UNIVERSIDAD POLITÉCNICA DE CATALUNYA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS
EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE
VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

Ramón Bargalló Perpiñá

Directores de la Tesis : Joan LlaverÍas SanmartÍ
Angel Luis Orille Fernández

Barcelona, Julio del 2001

“En Física, como en las otras ciencias, puede demostrarse propter quid;
sin embargo el orden de la Ciencia quiere que se empiece por las cosas
más conocidas y fáciles y, por tanto, hay que proceder, en general, del
efecto a la causa: a posteriori, pues, conoceremos la materia, la forma y
la mayoria de las cosas, pues no podemos probarlo todo a priori”

Guillermo de Occam
Filósofo Inglés
(1295-1349/50)

........
Porque en la ciencia, como en la naturaleza, a menudo lo que funciona
es la solución más simple, la obvia.
Anónimo

INTRODUCCIÓN

INTRODUCCIÓN 1

INTRODUCCIÓN

A MODO DE INTRODUCCIÓN

Al analizar el funcionamiento de las máquinas eléctricas dudamos acerca de la
elección de, uno u otro, conjunto de variables, modelos, o conjunto de parámetros.
En este trabajo se han encontrado, frecuentemente, resultados que contradicen lo
medido experimentalmente, o tiempos de cálculo muy diversos según el modelo
adoptado o el tipo de simulación realizada; cosa por otra parte lógica en un ámbito
que admite aportaciones de mejora.

La necesidad de una buena modelización actualmente se plantea como una
premisa para obtener un mejor control y un adecuado dimensionado de los
accionamientos; con este fin se aborda este trabajo determinando la secuenciación
que sigue.

En primer lugar (Capítulo 1) se repasan los antecedentes y estado actual.
Seguidamente se ha planteado (Capítulo 2) el estudio de modelos de máquinas
asíncronas con caracterización de la saturación; existen diversos modelos que lo
posibilitan a costa de una mayor o menor dificultad de cálculo y resolución. La línea
escogida toma un modelo transformado que reduce el número de parámetros a
encontrar o estimar; en algunos de los modelos planteados se reduce la carga de
cálculo necesaria para su resolución. Asimismo se plantea el análisis de sensibilidad
de la respuesta (Capítulo 3) respecto a las variaciones de los parámetros; es
evidente que habrá parámetros que tendrán escasa influencia en la respuesta del
sistema, así como otros que influirán de forma directa e inmediata en la misma.

Una vez establecido el modelo, o modelos a utilizar, deben encontrarse los
parámetros de los mismos. Una primera parte se dedica a la determinación de
parámetros mediante ensayos fuera de línea (Capítulo 4), lo que permite
aproximarnos a la solución deseada. La determinación de parámetros mediante
ensayos en línea y técnicas de estimación en tiempo real (Capítulo 5), junto con la
consideración, en su caso, de observadores para variables auxiliares como el flujo,
permiten cerrar el capítulo de estimación de parámetros.

La determinación de variables auxiliares como los pares electromagnético y de carga
(Capítulo 6), es el objetivo final del trabajo. La aplicación de observadores y
estimadores permite la obtención de las variables deseadas, resultando un modelo
mas preciso y exacto.

A modo de aplicación se ha obtenido un medidor de par en régimen transitorio;
aspecto colateral del trabajo que resulta relevante dado que no se dispone,
actualmente, de un medidor de par con estas características. El equipo desarrollado
se basa en un conjunto que comprende máquina de corriente continua y sistema de
control.

APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

INTRODUCCIÓN 2

Finalmente se aborda la modelización conjunta del sistema convertidor-máquina-
carga (Capítulo 7). No se pretende analizar a fondo la modelización del convertidor,
ello podría ser objeto de un estudio más específico; no obstante la influencia que
tiene el tipo de señal aplicada a la máquina, aconseja su consideración con el fin de
obtener resultados más reales que una suposición de alimentación sinusoidal
permitirían.

Se finaliza con un capítulo final de discusiones (Capítulo 8) de los resultados
obtenidos, a los que siguen aquellas aplicaciones que se entienden como mejoradas
por este trabajo, así como las pertinentes conclusiones, tal como indica el gráfico
siguiente.

Cierra el documento una relación bibliográfica (Bibliografía) relevante y un apartado
de anexos donde se añaden deducciones matemáticas prolíficas tales como las de
las ecuaciones de sensibilidad (Anexo I), el cálculo de las ganancias del observador
(Anexo II) las características de las máquinas ensayadas (Anexo III) y .el método de
los mínimos cuadrados. Aplicaciones (Anexo IV).

Agradecimientos

Este trabajo ha sido parcialmente subvencionado por la CICYT TAP97-0969-C03-03.

Gracias a todos los compañeros que me han animado y criticado; recuerdo frases
del tipo:

“No entiendo nada pero esas ecuaciones tienen un aspecto formidable”

“¿Sirve para algo?”

“ Y esto, ¿qué te aporta?”

“Asegura el resultado porque no puede estar bien, es demasiado fácil”.

Gracias por el sarcasmo que ha servido para replantearme temas que,
evidentemente, no serian lo que son sin estos comentarios.

Gracias a los que me han ayudado a solucionar los inevitables problemas que suele
acarrear el desarrollo de equipos experimentales.

Finalmente, gracias a los que me rodean y que han soportado mi malhumor cuando
las cosas no salían como deseaba.

APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

INTRODUCCIÓN 3

Modelos para máquinas
asíncronas
- Caracterización de la saturación Modelización del
- Sensibilidad de los modelos a las convertidor
variaciones en los parámetros

Estimación de parámetros
Ensayos fuera de línea
Identificación en tiempo real

Observadores para variables no
mensurables
- Flujo
- Par interno
- Par de carga

Aplicaciones. Discusión
de los resultados
Conclusiones

APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ÍNDICE

1 4.1 ANEXO I. CONCLUSIONES Y APORTACIONES 8.ÍNDICE 1 ÍNDICE GENÉRICO LISTA DE SÍMBOLOS 1. DISCUSIÓN DE LOS RESULTADOS. ANTECEDENTES Y ESTADO ACTUAL 1. MÁQUINAS ENSAYADAS AIII ANEXO IV.1 7. SENSIBILIDAD 3.1 5. APLICACIONES AIV APORTACION A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .1 6. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 4. APLICACIONES 6. FÓRMULA DE ACKERMANN AII ANEXO III.1 2.1 8. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 2. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 5. CALCULO DE LA GANANCIA DEL OBSERVADOR.1 3. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.1 BIBLIOGRAFÍA B. EXPRESIONES PARA EL CÁLCULO DE LA SENSIBILIDAD AI ANEXO II. MODELIZACIÓN DEL CONVERTIDOR 7.

CONSIDERACIÓN DE DIVERSOS CONJUNTOS DE VARIABLES DE ESTADO. Modelo 18. Modelo 11. 15 MODELOS SIMPLIFICADOS. 36 Variables de estado las corrientes del estator y rotor. MODELOS PARA LA MÁQUINA ASÍNCRONA CON CONSIDERACIÓN DE LA SATURACIÓN 3 MODELIZACIÓN DE LOS EFECTOS DE LA SATURACIÓN 7 ECUACIONES DE LA MÁQUINA TENIENDO EN CUENTA LA SATURACIÓN. 9 Variables de estado corrientes de estator y rotor. Modelo 25. Modelo 1. Modelo 4. Modelo 27. Modelo 6 16 Variables de estado los flujos de estator y rotor. 13 Variables de estado las corrientes de estator y el flujo del rotor. 25 Variables de estado las corrientes de estator y el flujo del rotor. 29 Variables de estado la corriente de estator y el flujo magnetizante. 30 Variables de estado la corriente de estator y el flujo de rotor. Modelo 3. 10 Variables de estado los flujos de estator y rotor. Modelo 5. 27 Variables de estado las corrientes del estator y rotor. 16 Variables de estado corrientes de estator y rotor. Modelo 17. Modelo 21. Modelo 10. Modelo 16 28 Variables de estado los flujos del estator y rotor. 17 Variables de estado la corriente del estator y el flujo magnetizante. 26 Variables de estado las corrientes del estator y magnetizante. Modelo 2. Modelo 14. 35 Variables de estado las corrientes del estator y magnetizante. 33 Variables de estado la corriente del estator y el flujo magnetizante. 23 Variables de estado los flujos de estator y rotor. 37 Variables de estado los flujos del estator y rotor. Modelo 22. Modelo 20. 21 Variables de estado las corrientes de estator y rotor. Modelo 24.ÍNDICE 2 1. Modelo 8. Observación y estimación de estados 4 Aplicaciones. 31 Variables de estado las corrientes del estator y rotor. 32 Variables de estado los flujos del estator y rotor. 14 Variables de estado la corriente de estator y la magnetizante. ANTECEDENTES Y ESTADO ACTUAL 2 Modelos 2 Métodos. 19 Variables de estado las corrientes del estator y magnetizante. Modelo 23 34 Variables de estado la corriente del estator y el flujo del rotor. 24 Variables de estado la corriente de estator y el flujo magnetizante. 11 Variables de estado la corriente de estator y El flujo magnetizante. 16 MODELOS CON SATURACIÓN DEPENDIENTE DE LAS COMPONENTES DEL PROPIO EJE. 30 Variables de estado las corrientes del estator y magnetizante. Modelo 15. Modelo 26. Equipo para la medida del par en régimen Transitorio 5 PALABRAS CLAVE 5 2. 38 APORTACION A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 20 MODELOS EN T Y EN Γ . 18 Variables de estado la corriente del estator y el flujo del rotor. Modelo 12. Modelo 9. Modelo 13. Modelo 7. Modelo 19.

2 Aplicación al caso de una bobina saturada. Modelo 43. Modelo 29. 31 4. CANCELACIÓN DE LSL. 47 Variables de estado las corrientes del estator y rotor. 42 Variables de estado la corriente del estator y el flujo magnetizante. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 2 Ensayos a potencia útil nula 2 Modelización de la saturación. Modelo 38. 6 Caracterización mediante polinomios [ Justus 91]. Modelo 40. 53 CONCLUSIONES. 10 Aplicación a la modelización de características de saturación para la máquina asíncrona. 43 Variables de estado las corrientes del estator y magnetizante. 53 3. 49 Variables de estado las corrientes del estator y magnetizante. Modelo 44.ÍNDICE 3 Variables de estado la corriente del estator y el flujo magnetizante. 40 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO. SENSIBILIDAD 2 Ecuaciones de sensibilidad de un sistema dinámico. 48 Variables de estado los flujos del estator y rotor. Modelo 39. 7 Aplicación a la caracterización de la curva de saturación de un transformador. Modelo 42. 13 Trabajo a rotor frenado. 45 Variables de estado la corriente del estator y el flujo magnetizante. Modelo 30. 43 Variables de estado la corriente del estator y el flujo del rotor. Modelo 32. 44 Variables de estado las corrientes del estator y rotor. Modelo 41. 4 Aplicación a las ecuaciones de la máquina asíncrona. 39 Variables de estado la corriente del estator y el flujo de rotor.MODELOS TIPO Γ(I). CANCELACIÓN DE LRL. Modelo 34. Modelo 33. Modelo 28. Modelo 35. 46 Variables de estado la corriente del estator y el flujo del rotor. 52 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO. 47 Variables de estado las corrientes del estator y magnetizante. Modelo 45 49 RESUMEN COMPARATIVO DE LOS DISTINTOS MODELOS. 12 Trabajo en vacío. 41 Variables de estado los flujos del estator y rotor. 50 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO. 52 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO. 39 Variables de estado las corrientes del estator y magnetizante. 48 Variables de estado la corriente del estator y el flujo magnetizante. Modelo 37. 45 Variables de estado los flujos del estator y rotor. Modelo 31. MODELOS TIPO Γ (II). 14 Resultados experimentales de contrastación. 49 Variables de estado la corriente del estator y el flujo de rotor. 10 CONCLUSIONES. Modelo 36. 41 Variables de estado las corrientes del estator y rotor. 16 CONCLUSIONES. 22 APORTACION A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

16 Aplicación al caso del conjunto convertidor+filtro de entrada+carga R+L+E. 12 Convertidor 2/3. Resultados de simulación. 20 Aplicación al conjunto ondulador de corriente+filtro de salida +carga accionada. 60 CONCLUSIONES. 3 Estimación del par de carga. MODELIZACIÓN DEL CONVERTIDOR 2 Función de conexión [Hautier 99]. Estimación de parámetros(coeficientes) mecánicos. 9 Conversión de corrientes. 11 Convertidor 3/2.ÍNDICE 4 5. 6 Estimación de los parámetros(coeficientes) del modelo. 27 Función generatriz de conversión. 7 Conversión de tensiones. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 2 Observador para el flujo de la máquina asíncrona. 18 Aplicación al caso del conjunto convertidor+filtro de entrada+máquina asíncrona+carga. 2 Equipo para la determinación del par instantáneo. 3 Modelo discreto para el observador. 2 Funciones de conversión. 44 Parámetros(coeficientes) eléctricos. 13 Formulación del sistema completo de ecuaciones. APLICACIONES. 3 Generalización de la modelización. 10 Aplicación a las estructuras convertidoras clásicas. 47 MODELO COMPLETO 48 Modelo reducido. 8 CONCLUSIONES. 14 Aplicación a la modelización del transformador trifásico. 46 Contrastación experimental. 10 7. 5 Contrastación experimental. 31 Estructuras de control basadas en las funciones generatrices de modulación. 2 Control por corriente de la máquina de corriente continua. 44 Estimación del par electromagnético. 4 Estimación del par electromagnético de la máquina asíncrona. 37 CONCLUSIONES 40 APORTACION A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 36 Aportación experimental: caso del conjunto máquina asíncrona+convertidor+carga. 72 Modelo completo: 73 Modelo reducido: 73 Parámetros mecánicos: 73 6. 11 Convertidor 2/2.

2 Sensibilidad. MÁQUINAS ENSAYADAS AIII Características de las máquinas ensayadas. 2 Ensayos en vacío y cortocircuito a frecuencia nominal 2 Máquina nº1 2 Máquina nº2 3 Máquina nº3 4 ensayo a rotor frenado realizado a frecuencia de deslizamiento. Observadores. máquina nº 2 7 Ficha del ensayo 9 ANEXO IV. COMUNICACIONES 5 Articulos sobre modelización de máquinas. Teoria. Control 3 Identificación de sistemas 3 Sensibilidad 4 Control no Lineal.ÍNDICE 5 8. Control 2 Convertidores. Modelización. 4 Obtención de variables no medibles y parámetros en servicio. 4 Modelo completo: 6 Modelo reducido: 7 Parámetros mecánicos: 7 Modelización del convertidor. EXPRESIONES PARA EL CÁLCULO DE LA SENSIBILIDAD AI ANEXO II. 8 Aplicaciones. 4 TESIS DOCTORALES 4 ARTÍCULOS. aplicación al caso de un transformador en vacío 29 CONCLUSIONES 34 APORTACION A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. Técnicas. CALCULO DE LA GANANCIA DEL OBSERVADOR. CONCLUSIONES Y APORTACIONES 2 Modelos de máquinas asíncronas considerando la saturación. APLICACIONES 2 Caracterización en línea. Modelización. 8 Futuros desarrollos. Obtención de parámetros y observación de variables no medibles y estados 5 Articulos sobre Control de Máquinas Asíncronas 7 Articulos històricos sobre modelización de máquinas y convertidores 7 PROYECTOS FINAL DE CARRERA 8 ANEXO I. 9 BIBLIOGRAFIA 2 LIBROS 2 Máquinas Eléctricas. DISCUSIÓN DE RESULTADOS. máquina nº 2 5 ensayo en carga. 3 Obtención de los parámetros por ensayos fuera de línea. 2 Determinación de parámetros 3 Caso 1: N = np 3 Caso 2: N ≠ np 3 Método de los mínimos cuadrados 4 Estimación Recursiva de Mínimos Cuadrados. FÓRMULA DE ACKERMANN AII ANEXO III. 5 RESTRICCIONES AL MÉTODO 7 Aplicación al caso de un transformador 8 resultados de simulación 9 Contrastación experimental. PONENCIAS.

LISTADO DE SIMBOLOS .

fases a. usC tensión estatórica. fases a. u r 0 tensión homopolar estatórica. b. fija (A) i sg vector espacial de corriente estatórica. componente real (A) isy corriente estatórica. fases a. genérica (V) u rg vector espacial de tensión rotórica. componente real (A) imy corriente magnetizante. irC corriente rotórica. ref. b. genérica (A) is0 corriente homopolar (A) is0 . componente imaginaria (V) urx tensión rotórica. rotórica (V) usx tensión estatórica. c (A) is vector espacial de corriente estatórica. isB. urB. ref. ref. genérica (A) i rg vector espacial de corriente rotórica. ref. componente imaginaria (A) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . b. genérica (A) i mrg corriente magnetizante rotórica. fases a. componente real (V) ury tensión rotórica. c respectivamente (V) urA.LISTADO DE SÍMBOLOS 1 LISTADO DE SIMBOLOS Variables Tensiones v. isC corriente estatórica. b. c (V) us vector espacial de tensión estatórica. urC tensión rotórica. ref. fija (V) u sg vector espacial de tensión estatórica. fija (V) ur vector espacial de tensión rotórica. ref. referencia fija (A) ir vector espacial de corriente rotórica. componente imaginaria (A) isx corriente estatórica. ref. genérica (A) ∆i variación de corriente (A) imx corriente magnetizante. componente real (V) usy tensión estatórica. c (A) irA.ref. irB. componente real (A) iry corriente rotórica. u tensión (V) v vector tensión (V) – en el sentido matricial del termino usA. ref. genérica (A) i msg corriente magnetizante estatórica. usB. componente imaginaria (V) Corrientes i corriente (A) isA. componente imaginaria (A) irx corriente rotórica. ref. genérica (V) u s0 tensión homopolar (V) u s0 . ir 0 corriente homopolar estatórica. rotórica (A) i mg corriente magnetizante.

par interno (Nm) Mc par de carga (Nm) n velocidad de rotación (min-1) ωr velocidad de rotación (eléctrica) (rad/s) ωrm velocidad mecánica de rotación (rad/s) ω. ΨsB. b. ref. fija (Vs) Ψsg vector espacial de flujo estatórico. genérica (Vs) ∆ψ variación de flujo (Vs) Ψmx flujo magnetizante.ref. componente real (Vs) Ψry flujo rotórico.ref. componente imaginaria (Vs) Ψm flujo magnetizante (Vs) Ψsx flujo estatórico. c (Vs) Ψs vector espacial de flujo estatórico. fases a. genérica (Vs) Ψs 0 vector espacial de flujo homopolar estatórico. c (Vs) ΨrA. ΨrC flujo rotórico. fases a. componente real (Vs) Ψmy flujo magnetizante. componente imaginaria (Vs) Ψr flujo rotórico (Vs) ΨN flujo nominal (Vs) Par. b. velocidad Me par electromagnético. componente real (Vs) Ψsy flujo estatórico. fija (Vs) Ψr vector espacial de flujo rotórico.LISTADO DE SÍMBOLOS 2 Flujos ψ flujo (Vs) ΨsA. genérica (Vs) Ψr 0 vector espacial de flujo homopolar rotórico. ΨrB.ref. genérica (Vs) Ψrg vector espacial de flujo rotórico. ref. ref. componente imaginaria (Vs) Ψs flujo estatórico (Vs) Ψrx flujo rotórico. ωg velocidad genérica del sistema de coordenadas (rad/s) θr ángulo eléctrico (rad) θrm ángulo mecánico (rad) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ΨsC flujo estatórico.

eje directo (H) Lqqm coef. de inducción mútua estator-rotor (H) Lddm coef. Ls coeficiente de autoinducción estatórico (=Lsl+Lsm) (H) Lrr. Ls0 coef. rotor P. de autoinducción (H) Lss. de acoplamiento entre ejes Lsl inductáncia de dispersión estatórica (H) Lrl inductáncia de dispersión rotórica (H) L’sl inductáncia de dispersión estatórica. rotórico. Γ(II) (H) L(i) inductáncia dinámica (H) Lm(i) inductáncia estática (H) Ls0. rs resisténcia estatórica (fase) (Ω) Rr. autoinducción homopolar estatórico. Rr0 resistencia homopolar estatórica. rr resisténcia rotórica (fase) (Ω) Rs0.p pares de polos δ espesor del entrehierro (m) σsl. eje en cuadratura (H) Ldq coef. estator-rotor Ms. rotor APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Nr número de espiras equivalentes por fase de estator. de acoplamiento estator-rotor. Lr coeficiente de autoinducción rotórico (=Lrl+Lrm) (H) Lm coef. Mr coeficiente de inducción mútua estatórico. rotórico (H) Rs. rotórico (H) [M] matriz de acoplamiento [Ms]. [Msr] matriz de acoplamiento estatórico. de dispersión del estator. modelo Γ(I) (H) L’m inductáncia mútua. modelos Γ(I). rotórica (Ω) Mecánicos J momento de inercia (kgm2) ρ coeficiente de rozamiento (Nm/rad/s) Constructivos D diámetro en el entrehierro (m) l longitud axial (m) Ns. [Mr]. modelo Γ(II) (H) L’rl inductáncia de dispersión rotórica.LISTADO DE SÍMBOLOS 3 Parámetros Eléctricos L coef. de acoplamiento estator-rotor. σrl coef.

kc. Im vectores de corrientes (V) mg función generatriz de conversión mij funciones compuestas de conversión Mi matriz reducida de funciones compuestas de conversión para corrientes Mr matriz de conversión (generalizada) Mu matriz reducida de funciones compuestas de conversión para tensiones nj funciones simples de conversión Rcv matriz relación de conversión entre funcion de conexión y vc tensión a conmutar (V) vci tensión entre bornes del interruptor i (V) V0 vector tensión en régimen discontinuo (V) Vs. b.u. m coeficientes característicos de la función de saturación f(i) función de saturación g(Ψ) función de saturación I* corriente en p. a2. ke parámetros característicos de la modelización del ciclo de histéresis ψr flujo remanente (Vs) ψsat flujo de saturación (Vs) ψ* flujo en p. IN corriente para la cual se obtiene el flujo nominal ΨN (A) iµc corriente coercitiva (A) iµsat corriente de saturación (A) ka.LISTADO DE SÍMBOLOS 4 Saturación a relación de reducción estator-rotor a1.kb.t) función generatriz muestreada F matriz de funciones de conexión Fc(s) función de transferéncia para la función generatriz de conversión F0 matriz de funciones de conexión en conducción discontinua Fr matriz reducida de funciones de conexión Ge vector de magnitudes a conmutar (Vs Is)T Gm vector de magnitudes conmutadas (Vm Im)T ici corriente que atraviesa el interruptor i (A) ic corriente a conmutar (A) Is. Vm vectores de tensiones (V) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . a3. kd. n. a. Modelización del convertidor fci función de conexión del interruptor i fg(k.u.

Cs matriz de observación D. observadores.LISTADO DE SÍMBOLOS 5 Ecuaciones de estado. kry ganancias del observador P(λ) polinomio característico P(k) matriz de covariancias Wo matriz de observabilidad X vector de estados Y vector de salidas y(k) conjunto de medidas ^ todas las variables que llevan circunflejo son observadas δ operador delta ϕ(k) conjunto de funciones consideradas para la identificación θ vector de parámetros a estimar γ ganancia del observador ε error Sensibilidad γjk sensibilidad de la variable de estado k respecto del parámetro j σjk sensibilidad de la variable de salida k respecto del parámetro j p0 vector de parámetros Varios C capacidad (F) PFe perdidas en el hierro (W) Pvacio perdidas en vacío (W) Qµ potencia magnetizante (var) RFe resistencia de pérdidas en el hierro (Ω) Xµ reactancia magnetizante (Ω) Zb impedancia equivalente en vacio (Ω) Zcc impedancia de cortocircuito (rotor frenado) (Ω) α relación entre pérdidas y potencia magnetizante ϕ desfase tensión-corriente (º) µ angulo formado por el vector corriente magnetizante respecto el eje de referencia (º) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Be. Dm matriz de transferencia directa e(k) error de medida F matriz del sistema (tiempo discreto) G matriz de entrada (tiempo discreto) h período de muestreo K(k) ganancia del algoritmo de adaptación K ganancia del observador ksx. ksy. identificación A matriz del sistema B. krx. Bm matriz de entradas C. De.

LISTADO DE SÍMBOLOS 6 Constantes a.1415926535 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . a2 operadores vectoriales de giro 120º y 240º respectivamente µ0 permeabilidad del vacio (= 4π10-7 H/m) π 3.

ANTECEDENTES Y ESTADO ACTUAL .

Equipo para la medida del par en régimen transitorio 5 PALABRAS CLAVE 5 APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ANTECEDENTES Y ESTADO ACTUAL 1 1.CAPÍTULO 1. ANTECEDENTES Y ESTADO ACTUAL 2 Modelos 2 Métodos. Observación y estimación de estados 4 Aplicaciones. ANTECEDENTES Y ESTADO ACTUAL 1.

de otro modo no estructuradas. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . los mejores conocimientos en teoría de control y la aplicación de algoritmos y técnicas de control no lineal (adaptativo.). ANTECEDENTES Y ESTADO ACTUAL 2 1. Por otra parte. Se utilizan principalmente en el cálculo y diseño así como en el estudio del comportamiento de las máquinas eléctricas. incluye el tópico relacionado con la determinación de los parámetros del modelo de máquina: resistencias. ANTECEDENTES Y ESTADO ACTUAL En los últimos años el aumento de las aplicaciones con control de velocidad y/o posición de las máquinas eléctricas. la imbricación de los mismos introduce grandes dificultades tanto en su concepción y calculo como en la predeterminación de su comportamiento. El modelo es una estructura conceptual que sugiere un marco de ideas para conjuntos de descripciones. Modelos La transformación de la energía en un convertidor electromecánico es un fenómeno de estructura compleja que comprende aspectos electromagnéticos. Explicar la realidad de un fenómeno físico puede realizarse mediante modelos distintos. que promueven la inteligibilidad del fenómeno real. inductancias y su nivel de saturación. esta diferencia se reduce con la utilización de técnicas descriptivas más refinadas. • Modelos Paramétrico – físicos. presente en mayor o menor medida en todos los regímenes de funcionamiento de la misma. Son utilizados principalmente para el estudio del comportamiento de las máquinas y dispositivos eléctricos. ya que si no fueran diferentes la estructura original seria observacionalmente obvia. basados en la formulación concentrada de los parámetros electromagnéticos. La determinación de una o más variables de estado no mensurables. etc. requieren una elevada exactitud en el conocimiento de los parámetros en juego para lograr una convergencia adecuada a la solución correcta. Actualmente las investigaciones apuntan a la minimización del número de sensores para la realización del control de las máquinas eléctricas. aunque siempre los resultados del modelo diferirán del fenómeno real. basados en la formulación del campo electromagnético a partir de las ecuaciones de Maxwell y su resolución por técnicas numéricas del tipo elemento finito o diferencia finita. ha puesto de manifiesto la necesidad de modelización del conjunto convertidor+máquina+carga accionada y del estudio en detalle del algoritmo de control aplicado. Para describir el fenómeno físico se recurre a modelos.CAPÍTULO 1. Podemos considerar dos clases de modelos en el ámbito de las máquinas eléctricas: • Modelos Físico – matemáticos. optimo. mecánicos y térmicos.

sus valores nominales. dadas las aplicaciones a considerar. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .4 1 .2 1 0 . corriente. a utilizar en función del control y/o método de determinación de los parámetros deseado. En casos especiales. 1 . aspecto primordial de cara a su aplicación. Es evidente que. velocidad). La consideración de funciones del tipo Ψ = ϕ (i ) . lo que limita la validez de dicho modelo.resulta de interés para valorar los efectos de la saturación en la respuesta del sistema y la variabilidad de los parámetros correspondientes a los modelos.6 0 . o modelos. par). Ambas formulaciones dan solución en casos particulares (básicamente para simulación de respuestas únicamente). las leyes de variación que los afectan y el efecto sobre otras magnitudes de interés. así como la definición del conjunto de los mismos. y otras internas no mensurables (flujo. ANTECEDENTES Y ESTADO ACTUAL 3 Además en cualquier máquina o dispositivo eléctrico existen unas variables externas cuyas magnitudes son de fácil y económica medida (tensión.CAPÍTULO 1. Asimismo al considerar que todas las máquinas trabajan en régimen de saturación ha de tenerse en cuenta el estudio y caracterización de la misma. los modelos que se plantearan seguidamente no presentan ninguna limitación en cuanto a su aplicación. se tendrán en cuenta los modelos del segundo tipo.saturación (figura 1). El estudio lleva a la determinación del modelo.4 0 . un modelo linealizado de la máquina y un control más complejo pueden dar una mejor solución al problema. ya que se han formulado de forma que el sistema resultante no necesite la resolución de una restricción algebraica.2 0 0 1 0 2 0 3 0 4 0 Figura 1 Ψ = ϕ (i ) En la literatura se encuentran dos tipos de modelos: • Basados en técnicas de orientación del campo. hecho que invalida el modelo para su aplicación en tiempo real.8 0 . • Basados en las expresiones generales pero asumiendo el conocimiento del resto de variables del modelo y usualmente sin indicar como se han obtenido las características.

El deficiente conocimiento de los parámetros de la máquina y las soluciones adoptadas. este trabajo se basará exclusivamente en modelos de tipo circuital. a partir de señales tipificadas. Una vez establecido el método. así como la detección de averías de funcionamiento. y/o prevenir. así como por la necesidad de complicar el algoritmo de control para obviar. de modelos considerados para su aplicación a la estimación y/o observación de los estados o magnitudes no mensurables del modelo y su viabilidad para la realización del control de la máquina. ANTECEDENTES Y ESTADO ACTUAL 4 La modelización del comportamiento del elemento accionador (convertidor. Al ser el objetivo final el control del sistema. Observación y estimación de estados La determinación de los parámetros puede realizarse mediante medidas externas (modelos de función o matriz de transferencia). la aplicación de señales con alto contenido armónico y variaciones bruscas de valor conlleva la consideración de las no linealidades en el comportamiento de la máquina. En cada caso debe valorarse la aproximación realizada y las limitaciones de cada método. o del estudio del servicio y comportamiento frente a variaciones de consigna. o minimizar. También puede hacerse a partir del estudio de la distribución del campo en la máquina (modelos en elementos finitos . Métodos. cuando existen. y de la modificación del algoritmo de control resultante para la optimización del punto de trabajo del sistema según criterios a determinar. debe determinarse el conjunto.EF). El conocimiento del modelo de funcionamiento del conjunto convertidor+máquina accionada+carga. los efectos de las desviaciones respecto a los valores nominales supuestos de los parámetros. tiene unas implicaciones en el control evidentes que se comprueba por el gran número de publicaciones actuales sobre el tema. o métodos más adecuados para la determinación de los parámetros. permitirá detectar. los funcionamientos anómalos del sistema.CAPÍTULO 1. El seguimiento de la evolución de las variables de estado de interés puede permitir un mantenimiento preventivo del sistema accionado. o conjuntos. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . red) debe ser tratada con especial dedicación. lo que lleva a descripciones de tipo circuital para el comportamiento del sistema. En [Brule 00] se plantea la equivalencia de resultados entre los modelos basados en EF y los resultantes de la formulación circuital sobre la base de establecer el control de la máquina.

la no-disponibilidad del mismo junto con su elevado coste hace que nos planteemos el cómo medir el par. Modelización del convertidor. Funciones de conversión. junto con su obtención a partir de las medidas procedentes de una máquina de corriente continua controlada en corriente. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Modelos con saturación. junto con la obtención por cálculo del par accionador en el eje del sistema. ANTECEDENTES Y ESTADO ACTUAL 5 Aplicaciones. Observadores adaptativos. Medida del par en régimen transitorio. Equipo para la medida del par en régimen transitorio Un aspecto clave en la tesis ha sido la determinación del par.CAPÍTULO 1. Determinación de parámetros. El resultado final es un equipo que permite ensayar cualquier accionamiento con la posibilidad de imponer una ley de variación arbitraria del par de carga aplicado. Mínimos cuadrados. Observador del par. ¿ Cómo determinar que el par calculado mediante un observador es el correcto? Una solución es contrastar el par calculado con el medido mediante un medidor de par en régimen transitorio. PALABRAS CLAVE Máquina de inducción. Sensibilidad de los modelos. lo cual nos lleva al desarrollo de un equipo para la imposición del par de carga deseado. Funciones de conexión. Pero.

5 2 corriente Lm L .MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN θr Inductáncia 0 0.5 1 1.

Modelo 15................... Modelo 40........................ Modelo 9.................... Modelo 6........................................................................ 41 Variables de estado las corrientes del estator y rotor... 16 Variables de estado los flujos de estator y rotor......................... ................... Modelo 32...................... Modelo 20.................................................. 38 Variables de estado la corriente del estator y el flujo magnetizante................................... Modelo 42.... ......................................... ................... 47 Variables de estado las corrientes del estator y magnetizante.................................................. .... 19 Variables de estado las corrientes del estator y magnetizante.................................................. Modelo 22.............................. 18 Variables de estado la corriente del estator y el flujo del rotor. 17 Variables de estado la corriente del estator y el flujo magnetizante............................ Modelo 2.............................................................. 48 Variables de estado los flujos del estator y rotor... Modelo 37........................................... Modelo 41............. ............. ........................................................................................... 29 Variables de estado la corriente de estator y el flujo magnetizante........ 21 Variables de estado las corrientes de estator y rotor.. .......................... 34 Variables de estado la corriente del estator y el flujo del rotor......... Modelo 19.................... 20 MODELOS EN T Y EN Γ.. 39 Variables de estado las corrientes del estator y magnetizante.................... Modelo 34...................................................................... MODELOS PARA LA MÁQUINA ASÍNCRONA CON CONSIDERACIÓN DE LA SATURACIÓN ..................... 13 Variables de estado las corrientes de estator y el flujo del rotor.. .................. 40 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO.................. 39 Variables de estado la corriente del estator y el flujo de rotor............................ Modelo 31........... 28 Variables de estado los flujos del estator y rotor.............................. Modelo 16........... Modelo 33............... Modelo 39...... ........ 24 Variables de estado la corriente de estator y el flujo magnetizante............................................................... 15 MODELOS SIMPLIFICADOS.. Modelo 23l.................................................... 35 Variables de estado las corrientes del estator y magnetizante..... Modelo 25......... 48 Variables de estado la corriente del estator y el flujo magnetizante.............................................. ..................... 10 Variables de estado la corriente de estator y el flujo magnetizante.......................................... 42 Variables de estado la corriente del estator y el flujo magnetizante......................... 44 Variables de estado las corrientes del estator y rotor.......................... 36 Variables de estado las corrientes del estator y rotor. 9 Variables de estado los flujos de estator y rotor..................... Modelo 11........................................... Modelo 30............................ 32 Variables de estado los flujos del estator y rotor... Modelo 4.......... Modelo 14........................... 8 Variables de estado corrientes de estator y rotor.......................................................... 49 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ....... 30 Variables de estado la corriente de estator y el flujo de rotor..... 37 Variables de estado los flujos del estator y rotor................................. 6 ECUACIONES DE LA MÁQUINA TENIENDO EN CUENTA LA SATURACIÓN.................................... 46 Variables de estado la corriente del estator y el flujo del rotor............................................................................................. Modelo 1. ........................ 43 Variables de estado la corriente del estator y el flujo del rotor....................................................... Modelo 26..................................................................................................................... 23 Variables de estado los flujos de estator y rotor............................................. Modelo 5.............. 45 Variables de estado los flujos del estator y rotor............. ... 45 Variables de estado la corriente del estator y el flujo magnetizante................................................ Modelo 38.................................................................................................... Modelo 21.......................... 16 MODELOS CON SATURACIÓN DEPENDIENTE DE LAS COMPONENTES DEL PROPIO EJE. Modelo 18.................................... Modelo 36........... Modelo 12.... 43 Variables de estado las corrientes del estator y magnetizante.. Modelo 3............................................................... Modelo 10.......................... Modelo 7........................................................................................................................................... Modelo 17.................................... 33 Variables de estado la corriente del estator y el flujo magnetizante.................. 25 Variables de estado las corrientes de estator y el flujo del rotor. Modelo 8................................. 47 Variables de estado las corrientes del estator y rotor.. 31 Variables de estado las corrientes del estator y rotor................... Modelo 35........... Modelo 43........... ............ 14 Variables de estado la corriente de estator y la magnetizante............. Modelo 13........ 3 MODELIZACIÓN DE LOS EFECTOS DE LA SATURACIÓN ....... ................................................................................. 41 Variables de estado los flujos del estator y rotor........... 16 Variables de estado corrientes de estator y rotor.. Modelo 28................................................................ ..........................................................CAPÍTULO 2........ Modelo 24... Modelo 29......................... CONSIDERACIÓN DE DIVERSOS CONJUNTOS DE VARIABLES DE ESTADO.... 26 Variables de estado las corrientes del estator y magnetizante........ MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 1 2............................................... Modelos de máquinas asíncronas con consideración de la saturación 2........... 27 Variables de estado las corrientes del estator y rotor............... Modelo 27...................................................... 30 Variables de estado las corrientes del estator y magnetizante............................... ...................

......................................CAPÍTULO 2............... 52 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO.................................. CANCELACIÓN DE LRL................................................................ .................... 49 RESUMEN COMPARATIVO DE LOS DISTINTOS MODELOS................ 50 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO.......... 53 CONCLUSIONES......... .. CANCELACIÓN DE LSL........................................................... MODELOS TIPO Γ(II)..... .................... 53 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ............. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 2 Variables de estado la corriente del estator y el flujo de rotor...................................................... 52 MODELOS BASADOS EN LA ORIENTACIÓN DEL CAMPO............. Modelo 45......... 49 Variables de estado las corrientes del estator y magnetizante................................... .... MODELOS TIPO Γ(I)........... Modelo 44............................................

se verán alteradas o eliminadas: .no-existencia de armónicos de campo . Modelos para la máquina asíncrona con consideración de la saturación En el desarrollo de cualquier modelo debe partirse de unas hipótesis básicas que limitan el alcance del mismo.ancho del entrehierro despreciable .CAPÍTULO 2. en su caso.construcción simétrica estamos definiendo una determinada idealización de la máquina. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 3 2. urA = Rr ⋅ irA + dt dt dΨsB dΨrB usB = Rs ⋅ i sB + urB = Rr ⋅ irB + (1) dt dt dΨsC dΨrC usC = Rs ⋅ i sC + urC = Rr ⋅ irC + dt dt Si tomamos como punto de partida las siguientes consideraciones que. Si se considera la relación entre flujos y corrientes para el caso ideal anterior: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . θr Figura 1 Máquina eléctrica elemental Las ecuaciones de la máquina asíncrona (figura 1) expresadas en la referencia natural son las siguientes: dΨsA dΨrA usA = Rs ⋅ i sA + .permeabilidad del hierro infinita .

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 4 [Ψ ] = [M ]⋅ [i ] . M sr = L sm ⋅ Lrm M c = M caga + ρ ⋅ ω rm (4) El modelo descrito es complejo y de difícil resolución: han de resolverse 8 ecuaciones diferenciales no lineales de coeficientes variables en el tiempo. θ r = P ⋅ θ rm . M s = − L sm / 2 . [Ψ ] = [ΨsA ΨsB ΨsC ΨrA ΨrB ΨrC ] t [i] = [isA i sB isC irA irB irC ] t [M ] =  Ms M sr   M rs M r   Ls Ms Ms  Lr Mr Mr  [M s ] = M s Ls Ms . M r = − Lrm / 2 .CAPÍTULO 2. ω rm = (3) dt dt donde: L s = L sl + L sm . Lr = Lrl + Lrm . A partir de la definición de vector espacial [Kovacs 84]: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . además debe invertirse una matriz [M] de orden 6 para cada incremento de tiempo.  [M r ] = M r Lr Mr    M s Ms Ls   M r Mr Lr   2⋅π 4⋅π  M sr ⋅ cos θ r M sr ⋅ cos(θ r + 3 ) M sr ⋅ cos(θ r + 3  )   [M sr ] = [M rs ]t =  M sr ⋅ cos(θ r + 4⋅π ) M sr ⋅ cos θ r M sr ⋅ cos(θ r + 2⋅π )  3 3   M ⋅ cos(θ + 2 ⋅ π ) M sr ⋅ cos(θ r + 4⋅π M sr ⋅ cos θ r   sr  r ) 3 3 (2) juntamente con la ecuación del movimiento mecánico: dω rm dθ rm Me − Mc = J .

es el siguiente. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ω r = P ⋅ ω rm (10) dt El circuito equivalente correspondiente a las ecuaciones anteriores.CAPÍTULO 2.ω ) Ψrg Rs g L L g r sl rl Rr isg irg img L u u m rg sg Figura 2 Esquema para el régimen transitorio. según una referencia genérica: d u sg = Rs ⋅ isg + Ψsg + j ⋅ ω g ⋅ Ψsg (6) dt d u rg = Rr ⋅ irg + Ψrg + j ⋅ (ω g − ω r ) ⋅ Ψrg (7) dt En el caso que exista componente homopolar. j ω Ψsg j(ω . debe añadirse la siguiente ecuación:  Rs 0   0  d  is0   ⋅  i s 0  +  1 0  ⋅  u s 0    = − s 0 L dt  ir 0   Rr 0   i r 0   0 1   u r 0   0 Lr 0   (8) u sA + u sB + u sC u rA + u rB + u rC u s0 = ur 0 = 3 3 juntamente con las ecuaciones del par y de equilibrio mecánico: 3 M e = − ⋅ P ⋅ Ψrg × i rg (9) 2 dω rm J⋅ = Me − Mc. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 5 is = 2 3 ( isa + a ⋅ isb + a 2 ⋅ isc ) (5) se pueden obtener las siguientes expresiones para el estator y rotor.

Lrr = Lrl + ⋅ Lrm = Lrl + Lm 2 2 En caso de despreciar la saturación. Lrm = N r2 ⋅ δ ⋅π δ ⋅π 2 (11) Lsm  N s  3 3 ⋅ µ0 ⋅ l ⋅ D =  . Lm = ⋅ M sr = N s ⋅ N r ⋅ Lrm  N r  2 δ ⋅π 3 3 Lss = Lsl + ⋅ Lsm = Lsl + Lm . y de acuerdo con las dimensiones geométricas.CAPÍTULO 2. trabajo en régimen permanente . Ψrg = Lrr ⋅ irg + Lm ⋅ i sg (12) i mg = i sg + i rg . partiendo de las simplificaciones aceptadas. son: 2 ⋅ µ0 ⋅ l ⋅ D 2 ⋅ µ0 ⋅ l ⋅ D Lsm = N s2 ⋅ . trabajo a flujo constante Modelización de los efectos de la saturación La consideración de la saturación del núcleo magnético conlleva la sustitución de la relación lineal: ψ = L⋅i por otra que incluya la posibilidad de modificación de las inductancias con la corriente. Ψmg = Lm ⋅ (i sg + i rg ) . Ψs lg = Lsl ⋅ i sg (13) Ψsg Ψrg i msg = = i rg + (1 + σ sl ) ⋅ i sg . basado en la máquina idealizada. como puede verse en la expresión que sigue: ψ = L(i ) ⋅ i (14) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se pueden plantear las siguientes equivalencias: Ψsg = Lss ⋅ i sg + Lm ⋅ irg . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 6 Los parámetros del modelo referidos al estator. o bien en el caso en que esta no tenga un efecto relevante en la respuesta del sistema: . imrg = = i sg + (1 + σ rl ) ⋅ irg Lm Lm El modelo. es válido siempre que no exista saturación.

la inductancia estática. es decir Lm > L B 1 ∆Ψ ∆i Flujo A 0 corriente Figura 3 Definición de inductancia dinámica y estática. es decir: OB Lm = (18) OA mientras que la dinámica se corresponde con: ∆ψ L= (19) ∆i De las expresiones anteriores.CAPÍTULO 2. corresponde a la pendiente de la recta que une el origen con dicho punto. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se deduce que la inductancia estática es superior a la dinámica. para un punto cualquiera. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 7 En el desarrollo de las expresiones de la derivada del flujo. En la figura 4 se muestran ambas. aparecerán dos términos: dψ d ( L(i ) ⋅ i ) di dL(i ) di = = L(i ) ⋅ + i ⋅ ⋅ (15) dt dt dt di dt Al primer coeficiente se le denomina inductancia estática: ψ (i ) Lm (i ) = (16) i Al segundo se le llama inductancia dinámica: dΨ (i ) 1 L(i ) = = (17) di di (Ψ ) dΨ Si se considera la característica de saturación de la figura 3.

Ψrg = Lrl ⋅ i rg + Ψm (i m ) (20) Ψm (i m ) = f (i m ) relación fundamental ya que liga el flujo estatórico y rotórico con el flujo común en el entrehierro de la máquina y con las corrientes que recorren los devanados (a partir de la caracteristica de saturación Ψm (i m ) ). sean cuales sean las variables de estado consideradas. Consideración de diversos conjuntos de variables de estado. Modelización de los efectos de la saturación.5 2 corriente Lm L Figura 4 inductancia estática (Lm) y dinámica (L). Asimismo la relación (13) entre corrientes puede expresarse como: is + ir = im Ψ s − Ψm Ψr − Ψm (21) + = i m = g ( Ψm ) L sl Lrl Dado que el estado magnético de la máquina es global. En los casos que consideraremos existen conjuntos de variables de estado en los que esta simplificación no es posible. en la que no es posible indicar a priori el tiempo de resolución de la misma.CAPÍTULO 2.5 1 1 . estos modelos NO pueden ser considerados útiles a efectos de control ya que para cada intervalo de cálculo debe resolverse una ecuación algebraica NO lineal. Para el caso lineal esta puede deshacerse y sustituirse en las ecuaciones de estado que modelizan la máquina. La ecuación (21) traduce la restricción algebraica más importante que aparecera en la modelización que sigue. solo pueden ser relacionados el flujo total en el entrehierro (Ψm) mediante la corriente de magnetización im que es proporcional a la capa de corriente en el entrehierro. En este caso la relación (12) debe expresarse como sigue: Ψsg = L sl ⋅ i sg + Ψm (i m ) . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 8 Inductáncia 0 0 . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

lleva al siguiente conjunto de ecuaciones para el estator y el rotor: d u sg = Rs ⋅ isg + Ψsg + j ⋅ ω g ⋅ Ψsg (22) dt d u rg = Rr ⋅ irg + Ψrg + j ⋅ (ω g − ω r ) ⋅ Ψrg (23) dt juntamente con la ecuación mecánica: 3 M e = − ⋅ P ⋅ Ψrg × i rg (24) 2 dω rm J⋅ = Me − Mc. Modelo 1. para la inductancia dinámica: a1 ⋅ a 2 L= + a3 (30) 1 + (a 2 ⋅ i) 2 1 L= (31)  a  Ψ   n −1 IN ⋅  + b ⋅ n ⋅    ΨN  Ψ N     Variables de estado corrientes de estator y rotor. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 9 La aplicación de las consideraciones anteriores al modelo de la máquina. del tipo: a1 ⋅ arctan(a 2 ⋅ i ) Lm = + a3 (28) i o bien: Ψ Lm = (29)   Ψ   Ψ  n  I N ⋅  a ⋅   + b ⋅      ΨN   ΨN     igualmente.CAPÍTULO 2. ω r = P ⋅ ω rm (25) dt Se introducen relaciones para la saturación de la forma: Ψ = f (i ) = a1 ⋅ arctan(a 2 ⋅ i ) + a 3 ⋅ i (26) o bien: n i  Ψ   Ψ  = g (Ψ ) = a ⋅   + b ⋅   (27) IN  ΨN   ΨN  se obtienen expresiones para las inductancias. Si se desarrollan las expresiones anteriores separando parte real e imaginaria. se llega a: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

de esta forma. Si se desprecia la saturación L = Lm desaparece el termino cruzado. Ψmy = Lm ⋅ i my En el modelo anterior. (40) i mx = i sx + i rx .CAPÍTULO 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 10 di = M −1 ⋅ v − M −1 ⋅ A ⋅ i (32) dt con v = (u sx u ry ) i = (i sx i ry ) t t u sy u rx i sy i rx (33)  Rs − ω g ⋅ ( Lm + L sl ) 0 − ω g ⋅ Lm     ω g ⋅ ( Lm + L sl ) Rs ω g ⋅ Lm 0  A= 0 − (ω g − ω r ) ⋅ Lm Rr − (ω g − ω r ) ⋅ ( Lm + Lrl )     (ω g − ω r ) ⋅ Lm 0 (ω g − ω r ) ⋅ ( Lm + Lrl ) Rr    (34)  Lsl + Lddm Ldq Lddm Ldq     Ldq L sl + Lqqm Ldq Lqqm  M =  (35) Lddm Ldq Lrl + Lddm Ldq    L Lqqm Ldq Lrl + Lqqm   dq Lddm = L ⋅ cos 2 µ + Lm ⋅ sin 2 µ dΨm Ψm Lqqm = L ⋅ sin 2 µ + Lm ⋅ cos 2 µ (36) L= . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . el proceso de cálculo. La dificultad del método estriba en que el conjunto de ecuaciones algebraicas no lineales que definen el modelo debe resolverse para cada incremento de tiempo ralentizando. i my = i sy + i ry (41) Ψmx = Lm ⋅ i mx . Obsérvese que ello supone tener un termino adicional en las ecuaciones de cada eje. Modelo 2. debido a la corriente que circula por la bobina correspondiente al otro eje. Variables de estado los flujos de estator y rotor. aparecen unos coeficientes de autoinducción Ldq que representan el efecto de la saturación cruzada debido a la interacción entre flujos de ejes. Lm = (37) di m im Ldq = ( L − Lm ) ⋅ cos µ ⋅ sinµ imy tanµ = (38) Ψm = f (i m ) (39) i mx Ψm = Ψmx + Ψmy i m = i mx + i my 2 2 2 2 .

En el caso de considerar como variables los flujos de estator y rotor. se llega al siguiente conjunto de ecuaciones: d Ψ − Ψmx Ψsx = u sx − Rs ⋅ sx − ω g ⋅ Ψsy dt Lsl (42) d Ψsy − Ψmy Ψsy = u sy − Rs ⋅ + ω g ⋅ Ψsx dt Lsl d Ψ − Ψmx Ψrx = u rx − Rr ⋅ rx − (ω g − ω r ) ⋅ Ψry dt Lrl (43) d Ψry − Ψmy Ψry = u ry − Rr ⋅ + (ω g − ω r ) ⋅ Ψrx dt Lrl Ecuaciones que. por ejemplo. son más sencillas que las obtenidas a partir del conjunto de variables corrientes. se llega a: Ψsx Ψrx  1 1  Ψ Ψ + − Ψmx ⋅  +  = i mx = g (Ψm ) ⋅ mx = g ( Ψmx 2 + Ψmy 2 ) ⋅ mx (46) Lsl Lrl  Lsl Lrl  Ψm Ψm Ψsy Ψrx  1 1  Ψ Ψmy + − Ψmy ⋅  +  = i my = g (Ψm ) ⋅ my = g ( Ψmx 2 + Ψmy 2 )⋅ (47) Lsl Lrl  Lsl Lrl  Ψm Ψm Si se intenta resolver el conjunto de ecuaciones resultante de otra forma.CAPÍTULO 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 11 Eligiendo. formalmente. como variables de estado. a partir de la consideración de la inductancia estática función del flujo. con: Ψm = Lm (Ψm ) ⋅ i m (48) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . pero a las que falta añadir una restricción algebraica sobre los flujos: Ψsg Ψrg  1 1  + − Ψm ⋅  +  = i m = g (Ψm ) (44) Lsl Lrl  Lsl Lrl  n im Ψ  Ψ  = g (Ψm ) = a ⋅  m  + b ⋅  m  (45) IN  ΨN   ΨN  conjunto de ecuaciones implícitas que se deben resolver para cada paso de cálculo!. Separando partes real e imaginaria. otro conjunto de variables puede simplificarse la resolución del sistema anterior.

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 12 se obtiene: Ψsg Ψrg + Lsl Lrl Ψm = (49)  1 1 1   + +   Lsl Lrl Lm (Ψm )  también se llega a una ecuación implícita que debe resolverse para cada paso de cálculo. existen poderosos programas de cálculo y resolución de sistemas para el caso de un conjunto de ecuaciones diferenciales sometidas a una restricción algebraica (MATLAB.CAPÍTULO 2. Esto. peor aún. no sabemos si la solución encontrada será correcta o única. VISSIM. etc. no es una gran limitación. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . PSPICE.). SIMULINK. El problema subyacente es la inaplicabilidad del método para realizar el control de la máquina en tiempo real: no podemos definir el tiempo de cálculo del algoritmo porque ignoramos el tiempo que invertirá el programa en resolver la ecuación implícita anterior. actualmente.

se llega al conjunto de ecuaciones siguiente:  Lsl 0 1 0    0 Lsl 0 1   isx   u sx       ∂g x ∂g x  d  isy   u sy   − Lrl 0 (1 + Lrl ⋅ ) − Lrl ⋅ ⋅ = +  ∂Ψ ∂Ψmy  dt  Ψmx   u rx  mx      ∂g y ∂g y   Ψ  u  0 − Lrl − Lrl ⋅ (1 + Lrl ⋅ )  my   ry   ∂ Ψ mx ∂Ψ my   − rs ω g ⋅ Lsl 0 ωg   isx       − ω g ⋅ Lsl − rs −ωg 0   isy  + ⋅ + (50) − rr − (ω g − ω r ) ⋅ Lrl 0 − (ω g − ω r )   Ψmx       (ω − ω ) ⋅ L − r (ω − ω ) 0  Ψ   g r rl r g r   my   0     0  + − r ⋅ g + (ω g − ω r ) ⋅ Lrl ⋅ g y   r x   − r ⋅ g − (ω − ω ) ⋅ L ⋅ g   r y g r rl x Donde:  n −1  Ψ Ψ  Ψmx (Ψmx 2 +Ψ ) 2 2  g x (Ψm ) = g (Ψm ) ⋅ mx = g ( Ψmx + Ψmy ) ⋅ = I N ⋅ a ⋅ +b⋅ ⋅ Ψmx  2 2 mx my Ψm Ψm ΨN Ψ Nn      n −1  Ψmy Ψ  Ψmy (Ψmx 2 +Ψ ) 2 2  g y ( Ψm ) = g ( Ψ m ) ⋅ = g ( Ψmx + Ψmy ) ⋅ = I N ⋅ a ⋅ +b⋅ ⋅ Ψmy  2 2 my my Ψm Ψm ΨN Ψ Nn     (51) además. . . deben calcularse las derivadas siguientes: ∂g x ∂g x ∂g y ∂g y . no debe resolverse ninguna ecuación implícita para cada paso de cálculo. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 13 Variables de estado la corriente de estator y el flujo magnetizante. (52) ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy obsérvese la complejidad del modelo resultante.CAPÍTULO 2. Modelo 3. Tras muchas transformaciones algebraicas. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . sin embargo el modelo es muy complicado. En este caso.

Es un modelo realmente difícil de resolver. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 14 Variables de estado las corrientes de estator y el flujo del rotor. Las ecuaciones resultantes son las que siguen: d is d Ψm L sl ⋅ = u s − (rs + j ⋅ ω ⋅ Lsl ) ⋅ i s − ( + j ⋅ ω ⋅ Ψm ) dt dt (53) d Ψr Ψr − Ψm = u r − (rr ⋅ ) − j ⋅ (ω − ω r ) ⋅ Ψr dt Lrl sometidas a las siguientes restricciones:  Ψ − Ψm  Ψm = f (i m ) = f (i s + i r ) = f  i s + r   Lrl  (54) dΨ m d = f (i m ) dt dt aplicando como ejemplo al primer caso de aproximación por saturación:   Ψ − Ψm    Ψ − Ψm  Ψm = a1 ⋅ arctan(a 2 ⋅ i m ) + a 3 ⋅ i m = a1 ⋅ arctan a 2 ⋅ i s + r   + a 3 ⋅  i s + r    L rl   L rl  (55)     dΨm  a1 ⋅ a 2   di 1  dΨ dΨ m   = + a 3  ⋅  s + ⋅ r −  (56) dt   Ψ − Ψm  2   dt Lrl  dt dt   1 + a 2 2 ⋅  i s + r     Lrl   resulta una función y una ecuación diferencial implícitas que deben ser resueltas para cada paso de cálculo.CAPÍTULO 2. Modelo 4. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

CAPÍTULO 2. Modelo 5. Después de muchas transformaciones algebraicas. se obtiene:  ∂L ∂L   di sx   Lsl 0 L+ ⋅ i mx − ⋅ i my     ∂i m ∂i m   dt  u   ∂L ∂L  di  0 L sl ⋅ i my L+ ⋅ i mx   sy   sx  ∂i m ∂i m    u sy    ⋅  dt  = u  − − L ∂L ∂L   di mx 0 Lrl + ⋅ i mx + L − ⋅ i my   rx   rl ∂i m ∂i m   dt   u ry   ∂L ∂L   di my   0 Lrl ⋅ i my Lrl + ⋅ i mx + L     ∂i m ∂i m   dt   rs − ω ⋅ Lsl 0 −ω ⋅ L   i sx       ω ⋅ Lsl rs ω⋅L 0   i sy  − ⋅ − rr (ω − ω r ) ⋅ Lrl rr − (ω − ω r ) ⋅ ( Lrl + L)   i mx       − (ω − ω ) ⋅ L − rr (ω − ω r ) ⋅ ( Lrl + L)  i   r rl rr   my  (57) donde: L = h(i m ) ∂L ∂h(i m ) (58) = ∂i m ∂i m resulta un modelo complicado pero resoluble. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 15 Variables de estado la corriente de estator y la magnetizante.

Modelos con saturación dependiente de las componentes del propio eje. Modelo 6 Tras muchas transformaciones algebraicas. además. permite la valoración experimental de los parámetros desconocidos. es decir: Ψmx = f x (i mx ).CAPÍTULO 2. se obtiene: di = M −1 ⋅ v + M −1 ⋅ ( A ⋅ i + Ω ⋅ Ψ ) (60) dt con v = (u sx u ry ) i = (i sx i ry ) t t u sy u rx i sy i rx (61) Ψ = (Ψmx Ψmy ) t (62)  − Rs ω g ⋅ L sl 0 0     − ω g ⋅ sl − Rs 0 0  A= (63) 0 0 − Rr (ω g − ω r ) ⋅ Lrl    0 0 − (ω g − ω r ) ⋅ Lrl − Rr     0 ω     −ω 0  Ω= (64) 0 (ω − ω r )    − (ω − ω )   r 0  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Variables de estado corrientes de estator y rotor. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 16 Modelos simplificados. La resolución de los modelos anteriores se puede simplificar considerando una série de hipótesis adicionales: • Saturación dependiente únicamente de las componentes del propio eje. • Consideración de un modelo de la máquina que tenga menos parámetros. Además. El método. i my = g y (Ψmy ) Este método puede parecer poco ortodoxo. Ψmy = f y (i my ) (59) i mx = g x (Ψmx ). se puede plantear que las funciones representantes de la saturación tengan coeficientes distintos para cada eje. pero puede dar una solución a los modelos anteriores en que era preciso resolver una ecuación algebraica para cada paso de cálculo. Este caso se verá en el apartado que sigue.

i my = i sy + i ry (68) el cual resulta manejable. Ψmy = f y (i my ) (67) i mx = i sx + i rx . d Ψ − Ψmx Ψsx = u sx − Rs ⋅ sx − ω g ⋅ Ψsy dt Lsl (69) d Ψsy − Ψmy Ψsy = u sy − Rs ⋅ + ω g ⋅ Ψsx dt Lsl d Ψ − Ψmx Ψrx = u rx − Rr ⋅ rx − (ω g − ω r ) ⋅ Ψry dt Lrl (70) d Ψry − Ψmy Ψry = u ry − Rr ⋅ + (ω g − ω r ) ⋅ Ψrx dt Lrl Ecuaciones que. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 17  Lsl + Lmx 0 Lmx 0     0 L sl + Lmy 0 Lmy  M =  (65) Lmx 0 Lrl + Lmx 0    0 Lmy 0 Lrl + Lmy   dΨmx dΨmy Lmx = Lmy = (66) di mx di my Ψmx = f x (i mx ).CAPÍTULO 2. Modelo 7. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Variables de estado los flujos de estator y rotor. formalmente. pero a las que hace falta añadir una restricción algebraica sobre los flujos: Ψsx Ψrx  1 1  + − Ψmx ⋅  +  = i mx = g (Ψmx ) (71) Lsl Lrl  sl L L rl  ΨsyΨrx  1 1  + − Ψmy ⋅  +  = i my = g (Ψmy ) (72) L sl Lrl  sl L L rl  ecuaciones implícitas que se deben resolver para cada paso de cálculo. son más sencillas que las obtenidas a partir del conjunto de las variables de estado corriente.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . deben calcularse las derivadas siguientes: ∂g x ∂g y . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 18 Variables de estado la corriente del estator y el flujo magnetizante. Modelo 8. Después de varias transformaciones algebraicas. el modelo es muy complejo.CAPÍTULO 2. En este caso no debe resolverse ninguna ecuación implícita para cada paso de cálculo pero. sin embargo. (75) ∂Ψmx ∂Ψmy Obsérvese la complejidad del modelo resultante. se llega al siguiente conjunto de ecuaciones:  L sl 0 1 0    0 L sl 0 1   i sx   u sx       ∂g x  d  i sy   u sy   − Lrl 0 (1 + Lrl ⋅ ) 0 ⋅  = +  ∂Ψ mx  dt  Ψmx   u rx   ∂g y   Ψ  u   0 − L 0 (1 + L ⋅ )  my   ry  ∂Ψ rl rl  my   − rs ω g ⋅ L sl 0 ωg   i sx       − ω g ⋅ L sl − rs −ωg 0   i sy  + ⋅ + − rr − (ω g − ω r ) ⋅ Lrl 0 (ω g − ω r )   Ψmx       (ω − ω ) ⋅ L − r − ( ω − ω ) 0  Ψ   g r rl r g r   my   0     0  + − r ⋅ g + (ω g − ω r ) ⋅ Lrl ⋅ g y   r x   − r ⋅ g − (ω − ω ) ⋅ L ⋅ g   r y g r rl x  (73) Donde: Ψmx (Ψmx ) n g x (Ψmx ) = a ⋅ +b⋅ ΨN Ψn (74) Ψmy (Ψmy 2 )n g y (Ψmy ) = a ⋅ +b⋅ ΨN Ψ Nn además.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . (78) di mx di my Es un modelo realmente difícil. Ψmy = f y (i my ) (77) deben calcularse las siguientes derivadas: df x df y . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 19 Variables de estado la corriente del estator y el flujo del rotor. Modelo 9. Las ecuaciones resultantes. son las que siguen:  df x 1 df x   ⋅  L + di mx 0 Lrl di mx 0   sl 1 df x 1 df x   1+ ⋅ 1+ ⋅   Lrl di mx Lrl di mx   i sx   u sx       df y 1 df y  d  i sy   u sy   ⋅ ⋅ = +  di L di my  dt  Ψrx   u rx  0 L sl + my 0 rl      1 df y 1 df y   Ψ  u   1+ ⋅ 1+ ⋅   ry   ry   Lrl di my Lrl di my   0 0 1 0     0 0 0 1   − rs ω ⋅ Lsl 0 0   0 ω    i     − ω ⋅ L sl − rs 0 0   sx   −ω 0     i sy   rr Ψ  0  ⋅  mx  r  0 0 − r (ω − ω r )  ⋅   + − Ψ    Ψrx   Lrl   my   Lrl  rr   Ψ   r 0 0 − (ω − ω ) −  ry   0 − r   r Lrl    Lrl  (76) con: Ψmx = f x (i mx ).CAPÍTULO 2.

CAPÍTULO 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 20 Variables de estado las corrientes del estator y magnetizante. se llega a:  ∂L x   Lsl 0 Lx + ⋅ i mx 0   di sx   ∂i mx   dt   ∂L y   di  u   0 L sl 0 Ly + ⋅ i my   sy   sx   ∂i my  ⋅  dt   u sy   ∂L x   di mx  = u  −  − Lrl 0 Lrl + ⋅ i mx + L x 0     rx   ∂i mx   dt   u ry   ∂L y   di my   0 Lrl 0 Lrl + ⋅ i my + L y    ∂i my  dt     rs − ω ⋅ Lsl 0 − ω ⋅ Ly   i sx       ω ⋅ Lsl rs ω ⋅ Lx 0   i sy  − ⋅ − rr (ω − ω r ) ⋅ Lrl rr − (ω − ω r ) ⋅ ( Lrl + L y )   i mx       − (ω − ω ) ⋅ L − rr (ω − ω r ) ⋅ ( Lrl + L x )  i   r rl rr   my  (79) donde: L x = h x (i mx ). = ∂i mx ∂i mx ∂i my ∂i my resulta un modelo complicado pero resoluble. L y = h y (i my ) ∂L x ∂h x (i mx ) ∂L y ∂h y (i my ) (80) = . Modelo 10. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Tras varias transformaciones.

A este Lr modelo se le denominará tipo Γ(II). Ψsg = Lsl ⋅ isg + Lm ⋅ (i sg + a ⋅ irg' ) = L'm ⋅ (isg + irg' ) (82) con L'm = a ⋅ Lm Ψrg' = a 2 ⋅ Lrl ⋅ irg' + a ⋅ Lm ⋅ isg + a 2 ⋅ Lm ⋅ irg' (83) = L'rl ⋅ irg' +L'm ⋅ (isg + irg' ) L'rl = a ⋅ (a ⋅ ( Lr + Lm ) − Lm ) (84) L'sl = (Lsl + Lm − a ⋅ Lm ) (85) Eligiendo adecuadamente el valor de la relación a. se obtiene el esquema de la figura 5 en el que se ha eliminado la Lm inductancia de dispersión estatórica. Dada la imposibilidad práctica de separar la determinación de los fenómenos inductivos de estatorl y rotor. resulta conveniente plantear un cambio de variables que elimine una de las componentes del esquema equivalente (Lsl o Lrl). Rr' = a 2 ⋅ Rr (81) a Este cambio de variable mantiene el balance de potencias [Bargalló 96]. se pueden escribir las siguientes equivalencias: irg irg' = .CAPÍTULO 2. Figura 5 Modelo en Γ(I). Designando por a la relación de reducción de rotor a nuevo estator equivalente. Ψrg' = a ⋅ Ψrg . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 21 Modelos en T y en Γ. L Haciendo a = ss . se puede eliminar un parámetro. Lm Para a= se elimina la inductancia de dispersión rotórica (figura 6). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . A este modelo se le denominará tipo Γ(I).

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 22 Figura 6 Modelo en Γ(II).[P24].CAPÍTULO 2. [P26]. Mediante estos modelos. con un parámetro menos. es más sencillo resolver el problema de la caracterización de la saturación. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

i my = i sy + i ry (96) Ψmx = Lm ⋅ i mx . (95) i mx = i sx + i rx . Ψmy = Lm ⋅ i my El sistema sigue siendo de resolución complicada. En este caso el flujo estatórico se identifica con el de magnetización: Ψ s = Ψm (86) Variables de estado las corrientes de estator y rotor. Cancelación de Lsl. di = M −1 ⋅ v − M −1 ⋅ A ⋅ i (87) dt con: v = (u sx u ry ) i = (i sx i ry ) t t u sy u rx i sy i rx (88)  Rs − ω g ⋅ Lm 0 − ω g ⋅ Lm     ω g ⋅ Lm Rs ω g ⋅ Lm 0  A= 0 − (ω g − ω r ) ⋅ Lm Rr − (ω g − ω r ) ⋅ ( Lm + Lrl )     (ω − ω ) ⋅ L 0 (ω g − ω r ) ⋅ ( Lm + Lrl ) Rr   g r m  (89)  Lddm Ldq Lddm Ldq     Ldq Lqqm Ldq Lqqm  M =  (90) L Ldq Lrl + Lddm Ldq  ddm  L Lqqm Ldq Lrl + Lqqm   dq Lddm = L ⋅ cos 2 µ + Lm ⋅ sin 2 µ dΨm Ψm Lqqm = L ⋅ sin 2 µ + Lm ⋅ cos 2 µ (91) L= Lm = (92) dim im Ldq = ( L − Lm ) ⋅ cos µ ⋅ sinµ imy tanµ = (93) Ψm = f (i m ) (94) i mx Ψm = Ψmx + Ψmy i m = i mx + i my 2 2 2 2 . Modelo 11. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 23 Modelos tipo Γ(I).CAPÍTULO 2. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . las ecuaciones quedan de la siguiente forma: d Ψs  Ψs − Ψr  = u s − rs ⋅  + g (Ψs )  − j ⋅ ω ⋅ Ψs dt  Lrl  (97) d Ψr  Ψr − Ψ s  = u r − rr ⋅   − j ⋅ (ω − ω r ) ⋅ Ψr dt  Lrl  que una vez desarrolladas se representan de la siguiente manera: dΨsx  Ψ − Ψrx  = u sx − rs ⋅  sx + g x (Ψs )  + ω ⋅ Ψsy dt  Lrl  dΨsy  Ψsy − Ψry  = u sy − rs ⋅  + g y (Ψs )  − ω ⋅ Ψsx dt  Lrl  (98) dΨrx  Ψ − Ψsx  = u rx − rr ⋅  rx  + (ω − ω r ) ⋅ Ψry dt  Lrl  dΨry  Ψry − Ψsy  = u ry − rr ⋅   − (ω − ω r ) ⋅ Ψrx  dt  Lrl  con:   (  )  n −1 Ψsx  Ψsx  Ψsx 2 + Ψsy 2 2   g x ( Ψs ) = g ( Ψs ) ⋅ = I N ⋅ a ⋅ + b⋅  ⋅ Ψsx  Ψs  Ψ N  ΨN n       (99)    ( )  n −1 Ψsy  Ψsy  Ψsy 2 + Ψsy 2 2   g y ( Ψs ) = g ( Ψs ) ⋅ = I N ⋅ a ⋅ + b⋅  ⋅ Ψsy  Ψs  Ψ N  ΨN n       Si se compara con el modelo 2. Modelo 12.CAPÍTULO 2. este resulta mucho más sencillo ya que no es necesaria la resolución de una ecuación algebraica para cada paso de integración. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 24 Variables de estado los flujos de estator y rotor. Una vez simplificadas.

CAPÍTULO 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 25 Variables de estado la corriente de estator y el flujo magnetizante. se llega al conjunto de ecuaciones que sigue: 0 0 1 0    0 0 0 1   i sx   u sx      − ∂g x ∂g x  d  i sy   u sy  (1 + Lrl ⋅ ) − Lrl ⋅ ⋅   Lrl  =  + 0 ∂Ψmx ∂Ψmy   dt  Ψmx   u rx   ∂g y ∂g y   Ψ  u  0 − Lrl − Lrl ⋅ (1 + Lrl ⋅ )  my   ry   ∂Ψmx ∂Ψmy   − rs 0 0 ωg   i sx      0 − rs −ω g 0   i sy  + ⋅ + −r − (ω g − ω r ) ⋅ Lrl 0 (ω g − ω r )   Ψmx   r     (ω − ω r ) ⋅ Lrl − rr − (ω g − ω r ) 0  Ψ   g   my   0     0  + − r ⋅ g + (ω g − ω r ) ⋅ Lrl ⋅ g y   r x   − r ⋅ g − (ω − ω ) ⋅ L ⋅ g   r y g r rl x  (100) Donde:  n −1  Ψ Ψmx  Ψmx (Ψmx 2 + Ψmy 2 ) 2  g x (Ψm ) = g (Ψm ) ⋅ mx = g ( Ψmx 2 + Ψmy ) ⋅ 2 = I N ⋅ a ⋅ +b⋅ ⋅ Ψmx  Ψm Ψm ΨN Ψ Nn      n −1  Ψmy Ψmy  Ψmy (Ψmx 2 + Ψmy 2 ) 2  g y ( Ψm ) = g ( Ψ m ) ⋅ = g ( Ψmx 2 + Ψmy ) ⋅ 2 = I N ⋅ a ⋅ +b⋅ ⋅ Ψmy  Ψm Ψm ΨN Ψ Nn     (101) además. . no debe resolverse ninguna ecuación implícita para cada paso de cálculo pero. (102) ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy En este caso. Después de algunas operaciones algebraicas. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . el modelo es de gran complejidad. Modelo 13. sin embargo. . deben calcularse las derivadas: ∂g x ∂g x ∂g y ∂g y .

Modelo 14. Las ecuaciones resultantes. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 26 Variables de estado las corrientes de estator y el flujo del rotor. son las que siguen:   ∂g x  ∂g x  ∂g x  ∂g x   − 1 + Lrl ⋅  ⋅ Lrl − Lrl ⋅ 2 1 + Lrl ⋅  Lrl ⋅     ∂Ψsx  ∂Ψsy ∂Ψsx  ∂Ψsy   i sx         ∂g y ∂g y  ∂g y  ∂g y   d  i sy  − Lrl ⋅ − 1 + Lrl ⋅  ⋅ Lrl Lrl ⋅ 1 + Lrl ⋅  ⋅  = 2  ∂Ψsx  ∂Ψsy  ∂Ψsx  ∂Ψsy   dt Ψrx        Ψ   0 0 1 0   ry     0 0 0 1   u sx   − rr ω ⋅ Lrl 0 −ω   i sx   − ω ⋅ Lrl ⋅ g x           u sy   − ω ⋅ Lrl − rr ω 0   i sy   ω ⋅ Lrl ⋅ g y  u  +  − r 0 0 ⋅ + − (ω − ω r )   Ψrx   rr ⋅ g x     rx r      u   − ω − ω  Ψ   r ⋅ g   ry   0 rr ( r ) 0   ry   r y  (103) donde:  n −1  Ψ Ψ  Ψmx (Ψmx 2 +Ψ ) 2 2  g x (Ψm ) = g (Ψm ) ⋅ mx = g ( Ψmx + Ψmy ) ⋅ = I N ⋅ a ⋅ +b⋅ ⋅ Ψmx  2 2 mx my Ψm Ψm ΨN Ψ Nn      n −1  Ψmy Ψ  Ψmy (Ψmx 2 +Ψ ) 2 2  g y ( Ψm ) = g ( Ψ m ) ⋅ = g ( Ψmx + Ψmy ) ⋅ = I N ⋅ a ⋅ +b⋅ ⋅ Ψmy  2 2 my my Ψm Ψm ΨN Ψ Nn     (104) y deben calcularse las derivadas siguientes: ∂g x ∂g x ∂g y ∂g y . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 2. . (105) ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy Es un modelo realmente complicado. .

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 27 Variables de estado las corrientes del estator y magnetizante. Después de transformaciones algebraicas.CAPÍTULO 2. Modelo 15. se llega a:  ∂L ∂L   di sx   0 0 L+ ⋅ i mx − ⋅ i my     ∂i m ∂i m   dt  u   ∂L ∂L  di  0 0 ⋅ i my L+ ⋅ i mx   sy   sx  ∂i m ∂i m    u sy    ⋅  dt  = u  − − L ∂L ∂L   di mx 0 Lrl + ⋅ i mx + L − ⋅ i my   rx   rl ∂i m ∂i m   dt   u ry   ∂L ∂L   di my   0 Lrl ⋅ i my Lrl + ⋅ i mx + L     ∂i m ∂i m   dt   rs 0 0 −ω ⋅ L   i sx       0 rs ω⋅L 0   i sy  − ⋅ − rr (ω − ω r ) ⋅ Lrl rr − (ω − ω r ) ⋅ ( Lrl + L)   i mx       − (ω − ω ) ⋅ L − rr (ω − ω r ) ⋅ ( Lrl + L)  i   r rl rr   my  (106) donde: L = h(i m ) ∂L ∂h(i m ) (107) = ∂i m ∂i m resulta un modelo complicado pero resoluble. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

CAPÍTULO 2. i my = i sy + i ry (118) Ψmx = Lm ⋅ i mx . el flujo rotórico se identifica con el de magnetización: Ψr = Ψm (108) Variables de estado las corrientes del estator y rotor. En este caso. Ψmy = Lm ⋅ i my Modelo de complejidad similar al nº 1. Después de varias transformaciones elementales se llega a: di = M −1 ⋅ v − M −1 ⋅ A ⋅ i (109) dt con: v = (u sx u sy u rx u ry ) i = (i sx i sy i rx i ry ) t t (110)  Rs − ω g ⋅ ( Lm + L sl ) 0 − ω g ⋅ Lm     ω g ⋅ ( Lm + L sl ) Rs ω g ⋅ Lm 0  A= (111) 0 − (ω g − ω r ) ⋅ Lm Rr − (ω g − ω r ) ⋅ ( Lm )     (ω − ω ) ⋅ L 0 (ω g − ω r ) ⋅ ( Lm ) Rr   g r m   Lsl + Lddm Ldq Lddm Ldq     Ldq L sl + Lqqm Ldq Lqqm  M = (112) Lddm Ldq Lddm Ldq     L Lqqm Ldq Lqqm   dq Lddm = L ⋅ cos 2 µ + Lm ⋅ sin 2 µ dΨm Ψm Lqqm = L ⋅ sin 2 µ + Lm ⋅ cos 2 µ (113) L= Lm = (114) dim im Ldq = ( L − Lm ) ⋅ cos µ ⋅ sinµ imy tanµ = (115) Ψm = f (i m ) (116) i mx Ψm = Ψmx + Ψmy i m = i mx + i my 2 2 2 2 . (117) i mx = i sx + i rx . Cancelación de Lrl. Modelo 16. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 28 Modelos tipo Γ(II).

las ecuaciones quedan de la siguiente manera: d Ψs  Ψ s − Ψr  = u s − rs ⋅   − j ⋅ ω ⋅ Ψs dt  L sl  (119) d Ψr  Ψ s − Ψr  = u r − rr ⋅  − g (Ψr )  − j ⋅ (ω − ω r ) ⋅ Ψr dt  L sl  que una vez desarrolladas se representan como siguen: dΨsx  Ψ − Ψrx  = u sx − rs ⋅  sx  + ω ⋅ Ψsy dt  Lsl  dΨsy  Ψsy − Ψry  = u sy − rs ⋅   − ω ⋅ Ψsx  dt  L sl  (120) dΨrx  Ψ − Ψrx  = u rx − rr ⋅  sx − g x (Ψrs )  + (ω − ω r ) ⋅ Ψry dt  L sl  dΨry  Ψsy − Ψry  = u ry − rr ⋅  − g y (Ψr )  − (ω − ω r ) ⋅ Ψrx dt  L sl  con:    ( )  n −1 Ψsx  Ψsx  Ψsx 2 + Ψsy 2 2   g x ( Ψs ) = g ( Ψs ) ⋅ = I N ⋅ a ⋅ + b⋅  ⋅ Ψsx  Ψs  Ψ N  ΨN n       (121)    ( )  n −1 Ψsy  Ψsy  Ψsy 2 + Ψsy 2 2   g y ( Ψs ) = g ( Ψs ) ⋅ = I N ⋅ a ⋅ + b⋅  ⋅ Ψsy  Ψs  Ψ N  ΨN n       Si se compara con el modelo 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 29 Variables de estado los flujos del estator y rotor.CAPÍTULO 2. este resulta mucho más sencillo ya que no es necesaria la resolución de una ecuación algebraica para cada paso de integración. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Una vez simplificadas. Modelo 17.

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 30 Variables de estado la corriente de estator y el flujo magnetizante.CAPÍTULO 2. Modelo 18. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se llega al siguiente conjunto de ecuaciones:  L sl 0 1 0  i sx   u sx        0 L sl 0 1  d  i sy   u sy  ⋅ = + 0 0 1 0  dt  Ψmx   u rx        0 1   Ψ  u   0 0  my   ry  (122)  − rs ω ⋅ L sl 0 −ω   i sx   0         − ω g ⋅ L sl − rs ω 0   i sy   0  + ⋅ + −r 0 0 (ω − ω r )   Ψmx   − rr ⋅ g x   r      0 − rr − (ω − ω r ) 0  Ψ  − r ⋅ g     my   r y  Donde:  n −1  Ψmx Ψmx  Ψmx (Ψmx 2 + Ψmy 2 ) 2  g x ( Ψm ) = g ( Ψm ) ⋅ = g ( Ψmx + Ψmy ) ⋅ 2 2 = I N ⋅ a ⋅ +b⋅ ⋅ Ψmx  Ψm Ψm ΨN Ψ Nn      n −1  Ψmy Ψmy  Ψmy (Ψmx 2 + Ψmy 2 ) 2  g y ( Ψm ) = g ( Ψ m ) ⋅ = g ( Ψmx + Ψmy ) ⋅ 2 2 = I N ⋅ a ⋅ +b⋅ ⋅ Ψmy  Ψm Ψm ΨN Ψ Nn     (123) Obsérvese la relativa simplicidad del modelo resultante. Tras varias operaciones algebraicas. Variables de estado la corriente de estator y el flujo de rotor. Modelo 19.

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 31 Variables de estado las corrientes del estator y magnetizante. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Después de varias transformaciones elementales.CAPÍTULO 2. Modelo 20. se llega a:  ∂L ∂L   L sl 0 L+ ⋅ i mx − ⋅ i my   di sx   ∂i m ∂i m   dt   ∂L ∂L  di  u sx   0 L sl ⋅ i my L+ ⋅ i mx   sy    ∂i m ∂i m   u    ⋅  dt  =  sy  −  0 ∂L ∂L ⋅ i my   mx   rx  di u 0 ⋅ i mx + L −  ∂i m ∂i m   dt   u   ∂L ∂L   di my   ry  (124)  0 0 ⋅ i my ⋅ i mx + L     ∂i m ∂i m   dt   rs − ω ⋅ L sl 0 −ω ⋅ L   i sx       ω ⋅ L sl rs ω⋅L 0   i sy  − ⋅ − rr 0 rr − (ω − ω r ) ⋅ ( L)   i mx       0 − rr (ω − ω r ) ⋅ ( L)  i   rr   my  donde: L = h(i m ) ∂L ∂h(i m ) (125) = ∂i m ∂i m Resulta un modelo complicado pero resoluble.

CAPÍTULO 2. Tras varias operaciones algebraicas se llega a: di = M −1 ⋅ v + M −1 ⋅ ( A ⋅ i + Ω ⋅ Ψ ) (127) dt con: v = (u sx u sy u rx u ry ) i = (i sx i sy i rx i ry ) t t (128) Ψ = (Ψmx Ψmy ) t (129)  − Rs 0 0 0    0 − Rs 0 0  A= (130) 0 0 − Rr (ω g − ω r ) ⋅ Lrl    0 0 − (ω g − ω r ) ⋅ Lrl − Rr     0 ω     −ω 0  Ω= (131) 0 (ω − ω r )    − (ω − ω )   r 0   Lmx 0 Lmx 0     0 Lmy 0 Lmy  M =  (132) L 0 Lrl + Lmx 0  mx   0 Lmy 0 Lrl + Lmy   dΨmx dΨmy Lmx = . Lmy = (133) di mx di my Ψmx = f x (i mx ). Ψmy = f y (i my ) (134) i mx = i sx + i rx . En este caso. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 32 Modelos tipo Γ(I) (Lsl = 0) sin consideración de la saturación cruzada. el flujo estatórico se identifica con el de magnetización: Ψ s = Ψm (126) Variables de estado las corrientes del estator y rotor. Modelo 21. i my = i sy + i ry (135) que resulta un modelo muy manejable. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 33 Variables de estado los flujos del estator y rotor.CAPÍTULO 2. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Una vez simplificadas las ecuaciones quedan: d Ψs  Ψs − Ψr  = u s − rs ⋅  + g (Ψs )  − j ⋅ ω ⋅ Ψs dt  Lrl  (136) d Ψr  Ψr − Ψ s  = u r − rr ⋅   − j ⋅ (ω − ω r ) ⋅ Ψr dt  Lrl  que una vez desarrolladas se representan de la siguiente forma: dΨsx  Ψ − Ψrx  = u sx − rs ⋅  sx + g x (Ψs )  + ω ⋅ Ψsy dt  Lrl  dΨsy  Ψsy − Ψry  = u sy − rs ⋅  + g y (Ψs )  − ω ⋅ Ψsx dt  Lrl  (137) dΨrx  Ψ − Ψsx  = u rx − rr ⋅  rx  + (ω − ω r ) ⋅ Ψry dt  Lrl  dΨry  Ψry − Ψsy  = u ry − rr ⋅   − (ω − ω r ) ⋅ Ψrx  dt  Lrl  con:  Ψsx  (Ψsx )n  g x (Ψsx ) = I N ⋅ a ⋅ + b⋅   Ψ n   Ψ N  N  (138)  Ψsy  (Ψsy )n  g y (Ψsy ) = I N ⋅ a ⋅ + b⋅   Ψ N  Ψ n   N  Este modelo resulta muy simple y sencillo de calcular. Modelo 22.

(141) ∂Ψmx ∂Ψmy APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . deben calcularse las derivadas siguientes: ∂g x ∂g y . se llega al siguiente conjunto de ecuaciones: 0 0 1 0     i sx   u sx  0 0 0 1       ∂g x  d  i sy   u sy   − Lrl 0 (1 + Lrl ⋅ ∂Ψmx ) 0 ⋅   =  +   dt  Ψmx   u rx  0 ∂g y   Ψ  u  − Lrl 0 (1 + Lrl ⋅ )  my   ry   ∂Ψmy    − rs 0 0 ωg   i sx      0 − rs −ω g 0   i sy  + ⋅ + −r − (ω g − ω r ) ⋅ Lrl 0 (ω g − ω r )   Ψmx   r     (ω − ω r ) ⋅ Lrl − rr − (ω g − ω r ) 0  Ψ   g   my   0     0  + − r ⋅ g + (ω g − ω r ) ⋅ Lrl ⋅ g y   r x   − r ⋅ g − (ω − ω ) ⋅ L ⋅ g   r y g r rl x  (139) Donde:  Ψ  (Ψ )n  g x (Ψsx ) = I N ⋅ a ⋅ sx + b ⋅  sx n   Ψ   Ψ N  N  (140)  Ψsy  (Ψsy )n  g y (Ψsy ) = I N ⋅ a ⋅ + b⋅   Ψ N  Ψ n   N  además. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 34 Variables de estado la corriente del estator y el flujo magnetizante.CAPÍTULO 2. Modelo 23l Después de algunas transformaciones algebraicas.

CAPÍTULO 2. Además deben resolverse las siguientes ecuaciones implícitas: Ψsx = Ψrx − Lrl ⋅ (g x (Ψsx ) − i sx ) Ψsy = Ψry − Lrl ⋅ (g y (Ψsy ) − i sy ) (145) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . son las que siguen:   ∂g x   ∂g x    − 1 + Lrl ⋅  ⋅ Lrl 0 1 + Lrl ⋅  0     ∂Ψsx ∂Ψsx   i sx         ∂g y    ∂g y   d  i sy   − 1 + Lrl ⋅  ⋅ Lrl 1 + Lrl ⋅  ⋅  =   dt Ψrx  0 0   ∂ Ψ   ∂Ψ   sy   sy    Ψ   0 0 1 0   ry     0 0 0 1   u sx   − rr ω ⋅ Lrl 0 −ω   i sx   − ω ⋅ Lrl ⋅ g x           u sy   − ω ⋅ Lrl − rr ω 0   i sy   ω ⋅ Lrl ⋅ g y  u  +  − r 0 0 ⋅ + − (ω − ω r )   Ψrx   rr ⋅ g x   rx   r      u   − rr (ω − ω r )  Ψ   r ⋅ g   ry   0 0   ry   r y  (142) donde:  Ψ  (Ψ )n  g x (Ψsx ) = I N ⋅ a ⋅ sx + b ⋅  sx n   Ψ   Ψ N  N  (143)  Ψsy  (Ψsy )n   g y (Ψsy ) = I N ⋅ a ⋅ + b⋅   Ψ N  Ψ n   N  y deben calcularse las derivadas siguientes: ∂g x ∂g y . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 35 Variables de estado la corriente del estator y el flujo del rotor. Modelo 24. (144) ∂Ψmx ∂Ψmy Es un modelo complicado. Las ecuaciones resultantes.

L y = h(i my ) ∂L x ∂h(i mx ) ∂L y ∂h(i my ) (147) = . = ∂i mx ∂i mx ∂i my ∂i my Resulta un modelo complicado pero resoluble. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se llega a:  ∂L x   0 0 Lx + ⋅ i mx 0   di sx   ∂i mx   dt   ∂L y    u   0 0 0 Ly + ⋅ i my   di sy   sx   ∂i my  ⋅  dt   u sy   ∂L x   di mx  = u  −  − Lrl 0 Lrl + ⋅ i mx + L x 0     rx   ∂i mx   dt   u ry   ∂L y   di my   0 Lrl 0 Lrl + ⋅ i my + L y    ∂i my  dt     rs 0 0 − ω ⋅ Ly   i sx       0 rs ω ⋅ Lx 0   i sy  − ⋅ − rr (ω − ω r ) ⋅ Lrl rr − (ω − ω r ) ⋅ ( Lrl + L y )   i mx       − (ω − ω ) ⋅ L − rr (ω − ω r ) ⋅ ( Lrl + L x )  i   r rl rr   my  (146) donde: L x = h(i mx ). MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 36 Variables de estado las corrientes del estator y magnetizante. Modelo 25. Después de muchas operaciones algebraicas.CAPÍTULO 2.

Modelo 26. Lmy = (155) di mx di my Ψmx = f x (i mx ). Ψmy = f y (i my ) (156) i mx = i sx + i rx i my = i sy + i ry (157) que resulta un modelo manejable. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 37 Modelos tipo Γ(II) (Lrl = 0) sin consideración de la saturación cruzada. el flujo rotórico se identifica con el de magnetización: Ψr = Ψm (148) Variables de estado las corrientes del estator y rotor. se llega a: di = M −1 ⋅ v + M −1 ⋅ ( A ⋅ i + Ω ⋅ Ψ ) (149) dt con: v = (u sx u ry ) i = (i sx i ry ) t t u sy u rx i sy i rx (150) Ψ = (Ψmx Ψmy ) t (151)  − Rs ω g ⋅ L sl 0  0    − ω g ⋅ sl − Rs 0  0 A=  (152) 0 0 − Rr 0   0 − Rr   0 0  0 ω     −ω 0  Ω= (153) 0 (ω − ω r )     − (ω − ω )   r 0   Lsl + Lmx 0 Lmx 0     0 Lsl + Lmy 0 Lmy  M = (154) Lmx 0 Lmx 0     0 Lmy 0 Lmy   dΨmx dΨmy Lmx = .CAPÍTULO 2. Después de varias transformaciones algebraicas. En este caso.

CAPÍTULO 2. este resulta mucho más sencillo ya que no es necesaria la resolución de una ecuación algebraica para cada paso de integración. Una vez simplificadas. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 38 Variables de estado los flujos del estator y rotor. las ecuaciones quedan de la siguiente manera: d Ψs  Ψ s − Ψr  = u s − rs ⋅   − j ⋅ ω ⋅ Ψs dt  L sl  (158) d Ψr  Ψ s − Ψr  = u r − rr ⋅  − g (Ψr )  − j ⋅ (ω − ω r ) ⋅ Ψr dt  L sl  que una vez desarrolladas se representan en la siguiente forma: dΨsx  Ψ − Ψrx  = u sx − rs ⋅  sx  + ω ⋅ Ψsy dt  Lsl  dΨsy  Ψsy − Ψry  = u sy − rs ⋅   − ω ⋅ Ψsx  dt  L sl  (159) dΨrx  Ψ − Ψrx  = u rx − rr ⋅  sx − g x (Ψry )  + (ω − ω r ) ⋅ Ψry dt  L sl  dΨry  Ψsy − Ψry  = u ry − rr ⋅  − g y (Ψry )  − (ω − ω r ) ⋅ Ψrx dt  L sl  con:  Ψrx  (Ψrx )n  g x (Ψrx ) = I N ⋅ a ⋅ + b⋅   Ψ n   Ψ N  N  (160)  Ψry  (Ψry )n  g y (Ψry ) = I N ⋅ a ⋅ + b⋅   Ψ N  Ψ n   N  Si se compara con el modelo 2. Modelo 27.

MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 39 Variables de estado la corriente del estator y el flujo magnetizante. Variables de estado la corriente del estator y el flujo de rotor. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Modelo 28. Modelo 29. Tras muchas transformaciones algebraicas.CAPÍTULO 2. se llega al siguiente conjunto de ecuaciones:  L sl 0 1 0  i sx   u sx        0 L sl 0 1  d  i sy   u sy  ⋅ = + 0 0 1 0  dt  Ψmx   u rx        0 1   Ψ  u   0 0  my   ry  (161)  − rs ω ⋅ L sl 0 −ω   i sx   0         − ω g ⋅ L sl − rs ω 0   i sy   0  + ⋅ + −r 0 0 (ω − ω r )   Ψmx   − rr ⋅ g x   r      0 − rr − (ω − ω r ) 0  Ψ  − r ⋅ g     my   r y  Donde:  Ψrx  (Ψrx )n  g x (Ψrx ) = I N ⋅ a ⋅ + b⋅  Ψ  Ψ n   N  N  (162)  Ψry  (Ψry )n  g y (Ψry ) = I N ⋅ a ⋅ + b⋅   Ψ  Ψ n  N  N  Obsérvese la relativa simplicidad del modelo resultante.

Modelo 30. L y = h(i my ) ∂L x ∂h(i mx ) ∂L y ∂h(i my ) (164) = . = ∂i mx ∂i mx ∂i my ∂i my Resulta un modelo complicado pero resoluble. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 40 Variables de estado las corrientes del estator y magnetizante.CAPÍTULO 2. Después de muchas transformaciones algebraicas se llega a:  ∂L x   L sl 0 Lx + ⋅ i mx 0   di sx   ∂i mx   dt   ∂L y    u  L+ ⋅ i my   di sy    sx  0 L sl 0  ∂i my    ⋅ dt =  sy  − u  ∂L x   di mx   u rx   0 0 ⋅ i mx + L x 0       ∂i mx   dt   u ry  (163)  ∂L y   di my   0 0 0 ⋅ i my + L y    ∂i my  dt     rs − ω ⋅ L sl 0 − ω ⋅ Ly   i sx       ω ⋅ L sl rs ω ⋅ Lx 0   i sy  − ⋅ − rr 0 rr − (ω − ω r ) ⋅ ( L y )   i mx       0 − rr (ω − ω r ) ⋅ ( L x )  i   rr   my  donde: L x = h(i mx ).

0 = i sy + i ry (166) La ventaja de esta transformación es doble: . i m = g ( Ψm ) (167) según el conjunto de variables elegidas.CAPÍTULO 2. Si se considera el eje de rotación girando a velocidad ωg y concordante con el vector representativo del flujo. Como contrapartida debe calcularse la velocidad para cada instante de tiempo considerado y pued.en existir problemas de arranque de la simulación. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 41 Modelos basados en la orientación del campo. Lm = h(i m ). Modelo 31. Las ecuaciones de la máquina. Reducción del sistema original de quinto orden a uno de cuarto orden . expresadas en la nueva referencia vienen dadas por:  dL dL   L sl + Lm + m ⋅ (i sx + i rx ) 0 Lm + m ⋅ (i sx + i rx )   d  sx   sx  i u  d im d im  0 L sl 0  ⋅  i sy  =  u sy  +  dLm dLm  dt      L + ⋅ ( i + i ) 0 L + L + ⋅ (i + i rx  )  i rx   u rx  m sx rx sl m sx  (168)  d im d im   − rs ω ⋅ L sl 0   i sx       − ω ⋅ ( Lsl + Lm ) − rs − ω ⋅ Lm  ⋅  i sy   − (ω − ω ) ⋅ L − rr   i rx   r rl 0 donde la velocidad de los ejes viene determinada a partir de la siguiente expresión: Lrl  L  L u ry + ⋅ u sy −  rr + rl ⋅ rs  ⋅ i sy + ω r ⋅ rl ⋅ (( Lrl + Lm ) ⋅ i rx + Lm ⋅ i sx ) L sl  Lsl  L sl ω= (169) ⋅ [( Lsl + Lm ) ⋅ i sx + Lm ⋅ i rx ] + ( Lrl + Lm ) ⋅ i rx + Lm ⋅ i sx Lrl Lsl APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . o corriente magnetizante. Variables de estado las corrientes del estator y rotor. La saturación puede expresarse en función de una única componente: Ψm = f (i m ). este tendrá una componente única: i m = imx + j ⋅ 0 (165) i m = i sx + i rx .

Modelo 32.CAPÍTULO 2. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 42 Variables de estado los flujos del estator y rotor. Las ecuaciones transformadas quedan de la siguiente manera: dΨsx r = u sx − s ⋅ (Ψsx − Ψmx ) + ω ⋅ Ψsy dt L sl dΨsy ⋅ (Ψsy ) − ω ⋅ Ψsx rs = u sy − (170) dt L sl dΨrx r = u rx − r ⋅ (Ψrx − Ψmx ) + (ω − ω r ) ⋅ Ψry dt Lrl conjuntamente con la siguiente restricción algebraica: Ψsx Ψrx  1 1  + − Ψmx ⋅  +  = i m = g (Ψm ) (171) Lsl Lrl  sl L L rl  y la expresión para la determinación de la velocidad indicada a continuación: Lrl  r r L  u ry + ⋅ u sy − Ψry⋅  r + s ⋅ rl  + ω r ⋅ Ψrx ω= L sl  Lrl L sl Lsl  (172) L Ψrx + rl ⋅ Ψsx L sl APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

 df 1 df   ⋅  L + di m 0 Lrl di m   sl 1 df 1 df   1+ ⋅ 1+ ⋅   i sx   u sx   L rl di m L rl di m  d      0 Lsl 0  ⋅  i sy  =  u sy  +   dt  Ψ   u   0 0 1   rx   rx      (175)          −r ω ⋅ L 0  i   0   s sl   sx     − ω ⋅ L sl − rs  ⋅  i sy  +  ω ⋅ f (i m )   r     r   0 − (ω − ω r ) ⋅ Lrl − r   Ψrx   r ⋅ f (i m )   Lrl   Lrl  junto con: Lrl  L  u ry + ⋅ u sy +  rr − rl ⋅ rs  ⋅ i sy + ω r ⋅ Ψrx L sl  L sl  ω= (176) L Lrl ⋅ i sx + rl ⋅ f (i m ) + Ψrx L sl APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Después de algunas operaciones algebraicas. Modelo 34.CAPÍTULO 2. se llega a:    L  i   u   − rs ω ⋅ Lsl  d  sx   sx   0 1 0   i sx   sl     0 Lsl 0  ⋅  i sy  =  u sy  +  − ω ⋅ L sl − rs 0  ⋅  i sy  +   dt       − Lrl 0 1 + Lrl ⋅ dg   Ψm   u rx   rr − (ω − ω r ) ⋅ Lrl 0   Ψm   dΨm  0   +  0  ⋅ g ( Ψm ) r   r (173) junto con la expresión para el cálculo de la velocidad: Lrl L u ry + ⋅ u sy − (rr + rl ⋅ rs ) ⋅ i sy + ω r ⋅ (Lrl ⋅ ( g (Ψm ) − i sx + Ψm ) L sl L sl ω= (174) Lrl ⋅ g (Ψm ) + Ψm Variables de estado la corriente del estator y el flujo del rotor. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 43 Variables de estado la corriente del estator y el flujo magnetizante. Modelo 33.

Modelo 35. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 44 Variables de estado las corrientes del estator y magnetizante.  dLm   Lsl 0 ⋅ i m + Lm   di m   i sx   u sx   − rs ω ⋅ Lsl 0   i sx  d          0 Lsl 0  ⋅ i  = u  +  − ω ⋅ L − rs − ω ⋅ Lm  ⋅  i sy    dt  sy   sy   sl − L  dLm   i m   u rx   rr − (ω − ω r ) ⋅ Lrl − rr   i m   rl 0 Lrl ⋅ 1 + ⋅ i m + Lm     di m  (177) conjuntamente con: Lrl  L  u ry + ⋅ u sy +  rs ⋅ rl − rr  ⋅ i sy + ω r ⋅ (( Lrl + Lm ) ⋅ i m − Lrl ⋅ i sx ) L sl  Lsl  ω= (178)  Lrl   ⋅ Lm + Lrl + Lm  ⋅ i m + ( L sl − Lrl ) ⋅ i sx  Lsl  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 2.

Después de alguna transformación. Variables de estado los flujos del estator y rotor. Una vez simplificadas las ecuaciones. Cancelación de Lsl. Transformación tipo Γ(I). Modelo 37. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 45 Modelos de control por orientación del campo. Modelo 36.CAPÍTULO 2. quedan: dΨsx  Ψ − Ψrx  = u sx − rs ⋅  sx + g x (Ψs )  dt  Lrl  dΨrx  Ψ − Ψsx  = u rx − rr ⋅  rx  + (ω − ω r ) ⋅ Ψry (181) dt  Lrl  dΨry  Ψry  = u ry − rr ⋅   − (ω − ω r ) ⋅ Ψrx  dt  Lrl  junto con: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Variables de estado las corrientes del estator y rotor. se llega a:  dLm dLm   ⋅ i m + Lm ⋅ i m + Lm 0   di m di m   i sx   u sx   dLm  d      0 Lrl ⋅ i m + Lm  ⋅  i rx  =  u rx  +  di m  dt  i   u   0 0 Lrl   ry   ry    (179)    − rs 0 0   i sx   ω         0 − rr (ω − ω r ) ⋅ Lrl  ⋅  i rx  +  0   0 − (ω − ω r ) ⋅ Lrl − rr         i ry   − (ω − ω r ) ⋅ Lm ⋅ i m  junto con: u sy + rs ⋅ i ry ω= (180) Lm ⋅ (i sx + i rx ) Resulta un modelo muy sencillo y conceptualmente claro.

Modelo 38. Después de algunas transformaciones. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Variables de estado la corriente del estator y el flujo magnetizante.CAPÍTULO 2. se llega a:  0 0 1   i sx   u sx        − L dg  ⋅ d  i  = u  + 0 1 + Lrl ⋅  rl dΨm  dt  sy rx  0 − Lrl   Ψm   u ry     0  (183)  − rs 0 0   i sx   0         rr (ω − ω r ) ⋅ Lrl 0  ⋅  i sy  +  − rr ⋅ g (Ψm )   (ω − ω ) ⋅ L   Ψ   − (ω − ω ) ⋅ Ψ   r rl rr   m  r m  Junto con: u sy − rs ⋅ i sy ω= (184) Ψm que también resulta muy sencillo. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 46  Ψry  u sy − rs ⋅  g (Ψm ) −   Lrl  ω= (182) Ψsx Este modelo resulta muy simple y sencillo de calcular.

Modelo 39. Modelo 40. Se obtiene:  dLm   0 0 ⋅ i m + Lm   di m   i sx   u sx   dLm  d      − Lrl 0 Lrl + ⋅ i m + Lm  ⋅  i sy  =  u rx  +  di m  dt  i   u   0 − Lrl 0   m   ry  (187)      − rs 0 0   i sx       rr − (ω − ω r ) ⋅ Lrl − rr  ⋅  i sy  +  (ω − ω ) ⋅ L − (ω − ω r ) ⋅ Lrl + Lm   i m   r rl rr junto con: u sy − rs ⋅ i sy ω= (188) Lm ⋅ i m APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 47 Variables de estado la corriente del estator y el flujo del rotor.CAPÍTULO 2. Se llega a:  df 1 df   ⋅   di m L rl di m   0    1 df 1 df    1+ ⋅ 1+ ⋅  − r 0 0   i sx   u sx   s   i sx   L rl di m L rl di m  d     rr   0 1 0 ⋅  Ψ rx  =  u rx + 0 − (ω − ω r )  ⋅  Ψ rx +   dt Ψ  u   L rl   Ψ   0 0 1  ry   ry   r r   ry     − (ω − ω r ) −     L rl            r 0   r ⋅ f (i )  L m   rl   0  (185) junto con: u sy − rs ⋅ i sy ω= (186) Ψm Variables de estado las corrientes del estator y magnetizante.

 rs rs  − 0   Ψsx   u sx   Lsl L sl   Ψ   0  d      rs   sx     Ψsy  =  u sy  +  0 − ω  ⋅  Ψsy  +  0  (191) dt      Lsl   Ψ   r ⋅ g (Ψ )   Ψr   u rx   rr r   rx   r r   L 0 − r   sl Lsl  junto con: rr u ry + ⋅ Ψsy L sl ω= + ωr (192) Ψr APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Cancelación de Lrl. Modelo 42. Las ecuaciones transformadas conducen al siguiente sistema:  dL dL   L sl + Lm + m ⋅ (i sx + i rx ) 0 Lm + m ⋅ (i sx + i rx )   d  sx   sx  i u  d im d im  0 L sl 0  ⋅  i sy  =  u sy  +  dLm dLm  dt      Lm + ⋅ (i sx + i rx ) 0 L sl + Lm + ⋅ (i sx + i rx )   i rx   u rx  (189)  d im d im   − rs ω ⋅ L sl 0   i sx       − ω ⋅ ( Lsl + Lm ) − rs − ω ⋅ Lm  ⋅  i sy   − rr   i rx   0 0 donde la velocidad de los ejes viene determinada a partir de la siguiente expresión: u ry − rr ⋅ i sy ω= (190) Lm ⋅ (i rx + i sx ) Variables de estado los flujos del estator y rotor. Modelo 41. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 48 Modelos de control por orientación del campo.CAPÍTULO 2. Variables de estado las corrientes del estator y rotor. Transformación tipo Γ(II).

Modelo 44. Modelo 45 Finalmente. Modelo 43. Variables de estado la corriente del estator y el flujo de rotor. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 49 Variables de estado la corriente del estator y el flujo magnetizante. Después de algunas transformaciones algebraicas. se obtienen las siguientes ecuaciones:  dLm   L sl 0 ⋅ i m + Lm  − rs ω ⋅ Lsl  d  sx   sx   i u 0   i sx   di m     0 L sl 0   i sy  =  u sy  +  − ω ⋅ L sl − rs − ω ⋅ Lm  ⋅  i sy  (195)   dt       0 0 dLm ⋅ i m + Lm   i m   u rx   rr 0 − rr   i m   di m  junto con: u ry + rr ⋅ i sy ω= + ωr (196) Lm ⋅ i m APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 2. se llega a:  L sl 0 1  i   u   − rs ω ⋅ Lsl 0   i sx   0    d  sx   sx         0 L sl 0  ⋅  i sy  =  u sy  +  − ω ⋅ L sl − rs 0  ⋅  i sy  +  0  ⋅ g (Ψm ) (193)  0 dt   0 1       Ψm   u rx   rr 0 0   Ψm   rr  juntamente con la expresión para el cálculo de la velocidad: u ry − rr ⋅ i sy ω= + ωr (194) Ψm Variables de estado las corrientes del estator y magnetizante.

Ψry 3 NO ∂g x ∂g x ∂g y ∂g y . Ψmx . Ψry . 1 SI ∂L ∂h(i m ) L = h(i m ). Ψrx . i my ∂imx ∂imx ∂imy ∂imy APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Ψsy . ∂Ψmx ∂Ψmy 9 NO df x df y Ψrx . Ψrx . = i rx . = i mx . Ψsy . . i ry Lmx = Lmy = di mx di my 7 SI NO Ψsx . Modelo Ecuaciones Derivadas de funciones Variables no mensurables implícitas o de la saturación (Necesidad de observador de algebraicas estados) 0 (lineal) NO NO SI (variable según el conjunto de variables considerado) Modelos con consideración de la saturación cruzada. . = i mx . i ry ∂i m ∂i m 2 SI NO Ψsx . 6 NO dΨmx dΨmy i rx . Ψmy ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy 4 SI SI Ψrx . Ψry 5 NO ∂L ∂h(i m ) L = h(i m ). Ψmy .CAPÍTULO 2. di mx di my 10 NO ∂Lx ∂hx (imx ) ∂Ly ∂hy (imy ) = . i my ∂i m ∂i m Modelos sin consideración de la saturación cruzada. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 50 Resumen comparativo de los distintos modelos. Ψry 8 NO ∂g x ∂g y Ψmx .

11 SI ∂L ∂h(i m ) L = h(i m ). Ψrx . Ψsy . Ψry 18 NO NO Ψmx . Ψry 13 NO ∂g x ∂g x ∂g y ∂g y . Ψrx . Ψry ∂Ψmx ∂Ψmy 25 NO L x = h(i mx ).CAPÍTULO 2. Cancelación de Lsl. L y = h(i my ) i mx . = i rx . . Ψsy . Consideración de la saturación cruzada. Consideración de la saturación cruzada. = i rx . Ψmy ∂Ψmx ∂Ψmy 24 SI ∂g x ∂g y . Ψry 23 NO ∂g x ∂g y . Ψrx . Ψmx . = ∂i mx ∂i mx ∂i my ∂i my APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . i my ∂L x ∂h(i mx ) ∂L y ∂h(i my ) = . i ry Lmx = Lmy = di mx di my 22 NO NO Ψsx . i my ∂i m ∂i m Modelos tipo Γ(II). Ψry ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy 15 NO ∂L ∂h(i m ) L = h(i m ). = i mx . 21 NO dΨmx dΨmy i rx . . . i ry ∂i m ∂i m 12 NO NO Ψsx . Cancelación de Lsl. . Sin consideración de la saturación cruzada. Cancelación de Lrl. Ψmy 19 NO NO Ψrx . Ψry 20 NO ∂L ∂h(i m ) L = h(i m ). = i mx . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 51 Modelos tipo Γ(I). 16 SI ∂L ∂h(i m ) L = h(i m ). Ψsy . i ry ∂i m ∂i m 17 NO NO Ψsx . i my ∂i m ∂i m Modelos tipo Γ(I). Ψmx . Ψrx . Ψrx . Ψmy ∂Ψmx ∂Ψmy ∂Ψmx ∂Ψmy 14 NO ∂g x ∂g x ∂g y ∂g y .

Ψry 30 NO L x = h(i mx ). Ψry di m 40 SI ∂L ∂h(i m ) L = h(i m ). 31 SI dLm i rx . Cancelación de Lrl. Ψry 33 SI dg Ψmx . Ψrx . Ψsy . 26 NO dΨmx dΨmy i rx . i ry Lmx = Lmy = di mx di my 27 NO NO Ψsx . Ψrx .CAPÍTULO 2. Cancelación de Lsl. Ψsy . Ψmy dΨm 34 SI df Ψrx . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 52 Modelos tipo Γ(II). = i mx . i my ∂L x ∂h(i mx ) ∂L y ∂h(i my ) = . Ψry 38 SI dg Ψmx . i my ∂i m ∂i m Modelos basados en la orientación del campo. i ry ∂i m ∂i m 37 SI NO Ψsx . Ψrx . Sin consideración de la saturación cruzada. Ψmy dΨm 39 SI df Ψrx . Modelos tipo Γ(I). Ψmy 29 NO NO Ψrx . i my ∂i m ∂i m APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . = i mx . = i rx . i ry di m 32 SI NO Ψsx . 36 SI ∂L ∂h(i m ) L = h(i m ). Ψry di m 35 SI ∂L ∂h(i m ) L = h(i m ). Ψsy . Ψry 28 NO NO Ψmx . L y = h(i my ) i mx . = ∂i mx ∂i mx ∂i my ∂i my Modelos basados en la orientación del campo.

se deduce que los modelos más adecuados de cara a los objetivos perseguidos. 41 SI ∂L ∂h(i m ) L = h(i m ). • Los modelos simplificados (tipo Γ). en la que no es posible indicar a priori el tiempo de resolución de la misma. i my ∂i m ∂i m Conclusiones. A la vista de los resultados y debido a la necesidad de determinar los parámetros de la forma más sencilla posible. Dentro de estos el modelo nº 24 no resulta adecuado debido a la restricción algebraica que presenta. sean cuales sean las variables de estado consideradas. se pueden deducir las siguientes consideraciones: • La ecuación (21) traduce la relación entre corriente de magnetización y flujo total en el entrehierro. • Los modelos que no consideran la saturación cruzada resultan más sencillos de resolver y más prácticos para su inclusión dentro de algoritmos de determinación de parámetros. i ry ∂i m ∂i m 42 SI NO Ψsx . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Ψry 43 SI NO Ψmx . Cancelación de Lrl. son los nº 21 a 25. Ψrx . En los casos que consideraremos existen conjuntos de variables de estado en los que esta simplificación no es posible. Ψsy . estos modelos NO pueden ser considerados útiles a efectos de control ya que para cada intervalo de cálculo debe resolverse una ecuación algebraica NO lineal.CAPÍTULO 2. Modelos tipo Γ(II). Para el caso lineal esta relación o RESTRICCIÓN ALGEBRAICA puede deshacerse y sustituirse en las ecuaciones de estado que modelizan la máquina. = i rx . MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 53 Modelos basados en la orientación del campo. Ψmy 44 SI NO Ψrx . = i mx . Ψry 45 SI ∂L ∂h(i m ) L = h(i m ). resultan aún más sencillos de tratamiento. • En relación a la caracterización y determinación de los parámetros los modelos tipo Γ (I) resultan mas interesantes ya que la caracterización de la saturación es más sencilla De las consideraciones anteriores.

resultan complejos de resolución. Finalmente queda la comparación entre los modelos nº 21 (con variables de estado las corrientes del estator y rotor) y nº 22 (con variables de estado los flujos del estator y rotor). tanto en tiempo real como mediante ensayos fuera de línea. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . En los capítulos que siguen. se detalla el uso de tales modelos para la determinación de los parámetros. MODELOS DE MÁQUINAS ASÍNCRONAS CON CONSIDERACIÓN DE LA SATURACIÓN 54 Los modelos nº 23 y nº 25.CAPÍTULO 2.

SENSIBILIDAD dγ  ∂f   ∂f  =   ⋅ γ +   dt  ∂x  p0  ∂p  p0  ∂g   ∂g  σ =   ⋅ γ +    ∂x  p0  ∂p  p0 .

..................................... Sensibilidad ....4 Aplicación a las ecuaciones de la máquina asíncrona...................................... ......................CAPÍTULO 3.............................31 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .........................10 Conclusiones................................................................................................... SENSIBILIDAD 3........... [Rosenwasser 00]........................ ...................2 Ecuaciones de sensibilidad de un sistema dinámico [Eslami 94]....2 Aplicación al caso de una bobina saturada........................... ........ 1 3............... SENSIBILIDAD....................................

p ) y el sistema. t . u . descrito por el siguiente conjunto de ecuaciones diferenciales: dx = f ( x. x(t 0 ) = x 0 dt (1) y = g ( x. para la función de salida:  ∂y  ∆y (t . Dado un sistema cualquiera. así como su influencia en la respuesta global del sistema. 2 3. con parámetros desviados de su valor nominal: dx = f ( x. por tanto. u . [Rosenwasser 00]. será más útil para la realización de algoritmos de control y.CAPÍTULO 3. p 0 ) ⋅ ∆p (4)  ∂p  p0 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . El análisis de las funciones de sensibilidad. SENSIBILIDAD. se debe evaluar la sensibilidad tanto estática (en régimen permanente) como dinámica. viene dado por:  ∂x  ∆x(t . si los parámetros en juego afectan poco a la respuesta del sistema. p 0 ) ⋅ ∆p (3)  ∂p  p0 Igualmente. u . de tal manera que simulaciones sobre la misma máquina realizadas con diferentes modelos pueden dar resultados discrepantes y tiempos de cálculo muy distintos. p ) =   ⋅ ∆p = γ (t . Un modelo menos sensible a las variaciones de los parámetros. Sensibilidad Los modelos considerados en el capítulo anterior presentan ciertas características que hacen que resulten muy afectados por las variaciones de los parámetros. a su vez. este resulta muy robusto y. t . se pueden admitir discrepancias en su valoración respecto el valor nominal o exacto. p) =   ⋅ ∆p = σ (t . p ) x(t 0 ) = x 0 (2) dt El cambio de los valores del vector de estados debido a la variación de los parámetros. Para analizar el problema. Ecuaciones de sensibilidad de un sistema dinámico [Eslami 94]. según el caso. se pondrá en evidencia que parámetros son más delicados en su valoración posterior. En los capítulos que siguen se realiza la identificación en tiempo real de los parámetros de los modelos. t . permite estimar los errores en las salidas ante variaciones de los parámetros. p o ) .

Los valores de la sensibilidad para las variables de salida se expresan como:  ∂g   ∂g  σ RP =   ⋅ γ RP +   (10)  ∂x  p0  ∂p  p0 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . SENSIBILIDAD. el jacobiano   MxN y el jacobiano   MxP. la  ∂f  matriz γ tiene dimensiones NxP. la matriz jacobiana  ∂x   ∂f   ∂g   ∂g    NxP. se cumplirá que: dγ =0 (7) dt entonces:  ∂f   ∂f    ⋅ γ RP +   = 0 (8)  ∂x  p0  ∂p  p0 −1  ∂f   ∂f  γ RP = −  p0 ⋅   p0 (9)  ∂x   ∂p  suponiendo que la matriz jacobiana no sea singular.  ∂p  p0  ∂x  p0  ∂p  p0 Valores de sensibilidad en régimen permanente En régimen permanente.CAPÍTULO 3. la matriz σ MxP. la matriz jacobiana   NxN. pueden plantearse como: • Funciones de sensibilidad de las variables de estado respecto a la variación de los parámetros: dγ  ∂f   ∂f  =   ⋅ γ +   (5) dt  ∂x  p0  ∂p  p0 • Funciones de sensibilidad de las salidas respecto a la variación de los parámetros:  ∂g   ∂g  σ =   ⋅ γ +   (6)  ∂x  p0  ∂p  p0 Si el número de variables de estado es N. 3 Las ecuaciones de sensibilidad del sistema. M el de salidas y P el de parámetros.

t . u . SENSIBILIDAD. las ecuaciones que gobiernan el sistema. Supongamos el caso de una bobina saturada alimentada a partir de una fuente de tensión.CAPÍTULO 3. u . r i u Ψ Figura 1. p ) = u − r ⋅ I N ⋅  a ⋅ + b ⋅    (13)  ΨN  ΨN      Ψ  Ψ  n  g ( x. son las siguientes: dΨ =u − r ⋅i dt n (11) i Ψ  Ψ  =a⋅ + b ⋅   IN ΨN  ΨN  que expresadas en formato normalizado conducen a: dΨ  Ψ  Ψ  n  ⋅a ⋅ = u − r ⋅ IN + b ⋅    dt  ΨN  ΨN     (12)  Ψ  Ψ   n  i = IN ⋅ a ⋅ + b ⋅    ΨN  Ψ N     x=Ψ y=i p = (r a b)  Ψ  Ψ  n  f ( x. t . Modelo de bobina saturada. p ) = I N ⋅  a ⋅ + b ⋅     ΨN  ΨN      ∂x   ∂y       γ r   ∂r   σ r   ∂r  ∂x    ∂x  ∂y    ∂y  = γ a  = (14) = σ a  = (15) ∂p    ∂a  ∂p    ∂a   γ b   ∂x   σ b   ∂y       ∂b   ∂b  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 4 Aplicación al caso de una bobina saturada.

b = 0.942 Ω.  Ψ = 1. es el siguiente:   n   − I ⋅  a ⋅ Ψ + b ⋅  Ψ     N  Ψ Ψ    N   γ r   0 γ r   N         Ψ   d γ a   0   1  Ψ n −1    γ a   − r ⋅ I N ⋅    = − r ⋅ I ⋅  a ⋅ + n ⋅ b ⋅    ⋅ + Ψ dt  γ b   0   Ψ  Ψ N  γ    N  N n         b     Ψ    N n  Ψ  u  1         − r ⋅ I N ⋅       Ψ N         0   0    Ψ    I N ⋅    σ r  γ r    ΨN         σ a   1  Ψ n −1    γ a    Ψ n    I N ⋅       σ  = I N ⋅  a ⋅ Ψ + n ⋅ b ⋅  Ψ n N   ⋅  γ  +    Ψ N     b  N     b    i  0          Ψ   n  Ψ IN ⋅ a ⋅ + b ⋅      ΨN  ΨN      (18) La resolución del sistema para U = 311 V. a = 0. R = 0.48. 5 ∂f ∂f  1  Ψ n −1   ∂g ∂g  1  Ψ n −1   = = −r ⋅ I N ⋅  a ⋅ + n ⋅ b ⋅  n   = = IN ⋅  a ⋅ + n ⋅ b ⋅  n   ∂x ∂Ψ  ΨN  Ψ N  ∂x ∂Ψ  ΨN  Ψ N  (16)   n     − I ⋅  a ⋅ Ψ + b ⋅  Ψ       ∂f   N  Ψ   ∂g      ΨN  N    ∂    ∂  0   r  r ∂f  ∂f    Ψ   ∂g  ∂g    Ψ   = = − r ⋅ I N ⋅    = =  I N ⋅    (17) ∂p  ∂a    Ψ N   ∂p  ∂a    Ψ N    ∂f   ∂g      Ψ n       Ψ n   ∂b   − r ⋅ I N ⋅       ∂b   I N ⋅        Ψ     Ψ    N      N   El sistema a resolver.CAPÍTULO 3. I = 330 A  ha dado los resultados reflejados en las figuras  N N  siguientes: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .927Wb. SENSIBILIDAD.52.

Corriente en la bobina. γ a (t ) . Figura 3. Figura 4. 6 Figura 2. Flujo. SENSIBILIDAD. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 3.

CAPÍTULO 3. Figura 7. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . SENSIBILIDAD. σ a (t ) . γ b (t ) . 7 Figura 5. γ r (t ) . Figura 6.

8 Figura 8. SENSIBILIDAD. σ b (t ) . σ r (t ) .146 (21) Los parámetros que afectan más al flujo son la resistencia y el factor b del polinomio (lo cual era de esperar. S rΨ = −0.  = −0. S bΨ = −0. El flujo resulta poco afectado por las variaciones de los parámetros.CAPÍTULO 3.30 (19) ∂a  max ∂b  max ∂r  max que referido al valor unitario. es decir: ∂x p N Sαx = ⋅ (20) ∂p X N lleva a los siguientes resultados: S aΨ = −4. A continuación se pueden observar los valores máximos de la sensibilidad del mismo: ∂Ψ  ∂Ψ  ∂Ψ   = −0.52.140. De ellas se deduce lo siguiente: .  = −0.98 E − 3. dado que tiene más peso específico). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Figura 9.02.

se llega a: −1  ∂f   ∂f  γ RP = −  ⋅   (24)  ∂x α 0  ∂p α 0   n   − I ⋅  a ⋅ Ψ + b ⋅  Ψ     N  Ψ Ψ    N  N   1   Ψ   γ RP = ⋅ − r ⋅ I N ⋅    (25)  1 Ψ   n −1  Ψ N   r ⋅ I N ⋅  a ⋅ + n ⋅ b ⋅ n   Ψ ΨN    Ψ n    − r ⋅ I N ⋅      N   Ψ     N      n     − I ⋅  a ⋅ Ψ + b ⋅  Ψ        n  Ψ  − IN Ψ  Ψ     ΨN    ⋅ a ⋅ + b ⋅   N    N      r  ΨN   ΨN 0    1   Ψ     Ψ    σ RP = ⋅ − r ⋅ I N ⋅    +  I N ⋅    =  0  r   ΨN     Ψ N    0    Ψ n     Ψ n     − r ⋅ I N ⋅       I N ⋅         Ψ N       Ψ N             (26) obsérvese que los valores en régimen permanente coinciden con los calculados a partir de la resolución del conjunto de ecuaciones diferenciales anteriores.01E − 3. Tomando como representativos los valores máximos. 9 .267.  = −330 (22) ∂a  max ∂b  max ∂r  max referidos al valor unitario: S ai = 9. La corriente es mucho más sensible a la variación de los parámetros.  = 170. S bi = 0. ya que las modificaciones en los parámetros suponen una menor variación de respuesta. SENSIBILIDAD. Atendiendo a lo anterior. S ri = −0.CAPÍTULO 3.2.942 (23) Si se desean encontrar los valores en régimem permanente después de alguna manipulación. resulta mucho más atractivo realizar el planteamiento en función de las ecuaciones del flujo en vez que de las de corriente. se llega a: ∂i  ∂i  ∂i   = 6. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

Modelo nº 21. 10 Aplicación a las ecuaciones de la máquina asíncrona. detallan los resultados para la máquina nº 2 (en el Anexo III se recogen las características de las máquinas utilizadas en la tesis). Se puede expresar lo siguiente: x = (i sx i sy i rx i ry ω r )t (27) u = (u sx Mc ) t u sy u rx u ry (28) p = (R s ρ a2 ) t Rr Lrl J a1 (29) y = (Ψsx Ψsy Me) t (30) definiendo las siguientes funciones de sensibilidad de las variables de estado:  γ irsxs γ irsxr γ iLsxrl γ iJsx γ iρsx γ iasx1 γ iasx2   r   γ isys γ irsyr γ iLsyrl γ iJsy γ iρsy γ iasy1 γ iasy2  ∂x  rs  = γ γ irrxr γ iLrxrl γ iJrx γ iρrx γ iarx1 γ iarx2  ∂p  irrxs (31) γ i γ irryr γ iLryrl γ iJry γ iρry γ iary1 γ iary2   rrys  γ ω γ ωrrr γ ωLrlr γ ωJ r γ ωρr γ ωa1r γ ωa2r   r y la sensibilidad de las variables de salida:  σ Ψrs σ Ψrr sx σ ΨLrlsx σ ΨJ sx σ Ψρ sx σ Ψa1sx σ Ψa2sx  ∂y  rs sx = σ Ψ σ Ψrr sy σ ΨLrlsy σ ΨJ sy σ Ψρ sy σ Ψa1sy σ Ψa2sy  (32) ∂p  rssy  σ σ rr σ Lrl σ J σ ρ σ a1 σ Ma2e   Me Me Me Me Me Me Los gráficos que siguen. Las variables de interés siempre serán las propias variables de estado. Se trata de considerar. puede ser necesario considerar el flujo como una variable de salida de interés. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . para los diversos modelos descritos. SENSIBILIDAD. en algunos casos. las incidencias de las variaciones de los parámetros y. nos limitaremos a los casos tipo Γ(I) sin consideración de la saturación cruzada (modelos 21 y 22).CAPÍTULO 3. y el par electromagnético será considerado como una salida del sistema. dadas las limitaciones que presentan los modelos y de acuerdo con los objetivos perseguidos. Adicionalmente.

SENSIBILIDAD. i s (t ). 11 Figura 10.CAPÍTULO 3. γ iJsx (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ω r (t ) Figura 11. γ irsxs (t ). γ iLsxrl (t ). γ irsxr (t ) Figura 12.

γ irsyr (t ). SENSIBILIDAD. γ iρsx (t ). γ iasx2 (t ).CAPÍTULO 3. γ iLsyrl (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ irsys (t ) Figura 15. 12 Figura 13. γ iasx1 (t ) Figura 14.

13 Figura 16. γ irrxr (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ iJsy (t ). γ iasy1 (t ). SENSIBILIDAD. γ iasy2 (t ) Figura 18. γ iρsy (t ) Figura 17. γ irrxs (t ).CAPÍTULO 3.

γ iarx1 (t ) Figura 21. γ irrys (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ iJrx (t ) Figura 20. γ iLrxrl (t ). 14 Figura 19. γ iρrx (t ).CAPÍTULO 3. γ iarx2 (t ). SENSIBILIDAD.

γ iary1 (t ). γ irryr (t ). 15 Figura 22. γ iLryrl (t ) Figura 23. γ iJry (t ). γ iary2 (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ iρry (t ) Figura 24. SENSIBILIDAD.CAPÍTULO 3.

SENSIBILIDAD. γ ωrsr (t ). γ ωrrr (t ) Figura 26. 16 Figura 25. γ ωJ r (t ) Figura 27. γ ωLrlr (t ). γ ωρr (t ).CAPÍTULO 3. γ ωa1r (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

γ ωa2r (t ). σ ΨLrlsx (t ) Figura 30. σ Ψrssx (t ) Figura 29. SENSIBILIDAD. 17 Figura 28. σ Ψρ sx (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . σ Ψrrsx (t ). σ ΨJ sx (t ).CAPÍTULO 3.

σ Ψrrsy (t ) Figura 33. SENSIBILIDAD. σ Ψa1sx (t ). σ Ψa2sx (t ) Figura 32.CAPÍTULO 3. 18 Figura 31. σ Ψrssy (t ). σ ΨLrlsy (t ). σ ΨJ sy (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

σ Ψa2sy (t ). 19 Figura 34. σ Mrr e (t ). SENSIBILIDAD. σ Ψρ sy (t ). σ Mrs e (t ) Figura 36. σ MLrle (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 3. σ Ψa1sy (t ) Figura 35.

En este caso: x = (Ψsx Ψsy Ψrx Ψry ωr ) t (33) u = (u sx Mc ) t u sy u rx u ry (34) p = (R s ρ a b) t Rr Lrl J (35) y = (i sx Me) t i sy (36) definiendo las siguientes funciones de sensibilidad de las variables de estado: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . σ Ma1e (t ). SENSIBILIDAD. σ MJ e (t ). σ Mρ e (t ) Figura 38.CAPÍTULO 3. σ Ma2e (t ) Modelo nº 22. 20 Figura 37.

CAPÍTULO 3. i s (t ) Figura 40. ω r (t ). SENSIBILIDAD. γ Ψrssx (t ). γ Ψrrsx (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 21  γ Ψrssx γ Ψrrsx γ ΨLrlsx γ ΨJ sx γ Ψρsx γ Ψa sx γ Ψb sx   r   γ Ψssy γ Ψrrsy γ ΨLrlsy γ ΨJ sy γ Ψρsy γ Ψa sy γ Ψsy  b ∂x  rs  = γΨ γ Ψrrrx γ ΨLrlrx γ ΨJ rx γ Ψρrx γ Ψa rx γ Ψb rx  ∂p  rsrx (37) γ Ψ γ Ψrrry γ ΨLrlry γ ΨJ ry γ Ψρry γ Ψa ry γ Ψb ry   rsry   γω γ ωrsr γ ωLrlr γ ωJr γ ωρr γ ωar γ ωb r   r y la sensibilidad de las variables de salida:  σ irs σ irsxr σ iLsxrl σ iJsx σ iρsx σ iasx σ ibsx  ∂y  rsxs  = σi σ irsyr σ iLsyrl σ iJsy σ iρsy σ iasy σ ibsy  (38) ∂p  rssy  σ M σ rr σ Lrl σ J σ ρ σ a σ Mb e   e Me Me Me Me Me Los gráficos que siguen. detallan los resultados obtenidos para la máquina nº 2. Figura 39.

22 Figura 41. γ ΨLrlsx (t ).CAPÍTULO 3. γ Ψa sx (t ) Figura 43. γ Ψρ sx (t ). γ Ψrssy (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ ΨJ sx (t ) Figura 42. γ Ψb sx (t ). SENSIBILIDAD.

γ Ψrr sy (t ). SENSIBILIDAD. γ Ψb sy (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ Ψρ sy (t ) Figura 46. 23 Figura 44.CAPÍTULO 3. γ Ψa sy (t ). γ ΨLrlsy (t ) Figura 45. γ ΨJ sy (t ).

SENSIBILIDAD. γ ΨJ rx (t ) Figura 49. γ Ψρ rx (t ). γ Ψrrrx (t ) Figura 48. γ Ψrsrx (t ). 24 Figura 47. γ ΨLrlrx (t ). γ Ψa rx (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 3.

γ ΨLrlry (t ) Figura 52. γ Ψb rx (t ). γ Ψrsry (t ) Figura 51. γ Ψrrry (t ). 25 Figura 50.CAPÍTULO 3. γ ΨJ ry (t ). SENSIBILIDAD. γ Ψρ ry (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

γ ωJ r (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ ωrrr (t ) Figura 55.CAPÍTULO 3. γ ωrsr (t ). γ Ψb ry (t ) Figura 54. γ Ψa ry (t ). 26 Figura 53. γ ωLrrl (t ). SENSIBILIDAD.

σ iLsxrl (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . γ ωρr (t ). γ ωb r (t ). σ irsxs (t ) Figura 58. σ irsxr (t ). SENSIBILIDAD.CAPÍTULO 3. γ ωa r (t ) Figura 57. 27 Figura 56.

28 Figura 59. σ irsys (t ). σ iJsx (t ). σ irsyr (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 3. σ iasx (t ). σ iρsx (t ) Figura 60. σ ibsx (t ) Figura 61. SENSIBILIDAD.

29 Figura 62. σ ibsy (t ). σ Mrs e (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . σ iLsyrl (t ). σ iJsy (t ) Figura 63. SENSIBILIDAD.CAPÍTULO 3. σ iasy (t ) Figura 64. σ iρsy (t ).

CAPÍTULO 3. 30 Figura 65. σ Mb e (t ) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . σ Mrr e (t ). SENSIBILIDAD. σ MJ e (t ). σ MLrle (t ) Figura 66. σ Mρ e (t ) Figura 67. σ Ma e (t ).

CAPÍTULO 3. Tabla I.13 -3.15 62 390 Ψsy 0. Modelo nº21 Rs Rr Lrl J ρ a1 a2 isx 1.26 414 -311 isy 18. En el anexo II.2 71. Modelo nº21 Rs Rr Lrl J ρ a1 a2 isx 78 -64 -850 -1010 -175 10000 -30000 isy 1120 100 -1.85 -0.18 -2.48 -0.26 -406 -311 iry -1. Las tablas que siguen.78 3.49 -0.34 -3.10 -44.2 100 380 Me 800 -160 -3e6 -2900 -500 90000 -150000 Tabla I. Sensibilidades unitarias.2 -0.87 -463 -4.2 -0.25 -0. se genera un fichero compatible con FORTRAN 90. así como los valores unitarios de los mismos.05e6 -700 -80 11800 38000 ωr -32 100 -1.2e-6 72. SENSIBILIDAD.17 2.39 -3.3 Ψsx 0.2 Ψsy 0.53 267 3.23 0. 31 Conclusiones.12 4557 -1193 irx -1.48 0.08 47. A partir de las ecuaciones calculadas en MAPLE.42 -0.39 0.89 -351 2.80 0.45 0.02 -30. se encuentran las ecuaciones desarrolladas obtenidas mediante la utilización del programa MAPLE-V.9 69.15 -7500 -2. resumen los valores máximos de las sensibilidades para cada caso considerado. que enlaza con los programas de simulación desarrollados en SIMNON v 2.1 0.28 -25.7 0. lo que permite obtener las funciones de sensibilidad deseadas.05e6 1550 200 -10000 -28000 Ψsx 0.31 -2.2 -0.34 1720 -718 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Sensibilidades máximas.4 Me 6.12 8000 2.05e6 710 80 110000 -115000 irx -70 65 800000 1010 180 -9800 -30000 iry -80 -100 1.6 -0.04 0.9e-3 45.13 -5.89 502 -2.12 489 394 ωr -0.0.a.b.4 -21.

16 Ψrx 0.61 -0.097 Ψsy 0.0044 0.89 -4.b. SENSIBILIDAD.07 -0.23 -9.021 0.08 -0.81 150 7 0.043 0.26 5.55 0.42 -0.12 -40 1.043 Ψry -0. 32 Tabla II.0023 8.16 0.82 -0.02 6.a.042 0.04 A partir de los resultados anteriores.21 0.02 -1.28 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .30 isy 13.018 0.12 0.41 -0.18 0.51 -0.48 Me 7.98 -2.14 0. repercuten de forma similar en ambos modelos.17 0.27 0. a y b para el modelo nº 22) influyen de forma mucho más significativa en el primer modelo (nº 21). Sensibilidades máximas. Sensibilidades unitarias.20 0.39 -2.09 0. • Las variaciones en los parámetros que definen las funciones de saturación (a1 y a2 para el modelo nº 21. Modelo nº22 Rs Rr Lrl J ρ a b Ψsx 0.70 -0.015 9.049 Ψrx 0.53 -2.14 Ψry -0.21 -0. • Las variaciones en el momento de inercia J.42 0.017 isx 1.40 -140 -9 -1.09 0.12 -0.6 0.013 -0.042 0.18 -0.25 0.019 0.33 0.CAPÍTULO 3.12 0.040 0. además el modelo nº21 resulta mucho más sensible (observése la diferencia de escala entre ambas gráficas).76 -0.56 0.043 ωr 0. y en el coeficiente de rozamiento ρ.73 -3.23 0.15e-3 -0. se pueden extraer las siguientes consideraciones: • Las corrientes resultan igualmente afectadas por las variaciones de rs y rr en ambos modelos.02 4. • La sensibilidad de las mismas es mayor a las variaciones de Lrl.2 3.5 -13 isx 61 -61 18000 1200 140 12 17 isy 790 100 -14900 -800 -50 -14 -140 Me 1000 -180 -60000 3300 420 42 -250 Tabla II.028 0.70 0.038 0.2 Ψsy 0.1 0.88 0.6e-4 0.170 32 2 0. Modelo nº22 Rs Rr Lrl J ρ a b Ψsx 0.55 -0.14 ωr 35 65 -25000 -1600 -140 4.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR DETERMINACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . no obstante. Respecto a los flujos: • El modelo nº 22. será el que se considerará para su implementación en la determinación de los parámetros en tiempo real.CAPÍTULO 3. • Respecto a los parámetros que caractgerizan la saturación. resulta menos influyente que el de Langevin y. el primer modelo presenta discrepancias mayores para todos los parámetros considerados. por tanto. es mucho menos sensible a las variaciones de los parámetros que el nº 21. en especial los que caracterizan la saturación. Respecto al par electromagnético: • Ambos modelos resultan muy sensibles a las modificaciones de Lrl (menos en el modelo nº 22) y a las variaciones del momento de inercia (de nuevo. SENSIBILIDAD. 33 Respecto a la velocidad ωr : • Ambos modelos presentan un comportamiento similar. menor en el modelo nº 22). el modelo polinomial considerado en el caso nº 22. resulta menos problemático que el modelo arcotangente. Como conclusión final. el modelo polinomial que caracteriza la saturación.

OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA A W1 V A M A W2 n Im Irg Isg Usg .

....................................... ................................................ ................... .............................................................. ................................................... 13 Trabajo a rotor frenado. 14 Resultados experimentales de contrastación.. 2 Ensayos a potencia útil nula ... 10 Aplicación a la modelización de características de saturación para la máquina asíncrona............................................................... ..................................... 6 Caracterización mediante polinomios [ Justus 91]................................ Obtención de los parámetros por ensayos fuera de línea 4............................................................................................................................... 22 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .......................................CAPÍTULO 4......... OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 1 4.. Obtención de los parámetros por ensayos fuera de línea ...... 16 Conclusiones........................................... 12 Trabajo en vacío....... ........... 2 Modelización de la saturación................................................................................................................... ................................................................................. 7 Aplicación a la caracterización de la curva de saturación de un transformador...................................................................................

Modelo en T (R.CAPÍTULO 4. se obtienen los parámetros del circuito equivalente del motor. y la resistencia de pérdidas en el hierro.P. estatóricas y rotóricas. Los parámetros a obtener son los correspondientes al esquema equivalente en T: resistencias e inductancias de dispersión. válido para ambos ensayos. la inductancia de magnetización. A partir de los ensayos en vacío y cortocircuito puede plantearse la obtención de los parámetros necesarios para la modelización de la máquina. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 2 4. Obtención de los parámetros por ensayos fuera de línea Como paso previo a la obtención de los parámetros en tiempo real se plantea la obtención de los mismos a partir de ensayos en régimen permanente. Im Irg Isg Usg Figura 2. se puede considerar para deslizamiento relativo d→0 que: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Esquema general para los ensayos.) A partir del esquema equivalente para el ensayo en vacío. Ensayos a potencia útil nula A partir del esquema de la figura: A W1 V A M A W2 n Figura 1.

56 1. es típico para cada clase de material magnético y varia en función del nivel de saturación alcanzado.94 9. RFe i Xs (Rs puede ser medida a priori). Pérdidas para plancha de acero al silicio B (%) P (W) Q(var) α 30 0. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 3 Vs RFe ⋅ X µ = Z b = Rs + j ⋅ X s + j ⋅ (1) I0 RFe + j ⋅ X µ separando la parte real y la imaginaria.51 50 0.36 80 0.5.4 0.1 ÷ 0.96 0. (calidad 1.1 100 1.3 0.CAPÍTULO 4.42 0.12 0. se obtienen los valores siguientes: Tabla I.64 0. se establece la siguiente restricción: k k PFe = Qµ = RFe Xµ (3) PFe Xµ α= = Qµ RFe El parámetro α. Considerando la relación entre pérdidas magnéticas y potencia magnetizante.24 90 0. se obtiene X µ2 Re( Z b ) = Rs + RFe ⋅ = Rs + R p 2 RFe + X µ2 (2) 2 R Im ( Z b ) = X s + X µ ⋅ Fe = Xs + X p 2 RFe + X µ2 resultando dos ecuaciones con tres incógnitas Xµ. El parámetro α tiene unos valores típicos que oscilan entre α = 0.6 0.2 35 0. Para una plancha de acero al silicio.73 3 0.20 0.5 40 0.24 0.44 70 0.2 W/kg a Bˆ = 1T – excitación sinusoidal 50 Hz) presentada como ejemplo.55 0.034 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se debe escoger iterativamente el que hace converger el sistema a un resultado razonable.47 60 0.

2 0. Para el ensayo en cortocircuito (d = 1). Pérdidas (P).8 25 P 20 Q 0.4 0.5 0. parámetro α Teniendo en cuenta la variabilidad de α con el punto de trabajo.6 0.2 5 0 0 30 40 50 60 70 80 90 100 30 40 50 60 70 80 90 100 0. RFe para cada régimen de funcionamiento. se llega a las dos ecuacuines siguientes: α X s + RFe ⋅ tanϕ 0 = Im ( Z b ) = 1+α 2 Re( Z b ) α2 Rs + RFe ⋅ 1+α 2 (4) α 2 Pvacio = 3 ⋅ ( Rs + RFe ⋅ ) ⋅ I o2 1+α 2 Ecuaciones que permiten obtener Xs. RFe y α.CAPÍTULO 4. se puede considerar el siguiente conjunto de ecuaciones: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .4 40 1. Reordenando las ecuaciones anteriores.1 0 30 40 50 60 70 80 90 100 Figura 3.4 10 0.2 35 1 30 0. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 4 1. se debería obtener una combinación de parámetros Xs.6 15 0. Potencia de magnetización (Q).3 alfa 0.

Válidas únicamente para el punto de trabajo nominal o en sus proximidades.6 0. R Fe = 176.40 12. R s = 0.25 9.151.61 18.49 El método anterior.18 10018 10560 5. modeliza de forma sencilla la máquina.CAPÍTULO 4.14 1368 24.04 5359 5840 8.23 1413 17. o para la modelización en estudios muy simplificados como. X s = 1.30Ω.14 24.35 1461 11. X r = 1.9 7.5 5. - N(min I(calc)(A) I(exp)(A) ErrorI(%) P(calc)(W) P(exp.8 2. Im ( Z p ) = R Fe ⋅ = Xp 1+α 2 1+α 2 (5) ( R p + j ⋅ X p ) ⋅ ( RR + j ⋅ X r ) Z cc = R s + j ⋅ X s + R p + j ⋅ X p + RR + j ⋅ X r que unidas a las relativas al ensayo en vacío.43 23. Las desventajas del método anterior se esperaban despues de analizar las suposiciones que se han hecho.13 1373 23. X µ = 26.369Ω.)(W) ErrorP(%) 1 ) 1498 8. permiten valorar el conjunto de parámetros del modelo.72 1475 9. se obtiene el siguiente conjunto de parámetros: α = 0. por ejemplo.24Ω.7 10.86Ω. Válidas si conocemos el tipo de material empleado en la construcción de la máquina.53 1117 1172 4.65Ω que resultan validos para puntos de trabajo cercanos al nominal.95 10. Para la máquina nº 2. Rr = 0. Si se considera el ensayo en carga de la misma se obtiene la siguiente tabla de errores: Tabla 2.5Ω. Ensayo en carga.72 13936 14240 2. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 5 α 2 α Re( Z p ) = R Fe ⋅ = Rp .45 3789 3920 3. el APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . y que resultan: . Una aportación interesante es que permite la valoración independiente de las inductancias de dispersión estatórica y rotórica sin tener que realizar suposiciones arriesgadas respecto a su valoración (del tipo Xs ≈ Xr ). . Los resultados obtenidos aconsejan su utilización para la obtención de valores iniciales de los parámetros.45 12.66 14380 14900 3.

OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 6 comportamiento en régimen permanente y para zonas de trabajo próximas a la nominal (zonas de saturación constante). La modelización de las características de saturación se puede realizar a partir de dos puntos de vista distintos: • Consideración de modelos del tipo de Jiles-Atterton. Se consideran aproximaciones del tipo: Ψ = f (i ) = a1 ⋅ arctan(a 2 ⋅ i ) + a 3 ⋅ i (6) o bien: n i  Ψ   Ψ  = g (Ψ ) = a ⋅   + b ⋅   (7) IN  ΨN   ΨN  donde n = 3.CAPÍTULO 4. Con el fín de eliminar posibles variaciones debidas al efecto pelicular.. . Para las aplicaciones de control como las que nos ocupan. tales como una lampara estroboscópica.5. 9.. Modelización de la saturación. Una dificultad del método recae en la forma de realizar las medidas: errores pequeños en la determinación de la velocidad llevan a resultados totalmente incongruentes. se han realizado los ensayos a rotor frenado de la máquina alimentada a frecuencia reducida (5 Hz) obteniéndose un resultado similar al del ensayo a rotor frenado realizado a 50 Hz. complejos y difíciles de caracterizar experimentalmente [Jiles 98]. se obtienen resultados mejores... 11. realizando la medida con medios más sofisticados. • Caracterización a partir de la aproximación funcional de curvas de saturación.... el segundo punto de vista resulta más adecuado ya que permite una aproximación suficiente. En nuestro caso se obtienen errores muy elevados si se realiza la medida de velocidad medieante dinámo tacómetrica. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 7.

4 1. se encuentra que el parámetro a se puede obtener a partir de la pendiente inicial de la curva: di  dg (Ψ )  I  =  = N ⋅a (8) dΨ  Ψ =0 dΨ  Ψ =0 ΨN Experimentalmente. tiene su génesis en la teoría de Langevin sobre el campo magnético en el interior de materiales magnéticos. se cumple que: dΨ = UN − r ⋅i (9) dt APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . El segundo tipo. es un caso particular de la aproximación mediante polinomios.4 0.6 0. a partir de la respuesta al escalón de la bobina en consideración. Si se considera el modelo anterior y una curva de saturación como la que se representa en la figura 4.2 1 0. se puede valorar a partir de medidas sobre la curva de saturación o.2 0 0 10 20 30 40 Figura 4. Característica de saturación Ψ = f (i ) El primer tipo de aproximaciones.8 0. Caracterización mediante polinomios [ Justus 91].CAPÍTULO 4. En efecto si se considera una bobina conectada a una fuente de tensión de valor nominal. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 7 1. en el caso de no disponer de ella.

Modelo bobina saturada para t = 0: dΨ   =UN dt  t =0 (10) di   di   dΨ  I  I  =  ⋅  =  N ⋅ a  ⋅ U N = N dt  t =0  dΨ  t =0  dt  t =0  ΨN  t1 ΨN a= (11) U N ⋅ t1 1. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 8 Figura 5.4 0. Representación de Ψ(t) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .8 0.6 0.2 In 1 0. Representación de i(t) 1.CAPÍTULO 4.6 0.8 0.4 0.2 ψN 1 0.2 t1 0 0 1 2 3 4 5 6 Figura 6.2 t2 0 0 1 2 3 4 5 6 Figura 7.

OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 9 Por otra parte de la gráfica del flujo en función del tiempo hallamos que: dΨ  Ψ  =UN = N (12) dt  t =0 t2 Para t →∞. Ψ = ΨN = U N ⋅ t 2 . y la construcción gráfica de la figura 8.CAPÍTULO 4. expresada en valores por unidad. se cumple que: ΨN t a= = 2 (13) U N ⋅ t1 t1 además: b = 1− a (14) La principal dificultad del método anterior es la no disponibilidad de Ψ(t). Construcción gráfica para caracterización de saturación APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Ψ* Figura 8. A partir de la característica de saturación. se obtienen los datos anteriores (a. b y m). i = IN.

puede realizarse a partir del trabajo en vacío de un transformador. como las anteriores: n i * = a ⋅ψ * + b ⋅ψ * (18) donde: i ψ i* = .202 Ω . 1. ψ* = (19) IN ψN con IN. Pj = 40 W.9/3. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 10 Además se cumple que:  I  d     IN   = a + n⋅b = 1  (15)  Ψ  m d     ΨN   Ψ = Ψ N 1− m ⋅ a n= (16) m⋅b Aplicación a la caracterización de la curva de saturación de un transformador. El trabajo sigue la metodología explicada anteriormente para determinar los coeficientes a. la consideración de relaciones entre el flujo Ψ y la corriente i. R1 = 0. Una vez realizado el ensayo.3 kVA. Si se supone la resistencia de la bobina despreciable. o: ψ = a1 ⋅ arctan(a 2 ⋅ i ) (20) consigue una caracterización a partir de ensayos realizados fuera de línea con errores mínimos.CAPÍTULO 4. válida en régimen sinusoidal permanente.99 Wb.5 A. una estimación del flujo Ψ puede obtenerse a partir de la expresión: Um Ψm = (17) ω con Um valor máximo de la tensión. La caracterización de modelos que tengan en cuenta la saturación. b y n según la construcción de la figura anterior y los resultados experimentales de la Tabla 3.942 Ω. 5. ΨN valores nominales respectivos. • Transformador monofásico 220/380 V. R2 = 1. Ψm = 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Ψm valor máximo del flujo y ω = 2⋅π⋅f. Po = 18 W.

81 (21) m ⋅b 0.9258 ⋅ i * ) (23) consiguiendo la tabla 4 de errores.52 ⋅   (22) IN ψN ψ N  La aplicación de expresiones del tipo arctan() presenta la dificultad de determinación de los parámetros.805 ⋅ arctan(2.20 3.88 -4.55 7.11 0. conseguida a partir del trazado gráfico sobre la figura.26 0. se obtiene la siguiente función de Langevin: ψ * = 0.55 4.08 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .60 0.95 1.03 1. -35.24 1.CAPÍTULO 4.30 0.35 0.82 0.08 1.02 -9.70 I* 0 0.11 -0.52 .52 se elige: n=7 7 i ψ ψ  = 0.18 3. se obtienen los parámetros buscados: a = 0.33 -8.56 0.13 1.71 11. Tabla 4.97 15.27 0.48 n= = = 7.47 4.21 0. existen zonas con error excesivo.33 Ψ* 0.69 1.38 0.33 3.78 0.29 0. obtenida a partir del método de mínimos cuadrados.92 0.21 0. En cambio la aproximación de Langevin.48 .11 A partir de la construcción gráfica sobre la figura anterior.60 -11. Obsérvese que en la aproximación polinomial.30 0.80 ErrLan (%) .52 0.64 Errp (%) -10.78 0.04 -1.54 8.47 0.96 ErrLan (%) 8.18 0.83 5. Errores calculados para cada punto experimental Errp (%) . lo que lleva a la consideración de técnicas de mínimos cuadrados generalizados.19 0.23 6.92 -11.87 -14.41 0.48 3.71 2. 21. ya que estos se presentan como coeficientes de funciones en una forma no afín con los parámetros desconocidos.86 0.97 9.16 I* 0.20 0.22 ⋅ 0.54 -3. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 11 Tabla 3.17 0. b = 0.64 -23.56 0.01 -1.47 1.16 0.00 1.00 1. logra una mejor aproximación si se exceptuan puntos localizados.73 0.33 -6.23 0. Ensayo en vacío Ψ* 0 0.11 1.00 8.50 -1.22 ⋅ 0.67 0.80 -0.98 -2.31 0.22 1 − m ⋅ a 1 − 0.23 -13.60 2.76 2.43 0.56 -7. Para el caso anterior.48 ⋅ + 0. m = 0.65 .25 0.37 0.82 1.48 0.

L'r y Lm. mediante ensayos en vacío y en cortocircuito y mediciones auxiliares. R'r. localizándose en este último los efectos de saturación. El modelo clásico en "T" del motor de inducción. son determinados los parámetros Rs. Modelos en T y Γ APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 4. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 12 Figura 9. Comparación Polinomio y Langevin Para cada caso y en función de las aplicaciones y el conjunto de variables analizado. se considerará un conjunto u otro de funciones para la modelización de la saturación. se considerará el elemento Rfe. A todos los efectos. representativo de las pérdidas en el hierro. se transforma en otro de la misma forma con un parámetro menos. Aplicación a la modelización de características de saturación para la máquina asíncrona. Rs Ls Lr Ir Rs L'r Rr/d Is I'r R'r/d Uf Is Lm Im Uf Ψm = Ψs ' L'm Ψs Ψr ' Ψr Figura 10. como añadido a las pérdidas fijas.

52 ⋅   ∑ε 2 = 0.0691 ⋅ i ) ∑ε 2 = 1. Ψ ' = 0.5 kW). OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 13 Trabajo en vacío. puede obtenerse el flujo a partir de la siguiente expresión. En el trabajo en vacío puede considerarse que el deslizamiento es nulo.8 ⋅ ΨN + 0.032 (26) IN  ΨN  Máquina nº2 (7. Ψ ' = 0. Esquema equivalente en vacío Si se realiza un ensayo a tensión sinusoidal de amplitud variable y frecuencia fija. y por lo tanto.2283 ⋅ i ) ∑ε 2 = 1.5 kW).0020 (29) 7 i Ψ  Ψ  = 0.0921 ⋅ arctan(0.8649 ⋅ i ) ∑ε 2 = 1.39 ⋅   ∑ε 2 = 0. en la que se ha despreciado la caída de tensión en la resistencia estatórica: ˆ U ⋅ 2 ˆ' ≅ U = f Ψ (24) ω1 ω1 Si se considera la relación entre flujo y corriente.0422 (30) IN  ΨN  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .2 ⋅   ∑ε 2 = 0.8550 ⋅ arctan(0.61 ⋅ ΨN + 0.159 (25) 7 i Ψ  Ψ  = 0.CAPÍTULO 4.9115 ⋅ arctan(0. se obtiene un esquema equivalente como el de la figura que sigue.070 (27) 7 i Ψ  Ψ  = 0. Rs Uf Is Ψs L'm Figura 11.48 ⋅ ΨN + 0. se obtienen los resultados que siguen: Máquina nº1 (1. Ψ ' = 1.0161 (28) IN  ΨN  Máquina nº3 (22 kW).

Además la función potencial.CAPÍTULO 4. y que la corriente nominal de la ecuación es la corriente correspondiente al flujo nominal. ' Ψσr Rs L 'r I r' ' L' m I' m R'r U f c c Is Ψs ' Ψr Figura 12. se considera el esquema que sigue. resulta más conveniente plantear el siguiente sistema de ecuaciones: U fcc − R s ⋅ I s Ψs' = (36) ω APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . para aplicaciones de control. resulta más atractiva. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 14 Téngase en cuenta que el flujo nominal se define para tensión nominal de alimentación. Esquema equivalente a rotor parado Para la valoración de la corriente y el flujo rotórico debe resolverse el siguiente conjunto de ecuaciones: U fcc − R s ⋅ I s I m' = (31) j ⋅ Xm a1 ⋅ a 2 X m = ω ⋅ Lm = ω ⋅ (32) 1 + (a 2 ⋅ I m ) 2 I 'r = I 'm − I s (33) U σr = U fcc − R s ⋅ I s − R ' r ⋅I ' r (34) U ' σr Ψ ' σr = (35) ω si se tiene en cuenta la saturación a partir de la ecuación de Langevin. ya que en su cálculo sólo intervienen sumas y productos. Trabajo a rotor frenado. En el caso de considerar el modelo polinomial. Obsérvese que la aproximación polinomial logra menores errores que la función arco tangente. y no la corriente nominal de la máquina. A partir de la realización de un ensayo a rotor frenado con tensión variable.

Ψ ' σR = 0.CAPÍTULO 4.272 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .83 7.907 2) 0. Ψ ' σR = 0.369 0.0033 ⋅ i ' r (45) Mediante medición directa (puente de Thompson) en el caso de la resistencia estatórica. Resistencias estatórica y rotórica Rs (Ω) R′r (Ω) 1) 4.5 kW).857 3) 0. en estas condiciones. y su distribución entre perdidas Joule en el estator y rotor. Ψ ' σR = 0. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 15 1 Xm =ω ⋅ (37)  a Ψsn −1  IN ⋅ + b ⋅ n  Ψ  N ΨN   Ψ  Ψs   n  Im = a ⋅ s + b ⋅   (38)  ΨN  Ψ N     I 'r = I 'm − I s (39) U ' σr = U fcc − R s ⋅ I s − R' r ⋅I ' r (40) U ' σr Ψ ' σr = (41) ω La resisténcia rotórica se encuentra a partir de la atribución de la potencia absorbida. se obtienen los siguientes valores para los elementos resistivos considerados Tabla 5.5 kW).173 0. la relación obtenida para las máquinas consideradas resulta quasi lineal dando los siguientes valores: Máquina nº1 (1.0037 ⋅ i ' r (44) Máquina nº3 (22 kW). ( Pcc = 3 ⋅ U fcc ⋅ I s ⋅ cos ϕ cc = 3 ⋅ R s ⋅ I s2 + Rr ⋅ I r'2 ) (42) En este caso.0254 ⋅ i ' r (43) Máquina nº2 (7. y por balance de potencias en el caso de la resistencia rotórica.

Rr = 0. relación entre el valor máximo de la senoide de referencia y el máximo de la portadora triangular). Se obtienen los resultados resumidos en las tablas siguientes.8 23.2283 ⋅ i m ) . Ψ ' σR = 0.4 10 10.4 2) 174.6 17.5 21 1348 1381 5. A partir de la contrastación de las pruebas realizadas para el conjunto de máquinas considerado: • Arranque en vacío.857 Ω.5 1471 1414 88. y posterior modificación a funcionamiento en vacío.90 %) Tr (ms) El test mediante alimentación PWM no ha podido ser realizado para la máquina nº 3 debido a la limitación de potencia del equipo.6 1551 1548 150 98. Se han tabulado los siguientes valores: n Pico de corriente estatórica Ismax (A) n Instante en que sucede el máximo t1 (ms) n Velocidad angular final (plena carga) nrf1 (min-1) n Corriente estatórica (valor final-plena carga) Is1 (A) n Corriente estatórica (valor final.5 22.4 30 13.9 1495 1485 79.9 93 26 28 1496 1498 238 235 Tabla 7.9115 ⋅ arctan(0. • Alimentación a partir de ondulador PWM con ma = 0. CAPÍTULO 4. con par de variación lineal según la velocidad.0037 ⋅ i ' r .6 2) 170 171. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 16 Resultados experimentales de contrastación.5 23 23.369 Ω. mf = 15 (factor de modulación en frecuencia.9 (factor de modulación en amplitud.82 4 3.5 6.4 1419 1418 27. • Arranque en carga.6 12.4 1489 1496 128 121 3) 400 411 12 12. J = 0.9 1504 1498 100 128 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .4 1445 1363 6. Alimentación Sinusoidal -1 -1 Ismax (A) t1 (ms) nrf (min ) Is1 (A) Is2 (A) nrf2 (min ) Tr (ms) REAL SIMU R S R S R S R S R S R S 1) 25 26. Alimentación PWM -1 -1 Ismax (A) t1 (ms) nrf1 (min ) Is1 (A) Is2 (A) nrf2 (min ) Tr (ms) R S R S R S R S R S R S R S 1) 25 27. Ψ ' = 0. Tabla 6.1 82. relación entre frecuencia de portadora triangular y sinusoidal de referencia) • Simulación a partir de la consideración del modelo nº 21 con el siguiente conjunto de parámetros: Rs = 0.7 1406 1408 26 28.3 4 3. • Alimentación a partir de red industrial 400 V-50 Hz.5 7.vacío) Is2 (A) n Velocidad angular final (vacío) nrf2 (min-1) n Tiempo de subida (10.5 12 10.076 kgm2.6 173.

17 5.50 8.61 2. 10.69 0.6 0.46 1.19 0.63 2. Todos los gráficos tienen las escalas expresadas en unidades coherentes.0 1.75 20.40 --- A continuación se presentan los gráficos (experimental/simulación).66 0.14 PWM 20. Errores ε (%) Is1 Is2 nrf2 1) 2) 3) 1) 2) 3) 1) 2) 3) Sinusoidal 14.14 --. 4.16 --.82 7. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 17 Tabla 8.40 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 34. 0.50 4.88 --.95 --.3 9.88 4.0 9. 5.0 --- Tabla 8 (continuación).2 28. obtenidos para la máquina nº 2.1 9.61 --.22 0.47 0.07 3.CAPÍTULO 4.26 PWM 9.74 4.16 3.00 3.67 0. Errores ε (%) Ismax t1 nrf1 Tr 1) 2) 3) 1) 2) 3) 1) 2) 3) 1) 2) 3) Sinusoidal 6.

50 ms/div Figura 14. Arranque en carga y posterior descarga.b: Cambio brusco de carga.a: Arranque en carga 14. Corriente de estator real is(t) . Alimentación Sinusoidal 14. 50 A/div. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 18 Figura 13. Corriente de estator simulada is(t) . 50 ms/div 20 A/div. Alimentación Sinusoidal. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 4.

a: Arranque en carga 16. Alimentación sinusoidal Figura 17. Velocidad en el eje simulada ωm(t).CAPÍTULO 4. 50 ms/div Figura 16. . Alimentación sinusoidal. 300 min-1/div. Pares interno y de carga simulados Mi(ωm). Alimentación Sinusoidal APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 50 ms/div 300 min-1/div. Mc(ωm). Arranque en carga y posterior descarga. Velocidad en el eje ωm(t). 16. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 19 Figura 15.b: Cambio brusco de carga.

Velocidad en el eje simulada ωm(t). Corriente real Is(t). 50 ms/div Figura 20. Corriente de estator simulada is(t) . Alimentación PWM Figura 19. Arranque en carga y posterior descarga.CAPÍTULO 4. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 20 Figura 18. Alimentación PWM APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Alimentación PWM 50 A/div.

Velocidad en el eje ωm(t). 50 ms/div Figura 22. OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 21 Figura 21. Pares interno y de carga Mi(ωm).CAPÍTULO 4. Mc(ωm). Alimentación PWM 300 min-1/div. Alimentación PWM APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

aplicada a una série de máquinas de potencias diferentes (características en Anexo III). • La comprobación de resultados en carga es coherente. tipo de alimentación considerado (sinusoidal. se han realizado los ensayos a rotor frenado de la máquina alimentada a frecuencia reducida (5 Hz) obteniéndose un resultado similar al del ensayo a rotor frenado realizado a 50 Hz. los parámetros que caracterizan la formulación de la saturación. • La obtención de los parámetros mediante ensayos en régimen permanente (vacío a tensión nominal y rotor frenado). A la vez permite obtener. valores de corriente en régimen permanente (carga y vacío) . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . OBTENCIÓN DE LOS PARÁMETROS POR ENSAYOS FUERA DE LÍNEA 22 Conclusiones. proporcionan resultados correctos. tiempo de subida . permite evaluar el modelo a partir del análisis de los errores obtenidos mediante la consideración de las siguientes variables: . pico de corriente . de una forma sencilla.CAPÍTULO 4. velocidad final (carga y vacío) . • La modelización considerada. • Con el fín de eliminar posibles variaciones debidas al efecto pelicular. PWM) • Los errores obtenidos (tabla 8) dan validez al modelo considerado. • La consideración de un modelo con un elemento menos permite obviar la dificultad de obtener los tres elementos inductivos del modelo clásico. estando limitada la resolución del resultado por la precisión en la medida de la velocidad del eje.

0m 400.OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO -3.0m 400.33 -50.00 20.00 -3.0m 600.0m 200.33 -33.0m 20.0m 800.0m 200.0m 800.67 -16.00 0 0 -16.0m .67 -33.00 -50.0m 600.

.............73 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ....................................................................46 Contrastación experimental............... OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 1 5....... ..............................................................72 Modelo completo: ............ ..............................................60 Conclusiones........44 Estimación del par electromagnético................................................................................................................................................................. Obtención de variables no medibles y parámetros en servicio 5... ...........................................................................................CAPÍTULO 5....................................................44 Parámetros(coeficientes) eléctricos............... ...................................... 2 Observador para el flujo de la máquina asíncrona............................ .............47 Modelo completo ................. 3 Modelo discreto para el observador........................... ...................... Obtención de variables no medibles y parámetros en servicio .......................... Estimación de parámetros(coeficientes) mecánicos.................................................................72 Modelo reducido: ...........................................................................................................................................................................48 Modelo reducido........................................73 Parámetros mecánicos: ............................................................................................................................................... 6 Estimación de los parámetros(coeficientes) del modelo.............................................................

caso de precisarse la estimación de los mismos se acude a modelos de función de transferencia. aún hoy en día es uno de los esquemas de observación preferidos para el caso de modelos lineales en los parámetros [Glumineau 99]. además. estando limitados. no consideran la saturación del sistema y aplican los resultados obtenidos a casos particulares como el comentado anteriormente. se desarrolla un observador adaptativo. Los algoritmos recursivos que mejoran la estimación de los parámetros buscados logran. Disposición identificador+Observador. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . En los casos anteriores no se considera la identificación de los parámetros del modelo. u(t) y(t) SISTEMA EN ESTUDIO ψ MÍNIMOS OBSERVADOR CUADRADOS ADAPTATIVO RECURSIVOS aˆ . En la literatura se encuentran referencias sobre observación de variables no mensurables. Todos los anteriores. En el capítulo que sigue. bˆ Figura 1. como puede ser un control por orientación de campo. [Jarray 96] y la velocidad como un parámetro lentamente variable. otros observadores tales como los descritos en [Atkinson 91]. en otros [Kataota 93] se considera el problema conjunto de observación de variables y parámetros a partir de la formulación de un filtro extendido de Kalman.CAPÍTULO 5. si la convergencia sigue un ritmo rápido. [Wijesundera 92] o [Peterson 96] describen aplicaciones válidas solamente para casos particulares como los que se presentan en el control por orientación del campo. Obtención de variables no medibles y parámetros en servicio Una modelización precisa conlleva una carga de cálculo poco compatible con los requerimientos algorítmicos y de tiempo real que implica un sistema de control complejo. la correcta observación de dichos parámetros. se puede citar un clásico [Verghese 88] que describe un observador con parámetros variables con la velocidad y que ha sido ampliamente utilizado en numerosas aplicaciones. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 2 5. normalmente considerando la relación corriente-tensión aplicada [Touhami 92]. junto con un algoritmo recursivo que supera las limitaciones anteriores y puede ser aplicado en tiempo real y a cualquier sistema susceptible de entrar en saturación. al caso de máquina sin saturación.

corriente estatórica. A partir del modelo nº 22. [Dawson 98]. para los flujos estatórico y rotórico juntamente con la consideración de la variable de salida. y su error de estimación como variable de control del observador: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5. reproducido aquí por comodidad:  rs rs  − ω 0   Lrl Lrl   Ψsx   rs rs   Ψsx   − rs ⋅ g (Ψsx )   u sx    −ω −     d  Ψsy    0 Lrl Lrl   Ψsy   − rs ⋅ g (Ψsy )   u sy  = ⋅ + + 0  (1) dt  Ψrx   rr − rr  ω − ωr   Ψrx     0 0     Ψ   Lrl Lrl Ψ     0   ry     ry   0     0 rr rr   − (ω − ω r ) −  Lrl Lrl   Ψ  (Ψ )n  g (Ψsx ) = I N ⋅ a ⋅ sx + b ⋅  sx n   Ψ   Ψ N  N  (2)  Ψsy  (Ψsy )n  g (Ψsy ) = I N ⋅ a ⋅ + b⋅   Ψ N  Ψ n   N  Ψ − Ψrx i sx = sx + g (Ψsx ) Lrl (3) Ψsy − Ψry i sy = + g (Ψsy ) Lrl Ψ − Ψsx i rx = rx Lrl (4) Ψry − Ψsy i ry = Lrl Se puede plantear el siguiente observador [Verghese 88]. [Peterson 96]. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 3 Observador para el flujo de la máquina asíncrona.

es la siguiente: d Ψs Ψˆ −Ψ ˆ  dt = u s − rs ⋅  s  Lrl r + g (Ψˆ )  + K ⋅ iˆ − i s  s s (s )   dΨˆ Ψˆ −Ψ ˆ  dt r = u r − rr ⋅  r  Lrl  s  + j ⋅ωr ⋅ Ψˆ + K ⋅ iˆ − i r r s s ( )   (8)  K   r 0   k sx + j ⋅ k sy  K =  s  =  s  ⋅     K r   0 rr   k rx + k ry  Ψ ˆ −Ψ s ˆ r iˆs = + g (Ψ ˆ ) s Lrl APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se escoge una referencia fija (ω = 0) . k rx . OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 4  rs rs  − ω  0  Lrl Lrl  Ψˆ  rs   Ψ ˆ sx   − rs ⋅ g (Ψ ˆ sx )   u sx   sx   − ω − rs      d Ψ ˆ sy   Lrl 0 Lrl   Ψ ˆ sy  − r ⋅ g (Ψ ˆ sy )   u sy    = ⋅  + s + 0 + dt  Ψrx   r ˆ r r Ψ ω − ω r   rx   ˆ 0 0 − r    Ψˆ ry   Lrl ˆ     0    Ψry   Lrl       0 rr r (5)  0 − (ω − ω r ) − r    Lrl Lrl   k sx − k sy     k sy k sx   iˆsx − i sx  k ⋅  − k ry   iˆsy − i sy   rx  k k   ry sx  Ψ ˆ sx − Ψˆ rx iˆsx = + g (Ψ ˆ sx ) Lrl (6) Ψ ˆ sy − Ψˆ ry iˆsy = + g (Ψ ˆ sy ) Lrl Ψ ˆ −Ψ ˆ sx iˆrx = rx Lrl (7) Ψ ˆ ry − Ψˆ sy iˆry = Lrl donde: k sx . k ry son las ganancias del observador. escrita en forma vectorial. Con el fin de simplificar posteriormente la síntesis del observador. de forma que la estructura del observador. k sy .CAPÍTULO 5.

lo que inhabilita los métodos clásicos de cálculo. En este caso el modelo considerado es el siguiente:    rs   − rs ⋅  1 + 1   d Ψ ˆs  L   ⋅  Ψ ˆ s  us   =  rl L m  L rl  +   + K ⋅ (iˆs − i s ) dt  Ψ ˆ r    Ψ ˆ  u + j ⋅ ω r     r  rr rr  − r (9)  Lrl Lrl   1 1  1   Ψ ˆ  iˆs =   +  − ⋅  s   Lrl Lm  Lrl   Ψˆ r  dxˆ = A(ω r ) ⋅ xˆ + B ⋅ u + K ⋅ C ⋅ ( xˆ − x) (10) dt donde:   1 1  rs   − rs ⋅  +   Ψ ˆ  us  u =  . Bajo la hipótesis de trabajo en la zona lineal puede aplicarse la fórmula de Ackermann para la valoración de las ganancias. A(ω r ) =   Lrl Lm  Lrl  x =  s . . Ψ ˆr ur   rr − rr + j ⋅ ω r  (11)  Lrl Lrl  1  1 1  1  B =  .CAPÍTULO 5. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 5 El ajuste de la ganancia del observador es complicado debido a la no linealidad del sistema. el polinomio característico del observador anterior puede expresarse como: P(λ ) = λ 2 + c1 ⋅ λ + c 2 = λ 2 − ( p1 + p 2 ) ⋅ λ + p1 ⋅ p 2 (12) La valoración de las ganancias a través de la formula de Ackermann lleva a:  0 0 ( ) K = P( A(ω r )) ⋅ W0−1 ⋅   = A 2 − ( p1 + p 2 ) ⋅ A + p1 ⋅ p 2 ⋅ I ⋅ W0−1 ⋅   (13) 1 1 −1  k sx + j ⋅ k sy   rs 0 k =   =   ⋅K (14)   k rx + j ⋅ k ry   0 rr  donde W 0 es la matriz de observabilidad: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . C =   +  −  L Lrl   0   rl Lm  Si p1 y p2 són los polos complejos de una matriz 2x2. Como una aproximación al ajuste de las mismas puede considerarse el modelo sin saturación.

. 22 − j ⋅ 2 . y se supone que la velocidad de rotación se mantiene constante durante el intervalo de muestreo (hipótesis válida si la frecuencia de muestreo es elevada). las señales externas son captadas a través de un convertidor A/D junto con un bloqueador de orden cero. como es habitual. garantiza una mejor estabilidad numérica para el mismo y una mayor aproximación al modelo continuo diseñado. pueden expresarse como: k =∞ A k ⋅ h k −1 k =∞ ( A ⋅ h) k −1 F=∑ . El modelo discreto correspondiente puede expresarse como: δx = F ⋅ x + G ⋅ u (17) donde: x(t + h) − x(t ) δx = (18) h Donde t denota el tiempo discretamente considerado: t = n ⋅ h (n = 0.. Usando frecuencias de muestreo elevadas la utilización del operador δ [Middleton 90] para la discretización. en el anexo II se encuentra desarrollada a partir de las utilidades que ofrece MAPLE. Si. G=∑ ⋅B (20) k =1 k! k =1 k! En este caso si se considera una aproximación de primer orden se llega a: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 6  C  W0 =   (15)  C ⋅ A La expresión obtenida para las ganancias resulta poco operativa para ser aplicada directamente..369 + j ⋅ 0  k =   =    (16)  k rx + j ⋅ k ry   − 21 ..asimismo. 1.1500 se obtienen los siguientes valores para las ganancias:  k sx + j ⋅ k sy   − 0.. Si se toma como ejemplo la máquina nº 2 y los polos del observador situados en s= . ..CAPÍTULO 5..). 2. 31  Modelo discreto para el observador. se pueden expresar las matrices del modelo como: e A⋅h − 1 e A⋅h − 1 F= . La implementación digital del algoritmo para el observador. hace necesaria la utilización del modelo discretizado del mismo. G = A −1 ⋅ ⋅B (19) h h .

Los resultados se comparan con los obtenidos en la simulación del transitorio de arranque de la máquina en carga. Observése que el ajuste del observador se ha realizado suponiendo un sistema de parámetros constantes (sin consideración de la saturación). Se han realizado varias series de simulaciones con diversos regímenes de carga y frecuencias de alimentación diferentes.0001s). d) tensión nominal y frecuencia un 50 % inferior a la nominal ( 220 V / 25 Hz) – zona extremadamente saturada. Obsérvese la correcta convergencia a los valores reales.CAPÍTULO 5. considerando una frecuencia de muestreo de 10 kHz (h=0. En todos los gráficos se suponen unidades coherentes y en los gráficos correspondientes a errores se representan errores absolutos. considerando la saturación. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 7 δΨ ˆs Ψ ˆ s (t + h) − Ψ ˆ s (t ) Ψˆ s (t ) − Ψ ˆ r (t )  = = u s (t ) − rs ⋅  + g (Ψˆ s (t ))  + K s ⋅ (iˆs (t ) − i s (t ) )  dt h  Lrl  δΨˆr Ψ ˆ r (t + h) − Ψ ˆ r (t ) Ψˆ r (t ) − Ψ ˆ s (t )  = = u r (t ) − rr ⋅   + j ⋅ωr ⋅ Ψ ˆ r (t ) + K r ⋅ (iˆs (t ) − i s (t ) ) dt h   L rl   K   r 0   k sx + j ⋅ k sy  K =  s  =  s  ⋅     K r   0 rr   k rx + j ⋅ k ry  Ψˆ (t ) − Ψˆ r (t )  iˆs (t ) =  s ˆ s (t ))  + g (Ψ   Lrl  (21) La aplicación del método anterior. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . excepto en la resistencia rotórica que se ha considerado una variación del + 70 %. en cambio el observador realmente implementado es el correspondiente al modelo nº 22. b) tensión y frecuencia reducida manteniendo constante la relación U/f ( U’ / 5Hz). Se han estudiado cuatro casos: a) tensión y frecuencia nominal (220 V/ 50 Hz). Se han considerado además series de casos en los que los parámetros supuestos varien en un +10 %. y una posterior modificación a régimen de vacío. se presenta en los gráficos que siguen. c) Tensión nominal y frecuencia aumentada un 50 % (220 V / 75 Hz) – zona de debilitamiento del campo.

Alimentación a UN – 50 Hz.333 1.0m 250.0m Figura 2.333 0. Flujo estatórico calculado en función del flujo estatórico observado.000 1.600 Figura 3.000 1.0m 2.000 0.667 1.667 0.667 1.0m 500.333 1.0m 250.500 1.500 1.500 0. Flujo estatórico calculado y observado.600 1.000 0. Alimentación a UN – 50 Hz.333 1.333 1.333 0 0 0 0.000 1. 0 0.600 1.000 2.CAPÍTULO 5.333 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .500 0 0 0 125.0m 500.0m 375.333 0.667 0.600 1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 8 0 125.000 1.000 1.0m 375.

Alimentación a UN – 50 Hz. Error en flujo estatórico. 0 125.0m 250.0m 500. Flujo rotórico calculado y observado.0n 250.0m 375.0m 500.0m 500.0m 250.0m 500.0m Figura 4.0m 500.CAPÍTULO 5.0m Figura 5.0m 1000.0n -500.0n 250.0m 750.0n 0 125.0m 750.0m 375.0m 500.0n -250.0m 375.0n -500.0m 500.0m 1000.0n 500.0m 0 0 0 125.0m 250. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 9 0 125.0m 250.0m 250.0m 250. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 375. Alimentación a UN – 50 Hz.0n 0 0 -250.

0m 500.000u 1.000u -1.0m 800.0m 400.0m 500.000u -2.0m 988. Alimentación a UN – 50 Hz.0m 0 0 0 200.0m 500.0m 1000.0m 2.0m 988.000u 0 0 -1.0m 250.6m Figura 6.0m 375.000u 0 125.0m 600.000u -2.0m 250.0m 800.0m 250. Alimentación a UN – 50 Hz.CAPÍTULO 5.0m 750.6m 1000.0m 750. Flujo rotórico calculado en función del flujo rotórico observado. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 0 125.0m 375.0m 400.0m Figura 7. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 10 0 200.0m 250.0m 600.000u 1.000u 2.0m 500. Error en flujo rotórico.

0 300.0 100.0 100.0 100.0 250.0 50.0 50.0 250.0 200.0 150.0 200.0 250. 0 50.0m 500. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 11 0 125.0 200.0 300.0m 375.0 50.0 250.0m 375.0 0 0 0 125.0 50.CAPÍTULO 5.0 200. Alimentación a UN – 50 Hz.0 150.0 200.0 100. Alimentación a UN – 50 Hz.0 150.0 200.0m 500.0m 250.0 150.0 150. Corriente estatórica calculada y observada.0 300.0 0 0 0 50.0 100.0 300.0 250.0 150.0 Figura 9.0m 300. Corriente estatórica calculada como función de la corriente estatórica observada.0 100.0m 250.0m Figura 8. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 250.0 300.

00u 50.0m Figura 11.0m 750.0m 250.0m 1000.00u -50.250 1.0m 375.500 0.0m 375.00u 0 0 -25. Error en corriente.00u 25. Alimentación a UN – 50 Hz.0m 500.00u -50.0m 500.000 1.0m 1.00u 0 125.0m 750.250 1.0m 500.000 0.0m 500.750 0.250 0.0m Figura 10. 0 250.0m 1000.250 0 0 0 250. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 12 0 125.750 0. Flujo estatórico calculado y observado.00u 25.500 0.0m 50. Alimentación a U’ – 5 Hz. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5.00u -25.0m 250.

250 1. 0 250.0n 0 250.500 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 13 0 0.0m 1000.250 1.0n -250.0n -125.250 1.0m 750.0n 125.0n -250.CAPÍTULO 5.500 0.500 0.000 1.500 0.000 0. Flujo estatórico calculado en función del flujo estatórico observado.0m 500.0m 500.0n 0 0 -125.750 0.750 1.0m 750. Alimentación a U’ – 5 Hz.0n 125.0n 250.250 0. Error en flujo estatórico.0m Figura 13.750 0.000 1.0m 1000.250 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .250 0 0 0 0.250 0.000 1.250 Figura 12.750 1. Alimentación a U’ – 5 Hz.0m 250.

Alimentación a U’ – 5 Hz. 0 0.0m Figura 14.0m 750.000 1.250 0 0 0 0.250 0 0 0 250.CAPÍTULO 5.500 0.0m 500.500 0.250 1.750 0.750 1.500 0.0m 1000. Flujo rotórico calculado y observado.000 1.0m 500. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Flujo rotórico calculado en función del flujo rotórico observado.250 1.000 0.250 1.0m 1000.750 1.500 0.250 Figura 15.250 1.250 0.0m 1.000 1. Alimentación a U’ – 5 Hz.250 0.500 0.250 0.000 0.0m 750.500 0.250 1.750 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 14 0 250.000 1.750 0.250 0.750 0.

Error en flujo rotórico.0m Figura 16.00 25.0m 1000.0m 750.CAPÍTULO 5.0m 750.50 12.00 50.0m 500.0m Figura 17.0m 50.00 37.0m 500. Alimentación a U’ – 5 Hz. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0n 0 0 -250. 0 250.0n 500.0n 250.0m 500.0n 250.0m 1000.0n -500. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 15 0 250.0m 500.0n 0 250.0n -500.0m 500.0m 750.0m 1000. Alimentación a U’ – 5 Hz.0m 1000.50 0 0 0 250.00 12.50 25.50 37.0m 750. Corriente estatórica calculada y observada.0n -250.

Alimentación a U’ – 5 Hz.00u 50.00 20.00 30.CAPÍTULO 5. 0 250.00u 25. Error en corriente.00u 0 0 -25.00 40.0m 50.0m 750.0m 500.00 40.00 40.00 30.00 20.00u -50.0m 1000.0m Figura 19.00u -25. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Alimentación a U’ – 5 Hz. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 16 0 10.00 0 0 0 10.0m 1000.0m 500.00u 25.00 Figura 18.00 40.00u 0 250.00 10.00 30.00 20.00 30.00u -50.00 10.0m 750. Corriente estatórica calculada como función de la corriente estatórica observada.00 20.

0m Figura 20.0m 600.CAPÍTULO 5.750 0.000 1.200 1. Flujo estatórico calculado y observado.200 Figura 21.500 0. Alimentación a UN – 75 Hz.250 0.250 0.0m 400.0m 800.750 1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 17 0 200.0m 600.250 0 0 0 0.750 1.250 0 0 0 200.500 0.0m 1.250 0.200 1. Alimentación a UN – 75 Hz.750 0.000 0.500 0.200 1.0m 400.750 0.000 0.0m 800.500 0. 0 0.500 0. Flujo estatórico calculado en función del flujo estatórico observado.000 1.750 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .200 1.000 1.000 1.500 0.250 0.200 1.

0m 800.0m 800.0n -500.0n 0 0 -250.0n 250.0m 800. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 18 0 200.0m Figura 22.0m 800.0m 600. Alimentación a UN – 75 Hz.0m 800.0m 600.0m 400. Alimentación a UN – 75 Hz.0m 800.0m 400.0n 0 200.0n -500.0m 200.0m 0 0 0 200.0n -250.0m 400.0n 500.0m Figura 23.0m 600.0n 250. Flujo rotórico calculado y observado.0m 600.0m 600.0m 600. 0 200.0m 400. Error en flujo estatórico.0m 500.CAPÍTULO 5.0m 400.0m 200. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 400.

0n -250.0m 500.3m 500.3m 166.3m 500.7m 333.0m Figura 24.7m 0 0 0 166.0m 700.0m 500.0n -500.CAPÍTULO 5.0m 700.0n 0 0 -250.0n -500.7m 166.0m 700.3m 333. Error en flujo rotórico.0m 333.0n 250. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Alimentación a UN – 75 Hz. 0 200.0m 500.0n 0 200.7m 333.0m 400. Alimentación a UN – 75 Hz.0m 800.0m 700.0n 250. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 19 0 166. Flujo rotórico calculado en función del flujo rotórico observado.0m 600.0m 400.0m 600.0m 800.0n 500.0m Figura 25.

7 100.0m 600.3 0 0 0 33.0 100.0m 140.0m 800. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 20 0 200.7 33.0 100.7 100.3 66.0m Figura 26. Corriente estatórica calculada como función de la corriente estatórica observada.0 140.7 66.7 33.0 100.3 33.0 140.0 100.0m 600. Alimentación a UN – 75 Hz.0 66.0 Figura 27.3 33.0 140. Corriente estatórica calculada y observada.0m 800.CAPÍTULO 5.0 140.3 0 0 0 200.0 66.0m 400. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 400.3 66.0 140. 0 33.7 66. Alimentación a UN – 75 Hz.

258 2. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 21 0 200.0m 800.500 1.00u 0 0 -10.CAPÍTULO 5. Error en corriente estatórica.0m 400.000 0 200.0m 800.0m 600.000 -0.000 1. Alimentación a UN – 75 Hz.0m 400.0m 600.000 1. Alimentación a UN – 25 Hz. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 400.0m 800.0m 800.00u 10.0m 600.500 1.00u -20.258 2.0m 400. 0 200.500 -0.0m Figura 29.00u -20.500 0.0m Figura 28.000 0.0m 600.00u 20.0m 20.000 2. Flujo estatórico calculado y observado.0m 2.00u 0 200.00u -10.00u 10.

500 1.500 2.500 2.0n -1000. 0 200.0m 600.500 2.0n -1000.500 0.0n 1000.CAPÍTULO 5. Alimentación a UN – 25 Hz. Alimentación a UN – 25 Hz.500 1.500 2.000 2.000 1.500 1.500 Figura 30. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0n 0 0 -500.500 2.0m 800.000 1.0n 0 200.0n 500.0m 600.500 0 0 0 0.000 1.500 1.0m 1000.000 1. Error en flujo estatórico.0m 800.000 0.000 2.0m 400.0m Figura 31.0m 400. Flujo estatórico calculado en función del flujo estatórico observado.000 2.0n 500.0n -500. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 22 0 0.

667 1. 0 0.500 0.900 1.000 0.333 0. Flujo rotórico calculado y observado.000 1.667 0.0m 600.000 1.0m 400.000 1.CAPÍTULO 5.333 1.333 0 0 0 0.000 0.0m 800.0m 600.667 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .667 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 23 0 200. Alimentación a UN – 25 Hz. Flujo rotórico calculado en función del flujo rotórico observado.000 1.667 1.900 1.500 1.333 0.333 0.900 Figura 33.667 1.667 1.333 1.0m 400.667 1.000 2.0m 800.0m 2.333 1.0m Figura 32.000 1.500 1. Alimentación a UN – 25 Hz.500 0 0 0 200.333 1.900 1.

0 200. Alimentación a UN – 25 Hz.3 333.0m 400.000u -10.000u 0 200.7 500.0 0 200.000u -5.0m Figura 35.000u 5.CAPÍTULO 5.000u -10.0m 600.0 -0.0m 400. Error en flujo rotórico.0m Figura 34.0m 600. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 10.0m 800.000u 5.0m 800.7 701.0m 400.0m 701. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 24 0 200.0m 800. Corriente estatórica calculada y observada.7 -0.3 166.7 166.0m 600. Alimentación a UN – 25 Hz.0 500.000u 10.0 333.0m 600.0m 800.0m 400.000u 0 0 -5.

Alimentación a UN – 25 Hz.CAPÍTULO 5.0 666.0 666.3 500. 0 200.3 333.0 Figura 36.7 333. Alimentación a UN – 25 Hz.0m 400. Corriente estatórica calculada como función de la corriente estatórica observada.0m 400.7 750.0u 250. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 800. Error en corriente.7 333.7 666.0m 600.0 333.7 750.0u 0 0 -250. La série que sigue considera una desviación máxima en los parámetros del modelo considerado en un +10%.0m Figura 37.0u -250.0 750.0m 500.3 166.7 500.7 166. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 25 0 166.0 500.0m 600.3 500.0 750.0u 0 200.0 666.7 0 0 0 166.0u -500.0u 250.0u -500.0u 500. excepto en la resisténcia rotórica que se ha considerado una variación del +70%.0m 800.

667 0.0m 500.CAPÍTULO 5.667 0.600 1.0m 1. 0 0. Alimentación a UN – 50 Hz.000 1.333 1.600 1.000 1.333 0.600 1.333 1.000 0.667 0.667 1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 26 0 125.333 0 0 0 125. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .600 1. Alimentación a UN – 50 Hz.0m 500.000 1.000 1.600 Figura 39.333 0.0m Figura 38.333 1.333 1. Flujo estatórico calculado y observado.333 1. Parámetros modificados en + 10% (Rr 70%).667 1.0m 250.0m 250.000 0.333 0 0 0 0.667 0.0m 375.600 1.333 0.333 0. Flujo estatórico calculado en función del flujo estatórico observado. Parámetros modificados en + 10% (Rr 70%).0m 375.333 1.

000m 2.0m 500.0m 1.0m 375. Error en flujo estatórico.0m 5.500m 2.0m 375. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 27 0 125.500m -5.500m 0 0 -2.0m 250.0m 375. 0 125.500m -2.250 1.000 1.750 0. Parámetros modificados en + 10% (Rr 70%).0m 375. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 250.CAPÍTULO 5.250 1.000m -5.250 0 0 0 125.0m 500.0m 500. Flujo rotórico calculado y observado.500 0.0m 250. Alimentación a UN – 50 Hz.0m Figura 41.250 0. Parámetros modificados en + 10% (Rr 70%).000m 5.000m 0 125.0m Figura 40.000 0.0m 500.0m 250.500 0. Alimentación a UN – 50 Hz.750 0.

00m -100. Parámetros modificados en + 10% (Rr 70%).0m 250.0m 250.0m Figura 42.0m 500.0m 500. Alimentación a UN – 50 Hz.0m 250.00m -100. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 100.00m 50. Alimentación a UN – 50 Hz.0m 500.0m 375.0m 750.0m 0 0 0 250.00m 50.0m 250. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 28 0 250.00m 0 125. Error en flujo rotórico.0m 750.0m 500.0m 1000. Parámetros modificados en + 10% (Rr 70%). 0 125.0m 1000.0m 750.0m 375.0m 1000.CAPÍTULO 5.0m 750. Flujo rotórico calculado en función del flujo rotórico observado.0m 1000.00m 0 0 -50.0m 500.00m 100.0m 500.00m -50.0m Figura 43.

0 50.0m 500.0 150.0m 375.0 200.0m Figura 44. Alimentación a UN – 50 Hz.0 100. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 250. Corriente estatórica calculada como función de la corriente estatórica observada.0 250. 0 50.0 150. Parámetros modificados en + 10% (Rr 70%).0 200.0 0 0 0 50.0 300.0 300. Alimentación a UN – 50 Hz.0 100.0m 250.0 250.0 250.0 250.0 50. Parámetros modificados en + 10% (Rr 70%).0 150.0 50.0 50.0 200.0 100.0 150.0 300.0m 500.0 250.0 300.0 150.0 250.0 100.0 0 0 0 125.0 200. Corriente estatórica calculada y observada.CAPÍTULO 5.0 200.0m 375.0 100.0 100. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 29 0 125.0 300.0m 300.0 Figura 45.0 150.0 200.

750 0.750 1. Parámetros modificados en + 10% (Rr 70%).000 1. Alimentación a U’ – 5 Hz.250 0 0 -1.244 Figura 47.500 1.250 0.500 0 125. Flujo estatórico calculado y observado.0m 500.0m Figura 46. Alimentación a UN – 50 Hz.0m 375.250 1.CAPÍTULO 5. Error en corriente(eis).750 0.500 0. Parámetros modificados en + 10% (Rr 70%).0m 375. 0 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 30 0 125.000 1.0m 250.500 -2.000 0.250 0.500 0.250 0 0 0 0.000 1.500 2.0m 250.250 1.750 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .250 -1.0m 500.250 1.0m 2.500 0.250 -2.500 0.244 1.250 0.

500m -2.750 0.000 Figura 49.500 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .000m -5.750 1. Flujo estatórico calculado en función del flujo estatórico observado.250 0.250 0.000 1. Alimentación a U’ – 5 Hz.500m 0 0 -2.000 1. Parámetros modificados en + 10% (Rr 70%). OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 31 0 0.250 1. Parámetros modificados en + 10% (Rr 70%).000 1. Alimentación a U’ – 5 Hz.000 1.244 1.500 2.500 0.250 0 0 0 0.500 2.500m -5. Error en flujo estatórico.000m 2.244 Figura 48.500m 2.500 1.000m 5.000m 0 0. 0 0.500 1.000 5.500 0.750 1.250 0.250 1.000 1.000 0.500 0.750 0.CAPÍTULO 5.

667 1.333 1.500 1.000 0.500 2.000 0.000 1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 32 0 0.500 1.CAPÍTULO 5.000 1.000 1.333 0 0 0 0.500 0 0 0 0.500 0. Alimentación a U’ – 5 Hz.500 Figura 50.667 1.500 1.333 0.500 1.000 Figura 49. Parámetros modificados en + 10% (Rr 70%).333 1. Parámetros modificados en + 10% (Rr 70%).000 2.667 0.500 1.000 1.667 0. Flujo rotórico calculado en función del flujo rotórico observado.500 1.500 2.333 0.333 1. Alimentación a U’ – 5 Hz.500 1.333 0. Flujo rotórico calculado y observado.000 1.000 2.333 1.000 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .000 1. 0 0.

Error en flujo rotórico.0m 500.50m -12.000 1.0m 750.00m 12.00m 0 0.0m 1000.00m -25.000 1.0m 1000. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .50m 12.500 2. Corriente estatórica calculada y observada.50 25.00 25. 0 250.CAPÍTULO 5.00 12.50 12.50 0 0 0 250.000 25.00 37.0m 750.00m 25. Alimentación a U’ – 5 Hz. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 33 0 0.50m 0 0 -12.00 50.0m 50.500 1.0m Figura 52. Parámetros modificados en + 10% (Rr 70%). Alimentación a U’ – 5 Hz.500 1.0m 500.50 37.000 Figura 51.500 2.50m -25. Parámetros modificados en + 10% (Rr 70%).

Corriente estatórica calculada como función de la corriente estatórica observada.00 30. Error en corriente.00 30. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 34 0 10.0m 0 0 -100.00 30. Alimentación a U’ – 5 Hz. Alimentación a U’ – 5 Hz.0m 1000.0m 500.00 Figura 53.00 0 0 0 10. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 750.0m 750.0m 100.00 40.0m Figura 54. Parámetros modificados en + 10% (Rr 70%).00 10.0m -200.0m 200. 0 250.00 20.0m -200.0m 500.0m -100.00 10.00 40.00 30.00 40.00 20.0m 100.00 20.00 20.0m 1000.00 40.CAPÍTULO 5.0m 0 250.0m 200.

0m 800.0m 800.250 0.250 0.250 0.200 1.200 1.500 0.750 1.CAPÍTULO 5.000 1. Flujo estatórico calculado y observado.0m 1.750 0.750 0.250 0 0 0 0.200 Figura 56.0m 400.0m Figura 55.0m 400.000 1.0m 600.0m 600.200 1.000 1.500 0.750 1.200 1. Parámetros modificados en + 10% (Rr 70%).250 0.500 0. Flujo estatórico calculado en función del flujo estatórico observado.250 0 0 0 200. Alimentación a UN – 75 Hz. Parámetros modificados en + 10% (Rr 70%). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .500 0.000 0. Alimentación a UN – 75 Hz. 0 0.750 0.500 0.000 1.200 1.500 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 35 0 200.750 0.000 0.

0m 700. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Alimentación a UN – 75 Hz.0m 400.0m 800.0m 2. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 36 0 200.0m 400.0m 333.500m 0 200.3m 333.0m 600. Flujo rotórico calculado y observado. Parámetros modificados en + 10% (Rr 70%).7m 0 0 0 200.0m 400.0m 600.500m 1. 0 200.0m 800.250m -1.3m 166.500m 2.250m 0 0 -1.0m 500.500m -2.250m -2.7m 166. Parámetros modificados en + 10% (Rr 70%).0m 500.0m Figura 58. Error en flujo estatórico.250m 1.0m 400.0m 800.0m 600.0m 700.0m 600.0m Figura 57.CAPÍTULO 5.0m 800. Alimentación a UN – 75 Hz.

Flujo rotórico calculado en función del flujo rotórico observado.0m 800.0m Figura 60. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 500.00m 100.0m 700.3m 333.CAPÍTULO 5.0m 100.0m 700.00m 0 200.0m 400.00m -50.0m 800. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 37 0 166.00m 50. Alimentación a UN – 75 Hz.0m Figura 59.3m 500.7m 333.00m 0 0 -50.00m 50. 0 200.0m 400.3m 166.0m 500. Parámetros modificados en + 10% (Rr 70%). Alimentación a UN – 75 Hz.0m 333.3m 500. Parámetros modificados en + 10% (Rr 70%).00m -100.0m 700.7m 333.7m 166.0m 600.00m -100.0m 700.7m 0 0 0 166. Error en flujo rotórico.0m 600.

Alimentación a UN – 75 Hz.3 0 0 0 33. Parámetros modificados en + 10% (Rr 70%).0 133.3 133.7 66.7 66.0m 150.0 150. 0 33. Parámetros modificados en + 10% (Rr 70%).3 66.3 33.0 133.0 133.3 133.7 33.0 100.0m 600. Corriente estatórica calculada y observada.0m Figura 61.0m 400.0m 400.3 33.3 0 0 0 200.3 66.3 150.0 66.0 150.7 100.7 100.3 150.3 100.7 33.CAPÍTULO 5. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 38 0 200. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 800.0m 800.0 150.0m 600.0 Figura 62.0 100.0 66. Corriente estatórica calculada como función de la corriente estatórica observada. Alimentación a UN – 75 Hz.0 133.3 100.

500 -0.500 1.500 -0.010 -0.0m 400.0m 400.0m 2.250 -1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 39 0 200.500 0 0 -0. Flujo estatórico calculado y observado.000 1.250 0 200.0m 800.0m 800. Parámetros modificados en + 10% (Rr 70%).000 2.000 1.500 0.000 -1.000 -1.250 1.0m 800.258 2.0m Figura 63. Parámetros modificados en + 10% (Rr 70%).000 1.258 2. 0 200.0m 600. Alimentación a UN – 75 Hz.010 0 200.0m 600.250 1.500 1.0m 400.0m 800.0m Figura 64. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5.0m 1. Error en corriente(eis).0m 600.000 0.500 -1.0m 600.0m 400.500 0. Alimentación a UN – 25 Hz.000 0.

500 2. Error en flujo estatórico.000 1.300 Figura 65. Alimentación a UN – 25 Hz.000 2.500 1.0m 12.50m 12.00m 10.500 0. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 40 0 0.00m -5.000 1.0m 600.0m 800.000 1.50m 0 200.CAPÍTULO 5.300 2.500 0 0 0 0.0m 800.300 2.500 2.500 1.0m Figura 66.300 2.0m 400. Parámetros modificados en + 10% (Rr 70%).50m 10. Parámetros modificados en + 10% (Rr 70%).0m 400.000 2.00m -12.00m 0 0 -5. 0 200.0m 600.50m -12.00m -10.500 1.000 2.000 1. Flujo estatórico calculado en función del flujo estatórico observado. Alimentación a UN – 25 Hz.500 1.000 0.00m 5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .00m 5.00m -10.

000 0.000 2.000 2.000 2.312 2. Alimentación a UN – 25 Hz. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 41 0 200.500 0.000 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 2.300 Figura 68.500 1.000 0. 0 0.0m 600. Alimentación a UN – 25 Hz.500 1.500 0.000 1.0m 400. Parámetros modificados en + 10% (Rr 70%).500 1. Flujo rotórico calculado y observado. Flujo rotórico calculado en función del flujo rotórico observado.000 1.0m Figura 67.500 0 0 0 0.070 -0.000 2.070 0 200.500 2.500 1.300 2.500 -0.500 1.CAPÍTULO 5.000 1.0m 600.300 2.500 1.312 2. Parámetros modificados en + 10% (Rr 70%).000 1.300 2.0m 800.500 2.0m 400.0m 800.000 1.

OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 42 0 200.1 705.0m 600.0m 500.0m -500.0 333.0m Figura 69. Error en flujo rotórico.0m 600.0m 0 200.5 0 200. 0 200. Alimentación a UN – 25 Hz.0m 400. Parámetros modificados en + 10% (Rr 70%).CAPÍTULO 5.0m 600.0m 500.0m -250.0m Figura 70.7 -2.0m 0 0 -250.0m 400. Corriente estatórica calculada y observada.0m 600.1 500.0m 400.0m 400.5 -2.0m -500.3 166.0m 800.0m 800.3 333.0 500.0m 250.0m 705. Alimentación a UN – 25 Hz. Parámetros modificados en + 10% (Rr 70%).0m 250. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 800.7 166.0m 800.

0 Figura 71.0m 800.0m 10.3 166. Parámetros modificados en + 10% (Rr 70%).3 500.0m 800.0 750.000 -5. 0 200. Corriente estatórica calculada como función de la corriente estatórica observada.7 500.000 5. se plantea la necesidad de añadir el algoritmo de identificación de parámetros del modelo.000 5. Error en corriente(eis).0 750.7 333.000 0 0 -5.0m 600.7 333.7 0 0 0 166.0 666.CAPÍTULO 5.0m 600.0 666.0m Figura 72.7 666.0 666. Una vez contrastada la bondad del observador diseñado.3 500. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 333.000 10.7 166.000 -10.0m 400.0m 400.7 750.0 500. Alimentación a UN – 25 Hz.3 333. Parámetros modificados en + 10% (Rr 70%). Alimentación a UN – 25 Hz.000 -10. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 43 0 166.000 0 200.7 750.

bx ≠ bˆ y ) para cada componente. El flujo rotórico puede expresarse a partir de la siguiente ecuación en tiempo discreto:  r  rˆ Ψ ˆ rx (t ) ⋅ 1 + h ⋅ ˆr ˆ rx (t + 1) = Ψ  + h ⋅ r ⋅ Ψ ˆ sx (t ) − h ⋅ ω r ⋅ Ψ ˆ ry (t )  Lˆ rl Lˆ rl   (24)  r  rˆ Ψ ˆ ry (t ) ⋅ 1 + h ⋅ ˆr ˆ ry (t + 1) = Ψ  + h ⋅ r ⋅ Ψˆ sy (t ) + h ⋅ ω r ⋅ Ψ ˆ rx (t )  Lˆ rl ˆ   L rl APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Se parte de las expresiones del observador discreto (21):  rs rs   − ˆ ω  0  Lrl Lˆ rl  Ψ ˆ sx (t + 1)   Ψ ˆ sx (t )   − ω rs rs   Ψ ˆ sx   − rs ˆ sx )   u sx  ⋅ g (Ψ      Ψ ˆ sy (t + 1)   Ψ  − 0  ˆ   − r    ˆ sy (t )  Lˆ rl Lˆ rl   Ψ ⋅ g (Ψ ˆ sy )   u sy  = + ⋅  r ⋅ + s + 0 + sy Ψ ˆ rx (t + 1)   Ψ ˆ rx (t )  h Ψ   ˆr ω − ω r   rx   rˆr ˆ 0     0 −    Ψ  ˆ   Lˆ rl  ˆ     0   ry (t + 1)   Ψry (t )    Ψry   ˆ ˆ Lrl 0     rˆr rˆ  0 − (ω − ω r ) − r   Lˆ rl Lˆ rl   k sx − k sy       k sy k sx   iˆsx − i sx  k ⋅  − k ry   iˆsy − i sy   rx  k k    ry sx   (22) y junto con las expresiones para las componentes de corriente estatórica observada:  Ψ Ψˆ (t )  n  ⋅ [Ψ ˆ rx (t )] + I N ˆ (t ) ⋅  aˆ x  1 iˆsx (t ) = ˆ sx (t ) − Ψ ⋅ sx + bˆx ⋅  sx  Lˆ rl  ΦN  ΦN     (23)  Ψ Ψˆ sy (t )   n [ ] ˆ sy (t ) iˆsy (t ) = 1 ⋅Ψ ˆ ry (t ) + I N ⋅  aˆ y ˆ sy (t ) − Ψ ⋅ + bˆ y ⋅   Lˆ rl  ΦN  Φ     N   ( aˆ x ≠ aˆ y . excepto la resistencia estatórica que resulta de fácil medida. se consideran desconocidos a efectos de formular el algoritmo de estimación. Todos los parámetros del modelo de Nótese que se han considerado parámetros característicos de saturación distintos máquina. Parámetros(coeficientes) eléctricos. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 44 Estimación de los parámetros(coeficientes) del modelo.CAPÍTULO 5.

junto con la ecuación de identificación (26). si se considera la siguiente relación entre los parámetros desconocidos: θˆ θˆ4 = 5 − θˆ3 (27) h donde: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 45 avanzando un paso de muestreo el conjunto de ecuaciones (23). configuran las ecuaciones de un observador de tipo adaptativo que consigue identificar a la vez los parámetros desconocidos y el flujo rotórico. y sustituyendo en ellas el (24) se llega a las siguientes expresiones:  I  r  r  iˆsx (t + 1) = Ψ ˆ sx (t + 1) ⋅  1 + aˆ x ⋅ N  − Ψ ˆ sx (t ) ⋅ h ⋅ ˆr − Ψˆ rx (t ) ⋅  1 (1 − h ⋅ ˆr )  +  Lˆ  ΦN   Lˆ rl   Lˆ rl 2  rl Lˆ rl ω ˆ ry (t ) ⋅ h ⋅ r + [Ψ ˆ sx (t + 1)]n N ⋅ bˆx I +Ψ Lˆ rl Φ nN (25)  I  r  r  iˆsy (t + 1) = Ψ ˆ sy (t + 1) ⋅  1 + aˆ y ⋅ N  − Ψˆ sy (t ) ⋅ h ⋅ ˆr − Ψˆ ry (t ) ⋅  1 (1 − h ⋅ ˆr )  +  Lˆ ΦN   Lˆ rl   Lˆ rl 2  rl Lˆ rl ω −Ψ [ ˆ rx (t ) ⋅ h ⋅ r + Ψ ] I ˆ sy (t + 1) n N ⋅ bˆ y Lˆ rl Φ nN las cuales pueden ensamblarse como sigue:  iˆ (t + 1)  y =  sx   iˆsy (t + 1)    Ψ Φ T =  sx ˆ (t + 1) 0 −Ψ ˆ (t ) −Ψˆ (t ) Ψ ˆ (t ) ⋅ ω (t ) [Ψˆ (t + 1) ] n 0   [ ] sx rx ry r sx  0 Ψsy (t + 1) − Ψsy (t ) ˆ ˆ − Ψry (t ) − Ψrx (t ) ⋅ ω r (t ) ˆ ˆ 0 Ψsy (t + 1)  ˆ n   1 I   1 I  rˆ  1 rˆ  IN ˆ I N ˆ  θˆ T =   + aˆ x ⋅ N   + aˆ y ⋅ N  h⋅ r  (1 − h ⋅ r )  h ⋅ 1 ⋅ bx ⋅ by  Lˆ Φ N   Lˆ rl ΦN  Lˆ2rl  Lˆ Lˆ rl  Lˆ rl Φ nN Φ nN    rl   rl  y = Φ T ⋅θˆ (26) Estas ecuaciones ya están en la forma canónica conveniente para su implementación en un algoritmo de cálculo por mínimos cuadrados. El conjunto de ecuaciones del observador (22). La ecuación (26) puede ser optimizada de cara a su implementación en tiempo real.

el par puede estimarse a partir de la siguiente expresión Mˆ i = ⋅ p ⋅ (Ψ ˆ sy ⋅ i sx ) 3 ˆ sx ⋅ i sy − Ψ (31) 2 nótese que para la estimación del par se utilizan variables observadas (flujo) y medidas (corriente).CAPÍTULO 5. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 46 (θˆ 1 θˆ2 θˆ3 θˆ4 θˆ5 θˆ6 θˆ7 = )  1 I   1 I  rˆ  1 rˆ  1 IN ˆ I N ˆ  =   + aˆ x ⋅ N    Lˆ + ˆ y ⋅ N  h ⋅ r2 a  (1 − h ⋅ r )  h ⋅ ⋅ bx ⋅ by  Lˆ   rl ΦN   rl Φ N  Lˆ rl  Lˆ  rl Lˆ rl  Lˆ rl Φ nN Φ nN   (28) Finalmente las ecuaciones de identificación quedan como sigue:  iˆ (t + 1)  y =  sx   iˆsy (t + 1)     ˆ (t ) − Ψrx (t ) + Ψ [Ψˆ ]  ˆ Ψ  n ˆ (t + 1) −Ψ ˆ (t ) + Ψ ˆ (t ) ⋅ ω (t ) 0 sx (t + 1) 0   sx sx rx ry r Φ = T h  ˆ (t ) − Ψrx (t ) − Ψ [ ] n  ˆ  0 Ψ ˆ (t + 1) −Ψ ˆ (t ) + Ψ ˆ (t ) ⋅ ω (t ) 0 Ψ ˆ (t + 1)    sy sy ry rx r sy h ( θˆ T = θˆ1 θˆ2 θˆ3 θˆ5 θˆ6 θˆ 7 ) y = Φ T ⋅ θˆ (29) Para este caso las ecuaciones del algorítmo de identificación resultan como sigue: θˆ(k ) = θˆ(k − 1) + K (k ) ⋅ ε (k ) ε (k ) = y (k ) − Φ (k ) ⋅ θˆ(k − 1) (30) P (k ) = P (k − 1) − K (k ) ⋅ Φ (k ) ⋅ P(k − 1) ( K (k ) = P (k − 1) ⋅ Φ T (k ) ⋅ I + Φ (k ) ⋅ P(k − 1) ⋅ Φ T (k ) ) −1 Estimación del par electromagnético. Estimación de parámetros(coeficientes) mecánicos. En forma discreta: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . A partir de la medida de la velocidad y del par electromagnético calculado. Una vez obtenido el flujo. se puede plantear la resolución de la ecuación de equilibrio mecánico.

64 A.076 kgm2. el cual está compuesto por los siguientes elementos: • Máquina asíncrona nº 2: 7. 220 V. 1450 min-1. Frecuencia de muestreo ajustable. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 1480 min-1. mf = 15) • Máquina de corriente continua 7. Iex = 1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 47 ω r (t + 1) − ω r (t ) 1 1 = ⋅ Mˆ i − ⋅ Mˆ c (32) h Jˆ Jˆ que puede expresarse en la siguiente forma canónica para su implementación en el algoritmo de identificación de parámetros:  1   ˆ  ω r (t + 1) − ω r (t ) h ( = Mˆ i ) −1 ⋅  J   1 ⋅ Mˆ   ˆ c J  ω r (t + 1) − ω r (t ) y= h (33) ( Φ T = Mˆ i − 1 )  1    ˆ θˆ =  J   1 ⋅ Mˆ   ˆ c J  Obsérvese que se obtiene simultáneamente la inercia del conjunto ensayado y el par de carga sobre el eje. • Señales filtradas mediante un pasa-bajos con fc =5 kHz. cosϕ=0. J = 0.076 kgm2 • Control por corriente de la máquina de corriente continua. en este caso ajustada a 10 kHz. J = 0. clase F.CAPÍTULO 5. • Captación de tensión a partir de amplificadores de aislamiento.85. class F. Vex = 195 V. A continuación se representa el esquema del montaje utilizado (figura 73).5 kW.5 kW. • Tarjeta de adquisición de datos de 12 bits de resolución. 8 canales diferenciales. • Captación de corriente a partir de sondas Hall.6 A. 20 A. Imposición del par de carga de evolución variable a voluntad (no detallado en la figura). ∆ • Posibilidad de alimentación sinusoidal (red 400 V / 50 Hz) o a través de ondulador PWM (ley U/f = k. Contrastación experimental. 27/15. 220/380 V.

La alimentación proviene de un ondulador PWM con las características indicadas anteriormente (ma = 0.CAPÍTULO 5. correspondientes al par de pérdidas) de la máquina. La prueba se realiza aplicando tensión y frecuencia nominales. los errores son valores absolutos. y posterior aplicación súbita del par nominal (≈ 50 Nm). no relativos. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 48 Figura 73. Montaje experimental. mf = 15). Todas las magnitudes vienen expresadas en sus unidades naturales. Modelo completo Las gráficas que siguen corresponden al caso de arranque en vacío (m0 ≈ 5 Nm. eliminendo la rampa de arranque que suelen aplicar los onduladores en el arranque. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .9.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 100.0 -100.0m Figura 75.0m 800.0m 800.0m 400.0m 800. Isx(t).0 -200.0m 600. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 49 0 200.0 0 200. 0 200.0m 600.0 100.0m 800.0 -200.0 50. Variable medida y filtrada. Variable medida y filtrada.0m 400.0 0 0 -100.0 -50..0 100.0m Figura 74.0m 600.0m 400.0m 600.0 -100.0m 400.CAPÍTULO 5.0 50. Isy(t).0 0 200.0 -100.0m 125.0m 200.0 -125.0 0 0 -50.0 100.0 125.0 200.0 -125.

000 -5.0m 400. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 50 0 200.0m 800.0m 400.0m 800. Error en corriente (Ey(t)).0m Figura 77.00 -10.0m 800.00 0 0 -5.000 0 0 -5.000 -10.000 5.00 12.00 0 200.0m 400.00 -12.000 0 200. Error en corriente (Ex(t)).0m 800.00 10.0m 10. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 600.0m 600.0m 600.0m 400. 0 200.00 5.000 10.0m Figura 76.000 -10.00 5.00 -10.0m 12.00 -5.CAPÍTULO 5.00 10.000 5.0m 600.00 -12.

00 50.0m 800.00 -100.00 100.0m 100.00 50.0m 600.00 50.00 -100.00 0 0 -50.0m 400.00 50.00 -100.0m 600.00 -50.00 0 200.0m 400. 0 200.00 -50.0m 600.00 0 0 -50.00 -100.0m 400. Irx(t).0m Figura 79. Variable observada.CAPÍTULO 5.00 0 200. Iry(t).0m 600. Variable observada.00 100.0m Figura 78.0m 800.0m 100.0m 800.0m 400.0m 800. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 51 0 200.

0m 400.000 0.0m 800.0m 600. 0 200.500 -0.500 0 0 -0.0 200.0m 600.0 300. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 52 0 200.500 -1.0 50.0m 600.0m 400.0m 800. Variable medida y filtrada.0 50.0 350.CAPÍTULO 5.200 -1.0 250.000 -1.000 1. Ψ ˆ sx (t ) .0 300.0 100.0m 800.0m 600.0m 400.000 -1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 150.0m 800.0 200.0m 400.0m Figura 80.0 0 0 0 200.0 250.0m 350.0 150.500 0.200 0 200.0m Figura 81.0 100. ω r (t ) .0m 1.

000 0.0m 1.0m 800.500 1.0m 800.500 -0.0m 400.0m 600.000 1.500 -0.500 0.0m 600.0m 1.0m 800.200 -1.500 0 0 -0.0m Figura 83.500 -1.500 1.500 -1.CAPÍTULO 5.500 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .200 0 200.500 0 0 -0.0m 400.000 1.0m 800.500 1.200 -1. Ψ ˆ rx (t ) .500 0.200 0 200. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 53 0 200.000 0. sy 0 200.0m Figura 82. Ψ ˆ (t ) .0m 600.0m 400.0m 400.0m 600.

OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 54 0 200.0m 800.500 -1.0m Figura 84.0m 600.0 100.0 -50.0 200.0m 800.500 1.000 0.0 250.0m Figura 85.500 0 0 -0.0 50.CAPÍTULO 5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 100.0 0 0 -50.0m 400.0 50.200 -1.0m 600.0m 800.500 0.0m 600.200 0 200.0 150.0m 600.0m 400. 0 200.0m 250.0 150. Ψ ˆ ry (t ) .0m 1.0 200.0m 400.500 1.0m 400. Mˆ i (t ) .000 1.0 0 200.0m 800.500 -0.

000 0 200.50m 0 0 0 200.000 2.00m 37.50m 37.00m 12.0m 400. Lˆ rl (t ) . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 600.0m 400.500 0 0 -2.0m 600.00m 50. rˆr (t ) .0m 400.0m 800.CAPÍTULO 5.500 2.0m 600.0m 400.0m Figura 86. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 55 0 200.00m 25. 0 200.000 5.0m 800.0m 800.0m 800.500 -5.0m Figura 87.0m 600.50m 25.000 -5.0m 50.50m 12.0m 5.500 -2.

500 1.0m 10.0m Figura 88.500 2.0m 800.0m 600.500 0 200.000 5.0m 400.250 0 0 -1.500 7.500 0 0 0 200. aˆ x (t ) .0m Figura 89.000 10.500 5.000 2.0m 800.0m 400.250 -1. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 56 0 200.0m 400.0m 600. bˆx (t ) .000 7. 0 200.0m 600.250 1.CAPÍTULO 5.0m 800.500 -2.500 2.0m 800.250 -2.0m 600. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 400.0m 2.

0m 600.0m 400.000 10.0m Figura 91.0m 800.0m 800.500 2.0m Figura 90 aˆ y (t ) .500 5. bˆ y (t ) .000 5.000 1.0m 400.0m 800. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 600.000 0 0 -1.000 0 200.000 -2.0m 2.0m 800.0m 600.0m 600.0m 10.000 -1.000 2.000 7. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 57 0 200.500 0 0 0 200.000 1.0m 400. 0 200.500 7.000 2.0m 400.000 -2.CAPÍTULO 5.

0m Figura 92.0m 600.0m 100. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5. 0 200. Mˆ c (t ) .00 25.00 50.00 0 0 -10.00 -10.00 100.0m 600.0m 400.00 75.0m 400.0m 400. θˆ(t ) = 1 / Jˆ (t ) . OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 58 0 200.00 20.0m 800.00 75.0m 600.0m 600.0m 800.0m 800.00 0 0 0 200.0m 800.00 10.0m 20.00 -20.0m 400.0m Figura 93.00 25.00 0 200.00 -20.00 10.00 50.

I(t).0m 800. Alimentación mediante ondulador PWM lrl (mH) Ω) rr (Ω τr=lrl/rr ax bx ay by J (ms) Fuera de 7. cap 2] se demuestra que para el caso no lineal.1 9. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 59 0 200.857 8. Evidentemente.28 0.0m 600.39 0.00 12.50 37.3 0. este resultado es poco esperanzador.78 0.0m Figura 94. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .3 34.0m 400.50 25.076 linea Linea 10.0m 600.50 0 0 0 200.15 9. Modelo completo.76 0.50 12.00 37.029 0. En [Nelles 01.61 0.0m 800. Resultados de identificación.0 107 1.00 24. NO es posible garantizar que el conjunto de parámetros obtenidos coincida con los verdaderos ( o los que se consideran como tales).726 -0.0m 50. Corriente por el inducido de la máquina de corriente continua.00 25.39 0.075 Diferencia 46.2 100 19. Los sistemas en que las ecuaciones son lineales normalmente son identificables.33 (%) A la vista de los resultados las discrepancias en los parámetros son grandes y podría cuestionar el resultado.00 50.CAPÍTULO 5.61 0.52 0.0m 400.68 1. si lo que se pretende unicamente es valorar los parámetros del modelo. La tabla que aparece a continuación resume el valor final de los parámetros estimados en cada caso y su comparación respecto a los obtenidos en los ensayos fuera de línea: Tabla 1.

a tal fín se propone en el epígrafe que sigue una modelización reducida en que los únicos parámetros desconocidos son los rotóricos. El flujo rotórico puede expresarse a partir de la siguiente ecuación en tiempo discreto: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Se consideran iguales para cada componente. . repetidas aquí por comodidad:  rs rs   − ˆ ω 0   L rl Lˆ rl  Ψ ˆ sx (t + 1)   Ψ ˆ sx (t )   − ω rs rs   Ψ ˆ sx   − rs ⋅ g (Ψ ˆ sx )   u sx        Ψsy (t + 1)   Ψsy (t )   − 0  ˆ  − r    ˆ ˆ Lˆ rl Lˆ rl   Ψ  ⋅ g (Ψ ˆ sy )   u sy  = + h ⋅  ⋅ + s + 0 + sy Ψ ˆ (t + 1)  Ψ  Ψ   ˆr ω − ω r   rx   ˆ (t ) r rˆr ˆ 0  rx   rx  0 −    Ψ  ˆ   Lˆ rl Ψˆ     0   ry (t + 1)   Ψry (t )  ˆ Lˆ rl       ry   0 rˆr rˆ  0 − (ω − ω r ) − r   Lˆ rl Lˆ rl   k sx − k sy       k sy k sx   iˆsx − i sx  k ⋅  − k ry   iˆsy − i sy   rx  k k sx    ry  (34) junto con las expresiones para las componentes de corriente estatórica observada:  Ψ Ψˆ (t )   n ⋅ [Ψ ˆ rx (t )] + I N ˆ (t ) ⋅  aˆ x  1 iˆsx (t ) = ˆ sx (t ) − Ψ ⋅ sx + bˆx ⋅  sx  Lˆ rl  ΦN  ΦN     (35)  Ψ Ψˆ sy (t )   n [ ] ˆ sy (t ) + N ⋅  aˆ y 1   iˆsy (t ) = ⋅ Ψsy − Ψry ˆ (t ) ˆ (t ) I ⋅ + y⋅ bˆ ˆ Lrl ΦN  Φ     N   Para el caso que nos ocupa se considerarán conocidos los siguientes parámetros: • Resistencia estatórica rs • Parámetros característicos de la saturación a. b y n. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 60 Modelo reducido. n) se consideran conocidos y constantes.CAPÍTULO 5. b. Se parte de las expresiones del observador discreto (22). Los parámetros de estator (resistencia) y de saturación (a. Ya que lo deseado realmente es la estimación del conjunto de parámetros. tales como los que realizan los equipos actuales de control de velocidad. se deben hacer suposiciones que lleven a un conjunto de ecuaciones en que las funciones sean invertibles. Estos parámetros pueden encontrarse mediante ensayos previos en vacío del sistema.

junto con la ecuación de identificación (38). configuran las expresiones de un observador de tipo adaptativo que consigue a la vez identificar los parámetros desconocidos y el flujo rotórico. y sustituyendo en ellas el (36) se llega a las siguientes expresiones:  I  r  r  iˆsx (t + 1) = Ψ ˆ sx (t + 1) ⋅  1 + aˆ x ⋅ N  − Ψˆ sx (t ) ⋅ h ⋅ ˆr − Ψˆ rx (t ) ⋅  1 (1 − h ⋅ ˆr )  +  Lˆ Φ N  Lˆ2rl  Lˆ Lˆ rl   rl  rl ω ˆ ry (t ) ⋅ h ⋅ r + [Ψ ˆ sx (t + 1)]n N ⋅ bˆx I +Ψ Lˆ rl Φ nN (37)  I  r  r  iˆsy (t + 1) = Ψ ˆ sy (t + 1) ⋅  1 + aˆ y ⋅ N  − Ψˆ sy (t ) ⋅ h ⋅ ˆr − Ψˆ ry (t ) ⋅  1 (1 − h ⋅ ˆr )  +  Lˆ Φ N  Lˆ2rl  Lˆ Lˆ rl   rl  rl ω −Ψ [ ˆ rx (t ) ⋅ h ⋅ r + Ψ ] I ˆ sy (t + 1) n N ⋅ bˆ y Lˆ rl Φ nN las cuales pueden ensamblarse como sigue:  y1   ˆ  i sx (t + 1) − Ψ ˆ (t + 1) ⋅ a ⋅ I N − Ψ sx x ΦN [ sx ] ˆ (t + 1) n ⋅ I N ⋅ b  Φ nN x y =   =   2 y  I N [ˆ n ]I  iˆsy (t + 1) − Ψsy (t + 1) ⋅ a y ⋅ Φ − Ψsy (t + 1) ⋅ n ⋅ b y  ˆ ΦN N   N  Ψ ˆ (t + 1) − Ψ ˆ (t ) − Ψ ˆ (t ) Ψ ˆ (t ) ⋅ ω (t )  Φ T =  sx sx rx ry r  (38) Ψˆ (t + 1) − Ψ ˆ (t ) − Ψ ˆ (t ) − Ψ ˆ (t ) ⋅ ω (t )   sy sy ry rx r   1 rˆ  1 rˆ  1  θˆ T =  h ⋅ r2  (1 − h ⋅ r )  h ⋅  Lˆ Lˆ rl  Lˆ rl Lˆ rl  Lˆ rl   rl y = Φ T ⋅ θˆ Estas ecuaciones ya están en la forma canónica conveniente para su implementación en un algoritmo de cálculo por mínimos cuadrados. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 61  r  rˆ Ψ ˆ rx (t ) ⋅ 1 + h ⋅ ˆr ˆ rx (t + 1) = Ψ  + h ⋅ r ⋅ Ψ ˆ sx (t ) − h ⋅ ω r ⋅ Ψ ˆ ry (t )  Lˆ rl Lˆ rl   (36)  r  rˆ Ψ ˆ ry (t ) ⋅ 1 + h ⋅ ˆr ˆ ry (t + 1) = Ψ  + h ⋅ r ⋅ Ψˆ sy (t ) + h ⋅ ω r ⋅ Ψ ˆ rx (t )  Lˆ rl ˆ   L rl avanzando un paso de muestreo el conjunto de ecuaciones (35). El conjunto de ecuaciones formado por el observador (34).CAPÍTULO 5. La ecuación (38) puede ser optimizada de cara a su implementación en tiempo real si se considera la siguiente relación entre los parámetros desconocidos: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 62 θˆ4 = h ⋅ θˆ1 (39) θˆ3 = θˆ1 − θˆ2 donde:  1 1  (θˆ 1 θˆ2 θˆ3 θˆ4 =   Lˆ ) h⋅ rˆr Lˆ2  1   Lˆ rˆ  (1 − h ⋅ r )  h ⋅ Lˆ rl  Lˆ rl  (40)  rl rl  rl Finalmente las ecuaciones de identificación quedan como sigue:  y1   ˆ  i sx (t + 1) − Ψ ˆ (t + 1) ⋅ a ⋅ I N − sx x ΦN [Ψˆ (t + 1)] ⋅ ΦI ⋅ b sx n N n x   y =   = N   y 2   iˆsy (t + 1) − Ψ  ˆ (t + 1) ⋅ a ⋅ I N − sy y ΦN [Ψˆ (t + 1)] ⋅ ΦI ⋅ b sy n N n  y   N  Φ T =  sx ( Ψ ˆ (t + 1) − Ψ ˆ (t ) ⋅ ω (t ) ˆ (t ) + h ⋅ Ψ ) (Ψˆ (t ) − Ψˆ (t )) ( ) (Ψˆ (t ) − Ψˆ (t )) rx ry r rx sx (41) Ψ ˆ (t + 1) − Ψ ˆ (t ) ⋅ ω (t ) ˆ (t ) − h ⋅ Ψ  sy ry rx r ry sy  1 rˆ  θˆ T =  h ⋅ r2  ˆ  Lrl Lˆ rl  Para este caso las ecuaciones del algorítmo de identificación se escriben como sigue: θˆ(k ) 2 x1 = θˆ(k − 1) 2 x1 + K (k ) ⋅ ε (k ) 2 x1 ε (k ) = y (k ) − Φ (k ) ⋅ θˆ(k − 1) 2 x1 2 x1 2x2 2 x1 (42) P(k ) = P(k − 1) − K (k ) ⋅ Φ (k ) ⋅ P(k − 1) ( K (k ) 2 x 2 = P(k − 1) 2 x 2 ⋅ Φ T (k ) 2 x 2 ⋅ I 2 x 2 + Φ (k ) 2 x 2 ⋅ P(k − 1) 2 x 2 ⋅ Φ T (k ) 2 x 2 ) −1 que resulta muy compacto de cara a su implementación en tiempo real (inversión de una matriz 2x2) Las gráficas que siguen corresponden al caso de arranque en vacío (m0 ≈ 5 Nm.CAPÍTULO 5. y posterior aplicación súbita del par nominal (≈ 50 Nm). relativas al par de pérdidas) de la máquina. La prueba se realiza aplicando tensión y frecuencia nominales. La alimentación proviene de un ondulador PWM con las características indicadas anteriormente (ma = 0. Todas las magnitudes vienen expresadas en sus unidades naturales. los errores son valores absolutos. mf = 15). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . eliminendo la rampa de arranque que suelen aplicar los onduladores en el arranque.9.

0 150.0m 800.CAPÍTULO 5.0 0 200.0 100.0m 800. 0 200.0m 600.0 -50.0m 800.0m 600.0 125.0m 400.0 -125.0m 800.0 0 200.0 100.0 0 0 -50.0 50.0 50.0 -125.0 -125.0m 600. Variable medida y filtrada.0 100.0 0 0 -50.0m Figura 95.. Variable medida y filtrada.0m 400. Isy(t).0 50. Isx(t).0m 600.0m Figura 96.0 50.0 -50.0 -100.0m 200.0 -125.0 -100.0 100.0m 400. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 63 0 200.0 200.0m 125. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 400.0 150.

Error en corriente (Ey(t)).0m 800.50 0 0 -12.0m 600.0m 400.00 12. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .50 0 0 -12.0m 400.0m 800.0m 400.00 12.0m Figura 97.00 0 200.0m 25.0m 25.0m 400.0m 800.50 -12.00 25.00 25.50 -25.00 -25.50 -25. 0 200. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 64 0 200.00 -25.CAPÍTULO 5.50 -12.0m 600.0m 600. Error en corriente (Ex(t)).50 12.0m 800.0m Figura 98.00 0 200.0m 600.50 12.

0m Figura 100.0m 800.0 100.0m 400.0m 600. Irx(t).0 -125.0 -150. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 65 0 200.0 -100.0 0 0 -50.0 50.0 125. Variable observada.0m Figura 99.0 -100.0 0 200.0m 600. Variable observada.0 -125.0m 400. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 -150.0m 800.0 -50.0m 125.0m 600.0m 800.0 100.0m 600.0 0 0 -50.0 -100.0 125.0 100.CAPÍTULO 5.0m 400.0 50.0m 400.0m 800. 0 200.0 -100. Iry(t).0 -50.0 50.0 50.0 0 200.0 100.0m 125.

0m 600.0 100.0 200.000 -1.0m 400.0m 800.000 -1.0m 400.0m Figura 101.0 300.0m 600. 0 200.0m 800.500 1.500 0 200.0m 400.500 -0.500 0.0m 800.0 200.0m 400. Ψ ˆ sx (t ) .CAPÍTULO 5.0m 400.000 0.0m 600.0m 1.0 300.0 400. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 66 0 200.500 -1.0 100.0m 800. ω r (t ) .500 0 0 -0.500 1.500 -1. Variable medida y filtrada. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .000 1.0m 600.0 0 0 0 200.0m Figura 102.

500 0 0 -0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .500 1.0m Figura 103.500 0 200. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 67 0 200.500 -0.0m Figura 104.000 0.000 1.500 0 0 -0.500 1.0m 600.000 -1.000 -1.0m 800.500 -1.0m 400. Ψ ˆ rx (t ) .000 0. 0 200.000 -1.0m 600.0m 600.500 0.0m 400.500 -1.500 -1.0m 400.000 -1.500 1.0m 1.500 0 200.0m 800.500 -1.0m 800.CAPÍTULO 5. Ψ ˆ sy (t ) .0m 1.000 1.500 -0.0m 400.500 0.0m 600.0m 800.500 1.

0m 800.500 0.0 150.500 -0.0 0 200.0 -50.0 50.0m 800. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m Figura 106.0m 400.000 -1.000 -1.500 -1.CAPÍTULO 5.0 200.0 100.0m 400.0m Figura 105.500 1. Ψ ˆ ry (t ) .000 0.500 0 200.0 150.0m 800.0m 600. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 68 0 200.0 250.0m 600.0m 800.0m 600.500 0 0 -0.0 0 0 -50.500 -1.0m 600.0m 250.0m 1.0m 400.0 100.0 50. Mˆ i (t ) . 0 200.000 1.0 200.0m 400.500 1.

0m 5.0m 800.0m 400.CAPÍTULO 5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 600.000 0 200.0m 400.0m 800.0m Figura 107.0m 400.500 -5.50m -25. 0 200.0m 25.0m 600.00m 25.00m -25.500 -2.500 2.500 0 0 -2. Lˆ rl (t ) . rˆr (t ) .000 5. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 69 0 200.00m 12.000 -5.000 2.0m 600.0m 800.50m 0 0 -12.0m 800.0m 400.0m 600.50m -12.0m Figura 108.00m 0 200.50m 12.

τˆ r (t ) . OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 70 0 200.00m 50.00 -10.0m 800.0m 800.0m Figura 110.00m -100.0m 600.00m 50.0m 100.0m 800.0m 600. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 5.0m 400.00m -100.0m 400.00 -20.0m 600.00 10.00m 0 200.0m 20. θˆ(t ) = 1 / Jˆ (t ) .0m 800.0m Figura 109.0m 600.00 -20. 0 200.00 0 0 -10.0m 400.00m 0 0 -50.00m 100.0m 400.00m -50.00 0 200.00 20.00 10.

0m 800.00 12.0m 800. La tabla que aparece a continuación resume el valor final de los parámetros estimados en cada caso y su comparación respecto a los obtenidos en los ensayos fuera de línea: Tabla 2.0m 600.075 Diferencia (%) 5.74 0.0m 600.0m 400.52 0. Resultados de identificación.50 37.00 25. Mˆ c (t ) .0m 60.00 12.50 0 0 0 200.58 1.0m Figura 111.92 2.772 8.0m 800.0m Figura 112.00 50.33 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .076 Linea 7. Alimentación mediante ondulador PWM lrl (mH) Ω) rr (Ω τr=lrl/rr (ms) J Fuera de linea 7. Modelo reducido.00 25. Corriente por el inducido de la máquina de corriente continua.00 50.50 12.857 8. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 71 0 200.0m 50.00 37.0m 400.00 60.0m 800.0m 400.3 0.0m 400.0m 600.00 37.0m 600.50 0 0 0 200.50 37.50 25.50 12.00 50.CAPÍTULO 5.76 -9. 0 200.721 0.50 25. I(t).

25 Hz – ½ de la frecuencia nominal. de cara a su implementación en los algoritmos de control esto no es un inconveniente siempre que lo deseado sea un modelo de “caja negra”. • El observador desarrollado mantiene su robustez en la zona de debilitación de campo. par. No puede garantizarse en ningún caso que las variables internas (flujo. • El conjunto de parámetros obtenidos difiere del que se deduce de los ensayos realizados fuera de línea (capítulo anterior). En el caso de alimentación sinusoidal no es posible garantizar la convergencia a valores correctos. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . y después de un tiempo de rodaje no inferior a 40 ms puede iniciarse el algoritmo de identificación de los mismos. y debido a la no linealidad del conjunto observador+identificador. En el caso que nos ocupa esto es así. Modelo completo: • Para asegurar la convergencia del algoritmo de identificación hace falta arrancar el algoritmo del observador con unos valores supuestos para los parámetros. • La convergencia a valores constantes se produce únicamente para el caso de alimentación PWM. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 72 Conclusiones. es decir que las variables externas sean las correctas. • Se han considerado dos formulaciones para el problema de la obtención de las variables de estado desconocidas. tras múltiples ensayos y pruebas. corriente rotórica) sean las correctas. • Únicamente en el caso de fuerte saturación (UN. insuficiente para resolver la identificación (6 parámetros). la señal sinusoidal tiene un órden 2. corriente estatórica). no se ha podido garantizar la convergencia sin este proceso de inicialización. el flujo sea el correcto. aproximadamente doble del flujo nominal) existen discrepancias apreciables en alguna de las variables del observador (Flujo rotórico.CAPÍTULO 5. aún obteniendo el mismo valor para la corriente. Considérese el caso del modelo polinomial para la relación flujo corriente: n i Ψ  Ψ  =a⋅ + b ⋅   In ΨN  ΨN  si los parámetros a y b estimados no coinciden con los obtenidos en los ensayos previos fuera de línea. en todo caso las discrepancias son inferiores al 1%. no puede garantizarse que. • El observador desarrollado es robusto respecto a las variaciones en los parámetros del mismo.

• La metodología empleada logra la convergencia de las variables observadas a las reales en un tiempo inferior a los dos periodos de la onda (40 ms a 50 Hz – una vez transcurrido el tiempo de inicialización). ay. by).CAPÍTULO 5. • Para ambos modelos el error en la estimación de la constante de tiempo rotórica és suficientemente pequeño como para ser útil en el planteo de algorítmos de control que precisen de la misma (control por orientación del campo). Una vez arrancado el algorítmo se mantiene la convergencia ante variaciones del sistema. saturación) para su desarrollo. El resultado de los parámetros mecánicos es independiente del modelo de identificación considerado. Es capaz de arrancar con valores iniciales cualesquiera. Parámetros mecánicos: • El par de carga y el momento de inercia del conjunto presentan una convergencia a valores correctos en un tiempo no superior a 100 ms. Modelo reducido: • Es necesario el conocimiento completo de los parámetros de modelización del estator (resistencia. OBTENCIÓN DE VARIABLES NO MEDIBLES Y PARÁMETROS EN SERVICIO 73 • Se ha tenido en cuenta la posibilidad de considerar coeficientes de saturación distintos para cada componente (ax. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Con esta técnica puede obviarse la utilización de los modelos con saturación cruzada. • Los parámetros rotóricos obtenidos presentan una dispersión menor respecto a los obtenidos en los ensayos fuera de línea. • La convergencia del algorítmo es mucho menos crítica que en el caso anterior. bx. Estos pueden ser obtenidos anteriormente mediante el ensayo en vacío. obteniéndose la convergencia en un tiempo inferior a 120 ms (alimentando la máquina a 50 Hz).

3m 66.3m 166.8 0 33.9 123.9 100.0m .3m 66.0 66.7m 100.0m 133.7m 100.7m 195.3m 166.8 -16.0 100.3 33.7 33.0m 133.0m 123.7 66.3 0 0 -16.7m 195. APLICACIONES 0 33.

.4 Estimación del par electromagnético de la máquina asíncrona........................................2 Control por corriente de la máquina de corriente continua................................................................................................................... 5 Contrastación experimental.......................................................... Aplicaciones................... ....... APLICACIONES 1 6......................................................................................3 Estimación del par de carga................................................CAPÍTULO 6.... Resultados de simulación.....................................................2 Equipo para la determinación del par instantáneo...10 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ....... Aplicaciones 6............................................................................8 Conclusiones................................. .............

Como complemento al trabajo realizado y con el fin de disponer de un medidor calibrado del par instantáneo. La solución del sistema de potencia es a base del conjunto Rectificador - Troceador . Aplicaciones. Figura 1. Equipo para la determinación del par instantáneo. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Figura 2. Dicho equipo permite trabajar en cada uno de los cuatro cuadrantes del plano Par - Velocidad.CAPÍTULO 6. Equipo para la generación y estimación del par. se ha desarrollado y construido un equipo para el ensayo de accionamentos eléctricos. Etapa de potencia desarrollada. APLICACIONES 2 6.Sistema de frenado.

APLICACIONES 3 Las características del equipo son las siguientes: • Máquina de corriente continua: 7.c. donde Umax es la máxima tensión aplicable a la máquina. este controlador logra que el par de la máquina siga la referencia deseada.CAPÍTULO 6. Iex = 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .64 A. A partir del sistema descriptor del accionamiento en c. Este tipo de control es muy robusto respecto a la variación de los parámetros del sistema y de respuesta rápida. clase F. 1480 min-1. • Troceador a base de IGBT.:  di   r k   − −   i  1  0   dt  =  l l ⋅  +  ⋅u +  1 ⋅ M (1)   l  −  c  dω   k 0   ω   0   J     dt   J  se plantea el control por banda de histéresis de la corriente en el inducido de la máquina. corriente máxima: 75 A.076 kgm2. Si se admite que el par y la corriente son proporcionales. En la figura 3 se puede ver la respuesta ante una variación del tipo IN hasta –IN. 220 V. 20 A. • Tensión del circuito de continua: 540 V. J = 0. Vex = 195 V. obsérvese que el tiempo de respuesta es inferior a 2 ms. es decir: dσ σ = i − i ref = 0. Control por corriente de la máquina de corriente continua. • Posibilidad de control del par siguiendo cualquier ley de variación temporal. =0 dt (2) r k 1 di ref − ⋅ i − ⋅ ω + ⋅ u eq − =0 l l l dt  r k 1 di ref  u eq = −l ⋅  − ⋅ i − ⋅ ω + ⋅ u eq −   (3)  l l l dt  Para que exista este modo de funcionamiento debe cumplirse que u eq ≤ U max .5 kW. frecuencia de conmutación nominal: 10 kHz. • Medida de corriente y velocidad para la observación del par en el eje.

Estimación del par de carga. en el caso de leyes de variación complejas se pueden elegir expresiones para el observador más elaboradas. Considerando la corriente por el inducido de la máquina de corriente continua como la entrada del sistema. Mediante la adecuada elección de la ganancia.c. Mediante el ajuste de la ganancia del observador puede lograrse que el resultado sea insensible a las variaciones en los parámetros de la máquina de c. APLICACIONES 4 Figura 3 .1div= 20 A. La elección para la ecuación del par de carga depende de su ley de variación. utilizada (Boldea 99). Este observador sólo precisa la medida de la corriente y la velocidad en el eje de la máquina de corriente continua. 1 div= 2 ms. es posible plantear un observador para el subsistema mecánico. y el conocimiento de los valores nominales. el caso expuesto supone un par constante a tramos. se puede plantear el siguiente observador para el par M̂ c : dm aux = −γ ⋅ m aux + γ ⋅ (k ⋅ i − γ ⋅ J ⋅ ω r ) dt (5) Mˆ c = m aux + γ ⋅ J ⋅ ω r donde γ es la ganancia del observador y maux una variable auxiliar. Obsérvese que (figura 1) el par de carga de la máquina de corriente continua es el par creado por el accionamiento acoplado a su eje. de la constante de par (k) y el momento de inercia (J) del sistema. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . el observador se hace estable y convergente a los valores deseados con dinámica impuesta.CAPÍTULO 6. o asignados como tales.Corriente por el inducido de la máquina de corriente continua. donde el par electromagnético se considera la entrada y el par de carga la perturbación desconocida: dω J⋅ = k ⋅i − Mc (4) dt El sistema es gobernable y observable. Si se admite la separación de modos eléctrico y mecánico.

En las figuras que aparecen a continuación se representa.000 0 0 -5.0m 500. APLICACIONES 5 Estimación del par electromagnético de la máquina asíncrona.000 -10. 0 125.0m 500.6 345.0m 250. 0 125. para los casos considerados en dicho capítulo.000 -10.0 100. Error de par (%). el par de carga presenta una variación lineal con la velocidad y un cambio posterior a régimen de vacío.CAPÍTULO 6.000 -5. Par interno.0m 375.0m 375.0m 375.0m 500.0 0 0 -57. Resultados de simulación. par estimado y par de carga. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .000 5. Alimentación a UN – 50 Hz.0m 250.0m 500.0 200. el observado y el de carga.3 -57.0 100. mediante la expresión: Mˆ i = ⋅ p ⋅ (Ψ ˆ sy ⋅ i sx ) 3 ˆ sx ⋅ i sy − Ψ (27) 2 puede estimarse el par a partir de las variables observadas (flujo) y medidas (corriente).0m 345.000 5.000 0 125.6 300.0 300.3 0 125.0m Figura 5.0 200.0m 250.0m 375.0m 10.0m Figura 4.000 10.0m 250. Para este caso. De forma idéntica al capítulo anterior. el par calculado. Alimentación a UN – 50 Hz.

0m -1000.0m 1000.00 10.0m 500.0m 250.7 345.0m 1000.0m 345.0m -1000.00 -15.0 100.0m Figura 7.0m -500. Alimentación a UN – 50 Hz.0m 500.0m 375.0m 500. Alimentación a U’ – 5 Hz.0m 500.00 10. par estimado y par de carga. par estimado y par de carga.00 0 0 -10.0m Figura 8. Parámetros modificados en + 10% (Rr 70%). Alimentación a U’ – 5 Hz.0m 0 250.0m 1000.00 20.0m 750.0 0 0 -56.3 0 125.00 0 250. 0 250.0m 1000.00 25. Par interno.0m 750.0 200.0m 500. Par interno.0m 1000. APLICACIONES 6 0 250.CAPÍTULO 6.0m Figura 6.0m 0 0 -500. 0 125.0m 500.00 -15.0 300. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .00 20.0m 750.0m 25.3 -56.00 -10.0 200. Error de par (%).0m 1000.0m 250.0m 500.0m 500.0m 375.0m 750.7 300.0 100.

CAPÍTULO 6. APLICACIONES 7

0 125.0m 250.0m 375.0m 500.0m
10.000 10.000

5.000 5.000

0 0

-5.000 -5.000

-10.000 -10.000
0 125.0m 250.0m 375.0m 500.0m

Figura 9. Error de par (%). Alimentación a UN – 50 Hz. Parámetros modificados en +
10% (Rr 70%).
0 0.500 1.000 1.500 2.000
21.94 21.94
20.00 20.00

15.00 15.00

10.00 10.00

5.00 5.00

0 0

-5.00 -5.00

-8.00 -8.00
0 0.500 1.000 1.500 2.000

Figura 10. Par interno, par estimado y par de carga. Alimentación a U’ – 5 Hz.
Parámetros modificados en + 10% (Rr 70%).
0 0.500 1.000 1.500 2.000
1000.0m 1000.0m

500.0m 500.0m

0 0

-500.0m -500.0m

-1000.0m -1000.0m
0 0.500 1.000 1.500 2.000

Figura 11. Error de par (%). Alimentación a U’ – 5 Hz. Parámetros modificados en +
10% (Rr 70%).

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

CAPÍTULO 6. APLICACIONES 8

Contrastación experimental.

Montaje experimental (figura 12) basado en:

- Máquina asíncrona nº 2: 7.5 kW; 220/380 V; 27/15.6 A; cosϕ=0.85; 1450 min-1;
clase F; J = 0.076 kgm2; ∆.
- Máquina de corriente continua 7.5 kW; 220 V; 20 A; Vex = 195 V; Iex = 1.64 A;
1480 min-1; clase F; J = 0.076 kgm2.
- Medida de corriente a partir de sonda de efecto Hall.
- Medida de velocidad a partir de dinamo tacométrica.
- Sistema de adquisición de datos formado por una tarjeta con una precisión de 12
bits conectada a un ordenador.

Figura 12. Montaje experimental.

En las figuras 13,14, 15 y 16 se representa el par estimado a partir de la medida de
la velocidad y la corriente de la máquina de continua, y el calculado por simulación
de la máquina asíncrona en las siguientes condiciones:

• Arranque a media carga.
• Variación lineal de carga desde media a plena carga, a partir del punto de trabajo
una vez finalizado el transitorio de arranque.
• Parámetros de la máquina obtenidos aplicando el algoritmo de identificación
desarrollado en el capítulo anterior.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

CAPÍTULO 6. APLICACIONES 9

0 33.3m 66.7m 100.0m 133.3m 166.7m 195.0m
123.9 123.9

100.0 100.0

66.7 66.7

33.3 33.3

0 0

-16.8 -16.8
0 33.3m 66.7m 100.0m 133.3m 166.7m 195.0m

Figura 13.Par estimado. Transitorio de arranque.
0 50.0m 100.0m 150.0m 200.0m
500.0 500.0

375.0 375.0

250.0 250.0

125.0 125.0

0 0
-50.0 -50.0
0 50.0m 100.0m 150.0m 200.0m

Figura 14. Par calculado. Transitorio de arranque.

0 33.3m 66.7m 100.0m 133.3m 166.7m 197.9m
82.77 82.77
75.00 75.00

50.00 50.00

25.00 25.00

0 0

-28.31 -28.31
0 33.3m 66.7m 100.0m 133.3m 166.7m 197.9m

Figura 15. Par estimado. Variación de carga lineal.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

CAPÍTULO 6. APLICACIONES 10

600.0m 700.0m 800.0m 900.0m 1000.0m
82.60 82.60

60.00 60.00

40.00 40.00

20.00 20.00

-2.70 -2.70
600.0m 700.0m 800.0m 900.0m 1000.0m

Figura 16. Par calculado. Variación de carga lineal.

Conclusiones.

A partir de los resultados obtenidos caben las siguientes consideraciones:

• La obtención del valor del par instantáneo de cualquier accionamiento justifica la
complejidad inherente al desarrollo de un observador.

• El observador planteado es muy robusto respecto a variaciones en los
parámetros de la carga.

• En los instantes iniciales existe mayor error debido al tiempo de convergencia del
observador y, sobre todo, debido a los errores de medida de la velocidad
(dinamo tacometrica) y a los juegos del eje no modelizados.

• A partir de dos períodos de onda (40 ms) el error resulta inferior al 5 %.

• Una vez transcurrido el período de arranque los resultados tienen errores
menores, lo que condiciona el uso del método a sistemas ya en funcionamiento.

• Los resultados experimentales sobre el sistema real permiten asegurar la
obtención de un equipo de medida del par económico, fiable y de inmediata
aplicación docente e industrial.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

MODELIZACIÓN DEL
CONVERTIDOR

CAPÍTULO 7 . MODELIZACIÓN DEL CONVERTIDOR 1

7. Modelización del convertidor

7. Modelización del convertidor .................................................................................................2
Función de conexión [Hautier 99]. ........................................................................................2
Funciones de conversión. .......................................................................................................3
Generalización de la modelización. .......................................................................................7
Conversión de tensiones. ........................................................................................................9
Conversión de corrientes......................................................................................................10
Aplicación a las estructuras convertidoras clásicas. ...........................................................11
Convertidor 2/2.................................................................................................................11
Convertidor 3/2.................................................................................................................12
Convertidor 2/3.................................................................................................................13
Formulación del sistema completo de ecuaciones. ..............................................................14
Aplicación a la modelización del transformador trifásico...................................................16
Aplicación al caso del conjunto convertidor+filtro de entrada+carga R+L+E..................18
Aplicación al caso del conjunto convertidor+filtro de entrada+máquina asíncrona+carga.
..............................................................................................................................................20
Aplicación al conjunto ondulador de corriente+filtro de salida + carga accionada..........27
Función generatriz de conversión. .......................................................................................31
Estructuras de control basadas en las funciones generatrices de modulación....................36
Aportación experimental: caso del conjunto máquina asíncrona+convertidor+carga.......37
Conclusiones.........................................................................................................................40

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

CAPÍTULO 7 . MODELIZACIÓN DEL CONVERTIDOR 2

7. Modelización del convertidor
En el desarrollo de cualquier modelo debe partirse de unas hipótesis básicas que
limitan el alcance del mismo. Para el caso que nos ocupa se toma como punto de
partida las siguientes [Labrique 95], [Labrique 98], [Hautier 99]:

- conducción continua
- pérdidas en los interruptores nulas
- bidireccionalidad en corriente
- control de cierre y apertura

Estas hipótesis definen un convertidor idealizado. A partir de las consideraciones
anteriores se pueden escribir las ecuaciones eléctricas de funcionamiento del
convertidor.

Una vez establecidas las mismas se puede realizar el enlace con el resto del
sistema; finalmente se obtiene un conjunto de relaciones entre el estado del
convertidor y el estado del sistema alimentado (máquina, carga pasiva, filtro, etc.),
que permite plantear de forma cómoda la simulación del sistema y la definición de
su ley de control.

Función de conexión [Hautier 99].

Figura 1. Definición de tensiones y corrientes.

Se asimila cada uno de los interruptores elementales del convertidor a un interruptor
ideal, tal como se muestra en la figura 2.

Figura 2. Interruptor real versus ideal.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

se pueden utilizar las funciones simples de conversión nj: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . vc :tensión a conmutar. y vc a la tensión del circuito de continua E obtenida. m31. Para la figura 1. Se cumple que: u12 = v sa − vsb u 23 = v sb − vsc (5) u31 = vsc − v sa En el caso de considerar que las tensiones simples forman un sistema equilibrado. i3. a partir de un puente rectificador asociado a un filtro. por ejemplo. m23. En cada instante sólo puede estar cerrado uno de los interruptores de cada sección.CAPÍTULO 7 . ic se corresponde con las corrientes de carga i1. se pueden expresar como: ici = f ci ⋅ ic (1) vci = (1 − f ci ) ⋅ vc fci = 0. A partir de las notaciones de la figura anterior. MODELIZACIÓN DEL CONVERTIDOR 3 Cada interruptor supone la consideración de una función de conexión fci de manera que la corriente que lo atraviesa ici y la tensión vci en sus bornes. i2. ic :corriente a conmutar. esto añade una restricción entre las funciones de conversión asociadas a cada interruptor: f c1 + f c 2 = 1 (2) Funciones de conversión. Interruptor abierto. representan respectivamente las funciones compuestas de conversión de las magnitudes de salida respectivas. se puede expresar lo siguiente: u12 = v21 − v11 u 23 = v31 − v21 (3) u31 = v11 − v31  u12   1 − 1 0   f 11   m12           u 23  = E ⋅  0 1 − 1 ⋅  f 21  = E ⋅  m23  (4) u  −1 0 1   f  m   31     31   31  donde m12. fci = 1: interruptor cerrado.

las funciones de conversión deben ser sinusoidales y equilibradas. Desgraciadamente el cálculo directo de las funciones fci a partir de las funciones de conversión mij o nj. obteniéndose el caso de ondas moduladas en amplitud de forma asíncrona. La simulación de un caso con los datos que figuran a continuación. Figura 3.8 V-50 Hz. Existen infinitas soluciones para la resolución del sistema pudiéndose recurrir a criterios intuitivos o transcendentes. A modo de ejemplo. simples o compuestas. Señal de referencia y portadora. no es posible al ser singulares las matrices que las relacionan. basados en las propiedades de los sistemas trifásicos. avala la modelización: Vma = 0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . se consideran las funciones de conexión resultantes de la comparación entre una señal sinusoidal de referencia con la triangular de frecuencia superior.CAPÍTULO 7 . Para el caso de alimentación de una máquina. MODELIZACIÓN DEL CONVERTIDOR 4  v sa   na   2 − 1 − 1  f 11      1      v sb  = E ⋅  nb  = ⋅ E ⋅  − 1 2 − 1 ⋅  f 21  (6) v  n  3 −1 −1 2   f   sc   c    31  La corriente que circula por el tramo de continua puede ser calculada a partir de la siguiente expresión:  f 11    idc = (i sa i sb i sc ) ⋅  f 21  (7) f   31  Las funciones de conexión fci deben ser calculadas a partir del conocimiento de las funciones de conversión deseadas. Vtri = 1 V-1500 Hz.

Tensión simple de salida. MODELIZACIÓN DEL CONVERTIDOR 5 Figura 4. Función compuesta de conversión. Figura 6. Figura 5.CAPÍTULO 7 . Análisis armónico de la función de conversión. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

MODELIZACIÓN DEL CONVERTIDOR 6 Figura 7. Corriente de fase.CAPÍTULO 7 . Corriente por el circuito de continua. Análisis armónico de la tensión simple de salida. Figura 9. Figura 8. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

. f nq  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ... f 1q  f f 22 .. Convertidor generalizado. ..... ...     f n1 f n2 .. Sea:  f 11 f 12 . vm1 vm2 vmn Im1 Im2 imq ick vck fck Figura 10.. f 2 q  F= 21 (8)  . MODELIZACIÓN DEL CONVERTIDOR 7 Generalización de la modelización..CAPÍTULO 7 ..

..... así se considera el esquema de la figura donde existen q-1 y n-1 potenciales independientes. vsq . MODELIZACIÓN DEL CONVERTIDOR 8 [ Vs = vs1 vs 2 .. 0   q   0 0 0 ∏ (1 − f nk )  k =1  q Restricciones: ∑f k =1 ck = 1 .. En la hipótesis de conducción continua F0 = 0: n q ∑ isc = 0 c =1 ∑i k =1 mk =0 (12) Sólo resultan independientes n-1 corrientes de fuente y q-1 corrientes moduladas. Sólo puede conducir un elemento de cada sección de conmutación... ] t Vm = [vm1 vm 2 . Además:  q  ∏ (1 − f1k ) 0 0 0  k =1 q    F0 =  0 ∏ k =1 (1 − f 2 k ) 0 0  (11)  0 0 . (9) = [v ]t V0 m10 vm 2 0 . isq . vmn0 Vm = F ⋅ Vs + F0 ⋅ V0 (10) Im = F t ⋅ Is donde V0 es el vector de tensiones que aparecen en conducción discontinua.. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . imq ] t t Is s1 is 2 .. Se puede elegir una de las líneas como referencia para las mismas..... vmn ] t = [i ] [ I m = im1 im 2 ..

.. q − 1 }) (13) u mc = v mc − v mn (c = {1.2. Conversión de tensiones. MODELIZACIÓN DEL CONVERTIDOR 9 Um1 Um2 isn us1 Im2 Im1 us2 im Figura 11... n − 1 }) De las anteriores: q q v mc = ∑ f ck ⋅ v sk v mn = ∑ f nk ⋅ v sk k =1 k =1 q −1 q −1 (14) v mc = ∑ f ck ⋅ v sk + f cq ⋅ v sq v mn = ∑ f nk ⋅ v sk + f nq ⋅ v sq k =1 k =1 q −1 q −1 f cq = 1 − ∑ f ck f nq = 1 − ∑ f nk (15) k =1 k =1 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . Convertidor generalizado.. u sk = v sk − v sq (k = {1. Convención de corrientes y tensiones..2...

.. imq −1 ] t (23) Im = M i ⋅ Is (24)  m11 m12 .     f n −1. ... f 2. . ]t U m = [um1 um 2 .q −1  m m22 . mn −1.. MODELIZACIÓN DEL CONVERTIDOR 10 q −1 q −1 u mc = v mc − v mn = ∑ ( f ck − f nk ) ⋅ (v sk − v sq ) = ∑ mck ⋅ u sk (16) k =1 k =1 mck = f ck − f nk (17) [ U s = u s1 us 2 .... .. . .q −1 − f n .q −1  que se puede escribir de la siguiente manera: M = Rcv ⋅ Fr (28) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . q −1 − f n . mn−1........ n n −1 imk = ∑ f ck ⋅ i sc = ∑ f ck ⋅ i sc + f nk ⋅ i sn (21) c =1 c =1 n −1 i sn = −∑ i sc c =1 n n −1 (22) imk = ∑ ( f ck − f nk ) ⋅ i sc = ∑ mck ⋅ i sc c =1 c =1 I s = [is1 is 2 . q −1  M i = M ut = M (26)  f 11 − f n1 f 12 − f n 2 .... q −1   f − f f 22 − f n 2 . . q −1  M = 21 n1 27)  .. umn −1 ] t (18) U m = M u ⋅U s (19)  m11 m12 ..1 mn −1... q −1 − f n . . m2.    mn −1... . f n −1.q −1 m2..... isn −1 ] ..CAPÍTULO 7 . .q −1 . mn −1. m1.... u sq −1 .q −1  Conversión de corrientes. t [ I m = im1 im 2 .q −1  Mu =  21 (20)  . mn−1. 2  Mi =  21 (25)  ... 2 . f 1....1  m m22 ..1 − f n1 f n −1.....    m1. 2 − f n 2 ........

... k =1 Aplicación a las estructuras convertidoras clásicas.. Fr =  Rcv =  0 . los troceadores. . permite el paso entre las funciones de conexión y las funciones de conversión. − 1  f 2.....  f n1 fn2 .. Im Um Figura 12. − 1  21 0 1  . . Esta estructura es común para los variadores de alterna. La figura muestra la parte operativa de la estructura 2/2 que permite la transferencia energética entre una fuente de tensión y una fuente de corriente.. .... MODELIZACIÓN DEL CONVERTIDOR 11  1 0 0 .. obtenida a partir de F tras la q supresión de la columna q teniendo en cuenta la restricción ∑ f ck = 1 . ....... q −1   0 0 0 1 − 1  dim ensión( Rcv ) = (n − 1) xn La matriz Rcv define la relación de conversión.......... esta operación no es biyectiva.. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .. Convertidor 2/2... . − 1   f11 f12 .. f1. f n .......CAPÍTULO 7 .    (29)   .... ... los onduladores y rectificadores monofásicos........ Convertidor 2/2. q −1   0 f . La matriz Fr designa la matriz de conexión reducida.. . q −1   1 0 f 22 ...

Corresponde a la estructura de ondulador de tensión trifásico así como para los rectificadores de corriente. Relación de conversión y matriz de conversión: Rcv = (1 − 1). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Matrices de conexión:  f 11 f 12   f 11  F =  . q = 2. m. MODELIZACIÓN DEL CONVERTIDOR 12 En este caso n = 2. . Fr =   (30)  f 21 f 22   f 21  . q = 2. im = m ⋅ is (32) m = f 11 − f 21 Convertidor 3/2. M = ( f 11 − f 21 ) (31) En este caso. En este caso n = 3. la matriz se reduce a un escalar igual a la función de conversión única. Convertidor 3/2. Im Um1 Um2 Figura 13.CAPÍTULO 7 . del montaje: um = m ⋅ us .

Um Im2 Im1 Figura 14. i m = (m1 m 2 ) ⋅  s1  (35)  u m2   m2   is2  Convertidor 2/3. Corresponde a la estructura de ondulador de corriente y a la estructura de rectificador en funcionamiento continuo. Convertidor 2/3. q = 3. Relación de conversión y matriz de conversión:  1 0 − 1  f − f 31   m1  Rcv =  . MODELIZACIÓN DEL CONVERTIDOR 13 .Matrices de conexión:  f 11 f 12   f 11      F =  f 21 f 22 . Fr =  f 21  (33) f  f   31 f 32   31  .CAPÍTULO 7 . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . M =  11  =   (34)  0 1 − 1  f 21 − f 31   m 2  finalmente:  u m1   m1  i    =   ⋅ u s . En este caso n = 2.

CAPÍTULO 7 . Para una estructura dada se puede escribir lo siguiente: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Fr =   (36)  f 21 f 22 f 23   f 21 f 22  . u m = (m1 m 2 ) ⋅  s  (38)  im 2   m2   us2  Formulación del sistema completo de ecuaciones. MODELIZACIÓN DEL CONVERTIDOR 14 . Sistema completo. Figura 15. M = ( f 11 − f 21 f 12 − f 22 ) = (m1 m2 ) (37) finalmente:  i m1   m1  u 1    =   ⋅ i s . Matrices de conexión:  f 11 f 12 f 13   f 11 f 12  F =  .Relación de conversión y matriz de conversión: Rcv = (1 − 1).

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . M r =  u . normalmente. de tal forma que dichas magnitudes pueden ser expresadas de la siguiente forma: Gm = M r ⋅ C s ⋅ X (42) donde Cs es una matriz de observación particular que define el vector de magnitudes conmutadas en función de las variables de estado.CAPÍTULO 7 . por componentes del vector de estado. definen el conjunto de ecuaciones no lineales de control características de todo convertidor estático. MODELIZACIÓN DEL CONVERTIDOR 15 U m = M u ⋅U s U  M 0  U  . El modelo de la parte operativa se describe a partir de un conjunto de ecuaciones de estado como el siguiente: dX = A ⋅ X + Be ⋅ Ge + Bm ⋅ G m (43) dt sustituyendo la anterior se llega a: dX = ( A + B m ⋅ M r ⋅ C s ) ⋅ X + Be ⋅ G e 44) dt Completando la definición mediante la ecuación de observación de la salida: Y = C ⋅ X + De ⋅ G e + D m ⋅ G m (45) Y = (C + Dm ⋅ M r ⋅ C s ) ⋅ X + De ⋅ Ge (46) Las expresiones anteriores. G s =  s  (39) Im = Mi ⋅ Is  Im   0 M i   Is  Gm = M r ⋅ Gs (40) R ⋅ F 0  M r =  cv r t (41) Fr ⋅ Rcv  t  0 además el vector de magnitudes conmutadas esta formado. G m =  m  .

vector de tensiones primarias moduladas. Figura 16. L2. respectivamente. vector de tensiones secundarias. inductancia de fugas totalizada en el secundario. u1m = (u1m1 u1m 2 u1m 3 ) . i1µ = (i1µ1 i1µ 2 i1µ 3 ) . I. vector de corrientes magnetizantes primarias.CAPÍTULO 7 . vector de corrientes secundarias moduladas. matriz identidad 3x3. n m = 2 ⋅ I . i 2 = (i 21 i 22 i 23 ) . vector de flujo en cada núcleo. n1. Obsérvese que en este caso la matriz de n1 modulación no depende del tiempo como ocurre en el caso de modelizar un convertidor estático. ψ = (ψ 1 ψ 2 ψ 3 ) . número de espiras primarias y secundarias. vector de corrientes primarias. n2. Se adopta como modelo para cada fase del transformador el de la figura siguiente. vector de tensiones primarias. MODELIZACIÓN DEL CONVERTIDOR 16 Aplicación a la modelización del transformador trifásico. u 2 = (u 21 u 22 u 23 ) . i1 = (i11 i12 i13 ) . i 2 m = (i 2 m1 i 2 m 2 i 2 m 3 ) . vector de corrientes secundarias. Modelización del transformador trifásico Sea: u1 = (u11 u12 u13 ) . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . matriz de modulación.

MODELIZACIÓN DEL CONVERTIDOR 17 I1 I2 I1µ U2 U1 Figura 17. i2 m = mt ⋅ i2 (47) iiµ = f (ψ ) (48) di 2 ⋅ I ⋅ (u1m − u 2 ) 1 = (49) dt L2 i1 = i 2 m + i1µ (50) faltan añadir las ecuaciones de acoplamiento con las respectivas redes: u1 = C p ⋅ v ABC . Globalmente se puede expresar lo siguiente: mc = C s ⋅ m ⋅ C p (54) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . i ABC = C tp ⋅ i1 (51) vabc = Cs ⋅ u2 . i2 = Cst ⋅ iabc (52) con: v ABC = (v AN v BN v CN ) i ABC = (i A i B iC ) v abv = (v an v bn v cn ) (53) i abc = (i a i b i c ) Las matrices Cp y Cs dependen del tipo de conexión del transformador.CAPÍTULO 7 . Modelo equivalente para cada fase del transformador. Se pueden plantear las siguientes ecuaciones: u1m = m ⋅ u1 .

i ABC = mct ⋅ i abc (55) Para el caso de un transformador tipo Dy11. Conjunto convertidor+filtro de entrada + carga R+L+E. En este caso. C s =  0 1 0 . MODELIZACIÓN DEL CONVERTIDOR 18 v abc = mc ⋅ v ABC .CAPÍTULO 7 . m= ⋅  0 1 0 (56) −1 0 n1   1  0 0 1   0 0 1   1 −1 0  n   mc = 2 ⋅ 0 1 − 1 (57) n1 −1 0  1  Aplicación al caso del conjunto convertidor+filtro de entrada+carga R+L+E. las matrices de acoplamiento y conexión son las siguientes:  1 −1 0  1 0 0  1 0 0     n2   Cp =  0 1 − 1. Figura 18. convertidor:  u m1   m1  i 1    =   ⋅ u s . i m = (m1 m 2 ) ⋅  s  (58)  m2   m2  u  is2  Filtro: du s C⋅ = ie − i m dt (59) di L f ⋅ e = ur − us dt APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

Be =  2 1  i 4⋅R R   0 −   s1   0 0 − 3⋅ L 3⋅ L  i   3⋅ L 3⋅ L    s2   0 1 2   R 4⋅R −   0 0 −   3⋅ L 3⋅ L   3⋅ L 3⋅ L  (64) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELIZACIÓN DEL CONVERTIDOR 19 Carga: di s1 di U m1 = 2 ⋅ L ⋅ + L ⋅ s 2 + r ⋅ (2 ⋅ i s1 + i s 2 ) + e ac dt dt (60) di di U m2 = 2 ⋅ L ⋅ s 2 + L ⋅ s1 + r ⋅ (2 ⋅ i s 2 + i s1 ) + ebc dt dt que reordenadas quedan de la siguiente manera:  1   0 0 0   0 0 0   C     us   1 us  − 1 0 0         r  0 0 0 u   ie   Lf d  ie   L f =   ⋅ +  1  ⋅  e ac  + dt  i s1   R   i s1   0 2 4⋅R −    i   0 0 −   i   3⋅ L 3 ⋅ L   ebc   s2  3 ⋅ L 3 ⋅ L   s2   1 2   R 4⋅R  0 −   0 0 −   3⋅ L 3⋅ L   3⋅ L 3⋅ L   1  0 0 −   C  0 0 0   u m1  + ⋅ u 0   m2  2 1 −  3⋅ L 3⋅ L  i   1 2   m   − 0   3⋅ L 3⋅ L  (61) Para este caso:  m1 0 0   us  1 0 0 0       M r =  m2 0 0  ⋅  i s1  (62) Cs =  0 0 1 0 (63)  0 m 2   i s 2  0 0 0 1  m1    1   0 0 0   0 0 0   C   1   us  − 0 0     1 0 0 0  i  L   Lf  X =  e .CAPÍTULO 7 . A= f .

Bm =  Gm =  u m2  0  2 1 . Aplicación al caso del conjunto convertidor+filtro de entrada+máquina asíncrona+carga. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . (65) − e   3⋅ L 3⋅ L  i   bc   1 2   m   − 0   3⋅ L 3⋅ L  finalmente:  1 m1 m2   0 − −   0 0 0   C C C     us   1   us   − 1 0 0        r  0 0 0 u d  ie   L f   ie   L f = ⋅ + 1  ⋅  e ac  dt  i s1   2 ⋅ m1 R   i s1   0 2 m2 4⋅R −    − i   3 ⋅ L −   3⋅ L 3 ⋅ L   ebc   s2  3⋅ L 3⋅ L 3 ⋅ L   i s 2   1 2   m1 2 ⋅ m2 R 4⋅R  0 −   − −   3⋅ L 3⋅ L   3⋅ L 3⋅ L 3⋅ L 3⋅ L  (66) Este mismo modelo puede servir para el caso de máquina síncrona de polos lisos. MODELIZACIÓN DEL CONVERTIDOR 20  1  0 0 −   ur   C  u m1     0 0 0    Ge =  e ac .CAPÍTULO 7 . Convertidor+Filtro de entrada+máquina asíncrona+carga. Figura 19.

MODELIZACIÓN DEL CONVERTIDOR 21 Filtro: du s C⋅ = ie − i m dt (67) di L f ⋅ e = ur − us dt Convertidor:  u m1   m1  i    =   ⋅ u s .  v an   v an   v m1   1 0 − 1       =   ⋅  v bn  = C u ⋅  v bn  (69)  v m 2   0 1 − 1  v  v   cn   cn   v an   2 − 1   1    v m1  v   v bn  = ⋅  − 1 2  ⋅   = C v ⋅  m1  (70)  v  3  − 1 − 1  v m 2   vm 2   cn     i an   1 0      i s1  i   ibn  =  0 1  ⋅   = C s ⋅  s1  (71)  i   − 1 − 1  i s 2   is2   cn    APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Suponiendo conexión estrella en la máquina se pueden plantear las ecuaciones que siguen: Figura 20. i m = (m1 m 2 ) ⋅  s1  (68)  u m2   m2   is2  Acoplamiento convertidor y máquina. Asignación de tensiones y corrientes.CAPÍTULO 7 .

CAPÍTULO 7 . MODELIZACIÓN DEL CONVERTIDOR 22  i an   i an   i s1   1 0 0        =   ⋅  ibn  = C i ⋅  ibn  (72)  is2   0 1 0   i  i   cn   cn   1 1  1 − −   u sx   2 2   v an   v an    2  3 3      u sy  = ⋅  0 −  ⋅  v bn  = P ⋅  v bn  (73) u  3  2 2   v   s0  1 1 1   v cn   cn    2 2 2   1 1  1 − −   u sx   2 2   2 − 1   2  3 3 1    v m1   v m1   u sy  = ⋅  0 − ⋅ ⋅  − 1 2  ⋅  v   = P ⋅ C ⋅   (74) 2  3  v u  3  2   m   m  v 1   − 1 − 1 2 2  s0  1 1   2 2 2   2 2  0   i an   3 3   i sx   i sx    3  1 2   3 −1    ibn  = ⋅  − ⋅  i  = P ⋅  i sy  (75) 3   sy i  2  3 2    cn   − 1 2   i s 0  3  is0  −   3 3 2  2 2  0   i an   3 3   i sx   i sx   i s1   1 0 0     1 0 0  3  1 3 2       =   ⋅  ibn  =   ⋅ ⋅  − ⋅  i  = C ⋅ P −1 ⋅  i sy  3   sy i  is2   0 1 0   i   0 1 0  2  3 2   is0  i   cn  1 3 2  s0   − −   3 2 3 (76) se añaden las ecuaciones de la máquina que completan el conjunto: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

MODELIZACIÓN DEL CONVERTIDOR 23 dΨsx = u sx − R s ⋅ i sx + ω ⋅ Ψsy dt dΨsy = u sy − R s ⋅ i sy − ω ⋅ Ψsx dt dΨrx = u rx − Rr ⋅ i rx − (ω − ω r ) ⋅ Ψry dt (77) dΨry = u ry − Rr ⋅ i ry + (ω − ω r ) ⋅ Ψrx dt dΨs 0 = u s 0 − Rs 0 ⋅ i s 0 dt dΨr 0 = u r 0 − Rr 0 ⋅ i r 0 dt −1  i sx   L s 0 Lm 0   Ψsx   Lr 0 − Lm 0   Ψsx             i sy   0 Ls 0 Lm   Ψsy  1  0 Lr 0 − Lm   Ψsy  i  =  L 0 Lr 0  ⋅ Ψ  = L s ⋅ Lr − L2m ⋅ − Lm 0 Ls ⋅ 0   Ψrx   rx   m   rx      i   0 Lm 0 Lr   Ψry   0 − Lm Ls   Ψry   ry    0  1  −1  0   i s 0   Ls 0 0   Ψs 0   L s 0  ⋅  Ψs 0    =   ⋅   =  ir 0   0 L r 0   Ψr 0   0 1   Ψr 0   Lr 0   Ψ   Ψsx   Lr L   sx     0 0 − m 0 0   Ψsy   Ψsy   i sx   A A         Lr Lm  Ψs 0  = L−1 ⋅  Ψs 0   i sy  =  0 0 0 − 0 ⋅  i   A A Ψ   Ψrx   s0  1   rx  Ψ   0 0 0 0 0   Ψry   ry   Ls 0  Ψ  Ψ   r0   r0  (78) dω r = − ρ ⋅ ω r + ⋅ p ⋅ (Ψsx ⋅ i sy − Ψsy ⋅ i sx ) − M c 3 J⋅ (79) dt 2 Reordenando. se llega a: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 .

MODELIZACIÓN DEL CONVERTIDOR 24  0 1/ C 0 0 0 0 0 0     − 1/ L f 0 0 0 0 0 0 0   us   − R s ⋅ Lr Rs ⋅ Lm  u    0 0 ω 0 0 0   s   ie   A A   ie  Ψ   0 − R s ⋅ Lr Rs ⋅ Lm 0 −ω 0 0 0   Ψsx   sx   A A    d  Ψsy   − Rs 0   Ψsy  Ψ  =  0 0 0 0 0 0 0 ⋅ + dt  s 0   Ls 0   Ψs 0   Ψrx   R r ⋅ Lm Rr ⋅ Ls       0 0 0 0 ω − ωr 0   Ψrx  Ψ  ry   A A   Ψry  R r ⋅ Lm − Rr ⋅ Ls Ψ   0 0 0 0 − (ω − ω r ) 0   Ψr 0   r0   A A   − Rr 0   0 0 0 0 0 0 0 Lr 0    0 0 0 0 0 0 0 − 1/ C      1 / L f 0 0 0  0 0 0 0   0 0 0 0  ur  1 0 0 0   u sx           0 0 0 0   u rx   0 1 0 0   u sy    ⋅u  +   ⋅ u   0 0 0 0     ry 0 0 1 0   s0   0   1 0 0 ur0   0 0 0 0   i m       0 0 1 0 0 0 0 0   0 0 0 1  0 0 0 0    (80) Añadiendo las relaciones entre las tensiones y corriente moduladas como función de las variables de estado. se llega a:  u sx   u an      uM1   u sy   P 01x1   u bn   P 01x1   C v 03X1     u  =  0 ⋅ = I   u cn   0 3 x 3 ⋅ I   01 X 2  ⋅  u m 2  =  s0   3x3 i       im  i  i   m   m   m1 0 0   us   P 01 x1   C v 03 X 1       ⋅  ⋅  m2 0 0  ⋅  i s1  = (81)  0 3x3 I   01 X 2 i    0 m1 m2   i s 2   us   m1 0 0     P 01 x1   C v 03 X 1     I 01 x 3   i sx   ⋅  ⋅  m2 0 0  ⋅  ⋅  0 3x3 I   01 X 2 i   C i ⋅ P −1   i sy  m2   2 x1 0  0 m1   i   s0  APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 .

I(Lf). Variables de estado del filtro. Figura 22. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Tensiones aplicadas Um1 y Um2. Figura 21. MODELIZACIÓN DEL CONVERTIDOR 25  us     ie   u sx  Ψ     m1 0 0   sx   u sy   P 01 x1   C v 03X1     I 0 1x 3   0   Ψsy   u  =  0 ⋅ I   01 X 2  ⋅  m2 i   0 0  ⋅  ⋅ ⋅ C i ⋅ P −1   L−1   Ψs 0  (82)  s0   3x3 m 2   2 x1 0 i   0 m1  Ψrx   m     Ψry  Ψ   r0  La aplicación del conjunto anterior lleva a los resultados que siguen.CAPÍTULO 7 . mostrando la operatividad de la modelización propuesta. Us.

Figura 25. MODELIZACIÓN DEL CONVERTIDOR 26 Figura 23.CAPÍTULO 7 . de carga y velocidad. Is2 por la máquina. Par electromagnético. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Corrientes Is1. Análisis armónico Um1 e Is1. Figura 24.

MODELIZACIÓN DEL CONVERTIDOR 27 Aplicación al conjunto ondulador de corriente+filtro de salida + carga accionada. Figura 26. Convertidor de corriente+filtro de salida+máquina asíncrona+carga.CAPÍTULO 7 . Ecuaciones del filtro:  V s1   R ⋅ C 0  d  u c1   u c1    =  ⋅  +  (83) Vs 2   0 R ⋅ C  dt  u c 2   u c 2  Ecuaciones de la máquina:  Rs ⋅ Lr Rs ⋅ Lm  − ω 0 0 0   A A  R ⋅L Rs ⋅ Lm  Ψsx   − ω − s r 0 0 0   Ψsx     A A     Ψsy   R   Ψsy     − s0 0   Ψ  0 0 0 0 Ψ d  s0   Ls 0 =  ⋅  s0  + dt  Ψrx   r m ⋅ Rr ⋅ Ls  0   Ψrx  R L 0 0 ω − ωr Ψ       Ψry  A A  ry   Rr ⋅ Lm Rr ⋅ Ls Ψ   0 0 − (ω − ω r ) − 0   Ψr 0   r0   A A   0 0 0 0 0 − Rr 0   Lr 0    0 0 0 1 0 0      0 0 0  0 1 0  0 0 0   u rx   0 0 1   u sx  +  ⋅  u ry  +   ⋅  u sy  (84) 1 0 0    0 0 0      ur0     us0   0 1 0  0 0 0 0 0 1  0 0 0     dΨ = As ⋅ Ψ + Br ⋅ u r + Bs ⋅ u s dt APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

Figura 27. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . Corrientes por el motor. MODELIZACIÓN DEL CONVERTIDOR 28 Teniendo en cuenta las relaciones entre tensiones aplicadas y transformadas: dΨ V  = As ⋅ Ψ + Br ⋅ u r + B s ⋅ u s = As ⋅ Ψ + Br ⋅ u r + B s ⋅ P ⋅ C v ⋅  s1  (85) dt V s 2  Sustituyendo: dΨ  R ⋅ C 0  d  u c1   u c1  = As ⋅ Ψ + Br ⋅ u r + B s ⋅ u s = As ⋅ Ψ + Br ⋅ u r + Bs ⋅ P ⋅ C v ⋅   ⋅   +   dt  0 R ⋅ C  dt  u c 2   u c 2  (86) dΨ  du  = As ⋅ Ψ + Br ⋅ u r + B s ⋅ u s = As ⋅ Ψ + Br ⋅ u r + Bs ⋅ P ⋅ C v ⋅  Rc ⋅ c + u c  (87) dt  dt  y teniendo en cuenta que:  I m1   C 0  d  u c1   I s1  du   =   ⋅   +   = C c ⋅ c + C i ⋅ P −1 ⋅ L−1 ⋅ Ψ (88)  I m 2   0 C  dt  u c 2   I s 2  dt se llega a:  I − B s ⋅ P ⋅ C v ⋅ Rc  d  Ψ   As Bs ⋅ P ⋅ C v   Ψ   Br  0  m    ⋅   =  −1 −1  ⋅   +   ⋅ u r +   ⋅  1  I s 0 Cc  dt  u c   − C i ⋅ P ⋅ L 0  uc   0   I   m2  (89) Los resultados que siguen confirman la correcta solución de las ecuaciones.

CAPÍTULO 7 . Corriente por el filtro. Figura 29. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Corriente de salida del ondulador. MODELIZACIÓN DEL CONVERTIDOR 29 Figura 28. Figura 30. Tensiones aplicadas al motor.

Figura 33. Velocidad. Par electromagnético. Corrientes por el motor. Figra 32. Corrientes hacia el filtro. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . MODELIZACIÓN DEL CONVERTIDOR 30 Figura 31.CAPÍTULO 7 .

mg(k. 0 y –1. MODELIZACIÓN DEL CONVERTIDOR 31 Función generatriz de conversión. la función generatriz siempre es muestreada ya que el período T es finito..1.t) es la función muestreada de mg(t) para k ∈ {0. mg(q) representa.t) y por tanto el valor medio de la función de conversión m.. Así.. representativo del valor medio de mg(k. la amplitud de mg(k.. A partir de las definiciones anteriores y de los posibles estados de las células de conmutación. Figura 34. la señal de salida del convertidor puede ser asimilada a su valor medio para cada intervalo de muestreo considerado. con el añadido de un retardo TD entre la señal mg(t) y su equivalente continuo mg(t-TD).t).}. se puede definir una función generatriz de conversión tal que su valor para un instante de tiempo.. q. es evidente que los elementos mij sólo pueden tomar los valores 1. Caso de desear una representación continua de los mismos. la figura muestra como se obtiene m a partir de mg. Normalmente. Función generatriz.CAPÍTULO 7 . sea equivalente al “valor medio instantáneo” de la función durante el período T: 1 ( k +1)⋅T  mg = T ∫k ⋅T m(τ ) ⋅ dτ   T →0 (90) En la práctica.. Si el bloqueo se produce al inicio del período comprendido entre los instantes qT y (q+1)T. se asimila este retardo al valor medio del período de muestreo resultando una función de transferencia para el convertidor como la siguiente: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . q + 1. durante este intervalo.2. Si la carga accionada presenta un comportamiento paso-bajo..

se puede plantear: 1 ( q +1)⋅T  M rg = Rcv ⋅ Frg = Rcv ⋅  T ∫q ⋅T Fr (τ ) ⋅ dτ   T →0 (96) finalmente: G m = M rg ⋅ C s ⋅ X (97) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . adoptando la forma canónica siguiente: n (2 ⋅ n − i )!⋅n! T − •s ∑ (2 ⋅ n)!⋅i!⋅(n − i)! ⋅ (−s ⋅ T i =0 D )i e 2 = (92) n (2 ⋅ n − i )!⋅n! ∑ i =0 ( 2 ⋅ n )!⋅i!⋅( n − i )! ⋅ ( s ⋅ TD ) i que presenta una constelación de polos estables y ceros inestables que mantienen las características desestabilizantes del retardo. una vez fijado el período de muestreo para el convertidor.2 ms y considerando n=1 (aproximación de primer orden): 1 − 50 ⋅10 −6 ⋅ s T − ⋅s Fc ( s ) = K ⋅ e 2 ≈K⋅ (93) 1 + 50 ⋅10 −6 ⋅ s Aplicando el método anterior a las funciones de conexión fij se puede definir la función fg(k. Generalizando para el caso de un convertidor complejo.t).CAPÍTULO 7 . es decir: t on (q ) f g (q) = ⇒ t on (q) = f g (q) ⋅ T (95) T Esto permite calcular el tiempo de conexión de cada interruptor. correspondiente a la resultante del muestreo de la función generatriz de conexión fg(t): 1 q⋅T T ∫( q −1)⋅T f g (τ ) ⋅ dτ = δ 1 (q − 1) (94) El valor medio relativo a cada intervalo de muestreo fg(q). se corresponde con el tiempo de conexión relativo a cada intervalo considerado. función generatriz muestreada. Por ejemplo. MODELIZACIÓN DEL CONVERTIDOR 32 T T u ( s ) − 2 ⋅s − ⋅s Fc ( s ) = ⋅e = K ⋅e 2 (91) mg (s) El inconveniente que presenta esta función de transferencia se puede eliminar realizando una aproximación de la exponencial según Pade. para el caso de T=0.

CAPÍTULO 7 . Variables de estado del filtro. Us. I(Lf). Figura 35. Tensiones aplicadas a la máquina. MODELIZACIÓN DEL CONVERTIDOR 33 La aplicación al caso anterior (filtro+convertidor+máquina accionada+carga) lleva a los siguientes resultados. Figura 36. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Figura 38. MODELIZACIÓN DEL CONVERTIDOR 34 Figura 37. Figura 39. de carga y velocidad.CAPÍTULO 7 . corriente por la máquina. Análisis armónico tensión aplicada. Corrientes por el motor. Par electromagnético.

como se puede ver en la gráfica que sigue. Comparación del cálculo exacto y el promediado. A efectos de control se puede sustituir el modelo exacto mediante el modelo promediado. MODELIZACIÓN DEL CONVERTIDOR 35 Que coinciden en la aproximación de primer armónico con los calculados mediante el modelo exacto. Figura 40. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . Si se comparan los resultados se observa un retardo medio no superior a ½ del período de muestreo considerado.

en la figura que sigue se plantea la obtención de las funciones de control a partir del conocimiento de la corriente y de la velocidad y a partir de la inversión del modelo de la máquina. Estructura de control basada en las funciones generatrices de conexión. Aplicación al control de la máquina asíncrona. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Por ejemplo. Una vez formulada la modelización. Esta estructura es general para cualquier algoritmo de control que se plantee. puede plantearse el cálculo de las funciones generatrices de modulación para realizar cualquier estructura de control. ya que permite el cálculo de la señal a aplicar en función de las variables de control consideradas. Us m1 Um1 Relaciones de conversión MÁQUINA m2 Um2 ondulador Is1 Is2 Estructura de control P-1 F Isy ω θ Isx GENERADOR M1ref msxref DE FUNCIONES MODELO INVERSO DE CONEXIÓN P OBSERVADORES msyref CONTROL M2ref Referencias de par y corriente Figura 41. MODELIZACIÓN DEL CONVERTIDOR 36 Estructuras de control basadas en las funciones generatrices de modulación.CAPÍTULO 7 .

3675 H. . ley V/f = K de 0 a 50 Hz. M = 0.31 Ω.01435 H.5 kW.8 Nm. Aplicación de la metodología anterior a un sistema formado por los siguientes componentes: .003375 kgm2.25% I1L 3. Prueba realizada para salida a frecuencia nominal (50 Hz. VN = 220 V. 220 V/380 V. 1.2 V 80 V 15.18 Ω. Ondulador PWM. MODELIZACIÓN DEL CONVERTIDOR 37 Aportación experimental: caso del conjunto máquina asíncrona+convertidor+carga. . Rr = 5.7 A 4. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Lrl = 0. de primer armónico de corriente I1L. . Máquina asíncrona de 1. 1470 min-1. ma = 0.2 A 13. mf = 20. Lsl = 0.8 kVA. y del armónico de tensión de primer orden ( f p = m f ⋅ f1 ± f1 . Parámetros de la máquina obtenidos a partir de ensayos normalizados: Rs = 5. Obteniéndose los siguientes resultados de contrastación: Experimental Simulación Error V1L 282 V 270 V 4.CAPÍTULO 7 .67% La tabla recoge los resultados relativos al valor eficaz de la componente fundamental de tensión V1L.60% Nf 1490 min-1 1480 min-1 0. J = 0. V = k = VN para f> 50 Hz.9).5% Vfp 69.01375 H. con señal portadora triangular de 1000 Hz. correspondiente al servicio de la máquina en vacío y atribuible al par de rozamientos mecánicos. 950 Hz) y valor final de velocidad nf. Par de carga aplicado = 1.

1 div = 5 ms. MODELIZACIÓN DEL CONVERTIDOR 38 Figura 42. Tensión calculada.CAPÍTULO 7 . Figura 43. Tensión aplicada. 1 div = 100 V . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

MODELIZACIÓN DEL CONVERTIDOR 39 Figura 44. Figura 45. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . 1 div = 2 A. Corriente real. Corriente calculada. 1div = 5 ms.

sencilla. velocidad o par. Asimismo la consideración del conjunto permite obtener leyes directas de control para el convertidor. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .CAPÍTULO 7 . pero no es así en el supuesto de considerar como carga del mismo una máquina. • La consideración de modelos promediados lleva a resultados correctos en el caso de índices de modulación elevados. A partir de los resultados obtenidos caben las siguientes consideraciones: • El modelo completo permite obtener resultados de forma exacta. resultando una forma natural y relativamente. Es obvio que las funciones de conexión ya han sido utilizadas ampliamente en el caso de modelización de convertidores. MODELIZACIÓN DEL CONVERTIDOR 40 Conclusiones El método de modelización considerado permite la formulación del conjunto de ecuaciones correspondientes al motor y su alimentación. • A efectos de sintetizar el control se puede sustituir la función exacta por la promediada. • El conjunto completo de ecuaciones es de una gran belleza conceptual y aplicada. partiendo de variables de interés electrotécnico: corriente.

CONCLUSIONES Y APORTACIONES .DISCUSIÓN DE LOS RESULTADOS.

............CAPÍTULO 8.......... DISCUSIÓN DE RESULTADOS..... CONCLUSIONES Y APORTACIONES 1 8............................... ........................................................4 Obtención de variables no medibles y parámetros en servicio......................................................................................................................................................... DISCUSIÓN DE RESULTADOS.......2 Sensibilidad..............................................................................5 Modelo completo: ............ CONCLUSIONES Y APORTACIONES ....................................................................6 Modelo reducido:................................. CONCLUSIONES Y APORTACIONES 8.................................................................................................................................................2 Modelos de máquinas asíncronas considerando la saturación.............7 Modelización del convertidor.................................................................................................... ...............3 Obtención de los parámetros por ensayos fuera de línea.............................. .........9 APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ....................................... .8 Futuros desarrollos.......................................................8 Aplicaciones..................................... DISCUSIÓN DE LOS RESULTADOS...............................................7 Parámetros mecánicos: ..............

f) Los modelos basados en orientación del campo resultan muy sencillos en su formulación. a) Se han desarrollado y discutido diversos modelos para máquinas asíncronas considerando la saturación. b) Desde el punto de vista de simulación todos los modelos aportan la misma información y los mismos resultados. DISCUSIÓN DE RESULTADOS. h) Ambos modelos se consideran para su implementación en la modelización. el modelo nº 21 resulta menos interesante ya que los parámetros desconocidos aparecen como coeficientes dentro de la función de saturación: Ψ = a1 ⋅ atan(a 2 ⋅ i ) (1) Lo cual representa un obstáculo en su implementación. aunque de mucha aplicación. por tratarse de un caso particular. Lsl o Lrl según el caso. • A efectos de formulación para su implementación en algoritmos de identificación de parámetros en tiempo real. g) Los modelos nº 21 y 22 resultan los más interesantes: • Están formulados con un parámetro menos (Lsl). DISCUSIÓN DE LOS RESULTADOS. • Se diferencian en la formulación de la función de saturación. debido a la posibilidad de retardo en el cálculo de variables. • No presentan ninguna restricción algebraica para su resolución. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . d) La utilización de modelos con un parámetro menos.CAPÍTULO 8. e) La utilización de modelos con saturación cruzada introduce una restricción algebraica que invalida totalmente su aplicación en tiempo real. CONCLUSIONES Y APORTACIONES Modelos de máquinas asíncronas considerando la saturación. CONCLUSIONES Y APORTACIONES 2 8. los modelos que en su formulación incluyan ecuaciones algebraicas. conlleva una formulación más sencilla y a la vez. no se han considerado para el desarrollo de modelos de identificación en tiempo real. c) Si se tienen en cuenta las restricciones de control. posibilita la estimación de los parámetros sin tener que aventurar hipótesis poco contrastadas (del tipo Lsl = Lrl). a costa de necesitar el cálculo de la velocidad y posición de los ejes de referencia para cada instante de tiempo. no han de considerarse para su aplicación en algoritmos de control. por lo que resultan de resolución sencilla.

• Las variaciones en el momento de inercia J. a y b para el modelo nº 22). influyen de forma mucho más significativa en el primer modelo (nº 21). Respecto a los parámetros que caracterizan la saturación. a su vez. repercuten de forma similar en ambos modelos. En ambos modelos resulta muy sensible a las modificaciones de Lrl (menos en el modelo nº 22). además. Ambos modelos presentan un comportamiento similar. • La sensibilidad de las mismas es mayor a las variaciones de Lrl. menor en el modelo nº 22). resulta menos problemático que el modelo arcotangente. así como su influencia en la respuesta global del sistema. conduce a las siguientes conclusiones: • Las corrientes resultan igualmente afectadas por las variaciones de rs y rr en ambos modelos. • Las variaciones en los parámetros que definen las funciones de saturación (a1 y a2 para el modelo nº 21. en especial los que definen la caracterización de la saturación. (21 y 22). y a las variaciones del momento de inercia (de nuevo. • Respecto al par electromagnético: .CAPÍTULO 8. no obstante. DISCUSIÓN DE LOS RESULTADOS. a) El análisis de las funciones de sensibilidad permite estimar los errores que se producen en las salidas ocasionados por las variaciones de los parámetros. b) El modelo que resulte menos sensible a las variaciones de los parámetros será mas útil para la realización de algoritmos de control y. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . • Respecto a la velocidad ωr: . y en el coeficiente de rozamiento ρ. CONCLUSIONES Y APORTACIONES 3 Sensibilidad. se pondrán en evidencia que parámetros son más delicados para su valoración posterior. . el primer modelo presenta discrepancias mayores para todos los parámetros considerados. el modelo nº21 resulta mucho más sensible. c) El análisis de los modelos anteriores. el modelo polinomial considerado en el caso nº 22. • Respecto a los flujos: -El modelo nº 22 es mucho menos sensible a las variaciones de los parámetros que el nº 21.

31 -2.08 -0.2 Ψsy 0.12 0.9 69. proporcionan resultados correctos.028 0.02 -1.30 isy 13. DISCUSIÓN DE LOS RESULTADOS. el modelo polinomial para caracterizar la saturación resulta menos influyente que el de Langevin y.23 -9.2 -0.10 -44. a partir del conocimiento de la calidad de la plancha magnética. y de la resistencia equivalente de pérdidas en el hierro. se plantea la obtención de los mismos a partir de ensayos en régimen permanente.41 -0.1 0.42 0.0023 8.61 -0.18 -0.4 Me 6.88 0.33 0.12 489 394 ωr -0. Tabla 1. estando limitada la resolución del resultado por la precisión en la medida de la velocidad del eje. Sensibilidades unitarias.55 0.04 0.21 0.45 0.017 isx 1.34 1720 -718 Tabla 2.12 4557 -1193 irx -1. por lo tanto será el considerado para su implementación en la determinación de los parámetros en tiempo real. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .019 0.53 -2.4 -21. d) La obtención de los parámetros mediante ensayos en régimen permanente (vacío a tensión nominal y rotor frenado).043 Ψry -0.049 Ψrx 0.018 0.09 0.9e-3 45.CAPÍTULO 8.14 0.08 47.12 0.87 -463 -4.39 -2.6 -0.20 0.013 -0.043 ωr 0.07 -0.26 5. c) El algóritmo presentado permite la valoración independiente de las reactancias de dispersión estatórica y rotórica.48 Me 7.02 -30.28 0.13 -3.21 -0.2e-6 72.25 0.28 -25.04 Obtención de los parámetros por ensayos fuera de línea.89 -351 2.6e-4 0. CONCLUSIONES Y APORTACIONES 4 d) Como conclusión final. Modelo nº21 Rs Rr Lrl J ρ a1 a2 isx 1.55 -0.89 -4.18 -2.23 0.097 Ψsy 0. a) Como paso previo a la obtención de los parámetros en tiempo real.021 0.39 0.76 -0.48 -0.53 267 3.27 0.7 0.12 -0.2 71.34 -3.39 -3. b) A partir de los ensayos en vacío y cortocircuito puede plantearse la obtención de los parámetros necesarios para la modelización de la máquina.48 0.043 0.73 -3. Modelo nº22 Rs Rr Lrl J ρ a b Ψsx 0.13 -5.25 -0.3 Ψsx 0.16 0.23 0.49 -0.2 3.42 -0.02 4.82 -0.78 3.0044 0.02 6.015 9.26 -406 -311 iry -1.18 0.15e-3 -0.17 2.89 502 -2. Sensibilidades unitarias.26 414 -311 isy 18.98 -2. La comprobación de resultados en carga es coherente.

Tabla 3. 7.0921 a2 0. 22 kW).8550 0.8649 0.0422 Langevin a1 0.61 0. Parámetros obtenidos en la modelización de la saturación. Únicamente en el caso de fuerte saturación (UN.8 b 0.2 ∑ε 2 0.032 0. Obtención de variables no medibles y parámetros en servicio. Máquina 1 Máquina 2 Máquina 3 Polinomial a 0.0691 ∑ ε2 1.0020 f) Se han contrastado los modelos obtenidos para tres grupos de máquinas de potencias crecientes (1. en todo caso las discrepancias son inferiores al 1%.5. DISCUSIÓN DE LOS RESULTADOS. aproximadamente doble del flujo nominal) existen discrepancias apreciables en alguna de las variables del observador (Flujo rotórico.39 0.9115 1. c) Se han considerado dos formulaciones para el problema de la obtención de las variables de estado desconocidas. En todos los casos se han obtenido errores aceptables lo que valida el modelo considerado. la consideración de una u otra dependerá de la aplicación final. 25 Hz – ½ de la frecuencia nominal. b) El observador desarrollado mantiene su robustez en la zona de debilitación de campo.5.48 0. y un ciclo de carga consistente en arranques en vacío y carga.159 1. corriente estatórica).CAPÍTULO 8. a) El observador desarrollado es robusto respecto a las variaciones en los parámetros (coeficientes) del mismo.0161 0.070 1. a las que se ha aplicado una alimentación sinusoidal o PWM proveniente de un ondulador. con posterior variación de la misma. CONCLUSIONES Y APORTACIONES 5 e) Se han utilizado dos formulaciones distintas para aproximar las características de saturación: n i Ψ  Ψ  • Polinomial =a⋅ + b ⋅   In ΨN  ΨN  • Arco tangente Ψ = a1 ⋅ atan(a 2 ⋅ i ) Ambas logran aproximaciones suficientemente exactas. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .52 0.2283 0.

39 0. Considérese el caso del modelo polinomial para la relación flujo corriente: n i Ψ  Ψ  =a⋅ + b ⋅   In ΨN  ΨN  si los parámetros a y b estimados no coinciden con los obtenidos en los ensayos previos fuera de línea. es decir que las variables externas sean las correctas.28 0.075 Diferencia 46. no puede garantizarse que. aún obteniendo el mismo valor para la corriente. no se ha podido garantizar la convergencia sin este proceso de inicialización. el flujo sea el correcto. by). No puede garantizarse en ningún caso que las variables internas (flujo. Modelo completo.00 24.68 1.726 -0.0 107 1. bx. la señal sinusoidal tiene un órden 2. y después de un tiempo de rodaje no inferior a 40 ms puede iniciarse el algoritmo de identificación de los mismos. insuficiente para resolver la identificación (6 parámetros).2 100 19.3 34. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . de cara a su implementación en los algoritmos de control esto no es un inconveniente siempre que lo deseado sea un modelo de “caja negra”.52 0. ay. Alimentación mediante ondulador PWM lrl (mH) Ω) rr (Ω τr=lrl/rr ax bx ay by J (ms) Fuera de 7.1 9. tras múltiples ensayos y pruebas.61 0. En el caso que nos ocupa esto es así. corriente rotórica) sean las correctas. Tabla 4. Con esta técnica puede obviarse la utilización de los modelos con saturación cruzada. DISCUSIÓN DE LOS RESULTADOS.CAPÍTULO 8.39 0.076 linea Linea 10.76 0.78 0.15 9. g) Se ha tenido en cuenta la posibilidad de considerar coeficientes de saturación distintos para cada componente (ax. y debido a la no linealidad del conjunto observador+identificador.33 (%) f) La convergencia a valores constantes se produce únicamente para el caso de alimentación PWM.029 0.61 0.3 0.857 8. Resultados de identificación. En el caso de alimentación sinusoidal no es posible garantizar la convergencia a valores correctos. h) La metodología empleada logra la convergencia de las variables observadas a las reales en un tiempo inferior a los dos períodos de la onda (40 ms a 50 Hz – una vez transcurrido el tiempo de inicialización). CONCLUSIONES Y APORTACIONES 6 Modelo completo: d) Para asegurar la convergencia del algoritmo de identificación hace falta arrancar el algoritmo del observador con unos valores supuestos para los parámetros. e) El conjunto de parámetros obtenidos difiere del que se deduce de los ensayos realizados fuera de línea (capítulo anterior). par.

74 0.076 Linea 7. Resultados de identificación. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Es capaz de arrancar con valores iniciales cualesquiera. CONCLUSIONES Y APORTACIONES 7 Modelo reducido: i) Es necesario el conocimiento completo de los parámetros de modelización del estator (resistencia.33 Parámetros mecánicos: m) El par de carga y el momento de inercia del conjunto presentan una convergencia a valores correctos en un tiempo no superior a 100 ms. Tabla 5.857 8.3 0.58 1.92 2. El resultado de los parámetros mecánicos es independiente del modelo de identificación considerado.075 Diferencia (%) 5.CAPÍTULO 8.76 -9.772 8.721 0. Modelo reducido.. j) La convergencia del algorítmo es mucho menos crítica que en el caso anterior. saturación) para su desarrollo.52 0. Estos pueden ser obtenidos anteriormente mediante el ensayo en vacío. k) Una vez arrancado el algorítmo se mantiene la convergencia ante variaciones del sistema (convergencia en menos de 10 ms – ½ periodo a 50 Hz) l) Los parámetros rotóricos obtenidos presentan una dispersión menor respecto a los obtenidos en los ensayos fuera de línea. obteniéndose la convergencia en un tiempo inferior a 120 ms (alimentando la máquina a 50 Hz). n) Para ambos modelos el error en la estimación de la constante de tiempo rotórica és suficientemente pequeño como para ser útil en el planteo de algorítmos de control que precisen de la misma (control por orientación del campo). DISCUSIÓN DE LOS RESULTADOS. Alimentación mediante ondulador PWM lrl (mH) Ω) rr (Ω τr=lrl/rr (ms) J Fuera de linea 7.

7. como se puede apreciar a continuación. CONCLUSIONES Y APORTACIONES 8 Modelización del convertidor. APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . DISCUSIÓN DE LOS RESULTADOS. • Ingenieria+mano de obra 470.000 ptas. de forma natural y sencilla. c) Se ha desarrollado e implementado un algoritmo observador para el par en el eje. • Equipo de potencia 200. b) Permite trabajar en los cuatro cuadrantes del plano par-velocidad así como el control del par de carga presente en el eje. que permite a partir de las medidas de corriente y velocidad de la máquina de corriente continua. ha sido ampliamente desarrollada en la literatura técnica.000.5 kW 220. • Tarjeta de control+obs. tiene un coste económico más reducido que otros de similares características: • Máquina de c.000 ptas. tiene un evidente interés para su aplicación docente e industrial f) El equipo. del conjunto de ecuaciones correspondientes al motor accionado y a su alimentación. como las máquinas eléctricas. 50. es una laguna que se ha llenado. a) Se ha desarrollado y construido un equipo para el ensayo de accionamientos eléctricos.000 ptas • Total 1. Aplicaciones.000 ptas • Beneficio/Comercialización 500. Su aplicación a las cargas activas. siguiendo una ley arbitraria.000 ptas.000 ptas. La consideración de las funciones de conexión aplicadas a los convertidores alimentando cargas pasivas.000 ptas. • Dinamo tacométrica+acopl.000 ptas. El modelo desarrollado permite: a) La consideración. d) El error resulta inferior al 5% a partir de dos períodos de onda (40 ms a 50 Hz).CAPÍTULO 8.530.c. valorar el par electromagnético de la máquina ensayada. c) Contrastar experimentalmente el desarrollo obtenido. • Freno comercial similar 4. b) Obtener leyes de control de una forma natural a partir de la inversión del modelo del sistema. e) El equipo desarrollado. 60.

Actualmente. Barcelona. • Comparación en la identificación en tiempo real de diversos modelos. d) Contrastación de los métodos de obtención de parámetros en línea mediante algoritmos basados en la resolución del campo electromagnético en la máquina (Elementos finitos). Julio del 2001 APORTACIÓN A LA DETERMINACIÓN DE PARAMETROS EN LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . o minimización. En nuestro caso no se ha podido desarrollar el tema por no disponer de los programas adecuados.CAPÍTULO 8. estos permitirán la contrastación de los algoritmos en tiempo real a partir de los modelos distribuidos de la máquina. • Construcción de un equipo para el ensayo de accionamientos en régimen dinámico. • Estudio sistemático de modelos con saturación a fin de determinar cual o cuales de los mismos són adecuados para la implementación de técnicas de control y de identificación en tiempo real. b) Desarrollar equipos para el control del par basados en máquinas de alterna. Hasta donde alcanzan mis conocimientos el tema es una laguna poco explorada. que puedan llevar a una optimización. empiezan a circular programas que permiten la resolución de transitorios eléctricos conjuntamente con la formulación de la máquina a partir de modelos basados en elementos finitos (SIMPLORER + FLUX2D). Esto consiste. de tránsitos energéticos en el convertidor. Futuros desarrollos. CONCLUSIONES Y APORTACIONES 9 Aportaciones. La línea iniciada abre diversas áreas de interés: a) Extender la modelización a otros tipos de máquinas eléctricas. en opinión del autor. un “subproducto” de la tesis que posiblemente tenga mayor aplicación docente e industrial. Influencia del número de parámetros y del tipo de señal aplicada en la identificabilidad del sistema. • Comparación de diversos métodos de obtención de parámetros (con consideración de la saturación) tanto en régimen permanente (ensayos fuera de línea) como en transitorio (identificación en tiempo real). • Aportación a la obtención del par electromagnético y a su validación mediante medidas externas. c) Desarrollar algoritmos de control basados en una correcta identificación de los parámetros del sistema. • Estudio de la sensibilidad de los modelos escogidos ante variaciones de los parámetros. DISCUSIÓN DE LOS RESULTADOS.

BIBLIOGRAFÍA .

......3 Sensibilidad ................................. Control.... Obtención de parámetros y observación de variables no medibles y estados ....4 Tesis Doctorales ............................................................ Técnicas.....7 Articulos històricos sobre modelización de máquinas y convertidores ........................................................................BIBLIOGRAFIA................2 Máquinas Eléctricas.........................................................7 Proyectos Final de Carrera ..................... Teoria...................................................................8 Normas ................................................................................................. Ponencias................3 Identificación de sistemas .. 1 BIBLIOGRAFIA BIBLIOGRAFIA ............................................................................4 Control no Lineal.................................................................................................................................................................................................5 Articulos sobre modelización de máquinas.........................8 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ............................................................................... Observadores.................... Modelización......................................................................................................................................................5 Articulos sobre Control de Máquinas Asíncronas ..4 Artículos......................................................1 Libros ..................................................................2 Convertidores............................................ Comunicaciones .. Modelización......................................................................................................................................................................................................................... Control..................................................

Amsterdam. “Introducction to magnetism and magnetic materials”.” Parameter estimation. “Electrical machines and drives. Oxford University Press. fuzzy-neural.Technip.Verlag. 1998 [Dawson 98] D. Ed. 1999 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Control [Serrano 79] L.P. Hu. 1998 [Ong 98] C. CRC Press. Vieweg Publishing.A. neural. “Control of electrical drives”. J. Boldea.Vas. S. Vas. Ed. “Máquinas de alterna en régimen dinámico. “Dynamic simulation of electric machinery”.Jiles. “ Modelisation et commande de la machine asynchrone”.J. Vas. Serrano Iribarnegaray. and genetic algorithm based techniques”. 1990 [Justus 91] Justus. 1984 [Leonhard 96] W. Chapman and Hall. Dynamisches Verhalten Elektrischer Maschinen. Oxford. Oxford University Press. Elsevier. Teoria. “Electric Drives”. 1979 [Kovacs 84] P.Dawson. 2 Libros Máquinas Eléctricas. 1999 [Boldea 99] I. T. ROBOAM.M.Caron. UPM Madrid. Una formulación físico-matemàtica a partir de la teoría de los vectores espaciales”.” ENSEEIHT.C. Application of fuzzy. A Space-Vector Theory Approach”.Burg. Oxford University Press. 1995 [Jiles 98] D. Modelización.VAS. “ De la modelisation a la commande des machines electriques.P. Braunschweig/Wiesbaden..BIBLIOGRAFIA. Kovacs. Nasar. [Vas 93] P. Marcel Decker. “Sensorless vector and direct torque control”. “Artificial intelligence based electrical machines and drives. “Transient Phenomena in Electrical Machines”. 1992.1995 [Roboam 95] X. Prentice Hall. 1998 [Vas 98] P. Ed.Hautier. Ed. Ed. Ong. 1993 [Caron 95] J. 1998 [Vas 99] P.K. Ed. “Nonlinear control of electric machinery”.Condition monitoring and diagnosis of electrical machines” Oxford University Press. Springer. LEONHARD. 1991 [Vas 92] P.

Ed. 1999 Identificación de sistemas [Ljung 87] L. [Borne 92] P. J. ” Modelisation et identification del processus. Ed. NewJersey. John Wiley&Sons. Prentice Hall International. 1995 [Bose 97] B.K. Bühler. 1990.Labrique. Prentice Hall. Lavoisier.Walter. Ed. Ed.P.Seguier. 1997. “Theory and practice of recursive identification”. al. PPUR. T4. 1994 [Johansson 94] R.Borne. Paris.Bendat. Juang. MIT Press. Ed. 1994 [Kulhavy 96] R.R.Soderstrom. “Digital control and estimation”. Pronzato. Control [Buhler 91] H. “Nonlinear systems techniques and applications”. Springer Verlag. 1987 [Ljung 87] L. “Identification of parametric models from experimental data”.” Power Electronics and Variable Frequency Drives. Commande et comportement dynamique”. “System identification:theory for the user”.P. 1998.Stoica.Ed. 1998 [Hautier 99] J. “System identification”. IEEE Press. “Les convertisseurs de l’électronique de puissance.”. Hautier. Prentice Hall International. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 3 Convertidores.Bausiere. et. “Recursive Nonlinear Estimation”. London. Goodwin. Springer. Prentice Hall. T5.London. 1987 [Soderstrom 89] T. G. Ed. “System modeling and Identification”.H. “Convertisseurs statiques”. Lavoisier. Ed.P. 1989 [Middleton 90] R. 1997 [Bendat 98] J. 1996 [Walter 97] E.Labrique.S. L. G. H. New York. Technip. Prentice Hall.Bose. Modelización.Ljung. Caron.Seguier. 1991 [Labrique 95] F. Kulhavý.Ljung. Ed. Buyse G.Ed.Middleton. tome 1 et 2”.N. Johansson. Ed.Bausiere. “Les convertisseurs de l’électronique de puissance.R. [Labrique 98] F. “Applied System Identification”. La conversion continu-alternatif”. 1992 [Juang 94] J. “Convertisseus statiques: Methodologie causale de modelisation et de commande”. Technip.C.BIBLIOGRAFIA. Boston.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .Marino. Departament d’Enginyeria Eléctrica. Analysis. Yusupov. Krstic. 1999 [Nelles 01] O. Ed. J. Lund Institute of Technology. Kokotovic “Nonlinear and adaptive control design”. Ed. Schröder (Ed. Ed. Rosenwasser.Verlag. Ed.Ioannou. 1998. Industrial Electrical Engineering and Automation. 1996 [Schroder 99] D. “Theory of sensitivity in dynamic systems”. Ed. “Non linear time series: a dynamical system approach”. 1994 [Rosenwasser 00] E.Geometric. Springer Verlsg. Prentice Hall. R. Kanellakopoulos. P. “ Nonlinear control design. 1996 [Corcoles 98] Felipe Corcoles López. CRC-Press. Sastry. ETSEIB-UPC. 4 [Tong 99] H.Tomei. Wiley Interscience. 1994 [Krstic 95] M. “Estudio y caracterización de la máquina de inducción.Tong. “Induction machine Speed Estimation. Ed. Springer-Verlsg. Técnicas.). Springer Verlag. Adaptive and Robust”. Oxford University Press.A.Sun. Ed. Observations on Observers”. 2000 Control no Lineal. stability and control”. 1999 [ Sastry 99] S. “Nonlinear System Identification”. “Intelligent observer and control design for nonlinear systems”. Aplicación de métodos analíticos y aproximados para el análisis transitorio”. Tesis Doctorales [Peterson 96] Bo Peterson. 1999. “Nonlinear systems.P. 1995 [Ioannou 96] P. 2001 Sensibilidad [Eslami 94] M. “Robust adaptive control”. Eslami. Springer. [Marino 94] R.BIBLIOGRAFIA. I. Ed. Prentice Hall. Observadores. Nelles. “Sensitivity of automatic control systems”.

1994 [Kubota 94] H. vol 29.A.J. 1111-1118.J.A. 2127-2131. EPE-93. [Atkinson 91] D.Klaes. IEEE-IA.Y.W.Giliberti.Thimm. vol 35. vol 29. 1993 [Katakoa 94] T.Acarnley.Bottura. 1219-1224. vol 28.K.” A flux observer for induction machines based on a time variant discrete model” : IEEE-IA.Toda. Obtención de parámetros y observación de variables no medibles y estados [Verghesse 88] G. 349-354.” Parameter estimation models for induction machines”. IEEE-IA.A.” Induction motor parameter estimation algorithm using spectral analysis”.S. 1992 [Chai 92] H.” Real time estimation of induction motor parameters by LSE”.Dell'Aquila.P.Lovecchio. 31.C.Levi. IEE. IEEE-IA. EPE-93.F. IEE. 5 Artículos. vol 30. 381-386. 1994 [Levi 94] E. IEEE-IE. 1994 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .M.Du.Chai. 1119-1127.” Parameter identification of an induction machine with regard to dependences on saturation”. vol 27.R. 1991 [Wijesundera 92] D.A.T.J. 439-444. S.C.Moreira.Matsuse. Electric power systems research. 165-174.Atkinson. Sanders. 1993 [Klaes 93] N.P.343-349.Wijesundera. 1993 [Du 93] T. 1992 [Bottura 93] C.” Modeling of saturated AC machines including air gap flux harmonic components”.D. IEEE-IA.Verghese. IEEE-IA.L.V.Lipo.R. vol 139.L.Lima. 325-329. 1994 [Jacobina 94] C.P. 1992 [Moreira 92] J.BIBLIOGRAFIA.Acarnley. “Observers for flux estimation in induction machines”.S.”Observers for field oriented control of induction motor drives”. 203-216. Comunicaciones Articulos sobre modelización de máquinas.Sato.N.” Observers for induction motor state and parameter estimation”.Silvino.B.R. Ponencias.” Applications of the current state space model in analysis of saturated induction machines”. 1135-1140.Finch.Salvatore.Jacobina. IEEE.Jackson. 1991 [Holtz 91] J. 726-733. vol 139. IEEE.” On line estimation of induction motor parameters by extended Kalman filter”.T.M.Holtz.Kataoka. 1993 [Dell’Aquila 94] A.P.P.” Implementation of extended Luenberger observers for jont state and parameter estimation of PWM induction motor drive”. de Resende. vol 27.S. 85-94.Brdys.Kubota.” Speed sensorless field oriented control of induction motor with rotor resistance adaptation”.”Identification of the machine parameters in a vector controlled induction motor drive”.

Woolfson.K.M. EPE-95. 5as JHLIE.Hantilla. E. ICEM-96.M.Llaverias.Tegopoulos. 1994 [Bunte 95] A.” Nonstationary models of induction motors and their identification with the help of multicriterion optimisation”. 29-33. Llaverías. “Transient torque determination in controlled drives. 1999 [Bargallo 00] R. vol43.Keyhani.” Sensitivies calculation for electrical machines”. Llaverias. "Contribution to parameter validation of the induction motor with saturation. 1998 [Bargallo 99] R. Tounzi. ICEM-96. 40-45.Jazdynsky. IEEE-IE. 1995 [Sullivan 96] C. Brule. 66. ICEM-96.J.H.P. ICEM-96. ICEM 2000.J.” Induction machines modelling with saturation. ICEM-96.Steuenberger.Nuscheler. Bargallo.Knudsen.Moon.Demeter.Bunte. 3492-3496.” Problems and failure sources with the parameter identification of asynchronous machines and their dependence on the identification method”. 1996 [Demeter 96] E.A. Martin. J. 1995 [Borsting 95] H. Contribution to the development of an equipment for dynamic operation test”. Helsinki. 153-158. Agosto 2000 [Brule 00] S.Jarray.Bargallo. 1996 [Bargallo 98] R.R.Jemli. E.Belmans.Llaverias.A.Borsting. “Comparison between FEM and the Park’s model to study the control of an induction machine”.C.” Off line parameter identification of an inverter fed induction motor at standstill”.M.” Modern spectral methods and induction motor design for real time speed estimation in sensorless vector drives”. 1996 [Jaddynsky 96] W. “Determinación de parámetros en la modelización de sistemas con saturación.Parameters estimation and validation”.Kao.G.F.” Induction machine parameters and flux on line estimation using recursive least squares algorithm”.Grotstollen. vol 30. J.BIBLIOGRAFIA.69. 101-106. IEEE-IA.Sanders.M. 1996 [Jarray 96] K. Martin.Vadstrup. 6 [Moon 94] S-I. EPE-95.Asper. E. Agosto 2000 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .S. 142-151. J. 1996 [Bargallo 96] R.” Control systems for induction machines with magnetic saturation”. Transient behavior and PWM supply”. 476-481.” Standstill estimation of electrical parameters in induction motor using an optimal input signal”.M.G. 1609-1615.M. 1996 [Ferrah 96] A. Bargalló.Bradley.S. 130-135.M. A. 1814-1819.Acker. ICEM-96. 1996 [Dolimar 96] Dolimar. Martin. J.Chaari.” Estimation of induction machine parameters from standstill time domain data”.” Determination of the induction motor model parameters using finite elements”. Helsinki. Identificación en tiempo real”.Boussak. 1996 [Nuscleler 96] R.Ferrah.Sullivan. ICEM-98.Gossa.B.R.Bargallo.R. ICEM-96. ICEM-2000.

.E. IEEE-IA.Kumin.Cornell.A. 1978 [Lipo 78] T.Sen.Sul. 588-596. 1996 Articulos històricos sobre modelización de máquinas y convertidores [Krause 69] P. “Modeling and design of controlled current induction motor drive system”.Peng. 1994 [Peng 94] F-Z.”Control loop study of induction motor drives using DQ model”. “Stability analysis of a rectifier-inverter induction motor drive”.E.Hori.” Speed sersorless field orientation control of the induction machine”. 1234-1240.”Analysis and control of torque pulsations in current fed induction motor drives” IEEE-Power Elec.C. ICEM-96. 897-903. 55-66. 1225-1233. 1972 [Lipo 75] T. 1969 [Blaschke 72] F.Grcar.A. 261-268.” Non linear control of induction motors via inpùt output decoupling”. Conf. 321-330. IEEE-IA.Sen.C.Krause. IEEE-PAS-88. 1969 [Lipo 69] T.Krause.Fukao.P. T.Blaschke. 184-189. 7 Articulos sobre Control de Máquinas Asíncronas [Tajima 93]H.D. vol 29.MacDonald. ICEM-96.P.Ide. vol 13. ETEP.Lipo.A. IEEE-Ie. P. IEEE-IA.Ho. 1978 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 1977 [MacDonald 78] M.A.Y. Spec. 1994 [Kim 94] Y-R.A.P.M-H. 40-49. 1996.L. IEEE-IAS-78 Anual meeting.” Comparison of the field oriented and the input output linearizing control scheme for the induction motor”.S-K.Lipo. P.IEEE-PAS-88. IEEE-IA. Siemens Review.B de Fornel.T. vol 4. vol 30.” High performance decoupling control techniques for various rotating field machines”. 1994 [Ho 95] E. 89-96.Dolimar.BIBLIOGRAFIA. IEEE-IA.” Robust speed identification for speed sensorless vector control of induction motors”.Cafuta.Park.Lipo. vol 34. vol 11. “State variable steady state analysis of a controlled current induction motor drive”.” Speed sensorless vector control of induction motor using extended Kalman filter”. 1993 [Frick 94] A.Frick. vol 42.Tajima.C. 1975 [Cornell 77] E.Lipo. vol 30.Cornell. 1995 [Ide 96] K.” Simple adaptive speed control with exact linearization for CSI fed Ac motors”. “Analysis and simplified representation of a rectifier- inverter induction motor drive”. 704-712. 175-180.P. Lipo. 217-220.C.P.Kim. 141-146. [Kumin 96] L. T. “The principle of field orientation as applied to the new TRANSVEKTOR closed loop control system for rotating field machines”.von Westerholt.

”Circuits models for polyphase induction machines”. 1999 [Conesa 99] David Conesa Lopez. Electric Machines and Power Systems. PFC.L. 1999 Normas [IEEE112] “IEEE Standard Test Procedure for Poliphase Induction Motors and Generators”. “Desenvolupament d’un sistema de mesura i/o observació de magnituts electromecàniques”. [Garcia 97] Xavier Garcia i Barrachina.BIBLIOGRAFIA. PFC. “Modelització de Màquines Asíncrones”.Slemon.Leonhard.Pfaff. PFC. Process Automation. New York. 1983 [Slemon 83] G. 369-379. “Identificación en tiempo real de los parámetros eléctricos y mecánics de máquinas de inducción mediante un DSP”. 35-41. 1999. A. 1983 [Kerkman 85] R. 1997 [Rovira 99] Jordi Rovira Carrera. IEEE. Aplicació a l’anàlisi de sensibilitat dinàmica de la màquina”.R. PFC.8. 1994.C.” Direct current control of AC drives with pulsed frequency converters”. 1997 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . IEEE.Wick. IA-21. Sistema para la variación y el control de par desarrollado por una máquina de corriente continua”.Nordby. “Steady-State and transient analyses of an induction machine with saturation of the magnetizing branch”. 1980 [Pfaff 83] G. ”Desarrollo de un sistema de medidas de magnitudes electromecánicas.”Microprocessor control of the converter fed induction motor” Process Automation. PFC. 226-234.Kerkman. 1985 Proyectos Final de Carrera [Sallent 94] Jordi Sallent i Salomó. 8 [Gabriel 80] R.Gabriel. [Escoda 99] Ignasi Escoda Escriva.W. “Modelat i simulació d’un conjunt convertidor+màquina d’inducció. 83-88. IEEE Std 112-1996.

EXPRESIONES PARA EL CÁLCULO DE LA SENSIBILIDAD  γ irsxs γ irsxr γ iLsxrl γ iJsx γ iρsx γ iasx1 γ iasx2   r   γ isys γ irsyr γ iLsyrl γ iJsy γ iρsy γ iasy1 γ isy  a2 ∂x  rs  =  γ irx γ irrxr γ iLrxrl γ iJrx γ iρrx γ iarx1 γ iarx2  ∂p  γ irs γ irryr γ iLryrl γ iJry γ iρry γ iary1 γ iary2   rrys a2  γ ω γ ωrrr γ ωLrrl γ ωJr γ ωρr γ ωa1r γ ωr   r .ANEXO I.

CÁLCULO DE FUNCIONES DE SENSIBILIDAD AI MODELO Nº 21 Formulación general x = (i sx ωr ) t i sy i rx i ry (1) u = (u sx Mc ) t u sy u rx u ry (2) p = (R s ρ a2 ) t Rr Lrl J a1 (3) y = (Ψsx Ψsy Me) t (4) definiendo las siguientes funciones de sensibilidad de las variables de estado:  γ irsxs γ irsxr γ iLsxrl γ iJsx γ iρsx γ iasx1 γ iasx2   r   γ isys γ irsyr γ iLsyrl γ iJsy γ iρsy γ iasy1 γ isy  a2 ∂x  rs  = γi γ irrxr γ iLrxrl γ iJrx γ iρrx γ iarx1 γ iarx2  ∂p  rrxs (5) γ i γ irryr γ iLryrl γ iJry γ iρry γ iary1 γ iary2   rrys  γ ω γ ωrrr γ ωLrlr γ ωJ r γ ωρr γ ωa1r γ ωa2r   r y de la sensibilidad de las variables de salida  σ Ψrs σ Ψrr sx σ ΨLrlsx σ ΨJ sx σ Ψρ sx σ Ψa1sx σ Ψa2sx  ∂y  rs sx = σ Ψ σ Ψrr sy σ ΨLrlsy σ ΨJ sy σ Ψρ sy σ Ψa1sy σ Ψa2sy  (6) ∂p  rssy  σ M σ rr σ Lrl σ J σ ρ σ a1 σ Ma2e   e Me Me Me Me Me en las páginas que siguen se encuentran los cálculos desarrollados a partir de las utilidades que ofrece el programa MAPLE RV.ANEXO I. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 para la manipulación algebraica y su posterior volcado en codigo FORTRAN 90 para su aplicación en los algorítmos utilizados en la tesis.

0 . 0  A :=   0.0.0].5.0.0 . 0. 0. 0. −Rr .-Rs.Lmx:=a1*a2/(1+(a2*imx)^2).0.[0. 0 . new definition for trace > imx:=isx+irx.w-wr].(w-wr)*Lrl.[0.-Rr.fluxsy:=a1*a rctan(a2*imy). .[Lmx. 0. 0].Lmy.[-(3/2)*P*fluxsy.0.0 .-(w-wr)*Lrl.−ρ   2 2  > OM:=matrix(5.0. new definition for norm Warning. Page 1 .Lmx. 0   1 + a2 ( isx + irx ) 2 2 + 2 + 2   1 a2 ( isx irx )     a1 a2 a1 a2  0 . 0. ( w − wr ) Lrl .-Rr.5.[fluxsx.[0.0.0. Lrl + . . > Flux:=array(1. 0. P a1 arctan( a2 ( isx + irx ) ) .0].0   1 + a22 ( isy + iry )2 + 2 + 2   1 a2 ( isy iry )  0 . −Rs .Lrl+Lmy.2.fluxsx:=a1*arctan(a2*imx).0].Lmy.0.[-w. 0 .0]]). > M:=matrix(5. 0. 0.[0. 0     3 3  − P a1 arctan( a2 ( isy + iry ) ) .0.[0. −( w − wr ) Lrl .0.-r ho]]).0.Lrl+Lmx. −Rr .2.0 ]..0. 0. 0    0 .0]. imx := isx + irx imy := isy + iry fluxsx := a1 arctan( a2 ( isx + irx ) ) fluxsy := a1 arctan( a2 ( isy + iry ) ) Flux := [ a1 arctan( a2 ( isx + irx ) ). −Rs . .0].w].> with(linalg): Warning.0.0. 0    0 .Lmy: =a1*a2/(1+(a2*imy)^2). J  > > A:=matrix(5.fluxsy]). 0.[[-Rs.[[Lmx.J]]).0.[0.0 . 0.imy:=isy+iry. . 0   1 + a2 2 ( isy + iry )2 1 + a2 2 ( isy + iry )2    M :=  a1 a2 a1 a2    .Lmy.[0.0.0.0].0].[0. a1 arctan( a2 ( isy + iry ) ) ] a1 a2 Lmx := 1 + a22 ( isx + irx )2 a1 a2 Lmy := 1 + a22 ( isy + iry )2  a1 a2 a1 a2   .(3/2)*P*fluxsx.0.0   1 + a22 ( isx + irx )2 1 + a22 ( isx + irx )2     a1 a2 a1 a2  0 . 0 .[[0.[-(w-wr). Lrl + .0].

− .iry. usy. 0   Lrl Lrl     1  0 . 0.-Mc]). Lrl usx urx w a1 %2 − Rs isx ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − + − + . . x := [ isx.parc2):parc5:=multiply(M1.v):parc2:=multiply(A. ury. v := [ usx. .x):parc3:=multiply(OM. Lrl ( Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 ) usy ury − Lrl a1 a2 Lrl ( Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 ) ( −w a1 %1 − Rs isy ) + Lrl a1 a2 ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − .ury. irx. 0. wr ] > M1:=inverse(M). . 0. 0 . − .   J  > parc1:=multiply(M1.0   Lrl a1 a2 Lrl     1 1  M1 := − .parc5). iry. 0     Lrl a1 a2 Lrl     Lrl + Lrl a2 isy + 2 Lrl a2 isy iry + Lrl a2 iry + a1 a2  2 2 2 2 2 1 0 . −Mc ] > x:=vector([isx. urx.Fl ux):parc4:=matadd(parc3. isy.usy.irx.  Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 1   . 0 . 0.wr]). 0.    ( Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 ) usx urx Final :=  −  Lrl a1 a2 Lrl ( Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 ) ( w a1 %2 − Rs isx ) + Lrl a1 a2 ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − .isy.  0 w     −w 0    OM :=  0 w − wr   −w + wr 0     0 0  > v:=vector([usx. − . 0   Lrl Lrl     1 1  0 . 0.0 . Lrl Lrl Lrl Lrl Page 2 .parc4):Final:= matadd(parc1.urx.

−w a1 arctan( a2 ( isx + irx ) ) − Rs isy. Lrl w a1 %2 − Rs isx ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − + . Lrl Lrl −w a1 %1 − Rs isy ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − + . Lrl Lrl 3 3  − P Fluxsy isx + P Fluxsx isy − ρ wr  2 2   J  %1 := arctan( a2 ( isx + irx ) ) %2 := arctan( a2 ( isy + iry ) ) >    ( Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 ) usx urx Final :=  −  Lrl a1 a2 Lrl Page 3 . usy ury −w a1 %1 − Rs isy ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − + − + . 3 3  − P Fluxsy isx + P Fluxsx isy − ρ wr  2 2  >    ( Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 ) ( w a1 %2 − Rs isx ) parc5 :=   Lrl a1 a2 ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − . ( −w + wr ) a1 arctan( a2 ( isx + irx ) ) − ( w − wr ) Lrl irx − Rr iry.  ( w − wr ) a1 arctan( a2 ( isy + iry ) ) − Rr irx + ( w − wr ) Lrl iry. Lrl Lrl Lrl Lrl 3 3  − P a1 %2 isx + P a1 %1 isy − ρ wr  Mc 2 2  − +  J J  %1 := arctan( a2 ( isx + irx ) ) %2 := arctan( a2 ( isy + iry ) ) >  parc4 :=  w a1 arctan( a2 ( isy + iry ) ) − Rs isx. Lrl ( Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 ) ( −w a1 %1 − Rs isy ) Lrl a1 a2 ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − .

Lrl ( Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 ) usy ury − Lrl a1 a2 Lrl ( Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 ) ( −w a1 %1 − Rs isy ) + Lrl a1 a2 ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − . a2 ] > Pare:=(3/2)*P*(fluxsx*isy-fluxsy*isx).Pare]). Lrl ( 1 + a2 ( isy + iry ) ) 2 2 Lrl ( 1 + a22 ( isy + iry )2 ) Page 4 .  Lrl a1 a2 Lrl a1 a2 Lrl a1 a2 %1 w ( w − wr ) a1 a2 − .Rr. ( Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 ) ( w a1 %2 − Rs isx ) + Lrl a1 a2 ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − .fluxsy.Lrl.a1. Lrl usx urx w a1 %2 − Rs isx ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry − + − + .  3  P ( a1 arctan( a2 ( isx + irx ) ) isy − a1 arctan( a2 ( isy + iry ) ) isx )  2  > dfx:=jacobian(Final. ρ.x). param := [ Rs.  salidas :=  a1 arctan( a2 ( isx + irx ) ). a1 arctan( a2 ( isy + iry ) ).rho. Lrl.J. J.a2]). a1. Rr. 3 Pare := P ( a1 arctan( a2 ( isx + irx ) ) isy − a1 arctan( a2 ( isy + iry ) ) isx ) 2 > salidas:=vector([fluxsx. Lrl Lrl Lrl Lrl 3 3  − P Fluxsy isx + P Fluxsx isy − ρ wr  Mc 2 2  − +  J J  %1 := arctan( a2 ( isx + irx ) ) %2 := arctan( a2 ( isy + iry ) ) > param:=vector([Rs. Lrl Lrl Lrl Lrl usy ury −w a1 %1 − Rs isy ( −w + wr ) a1 %1 − ( w − wr ) Lrl irx − Rr iry − + − + . dfx :=    %3 usx %3 ( w a1 %2 − Rs isx )  %1 Rs  + − .

− + .−  Lrl ( 1 + a22 ( isy + iry )2 ) Lrl Lrl     ( −w + wr ) a1 a2  %4 w  − − . Lrl a1 a2 Lrl a1 a2 Lrl ( w − wr ) a1 a2  + ( w − wr ) Lrl  %1 w 1 + a2 ( isy + iry ) 2 2 −a1 %2 − Lrl iry  − . . −  2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J %1 := Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 Page 5 .− .  J J   3 P a1 a2 isy 3 P a1 a2 isx ρ  .  Lrl ( 1 + a22 ( isx + irx )2 ) Lrl Lrl Lrl   3 3 P a1 a2 isy 3 P a1 a2 isx 3  − P a1 %2 + − + P a1 %5  2 2 1 + a2 ( isx + irx ) 2 2 2 1 + a2 ( isy + iry ) 2 2 2   .  Lrl ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a22 ( isx + irx )2 ) %6 usy %6 ( −w a1 %5 − Rs isy ) %4 Rs + − .  Lrl Lrl ( 1 + a22 ( isy + iry )2 ) Lrl ( 1 + a22 ( isy + iry )2 ) Lrl ( w − wr ) a1 a2  + ( w − wr ) Lrl  w a1 a2 1 + a22 ( isy + iry )2 −a1 %2 − Lrl iry  − + .−  Lrl a1 a2 Lrl a1 a2 Lrl Lrl     Rs ( w − wr ) a1 a2  w a1 a2 Rr  . .  Lrl ( 1 + a22 ( isy + iry )2 ) Lrl Lrl     ( −w + wr ) a1 a2  w a1 a2 Rs  + . %3 usx %3 ( w a1 %2 − Rs isx ) Rr + + . Lrl ( 1 + a22 ( isx + irx )2 ) Lrl   %6 usy %6 ( −w a1 %5 − Rs isy ) Rr a1 %5 + Lrl irx  + + .− . − .  Lrl ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a22 ( isx + irx )2 ) Lrl ( −w + wr ) a1 a2  − ( w − wr ) Lrl  w a1 a2 1 + a22 ( isx + irx )2 Rr a1 %5 + Lrl irx  + . Lrl a1 a2 Lrl a1 a2 Lrl a1 a2 ( −w + wr ) a1 a2 − ( w − wr ) Lrl %4 w 1 + a22 ( isx + irx )2 − − .

− + Lrl2 Lrl Lrl a12 a2 Lrl a1 %1 ( w a1 %2 − Rs isx ) w a1 %2 − Rs isx %1 w %2 ( w − wr ) %2 %1 usx − + + − .− Lrl a12 a2 Lrl a1 Lrl a1 a2 Lrl Lrl a1 a22 ( 2 Lrl a2 isx2 + 4 Lrl a2 isx irx + 2 Lrl a2 irx2 + a1 ) usx %1 ( w a1 %2 − Rs isx ) + − Lrl a1 a2 Lrl a1 a22 ( 2 Lrl a2 isx2 + 4 Lrl a2 isx irx + 2 Lrl a2 irx2 + a1 ) ( w a1 %2 − Rs isx ) + Lrl a1 a2 %1 w ( isy + iry ) ( w − wr ) a1 ( isy + iry )  + −   Lrl a2 ( 1 + a22 ( isy + iry )2 ) Lrl ( 1 + a22 ( isy + iry )2 )   %3 isy iry %3 usy ( 1 + a22 isy2 + 2 a22 isy iry + a22 iry2 ) usy ury − .− Lrl a12 a2 Lrl a1 Lrl a1 a2 Lrl Lrl a1 a22 ( 2 Lrl a2 isy2 + 4 Lrl a2 isy iry + 2 Lrl a2 iry2 + a1 ) usy %3 ( −w a1 %4 − Rs isy ) + − Lrl a1 a2 Lrl a1 a22 ( 2 Lrl a2 isy2 + 4 Lrl a2 isy iry + 2 Lrl a2 iry2 + a1 ) ( −w a1 %4 − Rs isy ) + Lrl a1 a2 %3 w ( isx + irx ) ( −w + wr ) a1 ( isx + irx )  − −  2  Lrl a2 ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a2 ( isx + irx ) )  2 Page 6 .param). dfparam :=  %1 isx irx %1 usx ( 1 + a22 isx2 + 2 a22 isx irx + a22 irx2 ) usx urx − .0.  Lrl a1 a2 Lrl Lrl2 a1 a2 Lrl a1 a2 Lrl2 %3 ( −w a1 %4 − Rs isy ) ( 1 + a22 isy2 + 2 a22 isy iry + a22 iry2 ) ( −w a1 %4 − Rs isy ) − + Lrl2 a1 a2 Lrl a1 a2 ( −w + wr ) a1 %4 − ( w − wr ) Lrl irx − Rr iry ( w − wr ) irx %3 usy usy + + .− + +  .0. %2 := arctan( a2 ( isy + iry ) ) %3 := 2 Lrl a22 isx + 2 Lrl a22 irx %4 := Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 %5 := arctan( a2 ( isx + irx ) ) %6 := 2 Lrl a22 isy + 2 Lrl a22 iry > dfparam:=jacobian(Final.  Lrl a1 a2 Lrl Lrl2 a1 a2 Lrl a1 a2 Lrl2 %1 ( w a1 %2 − Rs isx ) ( 1 + a22 isx2 + 2 a22 isx irx + a22 irx2 ) ( w a1 %2 − Rs isx ) − + Lrl2 a1 a2 Lrl a1 a2 ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry ( w − wr ) iry %1 usx usx + − .0.− + Lrl2 Lrl Lrl a12 a2 Lrl a1 %3 ( −w a1 %4 − Rs isy ) −w a1 %4 − Rs isy %3 w %4 ( −w + wr ) %4 %3 usy − + − − .0.− + +  .

 isx irx
 ,− ,
 Lrl Lrl
usx urx w a1 %2 − Rs isx ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry ( w − wr ) iry
− + − +
Lrl2 Lrl2 Lrl2 Lrl2 Lrl
w %2 ( w − wr ) %2 w a1 ( isy + iry ) ( w − wr ) a1 ( isy + iry ) 
,0,0,− + ,− + 
Lrl Lrl Lrl ( 1 + a22 ( isy + iry )2 ) Lrl ( 1 + a22 ( isy + iry )2 ) 
 isy iry usy ury −w a1 %4 − Rs isy
 ,− , − +
 Lrl Lrl Lrl2 Lrl2 Lrl2
( −w + wr ) a1 %4 − ( w − wr ) Lrl irx − Rr iry ( w − wr ) irx
− − ,0,0,
Lrl2 Lrl
w %4 ( −w + wr ) %4 w a1 ( isx + irx ) ( −w + wr ) a1 ( isx + irx ) 
+ , + 
Lrl Lrl Lrl ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a22 ( isx + irx )2 ) 
 3 3 3 3
 − P a1 %2 isx + P a1 %4 isy − ρ wr − P %2 isx + P %4 isy

 Mc 2 2 wr 2 2
 0 , 0 , 0 , 2 − ,− , ,
 J J2 J J
3 P a1 ( isy + iry ) isx 3 P a1 ( isx + irx ) isy 
− + 
2 1 + a22 ( isy + iry )2 2 1 + a22 ( isx + irx )2 

J 
%1 := Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2
%2 := arctan( a2 ( isy + iry ) )
%3 := Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2
%4 := arctan( a2 ( isx + irx ) )
> dgx:=jacobian(salidas,x);
dgx :=
 a1 a2 a1 a2 
 ,0, , 0 , 0 
 1 + a2 ( isx + irx )
2 2
1 + a2 ( isx + irx )
2 2

 a1 a2 a1 a2 
 0 , ,0, , 0 
 1 + a2 ( isy + iry )
2 2
1 + a2 ( isy + iry )
2 2

3  a1 a2 isy 
 P  − a1 arctan( a2 ( isy + iry ) )  ,
 2  1 + a2 ( isx + irx )
2 2

3  a1 a2 isx  3 P a1 a2 isy
P  a1 arctan( a2 ( isx + irx ) ) −  , ,
2  1 + a2 ( isy + iry )  2 1 + a22 ( isx + irx )2
2 2

3 P a1 a2 isx 
− , 0 
2 1 + a22 ( isy + iry )2 
> dgparam:=jacobian(salidas,param);
dgparam :=

Page 7

 a1 ( isx + irx ) 
 0 , 0 , 0 , 0 , 0 , arctan( a2 ( isx + irx ) ) , 
 1 + a22 ( isx + irx )2 
 a1 ( isy + iry ) 
 0 , 0 , 0 , 0 , 0 , arctan( a2 ( isy + iry ) ) , 
 1 + a22 ( isy + iry )2 
 3
 0 , 0 , 0 , 0 , 0 , P ( arctan( a2 ( isx + irx ) ) isy − arctan( a2 ( isy + iry ) ) isx ) ,
 2
3  a1 ( isx + irx ) isy a1 ( isy + iry ) isx  
P  −  
2  1 + a22 ( isx + irx )2 1 + a22 ( isy + iry )2  
> gamm:=matrix(5,7,[[gamma11,gamma12,gamma13,gamma14,gamma15,gamma
16,gamma17],[gamma21,gamma22,gamma23,gamma24,gamma25,gamma26,gam
ma27],[gamma31,gamma32,gamma33,gamma34,gamma35,gamma36,gamma37],
[gamma41,gamma42,gamma43,gamma44,gamma45,gamma46,gamma47],[gamma
51,gamma52,gamma53,gamma54,gamma55,gamma56,gamma57]]);
γ11 γ12 γ13 γ14 γ15 γ16 γ17
 
γ21 γ22 γ23 γ24 γ25 γ26 γ27
 
gamm := γ31 γ32 γ33 γ34 γ35 γ36 γ37
 
γ41 γ42 γ43 γ44 γ45 γ46 γ47
 
γ51 γ52 γ53 γ54 γ55 γ56 γ57
> p1:=multiply(dfx,gamm);
p1 :=
 ( −a1 %1 − Lrl iry ) γ51
 %9 γ11 + ( %4 − %8 ) γ21 + %7 γ31 + ( %4 − %2 ) γ41 − ,
 Lrl
( −a1 %1 − Lrl iry ) γ52
%9 γ12 + ( %4 − %8 ) γ22 + %7 γ32 + ( %4 − %2 ) γ42 − ,
Lrl
( −a1 %1 − Lrl iry ) γ53
%9 γ13 + ( %4 − %8 ) γ23 + %7 γ33 + ( %4 − %2 ) γ43 − ,
Lrl
( −a1 %1 − Lrl iry ) γ54
%9 γ14 + ( %4 − %8 ) γ24 + %7 γ34 + ( %4 − %2 ) γ44 − ,
Lrl
( −a1 %1 − Lrl iry ) γ55
%9 γ15 + ( %4 − %8 ) γ25 + %7 γ35 + ( %4 − %2 ) γ45 − ,
Lrl
( −a1 %1 − Lrl iry ) γ56
%9 γ16 + ( %4 − %8 ) γ26 + %7 γ36 + ( %4 − %2 ) γ46 − ,
Lrl
( −a1 %1 − Lrl iry ) γ57 
%9 γ17 + ( %4 − %8 ) γ27 + %7 γ37 + ( %4 − %2 ) γ47 − 
Lrl 
 ( a1 %10 + Lrl irx ) γ51
 ( −%16 − %18 ) γ11 + %17 γ21 + ( −%16 − %14 ) γ31 + %13 γ41 − ,
 Lrl
( a1 %10 + Lrl irx ) γ52
( −%16 − %18 ) γ12 + %17 γ22 + ( −%16 − %14 ) γ32 + %13 γ42 − ,
Lrl

Page 8

( a1 %10 + Lrl irx ) γ53
( −%16 − %18 ) γ13 + %17 γ23 + ( −%16 − %14 ) γ33 + %13 γ43 − ,
Lrl
( a1 %10 + Lrl irx ) γ54
( −%16 − %18 ) γ14 + %17 γ24 + ( −%16 − %14 ) γ34 + %13 γ44 − ,
Lrl
( a1 %10 + Lrl irx ) γ55
( −%16 − %18 ) γ15 + %17 γ25 + ( −%16 − %14 ) γ35 + %13 γ45 − ,
Lrl
( a1 %10 + Lrl irx ) γ56
( −%16 − %18 ) γ16 + %17 γ26 + ( −%16 − %14 ) γ36 + %13 γ46 − ,
Lrl
( a1 %10 + Lrl irx ) γ57 
( −%16 − %18 ) γ17 + %17 γ27 + ( −%16 − %14 ) γ37 + %13 γ47 − 
Lrl 
 Rs γ11 Rr γ31 ( −a1 %1 − Lrl iry ) γ51
 + ( −%19 + %8 ) γ21 − + ( −%19 + %2 ) γ41 + ,
 Lrl Lrl Lrl
Rs γ12 Rr γ32 ( −a1 %1 − Lrl iry ) γ52
+ ( −%19 + %8 ) γ22 − + ( −%19 + %2 ) γ42 + ,
Lrl Lrl Lrl
Rs γ13 Rr γ33 ( −a1 %1 − Lrl iry ) γ53
+ ( −%19 + %8 ) γ23 − + ( −%19 + %2 ) γ43 + ,
Lrl Lrl Lrl
Rs γ14 Rr γ34 ( −a1 %1 − Lrl iry ) γ54
+ ( −%19 + %8 ) γ24 − + ( −%19 + %2 ) γ44 + ,
Lrl Lrl Lrl
Rs γ15 Rr γ35 ( −a1 %1 − Lrl iry ) γ55
+ ( −%19 + %8 ) γ25 − + ( −%19 + %2 ) γ45 + ,
Lrl Lrl Lrl
Rs γ16 Rr γ36 ( −a1 %1 − Lrl iry ) γ56
+ ( −%19 + %8 ) γ26 − + ( −%19 + %2 ) γ46 + ,
Lrl Lrl Lrl
Rs γ17 Rr γ37 ( −a1 %1 − Lrl iry ) γ57 
+ ( −%19 + %8 ) γ27 − + ( −%19 + %2 ) γ47 + 
Lrl Lrl Lrl 
 Rs γ21 Rr γ41 ( a1 %10 + Lrl irx ) γ51
 ( %20 + %18 ) γ11 + + ( %20 + %14 ) γ31 − + ,
 Lrl Lrl Lrl
Rs γ22 Rr γ42 ( a1 %10 + Lrl irx ) γ52
( %20 + %18 ) γ12 + + ( %20 + %14 ) γ32 − + ,
Lrl Lrl Lrl
Rs γ23 Rr γ43 ( a1 %10 + Lrl irx ) γ53
( %20 + %18 ) γ13 + + ( %20 + %14 ) γ33 − + ,
Lrl Lrl Lrl
Rs γ24 Rr γ44 ( a1 %10 + Lrl irx ) γ54
( %20 + %18 ) γ14 + + ( %20 + %14 ) γ34 − + ,
Lrl Lrl Lrl
Rs γ25 Rr γ45 ( a1 %10 + Lrl irx ) γ55
( %20 + %18 ) γ15 + + ( %20 + %14 ) γ35 − + ,
Lrl Lrl Lrl
Rs γ26 Rr γ46 ( a1 %10 + Lrl irx ) γ56
( %20 + %18 ) γ16 + + ( %20 + %14 ) γ36 − + ,
Lrl Lrl Lrl

Page 9

Rs γ27 Rr γ47 ( a1 %10 + Lrl irx ) γ57 
( %20 + %18 ) γ17 + + ( %20 + %14 ) γ37 − + 
Lrl Lrl Lrl 
 %22 γ11 %21 γ21 3 P a1 a2 isy γ31 3 P a1 a2 isx γ41 ρ γ51
 + + − − ,
 J J 2 J ( 1 + a2 ( isx + irx ) ) 2 J ( 1 + a2 ( isy + iry ) )
2 2 2 2 J
%22 γ12 %21 γ22 3 P a1 a2 isy γ32 3 P a1 a2 isx γ42 ρ γ52
+ + − − ,
J J 2 J ( 1 + a2 ( isx + irx ) )
2 2 2 J ( 1 + a2 ( isy + iry ) )
2 2 J
%22 γ13 %21 γ23 3 P a1 a2 isy γ33 3 P a1 a2 isx γ43 ρ γ53
+ + − − ,
J J 2 J ( 1 + a2 ( isx + irx ) )
2 2 2 J ( 1 + a2 ( isy + iry ) )
2 2 J
%22 γ14 %21 γ24 3 P a1 a2 isy γ34 3 P a1 a2 isx γ44 ρ γ54
+ + − − ,
J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J
%22 γ15 %21 γ25 3 P a1 a2 isy γ35 3 P a1 a2 isx γ45 ρ γ55
+ + − − ,
J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J
%22 γ16 %21 γ26 3 P a1 a2 isy γ36 3 P a1 a2 isx γ46 ρ γ56
+ + − − ,
J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J
%22 γ17 %21 γ27 3 P a1 a2 isy γ37 3 P a1 a2 isx γ47 ρ γ57 
+ + − − 
J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J 
%1 := arctan( a2 ( isy + iry ) )
( w − wr ) a1 a2
+ ( w − wr ) Lrl
1 + a22 ( isy + iry )2
%2 :=
Lrl
%3 := Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2
%3 w
%4 :=
Lrl ( 1 + a22 ( isy + iry )2 )
%5 := 2 Lrl a22 isx + 2 Lrl a22 irx
%5 ( w a1 %1 − Rs isx )
%6 :=
Lrl a1 a2
%5 usx Rr
%7 := + %6 +
Lrl a1 a2 Lrl
( w − wr ) a1 a2
%8 :=
Lrl ( 1 + a22 ( isy + iry )2 )
%5 usx %3 Rs
%9 := + %6 −
Lrl a1 a2 Lrl a1 a2
%10 := arctan( a2 ( isx + irx ) )
%11 := 2 Lrl a22 isy + 2 Lrl a22 iry
%11 ( −w a1 %10 − Rs isy )
%12 :=
Lrl a1 a2

Page 10

%11 usy Rr
%13 := + %12 +
Lrl a1 a2 Lrl
( −w + wr ) a1 a2
− ( w − wr ) Lrl
1 + a22 ( isx + irx )2
%14 :=
Lrl
%15 := Lrl + Lrl a2 isy + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2
2 2

%15 w
%16 :=
Lrl ( 1 + a22 ( isx + irx )2 )
%11 usy %15 Rs
%17 := + %12 −
Lrl a1 a2 Lrl a1 a2
( −w + wr ) a1 a2
%18 :=
Lrl ( 1 + a22 ( isx + irx )2 )
w a1 a2
%19 :=
Lrl ( 1 + a22 ( isy + iry )2 )
w a1 a2
%20 :=
Lrl ( 1 + a22 ( isx + irx )2 )
3 P a1 a2 isx 3
%21 := − + P a1 %10
2 1 + a22 ( isy + iry )2 2
3 3 P a1 a2 isy
%22 := − P a1 %1 +
2 2 1 + a22 ( isx + irx )2
> dsens:=matadd(p1,dfparam);
dsens :=
 ( −a1 %2 − Lrl iry ) γ51 %1 isx
 %9 γ11 + ( %4 − %8 ) γ21 + %7 γ31 + ( %4 − %3 ) γ41 − −

 Lrl Lrl a1 a2
( −a1 %2 − Lrl iry ) γ52 irx
, %9 γ12 + ( %4 − %8 ) γ22 + %7 γ32 + ( %4 − %3 ) γ42 − + ,
Lrl Lrl
( −a1 %2 − Lrl iry ) γ53 %1 usx
%9 γ13 + ( %4 − %8 ) γ23 + %7 γ33 + ( %4 − %3 ) γ43 − −
Lrl Lrl2 a1 a2
( 1 + a22 isx2 + 2 a22 isx irx + a22 irx2 ) usx urx %1 ( w a1 %2 − Rs isx )
+ + −
Lrl a1 a2 Lrl2 Lrl2 a1 a2
( 1 + a22 isx2 + 2 a22 isx irx + a22 irx2 ) ( w a1 %2 − Rs isx )
+
Lrl a1 a2
( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry ( w − wr ) iry
+ 2
− ,
Lrl Lrl
( −a1 %2 − Lrl iry ) γ54
%9 γ14 + ( %4 − %8 ) γ24 + %7 γ34 + ( %4 − %3 ) γ44 − ,
Lrl

Page 11

( −a1 %2 − Lrl iry ) γ55
%9 γ15 + ( %4 − %8 ) γ25 + %7 γ35 + ( %4 − %3 ) γ45 − , %9 γ16
Lrl
( −a1 %2 − Lrl iry ) γ56 %1 usx
+ ( %4 − %8 ) γ26 + %7 γ36 + ( %4 − %3 ) γ46 − −
Lrl Lrl a12 a2
usx %1 ( w a1 %2 − Rs isx ) w a1 %2 − Rs isx %1 w %2 ( w − wr ) %2
+ − 2
+ + − , %9 γ17
Lrl a1 Lrl a1 a2 Lrl a1 Lrl a1 a2 Lrl
( −a1 %2 − Lrl iry ) γ57 %1 usx
+ ( %4 − %8 ) γ27 + %7 γ37 + ( %4 − %3 ) γ47 − −
Lrl Lrl a1 a22
( 2 Lrl a2 isx2 + 4 Lrl a2 isx irx + 2 Lrl a2 irx2 + a1 ) usx %1 ( w a1 %2 − Rs isx )
+ −
Lrl a1 a2 Lrl a1 a22
( 2 Lrl a2 isx2 + 4 Lrl a2 isx irx + 2 Lrl a2 irx2 + a1 ) ( w a1 %2 − Rs isx )
+
Lrl a1 a2
%1 w ( isy + iry ) ( w − wr ) a1 ( isy + iry ) 
+ − 

Lrl a2 ( 1 + a22 ( isy + iry )2 ) Lrl ( 1 + a22 ( isy + iry )2 ) 
 ( a1 %11 + Lrl irx ) γ51
 ( −%16 − %18 ) γ11 + %17 γ21 + ( −%16 − %15 ) γ31 + %14 γ41 −

 Lrl
%10 isy
− , ( −%16 − %18 ) γ12 + %17 γ22 + ( −%16 − %15 ) γ32 + %14 γ42
Lrl a1 a2
( a1 %11 + Lrl irx ) γ52 iry
− + , ( −%16 − %18 ) γ13 + %17 γ23 + ( −%16 − %15 ) γ33
Lrl Lrl
( a1 %11 + Lrl irx ) γ53 %10 usy
+ %14 γ43 − −
Lrl Lrl2 a1 a2
( 1 + a22 isy2 + 2 a22 isy iry + a22 iry2 ) usy ury %10 ( −w a1 %11 − Rs isy )
+ + −
Lrl a1 a2 Lrl2 Lrl2 a1 a2
( 1 + a22 isy2 + 2 a22 isy iry + a22 iry2 ) ( −w a1 %11 − Rs isy )
+
Lrl a1 a2
( −w + wr ) a1 %11 − ( w − wr ) Lrl irx − Rr iry ( w − wr ) irx
+ + ,
Lrl2 Lrl
( a1 %11 + Lrl irx ) γ54
( −%16 − %18 ) γ14 + %17 γ24 + ( −%16 − %15 ) γ34 + %14 γ44 − ,
Lrl
( a1 %11 + Lrl irx ) γ55
( −%16 − %18 ) γ15 + %17 γ25 + ( −%16 − %15 ) γ35 + %14 γ45 − ,
Lrl
( a1 %11 + Lrl irx ) γ56
( −%16 − %18 ) γ16 + %17 γ26 + ( −%16 − %15 ) γ36 + %14 γ46 −
Lrl
%10 usy usy %10 ( −w a1 %11 − Rs isy ) −w a1 %11 − Rs isy %10 w %11
− 2
+ − 2
+ −
Lrl a1 a2 Lrl a1 Lrl a1 a2 Lrl a1 Lrl a1 a2
Page 12

( −w + wr ) %11
− , ( −%16 − %18 ) γ17 + %17 γ27 + ( −%16 − %15 ) γ37 + %14 γ47
Lrl
( a1 %11 + Lrl irx ) γ57 %10 usy
− −
Lrl Lrl a1 a22
( 2 Lrl a2 isy2 + 4 Lrl a2 isy iry + 2 Lrl a2 iry2 + a1 ) usy %10 ( −w a1 %11 − Rs isy )
+ −
Lrl a1 a2 Lrl a1 a22
( 2 Lrl a2 isy2 + 4 Lrl a2 isy iry + 2 Lrl a2 iry2 + a1 ) ( −w a1 %11 − Rs isy )
+
Lrl a1 a2
%10 w ( isx + irx ) ( −w + wr ) a1 ( isx + irx ) 
− − 
2 
Lrl a2 ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a2 ( isx + irx ) ) 
2

 Rs γ11 Rr γ31 ( −a1 %2 − Lrl iry ) γ51 isx
 + ( −%19 + %8 ) γ21 − + ( −%19 + %3 ) γ41 + + ,
 Lrl Lrl Lrl Lrl
Rs γ12 Rr γ32 ( −a1 %2 − Lrl iry ) γ52 irx
+ ( −%19 + %8 ) γ22 − + ( −%19 + %3 ) γ42 + − ,
Lrl Lrl Lrl Lrl
Rs γ13 Rr γ33 ( −a1 %2 − Lrl iry ) γ53 usx
+ ( −%19 + %8 ) γ23 − + ( −%19 + %3 ) γ43 + +
Lrl Lrl Lrl Lrl2
urx w a1 %2 − Rs isx ( w − wr ) a1 %2 − Rr irx + ( w − wr ) Lrl iry ( w − wr ) iry
− + − + ,
Lrl2 Lrl2 Lrl2 Lrl
Rs γ14 Rr γ34 ( −a1 %2 − Lrl iry ) γ54
+ ( −%19 + %8 ) γ24 − + ( −%19 + %3 ) γ44 + ,
Lrl Lrl Lrl
Rs γ15 Rr γ35 ( −a1 %2 − Lrl iry ) γ55 Rs γ16
+ ( −%19 + %8 ) γ25 − + ( −%19 + %3 ) γ45 + ,
Lrl Lrl Lrl Lrl
Rr γ36 ( −a1 %2 − Lrl iry ) γ56 w %2
+ ( −%19 + %8 ) γ26 − + ( −%19 + %3 ) γ46 + −
Lrl Lrl Lrl
( w − wr ) %2 Rs γ17 Rr γ37
+ , + ( −%19 + %8 ) γ27 − + ( −%19 + %3 ) γ47
Lrl Lrl Lrl
( −a1 %2 − Lrl iry ) γ57 w a1 ( isy + iry ) ( w − wr ) a1 ( isy + iry ) 
+ − + 
Lrl Lrl ( 1 + a22 ( isy + iry )2 ) Lrl ( 1 + a22 ( isy + iry )2 ) 
 Rs γ21 Rr γ41 ( a1 %11 + Lrl irx ) γ51 isy
 ( %20 + %18 ) γ11 + + ( %20 + %15 ) γ31 − + + ,
 Lrl Lrl Lrl Lrl
Rs γ22 Rr γ42 ( a1 %11 + Lrl irx ) γ52 iry
( %20 + %18 ) γ12 + + ( %20 + %15 ) γ32 − + − ,
Lrl Lrl Lrl Lrl
Rs γ23 Rr γ43 ( a1 %11 + Lrl irx ) γ53 usy
( %20 + %18 ) γ13 + + ( %20 + %15 ) γ33 − + +
Lrl Lrl Lrl Lrl2
ury −w a1 %11 − Rs isy ( −w + wr ) a1 %11 − ( w − wr ) Lrl irx − Rr iry
− + −
Lrl2 Lrl2 Lrl2

Page 13

 J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J %22 γ12 %21 γ22 3 P a1 a2 isy γ32 3 P a1 a2 isx γ42 ρ γ52 + + − − . Lrl Lrl Lrl Rs γ26 Rr γ46 ( a1 %11 + Lrl irx ) γ56 ( %20 + %18 ) γ16 + + ( %20 + %15 ) γ36 − + Lrl Lrl Lrl w %11 ( −w + wr ) %11 Rs γ27 Rr γ47 + + . Lrl Lrl Lrl Rs γ25 Rr γ45 ( a1 %11 + Lrl irx ) γ55 ( %20 + %18 ) γ15 + + ( %20 + %15 ) γ35 − + . J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J %22 γ13 %21 γ23 3 P a1 a2 isy γ33 3 P a1 a2 isx γ43 ρ γ53 + + − − . + + J J J 2 J ( 1 + a22 ( isx + irx )2 ) 3 P a1 ( isy + iry ) isx 3 P a1 ( isx + irx ) isy  − +  3 P a1 a2 isx γ47 ρ γ57 2 1 + a22 ( isy + iry )2 2 1 + a22 ( isx + irx )2  − − +  2 J ( 1 + a22 ( isy + iry )2 ) J J  %1 := Lrl + Lrl a22 isx2 + 2 Lrl a22 isx irx + Lrl a22 irx2 + a1 a2 %2 := arctan( a2 ( isy + iry ) ) Page 14 . J2 %22 γ15 %21 γ25 3 P a1 a2 isy γ35 3 P a1 a2 isx γ45 ρ γ55 wr + + − − − . J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J J %22 γ16 %21 γ26 3 P a1 a2 isy γ36 3 P a1 a2 isx γ46 ρ γ56 + + − − J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J 3 3 − P %2 isx + P %11 isy 2 2 %22 γ17 %21 γ27 3 P a1 a2 isy γ37 + . ( %20 + %18 ) γ17 + + ( %20 + %15 ) γ37 − Lrl Lrl Lrl Lrl ( a1 %11 + Lrl irx ) γ57 w a1 ( isx + irx ) ( −w + wr ) a1 ( isx + irx )  + + +  Lrl Lrl ( 1 + a22 ( isx + irx )2 ) Lrl ( 1 + a22 ( isx + irx )2 )     %22 γ11 %21 γ21 3 P a1 a2 isy γ31 P a1 a2 isx γ41 ρ γ51  3  + + − − . ( w − wr ) irx − . Lrl Rs γ24 Rr γ44 ( a1 %11 + Lrl irx ) γ54 ( %20 + %18 ) γ14 + + ( %20 + %15 ) γ34 − + . J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J %22 γ14 %21 γ24 3 P a1 a2 isy γ34 3 P a1 a2 isx γ44 ρ γ54 Mc + + − − + J J 2 J ( 1 + a22 ( isx + irx )2 ) 2 J ( 1 + a22 ( isy + iry )2 ) J J2 3 3 − P a1 %2 isx + P a1 %11 isy − ρ wr 2 2 − .

( w − wr ) a1 a2 + ( w − wr ) Lrl 1 + a22 ( isy + iry )2 %3 := Lrl %1 w %4 := Lrl ( 1 + a22 ( isy + iry )2 ) %5 := 2 Lrl a22 isx + 2 Lrl a22 irx %5 ( w a1 %2 − Rs isx ) %6 := Lrl a1 a2 %5 usx Rr %7 := + %6 + Lrl a1 a2 Lrl ( w − wr ) a1 a2 %8 := Lrl ( 1 + a22 ( isy + iry )2 ) %5 usx %1 Rs %9 := + %6 − Lrl a1 a2 Lrl a1 a2 %10 := Lrl + Lrl a22 isy2 + 2 Lrl a22 isy iry + Lrl a22 iry2 + a1 a2 %11 := arctan( a2 ( isx + irx ) ) %12 := 2 Lrl a22 isy + 2 Lrl a22 iry %12 ( −w a1 %11 − Rs isy ) %13 := Lrl a1 a2 %12 usy Rr %14 := + %13 + Lrl a1 a2 Lrl ( −w + wr ) a1 a2 − ( w − wr ) Lrl 1 + a22 ( isx + irx )2 %15 := Lrl %10 w %16 := Lrl ( 1 + a22 ( isx + irx )2 ) %12 usy %10 Rs %17 := + %13 − Lrl a1 a2 Lrl a1 a2 ( −w + wr ) a1 a2 %18 := Lrl ( 1 + a22 ( isx + irx )2 ) w a1 a2 %19 := Lrl ( 1 + a22 ( isy + iry )2 ) w a1 a2 %20 := Lrl ( 1 + a22 ( isx + irx )2 ) 3 P a1 a2 isx 3 %21 := − + P a1 %11 2 1 + a22 ( isy + iry )2 2 Page 15 .

2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ32 3 P a1 a2 isx γ42 P %2 γ12 + P %1 γ22 + − . 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a22 ( isx + irx )2 a1 a2 γ17 a1 a2 γ37  +  2 1 + a22 ( isx + irx )2 1 + a2 ( isx + irx )  2  a1 a2 γ21 a1 a2 γ41 a1 a2 γ22 a1 a2 γ42  + .gamm). 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ34 3 P a1 a2 isx γ44 P %2 γ14 + P %1 γ24 + − . + . + . + . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ36 3 P a1 a2 isx γ46 P %2 γ16 + P %1 γ26 + − .  1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ23 a1 a2 γ43 a1 a2 γ24 a1 a2 γ44 + . + . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ35 3 P a1 a2 isx γ45 P %2 γ15 + P %1 γ25 + − . 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a22 ( isx + irx )2 a1 a2 γ15 a1 a2 γ35 a1 a2 γ16 a1 a2 γ36 + . p2 :=  a1 a2 γ11 a1 a2 γ31 a1 a2 γ12 a1 a2 γ32  + . + . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ37 3 P a1 a2 isx γ47  P %2 γ17 + P %1 γ27 + −  2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2  a1 a2 isx %1 := a1 arctan( a2 ( isx + irx ) ) − 1 + a22 ( isy + iry )2 Page 16 . + . 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ25 a1 a2 γ45 a1 a2 γ26 a1 a2 γ46 + . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ33 3 P a1 a2 isx γ43 P %2 γ13 + P %1 γ23 + − .  1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 1 + a2 ( isx + irx ) 2 2 2 2 1 + a22 ( isx + irx )2 a1 a2 γ13 a1 a2 γ33 a1 a2 γ14 a1 a2 γ34 + . 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ27 a1 a2 γ47  +  2 1 + a22 ( isy + iry )2 1 + a2 ( isy + iry )  2 3 3 3 P a1 a2 isy γ31 3 P a1 a2 isx γ41  P %2 γ11 + P %1 γ21 + − . 3 3 P a1 a2 isy %22 := − P a1 %2 + 2 2 1 + a22 ( isx + irx )2 > p2:=multiply(dgx.

a1 a2 isy %2 := − a1 arctan( a2 ( isy + iry ) ) 1 + a22 ( isx + irx )2 > senssali:=matadd(p2. 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ25 a1 a2 γ45 a1 a2 γ26 a1 a2 γ46 + .  1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 1 + a2 ( isx + irx ) 2 2 2 2 1 + a22 ( isx + irx )2 a1 a2 γ13 a1 a2 γ33 a1 a2 γ14 a1 a2 γ34 + . + + %2 .  1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ23 a1 a2 γ43 a1 a2 γ24 a1 a2 γ44 + . 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a22 ( isx + irx )2 a1 a2 γ15 a1 a2 γ35 a1 a2 γ16 a1 a2 γ36 + . + . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ35 3 P a1 a2 isx γ45 3 P %4 γ15 + P %3 γ25 + − . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ34 3 P a1 a2 isx γ44 P %4 γ14 + P %3 γ24 + − . + . + . + . P %4 γ16 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 2 3 3 P a1 a2 isy γ36 3 P a1 a2 isx γ46 3 + P %3 γ26 + − + P ( %1 isy − %2 isx ) . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ32 3 P a1 a2 isx γ42 P %4 γ12 + P %3 γ22 + − . 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 a1 a2 γ27 a1 a2 γ47 a1 ( isy + iry )  + +  2 1 + a22 ( isy + iry )2 1 + a22 ( isy + iry )2 1 + a2 ( isy + iry )  2 3 3 3 P a1 a2 isy γ31 3 P a1 a2 isx γ41  P %4 γ11 + P %3 γ21 + − . + + %1 . 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 2 3 3 3 P a1 a2 isy γ37 3 P a1 a2 isx γ47 P %4 γ17 + P %3 γ27 + − 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3  a1 ( isx + irx ) isy a1 ( isy + iry ) isx   + P  −   2  1 + a22 ( isx + irx )2 1 + a22 ( isy + iry )2   Page 17 . 2 2 2 1 + a22 ( isx + irx )2 2 1 + a22 ( isy + iry )2 3 3 3 P a1 a2 isy γ33 3 P a1 a2 isx γ43 P %4 γ13 + P %3 γ23 + − . senssali :=  a1 a2 γ11 a1 a2 γ31 a1 a2 γ12 a1 a2 γ32  + . 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a2 ( isx + irx ) 2 2 1 + a22 ( isx + irx )2 a1 a2 γ17 a1 a2 γ37 a1 ( isx + irx )  + +  2 1 + a22 ( isx + irx )2 1 + a22 ( isx + irx )2 1 + a2 ( isx + irx )  2  a1 a2 γ21 a1 a2 γ41 a1 a2 γ22 a1 a2 γ42  + .dgparam).

optimized.filename=dsens21). > fortran(senssali. > Page 18 .optimized.filename=dsens21). %1 := arctan( a2 ( isx + irx ) ) %2 := arctan( a2 ( isy + iry ) ) a1 a2 isx %3 := a1 %1 − 1 + a22 ( isy + iry )2 a1 a2 isy %4 := − a1 %2 1 + a22 ( isx + irx )2 > fortran(dsens.

ANEXO I. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . CÁLCULO DE FUNCIONES DE SENSIBILIDAD AI MODELO Nº 22 Formulación general En este caso x = (Ψsx Ψsy Ψrx Ψry ω r )t (7) u = (u sx Mc ) t u sy u rx u ry (8) p = (R s ρ a b) t Rr Lrl J (9) y = (i sx Me) t i sy (10) definiendo las siguientes funciones de sensibilidad de las variables de estado:  γ Ψrssx γ Ψrr sx γ ΨLrlsx γ ΨJ sx γ Ψρsx γ Ψa sx γ Ψb sx   r   γ Ψssy γ Ψrrsy γ ΨLrlsy γ ΨJ sy γ Ψρsy γ Ψa sy γ Ψb sy  ∂x  rs  = γΨ γ Ψrrrx γ ΨLrlrx γ ΨJ rx γ Ψρrx γ Ψa rx γ Ψb rx  ∂p  rsrx (11) γ Ψ γ Ψrrry γ ΨLrlry γ ΨJ ry γ Ψρry γ Ψa ry γ Ψb ry   rsry   γω γ ωrrr γ ωLrlr γ ωJr γ ωρr γ ωar γ ωb r   r y de la sensibilidad de las variables de salida  σ irs σ irsxr σ iLsxrl σ iJsx σ iρsx σ iasx σ ibsx  ∂y  rsxs = σi σ irsyr σ iLsyrl σ iJsy σ iρsy σ iasy σ ibsy  (12) ∂p  rssy  σ M σ rr σ Lrl σ J σ ρ σ a σ Mb e   e Me Me Me Me Me en las páginas que siguen se encuentran los cálculos desarrollados a partir de las utilidades que ofrece el programa MAPLE RV.0 para la manipulación algebraica y su posterior volcado en codigo FORTRAN 90 para su aplicación en los algorítmos utilizados en la tesis.

Warning. Rr ( fluxrx − fluxsx ) dfrx := urx − + ( w − wr ) fluxry Lrl > dfry:=ury-Rr*(((fluxry-fluxsy)/Lrl))-(w-wr)*fluxrx. Rr ( fluxry − fluxsy ) dfry := ury − − ( w − wr ) fluxrx Lrl > dwr:=(1/J)*((3/2)*P*(fluxsx*isy-fluxsy*isx)-rho*wr-Mc).gy:=In*(a*(fluxsy/Fn)+b*( fluxsy/Fn)^n).  fluxsx − fluxrx  a fluxsx  fluxsx n   dfsx := usx − Rs  + In  + b     + w fluxsy  Lrl  Fn  Fn    > dfsy:=usy-Rs*(((fluxsy-fluxry)/Lrl)+gy)-w*fluxsx.iry:=(fluxry-fluxsy)/Lrl.  fluxsy − fluxry  a fluxsy  fluxsy n   dfsy := usy − Rs  + In  + b     − w fluxsx  Lrl  Fn  Fn    > dfrx:=urx-Rr*(((fluxrx-fluxsx)/Lrl))+(w-wr)*fluxry. 3    a fluxsy  fluxsy n  fluxry − fluxsy     Par := P  fluxsx  In  + b    −  2    Fn  Fn   Lrl    a fluxsx  fluxsx n  fluxrx − fluxsx   − fluxsy  In  + b    −     Fn  Fn   Lrl  Page 1 .irx:=(fluxrx-fluxsx)/Lrl.> with(linalg): > gx:=In*(a*(fluxsx/Fn)+b*(fluxsx/Fn)^n). isx:=gx-irx. 3    a fluxsy  fluxsy n  fluxry − fluxsy      dwr :=  P  fluxsx  In  + b    −  2    Fn  Fn   Lrl    a fluxsx  fluxsx n  fluxrx − fluxsx    − fluxsy  In  + b    −   − ρ wr − Mc  / J   Fn  Fn   Lrl   > Par:=(3/2)*P*(fluxsx*isy-fluxsy*isx). new definition for stack  a fluxsx  fluxsx n  gx := In  + b     Fn  Fn    a fluxsy  fluxsy n   gy := In  + b     Fn  Fn   fluxrx − fluxsx irx := Lrl fluxry − fluxsy iry := Lrl  a fluxsx  fluxsx n  fluxrx − fluxsx isx := In  + b    −  Fn  Fn   Lrl  a fluxsy  fluxsy n  fluxry − fluxsy  isy := In  + b    −  Fn  Fn   Lrl > dfsx:=usx-Rs*(((fluxsx-fluxrx)/Lrl)+gx)+w*fluxsy.isy:=gy-iry.

Rr. − . −w + wr .   a fluxsx  fluxsx n  fluxrx − fluxsx   salidas :=  In  + b    − . fluxry. 0 . fluxrx   Lrl Lrl  Page 2 .    In   .x).a.   Lrl  Fn  Fn     fluxsy − fluxry  a fluxsy  fluxsy n   usy − Rs  + In  + b     − w fluxsx.wr]). Lrl. a.rho. −fluxry   Lrl Lrl   Rr Rr   0 . J.0. dfx :=     fluxsx n       b   n      1  a  Fn   Rs   −Rs  + In  +  . b ] > salidas:=vector([isx.fluxrx.  Lrl Lrl 2    a fluxsy  fluxsy n  fluxry − fluxsy  P  fluxsx  In  + b    −     Fn  Fn   Lrl    a fluxsx  fluxsx n  fluxrx − fluxsx       − fluxsy  In  + b    −   − ρ wr − Mc  / J    Fn  Fn   Lrl    > x:=vector([fluxsx. fluxsy. 0 .dfry. Rr. .dfrx.   fluxsx − fluxrx  a fluxsx  fluxsx n     ff :=  usx − Rs   + In  + b     + w fluxsy.  Lrl  Fn  Fn    Rr ( fluxrx − fluxsx ) Rr ( fluxry − fluxsy ) 3 urx − + ( w − wr ) fluxry.isy.b]).J.fluxry. ρ.   Fn  Fn   Lrl  a fluxsy  fluxsy n  fluxry − fluxsy 3  In  + b    − . w − wr .Lrl. 0    Lrl  Fn fluxsy  Lrl   Rr Rr   . ury − − ( w − wr ) fluxrx. fluxrx. wr ] > param:=vector([Rs. 0       Lrl  Fn fluxsx  Lrl      fluxsy n       b   n      1  a  Fn   Rs   −w .dfsy.dwr]). w . −Rs  +  +  . x := [ fluxsx. P   Fn  Fn   Lrl 2    a fluxsy  fluxsy n  fluxry − fluxsy    fluxsx  In  + b    −    Fn  Fn   Lrl    a fluxsx  fluxsx n  fluxrx − fluxsx    − fluxsy  In  + b    −      Fn  Fn   Lrl  > dfx:=jacobian(ff.− .Par]).fluxsy. param := [ Rs.> ff:=vector([dfsx. .

0.param). 0 . −Rs In    Fn  Fn    fluxrx − fluxsx Rr ( fluxrx − fluxsx )   0 . . 0 .      3  2     fluxsx n       b   n      a fluxsy  fluxsy  n fluxry − fluxsy  1  a  Fn     P  In  + b    − − fluxsy  + In  +    Fn  Fn   Lrl  Lrl  Fn fluxsx  J 3 . −  P   2 J 2    a fluxsy  fluxsy n  fluxry − fluxsy    fluxsx  In  + b    −    Fn  Fn   Lrl  Page 3 . − .  Lrl  Fn  Fn   Lrl2 Rs In fluxsx  fluxsx n  − .  Lrl  Fn  Fn   Lrl2 Rs In fluxsy  fluxsy n  − . dfparam :=  fluxsx − fluxrx  a fluxsx  fluxsx n  Rs ( fluxsx − fluxrx )  − − In  + b    . − . 0 . 0   Lrl Lrl 2    fluxsx ( fluxry − fluxsy ) fluxsy ( fluxrx − fluxsx )   P  −   3  2 2  3   Lrl Lrl 0 . . 0 .0. . 2     fluxsy n       b   n      1  a  Fn    a fluxsx  fluxsx  n fluxrx − fluxsx  P  fluxsx  + In  +   − In    + b    +     Lrl  Fn fluxsy   Fn  Fn   Lrl  J      3 P fluxsy 3 P fluxsx ρ . 0 .− . . 0 .0. −  2 J Lrl 2 J Lrl J > dfparam:=jacobian(ff. .0. −Rs In    Fn  Fn    fluxsy − fluxry  a fluxsy  fluxsy n  Rs ( fluxsy − fluxry )  − − In  + b    . 0 . 0 . 0   Lrl Lrl 2   fluxry − fluxsy Rr ( fluxry − fluxsy )   0 . . 0 .

  a fluxsx  fluxsx n  fluxrx − fluxsx    wr   − fluxsy  In  + b    −   − ρ wr − Mc  J2 .   Fn  Fn   Lrl   J   fluxsy n  fluxsx n   P  fluxsx In   − fluxsy In     3   Fn   Fn     2 J  > dgx:=jacobian(salidas. In     Lrl2 Fn  Fn    3  fluxsx ( fluxry − fluxsy ) fluxsy ( fluxrx − fluxsx )   0 . . 0 2 Lrl 2 Lrl  > dgparam:=jacobian(salidas. . 0 .   Fn  Fn   Lrl  Lrl  Fn fluxsx  3 2     fluxsy n       b   n      1  a  Fn    a fluxsx  fluxsx  n fluxrx − fluxsx  P  fluxsx  + In  +   − In    + b    + .param). 0   Lrl  Fn fluxsx  Lrl     fluxsy n     b   n    1  a  Fn   1  0 . . P  −  . dgparam :=  fluxrx − fluxsx In fluxsx  fluxsx n   0 . 0 .x). In     Lrl2 Fn  Fn    fluxry − fluxsy In fluxsy  fluxsy n   0 . 0 . 0 . 0 .− .0. 0   .−   In   . 0 .0. 0 . − . 0 .0. 0 . . 0 . 0 .−  Lrl  Fn fluxsy  Lrl    3   2     fluxsx n       b   n      a fluxsy  fluxsy  n fluxry − fluxsy  1  a  Fn     P  In  + b    − − fluxsy  + In  +  .  2  Lrl2 Lrl2  3   fluxsy n  fluxsx n   P  fluxsx In   − fluxsy In     2   Fn   Fn    Page 4 .    Lrl  Fn fluxsy   Fn  Fn   Lrl    3 P fluxsy 3 P fluxsx  . dgx :=    fluxsx n     b   n    1  a  Fn   1   +  + .  + In  +  .

−w γ14 − Rs %2 γ24 + .gamma12.gamma53.gamma56. −Rs %1 γ12 + w γ22 + .gamma25.gamma22.gamm).gamma37].gamma26.gamma43.gamma46.gamma45. − + ( w − wr ) γ45 − fluxry γ55 . − + ( w − wr ) γ46 − fluxry γ56 Lrl Lrl Lrl Lrl Rr γ17 Rr γ37  .gamma13. −Rs %1 γ17 + w γ27 +  Lrl Lrl   Rs γ41 Rs γ42  −w γ11 − Rs %2 γ21 + .[gamma31.[gamma 51.gam ma27].> gamm:=matrix(5. − + ( w − wr ) γ47 − fluxry γ57  Lrl Lrl   Rr γ21 Rr γ41  + ( −w + wr ) γ31 − + fluxrx γ51 .gamma24.gamma 16. Lrl Lrl Rr γ23 Rr γ43 + ( −w + wr ) γ33 − + fluxrx γ53 . Lrl Lrl Page 5 . −w γ12 − Rs %2 γ22 + .gamma47]. −w γ15 − Rs %2 γ25 + Lrl Lrl Lrl Rs γ46 Rs γ47  .gamma54.7.gamma42.gamma44. − + ( w − wr ) γ44 − fluxry γ54 Lrl Lrl Lrl Lrl Rr γ15 Rr γ35 Rr γ16 Rr γ36 .  Lrl Lrl Rs γ33 Rs γ34 Rs γ35 −Rs %1 γ13 + w γ23 + .gamma17].gamma57]]). γ11 γ12 γ13 γ14 γ15 γ16 γ17   γ21 γ22 γ23 γ24 γ25 γ26 γ27   gamm := γ31 γ32 γ33 γ34 γ35 γ36 γ37   γ41 γ42 γ43 γ44 γ45 γ46 γ47   γ51 γ52 γ53 γ54 γ55 γ56 γ57 > aux1:=multiply(dfx. −Rs %1 γ16 + w γ26 + . −Rs %1 γ14 + w γ24 + .gamma55.gamma52.[[gamma11.gamma36.gamma35. − + ( w − wr ) γ42 − fluxry γ52  Lrl Lrl Lrl Lrl Rr γ13 Rr γ33 Rr γ14 Rr γ34 .gamma32.  Lrl Lrl Rs γ43 Rs γ44 Rs γ45 −w γ13 − Rs %2 γ23 + . [gamma41.gamma34. −Rs %1 γ15 + w γ25 + Lrl Lrl Lrl Rs γ36 Rs γ37  .  Lrl Lrl Rr γ22 Rr γ42 + ( −w + wr ) γ32 − + fluxrx γ52 . − + ( w − wr ) γ43 − fluxry γ53 .gamma14.gamma23.gamma15. aux1 :=  Rs γ31 Rs γ32  −Rs %1 γ11 + w γ21 + . −w γ17 − Rs %2 γ27 +  Lrl Lrl   Rr γ11 Rr γ31 Rr γ12 Rr γ32  − + ( w − wr ) γ41 − fluxry γ51 .[gamma21.gamma33. −w γ16 − Rs %2 γ26 + .

dfparam). 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ14 3 P %3 γ24 3 P fluxsy γ34 3 P fluxsx γ44 ρ γ54 + + − − . Lrl Lrl Rr γ25 Rr γ45 + ( −w + wr ) γ35 − + fluxrx γ55 . 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ12 3 P %3 γ22 3 P fluxsy γ32 3 P fluxsx γ42 ρ γ52 + + − − .  Lrl Lrl Lrl Page 6 . −Rs %2 γ12 + w γ22 + . 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ15 3 P %3 γ25 3 P fluxsy γ35 3 P fluxsx γ45 ρ γ55 + + − − . Lrl Lrl Rr γ26 Rr γ46 + ( −w + wr ) γ36 − + fluxrx γ56 . Rr γ24 Rr γ44 + ( −w + wr ) γ34 − + fluxrx γ54 . Lrl Lrl Rr γ27 Rr γ47  + ( −w + wr ) γ37 − + fluxrx γ57  Lrl Lrl   3 P %4 γ11 3 P %3 γ21 3 P fluxsy γ31 3 P fluxsx γ41 ρ γ51  + + − − . dga :=  Rs γ31 fluxsx − fluxrx Rs γ32  −Rs %2 γ11 + w γ21 + − − %1 . 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ13 3 P %3 γ23 3 P fluxsy γ33 3 P fluxsx γ43 ρ γ53 + + − − . 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ17 3 P %3 γ27 3 P fluxsy γ37 3 P fluxsx γ47 ρ γ57  + + − −  2 J 2 J 2 J Lrl 2 J Lrl J    fluxsx n   b   n  1  a  Fn   %1 := + In  +  Lrl  Fn fluxsx    fluxsy n   b   n  1  a  Fn    + In  + %2 :=  Lrl  Fn fluxsy   a fluxsx  fluxsx n  fluxrx − fluxsx %3 := fluxsx %2 − In  + b    +  Fn  Fn   Lrl  a fluxsy  fluxsy n  fluxry − fluxsy  %4 := In  + b    − − fluxsy %1  Fn  Fn   Lrl > dga:=matadd(aux1. 2 J 2 J 2 J Lrl 2 J Lrl J 3 P %4 γ16 3 P %3 γ26 3 P fluxsy γ36 3 P fluxsx γ46 ρ γ56 + + − − .

Lrl Lrl Lrl Rr γ23 Rr γ43 Rr ( fluxry − fluxsy ) + ( −w + wr ) γ33 − + fluxrx γ53 + . Rs γ33 Rs ( fluxsx − fluxrx ) Rs γ34 −Rs %2 γ13 + w γ23 + + .  Lrl Lrl Rr γ12 Rr γ32 fluxrx − fluxsx − + ( w − wr ) γ42 − fluxry γ52 − . Lrl Lrl2 Lrl Rs γ35 Rs γ36 Rs In fluxsx −Rs %2 γ15 + w γ25 + . Lrl Lrl Lrl2 Rr γ14 Rr γ34 Rr γ15 Rr γ35 − + ( w − wr ) γ44 − fluxry γ54 . −w γ14 − Rs %4 γ24 + . Lrl Lrl Lrl2 Rr γ24 Rr γ44 + ( −w + wr ) γ34 − + fluxrx γ54 . − + ( w − wr ) γ47 − fluxry γ57  Lrl Lrl Lrl Lrl   Rr γ21 Rr γ41  + ( −w + wr ) γ31 − + fluxrx γ51 .  Lrl Lrl Lrl Rs γ43 Rs ( fluxsy − fluxry ) Rs γ44 −w γ13 − Rs %4 γ23 + + . Lrl Lrl Rr γ26 Rr γ46 + ( −w + wr ) γ36 − + fluxrx γ56 . −Rs %2 γ14 + w γ24 + . −w γ12 − Rs %4 γ22 + . Lrl Lrl Fn Rs γ37  fluxsx n  −Rs %2 γ17 + w γ27 + − Rs In    Lrl  Fn    Rs γ41 fluxsy − fluxry Rs γ42  −w γ11 − Rs %4 γ21 + − − %3 . Lrl Lrl2 Lrl Rs γ45 Rs γ46 Rs In fluxsy −w γ15 − Rs %4 γ25 + .  Lrl Lrl Rr γ22 Rr γ42 fluxry − fluxsy + ( −w + wr ) γ32 − + fluxrx γ52 − . Lrl Lrl Page 7 . Lrl Lrl Lrl Lrl Rr γ16 Rr γ36 Rr γ17 Rr γ37  − + ( w − wr ) γ46 − fluxry γ56 . −w γ16 − Rs %4 γ26 + − . Lrl Lrl Fn Rs γ47  fluxsy n  −w γ17 − Rs %4 γ27 + − Rs In    Lrl  Fn    Rr γ11 Rr γ31  − + ( w − wr ) γ41 − fluxry γ51 . − + ( w − wr ) γ45 − fluxry γ55 . Lrl Lrl Lrl Rr γ13 Rr γ33 Rr ( fluxrx − fluxsx ) − + ( w − wr ) γ43 − fluxry γ53 + . Lrl Lrl Rr γ25 Rr γ45 + ( −w + wr ) γ35 − + fluxrx γ55 . −Rs %2 γ16 + w γ26 + − .

Rr γ27 Rr γ47 
+ ( −w + wr ) γ37 − + fluxrx γ57 
Lrl Lrl 


 3 P %6 γ11 3 P %5 γ21 3 P fluxsy γ31 3 P fluxsx γ41 ρ γ51

 + + − − ,
2 J 2 J 2 J Lrl 2 J Lrl J
3 P %6 γ12 3 P %5 γ22 3 P fluxsy γ32 3 P fluxsx γ42 ρ γ52 3 P %6 γ13
+ + − − ,
2 J 2 J 2 J Lrl 2 J Lrl J 2 J
3 P %5 γ23 3 P fluxsy γ33 3 P fluxsx γ43 ρ γ53
+ + − −
2 J 2 J Lrl 2 J Lrl J
 fluxsx ( fluxry − fluxsy ) fluxsy ( fluxrx − fluxsx ) 
P  − 
3  Lrl2 Lrl2  3 P %6 γ14 3 P %5 γ24
+ , +
2 J 2 J 2 J
3 P fluxsy γ34 3 P fluxsx γ44 ρ γ54
+ − −
2 J Lrl 2 J Lrl J
3   fluxry − fluxsy   fluxrx − fluxsx  
P  fluxsx  %3 −  − fluxsy  %1 −   − ρ wr − Mc
2   Lrl   Lrl 
− ,
J2
3 P %6 γ15 3 P %5 γ25 3 P fluxsy γ35 3 P fluxsx γ45 ρ γ55 wr
+ + − − − ,
2 J 2 J 2 J Lrl 2 J Lrl J J
3 P %6 γ16 3 P %5 γ26 3 P fluxsy γ36 3 P fluxsx γ46 ρ γ56 3 P %6 γ17
+ + − − ,
2 J 2 J 2 J Lrl 2 J Lrl J 2 J
3 P %5 γ27 3 P fluxsy γ37 3 P fluxsx γ47 ρ γ57
+ + − −
2 J 2 J Lrl 2 J Lrl J
  fluxsy n  fluxsx n  
 
P  fluxsx In  
 − fluxsy In    
3   Fn   Fn   
+ 
2 J 
 a fluxsx  fluxsx n 

%1 := In  + b   
 Fn  Fn  
  fluxsx n 
 b   n 
1  a  Fn  

+ In  +
%2 := 
Lrl  Fn fluxsx 
 a fluxsy  fluxsy n 
%3 := In  + b   
 Fn  Fn  
  fluxsy n 
 b   n 
1  a  Fn  

+ In  +
%4 := 
Lrl  Fn fluxsy 

Page 8

fluxrx − fluxsx
%5 := fluxsx %4 − %1 +
Lrl
fluxry − fluxsy
%6 := %3 − − fluxsy %2
Lrl
> aux2:=multiply(dgx,gamm);
aux2 :=
 γ31 γ32 γ33 γ34 γ35
 %1 γ11 − , %1 γ12 − , %1 γ13 − , %1 γ14 − , %1 γ15 − ,
 Lrl Lrl Lrl Lrl Lrl
γ36 γ37 
%1 γ16 − , %1 γ17 − 
Lrl Lrl 
 γ41 γ42 γ43 γ44 γ45
 %2 γ21 − , %2 γ22 − , %2 γ23 − , %2 γ24 − , %2 γ25 − ,
 Lrl Lrl Lrl Lrl Lrl
γ46 γ47 
%2 γ26 − , %2 γ27 − 
Lrl Lrl 
3 3 3 P fluxsy γ31 3 P fluxsx γ41
 P %4 γ11 + P %3 γ21 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ32 3 P fluxsx γ42
P %4 γ12 + P %3 γ22 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ33 3 P fluxsx γ43
P %4 γ13 + P %3 γ23 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ34 3 P fluxsx γ44
P %4 γ14 + P %3 γ24 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ35 3 P fluxsx γ45
P %4 γ15 + P %3 γ25 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ36 3 P fluxsx γ46
P %4 γ16 + P %3 γ26 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ37 3 P fluxsx γ47 
P %4 γ17 + P %3 γ27 + − 
2 2 2 Lrl 2 Lrl 
  fluxsx n 
 b   n 
1  a  Fn  

+ In  +
%1 := 
Lrl  Fn fluxsx 
  fluxsy n 
 b   n 
1  a  Fn  
%2 := + In  + 
Lrl  Fn fluxsy 
 a fluxsx  fluxsx n  fluxrx − fluxsx

%3 := fluxsx %2 − In  + b    +
 Fn  Fn   Lrl

Page 9

 a fluxsy  fluxsy n  fluxry − fluxsy

%4 := In  + b    − − fluxsy %1
 Fn  Fn   Lrl
> senssali:=matadd(aux2,dgparam);
senssali :=
 γ31 γ32 γ33 fluxrx − fluxsx γ34
 %1 γ11 − , %1 γ12 − , %1 γ13 − + , %1 γ14 − ,
 Lrl Lrl Lrl Lrl2 Lrl
γ35 γ36 In fluxsx γ37  fluxsx n 
%1 γ15 − , %1 γ16 − + , %1 γ17 − + In   
Lrl Lrl Fn Lrl  Fn  
 γ41 γ42 γ43 fluxry − fluxsy γ44
 %2 γ21 − , %2 γ22 − , %2 γ23 − + , %2 γ24 − ,
 Lrl Lrl Lrl Lrl2 Lrl
γ45 γ46 In fluxsy γ47  fluxsy n 
%2 γ25 − , %2 γ26 − + , %2 γ27 − + In   
Lrl Lrl Fn Lrl  Fn  
3 3 3 P fluxsy γ31 3 P fluxsx γ41
 P %4 γ11 + P %3 γ21 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ32 3 P fluxsx γ42 3 3
P %4 γ12 + P %3 γ22 + − , P %4 γ13 + P %3 γ23
2 2 2 Lrl 2 Lrl 2 2
3 P fluxsy γ33 3 P fluxsx γ43 3  fluxsx ( fluxry − fluxsy ) fluxsy ( fluxrx − fluxsx ) 
+ − + P  −  ,
2 Lrl 2 Lrl 2  Lrl 2
Lrl 2

3 3 3 P fluxsy γ34 3 P fluxsx γ44
P %4 γ14 + P %3 γ24 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ35 3 P fluxsx γ45
P %4 γ15 + P %3 γ25 + − ,
2 2 2 Lrl 2 Lrl
3 3 3 P fluxsy γ36 3 P fluxsx γ46 3 3
P %4 γ16 + P %3 γ26 + − , P %4 γ17 + P %3 γ27
2 2 2 Lrl 2 Lrl 2 2
3 P fluxsy γ37 3 P fluxsx γ47 
3  fluxsy n  fluxsx n  
+ −  
+ P  fluxsx In  
 − fluxsy In    
2 Lrl 2 Lrl 2   Fn   Fn   
  fluxsx n 
 b   n 
1  a  Fn  
%1 := + In  + 
Lrl  Fn fluxsx 
  fluxsy n 
 b   n 
1  a  Fn  

+ In  +
%2 := 
Lrl  Fn fluxsy 
 a fluxsx  fluxsx n  fluxrx − fluxsx
%3 := fluxsx %2 − In  + b    +
 Fn  Fn   Lrl
 a fluxsy  fluxsy n  fluxry − fluxsy

%4 := In  + b    − − fluxsy %1
 Fn  Fn   Lrl
> fortran(dga,optimized,filename=dsens22);
Page 10

> fortran(senssali,optimized,filename=dsens22);
>

Page 11

ANEXO II. CALCULO DE LA
GANANCIA DEL OBSERVADOR.
FÓRMULA DE ACKERMANN

 0  0
K = P ( A(ω r )) ⋅ W0−1 ⋅   = (A 2 − ( p1 + p 2 ) ⋅ A + p1 ⋅ p 2 ⋅ I )⋅ W0−1 ⋅  
1 1
−1
 k sx + j ⋅ k sy   rs 0 
k =   = 
  ⋅ K
k
 rx + j ⋅ k ry   0 rr

 C 
W0 =  
 C ⋅ A

ANEXO II. CÁLCULO DE GANANCIAS DEL OBSERVADOR AII

ANEXO II. CÁLCULO DE LA GANANCIA DEL OBSERVADOR.
FÓRMULA DE ACKERMANN

Relaciones básicas

0 0
( )
K = P( A(ω r )) ⋅ W0−1 ⋅   = A 2 − ( p1 + p 2 ) ⋅ A + p1 ⋅ p 2 ⋅ I ⋅ W0−1 ⋅   (1)
1 1

−1
 k sx + j ⋅ k sy   rs 0
k =   =   ⋅K (2)
 k rx + k ry

 0 rr 

 C 
W0 =   (3)
 C ⋅ A 

en las páginas que siguen se encuentran los cálculos desarrollados a partir de las
utilidades que ofrece el programa MAPLE RV.0 para la manipulación algebraica

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

> with(linalg):Rs:=0.369;Rr:=0.857;Lrl:=0.00736;Lm:=0.0207;c1:=300
0;c2:=2250000;omegar:=314;
Rs := .369
Rr := .857
Lrl := .00736
Lm := .0207
c1 := 3000
c2 := 2250000
omegar := 314
>
> A:=matrix(2,2,[[-Rs*((1/Lrl)+(1/Lm)),Rs/Lrl],[Rr/Lrl,(-Rr/Lrl)+I
*omegar]]);
-67.96195650 50.13586957 
A :=  
 116.4402174 −116.4402174 + 314. I

> C:=matrix(1,2,[[(1/Lrl)+(1/Lm),-1/Lrl]]);
C := [184.1787439 -135.8695652]
>
> aux1:=multiply(C,A);
aux1 := [-28337.82949 25054.64319 − 42663.04347 I]
> Wo:=matrix(2,2,[[(1/Lrl)+(1/Lm),-1/Lrl],[-(1/Lrl+1/Lm)^2*Rs-1/Lr
l^2*Rr, (1/Lrl+1/Lm)*Rs/Lrl-1/Lrl*(-Rr/Lrl+I*omegar)]]);
 184.1787439 -135.8695652 
Wo :=  
-28337.82949 25054.64319 − 42663.04347 I
>
> Woinv:=inverse(Wo);
 .005685857406 + .002635533073 I .1666114720 10-5 + .00001712937016 I
Woinv :=  
.0003474955909 + .003572611498 I .2258511064 10-5 + .00002321981288 I
> aux2:=matrix(2,1,[[0],[1]]);
 0
aux2 :=  
 1
> aux3:=multiply(Woinv,aux2);
.1666114720 10-5 + .00001712937016 I
aux3 :=  
.2258511064 10-5 + .00002321981288 I
>

> aux5:=multiply(A,A);
 10456.65908 −9245.163339 + 15742.66304 I
aux5 :=  
−21471.82922 + 36562.22826 I −79199.84422 − 73124.45653 I
> aux6:=scalarmul(A,c1);

Page 1

2 10-8 I  K :=   −21.6087  aux6 :=    349320.2104 141162.8695 150407.4964 + 868875.[0. 2250000 0 aux7 :=    0 2250000 > aux8:=matadd(aux5.aux6.0].6522 −349320.6522 + 942000.8230 + 36562.4454 + 15742.  −.aux3).3690000000 + .5435 I > K:=multiply(aux8.  -193429.66304 I  aux8 :=   327848. -203885. I > aux7:=scalarmul([[1.22300001 − 2.c2).aux7).311040001 I > > Page 2 .1]].22826 I −428520.

ANEXO III. MÁQUINAS ENSAYADAS .

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 1

ANEXO III. MÁQUINAS ENSAYADAS

Características de las máquinas ensayadas. 2
Ensayos en vacío y cortocircuito a frecuencia nominal 2
Máquina nº1 2
Máquina nº2 3
Máquina nº3 4
Ensayo a rotor frenado realizado a frecuencia de deslizamiento. Máquina nº2. 5
Ensayo en carga. Máquina nº2 7
Ficha del ensayo 9

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 2

Características de las máquinas ensayadas.

1) 1.5 kW; 220 / 380 V; 6.4 / 3.7 A; cosϕ = 0.85; 1420 min-1; clase F; J = 0.0105 kgm2; ∆
2) 7.5 kW; 220 / 380 V; 27 / 15.6 A; cosϕ = 0.85; 1450 min-1 ; clase F; J = 0.076 kgm2; ∆
3) 22 kW; 220 / 380 V; 74 / 43 A; cosϕ = 0.85 ; 1450 min-1 ; clase F; J = 0.251 kgm2; Y

Ensayos en vacío y cortocircuito a frecuencia nominal.

Determinación del flujo estatórico a partir del ensayo en vacío y del flujo rotórico a partir
del ensayo en cortocircuito

Máquina nº1

Tabla 1. Ensayo en vacío. Máquina nº1
Us 50 60 70 80 90 100 110 120 130 140 150 160 170 180
Is 1.03 0.99 1.01 1.06 1.14 1.23 1.33 1.46 1.58 1.71 1.84 2.00 2.19 2.40
Us 190 200 210 220 230 240 250 260
Is 2.80 3.30 3.97 4.76 5.86 7.25 8.61 10.3

1,4
1,2
1
0,8
0,6
0,4
0,2
0
0 2 4 6 8 10 12

Figura 1. Flujo estatórico como función de la corriente estatórica. Máquina nº1

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 3

Tabla 2. Ensayo a rotor frenado. Máquina nº1
Us 10 20 30 40 50 60 70 80 90 100 110
Is 1.22 2.24 3.42 4.95 6.26 7.36 8.63 9.91 10.9 11.7 12.6

0,4

0,3

0,2

0,1

0
0 2 4 6 8 10 12 14

Figura 2. Flujo estatórico como función de la corriente estatórica. Máquina nº1

Máquina nº2

Tabla 3. Ensayo en vacío. Máquina nº2
Us 79 89 100 111 120 129 141 151 160 168 180 191 200 211
Is 4.00 4.30 4.64 5.00 5.30 5.60 6.19 6.65 7.17 7.58 8.40 9.30 10.4 12.3
Us 220 232 240 250 262
Is 14.4 17.5 20.1 23.7 28.9

1,4
1,2
1
0,8
0,6
0,4
0,2
0
0 10 20 30 40

Figura 3. Flujo estatórico como función de la corriente estatórica. Máquina nº2

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 4

Tabla 4. Ensayo a rotor frenado. Máquina nº2
Us 22.6 30.5 40.5 50.8 61.9 71.0 81.1
Is 10.5 16.9 25.4 34.7 45.0 53.5 62.5

0,3
0,25
0,2
0,15
0,1
0,05
0
0 20 40 60 80

Figura .4. Flujo estatórico como función de la corriente estatórica. Máquina nº2

Máquina nº3

Tabla 5. Ensayo en vacío. Máquina nº3
Us 119 149 171 192 217 231 252 269 286 300 318 335 348 363
Is 5.20 6.00 6.80 7.60 8.60 9.20 10.1 10.8 11.7 12.3 13.2 14.2 14.9 15.8
Us 377 390 401 414 429 440 450 458 470 480
Is 16.9 18.1 19.2 20.8 23.1 25.2 27.8 29.2 32.0 34.0

1 ,4

1 ,2

1

0 ,8

0 ,6

0 ,4

0 ,2

0
0 1 0 2 0 3 0 4 0

Figura 5. Flujo estatórico como función de la corriente estatórica. Máquina nº3

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 5

Tabla 6. Ensayo a rotor frenado. Máquina nº3
Us 44.1 54.1 64.6 75.0 87.9 95.7 107 117 129 139 150
Is 17.5 23.5 30.2 36.8 45.3 50.5 58.2 65.2 74.0 80.7 88.4

0,6
0,5
0,4
0,3
0,2
0,1
0
0 20 40 60 80 100

Figura 6. Flujo estatórico como función de la corriente estatórica. Máquina nº3

Ensayo a rotor frenado realizado a frecuencia de deslizamiento. Máquina nº2.

Tabla 7. Ensayo a rotor frenado. Máquina nº3. Frecuencia de deslizamiento
Us 5.66 6.36 15.56 19.80 21.92
Is 7.07 7.42 16.97 22.63 22.98

0,25
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25

Figura 7. Flujo estatórico como función de la corriente estatórica. Máquina nº2

Las gráficas que siguen muestran la tensión aplicada y la corriente que circula por una
fase del estator. Obsérvese que es prácticamente sinusoidal.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 6

Figura 7. Ensayo a rotor frenado. Registro oscilográfico de Tensión aplicada y corriente
estatórica. Escalas de izquierda a derecha y de arriba abajo:
5V/div; 5 A/div; 50 ms/div 5V/div; 10 A/div; 50 ms/div
10V/div; 10 A/div; 20 ms/div 10V/div; 10 A/div; 20 ms/div
10V/div; 25 A/div; 20 ms/div

.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

ANEXO III. CONJUNTO DE MÁQUINAS ENSAYADAS 7

Ensayo en carga. Máquina nº2

Tabla 8. Ensayo en carga. Máquina nº2. Método de los 3 vatimetros.

Nº Van Vbn Vcn Ia Ib Ic W1 W2 W3 N Factor Escala
T.I. vatimetro
1 238.7 241 238.4 4.58 4.87 4.66 28.5 18 12.5 1498 2 10
2 237.6 240.5 237.4 5.14 5.45 5.18 66 67 63 1475 2 10
3 235.6 238 235.4 3.14 3.26 3.13 49 51 46 1461 4 10
4 233.5 235.9 233.6 4.78 4.83 4.62 89 90 85 1413 4 10
5 232.8 235 232.8 5.9 6.01 5.79 119 119 118 1373 4 10
6 232.6 235.1 232.8 2.41 2.5 2.44 50 51 48 1368 10 10
-1
7 (V) (V) (V) (A) (A) (A) (div) (div) (div) (min ) --- (W/div)

Figura 8. Tensión fase neutro con y sin conexión del neutro de la máquina al neutro de la
red. 200 V/div; 2 ms/div. Obsérvese que el valor máximo de la onda no varia

Las gráficas que siguen muestran la tensión aplicada (fase-neutro) y la corriente que
circula por la fase correspondiente del estator.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA
MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL

2 ms/div APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . b. Escalas: 200V/div. Tensión fase neutro y corriente de fase estatórica. Cada fila corresponde a un punto de las medidas de la tabla 8.ANEXO III. 20 A/div. De izquierda a derecha se muestran las representaciones para los valores correspondientes a las fases a. c respectivamente. CONJUNTO DE MÁQUINAS ENSAYADAS 8 Figura 9.

2 • VoltÍmetros Kainos 120-240-360 V clase 0.5 • Transformadores de intensidad Norma.5-5 A clase 0. CONJUNTO DE MÁQUINAS ENSAYADAS 9 Ficha del ensayo • Temperatura ambiente: 21 ºC • VatÍmetros Kainos 24-60-120-240 V / 1 – 5 A clase 0.ANEXO III. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . 5-10-20-50-100 A/5 A clase 0.4 – 440 V /80 A • Medida de velocidad a partir de lámpara estroboscópica. • El ensayo a frecuencia de deslizamiento se ha realizado a partir de la tensión generada mediante una máquina síncrona de 25 kVA.5 • AmperÍmetros Kainos 1-2.2 • Fuente de alterna ajustable: regulador de inducción 4. 220 /380 V arrastrada a partir de una máquina asíncrona alimentada mediante un ondulador PWM con control de velocidad en lazo cerrado.5 • Puente de Thompson-Wheatstone clase 0.

bˆ [ θˆ( N + 1) = θˆ( N ) + K ( N ) ⋅ y ( N + 1) − ϕ ( N + 1) ⋅ θˆ( N ) ] [ K ( N ) = P ( N ) ⋅ ϕ T ( N + 1) ⋅ I + ϕ ( N + 1) ⋅ P ( N ) ⋅ ϕ T ( N + 1) ] −1 P ( N + 1) = P ( N ) − K ( N ) ⋅ ϕ ( N + 1) ⋅ P ( N ) .ANEXO IV. APLICACIONES u(t) y(t) SISTEMA EN ESTUDIO ψ MÍNIMOS OBSERVADOR CUADRADOS ADAPTATIVO RECURSIVOS aˆ . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.

.............................................. APLICACIONES ................. 3 Método de los mínimos cuadrados .......................................34 APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL ................................................................. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS........ .. 5 Restricciones al método...................... 4 Estimación Recursiva de Mínimos Cuadrados............................................................................................................................................ 3 Caso 2: N ≠ np .............................................................ANEXO 4................................................... 9 Contrastación experimental............................................ EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS....................................... 3 Caso 1: N = np . APLICACIONES AIV-1 ANEXO 4................................................. 8 Resultados de simulación................ 2 Determinación de parámetros .................................... Aplicación al caso de transformador en vacío ..................................... 7 Aplicación al caso de un transformador ............................................................... .......................................................................................................................................................... 2 Caracterización en línea...................................................... APLICACIONES EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS........................................29 Conclusiones..........................................

t ) dt (1) y = h( x. junto con un estimador recursivo de los parámetros considerados. θ . u . y el conjunto de variables de salida y θ el conjunto de parámetros a encontrar. la solución adaptativa del problema lleva a la formulación de un algoritmo como el indicado en la figura que sigue.ANEXO 4. u . Si se considera un sistema definido a partir del siguiente conjunto de ecuaciones: dx = f ( x. APLICACIONES AIV-2 EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. θˆ. t ) dt (2) yˆ = h( xˆ . θˆ. bˆ Figura 1. El algoritmo de adaptación de los parámetros desconocidos sigue una ley proporcional al error de medida: ∆θ ∝ y − yˆ (3) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. θ . u . t ) donde las variables con “^” indican valores observados. u . Disposición identificador+Observador. formado a partir de la consideración de un observador adaptativo para el sistema: u(t) y(t) SISTEMA EN ESTUDIO ψ MÍNIMOS OBSERVADOR CUADRADOS ADAPTATIVO RECURSIVOS aˆ . APLICACIONES Caracterización en línea. x el conjunto de variables de estado. La obtención de parámetros en servicio de un sistema dinámico puede ser planteada a partir de la consideración de un observador adaptativo. dxˆ = f ( xˆ. t ) donde u es la entrada (o entradas) aplicada.

La matriz inversa generalizada Φ* es la única que verifica las ecuaciones siguientes: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .. la solución obtenida es la de la mínima norma. seleccionando la estimación: θ 0 = Φ* ⋅ y (6) siendo Φ* la denominada “matriz inversa generalizada”.. o mayor. verifica la relación: θ 0 ≤ θ1 (7) siendo θ1 cualquier otra solución. Sin embargo... Cabe distinguir dos situaciones: a) N < np Existen más incógnitas que ecuaciones. Por consiguiente existen infinitas soluciones. menor. resultando un error nulo o muy pequeño [Ljung 87]. APLICACIONES AIV-3 y bajo ciertas condiciones el algoritmo converge a un conjunto de valores correctos.ANEXO 4. que el número de parámetros. [Walter 97]. es decir. El problema se resuelve de diversas formas dependiento de si el número N de medidas es igual. con lo cual la ecuación (2) no puede emplearse. Caso 1: N = np Suponiendo que Φ tenga rango completo el problema se resuelve de forma inmediata mediante: θˆ = Φ −1 ⋅ y (5) Caso 2: N ≠ np En este caso no existe inversa. y n ) sobre la salida del sistema lineal: y = Φ ⋅θ (4) siendo Φ una matriz de N filas y np columnas. [Kulhavy 96]. y 2 . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.. Determinación de parámetros Se estudia el problema de la determinación de un vector θ de np parámetros (que a priori deben considerarse constantes en el tiempo) utilizando una serie N de medidas y T = ( y1 .

Método de los mínimos cuadrados Se trata de obtener la estimación del conjunto de parámetros θˆ que minimiza el índice: J = Φ ⋅θ − y 2 (14) Derivando respecto a los parámetros e igualando a cero: ∂J = 2 ⋅ (Φ ⋅ θ − y ) T ⋅ Φ = 0 (15) ∂θ APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . ya que verifica: Φ ⋅ Φ *D = I (10) b) N = np En este caso se tienen más ecuaciones que incógnitas. La matriz: Φ *I = (Φ ⋅ Φ T ) −1 ⋅ Φ T (12) se denomina inversa generalizada por la izquierda y verifica la ecuación: Φ *I ⋅ Φ = I (13) En la sección que sigue se muestra que la estimación anterior (11) es la que proporciona el método de los mínimos cuadrados. En general no existe solución. APLICACIONES AIV-4 Φ ⋅ Φ * ⋅Φ = Φ Φ * ⋅Φ ⋅ Φ* = Φ * (8) (Φ ⋅ Φ*) t = Φ ⋅ Φ * (Φ * ⋅Φ ) t = Φ * ⋅Φ Se demuestra también que. el método de los mínimos cuadrados conduce a la solución: θ 0 = Φ *I ⋅ y = (Φ ⋅ Φ T ) −1 ⋅ Φ T ⋅ y (11) que establece una relación lineal entre estimación y medidas.ANEXO 4. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. la estimación se reduce a: θ 0 = Φ *D ⋅ y = Φ T ⋅ (Φ ⋅ Φ T ) −1 ⋅ y (9) La matriz Φ*D se denomina inversa generalizada por la derecha. Sin embargo. si las N filas ( N<np) de Φ son linealmente independientes. se puede demostrar que si Φ es de rango máximo.

. Considérese la ecuación (4) después de N observaciones... Y (N ) =  (18) . resulta conveniente emplear una estimación recurrente que corrija θˆ( N ) en función de la nueva observación. y se pretende conocer la estimación θˆ( N + 1) utilizando una observación más.. Y ( N + 1) =   (21)  ϕ ( N + 1)   y ( N + 1)  La estimación resultante es: θˆ( N + 1) = (Φ T ( N + 1) ⋅ Φ ( N + 1)) −1 ⋅ Φ T ( N + 1) ⋅ y ( N + 1) (22) APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Obviamente si se dispone de una estimación θˆ( N ) después de utilizar N observaciones.  . Habitualmente las medidas se toman de forma secuencial. resultando interesante el cálculo del vector de parámetros en función de diferentes valores del número de observaciones. Utilizando N como argumento se puede escribir: Y ( N ) = Φ ( N ) ⋅ θˆ( N ) (17) Siendo:  ϕ (1)   y (1)       ϕ (2)   y (2)  Φ( N ) =  .      ϕ ( N )   y( N )      La estimación en este instante puede expresarse como: θˆ( N ) = (Φ T ( N ) ⋅ Φ ( N )) −1 ⋅ Φ T ( N ) ⋅ y ( N ) (19) Si se plantea que en el instante actual se ha obtenido una medida más: Y ( N + 1) = Φ( N + 1) ⋅ θˆ( N + 1) (20)  Φ( N )   Y (N )  Φ( N + 1) =  ... en vez de tener que resolver nuevamente el problema aplicando (16).. APLICACIONES AIV-5 despejando el vector incógnita se llega a: θˆ = (Φ T ⋅ Φ ) −1 ⋅ Φ T ⋅ y (16) Estimación Recursiva de Mínimos Cuadrados.ANEXO 4.. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.

EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. D = ϕ ( N + 1) (28) la expresión (22) se convierte en: ( P( N + 1) = P( N ) − P ( N ) ⋅ ϕ T ( N + 1) ⋅ I + ϕ ( N + 1) ⋅ P ( N ) ⋅ ϕ T ( N + 1) ) −1 ⋅ ϕ ( N + 1) ⋅ P( N ) (29) Sustituyendo la ecuación (29) en la (26) se llega a: [ θˆ( N + 1) = θˆ( N ) + K ( N ) ⋅ y ( N + 1) − ϕ ( N + 1) ⋅ θˆ( N ) ] [ K ( N ) = P( N ) ⋅ ϕ T ( N + 1) ⋅ I + ϕ ( N + 1) ⋅ P( N ) ⋅ ϕ T ( N + 1) ]−1 (30) P( N + 1) = P( N ) − K ( N ) ⋅ ϕ ( N + 1) ⋅ P( N ) Resultando un conjunto de ecuaciones recursivo que actualiza el vector de parámetros. APLICACIONES AIV-6 que reordenada puede escribirse como sigue: [ −1 ] θˆ( N + 1) = Φ T ( N ) ⋅ Φ ( N ) + ϕ T ( N + 1) ⋅ ϕ ( N + 1) ⋅ Φ T ( N + 1) ⋅ Y ( N + 1) (23) Se define. en la mayoria de los casos. la matriz P(N) y P(N+1): P( N ) = (Φ T ( N ) ⋅ Φ ( N )) −1 (24) P( N + 1) = (Φ T ( N + 1) ⋅ Φ( N + 1)) −1 Se puede escribir la siguiente relación para su inversa: P −1 ( N + 1) = P −1 ( N ) + ϕ T ( N + 1) ⋅ ϕ ( N + 1) (25) Finalmente: θˆ( N + 1) = P( N + 1) ⋅ (Φ T ( N ) ⋅ Y ( N ) + ϕ T ( N + 1) ⋅ y ( N + 1) ) (26) Resulta conveniente el siguiente lema de inversión de matrices: (A + B ⋅ C ⋅ D )−1 = A −1 − A −1 ⋅ B ⋅ (C −1 + D ⋅ A −1 ⋅ B )−1 ⋅ D ⋅ A −1 (27) donde A. B = ϕ T ( N + 1). por conveniencia. Esto no representa. C y (C −1 + D ⋅ A −1 ⋅ B) son matrices cuadradas no singulares. C = I. Identificando: A = P −1 ( N ). Obsérvese también que para aplicar (30) hace falta invertir una matriz. según un término proporcional a la diferencia entre la medida y(N+1) y la predicción ϕ ( N + 1) ⋅ θˆ( N ) calculada mediante los parámetros obtenidos en la medida anterior. ningún problema ya que la APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .ANEXO 4.

Para el caso escalar las ecuaciones anteriores se reducen a las siguientes: ϑˆ ( N ) = ϑˆ ( N − 1) + K ( N ) ⋅ ( y ( N ) − ϕ T ( N ) ⋅ ϑˆ ( N − 1)) (31) K ( N ) = P( N ) ⋅ ϕ ( N ) con:  P( N − 1) ⋅ ϕ ( N ) ⋅ ϕ T ( N ) ⋅ P( N − 1)  P( N ) =  P( N − 1) −  (32)  1 + ϕ T ( N ) ⋅ P ( N − 1) ⋅ ϕ ( N )  Restricciones al método • Necesidad de que los parámetros desconocidos han de ser coeficientes de las funciones consideradas. • Necesidad de que la señal de excitación u(t) sea lo suficientemente rica (en el sentido estadístico) para excitar todos los modos del sistema.ANEXO 4. dimensión 1: un escalar). es decir. L→∞ L t =1 Lo anterior se cumple si el desarrollo armónico de la señal aplicada contiene como mínimo n/2 armónicos. que cumpla los siguientes requisitos: 1 L • Exista el límite ru ( τ) = lim ⋅ ∑ u( t + τ) ⋅ u T ( t ) L→∞ L t =1 1 L • La matriz R u ( n) = lim ⋅ ∑ ϕ( t ) ⋅ ϕ T ( t ) sea definida positiva. APLICACIONES AIV-7 matriz a invertir tiene como dimensión el número de salidas del sistema (en el caso monovariable. Esto se garantiza con una señal que sea una excitación persistente de orden n. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .

los cuales pueden expresarse según la forma canónica: APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . De esta forma el sistema resulta resoluble en tiempo real ya que no aparece ninguna ecuación implícita que deba resolverse (es evidente que las ecuaciones del transformador son equivalentes a las de la máquina asíncrona – o a la inversa. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. 7 o 9). por lo tanto la discusión desarrollada en el capítulo 2 es perfectamente válida para este caso). Modelo de transformador y su carga. En el caso de las funciones representativas de la saturación consideradas el exponente n puede obtenerse mediante ensayos o tanteos previos como n = (5. como se desee.ANEXO 4. se trata de determinar sólo los coeficientes a y b. Figura 2. Se considera el modelo de saturación representado por: y (k ) = ϕ T (k ) ⋅ θ (34) y la aplicación del método de los mínimos cuadrados recursivos (RLS. APLICACIONES AIV-8 Aplicación al caso de un transformador La aplicación del método anterior al caso de modelización de un transformador monofásico susceptible de entrar en saturación ilustrará el algoritmo que se propone. Las ecuaciones de definición del sistema son las siguientes: dΨm N1 ⋅ = u − r1 ⋅ i1 dt dΨm = (Lc arg a + L2 disp )⋅ 2 + (Rc arg a + R2 )⋅ i2 di N2 ⋅ dt dt (33) i1 = i mag + i ' 2  Ψ Ψ  n  imag = I N ⋅  a ⋅ m + b ⋅  m    ΨN  ΨN     donse se ha considerado el efecto de dispersión concentrado en el secundario.

• Carga R = 20 Ω.0 0 50. • Caso 3. Alimentación sinusoidal retardada 90º.202 Ω .0 -400. 1.942 Ω. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0 200. ma = 0. Las figuras que siguen indican los resultados obtenidos en la simulación del transitorio de conexión en carga del transformador de características que siguen: • Transformador monofásico 220/380 V. Tensión aplicada.85.0m 150. n = 7. Po = 18 W. Pj = 40 W. APLICACIONES AIV-9 θ T ( k ) = a ( k ) b ( k )  Ψ ˆ (k ) Ψˆ (k )  n  y (k ) = i(k ) ϕ (k ) =  I N ⋅ m T  ΨN IN ⋅ m  Ψ     ( )   N   (35) Resultados de simulación.0m 200. Señal aplicada súbitamente (sin rampa de arranque en el ondulador). Prácticamente sin sobrecorriente de conexión. Existe sobrecorriente de conexión. • Caso 2.0 400. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . R1 = 0.0 200.5 A. Ψm = 0.0m 100.3 kVA.0m 200. 5.99 Wb. Alimentación PWM. Alimentación sinusoidal .0 -200.Caso 1. L = 100 mH (corresponde aproximadamente al caso nominal) • Caso 1: Alimentación sinusoidal coincidente con el inicio de la onda.9/3.0m 100.0 0 0 -200.0m 400. R2 = 1. 0 50.0m 150. mf = 15.0m Figura 3.ANEXO 4.0 -400.

0m 150. Corriente secundaria reducida al primario. Corriente por el primario.000 -10.0m 100.0 0 50.0 -150.Caso 1.000 5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 100.000 -5.0m 150.0 -150.000 0 50.Caso 1. APLICACIONES AIV-10 0 50.000 0 0 -5.0 50. 0 50.0m 200. Alimentación sinusoidal .0 0 0 -50.000 -10.000 5.0m 150.0m 50.0m 200.000 10.0m 100.0 -100.0 -50.ANEXO 4.0m 100.0m Figura 4.0m 150.0m 200.0 -100.0m 200.0m Figura 5.0m 10. Alimentación sinusoidal . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.

3 -33. APLICACIONES AIV-11 0 50.0 0 50. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0 -125.0 -50.0 -100.0 -125. Caso 1.0 -125.0m 100.0m 100.0 -33.0m 10.0m 250.0 0 0 -25.0 -100.0m 300.0 -100.0m 150. Corriente magnetizante calculada y estimada. Caso 1.0 -100.0 -120.0 -100.0 -75.0m 250.0m Figura 6.0 -75. -125.0m 150.0 10.0 -50.0 -66. Alimentación sinusoidal.3 0 10.0m 200.0 10.0 -120.0m 300.0 -66. Alimentación sinusoidal.7 -33. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .7 -33.0 10.7 -100.3 0 10.0 -25.0 Figura 7.7 -66.3 -66. Corriente magnetizante estimada como función de la corriente magnetizante estimada.ANEXO 4.0m 200.

000 5.000 0.000 10.0m 300.000 0 50.0m 10. Alimentación sinusoidal .0m 150.Caso 1.0m 150.0m 300.ANEXO 4.000 5.500 -1.0m 250.0m 200. Error de estimación en corriente de magnetización.0m 150.0m 150.000 0 0 -5.000 -1.0m 100.500 0 0 -0.Caso 1. APLICACIONES AIV-12 0 50.0m 250.500 0.0m 100.0m 200.0m 300.500 -0.000 -10.0m 200.0m 1.000 -5. Flujo común calculado y estimado. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0m 100.000 -10.0m Figura 8.0m 250.0m 250.0m 300. Alimentación sinusoidal .500 -2.0m 200.500 -1.000 0 50.000 -1. 0 50.0m 100.000 1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m Figura 9.000 -2.

0m 250.500 0 0.700 -1.000 -0.0m 100.0m 100.0m 150.500 0 0 -0.00m -100.500 1.00m 0 0 -50.000 -1.0m 100. Alimentación sinusoidal .700 -1. 0 50.700 -1. Caso 1.00m 100. APLICACIONES AIV-13 -1. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.500 -0. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .000 Figura 10.0m 300.000 -0.000 1.ANEXO 4.000 1.00m 50.0m 250.500 0.0m 200.00m 50.500 0 0.00m -50.0m Figura 11. Alimentación sinusoidal. Error de estimación en flujo común.00m 0 50.0m 150.00m -100.0m 300.700 -1.500 -1.000 -1.500 1.000 0. Flujo común estimado como función del flujo común calculado.0m 200.Caso 1.

00 -10.50 1.500 0. Característica de saturación calculada.80 -20.000 -1.80 -20.993 0.00 -15.500 -0.485 -24.ANEXO 4.00 -10.00 -15.00 0 5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Alimentación sinusoidal.500 0 0 -0.405 -24. Característica de saturación estimada.500 0 0 -0.00 -5.00 0 5.00 0 5.00 -10.00 -15. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. Caso 1. Alimentación sinusoidal.50 Figura 13.000 -1.500 -1.000 -1.00 -5. APLICACIONES AIV-14 -24.485 -1. -24.00 -15. Caso 1.00 -5.500 -1.50 0.993 0.073 0.80 -20.50 Figura 12.00 -5.500 0.000 -1.405 -1.80 -20.00 -10.00 0 5.500 -0.073 1.

Caso 1. Alimentación sinusoidal.3m 166. Caso 1.00m 100. APLICACIONES AIV-15 0 25.7m 0 0 0 25.0m 500.00m 50.00m 50.00m 100.3m 166.0m 500.00m 700.7m 166. Parámetro bˆ(k ) .00m 75.00m 75.0m 700.00m Figura 15.0m 333. 0 25.0m 500. Alimentación sinusoidal.0m 333.00m 50.00m Figura 14.00m 75.3m 333.00m 75.00m 50. Parámetro aˆ (k ) .0m 700.7m 0 0 0 25.0m 500.00m 700.00m 100. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.00m 100.7m 166. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .ANEXO 4.3m 333.

Caso 2.0m 400.0 200. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0m 100.00 -10. 0 50.0 200.00 -20.00 0 50. Corriente por el primario.0m 200.00 20. Alimentación sinusoidal . Alimentación sinusoidal . APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 250.0m 150.ANEXO 4. APLICACIONES AIV-16 0 50.0m 200.Caso 2.0m 100.0m 100.0 400.00 10.0m 150.0m 300.0m 300.0m 300.0m 100.0m 300.0m 200.0 -200.00 10.00 0 0 -10.0m 150.0 -400.0 0 50.00 -20.0m 250.0m 250.0m 250.0m 150.0m Figura 17. Tensión aplicada.0 -400.0m 20.0m 200.0m Figura 16.0 0 0 -200.

000 -5. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.500 -5.000 6.0m 300.0m 100. Corriente magnetizante calculada y estimada. APLICACIONES AIV-17 0 50.Caso 2.0m 10.0m 250.500 2.0m 200.500 -2.0m 200.0m 150.000 0 0 -5.0m 150.000 0 50.000 5.0m 6.0m Figura 19.0m 300.0m 250.ANEXO 4.000 -10.0m 100.0m 150.000 0 50. Alimentación sinusoidal .000 2.0m 200.0m 100. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Corriente secundaria reducida al primario. Caso 2.000 -5.000 -10. Alimentación sinusoidal.0m 250. 0 50.000 -6.000 5.0m 250.0m 300.0m Figura 18.0m 100.000 10.000 -6.0m 200.0m 150.0m 300.000 5.500 0 0 -2.000 5.

000 -5. Corriente magnetizante estimada como función de la corriente magnetizante estimada.0m Figura 21.500 -5.500 0 2.0m 200. Alimentación sinusoidal .000 -1.500 0 2.000 Figura 20.000 6.500 0 0 -2.500 6.000 1.000 -2.000 -6.0m 200.000 -2.0m 150.0m 2.0m 100.000 5.000 2.000 0 0 -1. Error de estimación en corriente de magnetización. APLICACIONES AIV-18 -6.0m 300.000 0 50. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 150.000 -2.500 -2.000 -2.000 5.000 -6.000 -6.0m 300.500 6.500 2.ANEXO 4. Caso 2. 0 50. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.000 1.0m 100.0m 250.000 6.Caso 2.000 2. Alimentación sinusoidal.0m 250.

500 1.200 1.Caso 2.000 1.000 -1. Alimentación sinusoidal. Alimentación sinusoidal . EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. Caso 2. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .200 -0.400 -1.0m 200.0m 100.000 0.500 -0.0m 150. -1.0m Figura 22.0m 250.000 -1.500 0 0.200 -1. Flujo común calculado y estimado.500 0 0.200 1.500 0 0 -0.500 1.200 1.000 -1.500 -0.ANEXO 4.500 0.000 1.200 -0.500 -1.200 -1.500 -1.0m 250.400 1.400 1.0m 150.0m 200. Flujo común estimado como función del flujo común calculado.500 0 0 -0.000 -1.0m 100.200 Figura 23.500 0.0m 300.400 0 50.0m 1. APLICACIONES AIV-19 0 50.0m 300.000 0.

00m 0 0 -50. APLICACIONES AIV-20 0 50.500 0 2.Caso 2. Característica de saturación calculada. Alimentación sinusoidal.00m -100. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .500 0 2.0m Figura 24.0m 500.00m 100.000 -2.00m 0 50.0m 1000.000 Figura 25.000 1000.ANEXO 4.500 6.0m -1000.0m 100. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0m 100.00m -100. Alimentación sinusoidal .0m 150.000 -2.0m 500.500 6.00m -50.0m 150.0m 250.0m 100.00m 50.0m -500.0m 200.0m 300.0m 200. -6.0m 0 0 -500. Caso 2. Error de estimación en flujo común.0m 250.0m 300.00m 50.0m -1000.0m -6.

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m -1000.0m 375.0m 250. Caso 2. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0m 1000.0m 539.00m 100.0m 500. 0 25.0m 125.0m 125.00m Figura 27.0m -1000.ANEXO 4.500 0 2. Parámetro aˆ (k ) .00m 75.00m 100. Alimentación sinusoidal.000 -2.0m 0 0 0 25.0m -6. Caso 2.500 0 2.00m 539.000 Figura 26.00m 50. APLICACIONES AIV-21 -6. Característica de saturación estimada.0m -500.00m 50.00m 75.0m 250.500 6.0m 375. Alimentación sinusoidal.0m 0 0 -500.0m 500.500 6.000 1000.000 -2.

Parámetro bˆ(k ) .0m 375. Caso 2.00m 75.00m 75.0 0 0 -200.0 -400. APLICACIONES AIV-22 0 25.00m 100.00m 100.0m 539.00m 400.00m 539.ANEXO 4.00m 50.0 400.00m 100.0 200. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.00m Figura 28.00m 75.00m 75.0 0 25.0m 125. 0 25.00m 100.00m 50.00m 50.0 200.00m 50.0m 125.00m Figura 16.0 -200.0m 375. Tensión aplicada.0m 250. Alimentación PWM. Alimentación sinusoidal.0m 0 0 0 25.0 -400. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 250. Caso 3.

0m 20. APLICACIONES AIV-23 0 50.0m 150.0m Figura 18.000 -5.0m 10.0 0 50.0 -133.0m 200.0m 100. Alimentación PWM. Caso 3. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 20.0m 100.000 0 0 -5.7 -100.3 -33.0m 100.000 5.3 -66.0m 150.0m 100. Caso 3.3 -160.000 0 50.0m 150.0m 200.000 5. Corriente por el primario.0m Figura 17. 0 50.0m 200.3 -133.000 10. Alimentación PWM. Corriente secundaria reducida al primario.0m 150.ANEXO 4.0 0 0 -33.7 -66.0 -160. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.000 -10.000 -10.0m 200.0 -100.

0 10.0m 10.0 -150.3 0 10.3 0 10.0 10.7 -33.3 -150.7 -100.3 -100.7 -66.3 -33.0 -133.0 -33.0 -133. Corriente magnetizante calculada y estimada. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 150.0m 200. Caso 3.0m 200.0m Figura 19.0 10.0 Figura 20. Alimentación PWM. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.7 -33.0m 100.0 -133.7 -100. Alimentación PWM.0 -133.0 -100.0 -100.0m 300.0m 250.3 -133.0m 100.0 -66.0 -150.ANEXO 4. APLICACIONES AIV-24 0 50.3 -33.3 -150. -150.0 -33.3 -66. Caso 3.0 -150.3 -133.3 -66.0 -66.7 -66.0m 150.3 -100. Corriente magnetizante estimada como función de la corriente magnetizante estimada.0m 300.0m 250.0 0 50.

000 -1.500 1.500 -0.0m 100. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.0m 100.0m 200.0m 100.0m 250.0m 200. Flujo común calculado y estimado.800 1.0m 150.0m 250.0m 20.000 1.0m 150.500 0.500 -1. Caso 3.00 0 0 -10.00 0 50.0m 100.800 1. 0 50.00 -20.0m 1.0m 300.00 10.ANEXO 4.00 -20.00 10. Error de estimación en corriente de magnetización.0m 200.500 -1. Alimentación PWM.00 20.800 0 50.0m 150. APLICACIONES AIV-25 0 50.0m 150.0m Figura 21.500 1.800 -1. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 200.0m Figura 22. Alimentación PWM.00 -10.0m 300.500 0 0 -0.000 -1. Caso 3.500 -1.000 0.

0m Figura 24.0m 100. Alimentación PWM.500 1.500 -2.500 0.000 -1. Flujo común estimado como función del flujo común calculado. Caso 3.800 -1. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.500 -1.0m 100.0m 0 0 -100.ANEXO 4. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 100. Alimentación PWM.500 0 0. Error de estimación en flujo común.500 -1.500 0 0.0m 200.0m 300.0m 150. Caso 3.0m 200.000 -1.000 -0.500 -1.200 1.0m 250.0m 200. 0 50.800 -1.500 -1.0m 0 50.500 -0.500 1.0m -200.200 1.000 -2.000 -0.0m -100.000 -1. APLICACIONES AIV-26 -1.200 0.500 0 0 -0.0m 150.0m 300.200 Figura 23.0m 100.0m -200.0m 250.0m 200.

500 0.50 Figura 26.50 1.00 0 6.498 -33.00 -5.00 -15.000 1.000 1.00 -15. Alimentación PWM.500 -1.00 -20.00 -20. -33.500 0 0 -0.00 -5.00 -5.00 -20.50 Figura 25.232 1.00 0 6.10 -25.00 -15.00 -5.00 0 6.000 -1.498 -1. Característica de saturación calculada.10 -25.500 0 0 -0.232 1.000 -1.00 -15. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.00 -10.00 -10. APLICACIONES AIV-27 -33. Caso 3. Característica de saturación estimada.498 -1.000 -1.00 -10.000 0.500 0.ANEXO 4.00 -20.232 1.232 1. Alimentación PWM.00 0 6.498 -33.500 -0.500 -0. Caso 3.50 1.00 -10. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .10 -25.10 -25.500 -1.000 0.000 -1.

00m 75.0m 0 0 0 25.00m 50.00m 50. 0 25.0m 1000.00m 50. Alimentación PWM.00m Figura 28.0m 500.00m 100.0m 250. Caso 3.00m 100. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.00m 1000.0m 750.0m 250.00m Figura 27.0m 500. APLICACIONES AIV-28 0 25.00m 75.00m 75.0m 500.00m 50.0m 750.0m 750. Alimentación PWM. Parámetro aˆ (k ) . Caso 3.0m 0 0 0 25.0m 250.00m 1000.0m 500.0m 1000.00m 75. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0m 750.00m 100.ANEXO 4. Parámetro bˆ(k ) .00m 100.0m 250.

R1 = 0. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. APLICACIONES AIV-29 Contrastación experimental.400 V frecuencia de salida : 0 .ANEXO 4.202 Ω . 5. alimentado desde la red industrial (220 V. • Transformador monofásico 220/380 V.942 Ω. 1. Se observa la convergencia de la última al valor real en un tiempo no superior a 40 ms (2 periodos de la onda). n = 7 (es el transformador ensayado anteriormente). • Osciloscopio digital de 20 MHz.9/3.5 A.3 kVA. Aplicación al caso de transformador en vacío Figura 29. Ψm = 0. se representa el error de observación. Disposición ensayos. En la figura 30 se representa la evolución de la corriente real y la corriente estimada para el caso de alimentación sinusoidal. En la figura 31. Se ha realizado el montaje de la figura 29 que representa un transformador monofásico en vacío. Equipo de medida formado por : • Sonda de corriente por efecto Hall. Po = 18 W. y posteriormente a partir de una fuente proveniente de un ondulador PWM con las características siguientes : Tensión de salida : 0 . lo que garantiza la identificación de los coeficientes buscados. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . Pj = 40 W. •Tarjeta de adquisición de datos (8 bits) conectada al osciloscopio y a un ordenador personal no representado. 50 Hz). Las figuras 32 y 33 representan la evolución de los parámetros identificados en función del tiempo. R2 = 1.99 Wb.120 Hz mf = 15 Ensayo realizado para valores nominales de tensión y frecuencia.

3 100.3 133.3 33.00m 20.00m 160.00 20.00 0 0 -10.00m 60.00m 40.00m 60.ANEXO 4.0 100.00m 40.00m 80. APLICACIONES AIV-30 0 20.00m Figura 31.00m 80. Comparación corriente real y estimada.00m 40. Alimentación sinusoidal. Alimentación sinusoidal.00 10.0 0 20.0 66.00m Figura 30.3 0 0 -20.7 66.00 -20.00m 80. Error de estimación.00m 60.00 -20. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .0 -20.0 133.0 160.7 33.00 -10.00m 40.00m 80.00 10.00 0 20. 0 20. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.00m 60.

00m Figura 33.000 5.000 5. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.000 -10.00m 80.00m 60.00m 60.000 -5. Parámetro â(t).00m 40.00m 80.000 0 20.000 10.00m 10.000 5. Alimentación sinusoidal.000 0 20. Parámetro bˆ(t ) .00m 40. Se observa la convergencia de la última al valor real en un tiempo no superior a 15 ms (1 periodo de la onda).00m Figura 32. 0 20. En la figura 34 se representa la evolución de la corriente real y la corriente estimada para el caso de alimentación PWM.500 0 0 -1.00m 60.00m 80.00m 40. APLICACIONES AIV-31 0 20.000 2.ANEXO 4.00m 10.000 10. Alimentación sinusoidal.000 -1.000 7. se representa el error de observación.000 0 0 -5. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .500 5.000 -10.00m 40. Las figuras 36 y 37 representan la evolución de los parámetros identificados en función del tiempo. En la figura 35.500 2.00m 60.00m 80.500 7.

00 25.04 -57. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. Alimentación PWM.00m 49.00m 49.00 -20.00m 40.51m 34.00 50.00m 20. Error de observación.00 -40.00 -50. Comparación corriente real y estimada.ANEXO 4.00m 30.00 -40.36 20. Alimentación PWM.51m 50.00m 20.00 25. APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .36 34. 0 10. APLICACIONES AIV-32 0 10.00 -57.00 0 10.04 0 10.00m 49.00m 40.51m Figura 35.00 0 0 -20.00m 30.51m Figura 34.00m 30.00m 40.00m 40.00m 20.00 -25.00 -50.00m 20.00 20.00m 30.00m 49.00 0 0 -25.

000 -2.51m Figura 37.250 0 0 -1.000 0 0 -1.00m 49.00m 40.00m 20. Parámetro â(t). APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL .00m 20.250 -1.ANEXO 4.500 2. Alimentación PWM. EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS.000 1.00m 40.00m 20.00m 30.00m 30. Alimentación PWM. 0 10.51m 2.00m 49.51m Figura 36.500 1.000 2.250 -2.000 1.00m 49. APLICACIONES AIV-33 0 10.00m 40.00m 49.000 0 10.600 0 10.000 -2.51m 2.600 -2.00m 30.00m 40.000 -1.250 1.00m 30.00m 20. Parámetro bˆ(t ) .

APORTACIÓN A LA DETERMINACIÓN DE PARÁMETROS DE LOS MODELOS EN LA MÁQUINA ASÍNCRONA PARA UNA MEJOR IDENTIFICACIÓN DE VARIABLES NO MENSURABLES INCIDENTES EN SU CONTROL . . • En el segundo caso (alimentación sinusoidal sin apenas corriente de conexión) existe una desviación en el valor final de los parámetros estimados. APLICACIONES AIV-34 Conclusiones • El método presentado. ello puede ser debido a las relativamente pobres condiciones de la señal sinusoidal para discernir la identificación de dos parámetros (máximo teórico posible con este tipo de señal). La resolución con la que se discretizan las señales es pobre (8 bits) para representar todo el rango de valores posibles en el transitorio de conexión (255 valores para un rango de corrientes que varia aproximadamente entre ± 140 A y para un rango de tensiones que varia entre ± 400 V). EL MÉTODO DE LOS MÍNIMOS CUADRADOS RECURSIVOS. • Los parámetros obtenidos por ensayos fuera de línea son hallados a partir de medidas en régimen permanente y considerando valores eficaces de tensión y corriente. Caben diversas fuentes de discrepancia: • Fenómenos no modelados : histéresis. Contrastación experimental • Los parámetros estimados difieren de los obtenidos en ensayos previos fuera de línea y de los obtenidos por simulación. Simulación • En todos los casos se llega a resultados correctos en la estimación del flujo y de la corriente de magnetización. . permite la caracterización de sistemas magnéticos saturados a partir de medidas realizadas en línea.ANEXO 4. • Error de cuantización. • En el caso de alimentación PWM se logra la convergencia a valores correctos. en la identificación en línea se consideran valores instantaneos de tensión y corriente lo que puede llevar a una interpretación diferente para los parámetros obtenidos por el algoritmo.