Aprendizaje de la señal de control para un electrolizador tipo PEM

Abstract

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.

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 thecooling system coupled to the electrolyser. The electric current and ambient temperature data are measured by the system. Onthe other hand, the energy dissipation data by the cooling system flow rate were obtained from simulations of a temperaturecontroller that uses the Model Predictive Control technique. Two learning techniques are proposed: Gaussian Mixture Model andGaussian Mixture Regression, and NeuroFuzzy model. Simulation results demonstrate that the learning techniques accuratelymodeled the control signal in the electrolyser.