IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016 471 Design of an Adaptive Neuro-Fuzzy Controller of an Irrigation Main Canal Pool E. M. Calderon, R. Rivas, J. J. Sotomayor Abstract— In this paper is proposed an adaptive neuro-fuzzy Smith predictor controller (ANFSP) for effective control of water distribution in an irrigation main canal pool, which allows to improve the efficiency and to reduce the water losses. The dynamic model of this plant is obtained from an identification procedure based in real-time data. An adaptive neuro-fuzzy controller combined with a Smith predictor is therefore designed which behaves robustly against the effect of external disturbance and plant dynamic parameter variations. Simulated results compare the performance of the proposed controller with a standard PI controller, also combined with a conventional Smith predictor for several operation conditions. These results show that the proposed controller outperforms the standard controller in terms of performance and robustness. Keywords— Adaptive neuro-fuzzy controller, Smith predictor, irrigation main canal pool, water distribution control, hydraulic resources efficient manage. E I. INTRODUCCIÓN N la actualidad el agua se está convirtiendo en un recurso escaso y en el futuro inmediato la escasez de dicho elemento constituirá uno de los grandes retos que la sociedad moderna deberá enfrentar [1]. La agricultura es la rama que consume la mayor cantidad de este líquido y probablemente con la menor eficiencia, es por ello que el aprovechamiento del agua en los sistemas de riego demanda una atención especial [2, 3]. Por consiguiente, un incremento en la eficiencia de la distribución de agua en los canales principales de riego puede traducirse en volúmenes adicionales de agua para atender mayores áreas de cultivo [4]. En este sentido, el control automático constituye una poderosa herramienta para mejorar la operatividad de los canales principales de riego, así como satisfacer las demandas de los usuarios con tiempos mínimos de respuesta [3, 5, 6]. Sin embargo, es necesario señalar que las investigaciones destinadas a lograr una gestión eficiente de los recursos hidráulicos en los sistemas de riego, no han sido suficientemente impulsadas, debido entre otros factores a las dificultades dinámicas y de infraestructuras que presentan estos sistemas [4]. Los controladores PID son los más utilizados en el control de la distribución de agua en los canales principales de riego [2, 3, 7, 8, 9]. Sin embargo, diferentes estudios muestran que los canales principales de riego pueden presentar parámetros dinámicos variables en el tiempo en un amplio rango, por lo E. M. Calderon, Departamento de Ingeniería, Pontificia Universidad Católica del Perú (PUCP), Lima, Perú , [email protected] R. Rivas, Departamento de Ingeniería, Pontificia Universidad Católica del Perú (PUCP), Lima, Perú, [email protected] J. J. Sotomayor, Departamento de Ingeniería, Pontificia Universidad Católica del Perú (PUCP), Lima, Perú , [email protected] que la aplicación de controladores PID convencionales no siempre resulta efectiva [6, 10]. Por tal motivo, actualmente se han desarrollado controladores con un mayor grado de robustez, entre los que se destacan los controladores: CPBM, H∞, PID de orden fraccional, etc. [2, 6, 11]. Entre las principales desventajas que presentan estos controladores se encuentra: una mayor complejidad matemática de sus algoritmos de control, lo que dificulta su entendimiento por los operadores, así como su implementación práctica. En los últimos años se vienen aplicando con resultados muy satisfactorios los controladores inteligentes, los cuales constituyen una alternativa de solución efectiva de los problemas de control de plantas con comportamientos dinámicos complejos [12, 13]. En muchos casos reales, las plantas industriales son tan complejas que resulta casi imposible o inapropiado controlarlas utilizando controladores convencionales. La caracterización de la dinámica de estas plantas con un entorno de incertidumbre, en general imposible de formular en un riguroso marco matemático, ha conducido al desarrollo de los controladores inteligentes [14, 15]. En este sentido, considerando el complejo comportamiento dinámico que presentan los canales principales de riego (dinámica no lineal y con parámetros distribuidos, retardo de tiempo dominante, parámetros dinámicos variantes en el tiempo, etc.) [3, 5, 6], surge la necesidad de desarrollar controladores inteligentes que se distingan por su robustez, confiabilidad, fácil entendimiento y simple implementación práctica. Una alternativa de esta clase de controladores consiste en el diseño de controladores neuro-difusos, los cuales se caracterizan por combinar la capacidad de aprendizaje de las redes neuronales artificiales (RNA), con el poder de interpretación lingüística de los sistemas de inferencia difusos [16]. Estos controladores se distinguen por: posibilidad de aplicar los algoritmos de aprendizaje desarrollados para las RNA; integración de conocimientos implícitos, adquiridos a través del aprendizaje, y explícitos, los cuales pueden ser explicados mediante reglas; extracción de conocimientos para una base de reglas difusas a partir de un conjunto de datos, etc. En [17] se propone un controlador neuro-difuso para el control de la distribución de agua en un tramo de un canal principal de riego. La principal desventaja que presenta este controlador consiste en que no posibilita compensar el efecto negativo de las variaciones de los parámetros dinámicos de los canales principales de riego, lo que conlleva a una baja efectividad en el control y por consiguiente a pérdidas considerables de agua para el riego. El presente trabajo tiene como objetivo fundamental el diseño de un controlador adaptativo neuro-difuso con predictor de Smith (ANFSP) para el control efectivo de la distribución de agua en un tramo de un canal principal de riego (planta), que posibilite aumentar la operatividad sobre el canal, así 472 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016 como disminuir las actuales pérdidas de agua por concepto de operación. La principal contribución de este trabajo consiste en la propuesta (por primera vez) de un controlador ANFSP para el control efectivo de la distribución de agua en un tramo de un canal principal de riego con resultados muy satisfactorios, ofreciendo una solución práctica al complejo problema del diseño de controladores precisos de la distribución de agua en canales principales de riego con comportamientos dinámicos imprecisos (con incertidumbres) y verificando que los controladores inteligentes pueden mejorar el comportamiento de los controladores convencionales (PI y PID) en esta clase de aplicaciones. Todos los estudios de este trabajo se han realizado en base a datos en tiempo real obtenidos del segundo tramo del canal principal Imperial de Aragón (España). Este trabajo ha sido estructurado de la siguiente forma. En la Sección II, mediante la aplicación de las herramientas de identificación de sistemas, se obtiene un modelo matemático que describe el comportamiento dinámico del tramo de canal objeto de estudio. En la Sección III se realiza el diseño del controlador ANFSP. En la Sección IV se muestran los resultados del análisis comparativo del sistema de control de la planta objeto de estudio con controladores ANFSP vs PI. Finalmente, en la última Sección se ofrecen las conclusiones. II. IDENTIFICACIÓN DEL COMPORTAMIENTO DINÁMICO DEL SEGUNDO TRAMO DEL CANAL PRINCIPAL OBJETO DE ESTUDIO El canal principal objeto de estudio es el Imperial de Aragón (España), el cual forma parte de la Confederación Hidrográfica del Ebro y constituye una de las obras hidráulicas más importantes de Europa [18]. El canal tiene 108 km de longitud, profundidad variable entre 3 y 4 m y sección transversal trapezoidal. Además, presenta un total de 10 tramos de diferentes longitudes, separados mediante compuertas sumergibles y un caudal máximo de 30 m3/s (en el origen) [4]. En la Fig. 1. se muestra un diagrama del canal principal objeto de estudio, en el que es posible observar los tramos, las compuertas, las entregas laterales, así como los puntos de medición de nivel aguas abajo al final de cada tramo. Figura 1. Diagrama del canal principal objeto de estudio. El canal Imperial de Aragón se encuentra electrificado y automatizado de forma íntegra. El método de regulación utilizado en el canal es el de aguas abajo con sensor alejado [3]. Los controladores instalados en cada tramo para el control de la distribución de agua son del tipo convencional (PI y PID), los cuales no garantizan un control efectivo cuando las plantas presentan comportamientos dinámicos complejos [19]. El diseño de controladores efectivos generalmente requiere de modelos matemáticos que describan de forma precisa el comportamiento dinámico más relevante de la planta bajo estudio [20]. Sin embargo, en el caso de los canales de riego esta condición es muy difícil de lograr debido al comportamiento dinámico no lineal que presenta este tipo de plantas [3, 17]. El modelado de los canales principales de riego, tradicionalmente se realiza mediante las ecuaciones de Saint-Venant [21], las cuales son no lineales en derivadas parciales del tipo hiperbólicas con restricciones complejas, por lo que su utilización directa en el diseño de controladores presenta serias dificultades [22]. En los últimos años se vienen aplicando de forma exitosa los métodos de identificación de sistemas para la obtención de modelos matemáticos adecuados de la distribución de agua en los canales principales de riego [3, 4, 5, 10]. Los modelos matemáticos que se obtienen mediante estas herramientas se derivan directamente de los datos observados de entrada y salida de la planta y pueden ser utilizados con fines de diseño de controladores efectivos de la distribución de agua [4]. En este trabajo se aplican los métodos de identificación de sistemas [23] para la obtención de un modelo matemático del segundo tramo de canal objeto de estudio, el cual presenta un largo de 10 Km, profundidad variable entre 3.1 y 3.6 m, ancho variable de hasta 30 m y conduce un caudal máximo de 25 m3/s [4]. En la Fig. 2 se exhibe una imagen de este tramo, en la que es posible observar la compuerta sumergible del comienzo del tramo. Figura 2. Vista superior del segundo tramo del canal Imperial de Aragón. Como resultado del experimento de identificación no paramétrica con señal escalón [23] se obtuvieron los valores aproximados del retardo de tiempo y del orden del modelo de la planta. En base a estos resultados se diseñó una secuencia binaria pseudo-aleatoria (SBPA), con el fin de excitar de forma persistente la compuerta aguas arriba de la planta, posibilitando que esta alterne entre dos niveles de variación de su magnitud de apertura, con el objeto de obtener una significativa, aunque no muy grande, variación de nivel de agua en el tramo del canal (identificación paramétrica [23]). Para ello, dicha compuerta recibió un incremento simultáneo en su magnitud de apertura de ±60 cm, lo cual se corresponde con el régimen de operación habitual del tramo de canal. Los datos fueron muestreados con un periodo de muestreo de 15 s. El experimento tuvo una duración de 2:52 h. Los datos adquiridos se muestran en la Fig. 3. Un procedimiento adicional consistió en la división de los datos en datos para la identificación y datos para la validación del modelo. CALDERÓN MENDOZA et al.: DESIGN OF NEURO-FUZZY 473 Figura 3. Registro de datos de entrada/salida obtenidos en tiempo real del tramo de canal objeto de estudios con señal excitante SBPA. Se seleccionó una estructura de modelo ARMAX, debido a las ventajas que la misma ofrece para modelar la parte determinística y la parte estocástica del comportamiento dinámico del tramo del canal objeto de estudio. Se desarrolló la estimación de los parámetros de dicha estructura utilizando el método del error de predicción con criterio cuadrático. Para la validación del modelo se utilizó el método de validación cruzada, que consiste en comparar la salida del modelo obtenido con los datos que no fueron utilizados en la estimación de parámetros [23]. Como resultado se obtuvo que el modelo derivado es de segundo orden con estructura ARMAX y describe el comportamiento dinámico de la planta objeto de estudio con un índice de ajuste (FIT) de 85.27 %. El FIT logrado del modelo se considera aceptado para fines de diseño de sistemas de control [23]. Los resultados de validación del modelo obtenido se muestran en la Fig. 4. III. DISEÑO DEL CONTROLADOR ANFSP El enfoque desarrollado en este trabajo consiste en diseñar un controlador que muestre un mejor comportamiento que un controlador convencional (PI) frente al efecto de perturbaciones medibles y no medibles. Para ello, nuestra propuesta novedosa consiste en el diseño de un controlador adaptivo neuro-difuso con predictor de Smith (ANFSP). Este controlador híbrido se caracteriza por integrar conocimientos y auto-aprendizaje en una red neuronal. Además, es un controlador en tiempo discreto, cuyo periodo de muestreo (Ts=0.5 s) se seleccionó en base al teorema de estabilidad de Nyquist [22]. Para el diseño del controlador ANFSP se requiere representar el modelo de la planta objeto de estudio (1), (2) en espacio de estado en tiempo discreto. Un método clásico de discretización del comportamiento dinámico de plantas industriales consiste en utilizar un retenedor de orden cero “ZOH”. El modelo en espacio de estado en tiempo discreto de la planta objeto de estudio se representa mediante las expresiones: 0.0004 x(k ) 0.0004×10−6 x(k + 1) 0.8734 u(k ) (3) x(k + 2) = + −6 −6 − 3.66 × 10 0.852 x(k + 1) 0.3072×10 x( k ) y(k ) = [1 0] 0 Figura4. Resultados de validación del modelo obtenido del tramo del canal. El modelo obtenido de segundo orden con estructura ARMAX (con los parámetros estimados bajo condiciones nominales de operación) del tramo de canal objeto de estudio, se representa mediante el siguiente modelo equivalente en tiempo continuo: Δy(s) 0.0234 (1) = Gu (s) = e−330s Δu(s) (37.2s + 1)(1910 s + 1) Gv ( s) = Δy( s) 0.1535s 2 + 0.009352s + 4.053 ×10−5 = Δv( s) s 2 + 0.03342 s + 1.272 ×10−5 (2) (4) donde x(k ) es la variación de nivel aguas abajo alejado, x ( k + 1) es la velocidad de variación de nivel aguas abajo alejado, u (k ) es la variación de apertura de la compuerta aguas arriba, y (k ) es el vector de salida. Para el diseño del controlador ANFSP se definieron 7 funciones de membresía (pertenencia), sobre cada uno de los posibles rangos de variación de las variables del modelo (3). En este sentido, se estableció un rango de variación de nivel aguas abajo alejado de ±6.5 cm y un rango de la velocidad de variación de nivel de 0.0007 cm/s (sin considerar los efectos de la velocidad de olas generadas en la superficie libre). Adicionalmente, se consideró un rango de variación de la apertura de la compuerta aguas arriba de ±360 cm. Las 474 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016 funciones de membresía indican el grado de pertinencia referido a un valor lingüístico [24]. En la Fig. 5 se muestran las particiones con la asignación de sus respectivas etiquetas lingüísticas. perturbaciones y del ruido, deben ser incorporadas dentro de la ecuación de estimación de estado del observador [27]. La ecuación en espacio de estado en tiempo discreto del filtro de Kalman se representa como: xˆ (k + 1) = ( A − LC ) xˆ (k ) + Bu(k ) + Ly (k ) (5) donde, L es una matriz de pesos que se determina mediante un proceso de optimización que implica la solución de la ecuación de Riccati, xˆ (k ) es el vector de estimación de parámetros, A, B y C son matrices que se obtuvieron en el modelo (3), (4). La expresión (5) puede ser representada en la forma: 0.03 xˆ(k ) 0.0004×10−6 xˆ(k + 1) 0 u(k ) + xˆ(k + 2) = − 0.004 0.796xˆ(k + 1) + −6 (6) 0.3088×10 1 0.0045 y(k ) Figura 5. Asignación de funciones de membresía. Se desarrollo la base de reglas (ver Tabla 1) para mantener la variación de nivel en el punto de operación deseado, controlando el caudal mediante la apertura o cierre de la compuerta aguas arriba y asegurando una respuesta lo más rápida posible de la planta con dinámica parsimoniosa. TABLA I. BASE DE REGLAS DEL CONTROLADOR ANFSP. VMB VB VPB VC VPA VA VMA NMB NB NPB NC NPA NA NMA MA MA MA MA MA MA MA A A A A A A A A A A A A A A ES ES ES ES ES ES ES CE CE CE CE CE CE CE CE CE CE CE CE CE CE MC MC MC MC MC MC MC donde: MA - muy abierto, A - abierto, ES - en reposo, CE cerrado y MC - muy cerrado. La estructura básica del controlador ANFSP es de tipo Mamdani [25], la cual tiene la ventaja de tener altos niveles de interpretabilidad para el análisis de datos y obtención de un conocimiento estructurado de la planta objeto de estudio [26]. Las funciones de membresía están constituidas por las funciones de activación de cada neurona ubicada en la capa de entrada (sigmoides y gaussianas de tipo 1). En las capas de neuronas no se consideró la presencia de bias, y todos los pesos sinópticos se tomaron igual a la unidad y normalizados. Como no se dispone de un sensor para la medición de la velocidad de la variación del nivel, se utilizó un filtro de Kalman, el cual posibilita estimar esta variable. Además, esta clase de filtro presenta un buen desempeño, cuando el sistema se encuentra sometido al efecto de ruido blanco aditivo (considera parámetros estadísticos de las perturbaciones y del ruido). En este sentido, la naturaleza aleatoria de las Para compensar el efecto del retardo de tiempo del tramo de canal objeto de estudio, el controlador diseñado tiene incorporado un predictor de Smith (SP), el cual resulta muy efectivo frente a este tipo de comportamiento dinámico, siempre y cuando el modelo interno del SP describa de forma adecuada el comportamiento dinámico de la planta objeto de estudio [22, 28]. Para compensar el efecto negativo que introducen en el sistema de control las variaciones de los parámetros dinámicos del tramo de canal, el controlador diseñado dispone de un bloque adaptativo, que posibilita estimar en línea de forma recursiva los parámetros dinámicos de la planta objeto de estudio (Ө(k)) y reajustar dichos parámetros en el modelo discreto del SP. De esta forma, el SP cuenta con un modelo adecuado de la planta a controlar. En la Fig. 6 se muestra el diagrama de bloques del sistema de control del tramo de canal objeto de estudio con el controlador ANFSP diseñado. El sistema tiene un filtro discreto paso bajo de segundo orden para la atenuación del ruido de alta frecuencia, así como con un regulador de apertura que es el que actúa de forma directa sobre la compuerta aguas arriba del tramo del canal [6]. V. ANÁLISIS Y DISCUSIÓN DE RESULTADOS Se realizaron diferentes simulaciones del sistema de control de la distribución de agua en el tramo del canal principal objeto de estudio con controladores ANFSP y PI con SP (PISP), ambos diseñados bajo las mismas especificaciones de respuesta temporal. En las Fig. 7. y Fig. 8. se muestran los resultados comparativos de simulación de las respuestas temporales del sistema de control con ambos controladores. De la Fig. 7 se observa que cuando el tramo de canal se encuentra operando en régimen nominal, las respuestas temporales del sistema de control con ambos controladores difieren. La respuesta temporal con el controlador ANFSP no presenta sobreimpulso y es mucho más rápida (tiempo de establecimiento 18 % menor respecto a la obtenida con el controlador PI-SP). Adicionalmente, la atenuación de los efectos negativos de las perturbaciones (descargas laterales) presenta un mejor desempeño con el controlador ANFSP que con el PI-SP (máximo sobreimpulso negativo 50 % menor). Para evaluar la robustez de los controladores diseñados bajo CALDERÓN MENDOZA et al.: DESIGN OF NEURO-FUZZY el efecto de variaciones de los parámetros dinámicos de la planta (incertidumbres paramétricas) se consideró un rango de variación de +20 % de las constantes de tiempo y de la ganancia y de +5 % del retardo de tiempo. Los resultados obtenidos se muestran en la Fig. 8. De esta figura se observa que la respuesta temporal del sistema de control con 475 (51 % menor) y una mejor atenuación del efecto de la perturbación (53%) que la obtenida con el controlador PI-SP. Por consiguiente, el controlador ANFSP desarrollado se comporta de forma más robusta que el controlador PI-SP frente al efecto de incertidumbres paramétricas y perturbaciones medibles o no medibles. el controlador ANFSP presenta un menor sobreimpulso Figura 6. Diagrama de bloques de sistema de control del tramo de canal objeto de estudio con el controlador diseñado ANFSP. Figura 7. Respuestas temporales comparativas del sistema de control del tramo de canal objeto de estudio con controladores ANFSP vs. PI-SP. VI. CONCLUSIONES Se obtuvo un modelo matemático que describe de forma adecuada el comportamiento dinámico del segundo tramo del canal principal Imperial de Aragón. Se desarrolló el diseño de un controlador ANFSP para el control efectivo de la distribución de agua en el tramo del canal principal objeto de estudio. Los resultados comparativos de simulación del sistema de control diseñado con los controladores ANFSP vs PI-SP mostraron que el controlador ANFSP exhibe un mejor desempeño, en el sentido de garantizar una mayor velocidad de respuesta con una mejor atenuación del efecto de las perturbaciones. Se verificó la robustez del controlador diseñado dentro de un moderado rango de variación de los parámetros dinámicos del tramo de canal objeto de estudio y frente al efecto de perturbaciones, mostrando un mejor desempeño el controlador ANFSP en relación con el PI-SP. Resulta importante destacar que en este trabajo se presentan las primeras experiencias relacionadas con el diseño y evaluación comparativa mediante simulación de un controlador ANFSP vs controlador PI-SP para el control efectivo de la distribución de agua en un tramo de un canal principal de riego. Para obtener resultados más sólidos sobre la efectividad del controlador diseñado en cuanto a comportamiento y robustez se requiere implementar dicho controlador en el tramo de canal objeto de estudio y realizar experimentos evaluativos de su funcionamiento en tiempo real. Los siguientes objetivos de nuestra investigación consisten precisamente en la implementación práctica del controlador diseñado en la planta objeto de estudio. Los beneficios que se obtienen con el aumento de la efectividad en el control de la distribución de agua se revierten de forma inmediata en un aumento de la operatividad sobre el canal, así como en una significativa disminución de las pérdidas de agua por concepto de operación. 476 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016 Figura 8. Respuestas temporales comparativas del sistema de control frente a variaciones de los parámetros dinámicos de la planta objeto de estudio. REFERENCIAS [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] E. Giusti and S. Marsili-Libelli, “A fuzzy decision support system for irrigation and water conservation in agriculture”, Environmental Modelling and Software, 63, pp. 73-86, 2015. J. Figueiredo, M. Ayala Botto and M. Rijo, “SCADA system with predictive controller applied to irrigation canals”, Control Engineering Practice, 21, pp. 870-886, 2013. X. Litrico and V. Fromion, Modeling and control of hydrosystems, Springer-Verlag, London, UK, 2009. R. Rivas-Perez, V. Feliu-Batlle, L. Sanchez Rodriguez, D.J. Pedregal Tercero, A. Linares Saez, J.V. Aguilar Mariñosa and P. Langarita Garcia, “Identification of the first pool of the Imperial de Aragon main irrigation canal”, Hydraulic Engineering in Mexico, 23(1), pp.71-87, 2008. R. Rivas-Perez, V. Feliu-Batlle, F.J. Castillo-Garcia and A. LinaresSaez, “Mathematical model for robust control of an irrigation main canal pool”, Environmental Modelling & Software, 51(1), pp. 207220, 2014. R. Rivas-Perez, V. Feliu-Batlle, F. J. Castillo-Garcia, L. SanchezRodriguez and A. Linares Saez, “Robust fractional order controller implemented in the first pool of the Imperial de Aragon main canal”, Tecnología y Ciencias del Agua, 5(1), pp. 23-42, 2014. P. O. Malaterre and D. C. Rogers, “Classification of canal control algorithms”, Journal of irrigation and drainage engineering, 124(1), pp. 3-10, 1998. J. Herrera, A. Ibeas and M. de la Sen, “Identification and control of integrative MIMO systems using pattern search algorithms: An application to irrigation channels”, Engineering Applications of Artificial Intelligence, 26, pp. 334-346, 2013. R. Rivas-Perez, J.R. Peran Gonzalez, B. Pineda Reyes, S. Perez Pereira, “Distributed control under centralized intelligent supervision in the Güira de Melena irrigation system”, Hydraulic Engineering in Mexico, 18(2), pp. 53-68, 2003. S. N. Calderon-Valdez, V. Feliu-Batlle and R. Rivas-Perez, “Fractional order mathematical model of an irrigation main canal pool”, Spanish Journal of Agricultural Research, 13(3), e0212, 2015. J. C. Cuenca-Tinitana and R. Rivas-Perez, “Desarrollo de un sistema de control predictivo para la distribución de agua en un tramo de un canal principal de riego”, Revista Estudios Universitarios Universidad Nacional de Loja, pp. 119-130, 2012. W. Yu, Recent advances in intelligent control systems, SpringerVerlag, London, UK, 2009. M. Wang, G. Shao, J. Meng, C. Chen and D. Huang, “Variable fuzzy assessment of water use efficiency and benefits in irrigation district”, Water Science and Engineering, 8(3), pp. 205-210, 2015. M. Santos, “Un enfoque aplicado del control inteligente”, Revista Iberoamericana de Automática e Informática Industrial, 8(4), pp. 283-296, 2011. E. Giusti and S. Marsili-Libelli, “A fuzzy decision support system for irrigation and water conservation in agriculture”, Environmental Modelling and Software, 63, pp. 73-86, 2015. [16] F. J. Fernandez, A. Seco, J. Ferrer and M. A. Rodrigo, “Use of neurofuzzy networks to improve wastewater flow-rate forecasting”, Environmental Modelling and Software, 24(1), pp. 686-693, 2009. [17] E.M. Calderon-Mendoza, R. Rivas-Perez and J. Sotomayor-Moriano, “Desarrollo de un controlador neuro-difuso para el control de la distribución de agua en un tramo de un canal principal de riego”, En: Memorias del XVI Congreso Latinoamericano de Control Automático, Cancún, México, pp. 164-169, 2014. [18] D. J. Pedregal, R. Rivas-Perez, V. Feliu, L. Sanchez and A. Linares, “A non-linear forecasting system for the Ebro River at Zaragoza, Spain”, Environmental Modelling and Software, 24(4), pp. 502-509, 2009. [19] V. Feliu-Batlle, R Rivas-Perez, F. J. Castillo-Garcia, L. SanchezRodriguez and A. Linares Saez, “Robust fractional order controller for irrigation main canal pools with time-varying dynamical parameters”, Computers and Electronics in Agriculture, 76(2), pp. 205-217, 2011. [20] R. Rivas-Perez, V. Feliu Batlle, F. Castillo Garcia A. and Linarez Saez. “System identification for control of a main irrigation canal pool”, In: IFAC Proceedings Volumes (IFAC-PapersOnline), 17(Part 1), pp. 9649-9654, 2008. [21] V. T. Chow, Open-channels hydraulics, McGraw-Hill Book Company, N.Y, USA, 1988. [22] F. J. Castillo-Garcia, V. Feliu-Batlle, R. Rivas-Perez and L. SanchezRodriguez, “Time domain tuning of a fractional order PI controller combined with a Smith predictor for automation of water distribution in irrigation main channel pools”, In: IFAC Proceedings Volumes (IFAC-PapersOnline), 18(PART 1), pp. 15049-15054, 2011. [23] L. Ljung, System identification theory for de user, New Jersey, EE.UU: Prentice Hall, 1999. [24] M. Ali Akcayol, “Application of adaptive neuro-fuzzy controller for SRM”, Advances in Engineering Software, 35(1), pp. 129-137, 2004. [25] M. W. Khan, M. A. Choudhry, M. Zeeshan and A. Ali, “Adaptive fuzzy multivariable controller design based on genetic algorithm for an air handling unit”, Energy, 81(1), pp. 477-488, 2015. [26] O. Cordón, “A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems”, International Journal of Approximate Reasoning, 52(1), pp. 894-913, 2011. [27] T. Wi-Meng and Q. Hiok-Chai, “Adaptive training schema in Mamdani-type neuro-fuzzy models for data-analysis in dynamic system forecasting”, International Joint Conference on neural Netwoks, pp. 1733-1738, 2008. [28] J. Mohan, Reddy, “Kalman filtering in the control of irrigation canals”, Appl. Math. Modelling, 19, pp. 201-209, 1995. Edwin Calderón Mendoza received his degree in Electronic Engineering from San Antonio Abad University (UNSAAC), Cusco, Peru in 2010 and a M.Sc in Control and Automation Engineering from Pontifical Catholic University of Peru (PUCP), Lima, Peru in 2014. He has been working as an assistant laboratory in the Control and Automation area. Currently he is working developing advanced controllers using neural networks for systems and industrial plants with complex dynamic behaviors. Raul Rivas Perez received his M.Sc (with honors) in Automatic Control engineering from Odessa Polytechnic University, Ukraine in 1979 and a Ph.D from Institute of Hydraulic Engineering and Land Reclamation of Ukrainian Academy of Agrarian Sciences in 1984. He has been professor in Havana Polytechnic University since 1995. Currently he is leading of Advanced Control Systems Group at the same University. His research interests include identification and control of complex dynamics plants, fractional dynamics and control, system identification for robust control and control of plants with large time-delay and uncertainties. He is a member of Cuban Academy of Science, a member of IFAC and a professor of Pontifical Catholic University of Peru (PUCP). Javier Sotomayor Moriano received his degree in Electric Engineering and a M.Sc from Leningrad Polytechnic Institute and a Ph.D. in Technical Sciences from Saint Petersburg Technical University. He is a main professor and director of Control and Automation Engineering master program at Pontifical Catholic University of Peru (PUCP), in Lima, Peru since 1999. His research interests include digital control systems, diagnosis and fault detection systems and systems identification.