Tesis Doctoral
Doctor en Ingeniera
Marzo de 2017
Certifico que el trabajo incluido en esta tesis es el resultado de tareas de investigacion
originales y que no ha sido presentado para optar a un ttulo de postgrado en ninguna otra
Universidad o Institucion.
Pablo G. Rullo
Gracias,
a mi familia: mis viejos y mi hermana, por el incondicional acompanamiento, Lu, companera
y maestra, por caminar y construir a la par, y por la changuita que esta creciendo;
a Maxi, Fer, el Campe, Pato, Lucas, Lauta, Agus, Mauro, Miguel, y al resto de los
companeros del CIFA del interior, por hacer de este trabajo un camino conjunto, con
solidaridad y companerismo;
a Diego y David, por su humildad y generosidad en la direccion del trabajo;
a Armando, Martn, Sofi, Marina, Andre, y a much@s otr@s companer@s del CONICET, por
esta construccion colectiva a la que cotidianamente le ponemos el cuerpo y las convicciones,
por el aprendizaje constante;
a todas las trabajadoras y los trabajadores del sistema cientfico que siguen creyendo y
luchando por otras formas de hacer ciencia, por otras relaciones de trabajo, mas solidarias y
equitativas, a los que pelean por sus derechos y por el de tod@s;
a tod@s l@s que aun creen que otro mundo es posible, y necesario.
iii
iv
Resumen
v
para asegurar el suministro de la energa demandada siendo al mismo tiempo economicamente
viable. Debido a que el dimensionamiento del sistema esta profundamente relacionado con la
EMS empleada, en esta tesis se propone una estrategia de dimensionamiento integrada con
una EMS basada en un MPC Economico (EMPC, por sus siglas en ingles: Economic Model
Predictive Control). Se presenta la formulacion completa del problema integrado, que requiere
la solucion de un problema de optimizacion mixto entero no lineal (MINLP, por sus siglas en
ingles: Mixed Integer NonLinear Problem). Debido a las dificultades que representa la solucion
del problema MINLP de manera determinstica, se propone un enfoque secuencial basado en
Algoritmos Geneticos (GA, por sus siglas en ingles: Genetic Algorithm).
vi
Abstract
The increasing problem arising from the dependence of fossil fuels, mainly in relation to
the generation of electric energy, makes it necessary to rethink and deepen the efforts to
modify the energy matrix. In this scenario, renewable energy systems (RESs) represent an area
of growing interest. Renewable energy sources have a large amount of advantages, including
sustainability, low emissions, and economical benefits. However, most of these energy sources
have an intermittent behavior due to atmospheric conditions. This problem can be overcome
by combining different energy sources and storage units to take advantage of the strengths
of one technology that covers the lack of others in order to satisfy a determined electric
load and improve economic aspects. This kind of systems are called Hybrid Renewable Energy
Systems (HRESs). Energy storage systems (ESSs) usually include both shortterm and long
term energy storage. Hydrogen is an energy carrier suitable for longterm storage due to its high
mass energy density. Two different alternatives are studied in this thesis to produce hydrogen:
bioethanol reforming and electrolysis. The produced hydrogen is then used by a polymeric
electrolyte membrane (PEM) Fuel Cell for electric generation.
The study of hybrid generation systems with multiple renewable energy sources is a mul-
tidisciplinary area of research since it involves fields of study such as process design, control,
modeling, energy management and optimization. One of the main challenges of this thesis was
to provide tools to address these research areas in a unified way. In that sense, contributions
have been made in the development of models that allow observing phenomena generally over-
lapping in the traditional models found in the literature, such as switching in power converters,
and at the same time allow an efficient simulation of the complete system. For the design
of the base control structure, it was proposed the incorporation of a model-based predictive
control (MPC) to replace critical loops to ensure quality and safety in hydrogen production in a
bioethanol steam reformer plant that feeds a PEM fuel cell. The energy management strategy
(EMS) is in charge of generating the references for the base control structure, with the objec-
tive of ensuring the power balance taking into account operational and economic constraints.
In this thesis, a rule-based EMS is proposed, taking into account a prediction receding horizon,
obtaining improvements with respect to a strategy without predictions. Finally, contributions
were made in the sizing stage of HRES components, which is crucial to ensure energy supply
demanded while being economically viable. In addition, system sizing is closely related to the
EMS used. The proposal made in this thesis to address this problem consists in the integration
of the sizing strategy with an MPCbased EMS that takes into account economics criteria,
which is known as Economic Model Predictive Control (EMPC). The complete formulation of
the sizing problem with the integration of the EMPCEMS is presented, which requires solving
a mixed integer nonlinear problem (MINLP). Due to the difficulties to solve this problem as
a MINLP, an alternative sequential approach based on Genetic Algorithms (GA) is presented.
vii
In the development of this thesis, severak contributions were made in the stages of mode-
lling, design, sizing, control and energy management of hybrid renewable energy systems. The
generated tools contribute to a comprehensive and unified management of HRES systems.
viii
Glosario
ix
BDF Back-ward Difference Formulae.
SS Sensores virtuales.
ANN Redes neuronales artificiales.
LMPC MPC lineal.
PFC Control predictivo funcional.
RGA Matriz de ganancias relativas.
UDDS Ciclo de manejo estandar urbano.
MRE Error relativo medio.
RMSE Error cuadratico medio.
IMC Control por modelo interno.
QP Optimizacion cuadratica.
IAE Error absoluto integral.
EIP Porcentaje de mejora de error.
FIR Respuesta al impulso finita.
AR Modelo autoregresivo.
ARX Modelo autoregresivo con entrada exogena.
KPI Indicadores clave de rendimiento.
MILP Problema mixto entero lineal.
SS Sensor virtual.
CV Variable controlado.
MV Variable manipulada.
x
ndice general
Agradecimientos I
Resumen IV
Abstract VII
Glosario IX
1. Introduccion 1
1.1. Antecedentes y motivacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Organizacion y estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Principales aportes y publicaciones . . . . . . . . . . . . . . . . . . . . . . . . 3
xi
Indice general
xii
Indice general
Bibliografa 124
xiii
Indice general
xiv
ndice de guras
xv
Indice de figuras
5.1. Diagrama esquematico del sistema hbrido de potencia basado en fuentes re-
novables y bioetanol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.2. Diagrama de barras mostrando el suministro de energa de cada fuente para los
diferentes disenos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3. Ejemplo ilustrativo del procedimiento de prediccion usando el concepto de ho-
rizonte deslizante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4. Descripcion de la EMS a traves de una maquina de estado finita. . . . . . . . . 89
5.5. Porcentaje de ajuste como funcion del orden del modelo. . . . . . . . . . . . . 91
5.6. Predicciones usando la poltica de horizonte deslizante. . . . . . . . . . . . . . 92
5.7. Resultados de simulacion (perodo entre 4000 y 4200 h). . . . . . . . . . . . . 93
5.8. Resultados de simulacion (perodo entre 7800 y 8000 h). . . . . . . . . . . . . 95
xvi
Indice de figuras
xvii
Indice de figuras
xviii
ndice de tablas
xix
Indice de tablas
xx
CAPTULO 1
Introduccin
1
1.2. Organizacion y estructura de la tesis
Figura 1.1: Datos historicos de consumo y emisiones, fuente: International Energy Agency (IEA,
2013).
2
1.3. Principales aportes y publicaciones
y solar), bateras y pilas de combustible tipo PEM. Los resultados, comparados con el caso sin
predicciones, muestran una reduccion en la probabilidad de perdida de suministro de energa.
Finalmente, en el Captulo 6 se propone una estrategia de dimensionamiento integrada con
una EMS basada en un MPC que tiene en cuenta criterios economicos (EMPC). Se presenta
la formulacion completa del problema integrado, que requiere la solucion de un problema de
optimizacion mixto entero no lineal (MINLP). Debido a la dificultad que implica la resolucion
de este problema, se propone un enfoque secuencial basado en algoritmos geneticos (GA). Fi-
nalmente, en el Captulo 7 encontraremos las conclusiones y trabajos futuros que se desprenden
de la realizacion de esta tesis.
Se desarrollo una nueva biblioteca Modelica de componentes HRES realistas, que modelo
elementos de generacion y almacenamiento de energa, como as tambien convertidores
de potencia y diferentes controladores. Luego, se hizo uso de un nuevo compilador que
traduce automaticamente estos modelos de Modelica en el lenguaje -Modelica para
que puedan ser simulados usando el solver QSS autonomo. Siguiendo este enfoque, el
algoritmo LIQSS2 simula los sistemas alcanzando un rendimiento casi en tiempo real,
mejorando la velocidad de los solvers clasicos en mas de un orden de magnitud para
casos rgidos a realistas.
3
1.3. Principales aportes y publicaciones
Feroldi, D., Rullo, P., Zumoffen, D., 2015. Energy management strategy based on
receding horizon for a power hybrid system. Renewable Energy 75, 550559.
Migoni, G., Rullo, P., Bergero, F., Kofman, E., 2016. Efficient simulation of Hybrid Re-
newable Energy Systems. International Journal of Hydrogen Energy 41, 1393413949.
Rullo, P., Braccia, L., Zumoffen, D., Feroldi, D., 2016. Sizing and economic model
predictive control energy management integration for standalone power systems. (sub-
mitted for publication).
Gustavo Migoni, Pablo Gabriel Rullo, Federico Bergero, Ernesto Kofman. Simulacion
eficiente de sistemas hbridos de generacion de energa renovables.RPIC 2015. Cordoba.
Octubre de 2015, Argentina.
4
CAPTULO 2
En este captulo se presenta una breve resena del estado del arte correspondiente a las
tematicas principales que se abordan en esta tesis. Se comenzara presentando las diferentes
topologas de un HRES, luego un resumen de los diversos tipo de almacenadores de energa y
una recopilacion de los modelos que se utilizaran a lo largo de la tesis en los casos de estudio
presentados. Finalmente, se detallan los principales enfoques presentes en la literatura referidos
a estrategias de gestion de energa y dimensionamiento.
2.1. Introduccion
Los sistemas basados en fuentes de energa renovable representan un area de creciente
interes por la necesidad de diversificacion de la matriz energetica mundial. Particularmente, la
energa generada a partir de paneles fotovoltaicos (PV) y turbinas eolicas son las mas utilizadas
en aplicaciones aisladas, es decir sin conexion a la red electrica (Dufo-Lopez et al., 2016). Sin
embargo, un inconveniente comun en este tipo de sistemas es la naturaleza impredecible de la
capacidad de generacion de energa debido a la dependencia climatica. Este problema se puede
superar combinando diferentes fuentes de energa y sistemas de almacenamiento de energa.
Los ESS usualmente incluyen almacenamiento de energa a corto y largo plazo. El hidrogeno es
un vector de energa adecuado para el almacenamiento a largo plazo debido a su alta energa
especfica, o por unidad de masa. Puede ser producido por electrolizadores o un reformador de
bioetanol, almacenado en tanques presurizados y utilizado para la generacion electrica a traves
de una pila de combustible (FC, por sus siglas en ingles: Fuel Cell). Para el almacenamiento
de energa a corto plazo, las bateras son los dispositivos de almacenamiento mas comunes
debido a su alta eficiencia de ciclo completo y su tiempo de respuesta relativamente rapido, que
permite absorber las fluctuaciones de carga. Por lo tanto, la combinacion de ambas tecnologas
puede mejorar el rendimiento y la confiabilidad de los HRES aislados Chong et al. (2016). La
hibridizacion utilizando energa eolica y solar se ha informado en varios trabajos, entre los que se
incluyen Kellogg et al. (1998); Chedid et al. (1998); Borowy y Salameh (1996); Koutroulis et al.
(2006); Yang et al. (2008); Ekren y Ekren (2008). Este tipo de sistemas hbridos de generacion
es adecuado tanto para aplicaciones aisladas, debido a la naturaleza complementaria de las
energas eolica y solar, como tambien para aplicaciones conectadas a la red. Una reciente
revision de HRES autonomos se da en Bajpai y Dash (2012).
5
2.2. Topologas
394
de los HRES IEEE TRANSACTIONS ON SUSTAINABLE EN
energy system.
upled hybrid energy system.
8
Hua and C. M. Shen, StudySpecialists of maximum power tracking
Conference, vol. 1, 1998, pp. 86-93. Conference, vol. 1, 1998, pp. 86-93.
Specialists
ues and control of dc-dc converters for photovoltaic
[5] J. A. Gow and C. D. Manning, Development power [5] J. A. Gow of and C. D. (b)
a photovoltaic Generalized
Manning, model
array Development of
Proceedings of 29th annual IEEE Power Electronics model for use studies, in power-electronics simula
model for use in power-electronics simulation IEE
sts Conference, vol. 1, 1998, pp. 86-93. NP
Proceedings- Electric Power Applications, 2.4.vol.
Proceedings- 146, no.del2,sistema
Modelado Electric 6 4 44
1999, pp.
Power 7 4 4 48
Applications,
hbrido vol.
ow and C. D. Manning, Development of a photovoltaic array
193-199. 193-199.
8
for use in power-electronics simulation studies, IEE
6444474444
[6] O. Wasynczuk,
ings- Electric Power comportamiento
Applications, vol. 146,
fsico de no.
Modeling
2, 1999,
las celdas pp. and[6]dynamic
policristalinas
O. Wasynczuk,
resulta
performance
dificultoso de
Modeling
of a line-
manejar
and dynamic perf
matematica-
. commutated photovoltaic inverter system, commutated IEEE photovoltaic
Transactionsinverter on system, IE
mente debido a la presencia de una doble exponencial correspondiente a las expresiones de
ynczuk, Modeling las andcorrientes
dynamic
Energy performance
Conversion,
inversas ofvol.
de los diodos. a 4, no.simplificacion
line-
Una 3, 1989,Energypp.con 337-343
un solo. diodoNvol.
Conversion, se
S
4, no. en
muestra 3, 1989,
la pp. 337-3
ated photovoltaic inverter
Figura system,
[7] 2.5(b),
R. Messenger
dondeIEEE and J. Ventre,
Transactions
la resistencia [7]
onPhotovoltaic
en paralelo R R. Messenger and J. Ventre,
Systems proporcional
sh es inversamente Engineering, a laCRC Photovoltaic System
corriente
Conversion, vol. 4, no.de3,fuga
1989, Press,
de pp. 2000,
337-343
la celda. general esta corriente puedePress,
En.pp.41-51. 2000,despreciable,
considerarse pp.41-51. por lo que la
enger and J. Ventre, Photovoltaic
[8] M. Veerachary,
resistencia toma Systems Engineering,
un valor T. Senjyu,
infinito y no CRC
se [8]
considera en M. el Veerachary,
and K. Uezato, Voltage-based
modelo (Hua yT. Senjyu,
Shen, 1998).and K. Uezato, Vol
maximum
000, pp.41-51. De estapowermanera, point tracking
el modelo control ofmas
generalizado power point
PVampliamente
system, tracking
utilizado
IEEE en la control
Transactionsliteratura onofes PV
el system, IE
c (t) puede escribirse
rachary, T. Senjyu, and K. Uezato,
presentado en
Aerospace Voltage-based
la Figura 2.5(c).
and Electronic maximum
La expresion de la corriente
Systems, vol.Aerospace de la
38, no. 1, and celda
2002, I (c) Appropriate
pp. 262-270.
Electronic
pv Systems, vol. model 38, no. 1
point tracking controlcomoof[9]PV system,
(Tsai et al., IEEE
2008): Transactions on
M. Veerachary and K.S. Shinoy, [9] V M. -based
2 Veerachary power and K.S. for
tracking Shinoy, V2-based
ce and Electronic Systems, vol.nonlinear
38, no. 1,PV 2002, pp. 262-270. Fig. 2Equivalent
! ! IEE circuit models of generaliz
2 sources, q V c nonlinear
IEE Proceedings-Electric(t) + I c (t)RPVPowersources,
Applications, Proceedings-Electric
erachary and K.S. Shinoy, V -based c power tracking for pv
vol. pv
152, no.
s
5, 2005, pp. 1263-1270.
vol. 152, I pv no. 5,ph2005, pp.
(t) = I (t) I rs 1263-1270.
(t) exp 1 , (2.1)
ar PV sources, IEE Proceedings-Electric Power Applications, Ac KTc (t)
[10] I. S. Kim and M. J. Youn, Variable-structure [10] I. S. Kim and M. for
Vobserver J. Youn, Variable-structure
solar array
Coltage Input ob
Vol
, no. 5, 2005, pp. 1263-1270.
donde Iphcurrent estimation current la estimation in a photovoltaic
inversa power-gen Power Outpu
fordein aporphotovoltaic power-generation
es la corriente generada la radiacion [A], IrsVoltagecorriente desystem,
saturacion IEE
m and M. J. Youn, Variable-structure
c la tensionobserver solar array[V], q la carga Inso
[A], Vpv
estimation in a photovoltaic
en
Proceedings-Electric bornes la celda
Power Applications, de un
vol. electron
152,
Proceedings-Electric no.[C],
4, R la
2005,
Power
s resistencia
pp.Applications, vol. 1
intrnsecapower-generation
[ ], Ac es la desviacion system, IEE
de la celda con respecto
953-959. a la
Insolation caracterstica de una juntura
Insolation Input Solar ir
953-959. 152, no. 4, 2005, pp.
p n ideal, Kvol.
ings-Electric Power Applications, es la constante de Boltzman [N m/K], Solar y Tcirradiance
(t) es la temperatura de la celda
. [11] I. S. Kim, M. B. Kim, and M. J. Youn,I. New [11]
[K]. La corriente Iph (t) depende tanto de la radiacion como de la temperatura:
S. Kim, M. B. Kim,
maximum power andpoint
M. J. Youn, New mT
m, M. B. Kim, and M. J. Youn, tracker
New using maximum power pointobserver tracker
sliding-mode for estimation
Tc
using sliding-mode
TC
of solar array observer for
Cell Temperature Input
estim
Current Outpu
Cell Tem
using sliding-mode observer current in the Igrid-connected
for estimation of solar arrayphotovoltaic current in the IEEE
system, grid-connected
Transaction photovoltaic system
ph (t) = (Isc + Kl (Tc (t) Tr )) (t)/1000,
CellrTem perature (2.2)
in the grid-connected photovoltaic system, IEEE
on Industrial Transaction
Electronics, vol. 53, no. 4, on2006, Electronics, vol. 53,
pp. 1027-1035.
Industrial no. 4,PV2006,
Generalized Module pp
strial Electronics, vol.donde
53, Isc4,es
no. la corriente
2006, pp. de cortocircuito [A] [12]
1027-1035. a la temperatura
K. H. Hussein, Fig.
y radiacion
I. 3(a)
Muta, Generalized
de referencia
T. Tr PV and
Hoshino, model. M. O
[12] K. H. Hussein, I. Muta, T. Hoshino, and M. Osakada, Maximum
[K],
Hussein, I. Muta, T. Hoshino, K es el coeficiente
and M. Osakada, de temperatura
Maximum de cortocircuito [A/K] y (t) la radiacion medida 1
1
2photovoltaic power tracking: photovoltaic
an algorithm power tracking:
r
for rapidly changing an algorithm Coltage Input fo
ltaic power tracking:en an W malgorithm
. Por otro for Irs variachanging
lado,rapidly con la temperatura 1 segun
atmospheric conditions, IEE ColtageProceedings atmospheric
Input ofconditions,
Generation,IEE Proceeding
heric conditions, IEE Proceedings of
Generation, 3
vol.qE142, no. 1,1/T
2005,
and Distribution, vol. 142, 2no. 1, 2
c (t))pp. 953-959.
Transmission and Distribution, Tc (t) Transmission
g (1/T r
ssion and Distribution, vol. 142, no. 1, 2005, Irs (t)pp.
= I953-959. exp[13] 2J. B. Dabney and , (2.3) Insolation
[13] J. B. Dabney and T.TrL. Harman,Insolation
or
Mastering
KAc Simulink T. L. Harman,
, Pearson Mastering
Input
Dabney and T. L. Harman, Mastering Simulink , Pearson Input
roceedings of the World donde
CongressIorEducation,Inc.,
onesEngineering
la corrienteand de2004.
Computer
saturacionScience
inversa2008 Education,Inc.,
a la temperatura 2004. [A] y E
deKireferencia Iphg es la
3
on,Inc., 2004. 3
Cell
WCECS 2008, October 22energa
- 24, 2008, San Francisco,
de banda prohibidaUSA
[V]. Cell
Short-Circuit Current
Product Temperature f(
Temperature Input
Input Temperature Coefficient
Curren
easily configure the PV model. Such a generalized PV model N
NS
RS
47P444 NP
is easy to be used for the implementation on Matlab/Simulink 644 8 Is
Isc
of the SimPowerSystem tool, there is now a generalized PV Short-Circuit Current
NS
model which can be used for the model and analysis in the NS
NP
RSH f(u)
Irs
filed of solar PV power conversion system. Reverse
Tref Saturation Current
General model (b)Double exponential model (b)Double exponential
(a) General model (b)Double
(a) Reference model
(a)General
Modelo model
doble diodo. (b) Modelo con resistencia de fuga.
Temperature
(a) General model
REFERENCES NS
R
[1]S. W. Angrist, , Direct Energy Conversion, Allyn and Bacon, Inc., 4th 644
N
47P444 8 NP
S
edition, 1982, pp. 177-227. Fig. 3(b) Subsystem implementation of generalize Fig. 3
8
6444474444
3
Current [A]
V 0 0
Vmpp Voc 0 5 10 15 20 25 Diesel
0 5 10 15 20
Generator
BP280 Voltage [V] BP280 Voltage [V] PV Panel
V) and current power (PV)
Power
FIGURE 27.5 Effects of temperature on silicon solar cells. FIGURE 27.6 Typical current/voltage (IV) characteristic curves for Conditioning and
(a) Modelo doble diodo. (b) Modelo con resistencia de fuga.
different insolation. Control
del voltaje en bornes para una temperatura y una radiacion dadas, y el MPP correspondiente.
Existen algoritmos capaces de hacer un seguimiento de estos puntos de maxima potencia
(MPPT, por sus siglas en ingles: Maximum Power Point Tracking PV ). El proposito de estos
Panel
algoritmos es ajustar la tension del panel para mantenerse o acercarse al MPP FIGURE
mientras varan
27.7 Stand-alone PV system.
los valores de radiacion y temperatura. En Hua y Shen (1998) se describen las dos metodologas
mas usadas: el metodo de perturbacion y observacion (P&O), y el metodo de conductancia
incremental (IndCond) (Hussein et al., 1995). En las Figuras 2.8(a) y 2.8(b) se muestran los
10
at which the solar cell will generate maximum power. This is
known as the maximum power point (Vmp , Imp ). To maximize Radiation = 10
6
the power output, steps are usually taken during fabrication,
the three basic cell parameters: open-circuit voltage, short-
2.4.describing
circuit current, and ll factor (FF) a term Modelado del sistema
how 5 hbrido
Current [A]
I/P
Pmpp 3
Isc
Impp
2
Ta=29
1 Ta
T
V 0
Vmpp Voc 0 5 10
BP280 Volta
FIGURE 27.3 Current vs voltage (IV) and current power (PV)
Figura 2.7: Curva characteristics
caractersticafor a I/P-V
solar cell.y punto de maxima potencia (MPP) (Nayar et27.5
FIGURE al., Effects of temperat
2007).
0 OI
0 0 2 0023 00.
OI 31 00.5
.1 0.5o s o0.7s 0.7
08 0O8S OS
Solar CSolar
tl" tl" voltage
C voltage P U,)P U,)
(vlut (vlut
Tetnparlaure
Tetnparlaure
(.'C ) (.'C )
esquematicos correspondientes a los metodos MPPT mencionados. Cada arreglo de PV se
PV Cell PV Module PV Panel PV Array
conecta al bus a traves de un convertidor boost DC-DC que permite implementar el algoritmo
de MPPT.
%1
%1 rt?
rt? V(k) V(k)
,,
SenseSense
V(k),V(k),
I(k I(k SenseSense I(k) I(k)
,,
b b y y - -
I I c c
dl /dV=
dl /dV=
-I N -I N &
&
FIGURE 27.4 PV generator terms.
I I
(a) (b)
Fig.Fig.
2 Control
2 Control
flow chart.
flow chart. Perturbation
(a) (a) Perturbation observation
andand observation
method.
method.
(b) (b)
Incremental
Incremental
conductance
conductance
method.
method.
Figura 2.8: Diagramas de flujo de MPPTs: (a)P&O , (b)IndCond (Hua y Shen, 1998)
1. Perturbation
1. Perturbation
andand
observation
observation
method
method
m.m.
MPPT
MPPT
CONTROL
CONTROL
APPROACH
APPROACH
TheThe
perturbation
perturbation
andand
observation
observation
method
method
hashas
been
been
As As
thethe
power
power
supplied
supplied
by by
thethe
solar
solar
array
array depends widely
depends widely
used
used
because
because
of of
its its
simple
simple
feedback
feedback
structure
structure
2.4.2.
on on Sistema
thethe
insolation,
insolation, eolico
temperature
temperature
andand
array
array
voltage, an an
voltage, andandfewer
fewermeasured
measured parameters.
parameters. TheThe peakpeak power
power
important
importantconsideration
consideration in the
in the
design
designof efficient
of efficient solar tracker
solar trackeroperates
operatesby byperiodically
periodicallyincrementing
incrementingor or
Un sistema
array
arraysystems de
systems generacion
is isto totrack
trackmaximumeolico
maximum se compone
power
power principalmente
point decrementing
point decrementing dearray
thethesolar
solar una helice
arrayvoltage.
voltage. Ifque segiven
Ifa agiven conecta
perturbation
perturbationleads
leads
to to
an anincrease
increase(decrease)
(decrease) in in
array
array
mecanicamente al rotor de un generador electrico.
correctly.
correctly.
TheThe
purpose
purpose of of
the the
MPPT
MPPT is to
is to
move
movethethe De esta manera, la energa cinetica del
array
arrayoperating
operatingvoltage
voltageclose closeto tothetheMPP under power,
MPPunder power,thethe
subsequent
subsequent perturbation
perturbation is is
mademade in in
thethe
viento se
changingconvierte,
changingatmospheric
atmospheric a traves
conditions.
conditions.de las palas, en energa
same
same mecanica
(opposite)
(opposite) de
direction. rotacion
direction.In this
In this y
manner,luego
manner, the en
the
peak energa
peak
electrica en el generador. Las turbinas mas comunes power
powertracker
tracker
son continuously
la continuously hunts
de eje horizontalhunts
or orseek
seekthethe
con peak
dospeako tres
Control
A. A. Controlalgorithm
algorithm power
powerconditions.
conditions.
palas.
2. Incremental
2. Incremental conductance
conductancemethod
method
SoloMany
una
Many parte
methods
methodsdefor
for latracking
energa
tracking maximum cinetica
maximum power
power del
point viento
point (Pcw ) puede ser extrada por la turbina. La
potencia
hadhad cinetica
been
been
proposed del
proposed viento
[5-111.
[5-111.
TwoTwo que atraviesa
algorithms
algorithms
often
oftenun TheThe
solar
usedarea determinada
used solar
array
array
terminal
(Aterminal
) avoltage
voltage
una cancan
be be
velocidad adjusted
adjusted
vw puede
t
to to
achieve
achieve
thethe
MPPT
MPPT are:are:1. 1.
thetheperturbation
perturbationandand relative
relativeto tothetheMPP
MPPvoltage
voltageby bymeasuring
measuringthethe
escribirse como: incremental
incrementalandandinstantaneous
instantaneousarray
arrayconductance
conductance
observation
observation(P&O)
(P&O)method;
method;2. 2.thetheincremental
incremental
conductance
conductance(IncCond)
(IncCond)
method.
method.
TheThe
control
control flowchart (dZ/dY
flowchart andand Z/V,Z/V, respectively).
(dZ/dY respectively).Although
Although thethe
is shown
is shown
Fig.Fig.
2. 2. 1 incremental
incrementalconductance
3
conductance method
method offers
offers good
good
Pcw = At vw , (2.6)
2
87 87
11
2.4. Modelado del sistema hbrido
donde es la densidad del aire. Luego, la potencia extrada por la turbina se define teniendo
en cuenta el coeficiente de potencia de la misma (Cp (, )) como (De Battista, 2000):
1 3
Pcw = Cp (, )Pcw = At Cp (, )vw . (2.7)
2
El coeficiente Cp (, ) es una funcion no lineal que depende del angulo de ataque o paso
de las palas (), y del coeficiente de punta de pala (). Donde este ultimo es una relacion
entre la velocidad tangencial de rotacion en la punta de las palas y la velocidad del viento:
t R
= , (2.8)
vw
donde t es la velocidad angular de rotacion y R el radio del area barrida por las mismas. El
coeficiente de potencia depende de las caractersticas constructivas de la turbina, sin embargo
existe un lmite teorico maximo denominado lmite de Betz que define una cota superior a la
potencia extrable por la turbina del 59,3 % 2.2.
de laHpotencia
ELICE DE UNA TURBINA
cinetica EOLICA
del viento. Un desarrollo
mas detallado de la deduccion de los coeficientes de potencia y par de la turbina de acuerdo a
los principios fsicos presentes puede encontrarse en De Battista (2000) y Evangelista (2012).
Una formulacion del coeficiente Cp (, ) puede encontrarse en Lei et al. (2006):
Cp (, )
1 RCf RCf
Cp (, ) = 0,022 2 e0,255 0.5 , (2.9)
2
0.4
donde Cf es una constante de fabricacion de la turbina. 0.3
El ajuste de Cp en su maximo posible es uno de los objetivos del control de las turbinas
0.2
a la hora de maximizar la potencia generada. De acuerdo al tipo de turbina, el mismo puede
realizarse a traves de la variacion de la velocidad de rotacion t0.1y/o de para las turbinas
de pitch variable. En la Figura 2.9(a) se muestra la dependencia 0de Cp (, ) para turbinas
con velocidad y pitch variable, mientras que en la Figura 2.9(b) lo0 vemos para el caso de
5
pitch fijo, donde se observa que Cp () presenta un unico maximo en 10 = opt . Como se
15 15
menciono anteriormente, aquellas turbinas de velocidad variable podran modificar su velocidad 10
20 5
2.2. HELICEde
DErotacion en funcion
UNA TURBINA de la velocidad del viento vw tal que
EOLICA 23 t = opt vw R, y de esta0 manera
extraer la maxima potencia disponible en el viento.
(a) Cp (, ).
Cp (, )
Cp () Ct ()
0.5
Cpmax
0.4 0.4 0.08
0.3
0.3 0.06
0.2
0.1
0.2 0.04
0
0
0.1 0.02
5
10
15 15
10 0 0
20 5 4 opt 8 12 4 opt
0
(a) Cp (, ). (b) Cp (), pitch fijoC( = 0). (c) Ct (), pitch fijo
(a) Coeficiente de potencia Cp (, ) (b) Coeficiente de potencia p () con = 0
(pitch fijo)
Cp () Ct ()
Cpmax
0.4 Figura
Figura 2.9: Coeficientes de potencia Cp para turbinas con pitch2.9:
fijo Variaciones
0.08
y variable tpicas de los coeficientes de par y de po
(Evangelista,
0.3 2012). 0.06
0.2 0.04
ultima y del par para el cual se obtiene la misma y que se denomina Par o
0.1
En la Figura 2.10 se presentan las curvas de potencia
en funcion para una de
de la velocidad
0.02
turbina de son
rotacion, angulo de
las siguientes:
paso fijo ( = 0) en funcion de la velocidad de rotacion y parametrizada para distintos
0
4 opt 8
12
0
4 opt 8
12 3
1 t R R5 Cpmax 3
(b) Cp (), pitch fijo ( = 0). (c) Ct (), pitch fijo ( = 0). Ptmax (t ) = R2 Cpmax = 3 t
2 opt 2opt
12
Figura 2.9: Variaciones tpicas de los coeficientes de par y de potencia. R5 Cpmax 2
Topt (t ) = 3 t
2opt
ultima y del par para el cual se obtiene la misma y que se denomina Par optimo de la turbina,
1
= 7m/s
0
4 8 12 16 20
t (rad/s)
Figura 2.10: Curvas caractersticas de par de la turbina segun
2.4. Modelado
la velocidad de rotacion, para distintas velocidades del viento. del sistema hbrido
Pt (kW )
120
90 = 14m/s
60
30
26 CAPITULO 2. GENERACION DE ENERGIA ELECTRICA
= 8m/s
0
4 8 12 16 20
t (rad/s)
Figura 2.11: Curvas de potencia de la turbina segun la
mismo comprende el velocidad
intervalodeentre las velocidades
rotacion, de corte inferior y de corte superior, ya
Figura 2.10: Curvas de potencia de lapara distintas
turbina velocidades
en funcion de del viento.
t parametrizada por vw (Evan-
que mas alla de estas
gelista, 2012). velocidades lmite, la turbina permanece desconectada.
P Ptmax = Cpmax P
2.2.3. Desempeno,
Potenciazonas de operacion y control
Pn
El desempeno de una turbina eolica puede ser caracterizado de acuerdo a la manera en la
que el par, la potencia y la fuerza de empuje desarrollados varan con la velocidad del viento
y otros parametros.
Las curvas de par y del coeficiente de par de la turbina permiten velocidad
hacer evaluaciones
viento
ci n cs
relacionadas con el diseno, el costo, el tamano y la conexion con el generador y, en caso de
haberla, con la caja de zona I
engranajes. Por otro
zona II lado, azonatraves zona IV
IIIde las curvas de potencia y del
coeficiente de potencia puede analizarse la cantidad de energa capturada y la eficiencia de
la turbina. Son Figura
necesarias, en Curva
2.12: conjunto con
ideal demedidas
potenciade viento,decuando
y zonas se realiza el estudio
operacion.
de factibilidad economica de un aerogenerador o granja eolica. Por ultimo,(Evangelista,
Figura 2.11: Curva ideal de potencia de una turbina y regiones de trabajo 2012).
el conocimiento
sobre la fuerza de empuje del rotor es fundamental en cuanto a los calculos estructurales del
La velocidad de corte inferior, ci , es la velocidad mnima del viento a la cual se empieza
valores de velocidad del viento. La linea punteada representa la ubicacion de los puntos de
a generar potencia y esta determinada por las perdidas de transmision (el viento no es
maxima potencia Pw,max . Estos valores, sin embargo, solo pueden ser entregados en un rango
suficientemente fuerte para mover las palas). La velocidad de corte superior, , es la
determinado de velocidades del viento. En la Figura 2.11 se muestra la curva ideal decspotencia
velocidad de viento
en funcion de lalmite superior
velocidad a partir
del viento y sede la cuallaslacuatro
detallan turbina debera
regiones de desconectarse
operacion: para
prevenir danos. A la region de velocidades menores a ci se la denomina zona I, y a la de
region I y region IV o de potencia nula. Por debajo de una velocidad de corte inferior
velocidades mayores que cs , zona IV , de manera que la potencia generada en estas zonas es
vw,ci no es posible mover las palas debido a las perdidas por transmision, mientras que
nula.
velocidades del viento por encima de la velocidad de corte superior vw,cs pueden resultar
Dentro perjudiciales
del rango utilparadeeloperacion
equipo porselodistinguen dos regiones.
que se recomienda La zona
su apagado. En II o zona
estas zonas dela
potencia generada es nula.
carga parcial, es la region comprendida entre la velocidad de corte inferior y la denominada
velocidad de viento
region II onominal, n , correspondiente
de cargaparcial. Se encuentraaentre
la potencia nominal
vw,ci y la velocidadde nominal
la maquina,
vw,n , Pn.
que
Estos valores nominales surgen
se corresponde de una relacion
con la potencia nominal dedel compromiso entre
equipo Pw,n . En estalaregion
energa disponible
debe actuar unay
los costos de extraerla. En esta region, por lo tanto, la potencia disponible
estrategia de seguimiento del punto de maxima potencia ajustando Cp () = Cp,max .en el viento es
1 3.
menor que De de laPturbina
(2.7) resulta
la nominal w,max = y 2 A Cp,max vw
es tdeseable extraer la maxima energa posible.
Por ultimo,
regiontambien
III o de dentro del rango
plena carga. Entre util,
vw,n se
y vtiene
w,cs lalapotencia
zona III o zonadebe
generada de plena carga,
limitarse a la
intervalo quepotencia
comprende nominal
las del equipo. de viento entre la nominal y la de corte superior. En
velocidades
esta region,
La de altas
curva velocidades
ideal de potenciade viento, la maxima
de la turbina potencia
con sus zonas disponible
de operacion enson
el viento
datos supera
que en
el valor nominal
general y debe limitarse
se obtienen la potencia
en las hojas de datos deextrada al valor P
los fabricantes. Den . all, que un modelo estatico
de la misma que utilizaremos en esta tesis puede escribirse como:
Dependiendo de si la maquina puede operar a velocidad variable o no, y de si puede o
no variarse el angulo de pitch, la estrategia de operacion real de la turbina controlada 13
se
asemejara en mayor o menor medida a la curva ideal descripta.
2.4. Modelado del sistema hbrido
0 si vw (t) vw,ci ,
P vw (t)vw,ci 3
w,n vw,n vw,ci si vw,ci vw (t) vw,n ,
Pw (t) = (2.10)
Pw,n si vw,n vw (t) vw,cs ,
0 si vw (t) vw,cs .
La velocidad del viento vara con la altura en relacion a la topologa del terreno. La velocidad
del viento medida por un equipo de medicion a una altura determinada puede ser utilizada
para estimar la correspondiente a la helice de la turbina segun:
hhub
vw (t) = vw,m (t) , (2.11)
hm
donde vw,m es la velocidad del viento medida [m/s], hm la altura a la cual se mide la velocidad,
hhub es la altura de la helice [m] y es un coeficiente que depende de superficie, y para terrenos
planos puede ser tomado un valor de 0.14 (Kaviani et al., 2009).
P [W kg 1 ]
P/E = [W W h1 ]. (2.12)
E[W h kg 1 ]
En el caso de sistemas estacionarios, a diferencia de los vehculos hbridos, es deseable una
mayor capacidad de almacenamiento energetico por sobre la posibilidad de absorber grandes
picos de potencia. En esta tesis, por lo tanto, hemos trabajado principalmente con sistemas
donde el elemento almacenador principal es un banco de bateras.
En la literatura se presentan diversos modelos de batera con distintos grados de detalle. Los
modelos realizados en base a los fenomenos electroqumicos (Doyle et al., 1993; Fuller et al.,
1994) presentan un importante grado de detalle y son muy utilizados en el diseno de bateras.
Sin embargo, la complejidad que presentan los vuelven inviables para el estudio de metodologas
de manejo de energa y dimensionamiento de sistemas hbridos, que son los objetivos de esta
tesis. Se utilizaran principalmente dos modelos orientados a la simulacion de sistemas hbridos.
Los mismos son modelos genericos y permiten representar los principales tipos de tecnologas
de bateras presentes en el mercado, Plomo-Acido, Ion-Litio (Li-Ion), Nickel-Metal (NiMH) y
Nickel-Cadmio (NiCd).
Modelo ADVISOR
La herramienta de modelado de sistemas hbridos ADVISOR utiliza una batera modelizada
como un circuito compuesto por una fuente de voltaje, que representa el voltaje a circuito
abierto (Voc ), en serie con una resistencia interna (Rint ) (Johnson, 2002). Por lo tanto, la
tension en bornes de la batera es Vb = Voc Ib Rint . En este modelo, tanto Voc como Rint
dependen del estado de carga de la batera (SoCb ), que representa la capacidad residual que
14
voltage source (open-circuit voltage, or OCV) and a resistor charging, as sh
(internal resistance, or R). The parameters vary with SOC, Idaho Nation
temperature (T), and the direction of current flow (e.g. if the tory (INEEL) [
battery is charging or discharging). The thermal model is a matic for the R
2.4. Modelado del sistema hbrido
included additi
tage limits, SO
Rint SOC es
Ahmax
SOC
where
Z t A;
Ahused
0 Zc
ADVISOR h
Fig. 2. Internal resistance electrical schematic. battery chemist
Figura 2.12: Esquema circuital del modelo ADVISOR (Johnson, 2002).
include NREL
turer data, publ
queda disponible para ser descargada de la batera. En la Figura 2.12 vemos la representacion
circuital del modelo. Mientras que en las Figuras 2.13(a) y 2.13(b) se observan las curvas details the data
tpicas para una batera NiMH cuyas principales caractersticas son: capacidad nominal 60 Ah,To characteri
energa nominal 750 W h, voltaje nominal 12 V y potencia de pico 4,9 kW (pulso de 10 s, a
battery, three te
o
50 % de carga y 35 C). En el modelo desarrollado, las relaciones no lineales de Voc y Rint
voltage tests, an
en funcion de SoCb se expresan como vectores de datos y sus respectivos valores se obtienen
interpolando dentro del vector correspondiente de acuerdo al valor actual de SoCb . Estos the model gen
vectores estan basados en datos experimentales del fabricante. tests. NREL pe
13
from 0 to 40 8C
10 10
temperature.
9 9
12.5 8 8
Rdischr [m]
Rchr [m]
Voc [V]
7 7
12 6 6
5 5
11.5 4 4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
SOC [] SOC []
Figura 2.13: Curvas caractersticas obtenidas del software ADVISOR para una batera NiMH.
15
2.4. Modelado del sistema hbrido
(Voc Vb,max )
Ib,min = Rint durante la carga,
(2.15)
(Voc Vb,min )
Ib,max = Rint durante la descarga,
donde Vb, min y Vb, max son el mnimo y el maximo voltaje de batera admisibles, respectiva-
mente. Ademas, Ib,min e Ib,max dependen indirectamente del SoCb a traves de las relaciones
no lineales previamente mencionadas. Por otro lado, existe otro mecanismo de limitacion de
la corriente de batera de manera tal que se fuerza una corriente nula cuando el SoCb alcanza
su valor maximo o mnimo.
Modelo Tremblay
El modelo propuesto por Tremblay et al. (2007) e incluido en el toolbox SimPowerSystems
de Matlab tiene la misma representacion circuital que el presentado por ADVISOR (Figu-
ra 2.14). En este caso, sin embargo, se considera la misma resistencia para la carga y descarga
y con un valor constante. A su vez, la tension a circuito abierto Voc es una funcion no lineal
del estado de carga y dependiente de parametros constructivos de la batera:
Cb,n R
Voc = E0 K R + Ae(B ib dt) , (2.16)
Cb,n ib dt
donde E0 es una tension constante, K es la tension de polarizacion [V], Cb,n es la capacidad
nominal de batera [Ah], A es la amplitud de la zona exponencial [V], y B es la constante
inversa de tiempo de la zona exponencial [Ah1 ]. En la Figura 2.15 se muestra la curva tpica
de descarga de una batera con el detalle de las zonas mencionadas. En la Tabla 2.1 se muestran
los parametros del modelo correspondiente a algunas bateras tpicas.
Figura 2.14: Esquema circuital del modelo Tremblay (Tremblay et al., 2007)
Fig. 1. Non-Linear battery model Fig. 2. T
se basa en las siguientes suposiciones:
Este modeloidt = actual battery charge (Ah) mum SOC can be g
A = exponential
La resistencia zone amplitude
interna se supone (V) los ciclos de carga y descarga y no
constante durante is overcharged.
1
B =laexponential
vara con magnitud de lazone time constant inverse (Ah)
corriente.
Vbatt = battery voltage (V) B. Extracting Model Para
16 R = internal resistance ()
The model can accurate
i = battery current (A)
battery types, provided th
The main feature of this b
2.4. Modelado del sistema hbrido
con hidrogeno y un catodo alimentado por aire, aunque realmente lo que interviene en la
reaccion electroqumica es el contenido de oxgeno en el aire ingresado. Estos dos electrodos
estan separados por un electrolito constituido por una membrana polimerica cuya caracterstica
principal radica en que permite el paso de protones cuando esta convenientemente humidificada
pero, por el contrario, es un excelente aislante de electrones (Larminie y Dicks, 2003).
En la Figura 2.16 puede verse un esquema del principio basico de funcionamiento de una
celda tipo PEM. El hidrogeno fluye a traves de los canales de alimentacion del anodo, se
extiende a traves de la capa de difusion y alcanza la capa cataltica donde se oxida liberando
electrones y protones, de acuerdo con:
2 H2 4 H + + 4 e . (2.17)
2 H2 + O2 2 H2 O. (2.19)
Nf c,s If c (t)
H2 ,f c (t) = f c,f , (2.20)
2F
donde H2 ,f c (t) es el flujo de H2 consumido por la pila [mol/s], f c,f es la eficiencia de Faraday
(90-95 %), Nf c,s el numero de celdas en serie que forman la pila, y F la constante de Faraday
(96,485 C/mol).
Con el fin de poder producir energa, es necesario integrar la pila de combustible con otros
componentes para formar un sistema de generacion basado en pila de combustible, controlando
una cantidad de variables tales como temperaturas, presiones y flujos de reactantes. Estos
componentes pueden ser divididos en los siguientes subsistemas, los cuales estan fuertemente
interrelacionados: subsistema de alimentacion de reactantes (hidrogeno y aire), subsistema
de calor y temperatura, subsistema de gestion de agua, subsistema de acondicionamiento de
potencia y subsistema de gestion de potencia (Basualdo et al., 2011; Feroldi et al., 2009).
18
Vact2 T,b lnI
H2O (l) 285,826 69.92
H2 0 130.68
where h0, a and b are empiri
O2 0 205.14
be expressed as [12]:
1.1 Celdas de combustible
Ract I Ract0 Ract1
Vact2hbrido
2.4. Modelado del sistema
DG 237; 153:66 (6)
where: Ract0 is an empirical c
237; 153:66 J=mol Ract1 is a current depende
E0;cello 1:229J=C 1:229V (7) Ract2 is temperature depe
2 96; 487C=mol
where b is an empirical cons
Electrical e- e- Heat Ohmic voltage drop: Ohm
3.2. PEMFC voltagecurrent
drops tance to the ow of ions in th
to the ow of electrons throu
The output voltage of the PEMFC is less than the internal voltage
Hydrogen Air losses through the electrolyte
-
Eexcess
cell developed
out inside thee fuel cell due to several voltage drops,
excess out electrode separation and en
+
H
namely: activation voltage drop, ohmic voltage drop, and concen- electrolyte. These ohmic loss
tration voltage drop (see - Fig. 2).H 0Activation Hand 20 concentration 2
e
voltage drops occur at both the anode and the cathode, while the Vohm;cell IRohm
H2 H+ H20 throughout the
ohmic voltage loss represents the resistive losses
Membrane
entire fuel cell. H0
where Rohm is the total cell r
Cathode
H0 2 2
Anode
Activation voltage drop: The activation voltage losses are caused the fuel cell temperature and
H2 + O2
by sluggish electrode kinetics. In Hboth electrochemical and chemical as:
reactions there is an activation energy
H0 H0 that must be overcome by the
Rohm Rohm0 Rohm1 Ro
2 2
Cathode catalyst
reacting species. The activation losses are the result of complex
Anode catalyst
H+
surface electrochemical reaction steps. Each step has its own reaction
Membrane
where: Rohm0 is an empirical
Cathode
rate and activation energy which H 0 controls the activation losses on the
Anode
electrodes.
Hydrogen in However, the voltage drop due to the activation Airpolari-
in
Rohm2 has the form g2(T
zation can be approximated by the following Tafel equation [1]:
constant.
RT
Figura 1.2: Diagrama I del principio de funcionamiento de la pila tipo PEM Concentration voltage dro
Vact;cell ln T,a b lnI (8)
Figura 2.16: Esquema del anF principioI0 de funcionamiento de una pila tipo PEM (Basualdo et al.,gradients can be fo
centration
2011) gas ow channels to the reac
del catodo.where:
Al mismo a is the
tiempo,
electronel transfer
oxeno es inyectado
coefcient of en
thelos canales de alimentacion
reaction. high current densities, ther
del catodo y se difunde a traves de la capa de difusion hacia la capa(2cataltica,
n is the number of electrons participating in the reaction e/ actants
donde to the reaction sites
mol).
perdidas, aun cuando no hay una carga externa conectada. Ademas, cuando efectivamente tration voltage drop [12].
reacciona con Iprotones
is the loady electrones,
current. generando agua, de acuerdo con
se conecta la carga, el voltaje en los terminales disminuye todava mas debido a diversos
I0 is the exchange current density. RT CS
factores, incluyendoEquation
las perdidas de polarizacion y perdidas de interconexion entreVlas
celdas.
conc;cell ln
(8) can also be described as a sum of two voltage drops,
+
nF C B
Las principales perdidas
Vact1 andenVact2
unaasceldaO2 de
+ 4combustible
follows H + 4 e
[12]: son2 las siguientes: perdidas por activacion
H2 O. (1.2)
(vact ) y perdidas por concentracion (vconc ), que ocurren tanto en el anodo como enwhere: el catodo,
CS is the surface conc
Por lo Vact;celllareaccion
tanto, h0 T 298,a
global en laT,b lnI
celda de Vact1 Vact2es
combustible C is the bulk concentrati
y las perdidas ohmicas (vohm ), que representan las perdidas asociadas a resistencias parasitas B
2 H2 + O2 2 H2 O. 3.3.(1.3)
PEMFC stack temperatur
19
2.4. Modelado del sistema hbrido
Vohm (t) = Rohm (t)If c (t) = (Rohm0 + Rohm1 (t) + Rohm2 (t))If c (t), (2.24)
donde Rohm0 es una constante emprica, Rohm1 (t) depende de la corriente y Rohm2 (t) de la
temperatura.
Las perdidas por concentracion se producen para densidades de corriente altas, donde existe
una velocidad mas lenta de transporte de los reactivos por lo que se producen diferencias en
las concentraciones (Nehrir y Wang, 2009). Estan dadas por:
RT If c (t)
Vconc (t) = log 1 , (2.25)
F Ilimit
donde Ilimit es la corriente maxima de la pila.
La tension en bornes de la pila, teniendo en cuenta la conexion de Nf c,s celdas en serie,
resulta:
Vf c (t) = (Nf c,s Ecell (t)) Vact (t) Vohm (t) Vconc (t). (2.26)
En (Salim et al., 2015) se ajusta la curva caracterstica de la pila PEM comercial modelo
Nexa de 1.2 kW de la empresa Ballard. Los valores de esta parametrizacion se muestran en la
Tabla 2.2.
Modelo de Ulleberg
Otra representacion para la caracterstica tension-corriente en la pila es dada por Ulleberg
(1998):
If c (t) If c (t)
Vf c (t) = Nf c,s E0,cello b log Rf c , (2.27)
Af c Af c
donde Af c es el area del electrodo, b una constante relacionada con las perdidas por sobre
tension y Rf c una resistencia interna. La potencia resultante Pf c se define como:
20
2.4. Modelado del sistema hbrido
Tabla 2.2: Parametros del modelo de pila PEM para Nexa 1.2 kW (Salim et al., 2015).
2.4.5. Electrolizador
En los electrolizadores, las moleculas de agua pueden ser descompuestas en sus componen-
tes elementales haciendo circular una corriente electrica entre dos electrodos separados por un
electrolito acuoso. La reaccion electroqumica basica resulta la opuesta a la que se encuentra
en las pilas de combustible:
2 H2 O 2 H2 + O2 . (2.29)
Los electrolizadores por lo tanto, pueden pensarse como pilas de combustibles funcionando
a la inversa. De all que sus caractersticas de tension-corriente y flujo de hidrogeno producido
resultan similares. En la Figura 2.18 vemos el esquema de un electrolizador tipo PEM con los
30equipos auxiliares necesarios
H. Grgnpara su funcionamiento.
/ International Journal of Hydrogen Energy 31 (2006) 29 38
DC Power
Supply
+ -
Seperator H2
H 2O in
Water Pump A C
O2 H2 Bottle
Seperator PEM Electrolyzer
permite la posterior utilizacion por pilas de combustible tipo PEM sin necesidad de incorporar
procesos de limpieza.
Modelo Ulleberg
En Ulleberg (1998) se detalla la expresion de la tension en un electrolizador de tipo alcalino.
Sin embargo, la misma puede ser utilizada tambien para los electrolizadores PEM. Una curva
tpica de la caracterstica tension-corriente y su dependencia con la temperatura puede verse
en la Figura 2.19. Luego, la expresion analtica resulta:
r1 + r2 T
Vezc (t) = Vrev,ez + Iez (t)+
Aez
t1 + t2 /T + t3 /T 2
+ (s1 + s2 T + s3 T 2 ) log Iez (t) + 1 , (2.30)
Aez
donde Vezc es la tension en la celda [V ], Vrev,ez es la tension reversible [V ], Iez es la corriente
por el electrolizador [A], Aez es el area del electrodo [m2 ], T es la temperatura [ C], ri son
parametros referidos a las resistencias ohmicas, y si , ti son parametros referidos a los sobre
voltajes. Los parametros empricos (ri ,si y ti ) se calculan experimentalmente. La potencia Pez
[W ] se define como:
Pez (t) = Nez,s Vezc (t)Iez (t), (2.31)
con Nez,s el numero de celdas en serie. A su vez, el flujo de hidrogeno producido en el elec-
trolizador resulta analogo a (2.20):
Nf c,s If c (t)
H2 ,f c (t) = f c,f . (2.32)
2F
22
2.4. Modelado del sistema hbrido
de salida del electrolizador y la presion maxima en el tanque, puede ser necesaria una etapa
de compresion a traves de un compresor. En general la potencia requerida para la etapa de
compresion no resulta significativa con respecto a la energa puesta en juego en el sistema, por
lo que suele despreciarse.
Compresor
El compresor realiza el trabajo necesario para almacenar el hidrogeno producido en los
tanques. La potencia necesaria para elevar la presion del hidrogeno a la requerida para ser
almacenada en el tanque esta dada por la expresion de una compresion isoentropica (Ipsakis
et al., 2009):
k
!
1 k pH2 (t) /k1
Pco (t) = H ,ez (t)RT 1 , (2.34)
isoen m 2 k1 pez
donde Pco (t) es la potencia requerida por el compresor, isoen = 0,8 es la eficiencia isoentropica,
m = 0,9 es la eficiencia general del motor del compresor, k 1,4 es el ndice adiabatico y
pez es la presion de salida del electrolizador.
23
2.4. Modelado del sistema hbrido
L1 D1
S3
L S2
C Vbus
Vfc C1 Vbus
Vbat
S4 S1
Debido a la presencia de elementos conmutados en los convertidores, los modelos que per-
miten reproducir el comportamiento dinamico de los mismos teniendo en cuenta los fenomenos
asociados a esta caracterstica, resultan muy difciles de manejar con las herramientas de si-
mulacion y metodos de integracion numerica clasicos. En general, para el tipo de estudios
que se realizan en esta tesis, donde se hace enfasis en el desarrollo de estrategias de control,
gestion de energa y dimensionamiento de los sistemas utilizaremos los modelos promediados,
o no se considerara la dinamica de los mismos. Esta simplificacion suele ser factible debido a
las diferencias entre los tiempos de respuesta del convertidor (del orden del milisegundo) y los
tiempos de simulacion de una estrategia de gestion de energa (horas, o das). Sin embargo,
en el captulo 3 se presentara una librera de componentes de sistemas hbridos, que incorpora
modelos conmutados de los convertidores en lenguaje Modelica.
En los modelos equivalentes promediados, los dispositivos electronicos que funcionan como
llaves son representados por fuentes de tension y de corriente. El modelo resultante consiste
en una fuente de corriente controlada Iout = (1 d)Iin del lado del bus, y una fuente de
tension Vin = (1 d)Vout del lado de las bateras, paneles fotovoltaicos o pila de combustible.
Los elementos pasivos no se modifican. Este modelo preserva la dinamica promedio y permite
trabajar con tiempos de muestreo mas grandes en la simulacion.
24
5.2 Sistema de procesamiento de Bio-etanol
2.4. Modelado del sistema hbrido
Figura
anode, extending 2.22:
through the Esquema BPS
diffusion layer integrado
and reaches the con pila
This PEM system
generation (Feroldi et al.,of a2013).
consisting PEM fuel cell with rated
catalytic layer, which is oxidized releasing electrons and pro- power of 10 kW, where the most relevant control loop from
tons according to the point of view of efciency is the control of the cathode air
dinamico completo de la planta se utilizara en el supply. Captulo 4 para el desarrollo de estrategias
2H2 4H+ + 4e .
de control base, la presentacion completa del mismoTheresultara hydrogen consumption map of a PEM fuel cell system
excesivamente extensa, por lo
The electrons cross the metal and granulate coal of the anode clearly reveals a zone, below a limit power, where the efciency
que se recomienda recurrir a la referencia citada
catalytic layer, reaching the cathode through the external cir-
a fin de profundizar
is very poor meanwhile the este
zoneaspecto.
above this limit power has
cuit, while the protons are transported through the membrane a signicant higher efciency (Feroldi et al., 2009). Therefore,
to the cathode catalyst layer. At the same time, oxygen is the PEM fuel cell system is operated in this advantageous zone
2.5. Estrategia de gestion de energa
injected in the feed channels of the cathode, which propagates where the efciency is high. The maximum power is limited
through the diffusion layer to the catalytic layer where it reacts by the rated power, whereas the minimum must be limited to
with protons and electrons generating water according to a value below which it is not suitable to operate because the
En los HRES, se denomina estrategia de gestion de load
parasitic energa al algoritmo
is too large, que
reducing the se ubica
system en
net power:
4H+ +correspondiente
O2 +capa
la 4e 2H2 O. al control supervisor de la estructura de control. En general, es la
encargada
Therefore, the de definir
overall lasinreferencias
reaction de following:
the fuel cell is the Pmin
potencia de PFC (t)
FCcada uno Pmax
de. los componentes del sistema (4)
FC
(que seran interpretadas por los controladores locales) y asegurar una operacion segura y
On the other hand, the fuel cell power cannot be increased
eficiente
2H2 + O2 del mismo (Dimeas y Hatziargyriou, 2005).
2H2 O. Dentro de los principales objetivos
faster than a certain power rise rate (Pmax
de una
FC ) to avoid a lack
EMS, se pueden destacar:
The cathode reaction is exothermic, where the heat released is of reactants and the power cannot be decreased faster than a
dependent on the voltage that is directly related to efciency. certain power fall rate (PminFC ) to prevent overpressure into the
26
2.5. VOL.
IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, Estrategia
2, NO.de gestion de2011
4, OCTOBER energa
ERGY SYSTEMS
los cuales el sistema puede ir conmutando de acuerdo a reglas o condiciones que se definen
de manera heurstica (Chong et al., 2016). En Feroldi et al. (2013) se presenta una EMS que
consiste en cinco modos de operacion. La estrategia se formaliza a traves del concepto de
maquina de estados finita, definiendo modos de operacion (estados) y eventos que producen
el cambio de estado dependiendo del estado anterior y los eventos activos de acuerdo con
una funcion de mapeo. Luego, en el Captulo 5 de esta tesis se propone una mejora a esta
estrategia incorporando el concepto de horizonte deslizante y la prediccion de las potencias
disponibles en las fuentes renovables y la carga. En Valenciaga y Puleston (2005) se propone un
control supervisor en un HRES aislado formado por un panel fotovoltaico, una turbina eolica,
una carga AC y una batera. Se conmuta entre 3 posibles estados donde se define el modo de
operacion de las fuentes, seguimiento de puntos de maxima potencia o regulacion de potencia,
y la referencia de potencia de la batera. En este caso, aunque sin perdida de generalidad
con respecto a la EMS, los controladores locales se implentan mediante un controlador de
modos deslizantes robusto. En Zhou et al. (2008) se propone un esquema de control con
doble histeresis. En Torreglosa et al. (2014) se presenta un control jerarquico compuesto por
una estrategia de control maestro y una estrategia de control esclavo para un sistema hbrido
fotovoltaico (PV)/turbina eolica/hidrogeno/batera sin conexion a la red.
EMS inteligentes
En un HRES con multiples almacenadores, la EMS se complejiza con respecto a un HRES
con un unico almacenador. En ese marco, para el uso optimo de un HRES es necesario el
desarrollo de una EMS que tenga en cuenta las limitaciones operativas, la degradacion y
aspectos economicos, ademas de simplemente garantizar el balance de potencia. La complejidad
del problema a abordar es la principal motivacion para la introduccion de estrategias de control
avanzado. En particular, el MPC ha sido ampliamente utilizado en aplicaciones industriales y
para la gestion de energa (Arce et al., 2009; Qi et al., 2011; Torreglosa et al., 2015). En Qi
et al. (2011) se presenta una EMS implementada con MPC para un HRES aislado formado
por turbinas eolicas y paneles fotovoltaicos que alimenta una planta de desalinizacion por
electrolisis. La misma metodologa se aplica en Torreglosa et al. (2015) para un HRES aislado
que incluye una pila de combustible, un electrolizador y tanques de almacenamiento de H2 .
El MPC genera las referencias para la pila de combustible y el electrolizador para satisfacer
las demandas de la carga y mantener el estado de carga de los almacenadores dentro de los
limites requeridos. El balance de potencia es asegurado por la batera con un lazo externo.
En los ultimos anos ha surgido una metodologa basada en MPC, conocida como MPC
Economico, que optimiza una funcion objetivo basada en criterios economicos en lugar de una
desviacion con respecto a una referencia dada (Rawlings et al., 2012; Tran et al., 2014; Ellis
et al., 2014). Este enfoque se introduce para la gestion de energa en HRES por Hovgaard et al.
(2010). En Valverde et al. (2016) y Garcia-Torres y Bordons (2015a), los autores proponen
un enfoque EMPC para manejar una microred de hidrogeno vinculada a la red electrica, que
incluye el costo de compra/venta de electricidad, el envejecimiento de los componentes y las
restricciones operativas. Los resultados muestran que el enfoque propuesto es mas eficaz que
las estrategias de histeresis, con una reduccion en el costo operacional. En Wang et al. (2014),
se aplica esta metodologa en un HRES que alimenta una planta qumica con el objetivo de
minimizar costos operativos y ambientales. En Pereira et al. (2015) se presenta un nuevo EMPC
para sistemas periodicos aplicado a una microred con conexion a la red. Luego, en Pereira et al.
(2017) se propone una version robusta de este enfoque.
29
2.6. Dimensionamiento del HRES
donde Pud (k) es la potencia que no puede suministrarse a la carga y Pload (k) la potencia
requerida.
Ns 1
1 X Pud (k)
ELF = . (2.39)
Ns Pload (k)
k=0
Nivel de autonoma
El nivel de autonoma (LA, por sus siglas en ingles: Level of Autonomy ) se define como
uno menos la relacion entre el numero de horas en que existe perdida de carga (HLOL ) y el
total de horas de operacion (Htot ) (Celik, 2003):
HLOL
LA = 1 . (2.40)
Htot
30
2.6. Dimensionamiento del HRES
Metodologas de
dimensionamiento
Costo de la energa
El Costo de la Energa (COE, por sus siglas en ingles: Cost of Energy ) se define como el
costo anualizado total sobre la energa generada (Etot ) (Yang et al., 2009):
ACS
COE = . (2.42)
Etot
Otros criterios como el factor de amortizacion (CRF, por su sigla en ingles: Capital Recovery
Factor ), el costo a largo plazo del HRES, el costo promedio de la energa generada, el valor
presente neto (NPV, por su sigla en ingles: Net Present Value), como as tambien factores
socio-ambientales y de emision de CO2 pueden consultarse en Upadhyay y Sharma (2014).
31
2.6. Dimensionamiento del HRES
et al. (2006), se presenta una metodologa similar, minimizando el costo total del sistema a lo
largo de su vida util, considerando un abastecimiento perfecto de la carga, y se compara con
metodos de optimizacion convencionales como programacion dinamica o tecnicas por gradien-
te. Kaviani et al. (2009) propone una variacion del algoritmo PSO para minimizar los costos del
sistema durante su vida util, sujeto a una restriccion de confiabilidad. El HRES esta compuesto
por aerogeneradores, paneles fotovoltaicos y un sistema de respaldo basado en hidrogeno con
electrolizador, tanques de hidrogeno y pilas de combustible, pero sin bancos de bateras.
Los costos de operacion y mantenimiento de determinados elementos dependen fuertemen-
te de la manera en la que son operados. Lo mismo vale para la confiabilidad y sustentabilidad
del sistema. De esta manera, se hace necesaria la integracion de la EMS a la metodologa de
dimensionamiento a fin de obtener un diseno optimo (Zhou et al., 2010; Feroldi y Zumoffen,
2014). En Feroldi y Zumoffen (2014) se presenta una metodologa de dimensionamiento de un
HRES con la integracion de una EMS basada en reglas e implementada mediante maquina de
estados.A su vez incorpora una restriccion referida a la confiabilidad a traves del ndice LPSP
y se minimizan los costos de inversion y consumo de combustible (bioetanol). De acuerdo al
estudio realizado de la literatura, las EMS que se integran a las metodologas de dimensio-
namiento resultan heursticas. No existen, en conocimiento del autor, trabajos que realicen la
integracion de una estrategia de control avanzado, particularmente de control predictivo, a la
etapa de dimensionamiento del sistema. Esta problematica sera abordada en el Captulo 6 de
esta tesis.
32
CAPTULO 3
3.1. Introduccion
El funcionamiento eficiente de los sistemas hbridos de generacion de energa depende
fuertemente del correcto diseno de diversos sistemas de control, que actuan principalmente
sobre las fuentes conmutadas que conectan los distintos elementos. Debido a la complejidad
de los modelos matematicos resultantes, es imprescindible recurrir a la simulacion numerica
tanto para dimensionar los distintos componentes como para posteriormente disenar y ajustar
los sistemas de control mencionados.
La simulacion de este tipo de sistemas suele ser muy problematica para los metodos de inte-
gracion numerica debido principalmente a la presencia de elementos de conmutacion operando
en alta frecuencia. En estos casos, los algoritmos deben realizar una gran cantidad de calculos
en cada paso para determinar el instante exacto de ocurrencia de la discontinuidad (Cellier y
Kofman, 2006), luego de la cual deben reinicializar la simulacion. Ademas, al representar de
manera realista los elementos de conmutacion (diodos y transistores) resultan modelos rgi-
dos (aquellos donde conviven dinamicas rapidas y lentas) que requieren el uso de algoritmos
a
Se denominan sistemas rgidos a aquellos sistemas que combinan dinamicas rapidas y lentas.
33
3.2. Modelado y herramientas de simulacion
34
3.2. Modelado y herramientas de simulacion
algoritmos numericos QSS. Finalmente, se presenta una serie de herramientas que permiten
simular modelos de Modelica utilizando los metodos QSS.
3.2.1. Modelica
Modelica es un lenguaje abierto de modelado declarativo orientado a objetos que permi-
te la combinacion de modelos procedentes de diferentes dominios tecnicos de una manera
unificada (Fritzson y Engelson, 1998). En Modelica, las relaciones matematicas elementales
entre variables son descritas por ecuaciones no causales para formar subsistemas basicos, que
luego se conectan para componer sistemas mas complejos. Luego, los modelos resultantes son
procesados por los compiladores de Modelica para producir el codigo de simulacion.
Por ejemplo, un conector electrico puede ser definido por la siguiente clase de Modelica:
connector pin
Real v; //voltaje
flow Real i; //corriente
end pin;
Aqu, pin es una clase connector caracterizado por dos variables reales que representan
el voltaje y la corriente. Esta nueva clase puede usarse para definir un elemento generico de
un unico puerto compuesto por dos pines:
model oneport
pin p; //pin positivo
pin n; //pin negativo
Real v; //elemento voltaje
Real i; //element corriente
equation
i=p.i;
p.i+n.i=0;
v=p.v-n.v;
end oneport;
Este modelo generico de un elemento con un puerto puede ser utilizado para modelar
elementos especficos como resistencias, inductancias, etc:
model resistor
extends oneport;
parameter Real R=1;
equation
v-R*i=0; //Ohms law
end resistor;
model inductor
extends oneport;
parameter Real L=1;
equation
L*der(i)=v; //Faraday law
end inductor;
Esta ultima etapa de la tarea de modelado que consiste en conectar los componentes, se
hace generalmente con la ayuda de interfaces graficas de Modelica, donde solo se tiene que
arrastrar los elementos y conectarlos. Por ejemplo, en la Figura 3.1 se muestra un circuito
35
3.2. Modelado y herramientas de simulacion
Gate
pin_input inductor idealDiode
pin_output
L=15e-3
idealClosingSwitch
pin_ground
convertidor boost construido en una herramienta llamada Dymola (Bruck et al., 2002) que
utiliza componentes como los descritos anteriormente.
La formulacion no causal de las ecuaciones junto con el paradigma orientado a objetos
permite la reutilizacion de codigo y ha sido utilizada para desarrollar la Biblioteca Estandar
de Modelica (MSL, por sus siglas en ingles: Modelica Standard Library ), un repositorio de
modelos de componentes provenientes de diferentes ambitos tecnicos (mecanicos, electricos,
electronicos, hidraulicos, termicos, etc.). Estos repositorios de modelos se pueden utilizar para
construir otros mas complejos de manera grafica simplemente conectandolos. La MSL es una
biblioteca abierta mantenida por la Asociacion Modelica, una organizacion sin fines de lucro
encargada de desarrollar el lenguaje. Ademas de la MSL existen varias otras bibliotecas (tanto
gratuitas como pagas) que abarcan muchos dominios tecnicos y aplicaciones industriales.
Existen trabajos previos en la literatura que refieren al uso del lenguaje Modelica en el
modelado de sistemas hbridos de generacion de energa basados en fuentes renovables, de-
mostrando que representa una metodologa adecuada para abordar el modelado de este tipo
de sistemas (Baggi et al., 2014; Verbruggen et al., 2011; Rubio et al., 2005).
Actualmente, hay varios compiladores disponibles de Modelica, comerciales (Dymola Bruck
et al. (2002) y Wolfram System-Modeler) o de codigo abierto (OpenModelica Fritzson et al.
(2005), JModelica Akesson et al. (2009)). La mayora de ellos tienen interfaces graficas que
permiten construir modelos de forma sencilla.
36
3.2. Modelado y herramientas de simulacion
1980) y DASSL (Petzold, 1983) son los solvers mas eficientes y populares para este tipo de
problemas.
DOPRI es un algoritmo Runge-Kutta explcito de quinto orden y paso variable, mientras
que DASSL es un metodo implcito y paso variable del tipo Back-ward Difference Formulae
(BDF). Debido a razones de estabilidad, DOPRI (como cualquier otro algoritmo explcito)
no puede integrar eficientemente sistemas rgidos. Debido a que esta caracterstica es un
fenomeno muy comun en aplicaciones multi-dominios, DASSL es a priori el solver preferido
de las herramientas de Modelica. Los solvers implcitos como DASSL tienen ventajas con
respecto a la estabilidad que son esenciales para simular sistemas rgidos, pero anaden una
carga computacional adicional, ya que deben invertir la matriz Jacobiana del sistema e iterar
en cada paso.
Ademas de la presencia de dinamicas lentas y rapidas, los modelos HRES realistas tam-
bien presentan discontinuidades frecuentes producidas por los elementos conmutados de los
convertidores de potencia. Dado que los algoritmos numericos no pueden integrarse a traves
de discontinuidades sin provocar errores inaceptables, los solvers deben detectar su ocurrencia
encontrando el instante de tiempo exacto y reiniciando la simulacion despues de cada evento.
El proceso de deteccion de eventos y el manejo de discontinuidades usualmente requieren ite-
raciones y, junto con los problemas de rigidez, implican que la simulacion de modelos HRES
realistas se vuelva muy ineficiente.
donde q(t) es el vector de estados cuantificado. Sus entradas estan relacionadas con los com-
ponentes del vector de estado x de acuerdo a la funcion de histeresis de cuantificacion (hysteric
quantization function), de manera que los componentes qj (t) cambian solamente cuando di-
fieren de xj (t) en una cantidad Qj llamada quantum.
El metodo QSS1 tiene las siguientes caractersticas:
Los estados cuantificados qj (t) siguen trayectorias constantes por tramos, y las variables
de estado xj (t) siguen trayectorias lineales por tramos.
El estado y las variables cuantificadas nunca difieren mas que el Qj cuantico. Este
hecho asegura la estabilidad y las propiedades de error global (Kofman y Junco, 2001;
Cellier y Kofman, 2006).
Cada paso es local a una variable de estado xj (la que alcanza el cambio cuantico), y
solo provoca calculos sobre las derivadas de los estados que dependen explcitamente de
ella.
El hecho de que las variables de estado sigan trayectorias lineales por tramos hace muy
facil detectar discontinuidades. Ademas, despues de detectar una discontinuidad, sus
efectos no son diferentes de los de una etapa normal. Por lo tanto, el QSS1 es muy
eficiente para simular sistemas discontinuos (Cellier y Kofman, 2006).
Sin embargo, el QSS1 tiene algunas limitaciones, ya que solo realiza una aproximacion de
primer orden, y no es adecuado para simular sistemas rgidos. Lo primero se resuelve con meto-
dos QSS de orden superior como el de segundo orden QSS2, donde los estados cuantificados
qj siguen trayectorias lineales por tramo.
37
3.3. Librera Modelica de componentes de un HRES
En cuanto a los sistemas rgidos, se propuso en (Migoni et al., 2013) una familia de metodos
QSS linealmente implcitos (LIQSS) de orden 1 a 3. Los metodos LIQSS tienen las mismas
ventajas de los metodos QSS, y son capaces de integrar eficientemente muchos sistemas rgidos,
siempre que la rigidez se deba a la presencia de valores grandes en la diagonal principal de la
matriz Jacobiana. A diferencia de los solvers rgidos clasicos, los metodos LIQSS son algoritmos
explcitos.
En el contexto de la simulacion realista de HRES, el tratamiento explcito de sistemas
rgidos y el manejo eficiente de discontinuidades constituyen las principales ventajas de los
metodos QSS.
38
3.3. Librera Modelica de componentes de un HRES
39
3.3. Librera Modelica de componentes de un HRES
Sw2
Sw1
idealClosin...
L=15e-3 idealDiode1
idealClosingSwitch
idealDiode
pin_ground
equation
lambdaph=u; //insolation
Iph=(Isc+K1*(Tpv-Tref))*lambdaph/1000;
Ipv+i=0;
Vpv=v;
Ipv-Np*Iph+Np*Irs*(exp(exponent)-1)=0; \\*
exponent=q*(Vpv/Ns+Ipv*Rspv/Np)/(K*Ac*Tpv);
end PV_Module;
40
3.3. Librera Modelica de componentes de un HRES
En la marca (*) vemos que el modelo del panel presenta una ecuacion no lineal implcita.
La posibilidad de una expresion no causal de ecuaciones en conjunto con la capacidad del solver
de resolverla representa una ventaja adicional con respecto a los lenguajes clasicos de modelado
causal (Matlab, Simulink) donde se hace necesario la resolucion explcita de la ecuacion por
parte del usuario para poder utilizarla en el modelo. En estos casos, para no recurrir a funciones
iterativas para la solucion y poder despejar las variables para una escritura causal, se desprecia
el efecto de la corriente en serie del panel.
Algoritmo MPPT
En los paneles fotovoltaicos la potencia generada depende tanto de la radiacion solar y la
temperatura, como de la tension en bornes que se impone. De esta manera existe un punto
para cada valor de radiacion y temperatura donde la potencia resulta maxima. Como vimos en
la Seccion 2.4.1, existen algoritmos MPPT capaces de hacer un seguimiento de estos puntos
de maxima potencia. En la librera se incluye un bloque que utiliza el metodo IncCond (Hussein
et al., 1995), cuyo diagrama de flujo se presento en la Figura 2.8(b). Mediante la medicion de la
corriente de salida del panel y la tension en bornes del mismo, se calcula la tension de referencia
(vref ) necesaria para realizar un seguimiento del MPP. El codigo Modelica correspondiente al
bloque de MPPT resulta:
model mppt
Modelica.Blocks.Interfaces.RealInput i;
Modelica.Blocks.Interfaces.RealInput u;
Modelica.Blocks.Interfaces.RealOutput y;
Real pot;
Real potActFiltrada;
discrete Real potact;
discrete Real potprev;
discrete Real prevu;
discrete Real actu;
discrete Real deltau;
discrete Real deltap;
discrete Real vref(start=30);
parameter Real Ts=0.1;
parameter Real deltaVpvRefPanel=0.5;
equation
pot=u*i;
der(potActFiltrada)=(pot-potActFiltrada)*100;
y=pre(vref);
algorithm
when sample(0,Ts) then
potprev:=potact;
potact:=potActFiltrada;
prevu:=actu;
actu:=u;
deltau:=actu-prevu;
deltap:=potact-potprev;
if abs(deltau)>0.1*deltaVpvRefPanel then
if abs(deltap)>0.2 then
if deltap/deltau>0 then
vref:=vref+deltaVpvRefPanel;
end if;
if deltap/deltau<0 then
vref:=vref-deltaVpvRefPanel;
end if;
end if;
end if;
end when;
end mppt;
Cada panel se conecta al bus de continua mediante un convertidor boost. El control de vref
41
3.3. Librera Modelica de componentes de un HRES
se consigue mediante un lazo PI que ajusta una senal PWM como entrada al ciclo de trabajo
del convertidor. En la Figura 3.4 puede verse el esquema de la conexion y control de cada
panel al bus DC-DC. En caso de ser necesario mayores valores de potencia, puede repetirse el
mismo esquema conectando mayor cantidad de paneles en paralelo. En la Figura 3.5 vemos un
ejemplo de un sistema construido con cuatro paneles con sus respectivos convertidores y una
batera que se conecta al bus mediante un convertidor buck-boost, que alimentan una carga.
MPPT Vref
Control +PWM
V
A
pin_p
currentSensor
Boost
Lambda
Panel Solar
capacitor1
voltageSensor
C=4.7e-4
pin_n
Lambda1
Boost_Panel
k=60
Lambda2
Boost_Panel
k=82
Lambda3
Boost_Panel BatteryAndBockBoost
k=75
Lambda4
Boost_Panel
capacitor2
C=10e-3
k=80
LOAD
ground
42
3.3. Librera Modelica de componentes de un HRES
model FuellCell
extends Modelica.Electrical.Analog.Interfaces.OnePort;
Modelica.Blocks.Interfaces.RealInput Pref_FC;
Modelica.Blocks.Interfaces.RealOutput fH2_FC;
Real Estack;
Real Vohm;
Real Vconc;
Real E0_cell_std; //Standard reference potential
Real E0_cell; //Reference potential
Real E_cell; //Nerst Equation (Ideal)
Real Vact;
Real React0;
Real React1;
Real React2;
Real IFC;
Real UFC;
parameter Real p_H2 = 0.3; //pressure of hydrogen [atm]
parameter Real p_O2 = 1; //pressure of oxygen [atm]
parameter Real Nc = 47; //number of series cell
parameter Real R = 8.3143; //Gas constant [J/mol*K]
parameter Real F = 96487; //Faraday constant [C/mol]
parameter Real ke = 8.5e-4; //Constant [V/K]
parameter Real deltaG = - 237153.66; //Gibbs free energy per mole of reaction [J/mol]
parameter Real ne = 2; //number of electrons in reaction
parameter Real nu_0 = 26.5230; //[V]
parameter Real a = 8.9224e-2;
parameter Real I_limit = 75; // Fuel cell current limit [A]
parameter Real T=298;
parameter Real MH2=2.016e-3; //[Kg/mol] Molar mass of oxygen
equation
Pref_FC=i*u;
E0_cell_std = -deltaG/(ne*F);
E0_cell=E0_cell_std - ke*(T-298);
E_cell = E0_cell + (R*T/(2*F))*Modelica.Math.log(p_H2*p_O2^(0.5));
Estack = E_cell*Nc;
React0 = -1.0526;
React1 = (6.945e-11)*IFC^6 - (1.7272e-8)*IFC^5 + (1.7772e-6)*IFC^4 -
(9.8133e-5)*IFC^3 + (3.1430e-3)*IFC^2 - (3.5320e-2)*IFC;
React2 = (1.3899e-3)* (T - 298);
Vact=nu_0 - (T - 298)*a+(React0 + React1 + React2)*IFC;
Vohm = IFC*(1.7941-(2.3081e-2)*IFC-(2.0060e-3)*(T - 298));
Vconc = - (R*T/(ne*F))*Modelica.Math.log(1-(IFC/I_limit));
IFC=Pref_FC/UFC;
UFC = Estack - Vact - Vohm - Vconc;
fH2_FC=MH2*Nc*IFC/2/F;
end FuellCell;
3.3.5. Electrolizador
El modelo de electrolizador de la librera se basa en la caracterstica tension-corriente y la
expresion del flujo de hidrogeno consumido de las Ecuaciones (2.30)-(2.32):
model electrolyzer
extends Modelica.Electrical.Analog.Interfaces.OnePort;
parameter Real F = 96485; //[C mol^-1]
parameter Real Urev = 1.229; //[V]
parameter Real r1 = 7.331e-5;//[ohm m^2]
parameter Real r2 = -1.107e-7;//[ohm m^2 C-1]
parameter Real r3 = 0;
parameter Real s1 = 1.586e-1;//[V]
parameter Real s2 = 1.378e-3;//[V C-1]
parameter Real s3 = -1.606e-5;//[V C-2]
parameter Real t1 = 1.599e-2;//[m^2 A^-1]
parameter Real t2 = -1.302;//[m^2 A^-1 C-1]
parameter Real t3 = 4.213e2; //[m^2 A^-1 C-2]
parameter Real A = 0.25; //[m^2]
parameter Real nc = 21; //number of serial cells
parameter Real T = 40;
Real PotRef;
43
3.3. Librera Modelica de componentes de un HRES
Real fH2;
Real Ucell;
Modelica.Blocks.Interfaces.RealOutput y;
Modelica.Blocks.Interfaces.RealInput u1;
equation
y=fH2;
PotRef=u1;
PotRef=i*u;
Ucell = Urev + ((r1+r2*T)*(PotRef/(Ucell*nc))/A) +
(s1+s2*T+s3*T*T)*Modelica.Math.log10(((t1+t2/T+t3/T/T)*(PotRef/(Ucell*nc))/A)+1);
fH2 = PotRef / (Ucell*2*F);
end electrolyzer;
3.3.7. Batera
La batera es modelada por una fuente de tension controlada y una resistencia en serie tal
como se propone en Tremblay y Dessaint (2009). La tension de la misma es calculada a traves
de la ecuacion no lineal dependiente del estado de carga actual (2.12). Basado en (2.12) y la
ecuacion del estado de carga (SoCb ) (2.15) se construye el modelo de batera:
model Battery
extends Modelica.Electrical.Analog.Interfaces.OnePort;
parameter Real E0=12.6463;
parameter Real Q=0.65;
parameter Real A=0.66;
parameter Real B=2884.61;
parameter Real K=0.33;
parameter Real R=0.25;
parameter Real SoC0=90;
Real Qt;
Real SoC;
Real E;
Modelica.Blocks.Interfaces.RealOutput y;
44
3.3. Librera Modelica de componentes de un HRES
initial equation
Qt=(1-SoC0/100)*Q;
equation
der(Qt)=-i/3600;
E=E0-K*Q/(Q-Qt)+A*exp(-B*Qt);
u=E+R*i;
SoC=(1-Qt/Q)*100;
y=SoC;
end Battery;
45
3.3. Librera Modelica de componentes de un HRES
SoCbat
Electrolyzer
SoCMAX
SoCMAX
SoCmin
SoCmin
Fuel Cell
OFF ON
DC-DC Conv.
MPPT Algorithm
k=80
Variable resistor
capacito...
C=5e-3
offset=0
LoadTable
P.cons. P.ref.elect. FuellCell
H2 Tank
Energy management strategy Electrolizer
P.gen. SOC P.ref.FC Compressor
Battery
DC-DC Conv.
ground
Parameter Value
DC-DC converters
Inductor (L) 15e3 Hy
Switching frequency (fs ) 10 kHz
PV Panel
Electron charge (q) 1.6e-19 C
Constant of p-n junction characteristc (Ac ) 1.6
46
3.3. Librera Modelica de componentes de un HRES
Parameter Value
Boltzmann constant (K) 1.3805e-23 Nm/K
Short circuit coefficient (Kl ) 5.532e-3 A/K
Reverse saturation current (Ior ) 1.0647e-6 A
Reference temperature (Tref ) 303 K
Band-gap energy (Eg ) 1.1 V
Short circuit current (Isc ) 8.51 A
Intrinsic cell resistance (Rs ) 0.01
Reference temperature (Tref ) 303 K
Number of parallel strings (np ) 1
Number of serial cells per string (ns ) 60
PEM Fuel Cell - Nexa 1.2 kW
Pressure of hydrogen (pH2 ) 0.3 atm
Pressure of oxygen (pO2 ) 1 atm
Number of series cell (nf c ) 47
Gas constant (R) 8.3143 J/mol.K
Faraday constant 96487 C/mol
Fuel Cell constant 8,5e4 V/K
Reference potential (E0,cell0 ) 1.229 V
Number of electrons in reaction () 2
Constant 0 26.5230 V
Constant a 8.9224e-2
Activation equivalent resistance polynomial (Ract ) 1,0526 + 6,945e11 I 6 1,7272e8 I 5
+1,7772e6 I 4 9,8133e5 I 3
+3,1430e3 I 2 3,5320e2 I
+1,3899e3 (T 298)
Ohmic resistance constant (Rohm0 ) 1.7941
Ohmic current dependent resistance (Rohm1 ) 2,3081e2 I
Ohmic temperature dependent resistance (Rohm2 ) 2,0060e3 (T 298)
Fuel cell current limit (Ilimit ) 75 A
Number of cells in the stack (nf c ) 47
Electrolyzer
Reversible voltage (Vrev,ez ) 1.229 V
Parameter r1 7,331e5 m2
Parameter r2 1,107e7 m2 C 1
Parameter r3 0
Parameter s1 1,586e1 V
Parameter s2 1,378e3 V C 1
Parameter s3 1,606e5 V C 2
Parameter t1 1,599e2 m2 A1
Parameter t2 1,302 m2 A1 C 1
Parameter t3 4,213e2 m2 A1 C 2
Area of electrode (Aez ) 0.25 m2
Number of serial cells (nc ) 21
Pressurized tank
Volume (Vt ) 10 m3
Energy Storage System - Battery
Constant voltage (E0 ) 12.6463 V
Polarization voltage (K) 0.33 V
Nominal capacity (Q) 0.65 Ah
47
3.4. Resultados de simulacion
Parameter Value
Amplitude of exponential zone (A) 0.66 V
Inverse of exponential zone time constant (B) 2884.61 Ah1
Los modelos -Modelica resultantes fueron simulados usando los algoritmos DASSL,
DOPRI y LIQSS2 implementados en el solver QSS autonomo.
Se midieron los errores comparando las trayectorias de las diferentes simulaciones con
las trayectorias de referencia usando la formula:
v
uP 2
u
u iLbat [k] iLbat [k]
err = t P 2 (3.3)
iLbat [k]
Donde iLbat [k], que es la corriente por la inductancia del convertidor DC-DC que conecta
la batera al bus DC, fue la variable elegida para evaluar el error relativo. La referencia
iLbat [k] usada para calcular el error se obtuvo simulando los modelos usando DASSL con
una tolerancia relativa de 108 .
48
3.4. Resultados de simulacion
pin_p
Pref_Electr
pin_n
49
3.4. Resultados de simulacion
200
200
400
600
0 500 1000 1500 2000 2500 3000
Time [sec]
85
SOC
70
ON
Battery SOC
65
60
55 OFF
50
45
F.Cell.hist.
40
35
0 500 1000 1500 2000 2500 3000
Time [sec.]
convertidores DC-DC.
La Figura 3.12 muestra la trayectoria de la corriente iL (t) de la inductancia de uno de
los convertidores DC-DC que interconecta un panel fotovoltaico con el bus DC. La figura
muestra que el convertidor opera en conduccion discontinua (la corriente iL = 0) durante las
evoluciones transitorias.
Si bien se pueden obtener trayectorias similares a las de las Figuras 3.9 y 3.10 con los
modelos promediados mas simples, el detalle del ripple que puede observarse en las Figuras 3.11
50
3.4. Resultados de simulacion
65 56.55
56
51 56.35
983.8 983.85 983.9 983.95 983.855 983.856 983.857 983.858
Time [sec.] Time [sec.]
55
50
0 500 1000 1500 2000 2500 3000
Time [sec.]
4
0.3
3 0.25
iL [A]
0.2
2 0.15
0.1
1 0.05
0
0 0.05
0 0.5 1 1.5 2 2.5 3
3
x 10
1
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
Time [sec.]
y 3.12 requieren el uso de modelos realistas como los que se usan en esta nueva librera.
En cuanto al rendimiento de la simulacion, en la Tabla 3.2 se compara el tiempo de la CPU
y el numero de evaluaciones de la funcion escalar (es decir, el numero de veces que se invoca
por el solver cada componente del lado derecho de la ecuacion (3.1)) realizadas por DOPRI y
LIQSS2 para diferentes ajustes de tolerancia. Los resultados de DASSL no se informan porque
son mas de 10 veces mas lentos que LIQSS2 (en esta simulacion, el sistema no es muy rgido
y el uso de un solver implcito como DASSL no es realmente necesario).
Se puede ver que ambos metodos cumplen los requisitos de exactitud, aunque los errores
de DOPRI son mucho mas bajos de lo requerido. Esto puede explicarse por el hecho de que el
51
3.4. Resultados de simulacion
tamano del paso es acortado por la presencia de discontinuidades, produciendo un error muy
pequeno.
Para una tolerancia de error relativa tpica de 103 , LIQSS2 es aproximadamente 3 veces
mas rapido que DOPRI. Luego, para ajustes de tolerancia mas estrictos, esta ventaja tiende
a desaparecer. Esto se debe a que LIQSS tiene una exactitud de segundo orden, mientras que
DOPRI es de quinto. Por lo tanto, obtener una mayor precision requiere mucho mas pasos en
LIQSS2.
52
3.5. Conclusiones del captulo
DASSL
err.tol.=104 9,5 104 3,34 1011 3050,0
que el coste de DASSL crece aproximadamente de forma cubica. Por consiguiente, el LIQSS2
con 8 paneles resulta 65 veces mas rapido que DASSL.
5
10
DASSL
LIQSS
CPU Time [sec.]
4
10
3
10
2
10
2 3 4 5 6 7 8
Number of PV
53
3.5. Conclusiones del captulo
ejemplo, son alrededor de 30 veces mas lentas que el tiempo real. Por lo tanto, simular una
hora de evolucion del sistema toma mas de un da entero.
Para superar este problema, se hizo uso de un nuevo compilador que traduce automati-
camente estos modelos de Modelica al lenguaje -Modelica para que puedan ser simulados
usando el solver QSS autonomo. Siguiendo este enfoque, el algoritmo LIQSS2 simula los sis-
temas alcanzando un rendimiento casi en tiempo real, mejorando la velocidad de los solvers
clasicos en mas de un orden de magnitud para casos rgidos realistas.
Con el fin de estudiar el comportamiento de los solvers cuando el sistema se vuelve mas
grande y mas complejo, se modificaron los modelos anadiendo mas paneles fotovoltaicos. El
estudio mostro que la carga computacional con DASSL crece casi cubicamente con el tamano
del problema mientras que LIQSS2 exhibe un crecimiento lineal. De esta manera, con 8 modulos
fotovoltaicos LIQSS2 es aproximadamente 65 veces mas rapido que DASSL.
El tratamiento eficiente de las discontinuidades y la resolucion explcita de la rigidez son
las principales razones que explican las ventajas de LIQSS2 sobre los solvers clasicos de ODE.
Teniendo en cuenta estas observaciones, las conclusiones de este trabajo pueden resumirse de
la siguiente manera:
El lenguaje Modelica permite modelar con facilidad sistemas HRES complejos y realistas.
El solver QSS exhibe considerables ventajas sobre los solvers clasicos para simular estos
sistemas.
El uso combinado del compilador de ModelicaCC y del solver QSS autonomo permite
simular estos modelos HRES realistas en tiempos razonables.
3.5.1. Herramientas
Los modelos utilizados pueden ser descargados de:
http://www.fceia.unr.edu.ar/~kofman/files/hres.mo.
El proyecto de codigo abierto del solver QSS autonomo se encuentra disponible en:
https://sourceforge.net/projects/qssengine/.
54
CAPTULO 4
4.1. Introduccion
Se ha demostrado que incluso pequenos niveles de concentracion de CO en el flujo de H2
que alimenta la pila PEM, pueden conducir a una degradacion significativa del rendimiento
y eventualmente a oscilaciones espontaneas en la tension de las celdas debido al envenena-
miento del catalizador del anodo (Farrell et al., 2007). Por lo tanto, una medicion en lnea del
mismo resulta esencial a la hora del diseno de una estrategia de control que permita abordar
esta problematica, como as tambien por razones de seguridad debido a la alta toxicidad del
CO. Existen muchos sensores de CO comerciales (AS-MLC, 2014; Sensepoint Plus, 2014),
sin embargo, ninguno de ellos es capaz de satisfacer los requisitos de un sistema basado en
pilas tipo PEM. Graves deficiencias como las sensibilidades cruzadas, la inestabilidad en altas
concentraciones de hidrogeno, el alto costo, los rangos de temperatura limitados o los tiempos
de respuesta lentos los hacen inviables.
En este marco, los sensores virtuales (SS, por sus siglas en ingles: Soft Sensor ) represen-
tan una posible alternativa para la medicion en lnea (mediante hardware) de variables del
proceso que solo se pueden determinar mediante analisis fuera de lnea o de laboratorio. Se
ha demostrado que las redes neuronales artificiales (ANN, por sus siglas en ingles: Artificial
Neural Network) son una posible opcion de modelado para tratar con sistemas no lineales y
para operacion en tiempo real (Rallo et al., 2002). Por lo tanto, a partir de esta metodologa
se desarrollan dos sensores virtuales para la estimacion de la concentracion de CO en el flujo
de H2 de diferentes etapas de la planta. El primero es usado en la estimacion de la relacion
oxgenomonoxido de carbono (O2 /CO) a la entrada del reactor de oxidacion (CO-PrOx),
55
4.1. Introduccion
ya que resulta crtica para mantener una buena performance. El segundo esta orientado a
monitorear los trazo de CO que puedan aparecer en el flujo de alimentacion de la pila PEM.
Una vez desarrollados los SS, y teniendo la posibilidad de estimar las concentraciones
de CO en el flujo de H2 producido por la BPS, resulta esencial una correcta definicion de
la estructura de control. La misma debera mantener al sistema en su punto de operacion
deseado rechazando perturbaciones y asegurar la calidad del hidrogeno producido, donde una
pila PEM requiere una concentracion de CO menor a 10 ppm. En Degliuomini et al. (2012b)
se propone una estructura de control descentralizada con seis lazos PI, basada en la estrategia
generalizada de control de plantas completas descritas en Luppi et al. (2013); Molina et al.
(2009); Zumoffen y Basualdo (2009); Molina et al. (2011). Con la estrategia descentralizada,
todos lo lazos de control presentan un comportamiento dinamico aceptable. Si bien el valor en
estado estacionario de la concentracion de CO se asegura en los niveles requeridos (<10ppm),
no se aborda el comportamiento en su estado transitorio. Analizando esta respuesta con los SS
desarrollados, se puede ver que existen periodos de tiempo donde la concentracion de CO supera
ampliamente los valores de seguridad requeridos, afectando de esta manera la vida util de la
pila. En la segunda parte de este captulo se abordara esta problematica y se propondran dos
estrategias MPC para reemplazar solo los lazos crticos con el objetivo de mejorar la respuesta
dinamica del sistema y asegurar los requerimientos de calidad de H2 necesarios. Basados en
el estudio de la matriz de ganancias relativas (RGA, por sus siglas en ingles: Relative Gain
Array ), se identifican los lazos mas interactivos de la planta y se estudian para su reemplazo
dos estrategias de control avanzando: un control predictivo lineal basado en modelos (LMPC,
por sus siglas en ingles: Linear Model Predictive Control) y un control predictivo funcional
(PFC, por sus siglas en ingles: Predictive Functional Control).
El modelo de la planta de reformado integrada con la pila PEM es el presentado en la
Seccion 2.4.8 y desarrollado en Degliuomini et al. (2012a). Un esquema simplificado se muestra
en la Figura 4.1.
COPrOx
PEM-FC
Burner
El conjunto BPS + pila PEM se integra a un vehculo hbrido y se define una estrategia
de gestion de energa, tal como se detalla en Degliuomini et al. (2012b). Para la evaluacion
de la performance se utiliza el ciclo de manejo estandar urbano UDDS (Urban Dynamometer
Driving Schedule), cuyo perfil de velocidad es el de la Figura 4.2(a). Este perfil de velocidad
del vehculo se traduce en un perfil de corriente requerido a la pila PEM segun la Figura 4.2(b).
Este captulo esta organizado de la siguiente manera: en la Seccion 4.2 se presentan los
conceptos basicos referidos a sensores virtuales, la descripcion de la metodologa de diseno uti-
lizada y la parametrizacion de los SS propuestos. En la Seccion 4.3 se enumeran los principales
objetivos de control del sistema. Ademas, se proponen dos estrategias de control avanzado para
mantener los niveles de CO dentro del rango deseado. En la Seccion 4.4 se presentan los re-
sultados de simulacion del sistema BPS+PEM aplicando las estrategias de control propuestas.
56
4.2. Sensores virtuales
260
200
60
50 180
Speed (mph)
40
160
30
140
20
10 120
0
0 200 400 600 800 1000 1200 1400 100
Time (sec) 0 200 400 600 800 1000 1200 1400
Time [sec]
Figura 6.4: Perfil de velocidades del UDDS (Urban Dynamometer Driving Schedule)
(a) (b)
energaFigura 4.2:
que otorga Perfil
la FCS caractersticos:
agregandole (a) desde
energa a la carga velocidad
el sistemade
de ciclo
almace-UDDS, (b) Corriente requerida a la pila
namiento.
PEM Esta energa fue previamente cargada desde la celda o regenerada desde la
carga, por ejemplo por medio de frenado regenerativo en aplicaciones moviles.
P P (k) P (6.14)
4.2. Sensores virtuales
donde N es el total de muestras de entrenamiento, ti son las muestras objetivo y ai las salidas
de red, es la relacion de rendimiento y wj son las ponderaciones. Con esta modificacion en la
funcion de rendimiento, la respuesta de la red se ve obligada a ser mas suave, y el sobreajuste
es menos probable. El valor de se ajusta por ensayo y error.
Una de las decisiones mas crticas en el proceso de diseno de una red neuronal feedforward
es elegir el numero de capas ocultas y el numero de neuronas en cada una de ellas. Desafor-
tunadamente no existe un metodo universal para determinar la topologa optima de la red.
Una posibilidad puede ser entrenar diferentes topologas y seleccionar la que tenga el mejor
rendimiento de validacion. La validacion es el proceso donde las redes son probadas para juzgar
su desempeno y para determinar si los resultados predichos confirman los resultados reales.
Normalmente, a fin de realizar la comparacion, se calcula un ndice de rendimiento a partir de
las variables reales y predichas. Los mas utilizados en la literatura son el error relativo medio
(MRE, por sus siglas en ingles: Medium Relative Error ), el error cuadratico medio (RMSE, por
sus siglas en inges: Relative Medium Square Error ) y el coeficiente FIT:
N
1 X |yi yi |
MRE = , (4.2)
N |yi |
i=1
v
u N
u1 X
RMSE = t (yi yi )2 , (4.3)
N
i=1
kyi yi k
FIT = 1 x100 %, (4.4)
kyi yk
donde yi son los valores predichos de la salida, yi son los valores actuales, y y es el valor medio
de los yi .
58
4.2. Sensores virtuales
230
220
210
190
180
170
160
150
140
0 20 40 60 80 100
Time [sec]
Luego, las mediciones mas representativas para cada variable predicha se utilizan como
entradas de las ANNs. Las Tablas 4.1 y 4.2 indican las variables de entrada y la predicha para
el sensor virtual 1 (SS1) y el sensor virtual 2 (SS2). Para fines de validacion se utiliza el perfil
de perturbacion de la Figura 4.2(b). Para el diseno, entrenamiento y validacion de las ANNs,
se utiliza el toolbox de redes neuronales de Matlab.
Sensor virtual 1
El sensor virtual 1 se encarga de la prediccion de la concentracion de CO a la entrada
del CO-PrOx, donde se eligen la temperatura y flujo de salida del LTS como las variables de
entrada. Los correspondientes perfiles de entrenamiento se muestran en las Figuras 4.4 y 4.5.
Los datos son preprocesados como se indica en la Seccion 4.2.1, y los parametros de diseno
se muestran en la Tabla 4.3. Luego, se estudia el rendimiento de una topologa con una unica
capa oculta, y se vara el numero de neuronas en ella. Las diferentes topologas resultantes de
variar el numero de neuronas de n = 1 a n = 15 son validadas y se calcula el ndice MRE.
Este es un criterio relativo, por lo que el error esta igualmente ponderado en todo el rango
59
4.2. Sensores virtuales
510 0.16
500 0.15
490 0.14
480 0.13
470 0.12
460 0.11
450 0.1
440 0.09
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Time [sec] Time [sec]
(a) Entrada 1 - y7 : Temperatura de salida del LTS (b) Entrada 2 - u9 : Flujo de salida del LTS
2000
1500
1000
500
0
10 20 30 40 50 60 70 80 90 100
Time [sec]
de la variable predicha. Como puede verse en la Figura 4.6, se obtiene el mejor resultado para
una red con 2 neuronas en la capa oculta, resultando un valor MRE de 0,010524 y un FIT de
96,359 %. En la Figura 4.7 se muestra la respuesta dinamica. En el detalle de la Figura 4.7(b),
se observa un error en estado estacionario de alrededor de 10 ppm, lo que resulta un rendimiento
aceptable.
Sensor virtual 2
El sensor virtual 2 predice la concentracion de CO a la salida del CO-PrOx. Cuatro variables
se seleccionan como entradas de la red: Concentracion de CO a la entrada del CO-PrOx (yb9 ),
flujo de salida del LTS (u9 ), temperatura de salida del CO-PrOx (y8 ), relacion molar O2 /CO
(y9 ). Los perfiles de entrenamiento se muestran en la Figura 4.8 y 4.9. La misma arquitectura
de red, algoritmo de entrenamiento y funcion de rendimiento usada en SS1 se aplican aqu.
Los parametros de diseno se muestran en la Tabla 4.4.
En este caso, con la topologa de una unica capa oculta no se obtuvieron resultados acep-
tables, por lo que se agrego una capa adicional. Debido a que la variable de salida solo puede
asumir valores positivos, se propone una funcion de transferencia lineal con una saturacion en
cero para la segunda capa, en lugar de una funcion sigmoide clasica.
Dado que este sensor se propone principalmente para fines de monitoreo, el principal ob-
60
4.2. Sensores virtuales
61
4.3. Estrategias de control
0.03
0.028
0.026
0.024
0.022
MRE
0.02
0.018
0.016
0.014
0.012
0.01
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Neurons in hidden Layer
Figura 4.6: SS1 - Mejor valor de MRE vs. numero de neuronas en la capa oculta
1500 1135
1130
COPrOx CO inlet concentration [ppm]
COPrOx CO inlet concentration [ppm]
1125
1000
1120
1115
500
1110
1105
Actual Actual
Predicted Predicted
0 1100
0 200 400 600 800 1000 1200 1400 200 220 240 260 280 300 320 340
Time [sec] Time [sec]
jetivo es detectar trazas de concentracion de CO por encima de 10 ppm. Por lo tanto, los
criterios de validacion deben asegurar un buen rendimiento en la parte inferior del rango. El
numero de neuronas en la capa oculta 1 (n1 ) y la capa oculta 2 (n2 ) se vara de 1 a 15 y la
seleccion se realiza mediante el ndice de valores absolutos RMSE, evaluado solo por debajo
de un umbral de 100 ppm. Las topologas con mejores resultados se listan en la tabla 4.5. La
red con n1 = 1 y n2 = 15 tiene el menor valor RMSE, sin embargo una red con 3 neuronas
en la segunda capa alcanza valores muy similares. Como se ha dicho en la seccion 4.2.1, el
sobreajuste es un problema recurrente en el entrenamiento de ANN, por lo que se selecciona la
red con menor numero de neuronas (n1 = 1, n2 = 3). La red presenta un valor RMSE de 3,477
ppm por debajo de 100 ppm y un FIT de 71,25 % calculado sobre todo el intervalo. El perfil de
prediccion se muestra en la Figura 4.10. Se observa un buen comportamiento general, donde
la mayora de los picos por encima de 10 ppm son detectados. Solo una pequena cantidad no
son detectados, tal como se muestra en el detalle de la Figura 4.10(b).
62
4.3. Estrategias de control
2500 0.16
0.15
COPrOx CO inlet concentration [ppm]
2000
0.14
0.12
1000
0.11
500
0.1
0 0.09
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Time [sec] Time [sec]
(a) Input 1 - yb9 : Concentracion de CO a la entrada (b) Input 2 - u9 : Flujo de salida del LTS
del CO-PrOx
510 590
500 580
COPrOx exit temperature [K]
570
490
Molar ratio O2/CO
560
480
550
470
540
460
530
450 520
440 510
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Time [sec] Time [sec]
(c) Input 3 - y8 : Temperatura de salida del CO-PrOx (d) Input 4 - y9 : Relacion molar O2 /CO
10000
5000
0
10 20 30 40 50 60 70 80 90 100
Time [sec]
Figura 4.9: Datos de entrenamientos para SS2 - Perfil de la variables de salida (y11 )
se proponen dos estrategias de control avanzado para mantener los niveles de CO dentro
del rango deseado y para mejorar el comportamiento dinamico general. Para la validacion se
utiliza el perfil de requerimiento de corriente de la pila presentado en la Figura 4.2(b), ya que
constituye un gran desafo para las estructuras de control.
63
4.3. Estrategias de control
40
2500 Actual
Actual Predicted
Predicted 35
2000
30
25
1500
20
1000 15
10
500
5
0 0
0 200 400 600 800 1000 1200 1400 960 965 970 975
Time [seg] Time [seg]
Figura 4.10: SS2 - Prediccion para red neuronal con 2 capas ocultas
64
4.3. Estrategias de control
y9 -u1 ; 2) y1 -u2 ; 3) y3 -u3 ; 4) y10 -u4 ; 5) y8 -u5 y 6) y13 -u6 . Estos se implementan a traves
de controladores SISO PI convencionales y son ajustados segun la estrategia de control por
modelos internos (IMC, por sus siglas en ingles: Internal Model Control). Una descripcion
detallada de la metodologa y el proceso de ajuste con los valores correspondientes, puede
verse en Nieto Degliuomini et al. (2012); Rivera (2007). La estructura de control resultante se
muestra en la Figura 4.3.1.
Se logra un buen comportamiento dinamico con la poltica propuesta. Sin embargo, a traves
de la implementacion del sensor virtual 2, pueden observarse grandes valores transitorios en la
concentracion de CO a la salida del CO-PrOx (y11 ).
65
4.3. Estrategias de control
SV-1 SV-2
RIC COI COI
NN NN
IT
Loop 1
PEM-FC
Loop 2 FT Loop 5
Water TIC TIC
Burner
Heat FIC
exchangers
RC
Main Loop
66
4.3. Estrategias de control
Pueden lidiar con dinamicas difciles de manejar como largos tiempos muertos o respues-
tas inversas.
Se pueden integrar con estrategias de optimizacion en lnea, que permiten beneficios del
tipo economico y optimizacion del proceso.
Pueden ser facilmente actualizadas las variaciones que pueda haber en las condiciones
del proceso, restricciones y criterios de rendimiento.
Sin embargo, tambien presentan desventajas con respecto a estrategias de control convencio-
nales:
El desarrollo de los modelos dinamicos requieren de disponer del tiempo y las posibilidades
de realizarlo en los procesos industriales.
67
4.3. Estrategias de control
Tabla 4.8: Punto de operacion de la planta para identificacion del modelo interno
Variable Descripcion Punto nominal
d2 Corriente de la pila [A] 200.00
u1 Entrada de agua al ESR [mol/s] 0.06001
u5 Oxgeno al CO-PrOx [mol/s] 0.00143
y8 Temperatura salida CO-PrOx [K] 530.00
y9 Relacion molar O2 /CO 2.00
3
x 10
0.0606 1.375
0.0604 1.37
0.0602 1.365
Flow [mol/s]
Flow [mol/s]
0.06 1.36
0.0598 1.355
0.0596 1.35
0.0594 1.345
0.0592
20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 140 160 180 200
Time [sec] Time [sec]
donde ut = [u, d]T es el vector de variables de entrada, con el vector de variables manipuladas
u y de perturbaciones medidas d. x es el vector de las variables de estado e y el vector
de salidas (Morari y Lee, 1999). El modelo definido por ut = [u1 , u5 , d2 ]T y y = [y8 , y9 ]T
es identificado alrededor del punto de operacion mostrado en la Tabla 4.8. Las entradas son
excitadas simultaneamente con escalones de valor aleatorio alrededor de su valor nominal.
Luego, adoptando un tiempo de muestro de Ts = 0, 05 segundos, se recolectan 4000 muestras.
Los valores son normalizados con media cero y varianza unitaria. Luego, a traves del metodo
de identificacion n4sid implementado en el Toolbox de identificacion de Matlab se obtiene un
modelo de orden 10. Los datos de la identificacion del modelo se muestran en las Figuras 4.13
y 4.14, mientras que los resultados se detallan en la Figura 4.15.
Obtenido el modelo interno, el vector de futuros movimientos de control u(k) es la solucion
al problema de optimizacion cuadratico:
P
X M
X
mn J = e(k + i)t Qe(k + i) + u(k + i)t Su(k + i)
u(k)
i=1 i=1
(4.6)
t
+u(k + i 1) Ru(k + i 1)
sujeto a
68
4.3. Estrategias de control
203
202
200
199
198
197
20 40 60 80 100 120 140 160 180 200
Time [sec]
Real Real
531
Model 2.2 Model
530 2.15
COPrOx Temperature [K]
2.1
529
Molar ratio O2/CO
2.05
528 2
1.95
527
1.9
526 1.85
1.8
525
1.75
524 1.7
20 40 60 80 100 120 140 160 180 200 20 40 60 80 100 120 140 160 180 200
Time [sec] Time [sec]
(a) Salida del modelo: Temperatura de salida del (b) Salida del modelo: Relacion molar O2 /CO (y9 ) -
CO-PrOx (y8 ) - FIT = 77.04 % FIT = 87.54 %
69
4.3. Estrategias de control
DV1 SV-1
MV1 CV1 RT COI
NN SV-2
LMPC TT
MV2 CV2 COI
NN
IT
PEM-FC
Loop 2
Water TIC
Burner
Heat FIC
exchangers
RC
Main Loop
70
Testeo Del Control Predictivo Funcional Para Regular Los Niveles De
Glicemia En Pacientes Diabticos Tipo I In Silico
4.3. Estrategias de control
estos modelos:
Kmi emi s
Gmi = , (4.11)
1 + Tmi s
Kdi edi s
Gdi = . (4.12)
1 + Tdi s
Aplicando la transformada Z:
(
(1m )
Gmi (z) = Kmi (z m)
,
(4.13)
m = exp(Ts /Tmi ).
(
(1d )
Gdi (z) = Kdi (z d) (4.14)
d = exp(Ts /Tdi )
En forma canonica:
y(k + 1) = m xmi (k) + d xmd (k) + Kmi (1 m )u(k) + Kdi (1 d )d(k),
(4.15)
ym (k) = xm (k).
H1
X
H
y(n + H) = m xmi (n) + dH xmd (n) + H1j
m Kmi (1 m )u(j + n) + . . .
j=0
(4.16)
H1
X
+ dH1j Kdi (1 d )d(j + n).
j=0
ym (n + H) = yF (n + H) + yL (n + H), (4.17)
H
ym (n + H) = m ymi (n) + dH ymd (n) + Kmi (1 m
H
)u(n) + Kdi (1 dH )d(n). (4.18)
Luego la ecuacion del control se obtiene siguiendo los pasos:
(n + H) = (n)H , (4.19)
3Ts
=e CLT R , (4.20)
donde CLTR es el tiempo de respuesta a lazo cerrado (Closed Loop Time Response).
La trayectoria de referencia, la cual es el camino hacia el setpoint futuro, es reseteada en
cada instante de muestreo y esta dada por:
72
4.3. Estrategias de control
donde C(n) es el setpoint, yp (n) la salida real del proceso y es un parametro que representa
la convergencia exponencial del algoritmo, y as fija el comportamiento a lazo cerrado. Ts es
el tiempo de muestreo.
H y (n),
m mi
H Respuesta libre (4.22)
d ymd (n).
H )u(n),
Kmi (1 m
Respuesta forzada (4.23)
Kdi (1 dH )d(n).
Para un setpoint (C(n)) de tipo escalon:
(n) = C(n) yp (n)
(4.24)
(n + H) = C(n) yr (n + H)
(C(n) yp (n))(1 H ) = m
H
ymi (n) + dH ymd (n) + +Kmi (1 m H
)u(n) + . . .
H
+ Kdi (1 d )d(n) ym (n) (4.28)
El algoritmo de control es dado por:
U (z) K0 (z m )
= (4.36)
(z) (z 1)
Como puede verse de la Ecuacion 4.36 la funcion de transferencia del controlador tiene un
integrador implcito el cual garantiza error de seguimiento cero para entradas de tipo escalon.
La respuesta forzada se calcula asumiendo que la entrada al sistema esta relacionada a
funciones base como las mostradas en la Figura 4.18(a). Tpicamente, estas funciones son
73
4.3. Estrategias de control
Nb
X
u(n + i) = K (n)U BK (i). (4.37)
K=1
Para un sistema con retraso, el error entre los datos reales del sistema y las predicciones del
modelo en el instante (n Tdm ) deben ser estimadas como puede verse en la Figura 4.18(b).
Tdm es el tiempo muerto, por lo tanto la salida prevista de la planta es dada por:
Los parametros de ajuste del PFC son los siguientes: numero de puntos de coincidencia
(H), tiempo de respuesta a lazo cerrado CLTR (Closed Loop Time Response) de la trayectoria
de referencia, la zona de control considerada de modo que el CLTR se mueva linealmente
entre dos valores extremos reconocidos como CLT R L (low) y CLT R H (high), la zona de
transicion [ %] que fija la zona permitida para la variable controlada expresada como [ %]
con respecto al valor de setpoint y restricciones en la variable manipulada tambien son incluidas
fijando un maximo (Umax ), un mnimo (Umin ) y variaciones para la misma [(dU/dt)max ]. Para
un analisis mas profundo de la tecnica PFC as como para ver diversas aplicaciones de la misma
se remite al lector a Richalet y ODonovan (2009).
Como mencionamos anteriormente, el lazo 5 es el de mayor influencia sobre la concentracion
de CO a la salida del CO-PrOx. Por lo tanto se implementa un control PFC sobre el mismo en
reemplazo del control PI. La estructura de control resultante se muestra en la Figura 4.19. La
identificacion de la funcion transferencia de primer orden se utiliza el toolbox de Identificacion
de Sistemas de Matlab. El ajuste del control PFC se muestra en la Tabla 4.10.
74
4.4. Validacion de estrategias de control
PEM-FC
Loop 2 FT TT
Water TIC
Loop 5
Burner
Heat FIC
exchangers
RC
Main Loop
75
4.4. Validacion de estrategias de control
538
536
534 LMPC
533
532 532
531
530
530
528 529
528
526
527
524 526
0 200 400 600 800 1000 1200 1400 350 400 450 500
Time [sec] Time [sec]
(a) Temperatura de salida del CO-PrOx (y8 ) (b) Temperatura de salida del CO-PrOx (y8 ): Detalle
3.2
3
3 Set Point
Desc PI 2.8
2.8 PFC
LMPC
2.6
2.6
Molar ratio O2/CO
Molar ratio O2/CO
2.4
2.4
2.2 2.2
2 2
1.8 1.8
1.6 1.6
1.4 1.4
0 200 400 600 800 1000 1200 1400 350 400 450 500
Time [sec] Time [sec]
(c) Relacion molar O2 /CO (y9 ) (d) Relacion molar O2 /CO (y9 ): Detalle
Figura 4.20: Respuesta dinamica de las variables controladas (CVs) frente a las estructuras de
control propuestas
lazos reemplazados (lazo 1 y 5), se muestran en la Figura 4.23. En la Figura 4.22 vemos la
respuesta de la concentracion de CO a la salida CO-PrOx (y11 ).
Los resultados de simulacion de y8 se muestran en la Figura 4.20(a). Como puede verse,
la estructura de LMPC presenta la mejor respuesta dinamica, con sobrevalores de 2, 5 K,
mientras que el control PFC y PI-IMC presentan 5 K y 6, 3 K respectivamente. Esta
mejora tambien puede verse en los valores que toman los ndice de rendimiento mostrados en
la Tabla 4.11, donde el PFC presenta un EIP de 0,59 % con respecto a PI-IMC, mientras que
el LMPC muestra un EIP de 44,21 %.
En la Figura 4.20(c) se muestran las respuestas de y9 . Esta variable muestra una de las
mejoras mas significativas cuando se incorporan las estrategias de control propuestas frente al
PI-IMC. Se obtiene una reduccion en los sobrevalores del orden del 95 % con ambos controles
predictivos. El PI-IMC presenta sobrevalores por encima del set-point de 1,2 mientras que con
el PFC solo llegan a 0,05 o a 0,03 en el caso del LMPC. En el caso de picos en la respuesta
por debajo del punto de operacion, el PI-IMC muestra valores de 0,6 mientras que el PFC 0,1
y el LMPC 0,03. Esta es una cuestion muy importante, ya que una reduccion significativa en
la relacion O2 /CO produce un incremento en la concentracion CO a la salida del CO-PrOx.
Para esta variable, los valores del ndice IAE para el PFC muestran una reduccion del 94,86 %
(EIP) con respecto al PI-IMC, mientras que la estrategia LMPC presenta una reduccion del
76
4.4. Validacion de estrategias de control
1331.6
1331.3
942.8 1331.2
1331.1
942.7
1331
942.6 1330.9
1330.8
942.5
1330.7
942.4 1330.6
0 200 400 600 800 1000 1200 1400 0 200 400 600 800 1000 1200 1400
Time [sec] Time [sec]
(a) Temperatura de salida ESR (y1 ) (b) Temperatura salida Burner (y3 )
0.55 4.2
4.1
0.5
4
Burner exit molar flow [mole/s]
0.4 3.8
3.7
0.35
3.6
0.3
3.5
0.25
3.4
0.2 3.3
0 200 400 600 800 1000 1200 1400 0 200 400 600 800 1000 1200 1400
Time [sec] Time [sec]
Figura 4.21: Respuesta dinamica de las variables controladas (CVs) con lazos PI
50
2500
45
COPrOx CO outlet concentration [ppm]
Desc PI
COPrOx CO outlet concentration [ppm]
40
2000 PFC
LMPC
35
1500
30
25
1000 20
15
500 10
0 0
0 200 400 600 800 1000 1200 1400 200 400 600 800 1000 1200 1400
Time [sec] Time [sec]
(a) Concentracion de CO salida CO-PrOx (y11 ) (b) Concentracion de CO salida CO-PrOx: Detalle
debajo de 50 ppm
Figura 4.22: Respuesta dinamica de y11 frente a las estructuras de control propuestas
97,17 %. El resto de las variables controladas permanecen sin cambios como se puede ver en
la Figura 4.21 y de los valores EIP correspondientes.
77
4.4. Validacion de estrategias de control
0.08 0.08
0.075
0.075
0.07
0.065 0.07
0.06
0.065
0.055
0.06
0.05
0.045 0.055
0.04 Desc PI
PFC 0.05
0.035 LMPC
0.03 0.045
0 200 400 600 800 1000 1200 1400 350 400 450 500
Time [sec] Time [sec]
(a) Flujo de entrada de agua al ESR (u1 ) (b) Flujo de entrada de agua al ESR: Detalle
3 3
x 10 x 10
2.2 2.2
2
Oxygen to COPrOx flow [mole/s]
Oxygen to COPrOx flow [mole/s]
2
1.8
1.8
1.6
1.4 1.6
1.2
1.4
1
1.2
0.8 Desc PI
PFC 1
0.6 LMPC
0.4 0.8
0 200 400 600 800 1000 1200 1400 350 400 450 500
Time [sec] Time [sec]
(c) Flujo de oxgeno al CO-PrOx (u5 ) (d) Flujo de oxgeno al CO-PrOx: Detalle
Tabla 4.11: Valuacion de ndices de rendimiento para las CVs con el perfil de perturbacion
UDDS
PI-IMC LMPC PFC
CV Descripcion IAE IAE EIPP I [ %] IAE EIPP I [ %]
y1 Temperatura de salida ESR 1999.3 2034.7 -1.769 2050 -2.537
y3 Temperatura salida Burner 3665.7 3740.8 -2.0475 3805.1 -3.8037
y8 Temperatura de salida del CO-PrOx 32425 18088 44.216 32232 0.5964
y9 Relacion molar O2 /CO 7967 225.48 97.17 409.47 94.86
y10 Flujo de salida Burner 22.241 21.148 4.915 21.302 4.2229
y11 Concentracion de CO salida CO-PrOx 1.847x106 1.6911x104 99.085 2.3902x104 98.706
y12 Potencia neta 240.86x106 240.86x106 0 240.86x106 0
y13 Exceso de oxgeno 509.64 509.64 0 509.64 0
y19 Flujo de H2 producido 4.5986x103 4.6574x103 -1.2776 4.7387x103 -3.0465
La Tabla 4.12 muestra los valores de la energa de control de las variables manipuladas para
cada estrategia de control. Estos son una medida de los costos operativos. Como puede verse,
no hay diferencias significativas entre las estructuras. Si se analizan los valores de u1 , se puede
observar un incremento en la energa de control con respecto al PI-IMC de 0,84 % en el caso de
LMPC y 0,91 % con el PFC. A su vez, se observan pequenas diferencias en el comportamiento
dinamico de las variables manipuladas u1 y u5 mostradas en las Figuras 4.23(b) y 4.23(d), sin
embargo resultan suficientes para producir las mejoras senaladas anteriormente.
78
4.5. Conclusiones del captulo
Las estrategias LMPC y PFC generan movimientos de control mas agresivos que el PI-IMC,
principalmente porque pueden predecir la influencia de la perturbacion medida en la variable
controlada y calcular la variable manipulada en consecuencia. Por el contrario, el control PI
clasico recien comienza a actuar una vez producido el efecto sobre la salida. La posibilidad del
manejo de interacciones del enfoque LMPC proporciona mejoras con respecto al PFC, aunque
no resultan realmente significativas.
Estas importantes mejoras en el comportamiento dinamico de las variables mas significa-
tivas del reactor CO-PrOx dan como resultado un importante avance en la respuesta de la
concentracion de CO a su salida. En la Figura 4.22 se puede ver una concentracion de CO que
satisface el requisito de calidad PEM (< 10ppm) con ambos enfoques MPC en casi todo el
rango probado, excepto para algunos sobrevalores de solo 20ppm y muy corta duracion para
la estrategia PFC. En el caso del PI-IMC aparecen sobrevalores que alcanzan los 2200 ppm
durante 30 segundos y que deben tenerse en cuenta para preservar el rendimiento de la pila.
Finalmente, otra cuestion importante a analizar es la posible influencia en la eficiencia
del sistema. La misma se encuentra directamente relacionada por la potencia neta (y12 ) e
inversamente por el consumo de etanol (u1 , u11 ). Estas variables no se ven afectadas por la
incorporacion de las estructuras de control predictivo propuestas, por lo que la eficiencia no
parece verse afectada.
79
4.5. Conclusiones del captulo
80
CAPTULO 5
Este captulo presenta una estrategia de gestion de energa para operar un sistema de
energa hbrido con fuentes renovables (eolica y solar), bateras y pilas de combustible tipo
PEM. Las pilas de combustible se alimentan con hidrogeno a partir del reformado de bioetanol.
La estrategia de gestion de energa utiliza el concepto de horizonte deslizante junto a las
predicciones de la generacion a futuro de las fuentes renovables, la carga demandada y el
estado de carga en el banco de bateras. Se realizan varias pruebas para analizar el desempeno
de la metodologa propuesta. Los resultados, comparados con el caso sin predicciones, muestran
una reduccion en la probabilidad de perdida de suministro de energa de hasta el 88 %.
5.1. Introduccion
Las fuentes de energa renovables tienen una gran cantidad de ventajas, incluyendo susten-
tabilidad, bajas emisiones y beneficios economicos. Sin embargo, como ya se ha mencionado
la mayora de estas fuentes de energa tienen un comportamiento intermitente debido a las
condiciones atmosfericas. Por lo tanto, es necesario combinar mas de un tipo de fuente reno-
vable para mejorar la confiabilidad del sistema de energa. Se trata, por lo tanto, de un sistema
de energa hbrido basado en fuentes de energa renovables. Una de las opciones posibles es
combinar las energas eolica y solar, junto con un banco de bateras para almacenar energa,
como se presenta en Feroldi et al. (2013). En este trabajo tambien se muestra el beneficio
de utilizar pilas de combustible tipo PEM para mejorar la confiabilidad del sistema de poten-
cia. El hidrogeno que alimenta las pilas de combustible se produce a traves del reformado de
bioetanol.
Las pilas de combustible PEM funcionan como respaldo a las fuentes renovables, sumi-
nistrando energa cuando es necesario de acuerdo a una adecuada estrategia de gestion de
energa. La configuracion propuesta disminuye la probabilidad de incapacidad de suministrar
la potencia requerida, disminuyendo al mismo tiempo la cantidad de turbinas eolicas, paneles
solares y bateras.
Existen varios enfoques en la literatura para abordar la gestion de energa en sistemas
hbridos de energa. Aquellos basados en reglas heursticas, y que fueron presentados en el
Captulo 2, modifican la operacion del sistema sobre la base de las potencias y el estado
de carga en los dispositivos de almacenamiento de energa (Nehrir et al., 2011). La EMS
81
5.2. Descripcion del sistema
82
5.2. Descripcion del sistema
AC/DC power
Pw
Wind speed Wind turbines converter
Pb DC/DC power
converter Battery bank
Solar radiation PPV
DC/DC power
PV Array converter
Ambient temperature
PL
DC/AC power
Bioethanol H2 PEM fuel DC/DC power
PFC converter Electric load
Bioethanol converter
reformer cells
Bus DC
Ph
Figura 5.1: Diagrama esquematico del sistema hbrido de potencia basado en fuentes renovables
y bioetanol.
donde Cbmax es la capacidad maxima de las bateras en unidad de Ah y Cbu (k) es la cantidad
de Ah que ya se han utilizado en el instante k, la cual puede ser computada como
k
X
Cbu (k) = Cbi + c Ib (j) Ts [Ah], (5.3)
j=1
x x x, (5.4)
lo que significa que cada variable de decision en x esta limitada entre un lmite inferior y un
lmite superior y, ademas,
LP SP (x) LP SP , (5.5)
donde
Tf t
LP SP (x) = 100 [ %], (5.6)
Tt
es la probabilidad de perdida de suministro de energa (Yang et al., 2003), siendo Tt el tiempo
total en el conjunto de datos historicos usado en el analisis (un ano en este estudio), Tf t el
tiempo durante el cual el balance de potencia no se satisface (para el diseno correspondiente
al vector x), y LP SP el lmite superior permitido para LP SP (x).
83
5.3. Prediccion de variables
4
x 10
2.5
Wind
PV
FC
1.5
Energy [kWh]
0.5
0
1 30 40 50 60 80
Figura 5.2: Diagrama de barras mostrando el suministro de energa de cada fuente para los
diferentes disenos.
84
5.3. Prediccion de variables
B(z 1 ) C(z 1 )
A(z 1 )y(k) = u(k) + e(k), (5.7)
F (z 1 ) D(z 1 )
es el vector de parametros, y
es el regresor.
Asumiendo que los valores del vector de parametros son desconocidos, recolectando
N valores de la serie temporal Y N = [y(1), y(2), . . . , y(N )] es posible usar la estructura del
modelo en (5.9)-(5.11) de manera tal que la predicciones y(k) y las observaciones del conjunto
de datos se ajusten en sentido de mnimos cuadrados. En efecto, si se establece el siguiente
funcional:
N
N
1 X 2
VN , Y = y(k) (k)T , (5.12)
N
k=1
85
5.4. Estrategia de gestion de energa
Fijando dVN , Y N /d = 0, es posible encontrar que la estimacion por mnimos cuadra-
dos resulta:
" N
#1 N
X X 1
LS T
N = (k)(k) (k)y(k) = N TN N Y N , (5.14)
k=1 k=1
86
5.4. Estrategia de gestion de energa
6000
Load power
Prediction at k = 1600 h
Prediction at k+1 = 1601 h
5500
5000
Load power [W]
4500
4000
3500
3000
1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608
Time [h]
Figura 5.3: Ejemplo ilustrativo del procedimiento de prediccion usando el concepto de horizonte
deslizante.
87
5.4. Estrategia de gestion de energa
s0 S es el estado actual.
En la estrategia propuesta, el rol principal de generacion esta a cargo de las turbinas eolicas,
mientras que los paneles fotovoltaicos tiene una prioridad secundaria. La motivacion principal
para este criterio es debida a que la aplicacion pretendida corresponde a areas geograficas con
regmenes de viento abundantes. Ademas, desde el punto de vista del control es mas eficiente
modificar el punto de operacion de los paneles en lugar del correspondiente a las turbinas debido
a las dinamicas de cada fuente. Por lo tanto, la primera prioridad es que la EMS propuesta
opere a las turbinas eolicas en su punto de maxima potencia tanto tiempo como sea posible.
As, el papel del subsistema solar es reforzar al subsistema eolico. Del mismo modo, el banco de
bateras tambien refuerza los subsistemas eolico-solar. Por otro lado, las pilas de combustible
tienen la menor prioridad para evitar el consumo de bioetanol. As, teniendo en cuenta estos
objetivos y las restricciones (5.17)-(5.21), de definen cinco estados S = {s1 , s2 , . . . , s5 }, con
el estado inicial s0 = s1 y ocho eventos = {1, 2, . . . , 8}. La Figura 5.4 muestra el diagrama
de estado correspondiente a la EMS propuesta.
La descripcion de los cinco estados es la siguiente:
En el modo s1 el sistema eolico funciona a la maxima potencia para alimentar la carga y
recargar las bateras con la energa restante. Los paneles solares y el sistema reformador-
pila de combustible estan apagados.
88
5.4. Estrategia de gestion de energa
s1
7 Wind system at maximum power 8
Solar system off
Batteries in charging mode
Reformer-fuel cell off
1 2
s4 5 6 s5
Wind system off Wind system on
Solar system off
s2 Solar system on
Wind system at maximum power
Batteries in discharging mode 5 6 Batteries in charge/discharging mode
Solar system at maximum power
Reformer-fuel cell off Reformer-fuel cell on
Batteries in charging mode
Reformer-fuel cell off
5 3 4 6
s3
Wind system at maximum power
Solar system at maximum power
Batteries in discharging mode
Reformer-fuel cell off
a su vez del comportamiento de las condiciones atmosfericas (velocidad del viento, radiacion
solar y temperatura ambiente). Con las predicciones de potencia en un horizonte p, es posible
calcular la energa disponible durante el mismo perodo usando integracion trapezoidal:
p
Ts X
Ej (k) = (pj (k + i) + pj (k + i 1)) , (5.22)
2
i=1
El evento 1 ocurre cuando la energa requerida por la carga a lo largo del horizonte de
prediccion p es mayor que la energa disponible de las turbinas en el mismo perodo:
EL (k) > Ewav (k), donde
p
Ts X
EL (k) = (pL (k + i) + pL (k + i 1)) (5.23)
2
i=1
y
p
Ts X av
Ewav (k) = (pw (k + i) + pav
w (k + i 1)) . (5.24)
2
i=1
89
5.5. Resultados y discusion
Por el contrario, el evento 4 ocurre cuando EL (k) < Ewav (k) + EPavV (k).
[ + i) SOC para todos i = 1, . . . , p, donde
El evento 5 se produce cuando SOC(k
SOC = 100 % es el lmite superior permitido en el estado de carga del banco de bateras.
El evento 6 ocurre cuando EL (k) > Ewav (k) + EPavV (k) + Ebd (k) y SOC(k
[ + i) SOC
para todo i = 1, . . . , p, donde SOC = 20 % es el lmite inferior permitido en el estado
de carga de las bateras y
Ts X d
p
Ebd (k) = pb (k + i) + pdb (k + i 1) , (5.26)
2
i=1
90
5.5. Resultados y discusion
100
95
Load prediction model
Solar prediction model
Wind prediction model
90
85
FIT [%]
80
75
70
65
5 10 15 20 25 30 35 40 45 50
Order (na)
Figura 5.5: Porcentaje de ajuste como funcion del orden del modelo.
91
5.5. Resultados y discusion
3.5
Potencia de carga
Prediccin de potencia de carga
Potencia [kW]
2.5
1.5
4000 4050 4100 4150 4200
Tiempo [h]
2
Potencia elica
1.8 Prediccin de potencia elica
1.6
1.4
Potencia [kW]
1.2
0.8
0.6
0.4
0.2
0
4000 4050 4100 4150 4200
Tiempo [h]
4
Potencia solar
Prediccin de potencia solar
3.5
2.5
Potencia [kW]
1.5
0.5
0
4000 4050 4100 4150 4200
Tiempo [h]
mas potencia y por lo tanto el uso de las pilas de combustible es menor con la consecuente
reduccion en el consumo de bioetanol.
En la Tabla 5.3 se presenta una comparacion entre el desempeno de ambas estrategias. El
parametro utilizado para evaluar el rendimiento es es el ndice LP SP . El requisito de diseno
para este parametro en ambas estrategias se establecio en LP SP < LP SP = 5 %. De hecho,
se puede ver que LP SP 1, correspondiente a la estrategia sin predicciones, es menor que
92
5.5. Resultados y discusion
5
Potencia de carga
Potencia de pilas de combustible
Potencia de baterias
4 Potencia elica
Potencia solar
Potencia del calentador
3
2
Potencia [kW]
-1
-2
-3
4000 4020 4040 4060 4080 4100 4120 4140 4160 4180 4200
Tiempo [h]
(a) Reparto de potencia para cumplir con los requerimientos de potencia de acuerdo a la EMS
basada en horizonte deslizante.
80
75
70
65
SOC [%]
b
60
55
50
45
40
4000 4020 4040 4060 4080 4100 4120 4140 4160 4180 4200
Tiempo [h]
93
5.6. Conclusiones del captulo
LP SP para todos los disenos (variando el parametro ). Sin embargo, con la nueva estrategia
basada en el horizonte deslizante los valores de LP SP 2 son significativamente mas bajos que
LP SP 1. As, se observa que la nueva estrategia produce una mejora en LP SP hasta 88 %
para el caso con = 50.
94
5.6. Conclusiones del captulo
10
Potencia de carga
Potencia de pilas de combustible
Potencia de baterias
8 Potencia elica
Potencia solar
Potencia del calentador
6
4
Potencia [kW]
-2
-4
-6
7800 7820 7840 7860 7880 7900 7920 7940 7960 7980 8000
Tiempo [h]
(a) Reparto de potencia para cumplir con los requerimientos de potencia de acuerdo a la EMS
basada en horizonte deslizante.
100
90
80
SOC [%]
b
70
60
50
40
7800 7820 7840 7860 7880 7900 7920 7940 7960 7980 8000
Tiempo [h]
95
5.6. Conclusiones del captulo
96
CAPTULO 6
6.1. Introduccion
En los HRES un dimensionamiento optimo de cada uno de sus componentes resulta crucial
para obtener una buena relacion entre costos y confiabilidad. Ambos elementos, dependen de la
manera en la que es operado el sistema. Por lo tanto, se hace necesaria la definicion de una EMS
que contemple los aspecto mencionados y al mismo tiempo integrarla dentro de la metodologa
de dimensionamiento a fin de garantizar una mayor optimalidad en el diseno del sistema. En este
captulo se presenta la formulacion completa del problema de dimensionamiento integrando una
EMS basada en un enfoque de MPC Economico (EMPC) para un HRES compuesto por paneles
fotovoltaicos, turbinas eolicas, bateras y un conjunto de pila de combustible y electrolizador
con almacenamiento de hidrogeno que alimenta una carga a traves de un bus de continua.
En el Captulo 3 se utilizo una EMS clasica de doble histeresis para la gestion de energa
de un HRES autonomo compuesto por paneles fotovoltaicos, bateras y un conjunto de pila
de combustible y electrolizador con almacenamiento de hidrogeno. Esta estrategia, si bien
es muy utilizada para este tipo de HRES, tiene la desventaja de no considerar al nivel de
almacenamiento de hidrogeno como una variable de decision de la misma. Esto puede resultar
en una utilizacion inadecuada de la pila de combustible y el electrolizador y por lo tanto en
una merma en la eficiencia o bien en cortes frecuentes en el suministro de energa a la carga.
Por otro lado, en el Captulo 5 se propuso una mejora a la EMS basada en reglas presentada
en Feroldi et al. (2013) incorporando el concepto de horizonte deslizante. La capacidad de
prediccion de la EMS permite obtener mejoras en el rendimiento del sistema y en los costos
asociados, en este caso referidos al consumo de bioetanol. Esta estrategia sin embargo estaba
definida para un HRES que solo dispona de bateras como almacenamiento de energa .
En general, en los sistemas con un unico almacenador de energa la EMS orienta el exce-
97
6.2. Sistema en estudio
dente de energa entre generacion y consumo a la carga del mismo. Por el contrario, cuando
la generacion resulta insuficiente, la energa almacenada es entregada al bus. Sin embargo, en
los HRES con multiples almacenadores de energa, se debe definir un criterio de orientacion de
la energa excedente o en el caso de un faltante, desde que almacenador alimentar la carga.
La complejidad del problema a abordar y los resultados obtenidos en el Captulo 5 son
las principales motivaciones para la introduccion de estrategias de control avanzado aplicadas
a la EMS. En particular, el control predictivo basado en modelos (MPC) ha sido utilizado
ampliamente en aplicaciones industriales (ver Captulo 4) como as tambien en gestion de
energa (Arce et al., 2009; Qi et al., 2011; Torreglosa et al., 2015). En los ultimos anos
ha surgido una metodologa basada en MPC, conocida como MPC economico (EMPC), que
optimiza una funcion objetivo basada en criterios economicos en lugar de una desviacion con
respecto a una referencia dada (Rawlings et al., 2012; Tran et al., 2014). A su vez, este enfoque
ha sido introducido para la gestion de energa por Hovgaard et al. (2010), y fue utilizado en
HRES con diversas topologas por Valverde et al. (2016), Garcia-Torres y Bordons (2015a)
y Pereira et al. (2017), entre otros.
A nuestro saber y entender a partir del estudio de la literatura, aquellos trabajos que utilizan
estrategias de gestion de energa basadas en control predictivo siempre asumen la etapa de
dimensionamiento del sistema. Por lo que la metodologa de dimensionamiento integrando una
EMS basada en EMPC propuesta en este captulo constituye un aporte en este area de estudio,
y a la vez constituye el aporte central de esta tesis. La funcion objetivo de dimensionamiento a
minimizar se basa en el concepto de costo anualizado del sistema (ACS). A su vez, se incorpora
una limitacion de confiabilidad expresada con el ndice de factor de perdida equivalente (ELF),
que se relaciona con la cantidad de energa que no puede ser entregada a la carga, y una
restriccion de sustentabilidad relacionada con el nivel de energa almacenada en el tanque de
hidrogeno al final del perodo en estudio.
El problema de optimizacion resultante tiene una funcion de coste lineal y restricciones
lineales con la presencia de variables enteras y la multiplicacion de variables de decision, re-
quiriendo la solucion de un problema Mixto Entero No Lineal. Debido a las dificultades para
resolver el problema como MINLP, se presenta un enfoque alternativo de tipo secuencial basa-
do en algoritmos geneticos (GA). Los resultados se comparan con una EMS basada en reglas
segun un conjunto de indicadores claves de rendimiento (KPI, por sus siglas en ingles: Key
Performance Indicators).
En la primera parte del captulo se detallara el modelo del sistema en estudio, se describiran
los elementos que componen el funcional costo de la EMS y y se presentara la formulacion del
problema de gestion de energa basado en EMPC. Luego, se muestra la formulacion completa
del problema de EMS y dimensionamiento integrado como MINLP y el enfoque secuencial de
solucion basado en GA. Finalmente, se realizan simulaciones con datos historicos de la region
para validar la metodologa propuesta.
98
6.2. Sistema en estudio
Hydrogen flow
Wind Turbine Electric connection
DC Bus
Pw (k)
Pload (k)
Pren (k) Load
Pb (k)
Ppv (k)
Battery Bank
Photovoltaic Module
Hydrogen Storage
Pren (k) = Ppv (k) + Pw (k) Pug (k), (6.1)
donde Ppv (k) y Pw (k) son las potencias fotovoltaica y eolica disponibles, mientras que Pug (k)
toma valores positivos en el rango [0, Ppv (k) + Pw (k)] y representa la potencia disponible no
99
6.2. Sistema en estudio
generada.
En todo sistema de generacion, una caracterstica importante a maximizar es su confia-
bilidad. Por ello se entiende a la capacidad que tiene el sistema de satisfacer la demanda de
carga a cada instante. En los sistemas HRES aislados existen limitaciones en la capacidad de
generacion y almacenamiento de energa, por lo que la demanda de la carga puede no ser
(k) que se muestra
posible de cumplir en todo instante. La potencia entregada a la carga Pload
en la Figura 6.1 esta dada por:
Pload (k) = Pload (k) Pud (k), (6.2)
donde Pload (k) es la potencia total de carga y Pud (k) representa la potencia de carga no
satisfecha. De esta manera, se puede plantear el balance de potencias a cumplir en cada
instante sobre el bus DC como:
Ppv (k) + Pw (k) Pug (k) (Pload (k) Pud (k)) = Pez (k) Pf c (k) Pb (k). (6.3)
Segun lo descrito anteriormente las variables Ppv (k), Pw (k) y Pload (k) resultan conocidas y
seran consideradas perturbaciones en el sistema, mientras que Pug (k), Pud (k), Pez (k), Pf c (k)
y Pb (k) corresponden a las variables manipuladas.
Almacenamiento de hidrogeno
El estado de carga del tanque de hidrogeno (SoCH2 ) puede representarse a partir de la
ecuacion (2.33) en tiempo discreto como:
100
6.3. Estrategia de gestion de energa basada en EMPC
Bateras
Asumiendo una tension constante en los terminales de la batera, no dependiente del estado
de carga (SoCb ) y de la corriente (Ib ), se puede plantear un modelo simplificado de la dinamica
del SoCb dependiente de la energa nominal de la batera (Eb,n ) y la potencia circulante
(Pb ) (Garcia-Torres y Bordons, 2015b):
Pb (k)
SoCb (k + 1) = SoCb (k) t. (6.9)
Eb,n
Hp1
X
mn Jems (xk , uk ), (6.10)
uk
k=0
sujeto, principalmente, a las restricciones dadas por las ecuaciones que definen el modelo
interno, el balance de potencias, y los limites de las variables de estado y manipuladas. Las
variable xk representa la evolucion en el horizonte [0: Hp -1] de las variables de estado, donde x0
son los valores iniciales medidos (o estimados). La solucion del problema de optimizacion es una
secuencia optima de movimientos de control a lo largo de Hp para cada variable manipulada:
101
6.3. Estrategia de gestion de energa basada en EMPC
siendo C = {b, f c, ez, ud, ug} el conjunto de variables manipuladas. Los factores de pondera-
cion j permiten gestionar las pesos relativos de las mismas.
CCj
Jop,j (i|k) = + Cm,j j (i|k)t + Cjss |jss (i|k)| con j = f c, ez, (6.15)
Nh,j
102
6.3. Estrategia de gestion de energa basada en EMPC
donde j (i|k) es una variable binaria que representa el estado de los dispositivos:
(
1 - (f c, ez) encendido,
j (i|k) = (6.16)
0 - (f c, ez) apagado.
Linealizacion de funciones
Las funciones del tipo |(i|k)| presentes en (6.14) y (6.15) se linealizan para obtener un
problema del tipo MILP. Se incorpora una variable auxiliar (i|k) = |(i|k)| y se agregan las
siguientes restricciones lineales al problema de optimizacion:
103
6.4. Integracion de la EMS al Dimensionamiento
Hp 1
X X
mn Jems (i|k) = j Jop,j (i|k) (6.23a)
i=0 j C
s.t.
CCb
Jop,b (i|k) = Pb (i|k)t (6.23b)
2 Nc,b Eb
CCj
Jop,j (i|k) = nj + Cm,j j (i|k)t + Cjss jss (i|k), j = f c, ez, (6.23c)
Nh,j
Jop,j (i|k) = Cj Pj (i|k)t, j = ud, ug, (6.23d)
Pf c (i|k) Pez (i|k) + Pb (i|k) = (Pload (i|k) Pud (i|k))
(npvPpv (i|k) + nwPw (i|k) Pug (i|k)) , (6.23e)
1
SoCH2 (i+1|k) = SoCH2 (i|k) + (ez Pez (i|k) f c Pf c (i|k))t, (6.23f)
nvtVt
Pb (i|k)
SoCb (i+1|k) = SoCb (i|k) t, (6.23g)
nb Eb
SoCj,min SoCj (i|k) SoCj,max , j = b, H2 , (6.23h)
nb Pb,min Pb (i|k) nb Pb,max , (6.23i)
0 Pug (i|k) npv Ppv (i|k) + nw Pw (i|k), (6.23j)
0 Pud (i|k) Pload (i|k), (6.23k)
j (i|k)Pj,min Pj (i|k) j (i|k)nj Pj,max , j = f c, ez, (6.23l)
f c (i|k) + ez (i|k) 1, (6.23m)
jss (i|k) = j (i|k) j (i1|k), j = f c, ez, (6.23n)
jss (i|k) jss (i|k) 0, j = f c, ez, (6.23n)
jss (i|k) jss (i|k) 0, j = f c, ez, (6.23o)
jss (i|k) 0, j = f c, ez, (6.23p)
Pb (i|k) Pb (i|k) 0, (6.23q)
Pb (i|k) Pb (i|k) 0, (6.23r)
Pb (i|k) 0. (6.23s)
104
6.4. Integracion de la EMS al Dimensionamiento
mismo aplica para la confiabilidad y sustentabilidad del sistema. De esta manera, se hace
necesaria la integracion de la EMS a la metodologa de dimensionamiento a fin de obtener
un diseno optimo (Zhou et al., 2010; Feroldi y Zumoffen, 2014). En primer lugar se presenta
la formulacion del problema de dimensionamiento como un problema de optimizacion mixto
entero no lineal. Luego, por las dificultades que implica la resolucion del problema como MINLP,
se introduce un enfoque secuencial alternativo basado en Algoritmos Geneticos (GA).
s.t.
Jcf = f (), (6.24b)
s 1
NX
Jop = f (x(k), u(0|k), ) (6.24c)
k=0
Hp1
X
mn Jems (x(i|k), u(i|k), )
(6.24d)
uk
i=0
s.t.
x (0|k) = x(k)
k=0,...,Ns 1 (6.24e)
x (i + 1|k) = gm (x (i|k), u(i|k), )
(6.24f)
fj (x (i|k), u(i|k), ) 0
(6.24g)
x(k + 1) = gp (x(k), u(0|k), ) (6.24h)
105
6.4. Integracion de la EMS al Dimensionamiento
1 X
Jinv = j nj CCj con N = {b, pv, w, vt, f c, ez} , (6.25)
LTs
j N
donde los CCj son los costos por unidad de cada uno de los equipos, nj son las variables de
dimensionamiento contenidas en , las cuales representan el numero de unidades o capacidad
de cada equipo. Los factores de ponderacion j se incorporan para gestionar aspectos parti-
culares mas alla de la relacion existente entre los valores de inversion, como por ejemplo el
tamano de los equipos, peso, disponibilidad regional, etc. La suma de estos costos es anualiza-
da dividiendola por el tiempo de vida del sistema (LTs ). En Belmili et al. (2014) se considera
que el tiempo de vida del sistema es equivalente al de los paneles y turbinas.
s 1
NX
Jop = Jop,j (k), con j = b, f c, ez, ud, (6.27)
k=0
Jop,j (k) = Jop,j (0|k), (6.28)
106
6.4. Integracion de la EMS al Dimensionamiento
Ns 1
1 X Pud (0|k)
ELF = . (6.29)
Ns Pload (k)
k=0
s.t.
1 X
Jinv = j nj CCj , (6.31b)
LTs
j N
X
1 LTs
Jomf = nj Com,j + nvt CCvt 1 , (6.31c)
LTs LTvt
j R
107
6.4. Integracion de la EMS al Dimensionamiento
Hp 1
X X
mn Jems (i|k) = j Jop,j (i|k),
(6.31d)
i=0 j C
s.t.
restricciones del Problema de EMS (6.23b)-(6.23s) ,
(6.31e)
1
SoCH2 (k+1) = SoCH2 (k) + (ez Pez (0|k) k=0,...,Ns 1
nvtVt
f c Pf c (0|k))t,
(6.31f)
Pb (0|k)
SoCb (k+1) = SoCb (k) t,
(6.31g)
nb Eb
Jop,j (k) = Jop,j (0|k), con j = {b, f c, ez, ud} ,
(6.31h)
(6.31i)
Ns
X
Jop = Jop,j (k), con j = {b, f c, ez, ud} , (6.31j)
k=1
Ns
1 X Pud (0|k)
ELF = , (6.31k)
Ns Pload (k)
k=1
ELF ELFmax , (6.31l)
SoCH2 (Ns 1) SoCH2 (0), (6.31m)
siendo N = {b, pv, w, vt, f c, ez} , R = {b, pv, w, vt} , C = {b, f c, ez, ud, ug} .
108
6.4. Integracion de la EMS al Dimensionamiento
como solucion. En caso contrario, continua el proceso iterativo generando una nueva poblacion
de individuos a traves de los operadores de seleccion, entrecruzamiento y mutacion.
Inicializacin
Incorpora perfiles de generacin y carga
Ppv (k) = gpv ((k), T (k)) ; Pw (k) = gw (vw (k)) ; Pload (k)
Poblacin inicial: C0 = [ 1 ; . . . ; p ]
ELFj
SoCH2j (Ns 1)
Jopj
Manejo de resctricciones
Evaluar Ec. (6.31k) y Ec.(6.31l)
Clculo de Jdim
Ecuacin. (6.31a)
Criterio SI
de Seleccin de mejor solucin: hopt
finalizacin
NO
La implementacion
summarized se realiza
in Table 36,utilizando el Toolbox
respectively. de Optimizacion
Typical costs values Global de Matlab
used (MATLAB,
in litera-
2015).
tureLosarepasos involucrados
adopted en la
[13, 9, 43, metodologa
44]. These valuesy presentados
were adopted en la Figura 6.2 pueden
in order to obtainresu-
mirse como:
the simulation results. For the design of a system in a specific location, the
corresponding
(a) Inicializacion: market
En esta fasevalues must be todos
se incorporan used.losIndatos literature,
necesariosthe cost
para of el
iniciar elec-
algo-
tricity
ritmo. Los perfiles de la potencia disponible en las fuentes renovables (Ppv (k) y Pwat
interruptions has been estimated in different ways, e.g. looking (k))
thesoncustomers
obtenidoswillingness
a partir de losto modelos
pay for electricity expansions,
gpv ((k), T (k)) y gw (vw (k)) or at production
presentados en el
losses at industries
Captulo 2.4, usandoaffected, or at the
datos historicos level of ((k)),
de radiacion compensations,
velocidad del which
vientomakes
(vw (k))
shortages acceptable.
y temperatura ambiente Then, a value
(T (k)). of de
El perfil 5.6datos
$/kWh is adopted
historicos for thedecost
de la potencia of
la carga
(P
the unmet
load (k)) tambien es incorporado. Se parametriza
energy demand and the undergeneration energy [36]. el GA con la longitud de la pobla-
cion (p), el
The weather numero
datamaximo de generaciones
was collected in the (N g ) y la configuracion
Municipal Observatory de los
of operadores.
Rosario
Finalmente, se genera la poblacion
during the year 2011, and the load profile inicial: C 0 = [ ; . . . ; ].
is1 from ap typical medium size
office
(b) building,
Evaluar accessible
EMPCEMS: Estein the open
bloque evaluadatasets
en primerbaselugarOpenEI
el problema [45]. A radiation,
EMPCEMS defini-
do en (6.23) en un horizonte de simulacion Ns para cada individuo j (con j = 1, . . . , p)
de la generacion Ci (con i = 1, . . . , Ng ). Luego, devuelve los valores Jopj , ELFj y
21
SoCH2j (Ns 1) de cada individuo de la poblacion. Observese que la metodologa pue-
de generalizarse a otras estrategias de gestion de energa modificando solamente este
bloque.
109
6.5. Resultados y discusion
(c) Manejo de restricciones: A partir de los valores de ELFj y SoCH2j (Ns 1) devuelto
por el bloque EMS, se verifican las restricciones de las Ecuaciones (6.31k) y (6.31m).
Cuando un individuo resulta infactible (viola alguna de las restricciones), es eliminado y
se incluyen en el vector Cin (Deb, 2000).
(g) Seleccion, cruzamiento y mutacion: el operador de seleccion elige los mejores individuos
de la generacion actual de acuerdo a su costo asociado. Luego, este grupo de individuos
son recombinados por el operador de cruzamiento para formar un nuevo conjunto de
individuos. La nueva generacion Ci+1 es conformada combinando ambos grupos. Es
posible aplicar un operador de mutacion para evitar la cada en un mnimo local.
110
6.5. Resultados y discusion
1200
Radiation
1000
800
Radiation [W/m 2 ]
600
400
200
0
150 200 250 300
Time [h]
330
325
320
Temperature [ K]
315
310
305
300
295
290
285
150 200 250 300
Time [h]
Figura 6.4: Perfil de temperatura sobre la superficie del panel - Semana de verano
111
6.5. Resultados y discusion
112
6.5. Resultados y discusion
113
6.5. Resultados y discusion
20
Wind velocity
18
16
14
Wind velocity [m/s]
12
10
0
150 200 250 300
Time [h]
5
Pload
Power [kW]
0
3040 3060 3080 3100 3120 3140 3160 3180 3200
Time [h]
114
6.5. Resultados y discusion
115
6.5. Resultados y discusion
generacion de hidrogeno. Por otro lado, cuando la generacion en las fuentes renovables resulta
insuficiente, la batera es la encargada de suplir el faltante hasta llegar a su carga mnima
(SoCb,min ). Luego, se enciende la pila de combustible. Todas las limitaciones de potencia
incluidas en la EMPCEMS son implementadas en la EMS con reglas.
A fin de poder realizar una comparacion cuantitativa de ambas estrategias, se utilizan una
serie de Indicadores Claves de Rendimiento (KPIs). Especficamente, se utilizaran: el costo
anual de inversion, el costo anual de operacion, el costo anual total, los costos de operacion
desagregados para la batera, pila de combustible y electrolizador, la cantidad de eventos de
encendido y apagado de estos ultimos, el ndice de confiabilidad (ELF), el costo resultante
de la energa (COE), y la cantidad de horas en que la batera se encuentra en el SoCb,min .
Este ultimo indicador se incluye como medida de la capacidad de rechazo a perturbaciones del
sistema. El COE se define como el costo anualizado total sobre la energa generada:
Jdim
COE = PNs 1 . (6.32)
k=0 (Ppv (k) + Pw (k) Pud (k))
116
6.5. Resultados y discusion
Tabla 6.9: Comparacion del dimensionamiento optimo segun ReglasEMS y EMPCEMS ba-
sasado en KPIs - Ano 2010
EMSReglas EMPCEMS
Costo inversion anualizado [$] 10379.20 9483.84
Costo operacion anualizado [$] 7715.90 7335.80
Costo anualizado total [$] 18095.10 16819.64
Costo operacion bateras [$] 3846.16 3777.00
Costo operacion pila de combustible [$] 840.00 842.00
Costo operacion electrolizador [$] 943.92 1172.69
Cantidad de encendidoapagado pila de combustible 170 254
Cantidad de encendidoapagado electrolizador 307 190
Indice de confiabilidad (ELF) 0.00320 0.00079
Costo de la energa [$/kWh] 0.59914 0.54652
Tiempo en SoCb,min [h] 632 128
Tabla 6.10: Validacion de resultados de dimensionamiento con datos meteorologicos del ano
2011.
EMSReglas EMPCEMS
Costo operacion anualizado [$] 10543.83 9480.53
Costo operacion bateras [$] 4024.28 3947.73
Costo operacion pila de combustible [$] 1280.00 1186.00
Costo operacion electrolizador [$] 1389.20 1761.49
Cantidad de encendidoapagado pila de combustible 268 298
Cantidad de encendidoapagado electrolizador 434 336
Indice de confiabilidad (ELF) 0.01177 0.00635
Costo de la energa [$/kWh] 0.68613 0.60446
Tiempo en SoCb,min [h] 1006 168
debe principalmente a la capacidad de prediccion que posee el EMPC la cual permite prever la
saturacion de los elementos almacenadores de energa, y por lo tanto, una mejor distribucion
de potencia entre bateras, pila de combustible y electrolizador
En la Figura 6.7 se muestra la respuesta dinamica de SoCH2 para ambas estrategias de
gestion utilizando los datos de validacion. En las estaciones de baja radiacion solar (entre
la hora 3000 y 6000 aproximadamente) la generacion de las fuentes renovables no permite
satisfacer completamente la demanda de energa de la carga, por lo que se hace necesario un
uso intensivo de las bateras y pilas de combustible. Esto provoca que los niveles en el tanque
de almacenamiento de hidrogeno sean bajos, produciendo posibles cortes en el suministro de
energa. Esta situacion se da en el caso de la EMPCEMS alrededor de la hora 3100 y puede
verse en detalle en la Figura 6.8, donde se muestra la distribucion de potencias en el HRES en
una semana tpica de invierno.
En la Figura 6.9 se presenta la distribucion de potencias en una semana de verano. Como
vemos, solo una parte de la potencia disponible en las fuentes renovables es realmente entregada
a la red, desperdiciandose gran parte de la capacidad instalada. Esta afirmacion se refuerza
con la Figura 6.10 que muestra la distribucion de energa anual en el HRES. Existe una gran
variabilidad en la potencia disponible en las fuentes renovables durante las estaciones del ano.
Durante los meses del verano-primavera se tiene un gran potencial de energa renovable, y
se reduce significativamente en los meses de invierno y otono. Esta situacion hace que el
117
6.5. Resultados y discusion
0.9
0.8
0.7
0.6
SoC H level
0.5
2
0.4
0.3
0.2 Rules-EMS
EMPC-EMS
0.1
0
0 1000 2000 3000 4000 5000 6000 7000 8000
Time [h]
Figura 6.7: Comparacion del nivel SoCH2 entre ReglasEMS y EMPCEMS - Ano 2011
25
Pfc
Pez
20 Pb
Pload
Pload-Pud
15 Pren
Pren-Pug
10
Power [kW]
-5
-10
-15
-20
3040 3060 3080 3100 3120 3140 3160 3180 3200
Time [h]
Figura 6.8: Distribucion de potencias para una semana de invierno con EMPCEMS - Bajos
niveles de generacion.
118
6.6. Conclusiones del captulo
incorporar una fuente independiente de generacion de energa como puede ser un generador
diesel, o bien la posibilidad de intercambio de energa con la red. Esto permitira la reduccion
del tamano de los equipos y un mejor aprovechamiento de la capacidad instalada.
35
Pfc
Pez
30
Pb
Pload
25 Pload-Pud
Pren
20 Pren-Pug
15
Power [kW]
10
-5
-10
-15
Figura 6.9: Distribucion de energa en una semana de verano con excedentes de energa reno-
vable utilizando EMPCEMS.
119
6.6. Conclusiones del captulo
50
40
30
Energy [MWh]
20
10
-10
-20
-30
Installed Generated Load Battery Battery Fuel Cell Electrolyzer
capacity dispatch charge discharge
120
CAPTULO 7
121
7.1. Conclusiones generales
tigacion se venan realizando estudios sobre un modelo dinamico de una planta de reformado
de bioetanol que alimenta una pila de combustible tipo PEM. En trabajos previos se haba
presentado el diseno de una estructura de control descentralizada basada en lazos PI. En esta
tesis, se propuso la implementacion de tecnicas de control predictivo basado en modelos para
mejorar el rechazo de perturbaciones de la planta, con el objetivo de satisfacer la restriccion
de calidad de hidrogeno requerida por la pila PEM en todo momento. El estudio de la matriz
RGA demuestra que el reactor CO-PrOx es la zona con mas interaccion del sistema, condicion
que justifica el uso de un control predictivo multivariable. Se ensayaron dos tipos de controles
predictivos, MPC y PFC, y se obtuvieron mejoras significativas con ambas estructuras con
respecto al control descentralizado de PI. Se considera que la estrategia PFC es mas intuitiva
que el MPC para seleccionar los parametros y puede dar resultados razonables. Por lo tanto,
el PFC, resulto la mejor solucion para ser implementada en esta planta. Ademas, la estrategia
PFC demostro ser capaz de mantener la concentracion de monoxido de carbono para alimentar
la pila de combustible por debajo de 10 ppm para casi todo el perfil de perturbacion. A su
vez, el uso de sensores virtuales para estimar eficientemente la concentracion de CO permite
garantizar las condiciones de operacion segura de la pila PEM. Teniendo en cuenta la dificul-
tad para disponer de sensores comerciales para la medicion de CO con las caractersticas que
impone este sistema, los dos sensores virtuales presentados aqu representan una interesante
opcion. En este contexto, la incorporacion de un control avanzado para el reemplazo de un lazo
problematico en la estructura de control descentralizada, y el desarrollo de un sensor virtual
para la estimacion en lnea de una variable tan importante como la concentracion CO en el
flujo de hidrogeno producido, represento una importante mejora a la estrategia de control de
plantas completas existente.
Se lograron aportes tambien en la etapa de gestion de energa de los HRES. En particular,
se propuso la mejora de una EMS presentada en trabajos previos del grupo incorporando el
concepto de horizonte deslizante y las predicciones del comportamiento futuro de las fuentes
de energa renovables y la carga para mejorar el rendimiento en terminos de probabilidad de
perdida de suministro de energa. Las predicciones se realizan utilizando modelos autorregresi-
vos a partir de datos historicos. Para validar el desempeno de la estrategia aqu propuesta, se
realizaron varias pruebas de simulacion y se compararon los resultados con la estrategia que
no realiza predicciones. Los resultados mostraron una mejora significativa en la confiabilidad
del sistema hbrido de potencia. De hecho, analizando la capacidad de satisfacer el balance
de potencia, la nueva estrategia presento una mejora en el suministro de potencia de hasta el
88 %, dependiendo del diseno particular.
Finalmente, tal como se planteo en una de las hipotesis de esta tesis, se avanzo en la in-
tegracion de una EMS basada en EMPC en la metodologa de dimensionamiento. Se presento
la formulacion completa del problema integrado, que requiere la solucion de un problema de
optimizacion mixto entero no lineal (MINLP). Debido a las dificultades que representa la solu-
cion del problema MINLP de manera determinstica, se propuso un enfoque secuencial basado
en algoritmos geneticos. La metodologa propuesta se simulo utilizando datos meteorologicos
y de costos de la region y se comparo con una EMS basada en reglas. Luego, se utilizo un
grupo de indicadores para evaluar su desempeno. Los resultados han mostrado la posibilidad
de un ahorro en el costo de inversion, as como una reduccion de los costos de operacion
cuando se emplea la EMPCEMS, que se traduce directamente en el costo resultante de la
energa. Otro beneficio importante de utilizar un enfoque de EMPC en oposicion a una EMS
heurstica es disminuir el grado de dependencia con respecto al conocimiento del proceso. Los
resultados de simulacion han mostrado la posibilidad de incorporar servicios auxiliares o la in-
tegracion con procesos que requieran energa, como un sistema electrico de calentamiento de
agua. Ademas, se demostro que una fuente de energa independiente tal como un generador
diesel o la posibilidad de conexion a la red electrica podra ser util para reducir el tamano
122
7.2. Trabajos futuros
del sistema. La metodologa propuesta puede ampliarse para manejar la variabilidad de los
costos de combustible y los precios de compra/venta de energa a la red en el caso de sistemas
conectados.
123
7.2. Trabajos futuros
124
Bibliografa
125
Bibliografa
Billionnet, A.; M.-C. Costa y P.-L. Poirion. Robust optimal sizing of a hybrid energy stand-
alone system. European Journal of Operational Research, tomo 254(2), pags. 565575
(2016).
Box, G.; G. Jenkins y G. Reinsel. Time series analysis: forecasting and control. 4th ed., John
Wiley & Sons (2008).
Cha, H. J. y P. N. Enjeti. A three-phase ac/ac high-frequency link matrix converter for vscf
applications. En Power Electronics Specialist Conference, 2003. PESC03. 2003 IEEE 34th
Annual, tomo 4, pags. 19711976. IEEE (2003).
Chauhan, A. y R. Saini. A review on integrated renewable energy system based power genera-
tion for stand-alone applications: configurations, storage options, sizing methodologies and
control. Renewable and Sustainable Energy Reviews, tomo 38, pags. 99120 (2014).
Chedid, R.; H. Akiki y S. Rahman. A decision support technique for the design of hybrid solar-
wind power systems. Energy conversion, ieee transactions on, tomo 13(1), pags. 7683
(1998).
Chen, H.; T. N. Cong; W. Yang; C. Tan; Y. Li y Y. Ding. Progress in electrical energy storage
system: A critical review. Progress in Natural Science, tomo 19(3), pags. 291312 (2009).
126
Bibliografa
Chipperfield, A.; P. Fleming; H. Pohlheim y C. Fonseca. Genetic algorithm toolbox for use
with matlab (1994).
Currie, J. y D. I. Wilson. OPTI: Lowering the Barrier Between Open Source Optimizers and the
Industrial MATLAB User. En N. Sahinidis y J. Pinto, editores, Foundations of Computer-
Aided Process Operations. Savannah, Georgia, USA (2012).
Deb, K. An efficient constraint handling method for genetic algorithms. Computer Methods
in Applied Mechanics and Engineering, tomo 186(24), pags. 311 338 (2000).
Degliuomini, L. N.; D. Zumoffen y M. Basualdo. Plant-wide control design for fuel processor
system with PEMFC. International Journal of Hydrogen Energy, tomo 37(19), pags. 14801
14811 (2012b).
Doyle, M.; T. F. Fuller y J. Newman. Modeling of galvanostatic charge and discharge of the
lithium/polymer/insertion cell. Journal of the Electrochemical Society, tomo 140(6), pags.
15261533 (1993).
Ekren, O. y B. Y. Ekren. Size optimization of a pv/wind hybrid energy conversion system with
battery storage using response surface methodology. Applied Energy, tomo 85(11), pags.
10861101 (2008).
127
Bibliografa
Ellis, M.; H. Durand y P. D. Christofides. A tutorial review of economic model predictive control
methods. Journal of Process Control, tomo 24(8), pags. 1156 1178 (2014). Economic
nonlinear model predictive control.
Ercot. Ercot - hourly load data archives. Available online, May 2013 (2013). Accessed on May
2013.
Federico Bergero, E. C., Mariano Botta y E. Kofman. Efficient Compilation of Large Scale
Modelica Models. En 11th International Modelica Conference (2015).
Fernandez, J. y E. Kofman. A stand-alone quantized state system solver for continuous system
simulation. Simulation: Transactions of the Society for Modeling and Simulation Internatio-
nal, tomo 90(7), pags. 782799 (2014).
Feroldi, D.; P. Rullo y D. Zumoffen. Energy management strategy based on receding horizon
for a power hybrid system. Renewable Energy, tomo 75, pags. 550 559 (2015).
Feroldi, D.; M. Serra y J. Riera. Energy management strategies based on efficiency map for
fuel cell hybrid vehicles. Journal of Power Sources, tomo 190(2), pags. 387401 (2009).
Feroldi, D. y D. Zumoffen. Sizing methodology for hybrid systems based on multiple renewable
power sources integrated to the energy management strategy. International Journal of
Hydrogen Energy, tomo 39, pags. 86098620 (2014). ISSN 0360-3199.
128
Bibliografa
Fuller, T. F.; M. Doyle y J. Newman. Simulation and optimization of the dual lithium ion
insertion cell. Journal of the Electrochemical Society, tomo 141(1), pags. 110 (1994).
Gao, L.; R. Dougal; S. Liu y A. Iotova. Parallel-connected solar pv system to address partial
and rapidly fluctuating shadow conditions. Industrial Electronics, IEEE Transactions on,
tomo 56(5), pags. 15481556 (2009). ISSN 0278-0046. doi:10.1109/TIE.2008.2011296.
Garriga, J. L. y M. Soroush. Model predictive control tuning methods: A review. Industrial &
Engineering Chemistry Research, tomo 49(8), pags. 3505 3515 (2010).
Ho, T.; V. Karri; D. Lim y D. Barret. An investigation of engine performance parameters and
artificial intelligent emission prediction of hydrogen powered car. International Journal of
Hydrogen Energy, tomo 33(14), pags. 38373846 (2008).
HomerEnergy. Energy modeling software for hybrid renewable energy systems. Available online
(2012). Accessed on September 2012.
129
Bibliografa
130
Bibliografa
Kuo, J.-K. y C.-F. Wang. An integrated simulation model for pem fuel cell power systems with
a buck dcdc converter. International Journal of Hydrogen Energy, tomo 36(18), pags.
1184611855 (2011).
Lagorse, J.; D. Paire y A. Miraoui. A multi-agent system for energy management of distributed
power sources. Renewable energy, tomo 35(1), pags. 174182 (2010).
Larminie, J. y A. Dicks. Fuel Cell Systems Explained. Wiley and Sons. 2nd ed. (2003).
Lei, Y.; A. Mullane; G. Lightbody y R. Yacamini. Modeling of the wind turbine with a doubly
fed induction generator for grid integration studies. IEEE Transaction of Energy Conversion,
tomo 21(1), pags. 257263 (2006).
Ljung, L. System Identification: Theory for the user. 2nd ed., Prentice Hall (1999).
MATLAB. version 7.10.0 (R2010a). The MathWorks Inc., Natick, Massachusetts (2010).
MATLAB. Global Optimization Toolbox Users Guide Version 3.3.1 (Release 2015a). The
MathWorks Inc., Natick, Massachusetts (2015).
Mellit, A.; S. A. Kalogirou y M. Drif. Application of neural networks and genetic algorithms
for sizing of photovoltaic systems. Renewable Energy, tomo 35(12), pags. 2881 2893
(2010).
Meteored. Global climate, climatic data worldwide. Available online (2012). Accessed on
September 2012.
Mitra, S.; L. Sun y I. E. Grossmann. Optimal scheduling of industrial combined heat and power
plants under time-sensitive electricity prices. Energy, tomo 54, pags. 194211 (2013).
131
Bibliografa
Molina, G.; D. Zumoffen y M. Basualdo. A new systematic approach to find plantwide control
structures. Computer Aided Chemical Engineering, tomo 27, pags. 15991604 (2009).
Molina, G.; D. Zumoffen y M. Basualdo. Plant-wide control strategy applied to the Tennessee
Eastman process at two operating points. Comput. Chem. Eng., tomo 35, pags. 20812097
(2011).
Morari, M. y J. H. Lee. Model predictive control: past, present and future. Computers &
Chemical Engineering, tomo 23(4-5), pags. 667682 (1999). ISSN 0098-1354.
Nayar, C.; S. Islam; H. Dehbonei; K. Tan y H. Sharma. Power electronics for renewable energy
sources (2007).
Nehrir, M. H. y C. Wang. Modeling and control of fuel cells: distributed generation applications,
tomo 41. John Wiley & Sons (2009).
Nieto, L.; S. Biset; P. Luppi y M. Basualdo. A rigorous computational model for hydrogen
production from bioethanol to feed a fuel cell stack. International Journal of Hydrogen
Energy, tomo 37(4), pags. 31083129 (2011).
Nieto Degliuomini, L.; D. Zumoffen y M. Basualdo. Plant-wide control design for fuel processor
system with pemfc. International Journal of Hydrogen Energy, tomo 37(19), pags. 14801
14811 (2012).
132
Bibliografa
Rallo, R.; J. Ferre-Gine; A. Arenas y F. Giralt. Neural virtual sensor for the inferential prediction
of product quality from process variables. Computers & chemical engineering, tomo 26(12),
pags. 17351754 (2002).
Salim, R.; M. Nabag; H. Noura y A. Fardoun. The parameter identification of the Nexa 1.2
kW PEMFCs model using particle swarm optimization. Renewable Energy, tomo 82, pags.
2634 (2015).
Schainker, R. B. Executive overview: energy storage options for a sustainable energy future.
En Power Engineering Society General Meeting, 2004. IEEE, pags. 23092314. IEEE (2004).
Seborg, D. E.; T. F. Edgar y D. A. Mellichamp. Process Dynamic and Control. Wiley. New
York, NY (2004).
Sherif, S.; F. Barbir y T. Veziroglu. Wind energy and the hydrogen economyreview of the
technology. Solar Energy, tomo 78(5), pags. 647660 (2005).
Shridhar, R. y D. J. Cooper. A novel tuning strategy for multivariable model predictive control.
ISA Transactions, tomo 36(4), pags. 273 280 (1997).
Sood, P. K.; T. A. Lipo y I. G. Hansen. A versatile power converter for high frequency link
systems. En Applied Power Electronics Conference and Exposition, 1987 IEEE, pags. 249
256. IEEE (1987).
Tikhonov, A. Solution of incorrectly formulated problems and the regularisation method. Soviet
Mathematical Doklady, (4), pags. 10351038 (1963).
133
Bibliografa
Torreglosa, J.; P. Garca; L. Fernandez y F. Jurado. Hierarchical energy management system for
stand-alone hybrid system based on generation costs and cascade control. Energy Conversion
and Management, tomo 77, pags. 514526 (2014).
Torreglosa, J. P.; P. Garca; L. M. Fernandez y F. Jurado. Energy dispatching based on pre-
dictive controller of an off-grid wind turbine/photovoltaic/hydrogen/battery hybrid system.
Renewable Energy, tomo 74, pags. 326 336 (2015).
Tran, T.; K. Ling y J. M. Maciejowski. Economic model predictive control-a review. En Pro-
ceedings of International Symposium on Automation and Robotics in Construction. Sydney,
Australia, pags. 911 (2014).
Tremblay, O. y L.-A. Dessaint. Experimental validation of a battery dynamic model for EV
applications. World Electric Vehicle Journal, tomo 3(1), pags. 110 (2009).
Tremblay, O.; L.-A. Dessaint y A.-I. Dekkiche. A generic battery model for the dynamic simu-
lation of hybrid electric vehicles. En 2007 IEEE Vehicle Power and Propulsion Conference,
pags. 284289. IEEE (2007).
Tsai, H.; C. Tu y Y. Su. Development of generalized photovoltaic model using matlab/simulink.
En Proceedings of the World Congress on Engineering and Computer Science, pags. 846
851. Citeseer (2008).
Tsai, H. L. Insolation-oriented model of photovoltaic module using matlab/simulink. Solar
energy, tomo 84(7), pags. 13181326 (2010).
Ulleberg, O. Stand-alone power systems for the future: optimal design, operation and control of
solar-hydrogen energy systems. Tesis Doctoral, Norwegian Univ. Sci. Technol., Trondheim,
Norway (1998). Ph.D. dissertation.
Ulleberg, . The importance of control strategies in PVhydrogen systems. Solar Energy,
tomo 76(1), pags. 323329 (2004).
Upadhyay, S. y M. Sharma. A review on configurations, control and sizing methodologies of
hybrid energy systems. Renewable and Sustainable Energy Reviews, tomo 38, pags. 4763
(2014).
Uzunoglu, M.; O. Onar y M. Alam. Modeling, control and simulation of a PV/FC/UC based hy-
brid power generation system for stand-alone applications. Renewable Energy, tomo 34(3),
pags. 509520 (2009).
Valenciaga, F. y P. F. Puleston. Supervisor control for a stand-alone hybrid generation system
using wind and photovoltaic energy. IEEE transactions on energy conversion, tomo 20(2),
pags. 398405 (2005).
Valverde, L.; C. Bordons y F. Rosa. Integration of fuel cell technologies in renewable-energy-
based microgrids optimizing operational costs and durability. IEEE Transactions on Industrial
Electronics, tomo 63(1), pags. 167177 (2016).
Van Dijk, E.; H. J. Spruijt; D. M. OSullivan y J. B. Klaassens. PWM-switch modeling of
DC-DC converters. IEEE Transactions on Power Electronics, tomo 10(6), pags. 659665
(1995).
Verbruggen, B.; J. Van Roy; R. De Coninck; R. Baetens; L. Helsen y J. Driesen. Object-
oriented electrical grid and photovoltaic system modelling in Modelica. En 8th International
Modelica Conference, pags. 730738 (2011).
134
Bibliografa
Yang, H.; L. Lu y J. Burnett. Weather data and probability analysis of hybrid photovoltaicwind
power generation systems in hong kong. Renewable Energy, tomo 28(11), pags. 18131824
(2003).
Yang, H.; Z. Wei y L. Chengzhi. Optimal design and techno-economic analysis of a hybrid
solarwind power generation system. Applied Energy, tomo 86(2), pags. 163169 (2009).
Yang, H.; W. Zhou; L. Lu y Z. Fang. Optimal sizing method for stand-alone hybrid solarwind
system with lpsp technology by using genetic algorithm. Solar energy, tomo 82(4), pags.
354367 (2008).
Yang, Y.; S. Zhang y Y. Xiao. An milp (mixed integer linear programming) model for optimal
design of district-scale distributed energy resource systems. Energy, tomo 90, pags. 1901
1915 (2015).
Zhang, X.; S.-C. Tan; G. Li; J. Li y Z. Feng. Components sizing of hybrid energy systems via
the optimization of power dispatch simulations. Energy, tomo 52, pags. 165 172 (2013).
Zhou, K.; J. Ferreira y S. De Haan. Optimal energy management strategy and system sizing
method for stand-alone photovoltaic-hydrogen systems. International Journal of Hydrogen
Energy, tomo 33(2), pags. 477489 (2008).
Zhou, W.; C. Lou; Z. Li; L. Lu y H. Yang. Current status of research on optimum sizing
of stand-alone hybrid solarwind power generation systems. Applied Energy, tomo 87(2),
pags. 380389 (2010).
Zumoffen, D. y M. Basualdo. Optimal sensor location for chemical process accounting the best
control configuration. Computer Aided Chemical Engineering, tomo 27, pags. 15931598
(2009).
Zumoffen, D.; G. Molina y M. Basualdo. Plant-wide control based on minimum square de-
viation. 9th IFAC International Symposium on Dynamics and Control of Process Systems,
pags. 443448 (2010).
135