Edgar Hernando Sepúlveda-Oviedo

Converter-dominated power systems increasingly rely on grid-forming (GFM)converters whose inner-loop dynamics must remain stable under digitalimplementation while preserving voltage quality under distorted loads,particularly in islanded operation. This paper investigates how the discreteplant model used for controller synthesis interacts with the synthesis methodin a single-phase GFM inverter with cascaded voltage-current control,proportional multi-resonant (PMR) internal models, and a one-samplecomputation delay. Linear matrix inequality (LMI) D-stability pole placementand discrete linear quadratic regulator (DLQR) synthesis are each performed onforward-Euler and exact zero-order-hold (ZOH) plant models, while allresulting controllers are evaluated on a common ZOH reference model.Sampling-ratio and LC-filter sweeps reveal an asymmetry between the twosyntheses: below a critical sampling ratio the Euler-based LMI design isunstable on the reference model although it appears stable on its ownsynthesis model, whereas the ZOH-based LMI design and both DLQR designs remainstable over the whole investigated range. Across four filter resonances thestability boundary nearly collapses onto a single value of the resonance phaseadvance per sample, supporting the conservative empirical rule$\omega_{res}T_s \lesssim 0.2$~rad for Euler-based synthesis. At a samplingratio where the two design models agree, and under the adopted Bryson-ruletuning, the LMI design reduces the output-voltage THD by more than an order ofmagnitude and roughly triples the voltage-loop bandwidth relative to DLQR, atequal structure and equal plant. Discretization fidelity and synthesisstrategy are therefore coupled design choices in high-performance GFMinner-loop control.

Détection et diagnostic de défauts et des pertes de performances dans les centrales photovoltaïques de forte puissance: L'augmentation de l'utilisation de l'énergie photovoltaïque dans le monde a montré que la durée de vie et la maintenance d'une centrale photovoltaïque sont fortement liées à sa capacité à détecter les pannes qui peuvent survenir dans le temps. Ainsi, plus un défaut est détecté, pour effectuer une maintenance corrective voire préventive de la pièce défectueuse, plus la production du système photovoltaïque est maintenue optimale, réduisant ainsi le coût de la maintenance. Le diagnostic de défaut nécessite un contrôle strict par un système d'acquisition de données qui constitue une base de données conséquente. Cette approche dite « pilotée par les données » doit être associée à un système d'extraction de caractéristiques pour constituer un système de diagnostic des pertes de performances voire des défauts. Actuellement, le développement de ce type de plate-forme est limité par la grande complexité de construction d'un système d'acquisition visant à diagnostiquer des pannes qui peuvent varier en fonction des conditions météorologiques, des performances des onduleurs ou des optimiseurs, entre autres. Cette thèse est consacrée au développement de méthodes de diagnostic de défauts d'installations photovoltaïques embarquées dans un système physique d'acquisition de données, de traitement et de détection de pannes en temps réel, respectant les contraintes industrielles et prenant en compte le compromis coût/bénéfice en productivité ou en disponibilité. Au-delà de la détection précoce du défaut, l'identification du type de défaut est recherchée pour établir une classification en fonction de l’impact en termes de perte de productible et de coût de réparation. Pour résoudre les problèmes évoqués et en tant que contribution à un diagnostic efficace des pannes dans les systèmes photovoltaïques, une nouvelle approche pour l'extraction de caractéristiques et la prédiction de l'état de santé dans les systèmes photovoltaïques est proposée. L’approche repose sur cinq étapes : i) acquisition et prétraitement des données ; ii) regroupement hiérarchique dynamique à distorsion temporelle ; iii) extraction de caractéristiques ; iv) sélection des caractéristiques et v) prédiction de l'état de santé. L'approche est appliquée à des données réelles issues d’une plateforme commerciale d'acquisition de données puis à des données obtenues par une plateforme d'acquisition conçue durant cette thèse avec un échantillonnage à haute fréquence et des traitements de données spécifiques. Le tout a été testé et validé expérimentalement dans plusieurs centrales photovoltaïques réelles.

This work presents a comparative study of optimization techniques for parameter identification in equivalent electrical models of lithium-ion batteries. The 2RC model is applied to a set of twelve batteries using four publicly available datasets obtained from well-established research institutions. The methodology is structured in four stages: first, the 2RC model is selected due to its balance between physical interpretability and computational simplicity; second, experimental charge-discharge cycle data are collected; third, various optimization techniques are applied with the aim of minimizing the error between the experimental data and the response estimated by the model; and finally, accuracy is evaluated using the mean squared error, while computational efficiency is assessed through execution time. Traditional, metaheuristic, and bio-inspired optimization methods are considered, including least squares optimization, particle swarm optimization, simulated annealing, and several nature-inspired variants. It is demonstrated that bio-inspired techniques achieve greater accuracy than traditional methods, without a significant increase in computational cost. In particular, particle swarm optimization shows superior performance in terms of precision and robustness against local minima. It is concluded that the integration of advanced optimization strategies significantly enhances the fidelity of equivalent electrical models, which is essential for accurate estimation of internal states such as state of charge, aging, and service life in lithium-ion batteries used in electric vehicles and aerospace systems.

En este trabajo se lleva a cabo un estudio comparativo de técnicas de optimización para la identificación de parámetros en modelos eléctricos equivalentes de baterías de ion-litio. Se emplea el modelo 2RC sobre un conjunto de doce baterías, utilizando cuatro bases de datos públicas provenientes de centros de investigación reconocidos. La metodología se estructura en cuatro etapas: en primer lugar, se selecciona el modelo 2RC por su equilibrio entre precisión y simplicidad computacional; en segundo lugar, se recopilan datos experimentales de ciclos de carga y descarga; en tercer lugar, se aplican diversos métodos de optimización con el objetivo de minimizar el error entre los datos experimentales y los resultados estimados por el modelo; y finalmente, se evalúan la precisión, mediante el error cuadrático medio, y la eficiencia computacional, mediante el tiempo de ejecución. Se consideran métodos tradicionales, metaheurísticos y bioinspirados, entre ellos la optimización por mínimos cuadrados, el algoritmo de enjambre de partículas, el recocido simulado y diversas variantes inspiradas en procesos naturales. Se evidencia que las técnicas bioinspiradas permiten alcanzar una mayor precisión que los métodos tradicionales, sin un aumento significativo en el costo computacional. En particular, la optimización por enjambre de partículas muestra un desempeño superior en cuanto a exactitud y robustez frente a mínimos locales. Se concluye que la incorporación de estrategias de optimización avanzadas mejora significativamente la fidelidad de los modelos eléctricos equivalentes, lo que resulta fundamental para una estimación más precisa del estado de carga, el envejecimiento y la vida útil de baterías en aplicaciones críticas, tales como vehículos eléctricos y sistemas aeroespaciales.