Optimización mediante algoritmos metaheurísticos de un control de velocidad PI para un motor de imanes permanentes
Resumen
El trabajo reporta la evaluacion de desempeño de cuatro algoritmos metaheurísticos para optimizar el control de velocidad de un motor de imanes permanentes (MIP); el controlador tiene integrados tres controles PI, en consecuencia, hay que sintonizar seis ganancias. Los algoritmos considerados; son enjambre de partículas conocido como (PSO), evolucion diferencial mejorada (LSHADE), optimizacion de búsqueda dorada (GSO), y axolote mexicano (MAO). El rendimiento de los controles del motor se evalua sometíendolos a cambios en la referencia de velocidad y a perturbaciones en el par de carga. LSHADE obtiene el mejor rendimiento con un valor mínimo de la funcion de coste de 1.1474, le sigue el PSO convencional con un valor de 2.9567, el MAO
con un valor de 13.09, y el GSO con 266.63. Aunque los algoritmos GSO y MAO son tecnicas de optimización recientes, no han conseguido mejorar a los algoritmos PSO y LSHADE para este caso concreto de regulacion de velocidad MIP.
Descargas
Citas
Brahim, B., Kobayashi, M., Al Ali, M., Khatir, T., y Elmeliani, M. E. A. E. (2024). Metaheuristic optimization algorithms: an overview. HCMCOU Journal of Science–Advances in Computational Structures.
Cai, W., Wu, X., Zhou, M., Liang, Y., y Wang, Y. (2021). Review and development of electric motor systems and electric powertrains for new energy vehicles. Automotive Innovation, 4:3–22.
Choi, H., Kim, E., Yu, D., Jung, J., y Kim, T. (2017). Precise pi speed control of permanent magnet synchronous motor with a simple learning feedforward compensation. Electrical Engineering, 99:133–139.
Choi, H. H., Yun, H. M., y Kim, Y. (2013). Implementation of evolutionary fuzzy pid speed controller for pm synchronous motor. IEEE Transactions on Industrial Informatics, 11(2):540–547.
Deng, L. y Liu, S. (2024). Metaheuristics exposed: Unmasking the design pitfalls of arithmetic optimization algorithm in benchmarking. Applied Soft Computing, 160:111696.
Dorigo, M. y Stutzle, T. (2019). ¨ Ant colony optimization: overview and recent advances. Springer.
Gao, P., Zhang, G., Ouyang, H., y Mei, L. (2020). An adaptive super twisting nonlinear fractional order pid sliding mode control of permanent magnet synchronous motor speed regulation system based on extended state observer. IEEE access, 8:53498–53510.
Kennedy, J. y Eberhart, R. (1995). Particle swarm optimization. En Proceedings of ICNN’95-international conference on neural networks, volumen 4, pp. 1942–1948. ieee.
Mohamed, A. W., Hadi, A. A., y Jambi, K. M. (2019). Novel mutation strategy for enhancing SHADE and LSHADE algorithms for global numerical optimization. Swarm and Evolutionary Computation, 50.
Noroozi, M., Mohammadi, H., Efatinasab, E., Lashgari, A., Eslami, M., y Khan, B. (2022). Golden search optimization algorithm. IEEE Access, 10:37515–37532.
Nouaoui, T., Dendouga, A., y Bendaikha, A. (2024). Speed control of PMSM using a fuzzy logic controller with deformed mfs tuned by a novel hybrid meta-heuristic algorithm. Electrical Engineering, pp. 1–13.
Ozc¸iflikc¸i, O. E., Koc¸, M., Bahc¸eci, S., y Emiro ¨ glu, S. (2024). Overview of pmsm control strategies in electric vehicles: a review. International Journal of Dynamics and Control, 12(6):2093–2107.
Shabir, S. y Singla, R. (2020). A Comparative Study of Particle Swarm Optimization and Genetic Algorithm. International Journal of Electrical Engineering., 9(2):215–223.
Soundirarrajan, N. y Srinivasan, K. (2021). Performance evaluation of ant lion optimizer–based pid controller for speed control of pmsm. Journal of Testing and Evaluation, 49(2):1104–1118.
Tanabe, R. y Fukunaga, A. (2013). Success-history based parameter adaptation for Differential Evolution. 2013 IEEE Congress on Evolutionary Computation, CEC 2013, (3):71–78.
Tanabe, R. y Fukunaga, A. S. (2014). Improving the search performance of SHADE using linear population size reduction. Proceedings of the 2014 IEEE Congress on Evolutionary Computation, CEC 2014, pp. 1658–1665.
Templos-Santos, J. L., Aguilar-Mejia, O., Peralta-Sanchez, E., y Sosa-Cortez, R. (2019). Parameter tuning of pi control for speed regulation of a pmsm using bio-inspired algorithms. Algorithms, 12(3):54.
Villuendas-Rey, Y., Velazquez-Rodr ´ ´ıguez, J. L., Alanis-Tamez, M. D., MorenoIbarra, M.-A., y Ya´nez-M ˜ arquez, C. (2021). Mexican axolotl optimization: A novel bioinspired heuristic. Mathematics, 9(7):781.
Wang, H., Xu, S., y Hu, H. (2023). Pid controller for pmsm speed control based on improved quantum genetic algorithm optimization. IEEE Access, 11:61091–61102.
Wolpert, D. H. y Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1):67–82.
Wu, C., Zhang, K., y Zhang, X. (2024). Fpga-based speed control strategy of pmsm using improved beetle antennae search algorithm. Energies, 17(8):1870.
Xia, C., Li, S., Shi, Y., Zhang, X., Sun, Z., y Yin, W. (2019). A non-smooth composite control approach for direct torque control of permanent magnet synchronous machines. IEEE Access, 7:45313–45321.
Zhao, J., Liu, X., Wang, S., y Zheng, L. (2023). Review of design and control optimization of axial flux pmsm in renewable-energy applications. Chinese Journal of Mechanical Engineering, 36(1):45.
Derechos de autor 2024 Omar Aguilar-Mejia, Nadia Samantha Zuñiga-Peña, Norberto Hernández-Romero, Juan Carlos Seck-Touh-Mora, Joselito Medina-Marín
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
