Aprendizaje de la señal de control para un electrolizador tipo PEM

• Becerra-Mora, Yeyson ^[1] ; Chicaiza, William D. ^[1] ; Sobral Barros-Queiroz, Juliana ^[1] ; Acosta, J. Á. ^[1] ; Escaño, Juan Manuel ^[1]
  1. [1] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: español
• Títulos paralelos:
  • Control Signal Learning for a PEM Electrolyser
• Enlaces
  • Texto completo
• Resumen
  • español

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

  • English

    This work proposes a signal control learning for a PEM electrolyser, considering system input and output variables suchas electrical current supplied by a photovoltaic source, ambient temperature, and the energy dissipation by the flow rate of the cooling system coupled to the electrolyser. The electric current and ambient temperature data are measured by the system. On the other hand, the energy dissipation data by the cooling system flow rate were obtained from simulations of a temperature controller that uses the Model Predictive Control technique. Two learning techniques are proposed: Gaussian Mixture Model and Gaussian Mixture Regression, and NeuroFuzzy model. Simulation results demonstrate that the learning techniques accurately modeled the control signal in the electrolyser.