Contenido principal del artículo

Yeyson Becerra-Mora
Universidad de Sevilla
España
William D. Chicaiza
Universidad de Sevilla
Brasil
Juliana Sobral Barros-Queiroz
Universidad de Sevilla
Brasil
J. Á. Acosta
Universidad de Sevilla
España
Juan Manuel Escaño
Universidad de Sevilla
España
Núm. 45 (2024), Control Inteligente
DOI: https://doi.org/10.17979/ja-cea.2024.45.10892
Recibido: jun. 4, 2024 Aceptado: jun. 21, 2024 Publicado: jul. 17, 2024
Derechos de autor

Resumen

Este trabajo propone el aprendizaje de una señal de control para un electrolizador tipo PEM, considerando variables de entrada y salida del sistema como la corriente eléctrica suministrada por una fuente fotovoltaica, la temperatura ambiente y la energía disipada por el caudal del sistema de refrigeración acoplado al electrolizador. Los datos de corriente eléctrica y temperatura ambiente son medidos por el sistema. Por otro lado, los datos de energía disipada por el caudal del sistema de refrigeración fueron obtenidos a partir de simulaciones de un controlador de temperatura que utiliza la técnica de Control Predictivo Basado en Modelo (MPC). Se proponen dos técnicas de aprendizaje: Gaussian Mixture Model (GMM) / Gaussian Mixture Regression (GMR) y un modelo NeuroFuzzy (NF). Los resultados de las simulaciones demuestran que las técnicas de aprendizaje modelaron con precisión el comportamiento de la señal de control en el electrolizador.

Detalles del artículo

Citas

Benghanem, M., Almohamadi, H., Haddad, S., Mellit, A., Chettibi, N., 2024. The effect of voltage and electrode types on hydrogen production powered by photovoltaic system using alkaline and pem electrolyzers. International Journal of Hydrogen Energy 57, 625–636. DOI: https://doi.org/10.1016/j.ijhydene.2023.12.232

Bishop, C., 2006. Patter Recognition and Machine Learning. Springer New York, NY.

Camacho, E. F., Bordons, C. (Eds.), 1999. Model predictive control. Springer-Verlag, Berlin Heidelberg. DOI: https://doi.org/10.1007/978-1-4471-3398-8

Carmo, M., Fritz, D. L., Mergel, J., Stolten, D., 2013. A comprehensive review on pem water electrolysis. International Journal of Hydrogen Energy 38, 4901–4934. DOI: https://doi.org/10.1016/j.ijhydene.2013.01.151

Cohn, D. A., Ghahramani, Z., Jordan, M. I., 1996. Active learning with statistical models. Journal of Artificial Intelligence Research 4, 129–145. DOI: https://doi.org/10.1613/jair.295

El-Shafie, M., 2023. Hydrogen production by water electrolysis technologies: A review. Results in Engineering 20, 101426. DOI: https://doi.org/10.1016/j.rineng.2023.101426

Jang, J.-S., 1993. Anfis: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics 23 (3), 665–685. DOI: https://doi.org/10.1109/21.256541

Keller, R., Rauls, E., Hehemann, M., M¨uller, M., Carmo, M., 2022. An adaptive model-based feedforward temperature control of a 100 kw pem electrolyzer. Control Engineering Practice 120, 104992. DOI: https://doi.org/10.1016/j.conengprac.2021.104992

Ministerio para la Transición Ecológica y el Reto Demográfico (MITERD), 2020. Hoja de ruta del hidrógeno: Una apuesta por el hidrógeno renovable. Vicepresidencia Cuarta del Gobierno de España, disponível em: https://www.miteco.gob.es/content/dam/miteco/es/ministerio/planes-estrategias/hidrogeno/hojarutahidrogenorenovable_tcm30-525000.PDF.

Molina, P., Rios, C., de Leon, C. M., Brey, J., 2024. Heat management system design and implementation in a pem water electrolyser. International Journal of Hydrogen Energy. DOI: https://doi.org/10.1016/j.ijhydene.2024.04.089

Mora, M., Bordons, C., 2022. Desarrollo y validaci´on experimental del modelo dinámico de un electrolizador pem de 1kw para su integración con generación renovable. XLIII Jornadas de Automática: libro de actas, 560– 567. DOI: https://doi.org/10.17979/spudc.9788497498418.0560

Ogumerem, G. S., Pistikopoulos, E. N., 2020. Parametric optimization and control for a smart proton exchange membrane water electrolysis (pemwe) system. Journal of Process Control 91, 37–49. DOI: https://doi.org/10.1016/j.jprocont.2020.05.002

Suganthi, L., Iniyan, S., Samuel, A. A., 2015. Applications of fuzzy logic in renewable energy systems – a review. Renewable and Sustainable Energy Reviews 48, 585–607. DOI: https://doi.org/10.1016/j.rser.2015.04.037

United Nations Framework Convention on Climate Change (UNFCCC), 2015. Paris agreement. https://unfccc.int/files/meetings/paris_nov_2015/application/pdf/paris_agreement_spanish_.pdf, accessed: 2024-05-30.