Estimador Neuro-Borroso, con reducción de complejidad, de las temperaturas de un campo solar cilindro-parabólico

J. M. Escaño, A. J. Sánchez, M. Ceballos, A. J. Gallego, E. F. Camacho

Resumen

La estimación de estados no observables de un proceso es importante cuando se aplican técnicas de control automático basadas en el espacio de estados. El diseño y uso de estos controladores conlleva suponer que los valores de los estados se podrán obtener de una u otra forma. Cuando todos los estados son medibles, no existe la necesidad de aplicar observadores. El caso de plantas solares cilindro-parabólicas usando modelos de parámetros distribuidos presenta el problema de no poder medir todos los valores de los estados con sensores. En este trabajo se presenta un observador basado en un sistema de inferencia borrosa para estimar los perfiles de temperatura de los lazos que componen el campo solar. Se aplica una técnica de reducción de complejidad basada en el análisis de componentes principales funcionales para que el estimador sea realizable en la práctica sin ocupar mucha memoria o consumir demasiado tiempo tanto en la computacion del algoritmo como en la programación en dispositivos industriales.


Palabras clave

Sistemas neuro borrosos; análisis componentes principales funcionales; estimación espacio estados; plantas solares; cilidro-parabólica; reducción complejidad

Clasificación por materias

Inteligencia computacional y técnicas de supervisión y detección de fallos aplicados al control automático de sistemas; : Modelado, identificación, simulación y optimización de sistemas; : Control automático de procesos industriales, sistemas energéticos,

Texto completo:

PDF

Referencias

Berkhin, P., 2006. Grouping Multidimensional Data Recent Advances in Clus-tering. Springer Berlin Heidelberg, Berlin, Heidelberg, Ch. A Survey ofClustering Data Mining Techniques, pp. 25-71. https://doi.org/10.1007/3-540-28349-8_2

Blackwell, W. J., Milstein, A. B., Zavodsky, B., Blankenship, C. B., 2014. Neural network estimation of atmospheric thermodynamic state for weather forecasting applications. In: Schmorrow, D. D., Fidopiastis, C. M. (Eds.), Foundations of Augmented Cognition. Advancing Human Performance and Decision-Making through Adaptive Systems. Springer International Publishing, Cham, pp. 93-103. https://doi.org/10.1007/978-3-319-07527-3_9

Camacho, E. F., Berenguel, M., Rubio, F. R., 1997. Advanced Control of Solar Plants. Springer Science & Business Media. https://doi.org/10.1007/978-1-4471-0981-5

Carmona, R., 1985. Analisis, modelado y control de un campo de colectores solares distribuidos con sistema de seguimiento en un eje. Ph.D. thesis. Universidad de Sevilla.

Chiu, S., 1994. Fuzzy Model Identification based on cluster estimation. Journal of Intelligent Fuzzy Systems 2, 267-278. https://doi.org/10.3233/IFS-1994-2306

Cirre, C. M., Valenzuela, L., Berenguel, M., Camacho, E. F., 2010. Control de plantas solares con generación automática de consignas. Revista Iberoamericana de Automática e Informática industrial 1 (1), 50-56.

Cordon, O., Herrera, F., Hoffmann, F., Magdalena, L., 2001. Genetic Fuzzy Systems. World Scientic Publishing Company Singapore. https://doi.org/10.1142/4177

Escaño, J., Bordons, C., 01 2014. Fuzzy Modeling and Control: Theory and Applications. Atlantis Computational Intelligence Systems. Atlantis Press, Paris, Ch. Complexity Reduction in Fuzzy Systems Using Functional Principal Component Analysis, pp. 49-65. https://doi.org/10.2991/978-94-6239-082-9_3

Escaño, J., Bordons, C., Witheephanich, K., Gómez-Estern, F., 07 2019. Fuzzy model predictive control: Complexity reduction for implementation in industrial systems. International Journal of Fuzzy Systems. https://doi.org/10.1007/s40815-019-00693-z

Everitt, B. S., Landau, S., Leese, M., 2009. Cluster Analysis, 4th Edition. Wiley Publishing.

Gallego, A. J., Camacho, E. F., 2012. Adaptative state-space model predictive control of a parabolic-trough field. Control Engineering Practice 20 (9), 904- 911. https://doi.org/10.1016/j.conengprac.2012.05.010

Gallego, A. J., Fele, F., Camacho, E. F., Yebra, L., 2013. Observer-based model predictive control of a parabolic-trough field. Solar Energy 97, 426 - 435. https://doi.org/10.1016/j.solener.2013.09.002

Ghosh, A., Chakraborty, M., 2012. Hybrid optimized back propagation learning algorithm for multi-layer perceptron. International Journal of Computer Applications 57. https://doi.org/10.5120/9749-3332

Guzmán, 2018..

Jain, A. K., Murty, M. N., Flynn, P. J., Sep. 1999. Data clustering: A review. ACM Comput. Surv. 31 (3), 264-323. https://doi.org/10.1145/331499.331504

Jain, A. K., Murty, M. N., Flynn, P. J., Sep. 1999. Data clustering: A review. ACM Comput. Surv. 31 (3), 264-323. https://doi.org/10.1145/331499.331504

Jang, J., May 1993. Anfis: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics 23 (3), 665-685. https://doi.org/10.1109/21.256541

Karamali, M., Khodabandeh, M., 2017. A distributed solar collector field temperature profile control and estimation using inlet oil temperature and radiation estimates based on iterative extended kalman filter. Renewable Energy 101, 144 - 155. https://doi.org/10.1016/j.renene.2016.08.049

Kaxu Solar One, 2018..

Li, I.-H., Wang, W.-Y., Su, S.-F., Lee, Y.-S., Sep. 2007. A merged fuzzy neural network and its applications in battery state-of-charge estimation. IEEE Transactions on Energy Conversion 22 (3), 697 - 708. https://doi.org/10.1109/TEC.2007.895457

Rehman, S., Mohandes, M., 2008. Artificial neural network estimation of global solar radiation using air temperature and relative humidity. Energy Policy 36 (2), 571 - 576. https://doi.org/10.1016/j.enpol.2007.09.033

Rubio, F. R., Camacho, E. F., Berenguel, M., 2009. Control de campos de colectores solares. Revista Iberoamericana de Automática e Informática industrial 3 (4), 26-45.

Sánchez, A. J., Gallego, A. J., Escaño, J. M., Camacho, E. F., 2018. Temperature homogenization of a solar trough field for performance improvement. Solar Energy. Elsevier. 165C, 1-9. https://doi.org/10.1016/j.solener.2018.03.001

Sánchez, A. J., Escaño, J. M., Bordons, C., Camacho, E. F., 2018. Estimador borroso de una planta solar cilindro-parabólica. In: Actas de las XXXIX Jornadas de Automática, Badajoz, 5-7 de Septiembre de 2018. Universidad de Extremadura, pp. 908-915.

Solana Generating Station,2018..

Solar Millennium AG, 2018. The construction of the andasol power plants. .

Takagi, T., Sugeno, M., Jan. 1985. Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics 15 (1), 116-132. https://doi.org/10.1109/TSMC.1985.6313399

Werbos, P. J., 1974. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University.

Xu, R., Wunsch, D., I., May 2005. Survey of clustering algorithms. Neural Networks, IEEE Transactions on 16 (3), 645-678. https://doi.org/10.1109/TNN.2005.845141

Yager, R. R., Filev, D. P., Aug 1994. Approximate clustering via the mountain method. IEEE Transactions on Systems, Man, and Cybernetics 24 (8), 1279-1284. https://doi.org/10.1109/21.299710

Abstract Views

857
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912