Thesis:

ADMM-Based Long-Horizon Model Predictive Energy Control of Modular Multilevel Converters for High-Power Variable-Speed Drives

Las topologías de convertidores multinivel se han vuelto fundamentales para los avances tecnológicos en electrónica de potencia debido a su escalabilidad, calidad, variedad de niveles de tensión en los puertos externos y tolerancia a fallas, entre otras características. Desempeñan un rol significativo para satisfacer las crecientes demandas de potencia en aplicaciones como la transmisión HVDC, los accionamientos de media tensión y la conversión de energía eólica y solar. Su amplio rango de operación conlleva la tarea compleja e inherente de controlar no solo las señales externas, sino también las variables internas, ya que generalmente están compuestos por dispositivos pasivos de almacenamiento como condensadores. De este modo, las oscilaciones de tensión en ciertos puntos de operación pueden afectar significativamente el desempeño externo o dañar los componentes del convertidor. Este control interno utiliza variables propias de la topología para balancear la energía entre cada rama. Por lo tanto, se propone un control de balance de energía mediante la generación de referencias de corrientes circulantes sin limitación en sus componentes de frecuencia, utilizando una señal arbitraria de tensión de modo común (CMV), mientras se acciona un motor de inducción cuya operación crítica ocurre a baja velocidad con alto torque. El control opera a nivel de clúster, considerando su modelo de energía, el cual incluye las corrientes circulantes como grado de libertad y las corrientes externas como una entrada conocida, dando como resultado una función de optimización convexa a resolver. Adicionalmente, con el objetivo de lograr un desempeño más óptimo y eficiente, se implementa un control predictivo basado en modelo de horizonte extendido, fundamentado en un algoritmo de resolución iterativa denominado Método de Dirección Alternada de Multiplicadores (ADMM, por sus siglas en inglés). Su principal característica es la resolución mediante la separación de la función a optimizar, con convergencia garantizada dada la naturaleza del modelo utilizado. Finalmente, los resultados se validan mediante maniobras experimentales en un prototipo de accionamiento, tanto en estado estacionario como en procesos dinámicos que incluyen baja velocidad y, en consecuencia, mayores exigencias de control.

Multilevel converter topologies have become integral to the technological advancements in power electronics due to their scalability, quality, variety of voltage levels at external ports, and fault tolerance, among other features. They play a significant role in meeting the increasing power demands in applications such as HVDC transmission, medium voltage drives, and wind and solar energy conversion. Their wide range of operation brings with it the complex and inherent task of controlling not only external signals but also internal variables, as they are generally composed of passive storage devices such as capacitors. Thus, voltage oscillations at certain operating points can significantly affect external performance or damage converter components. This internal control uses variables inherent to the topology to balance energy between each branch. Therefore, an energy balance control is proposed through the generation of circulating current references without limitation on frequency components, utilizing an arbitrary common mode voltage (CMV) signal while driving an induction motor whose critical operation occurs at low speed with high torque. The control operates at the cluster level, considering their energy model, which includes circulating currents as a degree of freedom and the external currents as a known input, yielding a convex optimization function to solve. Additionally, with the aim of achieving more optimal and efficient performance, an extended horizon model predictive control is implemented based on an iterative resolution algorithm called Alternating Direction Method of Multipliers (ADMM). Its main feature is solving through the separation of the function to be optimized, with guaranteed convergence given the nature of the model used. Finally, the results are validated through experimental maneuvers on a drive prototype, both in steady state and dynamic processes that include low-speed operation and, consequently, greater control demands.