Ανάπτυξη μεθοδολογίας προβλεπτικού ελέγχου για τη ρύθμιση συστήματος κελιών καυσίμου υδρογόνου

Abstract

Τα κελιά καυσίμου (fuel cells) αποτελούν τα τελευταία χρόνια μία ραγδαίως εξελισσόμενη τεχνολογία με πληθώρα επίγειων όσο και κινητών εφαρμογών. Τα κελιά καυσίμου ουσιαστικά αποτελούν χημικές μηχανές που μετατρέπουν το χημικό δυναμικό του καυσίμου και του οξειδωτικού αερίου (υδρογόνο και οξυγόνο) σε ηλεκτρική ενέργεια. Το μεγάλο πλεονέκτημα αυτής της τεχνολογίας είναι η μεγάλη απόδοση και η ελαχιστοποίηση των εκπομπών καυσαερίων. Παρόλα αυτά, η βιωσιμότητα, η αποδοτικότητα και η ευρωστία της τεχνολογίας αυτής εξαρτάται έντονα από την κατανόηση, την πρόβλεψη, την παρακολούθηση και εν τέλει τη βελτιστοποίηση και ρύθμιση της λειτουργίας τους. Σκοπός της παρούσας εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου εργαλείου βελτιστοποίησης και ρύθμισης μίας συστοιχίας κελιών καυσίμου μεμβράνης ανταλλαγής πρωτονίων (PEMFC) με στόχο την όσο το δυνατόν χαμηλότερη κατανάλωση υδρογόνου. Αρχικά μέσω μαθηματικού μοντέλου προσομοίωσης της λειτουργίας συστοιχίας PEMFC, δημιουργείται μία βάση δεδομένων που αποτελείται από διάφορες τιμές των μεταβλητών εισόδου (ένταση ηλεκτρικού ρεύματος, I, και δυναμικό συμπιεστή, ) και των μεταβλητών εξόδου (παραγόμενη ισχύς, Pnet και λόγος παρεχόμενου οξειδωτικού αερίου ως προς το καταναλισκόμενο, λ). Στη συνέχεια, επιδιώκεται ο προσδιορισμός συσχετίσεων μεταξύ των παραμέτρων εισόδου-εξόδου του συστήματος (μεταμοντελοποίηση) με χρήση γραμμικών και μη γραμμικών μεθόδων και πιο συγκεκριμένα με χρήση Τεχνιτών Νευρωνικών Δικτύων (ΤΝΔ). Η σύγκριση έδειξε ότι η χρήση των ΤΝΔ πλεονεκτεί σε πολλά σημεία για την καλύτερη απόδοση των ισχυρά μη γραμμικών συσχετίσεων μεταξύ των παραμέτρων εισόδου-εξόδου. Στο επόμενο στάδιο, διαμορφώνεται και επιλύεται ένα πρόβλημα Μη Γραμμικού Προγραμματισμού (Non Linear Programming Problem, NLP) όπου ως αντικειμενική συνάρτηση θέτουμε το παρεχόμενο προς κατανάλωση υδρογόνο του οποίου αποσκοπούμε την ελαχιστοποίηση. Έτσι, για κάθε τιμή απαιτούμενης ισχύος λαμβάνουμε και την αντίστοιχη βέλτιστη τιμή του λόγου λ. Τελευταίο βήμα αποτελεί η ρύθμιση της δυναμικής συμπεριφοράς της συστοιχίας με την χρήση ενός μοντέλου προβλεπτικής ρύθμισης (Model Predictive Control, MPC). Πιο συγκεκριμένα, ως επιθυμητές τιμές (set-points) εισάγονται η απαιτούμενη ισχύς και ο λόγος λ που προέκυψαν από την επίλυση του προβλήματος βελτιστοποίησης που περιγράφηκε παραπάνω. Τελικά, ο ρυθμιστής που κατασκευάζεται και εφαρμόζεται στη συστοιχία, οδηγεί το σύστημα με ταχύτητα και ακρίβεια στον στόχο που του θέτει ο χειριστής με τη μικρότερη δυνατή κατανάλωση υδρογόνου. Συμπερασματικά, μπορούμε να πούμε ότι αναπτύχθηκε ένα ολοκληρωμένο εργαλείο βέλτιστης ρύθμισης κελιών καυσίμου το οποίο μπορεί να αποδειχθεί ιδιαίτερα χρήσιμο σε όσους ενδιαφέρονται για την τεχνολογία αυτή καθιστώντας την όσο το δυνατόν πιο οικονομική και αποδοτική.

Fuel cell is a rapidly evolving technology with applications in many industries including transportation, and both portable and stationary power generation. Fuel cells basically convert the chemical energy of the reactant gases (hydrogen and oxygen) into electrical energy. The main advantages of this emerging technology are high efficiency and minimization of emissions. The viability, efficiency and robustness of fuel-cell systems depend strongly on optimization and control of their operation. The purpose of this study is the development of a complete optimization and control tool for a Proton Exchange Membrane Fuel-Cell (PEMFC) stack. Emphasis is given on the minimization of the consumed amount of hydrogen. First, via a simulation model, a database is generated which includes values of the input variables (intensity of electric current, I, and compressor voltage, ) and the corresponding values of output variables (net output power, Pnet, and the ratio of the incoming oxygen mass flow to the oxygen mass that reacts, λ). In a second step, mathematical relationships are developed between the input and output variables. In particular, the linear regression methodology and the Radial Basis Function (RBF) neural network architecture are utilized for producing the input-output “meta-models”. The comparison between linear and neural network models showed that neural network models obtain better results than linear models. In the third step, a Non Linear Programming Problem (NLP) is formulated that takes into account the constraints and limitations of the system. The objective function to be minimized is the supplied hydrogen to the stack for a given value of power demand. Based on the formulation and solution of the NLP problem, a look-up table is developed, containing the optimal values of the system variables for any possible value of power demand. In the last step, a methodology based on the principles of the Model Predictive Control (MPC) is designed for the optimal control of the system response to successive sep-point changes of power demand. . The optimal λ-value (determined by the solution of the optimization problem as described above) ισ used as an additional controlled variable. The efficiency of the produced MPC system is illustrated by a number of simulations, which show that a successful dynamic closed-loop behavior can be achieved, while at the same time the consumption of hydrogen is minimized. In conclusion, an integrated optimal control tool was developed for fuel cell systems, that may prove useful to researchers and practitioners who are working on this particular technology. It is also expected that the results of this Diploma Thesis will contribute in improving sufficiency and competitiveness of the fuel cell technology.