primer commit

MFAC_Gitlab/Init_Var.m

+
+clear all, clc ,close all
+
+PI.time = [0];
+K_droop = 3.0;
+PI.signals.values = [16; 10]';
+
+Ts_Control  = 1e-5;
+Ts_Power    = 1e-5;
+%Ts_Control  = 1e-5
+steam_time_const = [ 0 10 0.1  0.1 ];
+P = 10;
+I = 16;
+
+Vol_ref_GF = 1.05; %pu
+
+
+sim('LabRei_GF_v1');
+simulink_result=ans;
+
+%%%%%%%%%%%% plotting results %%%%%%%%%%%%%%%%
+figure(1)
+plot(simulink_result.y_out.time,simulink_result.y_out.signals.values, 'b');
+xlabel('Tempo [s]')
+ylabel('pu')
+title('Tenso na barra 13');
+grid on
\ No newline at end of file

ReadMe.txt

+Uma abordagem alternativa, que dispensa o conhecimento prévio do modelo dinâmico
+da planta, seria o controle orientado por dados (data-driven control). Esta passa a ter destaque
+com aumento da complexidade dos processos, pois a tarefa de modelar os mesmos, acaba se
+tornando muito difícil. Felizmente, muitos dos sistemas modernos são capazes de gerar e
+armazenar um enorme volume de dados (informações) ao longo do dia, e esta capacidade de
+armazenamento, poderia auxiliar no projeto de controladores, na realização de prognósticos,
+detecção falhas nos processos, avaliação do desempenho e tomada decisões de grande valia em
+face da falta de precisão existentes nos processos mais modernos. Por esta razão, a
+abordagem data-driven control se faz necessária. Esta abordagem também disponibiliza de um
+vasto conjunto de métodos que podem ser aplicados, tais como: o método Virtual Reference
+Feedback Tuning (VRFT), o método Model Free Adaptive Control (MFAC), entre outros.
\ No newline at end of file

VRFT_Gitlab/VRFT_TEST.m

+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+%%%%        Inverter Reference Model Definition        %%%%
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+clear all;
+clc;
+
+
+Cf=1.3160e-04;
+L=0.13333;
+f=60;
+w=2*pi*f;
+
+
+%% Parameters:
+fs=20000; %sampling frenquency
+Ts=1/fs; %sampling period
+R1=125e-3;
+L1=0.5e-3;
+Rg=50e-3;
+Lg=0.125e-3;
+Vdc=600;
+c=25e-6;
+
+
+
+%% New reference model
+sys2=tf([1],[c*R1 1 1])
+M2=c2d(sys2,Ts)
+
+sys3=tf([1/(Lg*c*1000)],[1 15*Rg/Lg 1/(Lg*c*1000)])
+M3=c2d(sys3,Ts)
+
+sys4=tf([1],[Cf*R1 0.1 1])
+M4=c2d(sys4,Ts)
+
+sim('inverter_threephase_data2')
+
+%% plot results
+data=ans;
+
+figure(2)
+%subplot(2,1,1)
+hold on
+plot(data.M_out.time,data.M_out.signals.values,'r--');
+plot(data.y_n.time,data.y_n.signals.values,'k','LineWidth',1.5);
+plot(data.u_n.time,data.u_n.signals.values,'b');
+xlabel('Tempo [s]')
+ylabel('pu')
+title('G_d, M(z) e u(k)')
+legend('Modelo: M(z)','Inversor: G_d','Referncia: u(k)')
+grid on
+
+%subplot(2,1,2)
+figure(3)
+ hold on
+ plot(data.u_n.time,data.u_n.signals.values,'b');
+ plot(data.M_out.time,data.M_out.signals.values,'r');
+ xlabel('Tempo [s]')
+ xlabel('Time [s]')
+ ylabel('pu')
+ title('M(z): in/out')
+ legend('Reference signal','M(z)')
+ grid on;
+
+%% VRFT method
+%% parametrizing PID RESPONSE (lsim command)%
+%data.phi1
+phi=[data.phi1.signals.values'; data.phi2.signals.values'; data.phi3.signals.values'];
+P=inv(phi*phi')*phi*(data.M_out.signals.values)
+%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+