Desarrollo de un modelo subrogado de una pila de combustible tipo PEM basado en redes neuronales a partir de un modelo de Simscape

Abstract

[ES] En un escenario global donde la necesidad de adoptar fuentes de energía limpias y sostenibles se hace cada vez más evidente, el empleo de hidrógeno como vector energético emerge como una alternativa fundamental. Excedentes de energías renovables pueden ser aprovechados para producir hidrógeno, y emplearlo, cuando se precise de electricidad, en celdas de combustible. Esta tecnología no solo se caracteriza por no generar emisiones contaminantes, al generar únicamente agua como subproducto, sino que también destaca por su considerable rendimiento energético. Por ello, este trabajo se enmarca en los ODS relacionados con la eficiencia energética y disminución de contaminantes.

El objetivo del presente Trabajo Final de Máster es el desarrollo de un modelo de una pila de combustible de tipo PEM (Membrana de Intercambio Protónico) empleando redes neuronales. El modelo implementado es un modelo subrogado de un modelo de Simscape®. El modelo subrogado mejoró la rapidez de obtención de datos y permitió variar ciertas condiciones de operación.

Se partió de un modelo de Simscape®, el cual se adaptó para poder recopilar datos variando algunas condiciones de operación: la temperatura de la pila, el caudal másico de hidrógeno y el coeficiente de exceso de oxígeno (para estimar el caudal de aire). Además de la modificación del modelo original, se desarrollaron diversos códigos fuente para la obtención automatizada y organizada de datos. Posteriormente, se obtuvo una base de datos empleando diversas simulaciones variando las condiciones de operación. Gracias a los datos obtenidos se procedió a la obtención de los modelos subrogados, se construyó la arquitectura de la red neuronal (que será diferente para cada modelo) y se realizó el entrenamiento, ajustando los parámetros de la red. Los modelos utilizaron como entrada las siguientes variables: densidad de corriente, caudal másico de hidrógeno, coeficiente de exceso de oxígeno y temperatura de trabajo de la pila. La salida de estos fue el potencial de la pila de combustible. Los modelos fueron comparados entre ellos para seleccionar aquel que mejor se ajuste al comportamiento del modelo original atendiendo al coeficiente de correlación de test y el error cuadrático medio.

Por último, el modelo desarrollado se empleó en un algoritmo que estima los caudales óptimos de hidrógeno y aire para una potencia demandada por el usuario. Esta aplicación demostró la utilidad del modelo y justificó su utilización frente al modelo original de Simscape®.

El proyecto de final de máster se ha llevado a cabo en el marco de unas prácticas de empresa en la institución "CÁTEDRA BP-UPV INNOVACIÓN ENERGÉTICA", integrando conocimientos teóricos y prácticos para abordar desafíos actuales en el ámbito de la innovación energética.

[EN] In a global scenario where the need to adopt clean and sustainable energy sources is increasingly evident, the use of hydrogen as an energy vector emerges as a fundamental alternative. Surpluses of renewable energy can be harnessed to produce hydrogen, which can then be used in fuel cells to generate electricity as needed. This technology not only stands out for not generating polluting emissions, as it only produces water as a by-product, but also for its considerable energy efficiency. Therefore, this work aligns with the Sustainable Development Goals related to energy efficiency and pollution reduction.

The objective of this Master's Final Project is to develop a model of a PEM (Proton Exchange Membrane) fuel cell using neural networks. The implemented model is a surrogate model of a Simscape® model. The surrogate model improved the speed of data acquisition and allowed for varying certain operating conditions.

A Simscape® model was used as the starting point, which was adapted to collect data by varying some operating conditions: the fuel cell temperature, the hydrogen mass flow rate, and the oxygen excess coefficient (to estimate the air flow rate). In addition to modifying the original model, various source codes were developed for automated and organized data acquisition. Subsequently, a database was obtained using various simulations with different operating conditions. Based on the obtained data, the surrogate models were developed, the neural network architecture was constructed (which would be different for each model), and training was carried out, adjusting the network parameters. The models used the following input variables: current density, hydrogen mass flow rate, oxygen excess coefficient, and fuel cell operating temperature. The output was the fuel cell potential. The models were compared with each other to select the one that best fits the original model's behavior, considering the test correlation coefficient and the mean squared error.

Finally, the developed model was used in an algorithm that estimates the optimal hydrogen and air flows for a power demanded by the user. This application demonstrated the model's usefulness and justified its use over the original Simscape® model.

The master's thesis project has been carried out within the framework of an internship at "CÁTEDRA BP-UPV INNOVACIÓN ENERGÉTICA", integrating theoretical and practical knowledge to address current challenges in the field of energy innovation.