Modelo VHDL de Control Neuronal sobre tecnología FPGA orientado a Aplicaciones Sostenibles

Abstract

RESUMENEl presente trabajo consta de una investigación en esquemas de control neuronal y el diseño generalizado de sus componentes en lenguaje descriptor de hardware VHDL, con el propósito de construir un modelo para el soporte de control reconfigurable y la optimización de estos esquemas para implementación con tecnología FPGA. El método seleccionado consistió en el modelado del control, a través de la configuración VHDL de las redes neuronales aplicadas, el estudio de los modelos y la propuesta de entrenamientos más eficientes, orientados a hardware. Entre los resultados se cuenta con una propuesta de configuración fractal para el control eficiente de los sistemas y su modelo matemático. La investigación plantea el concepto de redes neuronales fractales, control neuronal reconfigurable y sistemas de entrenamiento para hardware como un aporte para abordar el control de los sistemas de potencia y reconfiguración de la infraestructura energética. El esquema de control propuesto simplifica la implementación de control avanzado, promoviendo un área de investigación en esta línea de diseño sostenible, incorporación de energías renovables, reutilización de recursos y eficiencia energética.Palabras clave: Tecnología de control, modelos de redes neuronales, identificación de sistemas, algoritmos adaptativos, control óptimo, redes eléctricas inteligentes. ABSTRACTThe present work consists of a research on neuronal control schemes and the generalized design of its components in VHDL hardware descriptor language, with the purpose of building a model for reconfigurable control support and the optimization of these schemes for implementation with FPGA technology. The selected method consisted in the modeling of the control, through the VHDL configuration of the neural networks applied, the study of the models and the proposal of more efficient trainings, oriented to hardware. Among the results we have a fractal configuration proposal for the efficient control of the systems and their mathematical model. The research proposes the concept of fractal neural networks, reconfigurable neuronal control and training systems for hardware as a contribution to address the control of power systems and reconfiguration of the energy infrastructure. The proposed control scheme simplifies the implementation of advanced control, promoting an area of research in this line of sustainable design, incorporation of renewable energies, reuse of resources and energy efficiency.

Smart systems for the protection of ecosystems, flora and fauna

“…Restauración de suelos y agua, aplicando técnicas de fito-remediación, con sub-productos de post-cosecha. Diseño de sistemas de energías renovables [32][33][34][35], e implementación de dispensadores de alimentos con control inteligente [36][37], asistencia remota y optimización de condiciones de la fauna urbana micro-ecosistemas urbanos, para el soporte del desarrollo de un hábitat para polinizadores y fauna en espacios urbanizados. Optimización neuronal por aprendizaje natural, bio-inspirado por la flora y fauna: (a) Reconocimiento y clasificación de componentes para reciclaje, entrenados por patrones de selectividad sensorial de animales (perros y gatos).…”

Modelo de optimización LFSR basado en método de coeficientes adaptativos para sistemas reconfigurables de ERNC

“…Algunos trabajos previos [22,23] plantean soluciones híbridas de energía, en función de estas características se puede programar la asignación porcentual de cada arreglo de convertidores en el sistema: Alternativas de fotovoltaica flotante [24], energías oceánicas [25,26], eólica [27], así como infraestructura energética implementada, que resulte compatible para la eficiente reutilización en las etapas de almacenamiento de ERNC [22] de modelo circular, a fin de optimizar el diseño por correspondencia entre componentes, a partir del modelado matemáticos de cada subsistema. Dadas las características de intermitencia (dependiente de las condiciones climáticas) de las ERNC, resulta necesario un sistema de almacenamiento para la gestión de la demanda eléctrica [28], diseñados para tiempos cortos de carga y descarga.…”

Arreglo Inteligente de Concentración Solar FV para MPPT usando Tecnología FPGA

“…Dada la importancia de optimizar los sistemas de energías renovables no convencionales (ERNC), en relación a la densidad de energía de los convertidores y la eficiencia de los componentes, se presentan diversas investigaciones en este campo, que giran alrededor de los esquemas de control para seguimiento del punto de máxima potencia (MPPT), a través de inteligencia artificial, optimización de enjambre de partículas y otros métodos híbridos [1]. En esta investigación se han revisado los métodos basados en redes neuronales artificiales (ANN), arreglos con estructura Linear Feedback Shift Register (LFSR) aplicados en energías renovables [2][3][4][5][6][7][8][9] y algoritmos adaptativos [10].…”

“…El estudio parte del comportamiento del sistema, a fin de detectar vacíos tecnológicos en la generalización de estrategias de optimización a partir del modelo. Analizando la dinámica de las fuentes de ERNC (por su intermitencia), presentan desafios para su control [2][3], como capacidad de cómputo y procesamiento concurrente, donde la tecnología Field Programmable Gate Array (FPGA), se perfila como una alternativa de solución para implementar, de manera eficiente, sistemas embebidos en lenguaje descriptor de hardware (VHDL), que permita soportar el entrenamiento en circuito y la adaptación dinámica.…”

“…Al mismo tiempo que puede aplicarse transferencia de aprendizaje de la ANN[13] para servicio de modelado y ajuste fino para la optimización remota del sistema fotovoltaico.En el contexto de la actual disminución del 82% de los costos de la energía FV[43], resulta de interés la optimización espectral de radiación directa, difusa y reflejada[44] como aportes parciales en el modelo. Los resultados alcanzados pueden ser extrapolados en en MPPT eólica[45], ERNC[2], sistemas regenerativos en ingeniería, formulación ANN sobre hardware[46] para sensibilización FV, arreglos ópticos, modelado térmico de paneles bifaciales[47], refrigeración de paneles para MPP FV/T[48], optimizadores de potencia[49] y sistema híbridos de generación eléctrica[50], eficiencia energética[51] y desarrollo de tecnologías de minimo impacto ambiental[52][53].ConclusionesGracias al modelo de optimización sobre arreglos de concentración solar FV para MPPT, basada en ANN, arquitectura LFSR y algoritmos adaptativos responsables del ajuste de los coeficientes del sistema, se ha logrado dotar de inteligencia al SFV, aplicando circuitos de procesamiento paralelo y reconfiguración dinámica del arreglo, lo que introduce una mejora en el aprovechamiento de las condiciones de irradiancia, HSP, modificación espectral, control de temperatura de los módulos FV, realimentación de componentes de energía residual, para elevar el rendimiento total, a través de la…”