muitos estados futuros da trajetória de saída de um
sistema não são mais problemas encontrados pelos microprocessadores atuais. O
58
controle preditivo baseado em modelo é um conjunto de técnicas promissoras base-
adas na simplicidade e exibilidade que devem ser cada vez mais empregadas nas
diversas áreas da engenharia.
6.1 Trabalhos futuros
Este trabalho ainda pode ser muito desenvolvido. No caso do projeto de controle
de inversores, seria interessante de expandir o modelo realizado para a integração a
um modelo de uma rede inteligente. Para isso, será necessário modelar um sistema
de inversores back-to-back semelhante ao sistema proposto por Rajapakse et al. em
[21].
O problema de otimização energética pode ser expandido para um sistema multi-
zona e o problema de conito entre controladores MPC, propondo diferentes soluções
como um controlador MPC centralizado ou controladores MPC distribuídos comu-
nicantes.
59
Referências Bibliográcas
[1] MORARI, M., LEE, J. H. Model predictive control: past, present and future,
Computers & Chemical Engineering, v. 23, n. 4, pp. 667 682, 1999.
ISSN: 0098-1354. doi: https://doi.org/10.1016/S0098-1354(98)00301-9.
[2] QIN, S., BADGWELL, T. A. A survey of industrial model predictive control te-
chnology, Control Engineering Practice, v. 11, n. 7, pp. 733 764, 2003.
ISSN: 0967-0661. doi: https://doi.org/10.1016/S0967-0661(02)00186-7.
Disponível em: <http://www.sciencedirect.com/science/article/
pii/S0967066102001867>.
[3] CORTES, P., KAZMIERKOWSKI, M. P., KENNEL, R. M., et al. Predictive
Control in Power Electronics and Drives, IEEE Transactions on Indus-
trial Electronics, v. 55, n. 12, pp. 43124324, Dec 2008. ISSN: 0278-0046.
doi: 10.1109/TIE.2008.2007480.
[4] RODRIGUEZ, J., CORTES, P. Predictive control of power converters and elec-
trical drives, v. 40. John Wiley & Sons, 2012.
[5] KOURO, S., CORTES, P., VARGAS, R., et al. Model Predictive Control : A
Simple and Powerful Method to Control Power Converters, IEEE Tran-
sactions on Industrial Electronics, v. 56, n. 6, pp. 18261838, June 2009.
ISSN: 0278-0046. doi: 10.1109/TIE.2008.2008349.
[6] RASHID, M. H. Power Electronics Handbook. Butterworth-Heinemann, 2017.
ISBN: 012811407X,9780128114070.
[7] NED MOHAN, TORE M. UNDELAND, W. P. R. Power Electronics: Conver-
ters, Applications, and Design, Third edition. John Wiley & Sons, Inc.,
2002. ISBN: 9780471226932,0471429082.
[8] WU, BIN; YARAMASU, V. Model predictive control of wind energy conversion
systems. IEEE Press series on power engineering 55. IEEE Press : Wiley,
2017. ISBN: 9781119082989,1119082986,9781119082996,1119082994,978-
1-118-98858-9.
60
[9] PAUL KRAUSE, OLEG WASYNCZUK, S. S. S. P. Analysis of Elec-
tric Machinery and Drive Systems, Third Edition. 2005. ISBN:
9781118024294,9781118524336.
[10] DUESTERHOEFT, W. C., SCHULZ, M. W., CLARKE, E. Determination
of Instantaneous Currents and Voltages by Means of Alpha, Beta, and
Zero Components, Transactions of the American Institute of Electrical
Engineers, v. 70, n. 2, pp. 12481255, July 1951. ISSN: 0096-3860. doi:
10.1109/T-AIEE.1951.5060554.
[11] MAURICIO AREDES, HIROFUMI AKAGI, E. H. W. Instantane-
ous Power Theory and Applications to Power Conditioning. IEEE
Press Series on Power Engineering. Wiley-IEEE Press, 2007. ISBN:
0470107618,9780470107614.
[12] ZHOU, K., WANG, D. Relationship between space-vector modulation and
three-phase carrier-based PWM: a comprehensive analysis [three-phase
inverters], IEEE Transactions on Industrial Electronics, v. 49, n. 1,
pp. 186196, Feb 2002. ISSN: 0278-0046. doi: 10.1109/41.982262.
[13] ZAYANE, C. Identication d'un modèle de comportement thermique de bâti-
ment à partir de sa courbe de charge. Tese de Doutorado, École Nationale
Supérieure des Mines de Paris, 2011.
[14] FATIMA AMARA, KODJO AGBOSSOU, A. C. Y. D. S. K. Comparison
and Simulation of Building Thermal Models for Eective Energy Mana-
gement, Smart Grid and Renewable Energy, v. 6, pp. 95112, 2015.
[15] LJUNG, L. System Identication: Theory for the User. Prentice Hall, 1999.
ISBN: 0136566952,9780136566953.
[16] VAN OVERSCHEE, P., DE MOOR, B. Subspace identication for linear sys-
tems: TheoryImplementationApplications. Springer Science & Busi-
ness Media, 2012.
[17] BACHER, P., MADSEN, H. Identifying suitable models for the heat dynamics
of buildings, Energy and Buildings, v. 43, n. 7, pp. 1511 1522, 2011.
ISSN: 0378-7788.
[18] E. F. CAMACHO, C. B. Model Predictive Control. Advanced textbooks in
control and signal processing. Springer, 1999. ISBN: 9783540762416,3-
540-76241-8.
61
[19] HALVGAARD, R., POULSEN, N. K., MADSEN, H., et al. Economic Mo-
del Predictive Control for building climate control in a Smart Grid. In:
2012 IEEE PES Innovative Smart Grid Technologies (ISGT), pp. 16,
Jan 2012. doi: 10.1109/ISGT.2012.6175631.
[20] KWON, R. H. Introduction to linear optimization and extensi-
ons with MATLAB. Operations research series. CRC Press,
2014. ISBN: 9781439862636,143986263X,9781439862643,1439862648,978-
1-4822-0434-6,1482204347,9781482204353,1482204355.
[21] RAJAPAKSE, G., JAYASINGHE, S. G., FLEMING, A., et al. A Model Pre-
dictive Control-Based Power Converter System for Oscillating Water Co-
lumn Wave Energy Converters, Energies, v. 10, n. 10, pp. 1631, 2017.
62
Apêndice A
Código Matlab
A.1 Código do MPC-FSC
1 function[S1,S4,S2,S5,S3,S6,s] = fcn(xr_a,xr_b,xr_c,xm_a,xm_b,...
2 xm_c,Vtable, vga, vgb, vgc,Pref,Qref)
3 %fcn(xref_alfa,xref_beta,xmes_alfa,xmes_beta,Vtable)
4 %#codegen
5
6 % Definicao do modelo de espaços de estados
7
8 % Matrizes A e B
9
10 Ad=0.999986666755555;
11 Bd=1.333324444483951e-04;
12
13 xmin=7;
14
15 %Funcao custo inicial igual a infinito
16 gopt=inf;
17
18 for i=1:7
19
20 % Conversao das tensoes no plano alfa-beta em a-b-c
21 Van=real(Vtable(i));
22 Vbn=-0.5*real(Vtable(i))+0.5*sqrt(3)*imag(Vtable(i));
23 Vcn=-0.5*real(Vtable(i))-0.5*sqrt(3)*imag(Vtable(i));
24
25 % Previsao das correntes
63
26 x_ak1=Ad*(xm_a)+Bd*(Van-vga);
27 x_bk1=Ad*(xm_b)+Bd*(Vbn-vgb);
28 x_ck1=Ad*(xm_c)+Bd*(Vcn-vgc);
29
30 % DESCOMENTAR ESSA PARTE PARA
31 % FUNCIONAR COM CONTROLE DE CORRENTE
32
33 %Avaliacao das funcoes custo
34 ga=abs(xr_a-x_ak1);
35 gb=abs(xr_b-x_bk1);
36 gc=abs(xr_c-x_ck1);
37
38 g=ga+gb+gc;
39
40 %%DESCOMENTAR ESSA PARTE PARA
41 %%FUNCIONAR COM CONTROLE DE POTENCIA
42 %
43 %
44 %%Calculo das potencias
45 %Pi=x_ak1*vga+x_bk1*vgb+x_ck1*vgc;
46 %Qi=((vgb-vgc)*x_ak1+(vgc-vga)*x_bk1+(vga-vgb)*x_ck1)/sqrt(3);
47 %
48 %gp=abs(Pref-Pi);
49 %gq=abs(Qref-Qi);
50
51 %g=gp+gq;
52
53
54 if g<gopt
55
56 gopt=g;
57 xmin=i;
58
59 end
60
61
62 end
63
64 %Chaveamento
64
65 s=xmin;
66 if xmin==1
67 S1=1;
68 S4=0;
69 S2=0;
70 S5=1;
71 S3=0;
72 S6=1;
73 elseif xmin==2
74 S1=1;
75 S4=0;
76 S2=1;
77 S5=0;
78 S3=0;
79 S6=1;
80 elseif xmin==3
81 S1=0;
82 S4=1;
83 S2=1;
84 S5=0;
85 S3=0;
86 S6=1;
87 elseif xmin==4
88 S1=0;
89 S4=1;
90 S2=1;
91 S5=0;
92 S3=1;
93 S6=0;
94 elseif xmin==5
95 S1=0;
96 S4=1;
97 S2=0;
98 S5=1;
99 S3=1;
100 S6=0;
101 elseif xmin==6
102 S1=1;
103 S4=0;
65
104 S2=0;
105 S5=1;
106 S3=1;
107 S6=0;
108 else
109 S1=1;
110 S4=0;
111 S2=1;
112 S5=0;
113 S3=1;
114 S6=0;
115 end
66