Gestión Integrada de Sistemas de Generación Con Múltiples Fuentes de Energía Renovable

Universidad Nacional de Rosario (UNR)
Facultad de Ciencias Exactas, Ingeniera y Agrimensura

Centro Internacional Franco Argentino de Ciencias de la
Informacion y Sistemas (CIFASIS) (CONICET-UNR)
Grupo de Ingeniera de Sistemas de Procesos (GISP)
Tesis Doctoral
Gestion Integrada de Sistemas de

Generacion con Multiples Fuentes de
Energa Renovables
Pablo Gabriel Rullo
Director: Dr. Diego Feroldi

Co-Director: Dr. David Zumoffen
Tesis presentada en la Facultad de Ciencias Exactas, Ingeniera y Agrimensura, en

cumplimiento parcial de los requisitos para optar al ttulo de
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
GISP Grupo Ingeniera de Sistemas de Procesos.

CIFASIS (UNR-CONICET).
Blvd. 27 de Febrero 210 Bis.
2000 Rosario, Argentina.
TE: +54 - 0341 - 4815569 Int. 300.
E-mail: rullo@cifasis-conicet.gov.ar
Ano: 2017.
ii
Agradecimientos
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
La problematica cada vez mas apremiante derivada de la dependencia de los combustibles

fosiles, principalmente en lo referido a la generacion de energa electrica, hace necesario repensar
y profundizar los esfuerzos para modificar la matriz energetica. En este marco, los sistemas de
generacion de energa electrica basados en fuentes renovables han adquirido gran importancia.
Debido a la naturaleza intermitente de muchos de los recursos renovables es necesario combinar
mas de una fuente (por ejemplo, eolica y solar), y en el caso de sistemas aislados (sin conexion a
la red electrica) unidades de almacenamiento de energa, para lograr un sistema confiable. Estos
sistemas se conocen como Sistemas Hbridos basados en Energa Renovable (HRES, por sus
siglas en ingles: Hybrid Renewable Energy System). Los sistemas de almacenamiento de energa
(ESS, por sus siglas en ingles: Energy Storage System) usualmente incluyen almacenamiento
de energa a corto y largo plazo. El hidrogeno es un vector de energa en creciente uso debido a
su alta densidad energetica, por lo que son muy utilizados para el almacenamiento de grandes
cantidades de energa durante tiempos prolongados. En esta tesis se estudian topologas de
HRES con generacion de hidrogeno a partir del reformado de bioetanol y de electrolisis, para
luego ser utilizadas en la generacion de energa a traves de pilas de combustible tipo PEM (en
ingles: Proton Exchange Membrane).
El estudio de HRES es un area de investigacion multidisciplinaria dado que involucra disci-
plinas tales como diseno y sntesis de procesos, control, modelado matematico e identificacion
de sistemas, gestion de energa y optimizacion. En el desarrollo de esta tesis se abordaron y
realizaron aportes en cada uno de estos campos. De esta manera se generaron herramientas
que contribuyen a una gestion integral y unificada de los HRES.
En primer lugar, se han realizado aportes en el desarrollo de modelos que permiten observar
fenomenos generalmente solapados en los modelos tradicionales, como son las conmutaciones
en los conversores de potencia, y a la vez permiten una simulacion eficiente del sistema com-
pleto. En el area del diseno de la estructura de control base, se propuso la incorporacion de un
control predictivo basado en modelos (MPC, por sus siglas en ingles: Model Predictive Control)
para el reemplazo de los lazos crticos a fin de asegurar la calidad y seguridad en la produccion
de hidrogeno en una planta de reformado de bioetanol que alimenta una pila tipo PEM. Las
referencias de potencia para la estructura de control base son generadas por la estrategia de
gestion de energa (EMS, por sus siglas en ingles: Energy Management System), con el objetivo
de asegurar el balance de potencias teniendo en cuenta limitaciones operativas y economicas.
En este sentido, se presento una EMS basada en reglas que utiliza el concepto de horizonte
deslizante, obteniendo mejoras con respecto a una estrategia sin predicciones. Esta estrategia
aprovecha la prediccion de la generacion a futuro en las fuentes de energa, la carga requerida
y la evolucion del estado de carga en las bateras. Finalmente, se realizaron aportes referidos
a la etapa de dimensionamiento de los componentes de un HRES. El mismo resulta crucial
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
HRES Sistemas hbridos basados en energa renovable.

ESS Sistemas de almacenamiento de energa.
PEM Membrana de intercambio protonico.
MPC Control predictivo basado en modelos.
EMS Estrategia de gestion de energa.
EMPC MPC Economico.
MINLP Problema de optimizacion mixto entero no lineal.
GA Algoritmos Geneticos.
PV Fotovoltaico.
FC Pila de combustible.
PFAC Acoplamiento AC en frecuencia de potencia.
HFCA Acoplamiento AC en alta frecuencia.
MPP Punto de maxima potencia.
MPPT Seguimiento de estos puntos de maxima potencia.
SoC Estado de carga.
BPS Sistema reformador de bioetanol.
ESR Reformador de bioetanol mediante vapor de agua.
WGS Reactor de desplazamiento por agua.
CO-PrOx Reactor de oxidacion preferencial del monoxido de carbono.
FBC Controlador basado en filtrado.
RBC Controlador basado en reglas.
LPSP Probabilidad de perdida de suministro energa.
ELF Factor de perdida equivalente.
LA Nivel de autonoma.
ACS Costo anualizado del sistema.
COE Costo de la energa.
CRF Factor de amortizacion.
NPV Valor presente neto.
PSO Optimizacion por enjambre de partculas.
QSS Algoritmos de cuantificacion de estados.
ODE Ecuacion diferencial ordinaria.
LIQSS QSS linealmente implcitos.
LIQSS2 QSS linealmente implcitos de segundo orden.
QSS1 QSS de primer orden.
MSL Biblioteca Estandar de Modelica.
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
2. Estado del arte 5

2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Topologas de los HRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Acoplamiento por bus DC . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.2. Acoplamiento por bus AC . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.3. Acoplamiento hbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Sistemas de almacenamiento de energa . . . . . . . . . . . . . . . . . . . . . 7
2.4. Modelado del sistema hbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1. Sistema fotovoltaico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2. Sistema eolico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4.3. Banco de bateras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.4. Pila de combustible tipo PEM . . . . . . . . . . . . . . . . . . . . . . 17
2.4.5. Electrolizador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.6. Sistema de almacenamiento de hidrogeno . . . . . . . . . . . . . . . . 22
2.4.7. Convertidores de potencia DC-DC . . . . . . . . . . . . . . . . . . . . 23
2.4.8. Sistema reformador de bioetanol . . . . . . . . . . . . . . . . . . . . . 24
2.5. Estrategia de gestion de energa . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1. Estructura de la EMS . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.2. Implementacion de la EMS . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6. Dimensionamiento del HRES . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1. Analisis de confiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.2. Criterios economicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6.3. Metodologas de dimensionamiento . . . . . . . . . . . . . . . . . . . . 31
xi
Indice general
3. Simulacion eficiente de sistemas hbridos de generacion 33

3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2. Modelado y herramientas de simulacion . . . . . . . . . . . . . . . . . . . . . 34
3.2.1. Modelica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.2. Solvers ODE clasicos y simulacion de HRES . . . . . . . . . . . . . . . 36
3.2.3. Metodos QSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.4. Solver QSS autonomo . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.5. Simulacion QSS de modelos Modelica . . . . . . . . . . . . . . . . . . 38
3.3. Librera Modelica de componentes de un HRES . . . . . . . . . . . . . . . . . 38
3.3.1. Topologa de HRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.2. Convertidores DC-DC . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.3. Paneles fotovoltaicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.4. Pila de combustible tipo PEM . . . . . . . . . . . . . . . . . . . . . . 42
3.3.5. Electrolizador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.3.6. Tanque de H2 y compresor . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.7. Batera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.8. Estrategia de gestion de energa y control de la tension de bus . . . . . 45
3.3.9. Modelo completo de HRES . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4. Resultados de simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.1. Criterios y configuraciones . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.2. Caso 1: Carga resistiva pura . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.3. Caso 2: Carga rgida RL . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4.4. Case 3: Multiples paneles PV . . . . . . . . . . . . . . . . . . . . . . . 52
3.5. Conclusiones del captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.1. Herramientas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4. Control predictivo aplicado a planta de reformado de bioetanol 55

4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2. Sensores virtuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2.1. Conceptos basicos sobre redes neuronales artificiales . . . . . . . . . . . 57
4.2.2. Diseno de sensores virtuales . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3. Estrategias de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1. Control descentralizado basado en lazos PI . . . . . . . . . . . . . . . 64
4.3.2. Control predictivo basado en modelos . . . . . . . . . . . . . . . . . . 66
4.3.3. MPC Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.4. Control predictivo funcional . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4. Validacion de estrategias de control . . . . . . . . . . . . . . . . . . . . . . . 75
4.4.1. Indices de rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.4.2. Resultados de simulacion . . . . . . . . . . . . . . . . . . . . . . . . . 75
5. Estrategia de gestion de energa basada en horizonte deslizante 81

5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Descripcion del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3. Prediccion de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.1. Series temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2. Modelado y estimacion de parameteros . . . . . . . . . . . . . . . . . . 85
5.3.3. Pronostico o prediccion . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4. Estrategia de gestion de energa . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.1. EMS basada en horizonte deslizante . . . . . . . . . . . . . . . . . . . 88
xii
Indice general
5.5. Resultados y discusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6. Integracion de la EMS a la estrategia de dimensionamiento 97

6.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2. Sistema en estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2.1. Consideraciones sobre el balance de potencia . . . . . . . . . . . . . . 99
6.2.2. Modelo lineal de variables de estado . . . . . . . . . . . . . . . . . . . 100
6.3. Estrategia de gestion de energa basada en EMPC . . . . . . . . . . . . . . . . 101
6.3.1. Formulacion general del EMPC . . . . . . . . . . . . . . . . . . . . . . 101
6.3.2. Aplicacion a la gestion de energa de HRES . . . . . . . . . . . . . . . 102
6.4. Integracion de la EMS al Dimensionamiento . . . . . . . . . . . . . . . . . . . 104
6.4.1. Formulacion general del problema . . . . . . . . . . . . . . . . . . . . 105
6.4.2. Definicion del funcional costo Jdim . . . . . . . . . . . . . . . . . . . . 106
6.4.3. Criterios de confiabilidad y sustentabilidad . . . . . . . . . . . . . . . . 107
6.4.4. Formulacion del problema integrado como MINLP . . . . . . . . . . . . 107
6.4.5. Solucion basada en algoritmos geneticos . . . . . . . . . . . . . . . . . 108
6.5. Resultados y discusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.5.1. Configuracion del sistema . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.5.2. Configuracion de estrategia de dimensionamiento y EMS . . . . . . . . 114
6.5.3. Comparacion basada en KPIs . . . . . . . . . . . . . . . . . . . . . . . 115
6.5.4. Resultados de simulacion . . . . . . . . . . . . . . . . . . . . . . . . . 116
7. Conclusiones y trabajos futuros 121

7.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Bibliografa 124
xiii
Indice general
xiv
ndice de guras
1.1. Datos historicos de consumo y emisiones. . . . . . . . . . . . . . . . . . . . . 2
2.1. HRES con bus DC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.2. HRES con bus PFAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. HRES con bus HFAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4. HRES con bus DC y AC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5. Circuitos equivalentes de modelos de PV. . . . . . . . . . . . . . . . . . . . . 9
2.6. Caracterstica I-V tpica del panel fotovoltaico. . . . . . . . . . . . . . . . . . . 10
2.7. Caracterstica I/P-V y MPP. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.8. Diagramas de flujo de MPPTs. . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.9. Coeficientes de potencia Cp para turbinas con pitch fijo y variable. . . . . . . . 12
2.10. Curvas de potencia de la turbina en funcion de t parametrizada por vw . . . . 13
2.11. Curva ideal de potencia de una turbina y regiones de trabajo. . . . . . . . . . . 13
2.12. Esquema circuital del modelo ADVISOR . . . . . . . . . . . . . . . . . . . . . 15
2.13. Curvas caractersticas obtenidas del software ADVISOR para una batera NiMH. 15
2.14. Esquema circuital del modelo Tremblay. . . . . . . . . . . . . . . . . . . . . . 16
2.15. Curva tpica de descarga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.16. Esquema del principio de funcionamiento de una pila tipo PEM. . . . . . . . . 19
2.17. Caracterstica tension-corriente de una celda. . . . . . . . . . . . . . . . . . . 19
2.18. Electrolizador tipo PEM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.19. Caracterstica tension-corriente en el electrolizador y su dependencia con la
temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.20. Convertidores tipo boost. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.21. Sistema reformador de bioetanol por vapor de agua. . . . . . . . . . . . . . . . 25
2.22. Esquema BPS integrado con pila PEM. . . . . . . . . . . . . . . . . . . . . . 26
2.23. Estructura EMS centralizada. . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.24. Estructura EMS distribuida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.25. Estructura EMS hbrida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.26. Tecnicas de dimensionamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1. Convertidor DC-DC Boost. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2. Topologa del HRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3. Convertidor DCDC Buckboost bidireccional. . . . . . . . . . . . . . . . . . . 40
3.4. Subsistema Boost-Panel en Modelica . . . . . . . . . . . . . . . . . . . . . . . 42
3.5. Diagrama en Modelica de sistema con paneles PV y batera . . . . . . . . . . . 42
xv
Indice de figuras
3.6. Esquema de la EMS doble histeresis. . . . . . . . . . . . . . . . . . . . . . . . 46

3.7. Modelo Modelica del HRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.8. Subsistema Pila PEM-Tanque-Electrolizador . . . . . . . . . . . . . . . . . . . 49
3.9. Balance de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.10. Estado de carga de la batera . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.11. Tension del bus de continua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.12. Corriente por la inductancia de un convertidor boost . . . . . . . . . . . . . . 51
3.13. Numero de paneles PV vs. Tiempo de CPU . . . . . . . . . . . . . . . . . . . 53
4.1. BPS + pila PEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2. Perfil caractersticos: (a) velocidad de ciclo UDDS, (b) Corriente requerida a la
pila PEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3. Perfil de corriente de carga para entrenamiento de sensores virtuales . . . . . . 59
4.4. Datos de entrenamientos para SS - Perfiles de entrada . . . . . . . . . . . . . 60
4.5. Datos de entrenamientos para SS - Perfil de variable de salida (yb9 ) . . . . . . . 60
4.6. SS1 - Mejor valor de MRE vs. numero de neuronas en la capa oculta . . . . . . 62
4.7. SS1 - Prediccion con 2 neuronas en la capa oculta . . . . . . . . . . . . . . . 62
4.8. Datos de entrenamientos para SS2 - Perfiles de entrada . . . . . . . . . . . . . 63
4.9. Datos de entrenamientos para SS2 - Perfil de la variables de salida (y11 ) . . . . 63
4.10. SS2 - Prediccion para red neuronal con 2 capas ocultas . . . . . . . . . . . . . 64
4.11. Estructura de control descentralizada basada en lazos PI . . . . . . . . . . . . 66
4.12. Estrategia de horizonte deslizante en MPC. . . . . . . . . . . . . . . . . . . . 67
4.13. Variables manipuladas - Datos de identificacion . . . . . . . . . . . . . . . . . 68
4.14. Datos de identificacion de perturbacion - Corriente de la pila . . . . . . . . . . 69
4.15. Fitting de las variables controladas . . . . . . . . . . . . . . . . . . . . . . . . 69
4.16. Estructura de control con LMPC . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.17. Principios de diseno del PFC para un punto de coincidencia. . . . . . . . . . . 71
4.18. Funciones del PFC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.19. Estructura de control con PFC . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.20. Respuesta dinamica de las variables controladas (CVs) frente a las estructuras
de control propuestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.21. Respuesta dinamica de las variables controladas (CVs) con lazos PI . . . . . . 77
4.22. Respuesta dinamica de y11 frente a las estructuras de control propuestas . . . . 77
4.23. Respuesta dinamica de las variables manipuladas (MVs) . . . . . . . . . . . . . 78
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
6.1. Esquema general del HRES en estudio . . . . . . . . . . . . . . . . . . . . . . 99

6.2. Estrategia de solucion basada en algoritmos geneticos . . . . . . . . . . . . . . 109
6.3. Perfil de radiacion - Semana de verano . . . . . . . . . . . . . . . . . . . . . . 111
6.4. Perfil de temperatura sobre la superficie del panel - Semana de verano . . . . . 111
xvi
Indice de figuras
6.5. Perfil de velocidad del viento - Semana de verano . . . . . . . . . . . . . . . . 114

6.6. Perfil de potencia de carga - Semana de verano . . . . . . . . . . . . . . . . . 114
6.7. Comparacion del nivel SoCH2 entre ReglasEMS y EMPCEMS - Ano 2011 . . 118
6.8. Distribucion de potencias para una semana de invierno con EMPCEMS - Bajos
niveles de generacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.9. Distribucion de energa en una semana de verano con excedentes de energa
renovable utilizando EMPCEMS. . . . . . . . . . . . . . . . . . . . . . . . . 119
6.10. Distribucion anual de energa en el HRES . . . . . . . . . . . . . . . . . . . . 120
xvii
Indice de figuras
xviii
ndice de tablas
2.1. Parametros para bateras tpicas . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2. Parametros del modelo de pila PEM para Nexa 1.2 kW. . . . . . . . . . . . . . 21
3.1. Parametros del modelo completo . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.2. Rendimiento de la simulacion con LIQSS y DOPRI (caso no rgido) . . . . . . 52
3.3. Rendimiento de simulacion con LIQSS y DASSL (caso rgido) . . . . . . . . . 53
4.1. Variables del sensor virtual 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.2. Variables del sensor virtual 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3. Parametros de diseno del sensor virtual 1 . . . . . . . . . . . . . . . . . . . . . 61
4.4. Parametros de diseno del sensor virtual 2 . . . . . . . . . . . . . . . . . . . . . 61
4.5. Sensor virtual 2 - Resultados de validacion . . . . . . . . . . . . . . . . . . . . 64
4.6. Variables de la planta BPS+PEM . . . . . . . . . . . . . . . . . . . . . . . . 65
4.7. RGA para la planta BPS+PEM . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.8. Punto de operacion de la planta para identificacion del modelo interno . . . . . 68
4.9. Ajuste de los parametros del LMPC . . . . . . . . . . . . . . . . . . . . . . . 70
4.10. Parametros de ajuste de PFC . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.11. Valuacion de ndices de rendimiento para las CVs con el perfil de perturbacion
UDDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.12. Energa de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.1. Conjunto de disenos optimos en funcion del parametro . . . . . . . . . . . . . 84

5.2. Orden y porcentaje de ajuste de los modelos de prediccion. . . . . . . . . . . . 91
5.3. Comparacion entre el desempeno de ambas estrategias en terminos de LP SP
para cada diseno con diferente parametro . . . . . . . . . . . . . . . . . . . . 94
6.1. Descripcion tecnica y costos asociados a un panel PV . . . . . . . . . . . . . . 112

6.2. Caracterstica de la turbina IVS 4500 . . . . . . . . . . . . . . . . . . . . . . . 112
6.3. Parametros del electrolizador . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.4. Parametros de la pila PEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.5. Caractersticas de la batera . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.6. Tanque presurizado de hidrogeno . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.7. Parametrizacion de estrategia de dimensionamiento y EMPC . . . . . . . . . . 115
6.8. Dimensionado resultante para datos histoticos ano 2010 . . . . . . . . . . . . . 116
6.9. Comparacion del dimensionamiento optimo segun ReglasEMS y EMPCEMS
basasado en KPIs - Ano 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
xix
Indice de tablas
6.10. Validacion de resultados de dimensionamiento con datos meteorologicos del

ano 2011. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
xx
CAPTULO 1
Introduccin
1.1. Antecedentes y motivacion

Actualmente, existe una creciente preocupacion por el medio ambiente a nivel mundial
fundamentada principalmente por el cambio climatico producido por el creciente aumento en
la emision de CO2 a la atmosfera. En efecto, en la Figura 1.1(a) puede verse que en ultimas
cuatro decadas se ha duplicado la cantidad de CO2 emitido. En el mismo sentido, existe una
gran preocupacion por la dependencia del petroleo para la generacion de energa, siendo este
un recurso no renovable. En la Figura 1.1(b) puede verse un continuo aumento del consumo de
energa a nivel mundial y en especial la energa producida a partir de hidrocarburos. Por lo tan-
to, el mayor uso de energas renovables representa una mejora a ambas situaciones. Las fuentes
de energa renovables tienen una gran cantidad de ventajas incluyendo la sustentabilidad, baja
contaminacion y beneficios economicos. Sin embargo, debido a la naturaleza intermitente de
muchos de los recursos renovables es necesario combinar mas de una fuente (por ejemplo, eoli-
ca y solar) (Dufo-Lopez et al., 2016), y en el caso de sistemas aislados (sin conexion a la red
electrica) unidades de almacenamiento de energa, para lograr un sistema confiable. Estos sis-
temas se conocen como sistemas hbridos basados en energa renovable (HRES). Los sistemas
de almacenamiento de energa (ESS) usualmente incluyen almacenamiento de energa a corto
y largo plazo. El hidrogeno es un vector de energa en creciente uso debido a su alta densidad
energetica, por lo que son muy utilizados para el almacenamiento de grandes cantidades de
energa durante tiempos prolongados para luego ser utilizados en pilas de combustible tipo
PEM para generacion electrica (Chong et al., 2016; Larminie y Dicks, 2003). Con respecto
a la produccion del hidrogeno necesario para alimentar las pilas de combustible, puede ser a
traves de diferentes procedimientos, tales como reformado de hidrocarburos, electrolisis o re-
formado de biocombustibles, entre los principales. El reformado de biocombustibles tales como
el bioetanol, o la electrolisis a partir de electricidad generada de fuentes renovables, tienen
importantes ventajas economicas y medioambientales. La produccion de hidrogeno a partir de
bioetanol ha sido abordada en varios trabajos, tales como Perna (2007); Francesconi et al.
(2007); Nieto et al. (2011). Por otra parte, la electrolisis a traves de tecnologa PEM es una
alternativa interesante sobre todo si se realiza utilizando fuentes de energa renovables (Bar-
bir, 2005; Sherif et al., 2005). Las ventajas de la combinacion de electrolizador y pilas de
combustible tambien ha sido estudiada en Aguirre y Valla (2011).
1
1.2. Organizacion y estructura de la tesis
(a) Crecimiento de las emisiones de CO2 en la atmosfera a nivel mundial

expresado en Mtoe.
(b) Crecimiento del consumo energetico a nivel mundial expresado en Mtoe

(1 Mtoe = 41.868.000 GJ).
Figura 1.1: Datos historicos de consumo y emisiones, fuente: International Energy Agency (IEA,
2013).
1.2. Organizacion y estructura de la tesis

La presente tesis se ha organizado de manera que en el primer captulo se presentan las
motivaciones que dieron origen a la misma. En el Captulo 2 se presentan los antecedentes mas
relevantes recopilados de la literatura que dan sustento a las hipotesis planteadas. Tambien
los modelos matematicos de los elementos que conforman un HRES y que seran utilizados a
lo largo de la tesis para validar y simular las estrategias y metodologas propuestas.
En el Captulo 3 encontraremos el desarrollo de una librera de modelos de los componentes
de un sistema hbrido de generacion de energa implementada para el lenguaje Modelica. Este
lenguaje tiene la particularidad de permitir la simulacion de sistemas conmutados con una
eficiencia muy superior a aquellos solvers que se encuentran en Matlab. De esta manera se
podran visualizar aquellos fenomenos que son solapados si se utilizan modelos promediados.
Los tiempos de simulacion resultantes son razonables, llegando en algunos casos a tiempo real.
En el Captulo 4 se realiza un estudio sobre una estructura de control basada en lazos PI
para la planta de reformado de bioetanol. Luego, se propone la implementacion de un control
predictivo basado en modelo (MPC) en parte de esta planta con el objetivo de asegurar la
calidad de produccion de hidrogeno necesaria para las pilas de combustible tipo PEM. Luego,
en el Captulo 5 se presenta una estrategia de gestion de energa (EMS) basada en el concepto
de horizonte deslizante para operar un sistema de energa hbrido con fuentes renovables (eolica
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.

A nivel general, el principal aporte de esta tesis fue generar herramientas para el estudio
integral de los sistemas hbridos de generacion de energa basados en fuentes renovables. En
particular se abordaron las etapas de modelado, simulacion, diseno y dimensionamiento, control
y gestion de energa en HRES aislados, sin posibilidad de conexion con la red electrica.
En lo particular, podemos detallar:
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.
Se propuso la implementacion de tecnicas de control predictivo basado en modelos sobre

los lazos mas integrados de una estructura descentralizada con lazos PI, para mejorar
el rechazo de perturbaciones de un procesador de bioetanol. De esta manera se cumple
con el objetivo de satisfacer la restriccion de calidad de hidrogeno de una pila PEM, y
se obtuvieron mejoras significativas con respecto al control descentralizado PI existente.
Se propuso una estrategia de gestion de energa basada en reglas e implementada a

traves de una maquina de estados que incorpora el concepto de horizonte deslizante. Esta
estrategia aprovecha la prediccion de la generacion a futuro en las fuentes de energa,
la carga requerida y la evolucion del estado de carga en las bateras. Las predicciones
de las fuentes de energa y la carga se realizan usando modelos autorregresivos y datos
historicos de la velocidad del viento, la temperatura ambiente, la radiacion solar y la
demanda de carga.
Finalmente, se presenta una formulacion completa del problema de dimensionamiento

integrando una EMS basada en un enfoque de MPC Economico. El problema de op-
timizacion resultante tiene una funcion costo lineal con restricciones lineales, pero la
presencia de variables enteras y la multiplicacion de variables de decision, requieren 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 basado
en algoritmos geneticos.
a
sistemas que combinan dinamicas rapidas y lentas.
3
El trabajo de investigacion que permitio el desarrollo de la presente tesis de doctorado

fue realizado en el Grupo de Ingeniera de Sistemas de Procesos (GISP), perteneciente al
CIFASIS. Los resultados parciales que forman parte de los captulos de esta tesis configuraron
publicaciones en congresos nacionales y artculos en revistas internacionales indexadas.
Revistas internacionales con referato

Rullo, P., Nieto Degliuomini, L., Garca, M., Basualdo, M., 2014. Model predictive
control to ensure high quality hydrogen production for fuel cells. International Journal
of Hydrogen Energy 39, 86358649.
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).
Congresos Nacionales con referato

P.G. Rullo, D. Feroldi, D. Zumoffen, Energy management for standalone hybrid sys-
tems using economic model predictive control, AADECA 2016 - 25 Congreso Argentino
de Control Automatico, Noviembre de 2016 Buenos Aires, Argentina.
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.
P.G. Rullo, D. Feroldi, D. Zumoffen, Disenos de lazos de control para un sistema

hbrido de generacion de energa, AADECA 2014 - 24 Congreso Argentino de Control
Automatico, Octubre de 2014 Buenos Aires, Argentina.
P.G. Rullo, L. Nieto Degliuomini, M. Cunningham, F. Ferreyra, L. Braccia, M. S. Ba-

sualdo, Ingeniera conceptual de un sistema hbrido de bio-etanol y energa solar para
uso vehicular, CAIQ2013 - VII Congreso Argentino De Ingeniera Qumica Energa -
Sustentabilidad - Nanotecnologas - Bioprocesos - I&D, Desafos del futuro, Rosario -
Octubre de 2013.
P. G. Rullo, L. Nieto Degliuomini, M. Garca, M. Basualdo, Desarrollo de sensores

virtuales e implementacion de control avanzado para garantizar produccion de hidrogeno
tipo PEM, 5to. Congreso Nacional - 4to. Congreso Iberoamericano Hidrogeno y Fuentes
Sustentables de Energa,Cordoba, Argentina, Junio de 2013.
4
CAPTULO 2
Estado del arte
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
Fig. 1. Schematic diagram of a dc-coupled hybrid energy system.

Figura 2.1: HRES con bus DC (Nehrir et al., 2011).
controlled to allow bidirectional power flow. The dc-coupling

2.2. Topologas de losandHRES
scheme is simple no synchronization is needed to integrate
the different energy sources, but it also has its own drawbacks.
Para la interconexion de los diferentes elementos del HRES existen tres tipos de topologas
For instance, if the system inverter is out-of-service, then the
basicas: acoplamiento por bus DC, acoplamiento por bus AC, acoplamiento hbrido (Farret y
whole system will not be able to supply ac power. To avoid this
Simoes, 2006; Nehrir et al., 2011).
situation, it is possible to connect several inverters with lower
power rating in parallel, in which case synchronization of the
2.2.1. Acoplamiento
output voltage porofbustheDC different inverters, or synchronization
with the grid,
En esta configuracion if the
existe un system is grid-connected,
unico bus de continua (DC) is needed.
a dondeAse conectan las
proper
fuentes de energa power sharing
renovables control
a traves scheme is also
de conversores required to
de potencia achieveo AC/DC
DC/DC Fig. 2. segun
Schematic of ac-coupled hybrid en
a desired load distribution among the different inverters [43].
corresponda. Las fuentes de energa con salida de tension DC podran conectarse directamente
al bus. A su vez,2)lasAC-Coupled
cargas puedenSystems: AC coupling
conectarse can be
directamente o divided
a traves into
de conversores de
two subcategories: PFAC-coupled and HFAC-coupled systems.
potencia para alcanzar los niveles de tension adecuados. Este tipo de configuraciones tambien
pueden entregar The schematic
potencia of acarga
a una PFAC-coupled
AC a travessystem
de un is shown in Fig. 2(a),
inversor.
where
La topologa the different aenergy
de interconexion traves sources
del bus DCare integrated
es de las masthrough their y utilizadas en
difundidas
la literatura porown power electronic
su simplicidad interfacing
en cuanto a la no circuits
necesidad to adepower frequencyentre las fuentes
sincronizacion
ac bus.En
de energa utilizadas. Coupling
la Figurainductors may ver
2.1 se puede alsounbeesquema
needed tpico
between the topologa, que
de esta
se utilizara en power electronic
los diferentes casoscircuits and que
de estudio the seacabordaran
bus to achieve
en esta desired
tesis.
power flow management.
2.2.2. Acoplamiento The schematic
por bus of an
ACHFAC-coupled system is shown in
Fig. 2(b). In this scheme, the different energy sources are cou-
El acoplamiento
pled toACan puede
HFACrealizarse a traves
bus, to which HFAC de dos configuraciones:
loads are connected. acoplamiento
This AC en
frecuencia de potencia (PFAC, por sus siglas en ingles: Power Frequency Alternate Current)
configuration has been used mostly in applications with HFAC
y acoplamiento AC en alta frecuencia (HFCA, por sus siglas en ingles: High Frequency Alter-
(e.g., 400 Hz) loads, such as in airplanes, vessels, submarines,
nate Current). El esquema de la configuracion PFCA se muestra en la Figura 2.2, donde las
and in space station applications [4], [44], [45]. Fig. 3. Schematic diagram of a hybrid-cou
diferentes fuentes de energa se conectan al bus AC a traves de los conversores de potencia
In both PFAC and HFAC systems, dc power can be obtained
adecuados. En este caso las cargas AC se conectan directamente al bus mientras que las cargas
through ac/dc rectification. The HFAC configuration can also
DC a traves de conversores AC/DC.
include a PFAC bus and utility grid (through an ac/ac or a dc/ac hand, if the main power sources g
Un esquema de la configuracion HFCA se muestra en la Figura 2.3 donde se conectan las
converter), to which regular ac loads can be connected. power quality for the grid and th
fuentes de energa y cargas HFCA. Este tipo de configuracion es muy utilizada en aplicaciones
3) Hybrid-Coupled Systems: Instead of connecting all the ac-coupled system is a good option
con cargas de alta frecuencia como aeroplanos, submarinos y estaciones espaciales (Sood
DG sources to just a single dc or ac bus, as discussed previ- of a hybrid system generate a mixt
et al., 1987; Cha y Enjeti, 2003). La topologa HFCA puede incluir un bus PFCA para cargas
ously, the different DG asources a hybrid-coupled integration sche
regulares o la posibilidad de conexion la red.can be connected to the dc or ac
bus of the hybrid system. Fig. 3 shows a hybrid-coupled system, worth mentioning that the power e
where DG resources are connected to the dc bus and/or ac bus. in Figs. 2 and 3 can be made as mo
In this configuration, some energy sources can be integrated di- will give the systems more flexibil
6 rectly without extra interfacing circuits. As a result, the system
can have higher energy efficiency and reduced cost. On the other B. Unit Sizing and Technology Se
hand, control and energy management might be more compli- Component sizing of hybrid RE/
cated than for the dc- and ac-coupled schemes. has been studied extensively, e.g., [
IEEE TRANSACTIONS ON SUSTAINABLE
2.3.ENERGY, VOL.
Sistemas de 2, NO. 4, OCTOBER de
almacenamiento 2011
energa
IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, VOL. 2, NO. 4, OCTOBER 2011
Figura 2.2: HRES con bus PFAC (Nehrir et al., 2011).
energy system.
upled hybrid energy system.
flow. The dc-coupling

al power flow. The dc-coupling
is neededisto
ronization integrate
needed to integrate
asitits
ut own
also has drawbacks.
its own drawbacks.
ut-of-service,
verter is out-of-service,then the then the
co power.
supply acTo power.
avoid Tothis
avoid this
nect
l inverters with lower lower
several inverters with
hich case synchronization of the
ntynchronization of the
inverters, or synchronization
s, or synchronization
s grid-connected, is needed. A
Figura 2.3: HRES con bus HFAC (Nehrir et al., 2011).
nnected,
cheme is also is required
needed.toA achieve Fig. 2. Schematic of ac-coupled hybrid energy system: (a) PFAC; (b) HFAC.
ng the
so different
required toinverters
achieve[43].Fig. 2. Schematic of ac-coupled hybrid energy system: (a) PFAC; (b) HFAC.
AC coupling can be 2.2.3.intoAcoplamiento hbrido
divided
erent inverters [43].
led and HFAC-coupled systems.
gledcan be isdivided
system shown ininto
En la Figura 2.4 se muestra el esquema de un sistema con acoplamiento hbrido. El mismo
Fig.formado
2(a), por un bus DC y uno PFAC donde se conectan las cargas y fuentes de energa
esta
FAC-coupled systems.
rces are integrated through segun their
el tipo de interfase que posean. Este tipo de configuracion si bien puede significar una
mngiscircuits
showntoina Fig. power2(a),
frequency
mejora en la eficiencia del sistema debido a la utilizacion de menor cantidad de conversores,
ay also be needed
tegrated through their between the
implica una mayor complejidad en el control y gestion de energa.
to a power frequencydesired
the ac bus to achieve En los HRES aislados la topologa mas utilizada es la que posee un bus de continua como
medio de interconexion, y es la que se utilizara en los casos de estudio considerados en esta
eC-coupled
needed between
system is tesis.the
shown Sininembargo, las metodologas de gestion de energa y dimensionamiento presentadas,
us to achieve
different desired
energy sources are cou-
principalmente en los Captulos 5 y 6, pueden ser generalizadas para otro tipo de topologas.
HFAC loads are connected. This
ostly in applications
system is shown withinHFAC
2.3. Sistemas de almacenamiento de energa
n airplanes,
nergy vessels,
sources are submarines,
cou-
ns [4], [44], [45]. Los ESS sonFig. los
3. Schematic
encargadosdiagram of a hybrid-coupled
de asegurar hybrid energy
una alimentacion system.
estable de la carga frente a la
ds are connected. This
stems, dc power can bevariabilidad
obtained existente en las fuentes renovables de energa. En los HRES aislados los ESS tienen
plications
he with HFAC
HFAC configuration canmodos
tres also de operacion: (i) el modo carga, que se produce cuando el balance entre la energa
,grid
vessels,
(throughsubmarines, or a dc/acy la hand,
an ac/acgenerada requeridaif the mainpositivo,
resulta power sources generate
(ii) el modo ac (with
descarga que sereasonable
da en el caso contrario,
],loads
[45].can be connected.es decir Fig.
cuandopower
3. la quality for
energa generada
Schematic the
diagram of grid and the connected
en alahybrid-coupled
fuentes no llega loads),
a satisfacer
hybrid energy lathen an y el ESS debe
carga
system.
s: Instead ac-coupled system is a good option. If the major power sources
power canofbeconnecting
obtainedall the of a hybrid system generate a mixture of ac and dc power, then
c or ac bus, as discussed previ- 7
configuration
can be connected can also
to the dc or ac a hybrid-coupled integration scheme may be considered. It is
ugh
showsan aac/ac or a dc/ac
hybrid-coupled hand,worth
system, if the main power
mentioning that thesources generateinterfacing
power electronic ac (withcircuits
reasonable
be connected.
cted to the dc bus and/or ac bus. power quality
in Figs. 2 andfor thebegrid
3 can madeand the connected
as modular loads),
building blocks, then an
which
eral inverters with lower
se synchronization of the
rters, or synchronization
connected, is needed. A
2.4. Modelado del sistema hbrido
s also required to achieve Fig. 2. Schematic of ac-coupled hybrid energy system: (a) PFAC; (b) HFAC.
different inverters [43].
pling can be divided into
HFAC-coupled systems.
tem is shown in Fig. 2(a),
e integrated through their
uits to a power frequency
be needed between the
bus to achieve desired
led system is shown in

t energy sources are cou-
loads are connected. This
applications with HFAC
nes, vessels, submarines,
44], [45]. Fig. 3. Schematic diagram of a hybrid-coupled hybrid energy system.
Figura 2.4: HRES con bus DC y AC (Nehrir et al., 2011).
dc power can be obtained
C configuration can also
hrough an ac/acaportar
or a dc/ac hand,
parte de if the main
la energa power(iii)
acumulada, sources generate
y el modo ac (with reasonable
de acumulacion o stand-by si el balance
can be connected.resulta nulo. power quality for the grid and the connected loads), then an
ead of connecting Los all the ac-coupled
ESS suelen system
clasificarse is a elgood
segun option.
tiempo If the majorque
de acumulacion power sources
pueden alcanzar en corto,
bus, as discussed previ- of a hybrid system generate a mixture of ac and dc power, then
mediano o largo plazo (Schainker, 2004):
connected to the dc or a hybrid-coupled integration scheme may be considered. It is
ac plazo:
Corto Capacitores, supercapacitores, volantes de inercia.
a hybrid-coupled system, worth mentioning that the power electronic interfacing circuits
bus. in plazo:
the dc bus and/or ac Mediano Figs. 2Bateras,
and 3 canairebe comprimido.
made as modular building blocks, which
rces can be integrated di- will give the systems more flexibility and scalability.
Largo Plazo: Hidrogeno comprimido, Almacenamiento de agua para bombeo.
s. As a result, the system
reduced cost. On theOtraother B. Unit Sizing and Technology Selection
clasificacion utilizada por Chen et al. (2009) se basa en las caractersticas que tiene
t might be more compli-de almacenamiento
el proceso Component sizing of hybrid
de energa, RE/AEsersystems
pudiendo is important
mecanico, qumico oand
electrico.
schemes. has been studied extensively, e.g., [7], [11], [16][18], and [46].
ir own appropriate appli- Selection of the most suitable generation technologies (i.e., suit-
a hybrid system generate able mix of RE/AE/conventional sources) for a particular ap-
tial amounts of dcEn loads, plication
esta seccion is also equally
se presentan los modelosimportant. Available
matematicos de losapplication
componentes soft-
de los HRES que
ood choice. Onsethe other ware can be used to properly select generation technologies
utilizaran a lo largo de la tesis como casos de estudio. En particular, se presentan los modelos
de paneles fotovoltaicos (PV), turbinas eolicas, banco de bateras, pilas de combustible tipo
PEM, Electrolizadores, tanques de hidrogeno, convertidores de potencia DC/DC y un sistema
reformador de bioetanol para produccion de H2 .
2.4.1. Sistema fotovoltaico

Una celda fotovoltaica es basicamente una juntura p-n construida con capas de material
semiconductor, donde la radiacion electromagnetica de la energa solar se convierte directa-
mente en electricidad a traves del efecto fotoelectrico. La energa electrica generada depende
de las caractersticas de la tecnologa utilizada, como as tambien de parametros constructivos
y de las condiciones atmosfericas. Estas ultimas, en particular la radiacion y la temperatura
ambiente, afectan de manera significativa el rendimiento de la celda.
Una celda fotovoltaica presenta una caracterstica corriente-voltaje y potencia-voltaje no
lineal que vara de acuerdo a la intensidad de la radiacion solar y la temperatura de la misma.
Un modelo de la celda puede representarse con un circuito equivalente formado por una fuen-
te de corriente controlada no lineal, dos diodos, una resistencia en serie y una resistencia en
paralelo (Gow y Manning, 1999). Este modelo, presentado en la Figura 2.5(a), derivado del
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
modeling and simulation platform. Especially, in the context

8
6444474444
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
[2] O. Wasynczuk, Dynamic behavior of a class of photovoltaic power

systems, IEEE Transactions on Power Apparatus and Systems, vol.
PAS-102, no. 9, 1983, pp. 3031-3037. NS
[3] J. C. H. Phang, D. S. H. Chan, and J. R. Philips, Accurate analytical V
method for the extraction of solar cell model parameters, Electronics
Letters, vol. 20, no. 10, 1984, pp.406-408. Voltage
[4] C. C. Hua and C. M. Shen, Study of maximum power tracking
ppropriate model
techniques (d) Simplified model
and control of dc-dc converters for photovoltaic power (b) Generalized model
V
system, Proceedings of 29 annual th
(c) IEEE
Appropriate
(c) Modelo model
generalizado.
Power Electronics (c) (d)
(d) Simplified
Appropriate
Arreglo
Insolation de model
model
paneles. (d) Sim
Fig. 1 Equivalent
Specialists Conference,circuit models
vol. 1, 1998, of PV cell.
pp. 86-93. 44
N
47P444
Solar6irradiance 8
Ins
[5] J. A. Gow and C. D. Manning, Development of a
Figura 2.5:photovoltaic
Fig. array
1 Equivalent
Circuitos circuit
equivalentes de models
modelos of de PVPV Fig.
(Tsai,1 2010).
cell. Equivalent circuit models of PV
8
model for use in power-electronics simulation studies, IEE Solar

6444474444
Proceedings- Electric Power Applications, vol. 146, no. 2, 1999, pp. Tc

TC
193-199.
[6] O. Wasynczuk, Modeling and dynamic performance of a line- Cell
N S Temperature
commutated photovoltaic inverter system, IEEE Transactions on Generalized PV Module
Energy Conversion, vol. 4, no. 3, 1989, pp. 337-343. Fig. 4(a) Masked implementation9of generalized Cell Te
[7] R. Messenger and J. Ventre, Photovoltaic Systems Engineering, CRC
Press, 2000, pp.41-51. Fig.
[8] M. Veerachary, T. Senjyu, and K. Uezato, Voltage-based maximum (c) Appropriate model
power point tracking control of PV system, IEEE Transactions on
Fig. 2 Equivalent circuit models of generalized PV.
ble Energy Sources 675
terials are suitable for the square the IV curve is, given by
most common types using
are: Fill Factor = (V
mp mp I )/(V I ) (27.2)
Las celdas generalmente se occonectan
sc
en serie formando modulos o paneles para alcanzar
tensiones de trabajo adecuadas. A su vez,sili-los paneles pueden disponerse en arreglos serie-
For a silicon solar cell, FF is typically 0.60.8. Because
con solar cells typically produce only about 0.5 V, a number of
paralelo
cells aresegun
connectedla intension
series in a y
PVpotencia
module. A panelnecesaria
is a col- (ver Figura 2.5(d)). La corriente disponible de
lection of modules physically and electrically grouped together
una arreglo de paneles (I ) fotovoltaicos se extiende de la Ecuacion (2.1) como:
any point along its char- on a support structure. An arraypvis a collection of panels (see
shown in Fig. 27.3. Two Fig. 27.4).
e the open-circuit voltage The effect of temperature on the performance of sili- q (Vpv (t) + Ipv (t)Rs )
). The open-circuit voltage con solarImodule
pv (t) = Npv,p Iph
is illustrated Fig.
in (t) Npv,p
27.5. NoteIthat
rs (t)
Isc exp 1 , (2.4)
urrent, while short-circuit slightly increases linearly with temperature, but, Voc and the Npv,s Ac KTc (t)
at zero voltage. For a sili- maximum power, Pm decrease with temperature [1].
conditions, Voc is typically Vpv 27.6
dondeFigure es lashows
tension en bornes
the variation del panel
of PV current [V], Npv,p es el numero de ramas en paralelo, y Npv,s
and voltages
40 mA for every square es elatnumero de celdas
different insolation levels. conectadas en27.6,
From Figs. 27.5 and serie
it canen
be cada rama. En las Figuras 2.6(a) y 2.6(b), puede
d approximation, Isc is pro- seen that the IV characteristics of solar cells at a given inso-
observarse
whereas Voc is proportional lation andla caracterstica
temperature consist of aI-V tpica
constant delsegment
voltage panel y la dependencia con respecto a la temperatura
n level.
y
oltage (V ) for this device
la radiacion, respectivamente.
que point on the IV curve 676
maximum power. This is
nt (Vmp , Imp ). To maximize Radiation = 1000 W/m 2
Ambient Temp. [300 k] low load levels signicantly increases ma
6 5
taken during fabrication, reduces their useful life. Renewable ene
G=1000 W/m2
pen-circuit voltage, short- 4.5 PV can be added to remote area power
a term describing how 5 Ta=273 [K] and other fossil fuel powered generators
4 G=800 W/m2
power economically and efciently. Suc
4 3.5 hybrid energy systems. Figure 27.8 sh
Ta=280 [K] G=600 W/m2 a PV-diesel hybrid system. In grid-con
Current [A]
3
Current [A]
Pmpp shown in Fig. 27.9, PV panels are connect

3 2.5 inverters without battery storage. These s
G=400 W/m2 ed as small systems like the residential
2
2 large grid-connected systems. The grid-
Ta=290[K] 1.5
2
must be synchronized with the grid in t
G=200 W/m
1 Ta=310[K] 1 frequency.
Ta=320[K] 0.5
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
Figura 2.6: Caracterstica I-V tpica del panel fotovoltaico

and a constant (Nayar
current segment et current
[3]. The al., 2007)
is limited, Battery
PV Module PV Panel PV Array as the cell is short-circuited. The maximum power condition
occurs at the knee of the characteristic curve where the two FIGURE 27.8 PV-diesel hybrid
La temperatura en la celda depende principalmente de la temperatura ambiente Ta (t)
segments meet. y de
la radiacion, y puede calcularse como:
27.2.2 Types of PV Power Systems

Photovoltaic power systems can be classied as: PV Panel
N OCT 20
Tc (t) = Ta (t) + Stand-alone PVsystems.
r (t), (2.5)
800
Hybrid PV systems.
Power
FIGURE 27.4 PV generator terms. Conditioning
Grid-connected PV systems.
donde N OCT es la temperatura de la celda en operacion nominal [ C] y es un dato de
Contro
Stand-alone PV systems, shown in Fig. 27.7, are used in

fabricacion que se encuentra en la hoja de datosremote
del panel.
areas with no access to a utility grid. Conventional
power systems used in remote areas often based on man-
ually controlled diesel generators operating continuously or
Seguimiento de puntos de maxima potenciafor a few hours. Extended operation of diesel generators at FIGURE 27.9 Grid-connected P
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 unChargepunto para
regulator AC
cada valor de radiacion y temperatura donde la potencia resulta maxima y se denomina unit
punto Battery Inverter Load
de maxima potencia (MPP, por sus siglas en ingles: Maximum Power Point). En la Figura 2.7
puede verse la curva caracterstica de la corriente y potencia disponible en la celda en funcion + _
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
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.

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).
2.4.3. Banco de bateras

La variabilidad que se presenta en la generacion de los HRES debido a la propia naturaleza
de sus fuentes, hace necesaria la incorporacion de elementos almacenadores de energa. Estos
actuan como amortiguadores que permiten cubrir el balance energetico del sistema, aportan-
do o absorbiendo energa segun sea necesario. Para poder cumplir este objetivo, es necesario
que el almacenador tenga una capacidad de energa elevada, y al mismo tiempo sea capaz de
manejar picos de potencia elevados. En efecto, un parametro importante que permite carac-
terizar elementos almacenadores de energa es la relacion Potencia/Energa (P/E) definida
como sigue (Pede et al., 2004):
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
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 []
(a) Voc (SoCb ) (b) Rc h(SoCb ) y Rdisch (SoCb )
Figura 2.13: Curvas caractersticas obtenidas del software ADVISOR para una batera NiMH.
El estado de carga (SoCb ) de una batera es un parametro importante ya que ademas de

ser una medida de Fig.
la 3. Baseline
cantidad de thermal model ofdisponible,
energa electrica a battery in ADVISOR.
el SoCb debe mantenerse dentro F
de ciertos lmites (Milocco y Castro, 2009) a fin de garantizar un buen rendimiento y duracion
de la batera. El SoCb puede ser expresado como:
Cb,n Cb,u
SoCb = 100 [ %], (2.13)
Cb,n
donde Cb,n es la capacidad nominal de la batera, en unidades de Ah, y Cb,u es la cantidad de
Ah que ya han sido usados, la cual puede ser computada como:
Z t
c Ib
Cb,u = dt [Ah], (2.14)
0 3600
15
donde c es la eficiencia coulombiana de carga/descarga de la batera, e Ib es la corriente de

batera en unidad de A en el instante actual, siendo Ib > 0 cuando la batera se descarga e
Ib < 0 cuando se carga.
Por otro lado, la corriente y por lo tanto la potencia que circula por la batera durante la
carga y descarga es limitada. Estas corrientes lmites dependen de Voc y Rint a traves de las
siguiente expresiones:
(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
near battery model Fig. tpica

Figura 2.15: Curva 2. Typical discharge(Tremblay
de descarga curve et al., 2007)
e (Ah) mum SOC can be greater than 100% if the battery
itude (V) is overcharged.
Tabla 2.1: Parametros para bateras tpicas
constant inverse (Ah)1 Tipo
Plomo- Acido Ni-Cd
B. Extracting Model Parameters Li-Ion NiMH
(12V - 1.2Ah) (12V - 1.3Ah) (3.6V - 1Ah) (1.2V 6.5Ah)
E0
The model can accurately 1.2505
12.6463
represent the behaviour
3.7348
of many
1.2848
battery
Rint types, provided
0.25 the parameters
0.023 are well
0.09 determined.
0.0046
KThe main feature 0.33of this battery model is 0.00876
0.00852 that the parameters
0.01875
del has a non-linear term equal can easily be deduced from a manufacturers discharge curve.
esents a non-linear voltage that AFig. 2 shows a0.66 0.144
typical discharge
0.468
characteristic,
0.144
for a 1.2V 2.3077
6.5
B 2884.61 5.7692 3.5294
of the current and the actual Ah Nickel-Metal-Hydrid cell. The discharge curve is for a con-
the battery is almost completely stant current of 1.3A (0.2 C rate1).
s flowing, the battery voltageLos parametros del modelo se deducen de la curva de descarga y se asumen los mismos
on as a current circulates again,
para los ciclos de carga.
1) Internal resistance approximation: Internal resistance is
s behaviour is representative of very important in order to adequately represent the voltage
matical model which makes La itcapacidad de la batera no vara con la magnitud de la corriente.
drop caused by a current variation in the battery. The internal
omenon causes an algebraic loop
El modeloimpedance is generally
no es dependiente specified in the manufacturers
de la temperatura.
datasheet. Tests have determined that the internal impedance
No se modela
tion 1) represents a non-linear providedla perdidas por corrientesdoesnt
by the manufacturer de fugaallow,
o auto-descarga.
for the proposed
ly on the actual battery charge. model, to accurately represent the potential difference caused
La batera no tiene efecto de memoria.
ttery is almost completely dis- by the variation of the current. For example, the resistance
is flowing, the voltage will
A su bese pueden
vez, nombrar
described on thelas siguientes
datasheet of limitaciones:
the Panasonic HHR650D3 NiMH
curate results and also represents battery is 2m but it was found that the resistance that best fits
La tension a circuito abierto mnima es 02V, y la tension maxima no se encuentra limitada.
the three current curves (Fig. 3 ) is 4.6m.
La capacidad mnima es 0 Ah y la maxima no esta limitada. Por lo tanto el SoCb maximo
ed on specific assumptions puede
and ser It is therefore
mayor al 100 % proposed to establish an analytical relation
en una sobrecarga.
linking the internal resistance of the model to the nominal
2.4.4. Pilavoltage and the ratedtipo
de combustible capacity
PEM of the battery. Internal resistance
s supposed constant during the affects the output voltage of the battery, thus the efficiency. Let
En esta tesis nos concentraremos en
cles and doesnt vary with the us examine how the efficiency () varies las pilas de combustible tipo PEM
with the capacity and ya que son las
mas utilizadasthe
ennominal
el ambitovoltage
academico para el
of the battery: estudio y desarrollo de metodologas aplicadas
a sistemas hbridos de generacion de energa. Esta eleccion, sin embargo, no resta generalidad
are deduced from the discharge
a los desarrollos presentados, ya que los Imismos nom Rresultan
Inom en general independientes de los
ed to be the same for charging. =1 (3)
modelos en cuestion.
ttery doesnt change with the Vnom Inom
Las pilas de combustible PEM convierten la energa qumica almacenada en el hidrogeno
(No Peukert effect). directamente enThe rated current is the one used for the nominal discharge
energa electrica. La celda basica esta constituida por un anodo alimentado
affect the models behaviour. curve, i.e.:
e battery is not represented. Inom = Qnom 0.2/1hr (4)
ory effect. So, 17
0.2 R Qnom
=1 (5)
battery voltage is 0 V and the Vnom
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)
Los electrones liberados atraviesan el metal y el carbon granulado de la capa cataltica

del anodo, llegando al catodo a traves del circuito externo, mientras que los protones son
transportados a traves de la membrana a la capa cataltica del catodo. Al mismo tiempo, en
los canales de alimentacion del catodo se inyecta oxgeno, el cual se propaga a traves de la capa
de difusion hacia la capa cataltica, donde reacciona con los protones y electrones, generando
agua, de acuerdo con:
O2 + 4 H + + 4 e 2 H2 O. (2.18)
Por lo tanto, la reaccion global en la celda de combustible es la siguiente:
2 H2 + O2 2 H2 O. (2.19)
La reaccion en el catodo es exotermica, donde la liberacion de calor es dependiente del voltaje

que esta directamente relacionado con la eficiencia.
Debido a que la tension y potencia generada en una celda son muy bajas, en la practica
se conectan en serie una sucesion de celdas constituyendo una pila de combustible. A partir
de (2.17), (2.18) y (2.19), se puede deducir la expresion del flujo de hidrogeno consumido en
la reaccion electroqummica en funcion de la corriente de la pila:
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).
Voltaje generado por la pila

Cada celda genera un voltaje a circuito abierto (E0,cello ), el cual es el mayor voltaje que
la celda puede producir. Para una celda de hidrogeno, en la que hay una transferencia de dos
electrones por cada molecula de agua, E0,cello = 1,229 V si el agua resultante se encuentra
en estado lquido y E0,cello = 1,18 V si se encuentra en estado gaseoso. Sin embargo, en
la practica el voltaje de la celda es significativamente menor que el voltaje teorico debido a
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
Rohm1 has the form g1I w

2
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
a lo largo de la pila (Figura 2.17). I limit is the fuel cell curren
2 H2 + O2 2 H2 O. 3.3.(1.3)
PEMFC stack temperatur
La reaccion en el catodo es exotermica: la liberacion de calor depende del voltaje,

Theelchemical reactions th
heat energy which in turn ca
cual esta directamente relacionado con su eficiencia. La explicacion anterior se muestra
or fall. The thermodynamic
esquematicamente en la fig. 1.2, donde se muestra la circulacion de los gases y electrones,
can be written as [12]:
y el paso de iones a traves de la membrana.
qnet qchem qelec qsens
El manejo del agua en una celda es crtico para la operacion eficiente. Como fue
where q is the net heat en
mencionado anteriormente, un requerimiento para este tipo de celdas es mantener un net
qelec is the electrical energy (
elevado contenido de agua en el electrolito para asegurar una alta conductividad de and qloss is the heat
heat (J),
The heat generated from
the Gibbs free energy and t
[11,13], as follows:
q_ chem NH2 ;consumed ,DG,N

5
where DG is the Gibbs free e
Fig. 2. Ideal and actual fuel cell voltage current characteristics. (6), N is the number of cells
Figura 2.17: Caracterstica tension-corriente de una celda (Basualdo et al., 2011).
19
La tension interna puede ser descrita por la ecuacion de Nernst:

RT p
Ecell (t) = E0,cell (t) + log(pH2 (t) pO2 (t)), (2.21)
2F
donde E0,cell (t) es la tension de referencia, R es la constante de gases ideales (8.3143 J/mol K),
T es la temperatura de la pila, F es la constante de Faraday, pH2 (t) es la presion del hidrogeno
y pO2 (t) es la presion del oxgeno. La tension de referencia E0,cell (t) depende de la temperatura
de acuerdo a:
E0,cell = E0,cello kE (T 298), (2.22)
donde E0,cello es la tension de referencia en condiciones estandares de presion y temperatura
(1.229V a 25 C y 1 atm) y kE una constante (8.5104 V/K).
Como se menciono anteriormente, la tension en bornes de la pila resulta menor debido a
las perdidas descritas. Las perdidas de tension de activacion son causadas por una cinetica de
electrodo lenta. En las reacciones electroqumicas y qumicas hay una energa de activacion
que debe ser superada por las especies que reaccionan. Estas perdidas pueden ser aproximadas
por:
Vact (t) = 0 + (T 298) a + Ract (t)If c (t), (2.23)
con 0 , a y constantes empricas, mientras que Ract (t) es un polinomio que depende de la
corriente y temperatura.
Las perdidas ohmicas se deben a la resistencia al flujo de iones por el electrolito, como as
tambien al flujo de electrones por el electrodo. Las mismas pueden expresarse como:
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:
Pf c = Vf c (t)If c (t). (2.28)
20
Tabla 2.2: Parametros del modelo de pila PEM para Nexa 1.2 kW (Salim et al., 2015).
Presion del hidrogeno (pH2 ) 0.3 atm

Presion del oxgeno (pO2 ) 1 atm
Constante de gases ideales (R) 8.3143 J/mol.K
Constante de Faraday (F ) 96487 C/mol
Constante de pila de combustible (F ) 8,5e4 V/K
Tension de referencia (E0,cell0 ) 1.229 V
Numeros de electrones en la reaccion () 2
Constante 0 26.5230 V
Constante a 8.9224e-2
Resistencia equivalente de activacion (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)
Resistencia Ohmica constante (Rohm0 ) 1.7941
Resistencia Ohmica dependiente de la corriente (Rohm1 ) 2,3081e2 I
Resistencia Ohmica dependiente de la temperatura (Rohm2 ) 2,0060e3 (T 298)
Lmite de corriente de la pila (Ilimit ) 75 A
Numero de celdas en serie (Nf c,s ) 47
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
Fig. 1. PEM electrolyzer.

Figura 2.18: Electrolizador tipo PEM (Gorgun, 2006).
corrosion control, gas chromatograph

A diferencia de otros tipo sensors, metal form-
de electrolizadores, level
los by
deusing
tipo Nernst
PEM Equation, ohmicuna
representan polarization and
solucion
ing and welding. Electrolyzers are currently being studied activation polarization. Membrane ancillary computes
bysencilla y compacta.
several researchers Ademas,
from industry, aseguran
academia una altawater
and mili- pureza en electro-osmotic
content, el hidrogenodrag,
producido, lo que
water diffusion and
tary and research results are being published at an increas- conductivity of the membrane. The anode ancillary dy-
ing rate. There are several studies to model electrolyzers namically calculates oxygen and water ows and partial
and renewable energy systems. Among them, Onda [1] has
21
pressures. Similarly, hydrogen and water partial pressures
developed a two dimensional mathematical model to ana- and their ows are obtained in the cathode subsystem.
lyze PEM electrolyzer. Ulleberg [2] has shown a model for Storage ancillary shows storage dynamics of the generated
alkaline electrolyzers based on thermodynamics and heat hydrogen in a bottle by taking account the initial hydro-
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:
Figura 2.19: Caracterstica tension-corriente en electrolizador y su dependencia con la tempe-

ratura (Ulleberg, 1998).
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
2.4.6. Sistema de almacenamiento de hidrogeno

Los tanques presurizados son el metodo mas utilizado para el almacenamiento de hidrogeno.
El hidrogeno producido por el electrolizador es almacenado en tanques para luego ser utilizado
por la pila de combustible para generar energa. Dependiendo de la relacion entre la presion
22
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.
Presion del tanque de H2

El estado de carga en el tanque SoCH2 se define como la relacion entre la presion al interior
del mismo y la presion maxima que puede soportar. Luego, utilizando la expresion de gases
ideales se llega a (Uzunoglu et al., 2009):
R
RT H2 (t) RT (H2 ,ez(t) H2 ,f c(t) ) dt
SoCH2 (t) = = , (2.33)
Vt pH2 ,max Vt pH2 ,max
donde H2 es el numero de moles de hidrogeno en el tanque, R es la constante de gases ideales

[Jmol1 K 1 ], T es la temperatura [K] y Vt el volumen del tanque [m3 ].
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.
2.4.7. Convertidores de potencia DC-DC

Los convertidores de potencia son dispositivos que permiten aislar las variaciones de tension
que se producen en las fuentes de energa del sistema debido a las diferentes condiciones de
carga, de un bus de tension constante. En este caso se utilizaran convertidores unidireccionales
para el arreglo de PV, la pila de combustible y la turbina eolica, dado que el flujo de energa
se da solo desde la fuente hacia el bus. Mientras que para el banco de bateras es necesario un
convertidor bidireccional, ya que el flujo de energa cambia de polaridad.
Existen multiples topologas de convertidores, las tres mas comunes son de tipo buck
o reductor, boost o elevador y buck-boost o reductor-elevador. En general, en los sistemas
hbridos aislados donde los equipos se conectan a un bus comun de continua, predominan los
convertidores tipo boost. Los esquemas de los modelos unidireccional y bidireccional pueden
verse en las Figuras 2.20(b) y 2.20(a), respectivamente.
En el caso de los convertidores unidireccionales, la tension del lado de las fuentes siempre
debe ser menor a la tension del bus, de esta manera predominan las topologa con conexio-
nes en paralelo. En el caso de los arreglos de paneles fotovoltaicos, este tipo de topologa
presenta ventajas en emplazamientos donde puedan existir sombras parciales en las ramas del
arreglo (Gao et al., 2009). A su vez, permite un MPPT en todo el rango de trabajo, ya que a
valores de radiacion bajos los valores de tension correspondientes al MPP disminuyen en gran
medida.
23
L1 D1
S3
L S2
C Vbus
Vfc C1 Vbus
Vbat
S4 S1
(a) Unidireccional. (b) Bidireccional.
Figura 2.20: Convertidores tipo boost.
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.
2.4.8. Sistema reformador de bioetanol

Un diagrama esquematico del sistema reformador de bioetanol por vapor de agua (BPS,
por sus siglas en ingles: Bioethanol Processor System) se presenta en la Figura 2.21. El BPS
consta de un reformador de bioetanol mediante vapor de agua (ESR, por sus siglas en ingles:
Ethanol Steam Reformer ) con reactores de tipo flujo piston, donde se realiza la mayor parte
de la conversion de bioetanol a hidrogeno. Teniendo en cuenta que el hidrogeno producido por
la planta de reformado sera utilizado en una pila tipo PEM, y que el catalizador de la misma
puede ser danado si el hidrogeno que ingresa al anodo contiene monoxido de carbono, se hace
necesario un procesamiento adicional para eliminarlo. Tres reactores configuran el sistema de
limpieza. En primer lugar, dos reactores de desplazamiento por agua (WGS, por sus siglas
en ingles: Water Gas Shift reaction), el primero de alta temperatura y el segundo de baja
temperatura, que favorece el equilibrio de la reaccion a tasas de conversion de CO mas altas.
En el tercer reactor se produce una oxidacion preferencial del monoxido de carbono (CO-PrOx,
por sus siglas en ingles: Carbon Monoxide Preferential Oxidation), donde se realiza la oxidacion
de CO en CO2 . Ademas, se produce la oxidacion no deseada de H2 , por lo que el catalizador
se selecciona para mejorar la conversion de CO.
En el primer paso para producir la descomposicion del bioetanol, se mezcla el bioetanol
24
5.2 Sistema de procesamiento de Bio-etanol
Hot gases Air H2

ESR Water gas shift reactors CO2
CO-PrOx CO
Water High Low CH4
EtOH temperature temperature CH2O
Figura 5.1: Sistema procesador de bio-etanol

Figura 2.21: Sistema reformador de bioetanol por vapor de agua (Nieto et al., 2011).
con agua vaporizada y luego se la suministra al ESR:

Generalmente los valores de equilibrio de CO resultaran muy elevados para los re-
(ESR)
querimientos de la pila, por loCHcual
3 CH2una 3 H2 Oetapa
OH +tercera 6H 2+
de 2 CO2 .
eliminacion resultara
(2.35)necesaria.
El ultimo estado de general

La reaccion la limpieza se da por
es endotermica porlo medio de la eloxidacion
que se requiere del
suministro de monoxido
calor. Este calor restante.
puede ser suministrado por un quemador alimentado con bioetanol. La transferencia de calor se
El reactor necesario
consigue haciendopara
pasar acondicionar
los gases calientes la corriente
producidos en ladel gas dea traves
combustion sntesis
de laes el reactor de
camisa
del reformador (Basualdo et al., 2011). Otra alternativa estudiada en (Feroldi et al., 2013,
oxidacion2015),
preferencial de monoxido
es la incorporacion de carbono
de un calentador electrico (CO-PrOx), que lleva
que puede ser alimentado la elconcentracion
desde bus
de continua del sistema hbrido. Teniendo en cuenta que la cantidad de calor necesaria para la
de este componente a alrededor
o de 10 partes
1 por millon en volumen (ppm), como es
reaccion (2.35) es H298 = 254,8 kJ mol , la potencia electrica que debe suministrarse al
requeridocalentador
por la resulta:
celda de combustible. 0
H2 ,f c (t)H298
Ph = . (2.36)
El bio-etanol es mezclado con vapor de 4agua para alimentar al ESR, produciendo
Cuando la energa disponible no fuera suficiente, entonces el resto del calor puede ser sumi-
una corriente
nistrado de salida
por el ricaEsta
quemador. entopologa
hidrogeno, pero en
es la utilizada tambien
el caso deconteniendo en 5.menor me-
estudio del Captulo
La reaccion producida en el WGS es la siguiente:
dida, agua, dioxido de carbono, CO, metano, acetaldehdo, y bio-etanol que no reac-
ciono. The overall reaction is (WGS)
endothermic, CO
CO + H2and 2+H
the 2,
heat requirement is (2.37)
supplied by a
burner, which is fed
esta reaccion withcalor
produce compressed air and fresh ethanol. En el burner se produce
y crea mas hidrogeno.
Luego de los dos reactores WGS todava hay niveles de CO por lo que la eliminacion final
la combustion
se realiza completa, y los gases
en el reactor CO-PrOx, el cual calientes resultantes
produce la oxidacion se este
de CO. En pasan por
reactor la camisa de
tambien
se produce la reaccion WGS previamente presentada. Se inyecta aire en el reactor CO-PrOx
intercambio del ESR.
para proveer The
oxgeno, hydrogen
siendo la cantidadrich synthesis
necesaria el doble degas es acondicionado
la estequiometra para tener y
unafinalmente
buena selectividad y satisfacer los requerimientos de la pila de combustible.
se obtiene una corriente apta para alimentar una PEM-FC disenada para suplir las
necesidades energeticas
Integracion de de
energetica unBPS
vehculo pequeno. Una celda de combustible se define
+ pila PEM
En la Figura 2.22
como un dispositivo se presenta el esquema
electroqumico del sistema de reformado
que transforma de bioetanol
la energa qumicaalimentando
de una reaccion
directamente el anodo de la pila PEM. En la figura vemos una red de intercambio de calor que
directamente en energa
es la encargada electrica.
de la integracion Puede
energetica del generar electricidad
sistema, permitiendo combinando
aprovechar las diferenteshidrogeno
temperaturas de las corrientes de gases presentes en el sistema a fin de ajustar los valores
y oxgeno electroqumicamente,
optimos de las mismas con el fin desin ninguna
optimizar combustion.
la eficiencia Idealmente
del sistema completo. las unicas emi-
La integracion
calorica se realiza por medio de la herramienta LNG de HYSIS. Esta operacion resuelve los
siones que producen son agua y calor. Los detalles de diseno de la planta en estudio se
balances de materia y energa para redes de intercambio calorico.
pueden ver En enDegliuomini
(9), la cualet al.esta
(2012a) se detallan
ideada paralasalimentar
herramientas,unametodologa
PEM-FC y ecuaciones di-
con requerimientos
ferenciales que definen el modelo dinamico de la planta, donde se adapto el modelo riguroso
de portabilidad.
de la pila PEM presentado por Pukrushpan et al. (2006) escalado para producir una potencia
maxima de 10 kW. El mismo se realizo utilizando los balances de masa y energa, los equili-
brios qumicos, modelos termodinamicos y transferencias de calor factibles. Si bien el modelo
5.2.2 Mathematical model implementation
25
En el caso que nos compete, los reactores considerados son reactores de flujo piston,
cuyas condiciones son variantes con la ubicacion del punto en consideracion dentro del
2.5. Estrategia de gestion de energa
1444 chemical engineering research and design 9 1 ( 2 0 1 3 ) 14401455
Fig. 2 Schematic diagram of the BRS.
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
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
The Asegurar el balance

rate of hydrogen consumeddeinpotencia en el bus. stack (Feroldi et al., 2009):
the electrochemical
reaction in the fuel cell anode is a function of the fuel cell
current:Mantener el estado de carga de los almacenadores Pmin
FC P (t) Pmax
deFCenerga ,
FC entre los lmites operativos (5)
necesarios.
MH2 n
WH2 ,rct = IFC , (3) where PFC (t) = PFC (t) PFC (t T) and T is the sample time.
2F
Minimizar los costos operativos del sistema.
where WH2 ,rct is the rate of hydrogen reacted, MH2 = 2.016 2.3. Wind power system
103 kg mol1 is the molar mass of oxygen, n is the number
Mantener estable la tension en el bus DC. The wind power generation system comprises a wind tur-
of cells in the stack, F = 96485 C mol1 is the Faraday number,
and IFC is the stack current. This is the amount of hydrogen bine, a multipolar synchronous generator with permanent
Minimizar
that is required los cortes
to the bioethanol en el system
processor abastecimiento
presented de la carga.
magnets, a rectier and a DCDC converter to connect the
in Section 2.1. generator to the DC bus. The wind turbine has three blades
Maximizar
In order to produce laenergy,
eficiencia del sistema.
it is necessary to integrate which convert the energy of the wind into rotational forces
the fuel cell with other components to form a generation that drives the generator. The pitch angle of the blades is vari-
system, controlling a number of variables such as tempera- able allowing to be adjusted operating the wind turbine at its
Maximizar la vida util de los elementos.
tures, pressures and reactant ows. These components can optimal performance (Borowy and Salameh, 1996). Therefore,
be divided into the following subsystems, which are strongly the power extracted from the wind turbine can be maximized
interrelated: reactant supply (hydrogen and air), heat and tem-
2.5.1. Estructura de la EMS according to the actual wind speed in a certain range.
perature control, water management, power conditioning, and The mechanical power captured by a wind turbine is pro-
power management. portional to the swept blade area (A [m2 ]), the air density (a ),
En Nehrir et al. (2011) y Chauhan y Saini (2014) se realiza una clasificacion de las EMS
A generic diagram showing the interrelation between the the wind velocity (v [m s1 ]) and the coefcient of power (CP ),
segun el tipo of
main components detheestructura: centralizado,
generation system based on fueldistribuido
cell, whicheexpresses
hbrido.theEn todosoflos
efciency casos as
the turbine sea asume
function of
que
as wellcada
as the componente delonsistema
control study, based predictiveposee unthecontrol
control for de bajo
the ratio nivel
dened que
as = eswhere
rm /v, capaz deis the
r [m] seguir
radiuslas
of the
correct operation of this is reported in Basualdo et al. (2011). blades and m [rad s1 ] is the speed angle of the turbine shaft
referencias definidas por la EMS.
26
2.5. VOL.
IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, Estrategia
2, NO.de gestion de2011
4, OCTOBER energa
ERGY SYSTEMS
Fig. 5. Illustration of a centralized control paradigm.

Figura 2.23: Estructura EMS centralizada (Nehrir et al., 2011).
usage. For smaller-scale applications, as in single residential

Control centralizado
Enhybrid
la Figuraenergy systems,
2.23 se muestra the Ni-MH
un esquema battery EMS
de la estructura technology would
centralizada. El control
centralizado decide las referencias que seran enviadas a los controladores locales en funcion
be an appropriate candidate. For larger-scale applications
del estado actual del sistema (mediciones de potencias disponibles en las fuentes renovables,
involving
requerimientos the estado
de carga, compensation of power from
de carga de almacenadores,etc.) y de unwind farms
conjunto or y
de objetivos
multiple
restricciones residences,
predeterminado. Esteflow
tipo debatteries
estructuraorpermite
NaS labatteries have de
implementacion shown
estrategias
de optimizacion multiobjetivo que incorporan criterios economicos, socio-ambientales y de
to be practical in Japan. V2G concepts are most interesting
eficiencia. Esta caracterstica hace que sea la estructura mas utilizada en la literatura para la
e amount of powerimplementacion
with Liion de EMS batteries
en HRES,[61].aunque el costo computacional en general es importante.
s on the size of theEstrategias de gestion de energa de este tipo son propuestas en Valenciaga y Puleston (2005);
III.Zhou
it can be stored inFeroldi et al. (2013); CONTROLS
et al. (2008);AND ENERGY
Pereira MANAGEMENT
et al. (2017), entre otros.
ects and can also beControl Proper

distribuidocontrol of hybrid energy systems with multiple
In stationary appli- EnRE/AE/conventional-DGs and energy storage (operating as
una estructura de control distribuida las mediciones de cada fuente de energa o al-
ogen and fuel cellsmacenamiento
microgrids) is critical
es enviada to achieving
a su controlador the highest system
local correspondiente, tal como reliability
se muestra en la
low round-trip ef- and operation efficiency [32]. Typically, a control (or energy
Figura 2.24. Luego existe una comunicacion entre cada uno de ellos para optimizar un objetivo
global. Si bien este enfoque permite la reduccion en los tiempos de computo y aporta mayor
management) system needs to determine and assign active and
modularidad a la estrategia (ya que resulta mas directa la incorporacion de nuevos elementos),
ms is the usage oflas problematicas
reactive output power
con respecto dispatch of
a la comunicacion entreeach energy source
los controladores while
resultan aun comple-
he availability of jas.
a Algunos
keeping its output voltage and frequency at the desired level.et al.
trabajos presentes en la literatura que abordan este problema son Lagorse
(2010); Chakraborty et al. (2007); Zhao et al. (2013); Karavas et al. (2015).
dered further here. Generally, the control structure of such systems can be classi-
considered for theControl fiedhbrido
into three categories; centralized, distributed, and hybrid
hat can be consid- control paradigms. In all three cases, each energy source is
Una estructura hbrida es la combinacion de un control centralizado y uno distribuido.
en discussed aboveAlgunas assumed
fuentes de toenerga
have its own (local) del
y almacenamiento controller which
sistema general se can determine
agrupan y se operan a
on local geology.travesoptimal
de un controloperation of the
centralizado. Luego,corresponding unit distribuido
el enfoque de control based ones current
utilizado para
la coordinacion de cada uno de los grupos. El esquema correspondiente es presentado en la
wer or high-energy information. If multiple (and at times conflicting) objectives
Figura 2.25, mientras que algunos trabajos destacados pueden encontrarse en Torreglosa et al.
(2014);need
Jiangtoy be met,(2008).
Dougal and all energy sources cannot operate optimally,
ms, the access-ori- a compromised (global optimal) operating decision may be
y-oriented storage. achieved. A brief description of each control paradigm follows. 27
g a storage system
ed medium through A. Centralized Control Paradigm
NEHRIR
2.5. et al.:deREVIEW
Estrategia gestion OF
de HYBRID
energa RE/AE SYSTEMS FOR ELECTRIC POWER GENERATION
Fig. 6. Illustration of a distributed control paradigm.

YSTEMS FOR ELECTRIC POWER GENERATION 397
Figura 2.24: Estructura EMS distribuida (Nehrir et al., 2011).
the trade-off information among the multiple objectives effec-

tively [68].
The control signals are then sent to the corresponding energy Fig. 7. Illustration
sources to output proper power. The advantage of this control
paradigm. structure is that the multiobjective energy management system
can achieve global optimization based on all available infor-
mation.
he multiple objectives effec- However, the scheme suffers from heavy computation
burden and is subject to single-point failures.
to the corresponding energy Fig. 7. Illustration of a hybrid centralized and distributed control paradigm.
he advantage of this control Figura 2.25: Estructura EMS hbrida (Nehrir et al., 2011).
B.
energy management systemDistributed Control Paradigm
ased on all available
2.5.2.Ininfor-
ers from heavy computation a fully distributed
Implementacion de lacontrol
EMS paradigm, the measurement sig-
nt failures. nals
Segunofla the energyutilizada
metodologa sources paraoflathe hybrid system
implementacion de la EMS,are sesent to realizar
puede their la
distincion entre estrategias de gestion clasicas, y estrategias de gestion inteligentes (Chong
et corresponding
al., 2016). local controller, as shown in Fig. 6 [71][73].
adigm, the measurementThe sig- controllers communicate with one another to make com-
ybrid system areEMS promised
sent toclasicas
their (Pareto) operating decisions and achieve global op-
shown in Fig. 6 [71][73]. Fig. 8. Illustration
timization.
one another tofiltros
An
Dentro de las estrategias
make (FBC,
advantagede controlofclasicas
this scheme is
se pueden distinguirthe
com- por su sigla en ingles: Filtration Based Controller ) o en reglas (RBC, por su
ease of
a aquellas plug-
basadas en
ions and achieve and-play

global op- operation.
sigla en ingles: Rules
Fig.
With ).this
Based Controller
8. Illustration of a multilevel La
control
FBCapproach
control
structure,
se caracteriza
the computa-
por systems.
to hybrid power descomponer mediante
cheme is the ease of
untion plug-
filtradoburden of each decontroller
las componentes alta y baja is greatlydereduced,
frecuencia la potencia and there are
de referencia de los control of each
ntrol structure, the computa-
eatly reduced, and nothere single-point
almacenadores.
are
Luego,
control
la
of
failure
componente
each energy
problems;
de
unit
baja
is
its disadvantage
frecuencia
performed
sera
based
la
on
referencia
the control
is still the al objective(s) of t
correspondiente
almacenador de energa que posea mayor tiempo de respuesta (Bateras, Electrolizador\Pila de
potential
its disadvantageCombustible),
is complexity
still the mientras
objective(s)que la theofunit
ofcomponente itsvery
communication
derapidly, e.g., within
alta frecuencia system.
a millisecond
correspondera alIntelligent
de menor tiempo range. The tacti
unication system. Intelligent range. The tactical level aims to make operational decisions for
uzzy logic, neural
(model-free)
(Supercapacitores)
networks,
algorithms, such as fuzzy logic, neural networks,
(Gee et al., 2013). En Kollimalla et al. (2014) se propone la utilizacion de
a group of local
a group of local control units or the entire subsystem,
un filtro pasa bajos para formar la referencia de potencia de la batera que es usada para with a rel-
aregenetic
d combinations balancearpotential algorithms,
atively higher
las fluctuaciones
andenframe,
time
lentas
their hybrid
e.g.,
las fuentes
combinations
inrenovables.
the range of secondsque
Mientras to are
min- potential
los supercapacitores atively higher ti
g., [71][73]. se tools for de solving
utes. Strategicsuch problems,
las decisions concerning e.g.,
the [71][73].
overall operation of the
encargan
ributed control problems is
compensar
system, e.g.,
fluctuaciones
system startup
de alta
or
frecuencia.
shutdown, are madedebido
at thea su sencillez de
utes. Strategic d
LasAEMS promising approach
Two-way for distributed existscontrol theproblems is system, e.g., sy
basadas en reglas son las mas extendidas en la literatura
, [74]. MAS hasimplementacion
been used, top level
y bajo [78].
costo computacional. communication
En general, pueden among
representarse dif-por un conjunto
de the
egration, restoration,estados multiagent
recon- ferent
posibles system
(enlevels
los to execute
que (MAS)
se define [34], [74].
decisions.
las referencias MASpara
de potencia has cadabeen used,
elemento) entre top level [78]. T
nt of microgrids [32], [33],
for example,
buted as coupled network of IV.for powerSTATUS
CURRENT system , FUTUREintegration,
TREND, ANDrestoration,
SAMPLE recon- ferent levels to
figuration,
agents that work together
28
to and power management
APPLICATIONS of microgrids [32], [33],
OF RE GENERATION
[75][77]. An In thisMAS section,may a briefbe distributed

overview and growth asstatistics
coupled network of
of past, IV. CURRE
current, and projection into the future of renewable-based elec-
uted Control Paradigmintelligenttricity hardware
generationand alongsoftware
with some sample agents that work
applications together to
of hybrid
A
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

La integracion de multiples fuentes de generacion y sistemas de almacenamiento de energa
en un HRES hace necesaria la aplicacion de metodologas de optimizacion para el dimensiona-
miento del mismo. Nos referimos con dimensionamiento a la eleccion de la cantidad, tamano o
capacidad de cada elemento que compone el sistema. El objetivo, en general, es la minimiza-
cion de los costos de inversion, operacion y mantenimiento, asegurando determinados niveles
de confiabilidad y sustentabilidad del sistema. La confiabilidad se refiere a la capacidad de
entregar la potencia requerida por la carga en cada momento, mientras que la sustentabilidad
implica que el sistema pueda funcionar de manera autonoma sin incorporar energa de una
fuente externa.
2.6.1. Analisis de confiabilidad

Para el analisis de confiabilidad del sistema existen en la literatura una serie de parametros
que permiten cuantificar esta propiedad y facilitar la comparacion y eleccion entre diferentes
disenos del sistema. Algunos de ellos son presentados a continuacion.
Probabilidad de Perdida de Suministro Energa

El ndice conocido como Probabilidad de Perdida de Suministro Energa (LPSP, por su
sigla en ingles: Loss of Power Supply Probability ) es muy utilizado en la literatura (Abouzahr
y Ramakumar, 1990; Yang et al., 2008). Se define como la relacion entre el total de energa
no suministrada a la carga en un periodo Ns , sobre la energa total requerida por la misma:
PNs 1
Pud (k)
LPSP = PNk=0
s 1
, (2.38)
k=0 Pload (k)
donde Pud (k) es la potencia que no puede suministrarse a la carga y Pload (k) la potencia
requerida.
Factor de Perdida Equivalente

El Factor de Perdida Equivalente (ELF, por su sigla en ingles: Equivalent Loss Factor ) es
un ndice relativo y a diferencia del LPSP contiene informacion tanto del tiempo como de las
magnitudes relativas de los cortes de energa (Garcia y Weisser, 2006):
Ns 1
1 X Pud (k)
ELF = . (2.39)
Ns Pload (k)
k=0
En el Captulo 6 se considera este ndice como criterio de cuantificacion de la confiabilidad y

se incorpora como restriccion del problema de optimizacion que define el problema de dimen-
sionamiento.
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
Metodologas de
dimensionamiento
Grfico Probabilstico Iterativo Optimizacin
Figura 2.26: Tecnicas de dimensionamiento.
2.6.2. Criterios economicos

Costo anualizado del sistema
El costo anualizado del sistema (ACS, por su sigla en ingles: Annualized Cost of System)
esta compuesto por el costo anualizado de inversion (Ccap ), el costo anualizado de manteni-
miento (Cmain ) y el costo anualizado de operacion o reposicion (Cop ) (Yang et al., 2009):
ACS = Ccap + Cmain + Cop . (2.41)
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).
2.6.3. Metodologas de dimensionamiento

La literatura ofrece multiples tecnicas para hacer frente a la etapa de dimensionamiento
en sistemas hbridos. Una breve resena sobre las metodologas de dimensionamiento se puede
encontrar en Zhou et al. (2010), donde los autores agrupan las tecnicas segun sean metodos:
graficos, probabilsticos, iterativos o basados en optimizacion (el autor lo llama Inteligencia
Artificial) (ver Figura 2.26). Otras resenas sobre el estado del arte en esta area se encuentran
en Upadhyay y Sharma (2014); Chauhan y Saini (2014); Nehrir et al. (2011); Busaidi et al.
(2016); Erdinc et al. (2012).
En esta tesis nos concentraremos en tecnicas de dimensionamiento que implican la for-
mulacion de un problema de optimizacion compuesto por una funcion objetivo y un conjunto
de restricciones. Particularmente, las tecnicas de optimizacion global estocastica basadas en
algoritmos evolutivos, como los algoritmos geneticos (GA) y la optimizacion por enjambre de
partculas (PSO, por su sigla en ingles: Particle Swarm Optimization), son ampliamente uti-
lizadas por su robustez para encontrar soluciones globales optimas en problemas complejos
con funciones de costo lineales o no lineales (Mellit et al., 2010). En Yang et al. (2009), los
autores presentan un metodo de dimensionamiento optimo basado en GA, para HRES aislados
compuestos por paneles PV, turbinas eolicas y un banco de bateras, de acuerdo a un crite-
rio de confiabilidad expresado mediante el ndice LPSP y minimizando el ACS. En Koutroulis
31
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
Simulacin eciente de sistemas

hbridos de generacin
En este captulo se aborda la utilizacion de nuevas herramientas para el modelado riguroso

y la simulacion eficiente de sistemas hbridos de generacion basados en fuentes de energa reno-
vables. Utilizando el lenguaje orientado a objetos Modelica, se desarrolla una librera compuesta
por paneles fotovoltaicos, pilas de combustible tipo PEM, electrolizadores, tanques de almace-
namiento de hidrogeno, bateras, y convertidores electronicos de potencia, para ser usados en
la configuracion de diferentes HRES. Debido a la representacion realista de los modelos, estos
presentan discontinuidades frecuentes, fuertes no linealidades y combinaciones de dinamicas
lentas y rapidas (denominados modelos rgidos a ). Estas caractersticas imponen limitaciones
importantes para los metodos de integracion numerica clasicos. Por eso, se analiza el uso de
una nueva familia de algoritmos numericos por cuantificacion de estados (QSS, por sus siglas
en ingles: Quantized State System) que pueden lidiar con estas dificultades. Los resultados
obtenidos muestran que la utilizacion de estos modelos en conjunto con los algoritmos men-
cionados para el desarrollo de modelos realistas de HRES, resultan en simulaciones mas veloces
en mas de un orden de magnitud con respecto a la utilizacion del solver clasico mas eficiente.
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
implcitos que realizan iteraciones e inversiones matriciales costosas. En consecuencia, simular

un segundo de evolucion de un sistema de este tipo puede demandar varios minutos (e incluso
horas) aun en una computadora muy poderosa.
Por este motivo se suele recurrir al uso de modelos promediados para los convertidores
DC-DC en la gran mayora de los modelos de HRES (Cuk y Middlebrook, 1977; Van Dijk
et al., 1995; Castaneda et al., 2013). Esta simplificacion si bien es adecuada para muchos
casos de estudio, es acotada en cuanto a condiciones de operacion de los mismos y enmascara
muchos fenomenos de importancia presentes en los convertidores reales. Entre estos fenomenos
podemos citar la presencia de fallas en los elementos de conmutacion, el contenido armonico
introducido por los convertidores, la conduccion discontinua durante transitorios, entre otros.
De esta manera, en los casos donde estos fenomenos resultan relevantes, la utilizacion de los
modelos promediados de los convertidores de potencia no es posible y la simulacion con los
metodos clasicos de integracion numerica resulta dificultoso o muy costosa computacionalmen-
te. Por lo tanto, para realizar una simulacion adecuada, solo se simulan unos pocos segundos
de evolucion del sistema (Kuo y Wang, 2011).
Actualmente hay disponible una familia de algoritmos denominados QSS (Cellier y Kof-
man, 2006). Estos metodos reemplazan la discretizacion temporal por la cuantificacion de
las variables de estado. Una caracterstica destacable de los QSS es que son muy eficientes
para la simulacion de ecuaciones diferenciales ordinarias (ODEs, por sus siglas en ingles: Ordi-
nary Differential Equations) con discontinuidades frecuentes. A su vez, existen metodos QSS
linealmente implcitos (LIQSS) que permiten integrar ciertos sistemas rgidos sin realizar ite-
raciones (Migoni et al., 2013). Es de esperar por lo tanto, que los metodos LIQSS permitan la
simulacion eficiente de sistemas HRES sin la necesidad de utilizar modelos promediados. De
hecho, se ha demostrado que los algoritmos LIQSS resultan beneficiosos en la simulacion de
diferentes topologas de convertidores DC-DC (Migoni et al., 2015), los cuales son un elemento
crtico en los HRES y redes inteligentes (Floros et al., 2014).
Una limitacion de los metodos de QSS era que su implementacion requera del uso de he-
rramientas especficas de software que no eran amigables para describir modelos complejos. Sin
embargo, recientemente se desarrollo un simulador autonomo de QSS (Fernandez y Kofman,
2014) que puede simular modelos descriptos en el lenguaje Modelica previamente procesa-
dos por un compilador desarrollado a tal fin (Federico Bergero y Kofman, 2015). Modelica
es un lenguaje estandar orientado a objetos para el modelado de sistemas fsicos (Fritzson
et al., 2005). En el se pueden describir modelos facilmente de manera grafica utilizando li-
brerias multi-dominio (electricos, hidraulicos, mecanicos, etc). De esta manera, un convertidor
DC-DC, por ejemplo, puede ser modelado interconectando sus componentes obtenidos de la
librera existente de componentes electricos de Modelica, para luego ser utilizado en el modelo
completo del HRES. Haciendo uso del compilador mencionado, el modelo resultante puede ser
simulado automaticamente por el solver QSS.
Este captulo esta organizado de la siguiente manera: En la Seccion 3.2 se presentan las
herramientas de simulacion y metodos de integracion numerica utilizados. En la Seccion 3.3 se
describe la librera de componentes desarrollada. En la Seccion 3.4 se muestran los resultados
de simulacion obtenidos para diferentes topologas de HRES. Finalmente, en la Seccion 3.5 se
resumen las conclusiones del captulo.

En esta seccion se presentan las herramientas utilizadas a lo largo del captulo. Descri-
bimos en primer lugar el lenguaje Modelica utilizado para definir las bibliotecas y modelos.
A continuacion, se repasan las principales caractersticas de los solvers ODE clasicos y sus
dificultades para simular modelos de HRES, y se realiza una breve introduccion a la familia de
34
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;
As, un circuito RL puede ser construido como:

model RL_Circuit
resistor R;
inductor L;
equation
connect(R.p,L.p);
connect(R.n,L.n);
end RL_circuit
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
Gate
pin_input inductor idealDiode
pin_output
L=15e-3
idealClosingSwitch
pin_ground
Figura 3.1: Convertidor DC-DC Boost.
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.
3.2.2. Solvers ODE clasicos y simulacion de HRES

Dada una ODE de la forma:
x(t) = f (x(t), t), (3.1)
donde x(t) es el vector de variables de estado, los algoritmos clasicos de integracion numerica
resuelven esta ecuacion basados en la discretizacion temporal. Es decir, calculan una solucion
aproximada en determinados puntos temporales t0 , t1 , . . . , tN . Estos instantes de tiempo
pueden ser equidistantes (metodos de paso fijo) o pueden ajustarse para cumplir con los
criterios de tolerancia de error (metodos de paso variable).
La aproximacion realizada por un algoritmo numerico coincide con la expresion como serie
de Taylor de la solucion de la Ecuacion (3.1) hasta cierta potencia, lo que define el orden
del algoritmo. Los solver de orden superior generalmente requieren mas calculos en cada paso
de integracion, pero pueden realizar pasos mas largos sin aumentar el error numerico. En la
mayora de las aplicaciones de ingeniera como los HRES, el equilibrio optimo entre el costo
computacional y la exactitud numerica viene dado por algoritmos de orden entre 3 y 5 (Cellier y
Kofman, 2006). Por esta razon, los algoritmos de quinto orden de DOPRI (Dormand y Prince,
36
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.
3.2.3. Metodos QSS

Dada la ODE de la Ecuacion (3.1), el metodo por cuantificacion de estados de primer
orden (QSS1) Kofman y Junco (2001) la aproxima como:
x(t) = f (q(t), t), (3.2)
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.
3.2.4. Solver QSS autonomo

La implementacion de los metodos de QSS es algo mas compleja que la de los metodos
clasicos, ya que en QSS se utiliza informacion estructural de las ecuaciones. Esto se debe a que
cada variable de estado tiene su propio tiempo de actualizacion (son metodos asincronicos)
y por razones de eficiencia cada vez que cambia una variable cuantificada qj (t) no se evalua
todo el lado derecho de la Ecuacion (3.2) sino solo las componentes de f que dependen
explcitamente de la variable qj (t).
Recientemente se desarrollo un simulador de QSS autonomo (Stand Alone QSS Sol-
ver (Fernandez y Kofman, 2014)) que contiene una implementacion muy eficiente de toda
la familia de metodos de QSS. Dicha herramienta ademas extrae automaticamente la infor-
macion estructural necesaria, de manera que el usuario solo debe brindar el modelo a simular.
El QSS solver utiliza como lenguaje de entrada para sus modelos un subconjunto de Mo-
delica denominado -Modelica. Este sub lenguaje restringe la sintaxis de Modelica al mnimo
necesario para describir una ODE hbrida (parte continua y discontinua). La herramienta con-
vierte esta descripcion en codigo C que es luego compilada junto con el metodo de integracion
numerica elegido.
El QSS-Solver implementa, ademas de los metodos de QSS y LIQSS, dos metodos clasicos
de discretizacion temporal: DASSL (Petzold, 1983) y DOPRI. Ambos metodos clasicos estan
implementados sobre los codigos mas eficientes disponibles, e incluyen manejo eficiente de
discontinuidades.
3.2.5. Simulacion QSS de modelos Modelica

A pesar de algunos intentos preliminares para incluir metodos QSS en OpenModelica (Ber-
gero et al., 2012), ninguna de las herramientas de software populares de Modelica permiten
simular usando estos algoritmos.
Recientemente, se desarrollo ModelicaCC (Federico Bergero y Kofman, 2015), un compila-
dor Modelica que tiene algunas caractersticas unicas y genera codigo especialmente dedicado
para el solver QSS, es decir, traduce un modelo generico de Modelica a -Modelica.

En esta seccion se describen los modelos que constituyen la librera de Modelica desarrolla-
da. Se presenta en primer lugar una posible topologa de HRES y luego se detallan los modelos
correspondientes a cada subsistema. Finalmente, se utiliza la librera para modelar el sistema
completo.
38
3.3.1. Topologa de HRES

Los sistemas hbridos de generacion estan compuestos por diferentes tipos de fuentes de
energa y elementos almacenadores que alimentan una carga dada. Entre las fuentes de gene-
racion de energa renovable mas utilizadas estan los paneles fotovoltaicos y las turbinas eolicas.
Mientras que, la combinacion de pilas de combustible tipo PEM, electrolizadores, tanques de
hidrogeno y bancos de bateras son utilizados como sistemas de respaldo y almacenamiento
de energa. En general todos estos elementos se conectan a un bus de continua a traves de
convertidores de potencia. En la Figura 3.2 se presenta una topologa tpica de un HRES.
Figura 3.2: Topologa del HRES
3.3.2. Convertidores DC-DC

Los convertidores de potencia permiten adecuar los niveles de tension de entrada y salida
de los distintos componentes del sistema mediante elementos que conmutan en alta frecuencia
variando su ciclo de trabajo.
Existen multiples topologas de convertidores, entre las que encontramos el buck o reductor,
boost o elevador y buck-boost o reductor-elevador. Aqu se utilizaran convertidores boost
unidireccionales para los arreglos de paneles fotovoltaicos, pila de combustible y electrolizador
dado que el flujo de energa se da solo desde la fuente hacia el bus. Para el banco de bateras
en cambio, es necesario un convertidor bidireccional, ya que el flujo de energa puede cambiar
de direccion.
El esquema circuital de los convertidores boost unidireccional y buck-boost bidireccional se
presento en el Captulo 2, en las Figuras 2.20(b) y 2.20(a), mientras que los modelos Modelica
construidos en base a componentes electricos de la MSL (inductancias, llaves, resistencias,
diodos, etc.) se muestran en las Figuras 3.1 y 3.3.
Los modelos conmutados incluidos en la librera presentan la posibilidad de representar el
comportamiento de los convertidores en modo de conduccion discontinua, que generalmente
se da en el arranque o periodos transitorios. En general, los modelos promediados no presentan
esta posibilidad. O en todo caso debe usarse mas de un modelo para tal fin.
39
Sw2
Sw1
idealClosin...
pin_input inductor pin_output
L=15e-3 idealDiode1
idealClosingSwitch
idealDiode
pin_ground
Figura 3.3: Convertidor DCDC Buckboost bidireccional.
3.3.3. Paneles fotovoltaicos

Un panel fotovoltaico esta formado por un conjunto de celdas fotovoltaicas que se conectan
en serie para alcanzar tensiones de trabajo adecuadas. A su vez los paneles pueden conectarse
en arreglos serie-paralelo de acuerdo a la tension y potencia necesaria.
El modelo matematico descrito en la Seccion 2.4.1, representado por las Ecuaciones (2.1)-
(2.4), es incorporado a la librera Modelica. El panel es modelado como un componente de un
solo puerto, con una entrada adicional para la radiacion. Si bien la temperatura se considera
constante, la extension para considerar las variaciones de la misma puede incorporarse defi-
niendo una nueva entrada. Para este modelo, no se utilizo la librera estandar de Modelica sino
que se construyo directamente mediante el siguiente codigo Modelica:
model PV_module
extends Modelica.Electrical.Analog.Interfaces.OnePort;
parameter Real q=1.6e-19; //[C]
parameter Real Ac=1.6;
parameter Real K=1.3805e-23;//[Nm/K]
parameter Real K1=5.532e-3;//[ A/oC]
parameter Real Ior=1.0647e-6;// [A]
parameter Real Tref=303;// [K]
parameter Real Eg=1.1;// [V]
parameter Real Isc=8.51;// [A]
parameter Real Rspv=0.01;
parameter Real Tpv=273+25;
parameter Real Irs=Ior*(Tpv/Tref)^3
*exp(q*Eg*(1/Tref-1/Tpv)/K/Ac);
parameter Integer Np=1;
parameter Integer Ns=60;
Real Iph; //insolation current
Real exponent;
Real Ipv;
Real Vpv;
Real lambdaph;
Modelica.Blocks.Interfaces.RealInput u
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
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
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
Figura 3.4: Subsistema Boost-Panel en Modelica
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
Figura 3.5: Diagrama en Modelica de sistema con paneles PV y batera
3.3.4. Pila de combustible tipo PEM

El modelo de la pila de combustible tipo PEM detallado en la Seccion 2.4.4 se incorpora a la
librera HRES Modelica. Basado en las Ecuaciones (2.21)-(2.26) se construye la representacion
en codigo Modelica de la pila PEM:
42
model FuellCell
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
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
Real fH2;
Real Ucell;
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;
3.3.6. Tanque de H2 y compresor

El modelo del tanque presurizado de H2 se construye de acuerdo a la Ecuacion (2.33):
model Tank
Modelica.Blocks.Interfaces.RealOutput p_tank_bar;
Modelica.Blocks.Interfaces.RealInput FH2_elect;
Modelica.Blocks.Interfaces.RealInput FH2_fuellCell;
parameter Real R=8.314;
parameter Real T=273+40;
parameter Real V=0.1;
Real p_tank(start=8e5); // pressure in [Pa]
equation
der(p_tank)=R*T/V*(FH2_elect-FH2_fuellCell); //tank presure [Pa]
p_tank_bar=1e-5*p_tank; //tank presure [Bar]
end Tank;
Mientras que para el compresor se utiliza la Ecuacion (2.34):

model Compressor
Modelica.Blocks.Interfaces.RealInput FH2_electrolizer;
Modelica.Blocks.Interfaces.RealInput p_tank;
Modelica.Blocks.Interfaces.RealOutput Consumed_Pow;
parameter Real k=1.4;
parameter Real nu_iso=0.9;
parameter Real nu_m=0.8;
parameter Real T=273+40;
parameter Real p_elect=1;
equation
Consumed_Pow=FH2_electrolizer*((p_tank/p_elect)^(1-1/k)-1)*T*R*k/(k-1)/(nu_iso*nu_m);
end Compressor;
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
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 SoC0=90;
Real Qt;
Real SoC;
Real E;
44
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;
3.3.8. Estrategia de gestion de energa y control de la tension de bus

La potencia neta (Pnet (t)) se define como la diferencia entre la potencia generada por las
fuentes renovables, en este caso el arreglo de paneles fotovoltaicos, y la potencia consumida por
la carga. Cuando Pnet (t) es positiva, esta potencia puede ser utilizada para cargar la batera o
para producir hidrogeno a traves del electrolizador. De lo contrario, cuando Pnet (t) es negativa,
la energa faltante debe ser suministrada por las bateras o la pila de combustible PEM. La
decision entre las posibles opciones es tomada por la estrategia de gestion de energa.
La EMS, basada en el conocimiento sobre el estado de carga de la batera (SoCb ) y el ba-
lance de potencia, se encarga de calcular las senales de referencia de potencia correspondientes
al electrolizador y la pila de combustible. Luego, estas referencias se bajan a la capa de control
base formado por lazos de control PI que manipulan el ciclo de trabajo de los convertidores
DC-DC para seguirlas. La potencia necesaria para cerrar el balance y regular una tension en el
bus de continua es aportada por la batera. Dos controles PI anidados, tal como se muestra
en la Figura 3.2 son los encargados de realizar esta tarea.
La EMS propuesta por Zhou et al. (2008) utiliza ciclos de histeresis para regular los flujos
de potencia y evitar conmutaciones frecuentes de encendido y apagado de la pila PEM y
el electrolizador. Estos trabajan en modo de potencia variable para mejorar la eficiencia del
sistema (Ulleberg, 2004). En la Figura 3.6 vemos un esquema del funcionamiento de la EMS
de doble histeresis. Cuando el SoCb supera determinado valor maximo SoCM AX se prende
el electrolizador, y la Pnet se utiliza para producir hidrogeno. Cuando la potencia generada
por fuentes renovables ya no sea suficiente para alimentar la carga, dicha potencia, al igual
que la potencia mnima requerida por el electrolizador, comenzara siendo entregada por la
batera, reduciendo el SoCb . Al disminuir por debajo de determinado umbral SoCM AX , el
electrolizador se apaga, y el balance de potencia estara a cargo unicamente de la batera. En
el momento que el SoCb pase por debajo de un valor mnimo SoCmin , se encendera la pila
PEM, la cual comenzara a entregar la potencia necesaria para cerrar el balance hasta que Pnet
vuelva a tomar valores positivos y recargue lo suficiente la batera como para superar el umbral
necesario (SoCmin ). Esta estrategia es implementada en la librera HRES Modelica como un
modelo que tiene como entrada el SoCb y genera las referencias de potencia de los lazos de
control para la pila y el electrolizador.
3.3.9. Modelo completo de HRES

Haciendo uso de la nueva biblioteca de Modelica, y siguiendo la topologa de la Figura 3.2,
se construyo el modelo HRES representado en la Figura 3.7. All, para mejorar la visualizacion
completa del diagrama, se agruparon algunos subsistemas de la biblioteca, formando subsiste-
mas mas complejos. Por ejemplo, el modelo etiquetado como Fuell Cell/H2 Tank/Electrolyzer
Compressor comprende los modelos de la pila de combustible PEM, el tanque de hidrogeno y
el electrolizador, como se muestra en la Figura 3.8. Los diferentes modelos que componen el
sistema fueron parametrizados segun los datos que se muestran en la Tabla 3.1.
45
SoCbat
Electrolyzer
SoCMAX
SoCMAX
SoCmin
SoCmin
Fuel Cell
OFF ON
Figura 3.6: Esquema de la EMS doble histeresis.

PGen_Sensor
lambda1 Photovoltaic Panel
DC-DC Conv.
P
MPPT Algorithm
k=70
PCons_Sensor
lambda2 Photovoltaic Panel

P
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
Figura 3.7: Modelo Modelica del HRES
Tabla 3.1: Parametros del modelo completo
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
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

En esta seccion, simulamos el modelo HRES previamente descrito bajo diversas condiciones
comparando el desempeno de diferentes solvers ODE.
3.4.1. Criterios y configuraciones

Se simula el modelo completo de HRES de la Figura 3.7 usando el conjunto de parametros
enumerados en la Tabla 3.1. Se introducen algunas modificaciones al modelo para evaluar el
desempeno de los solver ODE bajo la aparicion de diferentes fenomenos: primero, se agrego
una pequena inductancia a la carga originalmente resistiva pura, lo que provoca que el sistema
se vuelva rgido. Luego, agregamos mas paneles fotovoltaicos al modelo lo que aumenta el
tamano del problema.
En todos los casos, las simulaciones se realizaron bajo las siguientes condiciones:
Los modelos fueron procesados por el compilador de ModelicaCC, convirtiendolos al

lenguaje -Modelica.
Los modelos -Modelica resultantes fueron simulados usando los algoritmos DASSL,
DOPRI y LIQSS2 implementados en el solver QSS autonomo.
Las implementaciones de DASSL de Dymola y OpenModelica tambien fueron probadas,

pero los tiempos de simulacion obtenidos fueron mayores que los del solver QSS, por lo
que solo se reportan los resultados obtenidos por este ultimo.
Se realizaron simulaciones bajo tres ajustes de tolerancia diferentes: la tolerancia relativa

tpica de 103 y tolerancias mas estrictas de 104 y 105 .
El tiempo de simulacion final fue de 3000 segundos.
Las simulaciones se realizaron en una PC con un sistema operativo Ubuntu y un proce-

sador Intel
R TM
Core i7-3770 CPU de 3.40 GHz.
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
pin_p
Pref_Electr
Fuell Cell Electrolizer

P.ref
FH2_FC &
H2 Tank p Compressor
FH2_Elect
Pref_FC
pin_n
Figura 3.8: Subsistema Pila PEM-Tanque-Electrolizador
3.4.2. Caso 1: Carga resistiva pura

Primero se simula el sistema de la Figura 3.7 con una carga puramente resistiva. La radia-
cion se fijo en 800 W m2 y 1000 W m2 para cada panel, resultando a traves del algoritmo
MPPT en 400 W de potencia generada. La carga es una resistencia R = 100, en paralelo
con una resistencia variable que representa un consumo de potencia variable. Esta resistencia
variable toma los valores Rv (t = 0) = 1005, Rv (t = 1150) = 10, Rv (t = 1450) = 5 y
Rv (t = 2500) = 1005.
La Figura 3.9 muestra una distribucion tpica de potencia en un sistema HRES, donde la
potencia generada (etiquetada como P Gen.) se refiere a la potencia entregada por los paneles
solares. En la figura vemos que existe un primer periodo donde la Pcons resulta menor a la
Pgen , lo que permite la carga de la batera. Tal como se describio anteriormente, cuando se
supera el lmite superior de SoCb , comienza a funcionar el electrolizador. La batera deja de
cargarse, y la Pnet se utiliza para producir hidrogeno. En t=1150 s, la potencia requerida por
la carga aumenta, superando ahora la potencia consumida por el conjunto carga-electrolizador
a la potencia generada en los paneles. Esta diferencia es aportada por la batera que comienza
un perodo de descarga, el cual finaliza cuando comienza a aportar energa la pila de combus-
tible. En ese punto se muestra un detalle del comportamiento dinamico del sistema frente al
encendido de la pila PEM. El comportamiento de la EMS detallado puede verse graficamente
en la Figura 3.10. Esta estrategia si bien es una de las mas utilizadas en los sistemas HRES y
permite cumplir con el balance de potencia durante todo el periodo de simulacion, es tambien
una de las mas basicas, ya que tiene en cuenta el estado de solo uno de los almacenadores
del sistema, en este caso la batera. En principio resulta factible su utilizacion sin mayores
inconvenientes ya que es la batera el elemento almacenador que requiere de mayor atencion
debido a la rapidez de su dinamica de carga y descarga frente al tanque de hidrogeno. En
rigor, una EMS tendra que tener en cuenta los estados de ambos almacenadores y asegurar
en todo momento que no se superaran las restricciones de almacenamiento. El cumplimiento
de los lmites de almacenamiento en el tanque de H2 debe asegurarse de manera externa a la
EMS. Estas premisas seran tenidas en cuenta en el desarrollo de las EMS que se presentan en
los Captulos 5 y 6.
En la Figura 3.11 se muestra la evolucion de la tension del bus de continua. El valor medio
de esta tension se controla alrededor de 56 V, pero presenta cambios transitorios siempre que
el electrolizador o la pila de combustible se enciendan o apaguen o se produzcan cambios
en la carga. Esta senal tiene una pequena ondulacion (ripple) introducida por los diferentes
49
1000 800 P Cons

P Gen. P Cons
600 P Elect
Power [W] P F.Cel P Gen.
800 P Bat.
400
P Elect
200 P F.Cel
600 0 P Bat.
2333.65 2333.7 2333.75
Time [sec]
400
Power [W]
200
200
400
600
0 500 1000 1500 2000 2500 3000
Time [sec]
Figura 3.9: Balance de potencia
85
SOC
F.Cell and Electrolyzer state (ON/OFF)

80 F.Cell State
Electro.hist.
Electro. State
75
SOC histeresis
70
ON
Battery SOC
65
60
55 OFF
50
45
F.Cell.hist.
40
35
0 500 1000 1500 2000 2500 3000
Time [sec.]
Figura 3.10: Estado de carga de la batera
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
65 56.55
56
Bus Voltage [V]
Bus Voltage [V]

56.5
55
54 56.45
53
56.4
52
60
Bus Voltage [V]
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.]
Figura 3.11: Tension del bus de continua

6
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.]
Figura 3.12: Corriente por la inductancia de un convertidor boost
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
Tabla 3.2: Rendimiento de la simulacion con LIQSS y DOPRI (caso no rgido)

Integration Relative Function (fi ) CPU
method error evaluations [min.]
err.tol=103 1,16 104 2,37 1010 235,0

DOPRI
err.tol.=104 1,07 105 2,38 1010 233,3
err.tol.=105 8,15 107 2,40 1010 238,3
err.tol=103 5,01 103 1,25 1010 79,0

LIQSS2
err.tol=104 6,42 105 1,42 1010 106,5
err.tol=105 1,41 105 1,97 1010 166,3
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.
3.4.3. Caso 2: Carga rgida RL

En el ejemplo anterior, el modelo no era realmente rgido, excepto durante unos breves
intervalos de tiempo cuando los convertidores electronicos de potencia entran en el modo de
conduccion discontinua. Los modelos mas realistas suelen considerar la presencia de inductan-
cias parasitarias y/o condensadores que invariablemente conducen a la rigidez.
Para evaluar el rendimiento de los algoritmos bajo estas condiciones, modificamos la carga
incluyendo una pequena inductancia de L = 105 H conectada en serie con la resistencia fija
de R = 100, y se repiten los experimentos del caso anterior.
En este caso, debido a la rigidez del sistema, el DOPRI no proporciono resultados en un
tiempo razonable. Por lo tanto, solo se compararon los resultados de DASSL y LIQSS2. Los
mismos se resumen en la Tabla 3.3.
El LIQSS2 es de 15 a 20 veces mas rapido que DASSL. La naturaleza implcita de DASSL
implica que debe resolver un conjunto de ecuaciones algebraicas durante cada paso, pagando
por ello un costo computacional muy alto. Entonces, el hecho de que LIQSS2 sea explcito
explica la enorme diferencia entre ambos solvers.
3.4.4. Case 3: Multiples paneles PV

Basado en el modelo anterior (con la carga RL rgida), se estudian los efectos del aumento
del numero de paneles fotovoltaicos en la carga computacional de cada solver.
El tiempo de simulacion final se redujo a tf = 100 segundos para obtener resultados mas
rapidamente, y usamos una tolerancia de error de 104 .
La Figura 3.13 detalla la relacion entre el tiempo de CPU y el numero de paneles, mostrando
que el coste computacional de LIQSS2 crece linealmente con el numero de paneles mientras
52
3.5. Conclusiones del captulo
Tabla 3.3: Rendimiento de simulacion con LIQSS y DASSL (caso rgido)

Integration Relative Function (fi ) CPU
method error evaluations [min.]
err.tol=103 9,6 104 1,16 1010 1395,0
DASSL
err.tol.=104 9,5 104 3,34 1011 3050,0
err.tol.=105 7,1 104 5,31 1011 3783,3
err.tol=103 8,9 103 1,30 1010 96,0

LIQSS2
err.tol=104 7,2 105 1,68 1010 141,5
err.tol=105 3,4 105 2,23 1010 205,0
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
Figura 3.13: Numero de paneles PV vs. Tiempo de CPU

Se desarrollo una nueva biblioteca Modelica de componentes HRES realistas, mediante
la cual es posible modelar elementos de generacion y almacenamiento de energa, como as
tambien convertidores de potencia y diferentes controladores. Utilizando esta biblioteca, se
construyo un modelo completo de HRES, el cual fue simulado bajo diferentes configuraciones.
Debido a que los modelos rigurosos de convertidores DC-DC incluyen componentes con-
mutados, los modelos HRES resultantes no pueden ser simulados en un tiempo razonable por
solvers ODE estandar. Las simulaciones con DASSL (utilizando Dymola u OpenModelica), por
53
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/.
El compilador ModelicaCC se encuentra en:

https://sourceforge.net/projects/modelicacc/
54
CAPTULO 4
Control predictivo aplicado a planta

de reformado de bioetanol
En la primera parte de este captulo se propone el desarrollo de dos sensores virtuales

basados en redes neuronales para la estimacion de la concentracion de CO en el flujo de H2
en diferentes etapas de la planta de reformado de bioetanol. A partir de estas estimaciones, se
puede ver que existen periodos de tiempo donde la concentracion de CO supera ampliamente
los valores de seguridad requeridos por la pila PEM (>10 ppm). Para hacer frente a esta
problematica, en la segunda parte de este captulo se proponen dos estrategias MPC para
reemplazar solo los lazos crticos de la estructura de control existente con el objetivo de mejorar
la respuesta dinamica del sistema y asegurar los requerimientos de calidad de H2 necesarios.
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
Figura 4.1: BPS + pila PEM
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
Finalmente, en la Seccion 4.5 se resumen las conclusiones del captulo.

Los sensores virtuales son dispositivos donde sus salidas o variables predichas, pueden ser
modeladas utilizando otros parametros o variables. As, estos elementos consisten en la aso-
ciacion entre mediciones de variables del proceso (entradas) y un algoritmo de estimacion
(software), para inferir variables no medibles directamente (salidas). Las redes neuronales ar-
tificiales han sido utilizadas con buenos resultados en el area industrial para el desarrollo de
modelos con el objetivo de estimar la evolucion temporal de determinadas variables del proceso.
4.2.1. Conceptos basicos sobre redes neuronales artificiales

Las redes neuronales artificiales son una metodologa ampliamente utilizada para tratar
problemas complejos, principalmente porque pueden aprender a traves de ejemplos, son tole-
rantes a fallas en el sentido de que son capaces de manejar datos ruidosos e incompletos, son
capaces de lidiar con problemas no lineales y, una vez entrenadas, pueden realizar predicciones
y generalizaciones a alta velocidad (Kalogirou, 2001).
Existen diferentes tipos de ANN. En aplicaciones de aproximacion de funciones y prediccion,
una de las estructuras de red neuronal mas comunmente utilizadas es la feedforward (Ho et al.,
2008; Zamaniyan et al., 2013). Las ANN consisten en multiples capas de neuronas, que aplican
funciones de transferencia entre las entradas y salidas. Esta caracterstica les permite aprender
y duplicar relaciones no lineales entre variables. Uno de los primeros pasos en el desarrollo de
un modelo de ANN, es la definicion de las variables de entrada y salida y la preparacion de
los datos (Al-Alawi et al., 2007). La definicion de las variables de salida es directa, ya que son
aquellas que se pretenden estimar. Sin embargo, la eleccion de las variables de entrada requiere
un profundo conocimiento del proceso. Si las variables involucradas tienen diferentes unidades
y/u ordenes de magnitud, es muy util realizar un pre-procesamiento de los datos. Para esta
etapa se propone una normalizacion con media cero y varianza unitaria.
260
6.3 Estructura de control de planta completa para el sistema BPS

240 con
PEM-FC
220
Load stack current [A]
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.
6.3.2 Estrategia de manejo de energa
La estrategia de manejo utilizada en este captulo se da en detalle en (58). Esta basado

en el mapa de eficiencias de la celda de combustible, y la opera preferiblemente en su
punto de maxima eficiencia de modo de mejorar la economa del hidrogeno, aunque el
punto operativo final del sistema se determina en base a la demanda de potencia y el
estado de carga (SoE) del sistema de almacenamiento de energa (ESS). El comando de
57
potencia de la FCS es determinado de acuerdo a las siguientes reglas, cuya nomenclatura
se explica en la tabla 6.1. Si la carga de la potencia es
P P (k) P (6.14)
Entrenamiento, seleccion de topologa y validacion de ANNs

Una vez que se define la arquitectura del modelo ANN, se establecen las entradas y salidas
y se recopilan los datos, la red debe entrenarse para reconocer las relaciones entre las variables
de entrada y salida. Para este proposito, se utiliza el algoritmo de retropropagacion (back-
propagation) con la modificacion propuesta por Hagan y Menhaj (1994). Este es un proceso
iterativo en el que los pesos asociados con cada conexion son autoajustables. El ajuste de los
pesos se detiene cuando se obtiene un valor optimo, maximizando o minimizando una funcion
de rendimiento.
Un problema tpico que se produce durante el entrenamiento de una ANN se denomina
sobreajuste (overfitting ). Significa que la red ha memorizado los ejemplos de entrenamiento,
pero no ha aprendido a generalizar. Para evitar este inconveniente, se aplica el metodo de
regularizacion propuesto por Tikhonov (1963) e implementado en Toolbox de redes neuronales
de Matlab (MATLAB, 2010). La funcion de rendimiento resulta:
N N
1 X 2 1 X 2
msereg = mse + (1 ) msw = (ti ai ) + (1 ) wj , (4.1)
N N
i=1 j=1
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 .
4.2.2. Diseno de sensores virtuales

El conjunto de datos utilizado para el entrenamiento de los sensores virtuales se obtiene
mediante la simulacion del modelo de la planta presentado en Nieto et al. (2011) cuando se
aplica el perfil de perturbacion presentado en la Figura 4.3. Como puede verse en la figura, el
rango operativo de la pila PEM esta casi completamente cubierto.
58
230
220
210

200
190
180
170
160
150
140
0 20 40 60 80 100
Time [sec]
Figura 4.3: Perfil de corriente de carga para entrenamiento de sensores virtuales
Tabla 4.1: Variables del sensor virtual 1

Variables de entrada
y7 Temperatura de salida del LTS
u9 Flujo de salida del LTS
Variable predicha
yb9 Concentracion de CO a la entrada del CO-PrOx
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
Tabla 4.2: Variables del sensor virtual 2

Variables de entrada
yb9 Concentracion de CO a la entrada del CO-PrOx
u9 Flujo de salida del LTS
y8 Temperatura de salida del CO-PrOx
y9 Relacion molar O2 /CO
Variable predicha
y11 Concentracion de CO a la salida del CO-PrOx
59
510 0.16
500 0.15
490 0.14
LTS exit flow [mol/sec]

LTS Temperature [K]
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
Figura 4.4: Datos de entrenamientos para SS - Perfiles de entrada

2500
COPrOx CO inlet concentration [ppm]
2000
1500
1000
500
0
10 20 30 40 50 60 70 80 90 100
Time [sec]
Figura 4.5: Datos de entrenamientos para SS - Perfil de variable de salida (yb9 )
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
Tabla 4.3: Parametros de diseno del sensor virtual 1

Parametro Valor
Funcion transferencia de la capa oculta tansig
Funcion transferencia de la capa de salida purelin
Algoritmo de entrenamiento Leverberg-Marquardt (trainlm)
Funcion rendimiento msereg
Relacion de rendimiento () 0.7
Maximo numero de epocas para entrenar 1000
Objetivo de rendimiento 0.00001
Tasa de aprendizaje 0.001
Crecimiento de la tasa de aprendizaje 10
Reduccion en la tasa de aprendizaje 0.1
Maxima tasa de aprendizaje 1e+010
Tabla 4.4: Parametros de diseno del sensor virtual 2

Parametro Valor
Funcion transferencia de la capa oculta tansig,poslin
Funcion transferencia de la capa de salida purelin
Algoritmo de entrenamiento Leverberg-Marquardt (trainlm)
Funcion rendimiento msereg
Relacion de rendimiento () 0.8
Maximo numero de epocas para entrenar 1000
Objetivo de rendimiento 0.00001
Tasa de aprendizaje 0.001
Crecimiento de la tasa de aprendizaje 10
Reduccion en la tasa de aprendizaje 0.1
Maxima tasa de aprendizaje 1e+010
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
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
(a) Prediccion de la concentracion de CO a la entrada (b) Prediction detail

del CO-PrOx vs. valor actual
Figura 4.7: SS1 - Prediccion con 2 neuronas en la capa oculta
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).

En esta seccion se enumeran los principales objetivos de control del sistema. Ademas, en
base a la estructura de control descentralizada presentada en Nieto Degliuomini et al. (2012),
62
2500 0.16
0.15
2000
0.14
LTS exit flow [mol/sec]

1500
0.13
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
(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
(c) Input 3 - y8 : Temperatura de salida del CO-PrOx (d) Input 4 - y9 : Relacion molar O2 /CO
Figura 4.8: Datos de entrenamientos para SS2 - Perfiles de entrada

15000
COPrOx CO oulet concentration [ppm]
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
Tabla 4.5: Sensor virtual 2 - Resultados de validacion

n1 n2 RMSE [ppm]
1 15 3.474
1 3 3.477
1 7 3.490
1 11 3.499
1 10 3.547
40
2500 Actual
Actual Predicted
Predicted 35
COPrOx CO outlet concentration [ppm]

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]
(a) Prediccion de concentracion de CO a la salida del (b) Detalle de la prediccion

CO-PrOx vs. valor actual
Figura 4.10: SS2 - Prediccion para red neuronal con 2 capas ocultas
Los principales objetivos de control del BPS son:

Mantener niveles adecuados de H2 en el anodo de la pila PEM. Una alimentacion por
debajo de la necesaria segun los requerimientos de potencia puede causar un dano impor-
tante a la pila, mientras que una sobrealimentacion resulta en un desperdicio innecesario
de hidrogeno.
La concentracion de CO en la corriente de H2 del anodo debe mantenerse por debajo
de 10 ppm.
Mantener las temperaturas de los reactores y la pila PEM en su rango operativo.
Mantener la eficiencia del sistema.
El conjunto de variables disponibles en el BPS se enumeran en la Tabla 4.6, y con (*) se
indican los lazos de control estabilizantes.
4.3.1. Control descentralizado basado en lazos PI

El diseno de la estructura de control PI descentralizado presentada en Nieto Degliuomini
et al. (2012) se realiza en base a la metodologa de control de plantas completas presentada
en Zumoffen et al. (2010). Se propone la seleccion optima de variables controladas (CVs), de
acuerdo a las seis variables manipuladas (MVs) (u1 - u6 ) disponibles, como puede verse en la
Tabla 4.6.
La RGA permite definir el apareamiento entrada-salida usando solo informacion de estado
estacionario. Los valores se muestran en la Tabla 4.7, donde seis lazos de control son: 1)
64
Tabla 4.6: Variables de la planta BPS+PEM

Medidas Manipuladas Perturbaciones
y1 Temperatura salida ESR u1 Entrada de agua al ESR d1 Pureza de Etanol
y2 Temperatura gases de camisa u2 Calor intercambiado Q d2 Corriente de la pila
y3 Temperatura salida Burner u3 Etanol al Burner
y4 Flujo entrada Burner u4 Oxgeno al Burner
y5 Relacion molar H2 O/Etanol u5 Oxgeno al CO-PrOx
y6 Temperatura salida HTS u6 Tension del compresor
y7 Temperatura salida LTS u7 Flujo de salida del ESR(*)
y8 Temperatura salida CO-PrOx u8 Flujo de salida del HTS(*)
y9 Relacion molar O2 /CO u9 Flujo de salida del LTS(*)
y10 flujo de salida Burner u10 Flujo de salida del CO-PrOx(*)
y11 Concentracion de CO salida CO-PrOx u11 Flujo de Bioetanol(*)
y12 Potencia neta
y13 Exceso de oxgeno
y14 Tension de la pila
y15 Presion del ESR(*)
y16 Presion del HTS(*)
y17 Presion del LTS(*)
y18 Presion del CO-PrOx(*)
y19 Flujo de H2 producido(*)
Tabla 4.7: RGA para la planta BPS+PEM

u1 u2 u3 u4 u5 u6
y1 0.0001 0.9908 0.0074 0.0014 0.0004 0.0000
y3 0.0242 0.0012 0.8882 0.0844 0.0020 0.0000
y8 0.3953 0.0011 0.0143 0.0108 0.5796 -0.0011
y9 0.5776 0.0005 0.0004 0.0027 0.4187 0.0000
y10 0.0031 0.0064 0.0897 0.9008 0.0000 0.0000
y13 -0.0003 0.0000 0.0000 -0.0000 -0.0007 1.0011
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 ).
Analisis de interaccion basado en RGA

El estudio de la RGA proporciona dos elementos importantes: una recomendacion para un
apareamiento efectivo de variables controladas y manipuladas, y una medida de las interac-
ciones del proceso. En la implementacion de una estructura de control descentralizada solo se
considera el primer elemento a la hora de definir los lazos de control. Sin embargo, el grado de
interaccion entre los lazos de control puede degradar el rendimiento de las variables controla-
das. Una matriz RGA con todos los elementos en su diagonal con valor unitario (ij con i = j),
significa que los lazos del sistema no interactuan y podra implementarse una estructura de
control descentralizada con lazos PI. Por el contrario, cuando los elementos ij tienen valores
cercanos a 0.5, los lazos podran considerarse altamente interactuantes (Seborg et al., 2004;
65
SV-1 SV-2
RIC COI COI
NN NN
IT
Loop 1
ESR HTS LTS COPrOx
PEM-FC
Loop 2 FT Loop 5
Water TIC TIC
Burner
Heat FIC
exchangers
RC
Loop 3 TIC Air

Ethanol Loop 6
FIC Loop 4
Main Loop
Figura 4.11: Estructura de control descentralizada basada en lazos PI
Skogestad y Postlethwaite, 2005).

Como puede verse en la matriz de RGA del caso de estudio presentada en la Tabla 4.7,
31 , 41 , 35 y 45 tienen todos valores cercanos de 0.5. De esta manera vemos que los lazos
1 y 5 presentan un grado importante de interaccion. El subsistema 2x2 resultante con las CVs
(y8 , y9 ) y MVs (u1 , u5 ) es por lo tanto un buen candidato para la implementacion de un
control multivariable. Una mejora en el rechazo a perturbaciones en el lazo 5 y principalmente
en el lazo 1 podra evitar el aumento de y11 mas alla de los lmites deseados. En la siguiente
seccion se aplican estrategias de control predictivo basado en modelos para satisfacer este
requerimiento.
4.3.2. Control predictivo basado en modelos

El MPC es una familia de algoritmos que utilizan un modelo dinamico del proceso para
predecir la respuesta futura de una planta. Las salidas del controlador se obtienen mediante
la optimizacion de una funcion objetivo a lazo abierto sobre un horizonte de tiempo futuro.
Como resultado se obtiene una secuencia de movimientos de las variables manipuladas. Luego,
en cada intervalo de control solo se aplica el primer elemento de la secuencia optima y el resto
se descarta. El calculo completo se repite en cada intervalo de control subsiguiente utilizando
las mediciones del proceso para actualizar el problema de optimizacion.
La estrategia de horizonte deslizante del MPC se muestra esquematicamente en la Fi-
gura 4.12, donde el instante de muestreo actual esta dado por k. Las entradas presentes y
pasadas (u(i) con i k) son utilizadas para predecir las salidas a lo largo del horizonte de
prediccion P (y(k + i) para i = 1, 2, . . . , P ). Se calculan los movimientos de control para un
horizonte de control M ([u(k), u(k + 1), . . . , u(k + M 1)]), tal que minimicen una funcion
objetivo determinada. La primera accion de control u(k) es aplicada a la planta. Luego en el
siguiente instante de muestreo k + 1, tanto la prediccion como el calculo de la secuencia de
movimientos de control son repetidos para determinar la siguiente accion a aplicar u(k + 1).
En la Figura 4.12 la trayectoria de referencia es considerada una constante. Sin embargo, otras
posibilidades pueden ser consideradas, como por ejemplo una trayectoria gradual o escalonada.
Ventajas y desventajas de las estrategias MPC vs. estructuras basadas en PI

Las estrategias basadas en MPC presentan numerosas ventajas con respecto a los clasicos
lazos PI:
66
Figura 4.12: Estrategia de horizonte deslizante en MPC (Morari y Lee, 1999).
Son estrategias de control generalizadas para procesos MIMO (Multiples entradas -

Multiples salidas) con restricciones de desigualdad en las variables manipuladas y/o
controladas.
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:
En general las estrategias de control avanzado no son familiares para el personal de

planta.
Los calculos que implica la solucion de un problema de optimizacion cuadratico (QP)

pueden resultar de un importante esfuerzo computacional.
El desarrollo de los modelos dinamicos requieren de disponer del tiempo y las posibilidades
de realizarlo en los procesos industriales.
Diferentes empresas desarrollan metodologas de control MPC segun las caractersticas

especficas del problema que pretenden atender. En esta seccion se evaluan dos tecnologas
diferentes para mejorar el rendimiento alcanzable por un control PI descentralizado conven-
cional, ambas muy conocidas en la industria qumica, como son el MPC lineal (LMPC) y el
control predictivo funcional (PFC). En Qin y Badgwell (2003) se presenta una revision exhaus-
tiva de diversas metodologas industriales de control predictivo. Sin embargo, no hay suficiente
informacion sobre los criterios disponibles para decidir sobre la implementacion de un MPC.
Una regla natural es considerar la influencia en el comportamiento dinamico del sistema que
puedan tener la interacciones de las variables. De all, la importancia de la herramienta RGA
presentada en la seccion anterior para realizar este tipo de estudios.
67
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
(a) Entrada de agua al ESR (b) Oxgeno al CO-PrOx
Figura 4.13: Variables manipuladas - Datos de identificacion
4.3.3. MPC Lineal

Generalmente, el modelo interno para un control LMPC se formula en espacios de estados.
El sistema a ser controlado puede describirse con un modelo lineal en tiempo discreto del tipo:
x(k + 1) = A x(k) + B (ut (k)),

(4.5)
y(k) = C x(k),
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
203
202

201
200
199
198
197
20 40 60 80 100 120 140 160 180 200
Time [sec]
Figura 4.14: Datos de identificacion de perturbacion - Corriente de la pila
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
(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 %
Figura 4.15: Fitting de las variables controladas
ymin y(k + i) ymax , (4.7)

min max
u u(k + i) u , (4.8)
umin u(k + i) umax . (4.9)
El valor e(k + i) es la prediccion del error en el instante k + i:
e(k + i) = ysp (k + i) y(k + i), (4.10)

donde ysp es la referencia de la salida. P es la longitud del horizonte de prediccion, y M la
del horizonte de control. Las matrices Q, R y S son las matrices de penalizacion de las salidas,
las entradas y la tasa de cambio de las mismas, y se supone que son simetricas y definidas
positivas.
El ajuste de los diferentes parametros del LMPC es aun una cuestion no resuelta en la
literatura. Se puede encontrar una interesante revision de varios metodos de ajuste en Garriga y
Soroush (2010). En este trabajo se aplica el enfoque de ajuste propuesto por Shridhar y Cooper
(1997). Los valores de los diferentes parametros del LMPC se muestran en la Tabla 4.9. Las
restricciones se establecen solamente en las variables manipuladas para mantenerlas positivas.
69
DV1 SV-1
MV1 CV1 RT COI
NN SV-2
LMPC TT
MV2 CV2 COI
NN
IT
ESR HTS LTS COPrOx
PEM-FC
Loop 2
Water TIC
Burner
Heat FIC
exchangers
RC
Loop 3 TIC Air

Ethanol Loop 6
FIC Loop 4
Main Loop
Figura 4.16: Estructura de control con LMPC
Tabla 4.9: Ajuste de los parametros del LMPC

Smbolo Descripcion Valor
P Horizonte de prediccion (muestras) 100
M Horizonte de control (muestras) 5
qy8 Peso de salida (y8 ) 1
qy9 Peso de salida (y9 ) 10
su1 Peso de entrada (u1 ) 0
su5 Peso de entrada (u5 ) 0
ru1 Peso de variacion en entrada (u1 ) 8.7
ru5 Peso de variacion en entrada (u5 ) 2.5
Finalmente, el esquema de control resultante se muestra en la Figura 4.16 y se implementa

utilizando el toolbox de control predictivo basado en modelos de Matlab.
4.3.4. Control predictivo funcional

La tecnica PFC es la tercera generacion de una familia de algoritmos de control basados
en modelos (Richalet y ODonovan, 2009) y el mismo fue ampliamente aplicado en control
de procesos (Campetelli, 2012). El PFC basicamente consiste de cuatro elementos principales
tales como un modelo dinamico del proceso, una trayectoria de referencia yr (n) (Figura 4.17),
auto-compensacion del error previsto (Figura 4.18(b)) y una estructuracion especfica para
la variable manipulada (Figura 4.18(a)). La trayectoria de referencia puede ser interpretada
como el comportamiento deseado del sistema a lazo cerrado. Una de las caractersticas de este
control es que la accion futura se calcula de tal manera que la respuesta futura predicha por
los modelos se corresponde con varios puntos fijos en la trayectoria de referencia, los cuales
se conocen como puntos de coincidencia. El error futuro entre yr (n) y la salida prevista sobre
el horizonte de coincidencia (comienzo H1 y fin H2 ) son estimadas. Una auto-compensacion
especfica se lleva a cabo teniendo en cuenta la diferencia entre los datos historicos reales
y las salidas del modelo. La estimacion del error futuro en el horizonte de coincidencia a
traves de una extrapolacion especfica, permite mejorar la prediccion del modelo. Dentro de
PFC, acciones de control feedforward y feedback pueden ser disenadas conjuntamente y las
restricciones pueden ser tenidas en cuenta facilmente.
70
Testeo Del Control Predictivo Funcional Para Regular Los Niveles De
Glicemia En Pacientes Diabticos Tipo I In Silico

Figura 5.2: Principios de diseo del PFC para un punto de coincidencia.
Figura 4.17: Principios de diseno del PFC para un punto de coincidencia (Campetelli, 2012).
entre los datos histricos reales y las salidas del modelo. La estimacin del error futuro en
el horizonte de coincidencia a travs de una extrapolacin especca, permite mejorar la
prediccin del modelo. Dentro de PFC, acciones de control feedforward y feedback pueden
ser diseadas conjuntamente y las restricciones pueden ser tenidas en cuenta fcilmente.
En este caso el proceso (Gmi ) se reere a la relacin existente entre la infusin de
insulina (variable manipulada) y glucosa en sangre (variable controlada). Mientras tanto, la
glucosa que ingresa al sistema de un modo estndar como sea una prueba de tolerancia a la
(a) Funciones(a)Base parayBase

Funciones elsalidas
clculo
para de delaslas
el clculo (b)(b)Prediccin
Prediccin de la respuesta
de la respuesta
glucosa oral, intravenosa, o bien una ingesta de alimentos son consideradas perturbaciones
entradas las forzadas. retrasada.

entradas y las salidas forzadas. retrasada.
(a) Funciones Base para el calculo de las entradas y (b) Prediccion de la respuesta retrasada.
tpicas. Por consiguiente, Gdi representa a la funcin de transferencia generada a partir de
las salidas forzadas.
la informacin dada por la glucosa ingerida como variable independiente y la concentracin
Figura 5.3: Funciones del PFC
de glucosa en sangre. Se Figura
veric4.18:
queFunciones
tanto del PFC
Gmi (Campetelli,
como Gdi se 2012)
ajustan bien con Modelos de
Figura 5.3: Funciones del PFC
Primer Orden con Retardo (MPOR) y por ello se presentara el desarrollo de la ley de
Laestos
control para Gmi se refiere
funcionmodelos: a la relacion existente entre la variable manipulada y la variable
controlada. Mientras que Gdi representa la funcion de transferencia generada por la variable
de perturbacion. Severifico
C(n) queyr (n + H)
tanto Gmi H (C(n)
= como Gdi se yajustan
p (n)) bien con Modelos (5.19)
de Primer
Orden con Retardo (MPOR) y por ello se presentara
y considerando:
Kmi emielHsdesarrollo de la ley de control para
G = H
yp (n))(1 ) (5.5)
C(n) ypr(H) (n =
+(C(n)
H)mi= 1+ Tmi s yp (n))
(C(n) (5.20)
(5.19)
{ Kdi edi s
y considerando: p (H)
GdiH==m (H) (5.6)
(5.21)
(C(n) yp (n))(1 ) = 1ym+(nT+ di s
H) H ym (n)
p (H) = (C(n) yp (n))(1 ) 71
(5.20)
Luego,
Aplicando la transformada Z:
{
(C(n) yp (n))(1 H ) = m
H
ymi (n)

H
{ + =
d y
md (n)
H
+ +Kmi (1 m )u(n) + . . .
p (H) m (H)(1 m)
H (5.21)
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).
Llamando a las entradas de la variable manipulada u(n) y la perturbacion d(n), la respuesta

del MPOR en el punto de coincidencia (n + H) se convierte en:
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
La solucion de una ecuacion diferencial lineal o de diferencias finitas, desde el instante t = 0

hasta la actualidad, se compone de dos terminos: la respuesta libre y la respuesta forzada. La
respuesta libre se define como la salida del sistema cuando la entrada es cero para t > 0. La
respuesta forzada, en cambio, asume lo opuesto. Esto implica que todas las senales pasadas,
entrada y salida, son cero. Las salidas futuras se calculan con el modelo usando solo la senal
de entrada.
Entonces, la salida del modelo es la suma de las respuestas libre (L) y forzada (F):
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:
C(n + j) yr (n + j) = j (C(n) yp (n)), 0 j H, (4.21)
72
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) yr (n + H) = H (C(n) yp (n)) (4.25)

y considerando:
p (H) = (C(n) yp (n))(1 H ) (4.26)

p (H) = m (H)
(4.27)
(C(n) yp (n))(1 H ) = ym (n + H) ym (n)
Luego,
(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(n) = K0 (n) + K1 ymi (n) + K2 ymd (n) + K3 d(n) + K4 ym (n) (4.29)

(1 H )
K0 = H)
(4.30)
Kmi (1 m
m H
K1 = H)
(4.31)
Kmi (1 m
dH
K2 = H)
(4.32)
Kmi (1 m
Kdi (1 dH )
K3 = H)
(4.33)
Kmi (1 m
1
K4 = H)
(4.34)
Kmi (1 m
(4.35)
Finalmente, si asumimos que d(n) = ymd (n) = 0,
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
Tabla 4.10: Parametros de ajuste de PFC

Smbolo Descripcion Valor
T rbfH CLTR - Hight [sec] 100
T rbfL CLTR - Low [sec] 2
Zona de transicion [ %] 0.2
H Numero de puntos de coincidencia 1
H1 Horizonte inicial de coincidencia [sec] 0.4
H2 Horizonte final de coincidencia [sec] 0.4
Ts Tiempo de muestreo [sec] 0.05
Kmi Ganancia del modelos 265.6
Tmi Constante de tiempo del modelo [sec] 0.65112
mi Retardo del modelo [sec] 0
Kdi Ganancia de perturbacion -0.07431
Tdi Constante de tiempo de perturbacion [sec] 0.60892
di Retardo de perturbacion [sec] 0
escalones B1 (i) = 1; rampas B2 (i) = i o parabolas B3 (i) = i2 . La eleccion de las funciones

base definen el perfil de entrada y pueden asegurar un comportamiento predeterminado.
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:
yp (n) = ym (n) + e0ret (n), (4.38)
e0ret = yP ret yM ret , (4.39)

donde:
(n) = (C(n) yp (n)). (4.40)
Teniendo en cuenta las Ecuaciones 4.38 a 4.40 la accion de control del algoritmo para el
sistema con retardo esta dada por:
u(n) = K0 (n) + K1 ymi (n) + K2 ymd (n) + K3 d(n) + K4 ym (n). (4.41)
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
DV1 SV-1 SV-2

MV1 CV1 RT COI
PFC NN
COI
NN
IT
ESR HTS LTS COPrOx
PEM-FC
Loop 2 FT TT
Water TIC
Loop 5
Burner
Heat FIC
exchangers
RC
Loop 3 TIC Air

Ethanol Loop 6
FIC Loop 4
Main Loop
Figura 4.19: Estructura de control con PFC

En esta seccion se presentan los resultados de simulacion del sistema BPS+PEM aplicando
las estrategias de control propuestas en la seccion anterior. Se evaluara la capacidad de rechazo
a perturbaciones de cada una de las estrategias propuestas, como as tambien las diferentes
respuestas dinamicas del sistema, y se contrastaran con la estrategia de control descentralizada
basada en lazos PI (PI-IMC). A su vez, se realiza una comparacion cuantitativa basada en dos
ndices de rendimiento ampliamente utilizados.
4.4.1. Indices de rendimiento

Para la evaluacion del rendimiento de la respuesta de cada variable controlada (CV) para
las diferentes estrategias de control, se evaluara el error absoluto integral (IAE, por sus siglas
en ingles: Integral Absolute Error). El mismo representa una medida del desvo de la variable
controlada (y(k)) con respecto a la referencia deseada (r(k)) para un intervalo de tiempo
determinado, y puede definirse como:
X
IAE = |r(k) y(k)| . (4.42)
k
A su vez, para la comparacion entre las diferentes estrategias, se usara el porcentaje de

mejora de error (EIP):
IAE base IAE new
EIP = x100 %, (4.43)
IAE base
donde base es la estrategia propuesta como base de comparacion (en nuestro caso la estrategia
PI-IMC ), mientras que el sufijo new refiere a la nueva estrategia propuesta (LMPC y PFC ).
El EIP se evaluara sobre cada CV, donde un valor positivo representara una mejora en el
rendimiento con respecto al control base.
4.4.2. Resultados de simulacion

En la Figura 4.20 se presenta la respuesta dinamica de las variables directamente controla-
das por las estrategias de control predictivo propuestas, mientras que en la Figura 4.21 aquellas
CVs que mantienen sus lazos de control PI. Las variables manipuladas correspondientes a los
75
538
536
536 Set Point 535

Desc PI
PFC 534

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
(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
(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
1331.6
Set Point 1331.5

943
Desc PI
1331.4
PFC
942.9 LMPC
Burner exit temperature [K]

ESR exit temperature [K]
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
(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]
0.45 Oxygen excess [mole/s]

3.9
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
(c) Flujo de salida Burner (y10 ) (d) Exceso de oxgeno (y13 )
Figura 4.21: Respuesta dinamica de las variables controladas (CVs) con lazos PI
50
2500
45
Desc PI
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
(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
0.08 0.08
0.075
0.075
0.07
ESR water inlet flow [mole/s]

ESR water inlet flow [mole/s]
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
(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
(c) Flujo de oxgeno al CO-PrOx (u5 ) (d) Flujo de oxgeno al CO-PrOx: Detalle
Figura 4.23: Respuesta dinamica de las variables manipuladas (MVs)
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
Tabla 4.12: Energa de control

MVs Descripcion PI-IMC LMPC PFC
u1 Flujo de entrada de agua al ESR 109.6318 110.5526 110.6228
u2 Calor intercambiado Q 36.3042 36.4473 36.4473
u3 Etanol al Burner 7.8160 7.8441 7.8441
u4 Oxgeno al Burner 1576.4 1572.0 1571.6
u5 Oxgeno al CO-PrOx 0.096683 0.097174 0.097003
u6 Tension del compresor 9.8054x1011 9.8054x1011 9.8054x1011
u11 Flujo de Bioetanol 9.1797 9.1531 9.1514
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.

En este captulo se propone la implementacion de tecnicas de control predictivo basado en
modelos para mejorar el rechazo de perturbaciones de un sistema procesador de bioetanol, con
el objetivo de satisfacer la restriccion de calidad de hidrogeno de una pila PEM. El estudio de
la matriz RGA demuestra que el reactor CO-PrOx es la zona mas interactuada del sistema,
condicion que hace factible de aplicar un control predictivo multivariable. Se obtienen mejoras
significativas con ambas estructuras, LMPC y PFC, con respecto al control descentralizado PI.
El gran numero de parametros de ajuste implicados en las tecnicas MPC anade flexibilidad, pero
al mismo tiempo, hace que sea mas difcil un proceso de ajuste adecuado. El ajuste del control
PFC resulta mas intuitivo y se obtienen resultados razonables. Por lo tanto, el PFC resulta la
solucion mas optima para ser implementada en esta planta. Ademas, 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.
El uso de sensores virtuales para estimar eficientemente la concentracion de monoxido
de carbono permite asegurar las condiciones de operacion segura de la pila PEM. Teniendo
en cuenta la dificultad de 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.
79
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 linea de una variable tan importante como al concentracion de monoxido
de carbono en la corriente de hidrogeno producida, representa una importante mejora a la
estrategia de control de plantas completas existente.
80
CAPTULO 5
Estrategia de gestin de energa

basada en horizonte deslizante
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
presentada en Feroldi et al. (2013) 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.
El concepto de horizonte deslizante se utiliza comunmente en la formulacion del MPC.
En Qi et al. (2011) se presenta un control supervisor predictivo pero se considera el caso en
el que se conoce la carga futura para cierto perodo de tiempo y las condiciones ambientales
permanecen constantes. En Wang et al. (2014) se obtienen los datos de velocidad de viento,
radiacion solar y temperatura previstos y se actualizan cada hora desde una base oficial de
datos. En Khalid y Savkin (2010) se propone un modelo autorregresivo para la prediccion de
la velocidad del viento y luego se utiliza para calcular la potencia de salida a futuro de los
aerogeneradores.
En este captulo se propone una mejora a la EMS presentada en Feroldi et al. (2013) que
incorpora el concepto de horizonte deslizante con una significativa mejora en el rendimiento.
Esta estrategia aprovecha la prediccion de la generacion a futuro en las fuentes de energa,
la carga requerida y la evolucion del estado de carga en las bateras. Las predicciones de las
fuentes de energa y la carga se realizan usando modelos autorregresivos y datos historicos de
la velocidad del viento, la temperatura ambiente, la radiacion solar y la demanda de carga. As,
en un instante de tiempo dado, la EMS toma decisiones basadas en las predicciones futuras
sobre un horizonte finito de prediccion. En el siguiente instante se toman nuevas decisiones
a partir del nuevo estado y sobre un horizonte desplazado, lo que conduce a una poltica de
horizonte deslizante. El diseno del sistema de potencia se realiza de acuerdo con los resultados
en Feroldi y Zumoffen (2014).
La organizacion del captulo es la siguiente. En la Seccion 5.2 se describe el sistema hbrido
de potencia (topologa electrica y caractersticas principales de los elementos del sistema).
En la Seccion 5.3 se describe la metodologa utilizada para la prediccion de las variables
de generacion y potencia demandada. En la Seccion 5.4 se presenta la EMS propuesta. En
la Seccion 5.5, se presentan los resultados y se realiza la comparacion con la estrategia sin
predicciones. Finalmente, en la Seccion 5.6 se presentan las conclusiones del captulo.

El sistema de energa hbrido esta compuesto por diferentes tipos de fuentes de energa y
dispositivos de almacenamiento de energa que son capaces de alimentar la carga. Las fuentes
de energa son turbinas eolicas, modulos fotovoltaicos y pilas de combustible PEM, mientras
que los dispositivos de almacenamiento de energa son bateras. Todos estos elementos estan
conectados a un bus de corriente continua a traves de convertidores de potencia. El sistema
de alimentacion no tiene conexion con otra red electrica. Las pilas de combustible PEM se
alimentan con hidrogeno de alta pureza desde un reformador de bioetanol, donde el calor
necesario para el proceso es suministrado por un calentador electrico conectado al bus de
continua. La Figura 5.1 muestra un esquema del sistema de potencia hbrido.
Los modelos utilizados son los descritos en el Captulo 2. El dimensionamiento es el ob-
tenido en Feroldi y Zumoffen (2014). En este trabajo se presenta una metodologa para el
dimensionamiento optimo del sistema integrado con la EMS. Los objetivos principales en el
proceso de dimensionamiento son: (i) cumplir con el balance de potencia en condiciones at-
mosfericas variables, (ii) minimizar el costo total (costo inicial, mantenimiento y reposicion),
y (iii) minimizar el consumo de bioetanol. En la metodologa de dimensionamiento se resuelve
el siguiente problema de optimizacion:
mn {CT (x) + CEt (x, SOCi , EMS)}, (5.1)

x
82
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 x = [Nw , NP V , Nb , NF C ] es el vector de variables de decision, siendo Nw el numero

de turbina eolicas, NP V el numero de modulos PV, Nb el numero de bateras y NF C el
numero de pilas de combustible tipo PEM. Por otra parte, SOCi es el estado inicial de carga
(SOCi = SOC(t = 0)) en el banco de bateras. El SOC, en el instante discreto k = t/Ts con
k = 0, 1, . . ., se define de la siguiente manera:
Cbmax Cbu (k)

SOC(k) = 100 [ %], (5.2)
Cbmax
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
donde c es la eficiencia de carga/descarga. En este caso c = 0,975 e Ib es la corriente de

batera en unidades de A (Ib > 0 cuando la batera esta en modo descarga y Ib < 0 cuando
esta en modo carga), Ts es el tiempo de muestreo y Cbi es Cbu (k = 0), lo cual corresponde a
SOCi .
La minimizacion se realiza sujeta a las siguientes restricciones:
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
Tabla 5.1: Conjunto de disenos optimos en funcion del parametro .

Nw NP V Nb NF C
50 3 18 5 3
60 2 29 7 2
80 3 30 9 1
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.
Como resultado de la aplicacion de la metodologa de diseno, se encuentra un conjunto

de soluciones viables dependiendo del parametro de diseno , el cual permite la penalizacion
del consumo de bioetanol. Aumentar el valor de promueve las soluciones con mayor uso de
las energas renovables en lugar de las pilas de combustible, lo que disminuye el consumo de
bioetanol. Esto se puede ver en la Figura 5.2, donde un grafico de barras muestra la contribucion
de cada fuente de alimentacion al suministro de carga. De hecho, se puede ver que para 50
la contribucion de las fuentes de energa renovable es mayor que la contribucion de las pilas
de combustible. Por lo tanto, el subconjunto de disenos considerados en este captulo a fines
de comparacion corresponde a disenos con 50, tal como se presenta en la Tabla 5.1.

5.3.1. Series temporales
Una serie temporal es una secuencia de valores tomados secuencialmente en el tiempo.
Generalmente, estos valores son observaciones de una variable tomada en intervalos discretos
y equiespaciados de tiempo (Box et al., 2008). Los modelos de series temporales pueden usarse
para predecir el comportamiento futuro de una variables en funcion de los valores pasados y
presentes de las series temporales. En el campo del analisis de series temporales esto se conoce
como pronostico, marcando una diferencia clara con el campo de identificacion del sistema
84
donde se conoce como prediccion. El uso en el instante discreto k de la informacion disponible

de los valores actuales y anteriores k, k 1, k 2, . . . , k w, permite pronosticar el valor
en algun tiempo futuro k + p. Observese que se usa la notacion abreviada k para referirse al
tiempo t = k Ts con k = 0, 1, . . ., donde Ts es el tiempo de muestreo.
5.3.2. Modelado y estimacion de parameteros

Un modelo polinomial generico en tiempo discreto utiliza el concepto de funcion transfe-
rencia para representar las relaciones entrada-salida (u(k) y(k)) y ruido-salida (e(k) y(k))
a traves de la siguiente expresion (Ljung, 1999):
B(z 1 ) C(z 1 )
A(z 1 )y(k) = u(k) + e(k), (5.7)
F (z 1 ) D(z 1 )
donde A, B, C, D, y F son polinomios en el operador de corrimiento temporal z 1 , con

ordenes na , nb , nc , nd y nf , respectivamente, y e(k) es ruido blanco con variancia .
En la practica, es comun no usar todos los polinomios en (5.7). Este hecho genera una
amplia variedad de tipos de modelo: Respuesta al Impulso Finita (FIR), Autoregresivo (AR),
Autoregresivo con estrada exogena (ARX), etc.
Dado que las series temporales en este trabajo son escalares, se supone que las senales se
representan a traves de la estructura AR de la siguiente manera:

1 + a1 z 1 + a2 z 2 + . . . + ana z na y(k) = e(k), (5.8)
lo cual representa, de acuerdo a (5.7), que u(k) = 0, C(z 1 )/D(z 1 ) = 1 y A(z 1 ) =
1 + a1 z 1 + a2 z 2 + . . . + ana z na .
Por lo tanto, el modelo propuesto en la forma de regresores lineales resulta:
y(k) = T (k) = T (k), (5.9)

donde y(k) es la prediccion dada por el modelo un paso adelante (sin incluir el ruido),
= [a1 , a2 , . . . , ana ]T (5.10)
es el vector de parametros, y
(k) = [y(k 1), y(k 2), . . . , y(k na )]T (5.11)
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
la estimacion por mnimos cuadrados puede expresarse de la siguiente manera:

N = arg mn VN , Y N , (5.13)

donde N representa los N valores entrada-salida que se utilizan para el calculo.
85

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
con N = [(1), (2), . . . , (N )].
5.3.3. Pronostico o prediccion

El modelo propuesto en (5.9)-(5.11) puede utilizarse para realizar pronosticos (predicciones)
de los valores futuros de una serie temporal basada en datos historicos a lo largo del horizonte
p. De hecho, es posible formular la siguiente evaluacion iterativa desde el momento actual k
hasta k + p:
y(k + 1) = T [y(k), y(k 1), . . . , y(k na + 1)]T ,
y(k + 2) = T [y(k + 1), y(k), . . . , y(k na + 2)]T ,
.. (5.15)
.
y(k + p) = T [y(k 1 + p), . . . , y(k na + p)]T ,
donde se observa que el regresor (k + p) = [y(k 1 + p), . . . , y(k na + p)]T incorpora

progresivamente las predicciones de la serie temporal realizada en pasos anteriores, es decir
y(k 1 + p), . . . , y(k + 1). Hay que tener en cuenta que las predicciones en (5.9)-(5.11) se
realizan con la informacion hasta el instante k.
Sin embargo, la efectividad de las predicciones a lo largo del horizonte p puede mejorarse si
el regresor se actualiza progresivamente con nuevos datos de entrada (medidos). De hecho, las
predicciones en el horizonte k + 1 a k + p se basan en mediciones reales en la ventana temporal
k a k n, donde n es el orden del modelo AR. En el instante siguiente, las mediciones
reales en k + 1 estan disponibles, lo que permite repetir el proceso de prediccion general.
El procedimiento mencionado se muestra en la Figura 5.3, en este caso para dos instancias
particulares. En k = 1600 h se evalua el horizonte de prediccion de k +1 = 1601 a k +5 = 1605
usando mediciones historicas reales de k a k n. En el siguiente instante, k + 1 = 1601, el
horizonte de prediccion se mueve de k + 2 = 1602 a k + 6 = 1606, pero en este caso con
la medicion real de k + 1 ya incorporada en el regresor. Esta metodologa se conoce como
horizonte deslizante y evita divergencias extremas en las predicciones.

La EMS se encarga de comandar el funcionamiento del sistema con el objetivo de asegurar
el balance de potencia con restricciones entre las fuentes de alimentacion, las bateras y la
carga. El balance de potencia en el bus de corriente continua puede expresarse de la siguiente
manera:
PL = Pw + PP V + PF C + Pb Ph , (5.16)
donde Pw , PP V , PF C y Pb son las potencias suministradas al bus de corriente continua por
las turbinas, el conjunto de paneles fotovoltaicos, las pilas de combustible y las bateras,
respectivamente. Por otro lado, PL es la potencia requerida por la carga y Ph es la potencia
consumida por el calentador en el reformador. Se supone que los convertidores de potencia
DC/DC, AC/DC y DC/AC tienen eficiencias constantes (DD = 0,95 y AD = DA = 0,9).
86
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.
Debido a limitaciones operativas, el equilibrio de potencia en (5.16) esta sujeto a las

siguientes restricciones:
0 Pw Pwav , (5.17)
0 PP V PPavV , (5.18)
PF C PF C PF C , (5.19)
PF C PF C PF C , (5.20)
Pbc Pb Pbd , (5.21)
donde Pwav es la potencia disponible de las turbinas; PPavV
es la potencia disponible de los paneles
fotovoltaicos; PF C y PF C son los lmites inferior y superior en la potencia de los modulos de
pila de combustible, respectivamente; PF C y PF C son los lmites de la tasa de cada y la
tasa de aumento de la potencia de los modulos de pila de combustible, respectivamente; Pbc
y Pbd son las potencias maximas disponibles (carga y descarga, respectivamente) del banco de
bateras, que dependen del estado de carga.
La EMS propuesta se puede describir a traves del concepto de maquina de estados finita,
donde cada estado define un modo de operacion del sistema de potencia y el cambio de
estado se basa en eventos que implican la comparacion entre las potencias disponibles, la
carga requerida y el estado de carga en las bateras.
En la EMS presentada en Feroldi et al. (2013) los eventos se basan en la comparacion entre
magnitudes en el instante actual. En la EMS aqu propuesta los eventos toman en cuenta la
evolucion de las magnitudes sobre un horizonte futuro finito. Para ello, se hace una prediccion
sobre el horizonte futuro utilizando series temporales.
87
5.4.1. EMS basada en horizonte deslizante

La EMS basada en horizonte deslizante puede describirse a traves de una maquina de
estado finita, que consiste en estados y eventos que cambian el estado (Schneider, 1990). Una
maquina de estado finita puede ser definida como una 4-tupla hS, , , s0 i, donde:
S = {s1 , s2 , . . . , sn } es el conjunto de n modos (o nodos) en la maquina de estados.
= {1, 2, . . . , m} es el conjunto de m eventos.
: S S es la funcion que mapea el proximo estado como funcion del estado

actual y los eventos activos en .
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.
En el modo s2 el sistema eolico y el sistema fotovoltaico funcionan a la maxima potencia.

Las dos fuentes de alimentacion suministran la energa requerida por la carga y las
bateras funcionan en modo de carga. El sistema reformador-pila de combustible esta
apagado.
En el modo s3 el sistema eolico y el sistema fotovoltaico funcionan a la maxima potencia.

Las bateras tambien suministran energa a la carga (modo de descarga) para satisfacer
el balance de potencia. El sistema reformador-pila de combustible esta apagado.
En el modo s4 el sistema de eolico y el sistema fotovoltaico estan apagados. Las bateras

alimentan la carga (modo de descarga). El sistema reformador-pila de combustible esta
apagado.
En el modo s5 el sistema de eolico y el sistema fotovoltaico funcionan a la maxima po-

tencia. El sistema reformador-pila de combustible se activa (carga variable). Las bateras
suministran o absorben la energa necesaria (modo de carga/descarga) para cumplir con
el balance de potencia.
Los eventos que producen cambios en el estado del sistema toman en cuenta las predicciones
en el comportamiento futuro de la energa disponible en las fuentes renovables (eolica y solar),
la carga y la evolucion del estado de carga en las bateras. Las potencias disponibles dependen
88
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
5 3 4 6
s3
Wind system at maximum power
Solar system at maximum power
Batteries in discharging mode
Figura 5.4: Descripcion de la EMS a traves de una maquina de estado finita.
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
donde j es a subndice de acuerdo a la potencia en particular (L para la carga, P V para la

solar, w para la eolica y b para la bateras).
Por lo tanto, en un instante dado k, se hace la prediccion sobre el horizonte p, es decir,
hasta k + p, de las variables de acuerdo con (5.15). Entonces, los eventos se evaluan sobre la
base de las predicciones, y el nuevo estado en k + 1 se calcula de acuerdo con el estado actual
en k y la funcion : S S. Esto tambien puede verse en la Fig. 5.4. En el instante
siguiente, k + 1, las predicciones se calculan de nuevo a partir del valor actual en k + 1 sobre
el horizonte p, es decir, hasta k + p + 1. Con estas predicciones, los eventos se evaluan de
nuevo y se calcula un nuevo estado para k + 2 desde el estado en k + 1. Esta metodologa se
conoce como horizonte deslizante. Observese que en cada momento las predicciones se hacen
a partir de los valores medidos en el instante actual para evitar divergencias excesivas entre las
predicciones y las magnitudes reales.
La descripcion de los eventos en la EMS es la siguiente:
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
Por el contrario, el evento 2 ocurre cuando EL (k) < Ewav (k).
89
5.5. Resultados y discusion
El evento 3 ocurre cuando EL (k) > Ewav (k) + EP V (k) donde

p
Ts X av
EPavV (k) = (pP V (k + i) + pav
P V (k + i 1)) . (5.25)
2
i=1
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
siendo pdb (k) la energa disponible de las bateras (modo de descarga) en k.

[ + i) < (SOC SOCt ) para todo i = 1, . . . , p,
El evento 7 se produce cuando SOC(k
donde SOCt = 20 % es el umbral de conmutacion para evitar sucesivas conmutaciones
alrededor de SOC.
Finalmente, el evento 8 ocurre cuando SOC(k

[ + i) > (SOC + SOCt ) para todo
i = 1, . . . , p.

De acuerdo con las afirmaciones de la Seccion 5.3.2, se desarrollaron tres modelos de predic-
cion correspondientes a la prediccion de la energa eolica, la energa solar y la carga requerida.
Para desarrollar estos modelos de prediccion, se emplearon datos historicos correspondientes
a la radiacion solar (HomerEnergy, 2012), velocidad del viento y temperatura ambiente (Me-
teored, 2012), y carga (Ercot, 2013). Se construyeron dos conjuntos de datos: el conjunto de
datos de estimacion y el conjunto de datos de validacion. Cada conjunto de datos corresponde
a un ano diferente, muestreado a cada hora.
En primer lugar, la energa eolica y la energa solar se calculan con la velocidad del viento, la
radiacion solar y la temperatura ambiente correspondientes al conjunto de datos de estimacion.
Esto se realiza usando los modelos de primeros principios del subsistema de eolico (Pw = f (v))
y del subsistema solar (PP V = g(, T )) (Feroldi et al., 2013). Luego, con estas potencias, se
desarrollaron los modelos de prediccion para los subsistemas eolico y solar, de acuerdo con la
Seccion 5.3.2. Por otro lado, el modelo de prediccion de carga se desarrolla directamente a
partir del conjunto de datos historicos de la carga requerida.
El orden (na ) de los modelos de prediccion se determino para lograr un ajuste adecuado
usando un metodo de busqueda. El ajuste porcentual en funcion del orden del modelo se
muestra en la Figura 5.5, mientras que los ordenes elegidos despues del proceso de ajuste se
muestran en la Tabla 5.2. El porcentaje de ajuste se calcula de la siguiente manera:

ky yk
F IT = 100 1 , (5.27)
ky mean (y)k
donde y corresponde al conjunto de datos de validacion e y es la prediccion hecha por el
modelo.
90
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.
Tabla 5.2: Orden y porcentaje de ajuste de los modelos de prediccion.

Orden (na ) F IT [ %]
Modelo de prediccion de carga 15 93.89
Modelo de prediccion solar 20 74.09
Modelo de prediccion eolico 5 99.97
A continuacion, las predicciones sobre el horizonte de prediccion se calculan utilizando

estos modelos. El horizonte de prediccion se establece en p = 5 con Ts = 1 h. La ventana de
datos historicos w que se proporciona a cada modelo para realizar la prediccion en el momento
k, es decir, y(k), y(k 1), y(k 2), . . . , y(k w + 1), donde y es la variable a predecir, se
establece igual al orden del modelo na . Si w > na , no se tienen en cuenta los datos restantes
(y(k na ), y(k na 1), . . . , y(k w + 1)) . Por el contrario, si w < na la precision en el
ajuste es menor porque el modelo no esta totalmente explotado.
Para ilustrar el desempeno de los modelos obtenidos, la evolucion de la potencia de carga,
la energa eolica y la energa solar se muestran en las Figura 5.6(a), 5.6(b), y 5.6(c), respecti-
vamente, junto con las predicciones correspondientes. Vale la pena mencionar que estas figuras
muestran solo el primer valor de prediccion utilizado en cada paso, de acuerdo con el enfoque
de horizonte deslizante. Ademas, en estas figuras solo se muestra un fragmento del conjunto
de datos, para apreciar como las predicciones siguen a su correspondiente variable.
Para mostrar el desempeno de la EMS, los resultados de simulacion correspondientes al
diseno con = 50 se presentan en las Figuras 5.7(a) y 5.7(b). La Figura 5.7(a) muestra
una porcion (de 4000 h a 4200 h) de la evolucion de la potencia de carga, la evolucion de
las potencias desde las fuentes (turbinas, paneles y pilas de combustible) y la evolucion de
la potencia de las bateras como resultado de la aplicacion de la EMS. Por otra parte, la
Figura 5.7(b) muestra la evolucion del estado de carga en el banco de bateras.
Analogamente, en las Figuras 5.8(a) y 5.8(b), se muestran los resultados de simulacion
para otro perodo (7800 a 8000 h). En este perodo las fuentes renovables pueden suministrar
91
3.5
Potencia de carga
Prediccin de potencia de carga
Potencia [kW]
2.5
1.5
4000 4050 4100 4150 4200
Tiempo [h]
(a) Potencia de carga
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]
(b) Potencia eolica
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]
(c) Potencia solar
Figura 5.6: Predicciones usando la poltica de horizonte deslizante.
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
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]
(b) Estado de carga en el banco de bateras (SOC).
Figura 5.7: Resultados de simulacion (perodo entre 4000 y 4200 h).
93
Tabla 5.3: Comparacion entre el desempeno de ambas estrategias en terminos de LP SP para

cada diseno con diferente parametro .
LP SP 1 [ %] LP SP 2 [ %] Mejora [ %]
50 4.12 0.49 88
60 4.18 1.05 75
80 4.04 2.82 30
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.

Este captulo presento una EMS para controlar la operacion en un sistema de energa
hbrido. El sistema consta de dos tipos de fuentes renovables (eolica y solar) que funcionan
como fuentes principales de energa, modulos de pila de combustible y un banco de bateras
como fuentes de energa secundarias. El hidrogeno para las pilas de combustible se produce a
partir del reformado de bioetanol. El calor requerido para el proceso de reformado se toma del
bus de corriente continua para mejorar la eficiencia del reformado.
La estrategia propuesta utiliza el concepto de horizonte deslizante y las predicciones del
comportamiento futuro de las fuentes de energa renovables y la carga para mejorar el rendi-
miento en terminos del ndide LPSP. Las predicciones se hacen utilizando modelos autorregre-
sivos 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
en la que no se realizan predicciones. Los resultados muestran una mejora significativa en la
confiabilidad del sistema hbrido de potencia. Analizando la capacidad de satisfacer el balance
de potencia, la nueva estrategia presenta una mejora en el suministro de potencia de hasta el
88 %, dependiendo del diseno particular.
94
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]
(b) Estado de carga del banco de bateras (SOC).
Figura 5.8: Resultados de simulacion (perodo entre 7800 y 8000 h).
95
96
CAPTULO 6
Integracin de la EMS a la estrategia

de dimensionamiento
En este captulo se presenta una metodologa de dimensionamiento integrando una EMS

basada en un MPC Economico, lo que constituye uno de los principales aportes de esta tesis.
Se detalla la formulacion completa del problema de optimizacion, que consta de una funcion
objetivo lineal con restricciones lineales y variables enteras, lo que resulta en un problema Mixto
Entero No Lineal (MINLP). Para su resolucion se propone una enfoque secuencial basado en
algoritmos geneticos.
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.

En la Figura 6.1 se presenta el esquema general del HRES utilizado en este captulo. El
mismo consta de dos fuentes de generacion de energa (eolica y fotovoltaica), almacenamiento
en bateras, un sistema de respaldo basado en hidrogeno compuesto por un electrolizador, una
pila de combustible y almacenamiento en tanques presurizados. Los elementos del HRES se
conectan a un bus de continua a traves conversores de potencia que permiten adecuar los
niveles de tension con respecto al bus. A su vez, la carga se alimentara del bus de continua a
traves de un inversor DC-AC.
Sin perdida de generalidad, en cuanto al diseno de la EMS y el dimensionamiento, se puede
considerar a los conversores y al inversor sin perdidas y perfectamente controlados. Como se
98
Hydrogen flow
Wind Turbine Electric connection
DC Bus
Pw (k)
Pload (k)

Pren (k) Load
Pb (k)
Ppv (k)
Battery Bank
Photovoltaic Module
Pf c (k) Pez (k)
Fuel Cell Electrolyzer
Hydrogen Storage
Figure 1: Standalone HRES general scheme

Figura 6.1: Esquema general del HRES en estudio
[V ], q is the charge of an electron [C], Rs is the intrinsic cell resistance

vio en el Captulo 3, donde se presenta una estructura de control de los conversores basada
[ ], A is the cell deviation from the ideal p-n junction characteristic, K
en lazos PI, clas constantes de tiempo de los conversores y del control resultan mucho menores
queisel the Boltzman
periodo constant
de muestreo [Nm/K],
de la estrategia de and Tc (t)
gestion is the (del
de energa cellorden
temperature [K].
de horas). Luego,
las Ireferencias
ph (t) depends on thepara
de potencia irradiance
el controland temperature
de los according
conversores seran to the
resultado de lafollowing
EMS. A su
expression:
vez, se asume una tension constante en el bus de continua, perfectamente controlada por la
batera. Iph (t) = (Isc + Kl (Tc (t) Tr ))(t)/1000, (2)
where Isc is the short-circuit
6.2.1. Consideraciones
cell current [A] at reference irradiance and tem-
sobre el balance de potencia
perature Tr [K], Kl is the short-circuit current temperature coefficient [A/K]
Las potencias
and disponible
(t) is the en losirradiance
measured [W/m2 ]. (Ppv (k)) y turbinas eolicas (Pw (k)) se
paneles fotovoltaicos
obtienenThe
a partir de los modelos presentados
reverse saturation current depends en el Captulo 2.4 y datos meteorologicos
on temperature according to reales
the
de radiacion ((k)), velocidad del viento (vw (k)) y temperatura ambiente (T (k)). Uno de los
following expression:
principales objetivos de una estrategia de dimensionamiento, es optimizar las capacidades de

las fuentes de generacion y almacenamiento3 para
cumplir con los requerimientos de carga sin
Tc (t) qEg (1/Tr 1/Tc (t))
sobredimensionar elIrssistema.
(t) = IEsto
or provoca exp
que las fuentes renovables ,
funcionen gran (3)del
parte
tiempo en sus puntos de maxima T r
potencia KAc
(MPP). Sin embargo, existen momentos donde
la capacidad de los almacenadores se encuentra saturada y la potencia sobrante no puede
where Ior is the reverse saturation current at the reference temperature [A]
ser acumulada. La solucion que se adopta en este trabajo es reducir la generacion en las
fuentes renovables. En otros trabajos se opta por mantener la fuentes renovables en sus MPP
e incorporar un elemento disipador. 6
En adelante consideraremos la potencia renovable entregada al bus Pren (k) como:

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
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.
6.2.2. Modelo lineal de variables de estado

Las variables de estado del modelo estan dadas por la evolucion de los estados de carga
de los almacenadores de energa. En este caso las bateras y el tanque de almacenamiento de
hidrogeno.
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:
RT (H2 ,ez(k) H2 ,f c(k) )

SoCH2 (k + 1) = SoCH2 (k) + t, (6.4)
3600 Vt pH2 ,max
donde t es el periodo de muestreo, y se divide por 3600 para unificar unidades de tiempo.
Para obtener un comportamiento lineal de SoCH2 en funcion de las variables manipuladas,
se propone una representacion lineal de los flujos H2 ,ez (k) y H2 ,f c (k) de la forma:
H2 ,j (t) = j Pj (t), con j = f c, ez, (6.5)
por lo que la Ecuacion (6.4) resulta:
SoCH2 (k + 1) = SoCH2 (k) + (ez Pez (k) f c Pf c (k))t, (6.6)

ez R T
ez = , (6.7)
3600 Vt pH2 ,max
f c R T
f c = . (6.8)
3600 Vt pH2 ,max
Como vimos en el Captulo 2.4, para garantizar una operacion de segura, el SoCH2 debe estar
entre un valor mnimo y un valor maximo.
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
Recuerdese que Pb (k) asume valores positivos en el proceso de descarga y negativos en el de

carga. La energa nominal Eb,n se expresa en [Wh].

En esta seccion se describe la metodologa de gestion de energa basada en EMPC. El
problema de optimizacion esta formulado mediante una funcion objetivo lineal con restricciones
lineales, donde la presencia de variables logicas correspondientes al arranque y apagado de la
pila de combustible y electrolizador hacen necesaria la solucion de un problema mixto entero
lineal (MILP, por sus siglas en ingles: Mixed Integer Linear Problem). La implementacion se
realiza en Matlab utilizando OPTIToolbox y se resuelve con el solver CBC (Currie y Wilson,
2012).
6.3.1. Formulacion general del EMPC

En la estrategia EMPC se minimiza un funcional costo (objetivo) basado en criterios
economicos, en general se considera el costo de operacion. Esta caracterstica resulta la prin-
cipal diferencia con respecto a una estrategia MPC clasica donde se realiza el seguimiento de
una referencia particular (Hovgaard et al., 2010). El problema de optimizacion queda definido
para un horizonte de prediccion finito Hp de manera general como:
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:
uk = (u(0|k), u(1|k), . . . , u(Hp 1|k)) . (6.11)
La notacion (i|k) representa el valor futuro calculado (o estimado) en el instante k + i, con

i = [0 : Hp 1], del horizonte de prediccion Hp dado el instante actual k. Segun la estrategia
de horizonte deslizante (detallada en el Captulo 4.3.2), solo el primer movimiento de control
u(0|k) es aplicado a la planta. Los restantes elementos (i = [1 : Hp 1]) son descartados, y
el proceso se repite nuevamente en el siguiente instante k + 1.
101
6.3.2. Aplicacion a la gestion de energa de HRES

El funcional dado por la Ecuacion (6.10) se define como la suma ponderada de los costos
de operacion asociados a las variables manipuladas:
Hp 1
X X
Jems (k) = j Jop,j (i|k), (6.12)
i=0 j C
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.
Costo asociado a la potencia no entregada a la carga y no generada por las fuentes

renovables
El costo asociado a la potencia no entregada a la carga (Cud ) es estimado en Garcia y
Weisser (2006) y Kaviani et al. (2009) en funcion de las perdidas economicas que generara
en un proceso productivo. Tambien pueden referirse al costo que implicara satisfacer esa
demanda con una fuente de energa alternativa, como un generador diesel. Para el caso de la
potencia disponible no generada (Pug ), no se encontraron en la literatura metodologas para
la estimacion de su costo. En este trabajo se considera Cug = Cud :
Jop,j (i|k) = Cj Pj (i|k)t con j = ud, ug. (6.13)

Luego, la definicion de los j correspondientes permitira ajustar los pesos relativos de estos,
en relacion al resto de los que componen la funcion costo (6.12).
Costo de operacion de bateras

El costo de operacion de la batera se define como el costo de inversion (o reposicion)
(CCb ) sobre la vida util de la misma. Para su calculo, se utiliza el metodo de cantidad de ciclos
completos equivalentes hasta fallar (Equivalent full cycles to failure) presentado en Dufo-Lopez
et al. (2014). Un ciclo completo es alcanzado cuando una cantidad de energa igual a dos veces
la energa nominal de la batera (Eb ) circula por la misma. Es comun que este parametro sea
proporcionado por el fabricante. Por lo tanto, el costo de cargar o descargar la batera con
una potencia Pb durante un tiempo t puede definirse como (Dufo-Lopez et al., 2007; Pereira
et al., 2015):
CCb
Jop,b (i|k) = |Pb (i|k)| t, (6.14)
2 Nc,b Eb
donde Nc,b representa el numero de ciclos promedio de vida util de la batera.
Costo de operacion de pilas de combustible y electrolizador

Al igual que en el caso de las bateras, uno de los terminos que componen el costo de
operacion de las pilas de combustible y el electrolizador tiene que ver con el costo de reposicion
de estos elementos.Este costo, se define como el costo de inversion (CCj con j = f c, ez) sobre
la vida util de los mismos, dada por una cantidad determinada de horas de funcionamiento
Nh,j . A su vez, se incorpora un costo de mantenimiento fijo por hora (Cm,j ) (Garcia-Torres
y Bordons, 2015b), y uno asociado a los multiples encendidos y apagados (Cjss ), que pueden
ser daninos para los equipos (Pereira et al., 2015):

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
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.
Esta variable nos permite imponer la restriccion de un potencia mnima de funcionamiento no

nula para estos equipos, tal como se recomienda en la literatura por motivos de eficiencia:
j (i|k)Pj,min Pj (i|k) j (i|k)Pj,max . (6.17)
A su vez, es necesario imponer una restriccion adicional que impida el funcionamiento

simultaneo de la pila de combustible y el electrolizador. Esta puede definirse en funcion de
j (i|k) como:
f c (i|k) + ez (i|k) 1. (6.18)
A partir de j puede definirse la variable binaria jss (i|k) que corresponde al instante de
encendido y apagado:
(
1 cuando (f c, ez) se enciende,
jss (i|k) = j (i|k) j (i 1|k) = (6.19)
1 cuando (f c, ez) se apaga.
El valor j (i 1|k) para i = 0 representa el estado actual de la pila o el electrolizador y se

incorpora como condicion inicial.
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:
(i|k) (i|k) 0, (6.20)

(i|k) (i|k) 0, (6.21)
(i|k) 0. (6.22)
Presentacion del Problema EMPCEMS

De acuerdo a lo presentado en esta seccion, el problema de gestion de energa de un
HRES basado en EMPC puede formularse como un problema de optimizacion MILP. Teniendo
en cuenta que la EMS sera integrada a la metodologa de dimensionamiento, se presenta el
problema de manera generalizada. Desde el punto de vista del problema de gestion de energa,
el dimensionamiento esta dado. Los costos, potencias nominales y potencias disponibles en las
fuentes renovables se expresan en la formulacion del EMPCEMS en valores por unidad. Por
lo tanto, se hace necesaria la multiplicacion por las variables nj (con j = pv, w, b, vt, ez, f c),
que representan la cantidad de unidades de cada elemento. En este caso, estas se mantienen
constantes y no son consideradas variables de optimizacion del problema, a diferencia de lo
que sucedera en el problema de dimensionamiento.
103
6.4. Integracion de la EMS al Dimensionamiento
La formulacion del problema de gestion de energa EMPCEMS resulta:
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)

La integracion de multiples fuentes de generacion y sistemas de almacenamiento de energa
en un HRES hace necesaria la aplicacion de metodologas de optimizacion para el dimensiona-
miento del mismo. Nos referimos con dimensionamiento a la eleccion de la cantidad, tamano o
capacidad de cada elemento que compone el sistema. El objetivo, en general, es la minimiza-
cion de los costos de inversion, operacion y mantenimiento, asegurando determinados niveles
de confiabilidad y sustentabilidad del sistema. La confiabilidad se refiere a la capacidad de
entregar la potencia requerida por la carga en cada momento, mientras que la sustentabilidad
implica que el sistema pueda funcionar de manera autonoma sin incorporar energa de una
fuente externa.
Tal como se introduce en la seccion previa, los costos de operacion y mantenimiento
de determinados elementos dependen fuertemente de la manera en la que son operados. Lo
104
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).
6.4.1. Formulacion general del problema

A continuacion se presenta un esquema de la formulacion del problema completo de di-
mensionamiento integrando la EMS basada en EMPC. La minimizacion del funcional costo de
dimensionamiento (Jdim ) se realiza a lo largo de un periodo de simulacion Ns determinado, y
esta sujeta a la estrategia de gestion de energa, lo que resulta en dos problemas de optimiza-
cion anidados. El funcional Jdim esta formado por dos terminos, Jcf () y Jop (, EM S). En
Jcf () se reunen aquellos terminos que solo dependen de las variables de dimensionamiento
= {npv , nw , nb , nvt , nez , nf c }. Mientras que en Jop (, EM S) se encuentran los que, a su
vez, dependen del resultado de la operacion del sistema, tal como se explicita en la Ecua-
cion (6.24c).
mn Jdim = Jcf () + Jop (, EM S), (6.24a)

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)
restriccion de confiabilidad (6.24i)

restriccion de sustentabilidad (6.24j)
En (6.24d)- (6.24h) se presenta de manera simplificada el problema EMPCEMS descrito
en (6.23). En este caso, la dependencia con respecto a las variables de dimensionamiento
contenidas en transforman el problema en MINLP. La variable x (i|k) representa la evolucion
de las variables del estado en funcion del modelo interno gm (x (i|k), u(i|k), ). Mientras que
x(k) es la respuesta dinamica de los estados al aplicar los movimientos de control calculados
por el EMPC (u(0|k)) a la planta gp (x(k), u(0|k), ) para cada instante k en el perodo
simulado Ns .
Con fj (x (i|k), u(i|k), ) se representa de forma generalizada las restricciones que com-
ponen el problema EMPCEMS. Finalmente, se incluyen las restricciones de confiabilidad y
sustentabilidad en (6.24i) y (6.24j), las cuales seran detalladas en la Seccion 6.4.3.
105
6.4.2. Definicion del funcional costo Jdim

El funcional costo Jdim esta basado en el concepto de Costo Anualizado del Sistema
(ACS), compuesto por los costos de inversion, operacion y mantenimiento referidos a un
periodo anual. Esto sera representado por tres terminos: el costo de inversion inicial (Jinv ), los
costos de operacion y mantenimiento fijos (Jomf ) (no dependiente de la EMS), y los costos
de operacion dependientes de la EMS (Jop ).
Costo de inversion inicial

El costo de inversion inicial anualizado esta dado por:
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.
Costos fijos de operacion y mantenimiento

Se denominan costos fijos a aquellos costos de mantenimiento y operacion (o reemplazo)
que no dependen de la estrategia de gestion de energa. En el caso de las bateras se le asocia
un costo de mantenimiento anual fijo (Com,j ) al costo de operacion descrito anteriormente.
Lo mismo sucede con los paneles fotovoltaicos, turbinas eolicas y el tanque de hidrogeno. Para
este ultimo se considera una vida util medida en anos (LTvt ), por lo que se adiciona un termino
referido a los costos de reposicion del equipo en el tiempo de vida del sistema. No se asocian
costos de reposicion para los paneles y las turbinas, ya que como se menciona en el apartado
anterior, se asume su vida util igual a la del HRES:
X
1 LTs
Jomf = nj Com,j + nvt CCvt 1 , con R = {b, pv, w, vt} . (6.26)
LTs LTvt
j R
Costos de operacion dependientes de la EMS

Los costos de operacion dependientes de la EMS (Jop,j ) que se incorporan al ACS son
descritos en la seccion 6.3.2 en las Ecuaciones (6.23b)- (6.23d). En este caso no se considera
el costo asociado a Pug ya que no representa un costo real, siendo penalizado el sobredimensio-
namiento de las fuentes renovables a traves de Ji nv. Los Jop,j son calculados en cada instante
k teniendo en cuenta los u(0|k) aplicados a la planta :
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)
con los Jop,j (0|k) definidos en (6.23b)(6.23d) para j = b, f c, ez, ud.
106
6.4.3. Criterios de confiabilidad y sustentabilidad

En los HRES aislados, una caracterstica importante a cuantificar es la confiabilidad del
sistema definida como su capacidad de satisfacer los requerimientos de carga en cada momento.
En la literatura se utilizan diversos ndices para cuantificar esta caracterstica, siendo uno de
los mas utilizados el de Probabilidad de Perdida de Suministro de Energa (LPSP) (Abouzahr
y Ramakumar, 1990; Yang et al., 2008). Este cuantifica el tiempo en el que la carga no puede
ser satisfecha completamente. En este trabajo sin embargo, se opta por el Factor de Perdida
Equivalente (ELF) que es un ndice relativo y contiene informacion tanto del tiempo como
de las magnitudes de los cortes de energa (Garcia y Weisser, 2006). Luego, la restriccion
incorporada en el problema de dimensionamiento estara dada por un lmite maximo de este
valor (ELFmax ). Se define para el perodo de simulacion Ns como:
Ns 1
1 X Pud (0|k)
ELF = . (6.29)
Ns Pload (k)
k=0
Por otro lado, la sustentabilidad de un HRES se refiere a la posibilidad de que el sistema

pueda funcionar de manera autonoma sin necesidad de incorporar energa desde una fuente
externa (conexion a la red, generador diesel, recarga de almacenadores,etc). Esta propiedad
depende fundamentalmente de los almacenadores de energa de largo plazo. En este caso, el
tanque de hidrogeno. Las bateras son las encargadas de compensar los desbalances transitorios
de potencia y controlar la tension del bus, por lo que el balance de energa a largo plazo tiende
a ser nulo (Kaviani et al., 2009). La restriccion de sustentabilidad quedara definida como:
SoCH2 (Ns 1) SoCH2 (0). (6.30)
Amnbos criterios se encuentran reflejados en las restricciones 6.24i y 6.24j.
6.4.4. Formulacion del problema integrado como MINLP

El problema de dimensionamiento integrando la EMS resulta en un problema de optimiza-
cion MINLP y queda definido como:
mn Jdim = Jinv + Jomf + Jop , (6.31a)

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

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} .
6.4.5. Solucion basada en algoritmos geneticos

Debido a las dificultades para resolver el problema de dimensionamiento (6.31) como
MINLP, se presenta un enfoque secuencial alternativo basado en algoritmos geneticos. Los
GAs son una metodologa de busqueda global estocastica (optimizacion) ampliamente uti-
lizada en la literatura de HRES (Feroldi y Zumoffen, 2014). En este metodo de busqueda
basado en la evolucion biologica, una poblacion de individuos inicial (soluciones potenciales)
es generada aleatoriamente y evaluada respecto al funcional de costo asociado. Aquellos in-
dividuos que no cumplan con las restricciones impuestas en el problema son descartados y
las posibles soluciones son ordenadas segun su costo relativo. Luego, se construye la siguiente
generacion a partir de operadores de seleccion, entrecruzamiento y mutacion de la poblacion
actual (operadores tomados de la genetica natural). Este proceso se realiza a lo largo de las
generaciones con el fin de encontrar la mejor poblacion de acuerdo con un entorno particular
(funcion objetivo) (Chipperfield et al., 1994).
En la Figura 6.2 se muestra la secuencia de pasos de la metodologa propuesta. El pro-
ceso de optimizacion consta de un lazo externo, implementado con GA, que es el encargado
de generar las poblaciones de soluciones potenciales. Cada poblacion esta compuesta por p
conjuntos de valores de dimensionamiento j . Para cada uno de los j se resuelve el pro-
blema (6.23) EMPCEMS en un horizonte de simulacion Ns . Notese que la EMS es vista
por el lazo externo de dimensionamiento como una caja negra que devuelve el conjunto de
movimientos de control de las variables manipuladas que se aplican a la planta (u(0|k)), el
calculo de Jop , los valores del ndice de confiabilidad ELFj y el estado de carga del tanque
de hidrogeno al final del periodo simulado (SoCH2 (Ns 1)). Luego se realiza el calculo de
la funcion objetivo de dimensionamiento Jdim . Aquellos individuos que no cumplan con las
restricciones son descartados. Si el criterio de finalizacion adoptado (en general se toma un
numero maximo de generaciones) es alcanzado, se elige el mejor individuo j de la generacion
108
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 ]
Evaluar EMS-EMPC " k=[0:Ns -1]

Ecuaciones (6.31d)-(6.31i)
ELFj
SoCH2j (Ns 1)
Jopj
Manejo de resctricciones
Evaluar Ec. (6.31k) y Ec.(6.31l)
Cin = [ in1 ; . . . ; ink ]
Clculo de Jdim
Ecuacin. (6.31a)
Jdim = [Jdim1 . . . Jdimp ]
Criterio SI
de Seleccin de mejor solucin: hopt
finalizacin
NO
Seleccin, cruzamiento y mutacin.

Prxima Generacin Ci+1
Figure 2: Estrategia de solucin basada en algoritmos genticos

Figura 6.2: Estrategia de solucion basada en algoritmos geneticos
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
(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).
(d) Evaluacion de Jdim : Se calcula la funcion objetivo de dimensionamiento Jdimj de la

Ecuacion (6.31a) para cada individuo j .
(e) Chequeo del criterio de finalizacion: El procedimiento descrito anteriormente se repite

hasta que se alcanza un criterio de finalizacion determinado. En este trabajo, se utiliza
el numero maximo de generaciones Ng (o iteraciones del algoritmo).
(f) Seleccion de la mejor solucion: Si se alcanza el numero maximo permitido de genera-

ciones, se elige al mejor individuo de la generacion actual Jdim . Esto es, el que tiene el
menor costo asociado.
(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.

6.5.1. Configuracion del sistema
Cada modulo fotovoltaico utilizado esta compuesto por cuatro paneles en paralelo, obte-
niendose una potencia de pico para cada unidad de 1 kW. Luego, la estrategia de dimensio-
namiento decidira la cantidad de modulos a instalar en el sistema. La descripcion tecnica y
costos asociados esta basada en el panel PV comercial Sunmodule SW 240 poly de la com-
pana SolarWorld (SolarWorld, 2016), cuyas caractersticas se detallan en la Tabla 6.1. Como
se menciono en la Seccion 6.4.2, el tiempo de vida del sistema (LTs ) se considera igual al
tiempo de vida de los paneles fotovoltaicos. La turbina eolica utilizada es la fabricada por la
empresa estatal INVAP, IVS 4500, y sus caractersticas se resumen en la Tabla 6.2.
Los parametros de un electrolizador y una pila de combustible tpica de 1kW de potencia
se detallan en las Tablas 6.3 y 6.4. La cantidad de unidades resultantes del dimensionamiento
se puede entender como la capacidad en potencia de ambos equipos. En el caso del tanque de
hidrogeno, la variable de dimensionamiento nvt representa la capacidad en m3 del mismo. Sus
caractersticas se describen en la Tabla 6.6. Al igual que en el caso del tanque de hidrogeno,
el resultado del dimensionamiento para las bateras nb sera la capacidad en kW h del banco.
Las caractersticas de cada batera se detallan en la Tabla 6.5.
Los valores tpicos de costos y caractersticas de los equipos fueron obtenidos de los traba-
jos de Kaviani et al. (2009); Zhang et al. (2013); Khan y Iqbal (2005); Hosseinalizadeh et al.
(2016). Estos costos son tpicos de la literatura y fueron utilizados a fin de validar la meto-
dologa propuesta. Sin embargo, a la hora de disenar un HRES para una ubicacion especfica
debera realizarse un estudio de costos y disponibilidades en el area en cuestion a fin de adaptar
la metodologa a las necesidades y posibilidades concretas del lugar.
Tal como se menciona en la Seccion 6.3.2, el costo asociado a la potencia no entregada
a la carga (Cud ) puede ser estimado en funcion de las perdidas economicas que generara en
un proceso productivo. O bien al costo que implicara satisfacer esa demanda con una fuente
de energa alternativa, como un generador diesel En este trabajo se utiliza el valor estimado
por Garcia y Weisser (2006) y Kaviani et al. (2009) de 5.6 $/kWh.
110
1200
Radiation
1000
800
Radiation [W/m 2 ]
600
400
200
0
150 200 250 300
Time [h]
Figura 6.3: Perfil de radiacion - Semana de verano

340
Temperature
335
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
Los datos meteorologicos son datos historicos recolectados en el Observatorio Municipal

de Rosario durante los anos 2010 y 2011 y el perfil de carga es obtenido desde la base de datos
abierta OpenEI (OPENEI, 2016), y refiere a un edificio de oficinas tpico de tamano medio. En
las Figuras 6.36.6 se muestra un perfil tpico de radiacion (), temperatura sobre la superficie
del panel (T ), velocidad del viento (vw,m ) y potencia de carga (Pload ) para una semana de
verano. En este trabajo se asume una prediccion perfecta para los perfiles mencionados. Sin
embargo, los resultados de la metodologa de prediccion propuesta en Feroldi et al. (2015)
permiten anticipar que la simplificacion utilizada en este trabajo es aceptable.
111
Tabla 6.1: Descripcion tecnica y costos asociados a un panel PV

Carga electron (q) 1.6e-19 C
Constante de juntura p-n (Ac ) 1.6
Constante de Boltzmann (K) 1.3805e-23 Nm/K
Coeficiente de corto circuito (Kl ) 5.532e-3 A/K]
Corriente inversa de saturacion (Ior ) 1.0647e-6 A
Temperatura de referencia (Tr ) 303 K
Energa de banda prohibida (Eg ) 1.1 V
Corriente de corto circuito (Isc ) 8.51 A
Resistencia intrnseca (Rs ) 0.01
Temperatura de operacion nominal (NOCT) 46 C
Ramas en paralelo de c/ panel (Npv,p ) 1
Celdas en serie en c/ rama del panel (Npv,s ) 60
Numero de paneles por modulo 4
Potencia nominal del modulo (Ppv,r ) 1 kW
Costo de inversion (CCpv ) 7000 $
Tiempo de vida (LTpv ) 25 years
Costo de mantenimiento (Com,pv ) 20 $ /year
Tabla 6.2: Caracterstica de la turbina IVS 4500

Potencia nominal (Pw,n ) 4500 W
Velocidad de corte inferior (vw,ci ) 4.2 m/s
Velocidad a potencia nominal (vw,n ) 11.6 m/s
Velocidad de corte superior (vw,cs ) 30.5 m/s
Altura de instalacion de turbina (hhub ) 15 m
Altura de medicion del viento (hm ) 5m
Coeficiente de superficie () 0.14
Costo de inversion (CCwt ) 10000 $
Tiempo de vida (LTwt ) 25 years
Costo de mantenimiento (Com,wt ) 2 % CCwt $ /year
112
Tabla 6.3: Parametros del electrolizador

Voltaje reversible (Vr,ez ) 1.229 V
r1 7,331e5 m2
r2 1,107e7 m2 C 1
r3 0
s1 1,586e1 V
s2 1,378e3 V C 1
s3 1,606e5 V C 2
t1 1,599e2 m2 A1
t2 1,302 m2 A1 C 1
t3 4,213e2 m2 A1 C 2
Area del electrodo (Aez ) 0.25 m2
Celdas en serie (Nez,s ) 21
Eficiencia de Faraday (ez,f ) 0,95
Potencia Maxima (Pez,max ) 1000 W
Potencia Mnima (Pez,max ) 0.2 Pb,max W
Coeficiente lineal de produccion de H2 (ez ) 3,1294e6 (mol/s)W 1
Costo de inversion (CCez ) 3200 $
Tiempo de vida (Nhours,ez ) 30000 h
Costo de mantenimiento (Cm,ez ) 0.2 $
Costo de degradacion (Cezss ) 0.1
Tabla 6.4: Parametros de la pila PEM

Voltaje de circuito abierto (Vf c,0 ) 1.065 V
Area del electrodo (Af c ) 300 cm2
Tafel slope (b) 80e3 V/dec
Resistencia interna (Rf c ) 0.438 cm2
Eficiencia de Faraday (f c,f ) 0,95
Celdas en serie (Nf c,s ) 26
Potencia Maxima (Pf c,max ) 1000 W
Minimum power (Pf c,min ) 0.2 Pb,max W
Coeficiente lineal de consumo de H2 (f c ) 5,3467e6 (mol/s)W 1
Costo de inversion (CCf c ) 4000 $
Tiempo de vida (Nhours,fc ) 30000 h
Costo de mantenimiento (Cm,fc ) 0.2 $
Costo de degradacion (Cfcss ) 0.1
Tabla 6.5: Caractersticas de la batera

Energa nominal (Eb ) 1000 Wh
Maxima potencia de descarga (Pb,max ) 1000 W
Maxima potencia de carga (Pb,min ) -1000 W
SoCb,max 0.9
SoCb,min 0.4
Costo de inversion (CCb ) 2000 $
Ciclos equivalentes (Nc,b ) 471
Costo de mantenimiento (Com,b ) 5 % CCb $ /year
113
20
Wind velocity
18
16
14
Wind velocity [m/s]
12
10
0
150 200 250 300
Time [h]
Figura 6.5: Perfil de velocidad del viento - Semana de verano

7
5
Pload
Power [kW]
0
3040 3060 3080 3100 3120 3140 3160 3180 3200
Time [h]
Figura 6.6: Perfil de potencia de carga - Semana de verano
6.5.2. Configuracion de estrategia de dimensionamiento y EMS

Para la validacion de la estrategia de dimensionamiento propuesta, se simula un perodo
Ns de un ano. Debido a que los datos historicos obtenidos no se encuentran completos, se
toma un perodo Ns = 8568 h, con un perodo de muestreo t = 2 horas. El horizonte de
prediccion de la EMPCEMS elegido es Hp = 12 horas. Se ensayaron mayores valores de Hp
sin producirse mejoras significativas en la performance, pero incrementando significativamente
el tiempo de calculo. La restriccion de confiabilidad adoptada es ELFmax = 0,01, segun se
114
Tabla 6.6: Tanque presurizado de hidrogeno

Volumen del Tanque (Vt ) 1 m3
Temperatura (T ) 298 K
Maxima presion (pH2 ,max ) 30e5 pa
SoCH2 ,max 0.9
SoCH2 ,min 0.2
Costo de inversion (CCvt ) 1300 $
Tiempo de vida (LTvt ) 15 years
Tabla 6.7: Parametrizacion de estrategia de dimensionamiento y EMPC

Parametros Algoritmo Genetico de dimensionamiento
Periodo de simulacion Ns 8568 h
Numero maximo de generaciones ng 30
Tamano poblacion con EMSreglas 150
Tamano poblacion con EMPCEMS 50
Parametros EMPCEMS
Periodo de muestreo t 2h
Horizonte de prediccion Hp 12 h
b,f c,ez 1
ud 2
ug 0.1
propone en Kaviani et al. (2009) para HRES autonomos.

Se elige el valor de los factores de ponderacion j = 1 para j = {b, ez, f c} a fin de
mantener las relaciones determinadas por los costos operativos correspondientes en el funcional
del EMPC. El factor de ponderacion de la demanda no satisfecha (ud ) nos permite gestionar
la prioridad que se le da a los requerimientos de potencia de carga. Por otro lado, cuando
existe una potencia excedente (Pren Pload ), la EMS debera decidir entre almacenar dicha
potencia (cargando las bateras o produciendo hidrogeno a traves del electrolizador) y reducir
la generacion en las fuentes renovables para satisfacer el balance en el bus. Como la variable
manipulada Pug compite principalmente con Pez , debera elegirse una relacion de compromiso
entre ug y ez . Si ez ug se producen encendidos innecesarios del electrolizador cuando
el tanque de hidrogeno se encuentra con niveles altos de carga. Por el contrario, si ug ez
la EMS siempre optara por reducir la generacion y nunca se producira hidrogeno a traves del
electrolizador. Se realizaron multiples ensayos a fin de obtener el par de valores de ud y ug
que proporcionan la mejor respuesta dinamica, resultando en ud = 2 y ug = 0,1. En la
Tabla 6.7 se resumen los datos de parametrizacion.
6.5.3. Comparacion basada en KPIs

Se estudian los resultados de la estrategia de dimensionamiento propuesta utilizando otras
EMS. Esto puede realizarse, tal como se menciono en la seccion anterior, modificando el bloque
correspondiente de la Figura 6.2. En particular, se comparara la estrategia EMPC propuesta
contra una EMS basada en reglas, donde la batera es el elemento de almacenamiento de
energa principal. Esto significa que cuando exista una potencia neta positiva, esto es cuando la
generacion excede los requerimiento de la carga, se dara prioridad a la carga de la batera hasta
alcanzar el maximo permitido (SoCb,max ). Luego, la potencia excedente se utilizara para la
115
Tabla 6.8: Dimensionado resultante para datos histoticos ano 2010

EMSReglas EMPCEMS
Potencia nominal sistema fotovoltaico [kW] 23 20
Potencia nominal turbinas eolicas [kW] 13.5 13.5
Potencia nominal pila de combustible [kW] 4 3
Potencia nominal electrolizador [kW] 3 4
Capacidad energetica bateras [kWh] 80 76
Capacidad tanque de hidrogeno [kg] 4.88 6.10
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))
La estrategia de dimensionamiento utilizando el enfoque secuencial basado en GA presen-

tado en la seccion anterior es ensayada con ambas EMS. La implementacion se realiza en
Matlab, utilizando el Toolbox de Optimizacion Global. Se adopta un tamano de la poblacion
p = 150 en el caso de la EMS con reglas, y un p = 50 para la EMPCEMS. En ambos casos,
se define el maximo numero de generaciones en ng = 30.
6.5.4. Resultados de simulacion

La metodologa de dimensionamiento se ejecuta para ambas EMS utilizando los datos
historicos del anos 2010, y luego se validan los resultados con los perfiles del ano 2011. En
la Tabla 6.8 se resumen los resultados para el dimensionamiento optimo con ambas EMS.
Luego, en la Tabla 6.9 se muestra la comparacion basada en los KPIs definidos. Como puede
observarse, con la EMPCEMS se consigue una mejora en los costos de inversion y operacion
del sistema, como as tambien en el ndice de confiabilidad ELF. Estas mejoras conseguidas
permiten reducir el costo de la energa generada en el orden del 13,06 %, pasando de 0.599
$/kWh a 0.546 $/kWh. La flexibilidad de la estrategia EMPC en cuanto a la prioridad de
almacenamiento de energa y respaldo de las fuentes de generacion, permiten un uso menos
intensivo de las bateras que se refleja en la mayor capacidad que dispone el sistema para el
rechazo a perturbaciones (menor cantidad de tiempo con SoCb = SoCb,min ).
El dimensionamiento obtenido es validado con datos historicos correspondientes al ano
2011, y la comparacion en base a los KPIs se muestra en la Tabla 6.10. Si bien es de esperar
una reduccion en la performance de los KPIs, vemos que en el caso de la EMS basada en reglas
no se cumple con la restriccion del ndice ELF, superandose en un pequeno margen. Mientras
que con la EMPCEMS se obtiene un ELF un 50 % menor respetandose la restriccion. Esto se
116
Tabla 6.9: Comparacion del dimensionamiento optimo segun ReglasEMS y EMPCEMS ba-
sasado en KPIs - Ano 2010
EMSReglas EMPCEMS
Costo inversion anualizado [$] 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
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.
dimensionamiento se ajuste a la peor condicion, resultando en un sobre-dimensionamiento de

los equipos de generacion (PV y turbinas eolicas). Esta situacion, sin embargo nos permitira
incorporar otros elementos o procesos que requieran energa, como por ejemplo el calentamiento
de agua para calefaccion.
La solucion natural a este problema reside en utilizar recursos renovables que resulten com-
plementarios en cuanto a su capacidad de generacion. En este caso, vemos la poca complemen-
tariedad existente entre el recurso solar y eolico en la region. Por lo tanto, una alternativa sera
118
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
940 960 980 1000 1020 1040 1060 1080 1100

Time [h]
Figura 6.9: Distribucion de energa en una semana de verano con excedentes de energa reno-
vable utilizando EMPCEMS.

En este captulo, se propuso la integracion de una EMS basada en EMPC en la metodologa
de dimensionamiento para un HRES aislado, que consta de paneles fotovoltaicos, turbinas
eolicas, bateras, almacenamiento de hidrogeno, pilas de combustible y electrolizadores. Se
describe el problema de optimizacion completo que resulta en un problema de tipo MINLP.
Luego, se propone la solucion con un enfoque secuencial basado en algoritmos geneticos.
La metodologa propuesta se simulo utilizando datos meteorologicos historicos y de costos
de la region y se compararon dos EMS: la estrategia EMPC y una basada en reglas. Luego,
se utilizo un grupo de indicadores para evaluar su desempeno. Los resultados han mostrado la
posibilidad de un ahorro en la 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 generada. Tambien se mejora la capacidad de rechazo de perturbaciones. Otro beneficio
importante de utilizar un enfoque de EMPC en oposicion a uno heurstico, es la posibilidad de
una menor dependencia con respecto al conocimiento del proceso.
Finalmente, los resultados de la simulacion han mostrado la posibilidad de la incorporacion
de servicios auxiliares o la integracion de procesos que requieran energa, como un sistema
electrico de calentamiento de agua. Ademas, se demostro que una fuente de energa indepen-
diente tal como un generador diesel o una conexion a la red podran ser utiles para reducir el
tamano del sistema. La metodologa propuesta puede ampliarse en el caso de los sistemas con
conexion a la red electrica para manejar la variabilidad en los costos de la energa.
119
Annual energy distribution

60
50
40
30
Energy [MWh]
20
10
-10
-20
-30
Installed Generated Load Battery Battery Fuel Cell Electrolyzer
capacity dispatch charge discharge
Figura 6.10: Distribucion anual de energa en el HRES
120
CAPTULO 7
Conclusiones y trabajos futuros
7.1. Conclusiones generales

A lo largo de la tesis se pudo avanzar en el desarrollo de herramientas que apuntan a
contribuir a una gestion integral de los HRES. Se abordaron las diversas etapas que involucran
el diseno y operacion de estos sistemas. Las mismas incluyen la sntesis y dimensionamiento
del sistema, su modelado matematico y simulacion, el diseno de la estructura de control y la
gestion de energa.
En lo que refiere a la etapa de modelado del sistema, se desarrollo una nueva biblioteca
Modelica con modelos rigurosos de los componentes de un HRES, que incluye elementos
de generacion y almacenamiento de energa, como as tambien convertidores de potencia y
diferentes controladores. Utilizando esta biblioteca, se construyo un modelo completo de HRES,
el cual fue simulado bajo diferentes configuraciones. Debido a que los modelos rigurosos de
convertidores DC-DC incluyen componentes conmutados, los modelos HRES resultantes no
pueden ser simulados en un tiempo razonable por solvers ODE estandar. Las simulaciones
con DASSL (utilizando Dymola o OpenModelica), por 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 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 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.
Debido a que los HRES propuestos incorporan el hidrogeno como un vector de energa ca-
paz de ser utilizado como almacenamiento energetico de larga duracion, se estudiaron diversos
sistemas de produccion de hidrogeno. Uno de los mas difundidos y utilizados es la electrolisis.
Sin embargo, la posibilidad de obtener hidrogeno a partir del reformado de bioetanol resulta
una posibilidad mas que interesante teniendo en cuenta la importante capacidad de produccion
de biocombustible existente en la region y en el pas. En particular, en nuestro grupo de inves-
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.

A partir de los trabajos realizados a lo largo de esta tesis, han surgido diversas lneas de
investigacion a profundizar en el corto y mediano plazo:
Integracion de las etapas de dimensionamiento y gestion de energa en sistemas

hbridos en sistemas con posibilidad de conexion a la red electrica teniendo en
cuenta costos de inversion, mantenimiento y operacion: Se estudiaran los principales
enfoques presentes en la literatura para la etapa de gestion de energa en sistemas con
conexion a la red electrica a traves de estrategias basadas en control predictivo tal
como se plantea en Garcia-Torres y Bordons (2015a) y Valverde et al. (2016), como
as tambien el enfoque heurstico mediante reglas. Se propondra abordar la gestion de
energa utilizando programacion disyuntiva como se propone en Flores et al. (2015) para
el area de planificacion de inversiones en el sector energetico.
Incorporar incertidumbres en los elementos constitutivos del problema planteado

en el punto anterior. Particularmente en costos y factores climaticos relacionados
con las fuentes de energa renovable: Se incorporaran incertidumbres en las variables
del problema anterior a fin de obtener una solucion robusta, en particular a las variables
meteorologicas relacionadas con las fuentes de generacion, los perfiles de consumo, y
los precios de equipos y compra y venta de energa. Se adaptaran las metodologas
propuestas en Billionnet et al. (2016) y en Flores et al. (2014).
Ampliar la metodologa para posibilitar la incorporacion de cogeneracion y sa-

tisfacer las necesidades de consumo de energa electrica y termica: Se propone
ampliar las metodologas de gestion de energa y dimensionamiento mencionadas en los
anteriores apartados para el manejo de sistemas de cogeneracion o Combined Heat and
Power (CHP). Para ello se partira de las metodologas propuestas en Mitra et al. (2013)
para la gestion de energa y en Yang et al. (2015) para el diseno de los sistemas.
Estudiar la factibilidad de utilizacion de pilas de combustible polimericas de alta

temperatura (HT-PEMFC) en los sistemas mencionados en el punto anterior:
Diversos estudios muestran los beneficios de incorporar las HT-PEMFC a los sistemas
de cogeneracion (Korsgaard et al., 2008). En particular se estudiara la posibilidad de
integracion energetica a nivel electrico y termico en sistemas con fuentes de energa
renovables, conectados a la red electrica y/o a la red de gas natural.
123
124
Bibliografa
Abouzahr, I. y R. Ramakumar. Loss of power supply probability of stand-alone wind electric

conversion systems: a closed form solution approach. Energy Conversion, IEEE Transactions
on, tomo 5(3), pags. 445452 (1990).
Aguirre, M. y M. Valla. An environmental friendly alternative for hydrogen production and
electric energy generation. En IECON 2011-37th Annual Conference on IEEE Industrial
Electronics Society, pags. 30993104. IEEE (2011).
Akesson, J.; M. Gafvert y H. Tummescheit. JModelica an Open Source Platform for Op-
timization of Modelica Models. En 6th Vienna International Conference on Mathematical
Modelling (2009).
Al-Alawi, A.; S. M. Al-Alawi y S. M. Islam. Predictive control of an integrated PV-diesel water
and power supply system using an artificial neural network. Renewable energy, tomo 32(8),
pags. 14261439 (2007).
Arce, A.; A. J. del Real y C. Bordons. MPC for battery/fuel cell hybrid vehicles including
fuel cell dynamics and battery performance improvement . Journal of Process Control,
tomo 19(8), pags. 1289 1304 (2009). Special Section on Hybrid Systems: Modeling,
Simulation and Optimization.
AS-MLC. Carbon Monoxide Sensor, AppliedSensor (2014).
Baggi, S.; D. Rivola; D. Strepparava y R. Rudel. A Modelica Library for Simulation of Electrical
Energy Storage Coupled with Photovoltaic Systems. 12. Nationale Photovoltaik Tagung,
pags. 1011 (2014).
Bajpai, P. y V. Dash. Hybrid renewable energy systems for power generation in stand-alone
applications: A review. Renewable and Sustainable Energy Reviews, tomo 16(5), pags.
29262939 (2012).
Barbir, F. PEM electrolysis for production of hydrogen from renewable energy sources. Solar
Energy, tomo 78(5), pags. 661 669 (2005). ISSN 0038-092X. Solar Hydrogen.
Basualdo, M.; D. Feroldi y R. Outbib. PEM Fuel Cells with Bio-ethanol Processor Systems.
Springer (2011). ISBN 978-1-84996-183-7.
Belmili, H.; M. Haddadi; S. Bacha; M. F. Almi y B. Bendib. Sizing stand-alone photovoltaic
wind hybrid system: Techno-economic analysis and optimization. Renewable and Sustainable
Energy Reviews, tomo 30, pags. 821832 (2014).
125
Bibliografa
Bergero, F.; X. Floros; J. Fernandez; E. Kofman y F. E. Cellier. Simulating Modelica mo-

dels with a StandAlone Quantized State Systems Solver. En 9th International Modelica
Conference (2012).
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).
Borowy, B. y Z. Salameh. Methodology for optimally sizing the combination of a battery

bank and pv array in a wind/pv hybrid system. Energy Conversion, IEEE Transactions on,
tomo 11(2), pags. 367375 (1996).
Box, G.; G. Jenkins y G. Reinsel. Time series analysis: forecasting and control. 4th ed., John
Wiley & Sons (2008).
Bruck, D.; H. Elmqvist; S. E. Mattsson y H. Olsson. Dymola for multi-engineering modeling

and simulation. En 2nd International Modelica Conference (2002).
Busaidi, A. S. A.; H. A. Kazem; A. H. Al-Badi y M. F. Khan. A review of optimum sizing

of hybrid pv?wind renewable energy systems in oman. Renewable and Sustainable Energy
Reviews, tomo 53, pags. 185 193 (2016).
Campetelli, G. Desarrollo de biomodelos computacionales para asistir en la toma de decisiones

tendientes a mejorar la calidad de vida de pacientes diabeticos. Tesis Doctoral, Facultad de
Ciencias Exactas, Ingeniera y Agrimensura (2012).
Castaneda, M.; A. Cano; F. Jurado; H. Sanchez y L. M. Fernandez. Sizing optimization,

dynamic modeling and energy management strategies of a stand-alone pv/hydrogen/battery-
based hybrid system. International Journal of Hydrogen Energy, tomo 38(10), pags. 3830
3845 (2013).
Celik, A. N. Techno-economic analysis of autonomous pv-wind hybrid energy systems using

different sizing methods. Energy Conversion and Management, tomo 44(12), pags. 1951
1968 (2003).
Cellier, F. E. y E. Kofman. Continuous System Simulation. Springer-Verlag, New York (2006).
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).
Chakraborty, S.; M. D. Weiss y M. G. Simoes. Distributed intelligent energy management

system for a single-phase high-frequency ac microgrid. IEEE Transactions on Industrial
electronics, tomo 54(1), pags. 97109 (2007).
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).
Chong, L. W.; Y. W. Wong; R. K. Rajkumar; R. K. Rajkumar y D. Isa. Hybrid energy storage

systems and control strategies for stand-alone renewable energy power systems. Renewable
and Sustainable Energy Reviews, tomo 66, pags. 174 189 (2016). ISSN 1364-0321.
doi:http://dx.doi.org/10.1016/j.rser.2016.07.059.
Cuk, S. y R. Middlebrook. A general unified approach to modelling switching DC-to-DC

converters in discontinuous conduction mode. En Power Electronics Specialists Conference,
pags. 3657. IEEE (1977).
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).
De Battista, H. Control de la calidad de potencia en sistemas de conversion de energa eolica.

Tesis Doctoral, Facultad de Ingeniera (2000).
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.; S. Biset; P. Luppi y M. S. Basualdo. A rigorous computational model

for hydrogen production from bio-ethanol to feed a fuel cell stack. International Journal of
Hydrogen Energy, tomo 37(4), pags. 31083129 (2012a).
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).
Dimeas, A. L. y N. D. Hatziargyriou. Operation of a multiagent system for microgrid control.

IEEE Transactions on Power Systems, tomo 20(3), pags. 14471455 (2005).
Dormand, J. y P. Prince. A family of embedded Runge-Kutta formula. Journal of Compu-

tational and Applied Mathematics, tomo 6(1), pags. 19 26 (1980).
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).
Dufo-Lopez, R.; J. M. Lujano-Rojas y J. L. Bernal-Agustn. Comparison of different leadacid

battery lifetime prediction models for use in simulation of stand-alone photovoltaic systems.
Applied Energy, tomo 115, pags. 242253 (2014).
Dufo-Lopez, R.; J. L. Bernal-Agustn y J. Contreras. Optimization of control strategies

for stand-alone renewable energy systems with hydrogen storage. Renewable Energy, to-
mo 32(7), pags. 1102 1126 (2007).
Dufo-Lopez, R.; I. R. Cristobal-Monreal y J. M. Yusta. Stochastic-heuristic methodology for

the optimisation of components and control variables of pv-wind-diesel-battery stand-alone
systems. Renewable Energy, tomo 99, pags. 919 935 (2016).
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.
Erdinc, O.; O. Elma; M. Uzunoglu; U. Selamogullari; B. Vural; E. Ugur; A. Boynuegri y S. Dus-

mez. Experimental performance assessment of an online energy management strategy for
varying renewable power production suppression. International Journal of Hydrogen Energy,
tomo 37(6), pags. 47374748 (2012).
Evangelista, C. A. Control de sistemas no lineales por modos deslizantes de segundo orden.

Tesis Doctoral, Facultad de Ingeniera (2012).
Farrell, C.; C. Gardner y M. Ternan. Experimental and modelling studies of co poisoning in

pem fuel cells. Journal of Power Sources, tomo 171(2), pags. 282293 (2007).
Farret, F. A. y M. G. Simoes. Integration of alternative sources of energy. Wiley Online Library

(2006).
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.; L. N. Degliuomini y M. Basualdo. Energy management of a hybrid system based

on wind-solar power sources and bioethanol. Chemical Engineering Research and Design,
tomo 91(8), pags. 1440 1455 (2013). ISSN 0263-8762.
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.
Flores, J.; M. L. Cunico; M. A. Rodriguez y A. Vecchietti. Optimizing the energy production

infrastructure considering uncertainty in fossil resource availability. Industrial & Engineering
Chemistry Research, tomo 53(44), pags. 1698417001 (2014).
Flores, J.; J. M. Montagna y A. Vecchietti. Investment planning in energy considering economic

and environmental objectives. Computers & Chemical Engineering, tomo 72, pags. 222232
(2015).
Floros, X.; F. Bergero; N. Ceriani; F. Casella; E. Kofman y F. Cellier. Simulation of smart-

grid models using quantization-based integration methods. En Proceedings of the 10 th
International Modelica Conference; March 10-12; 2014; Lund; Sweden, 096, pags. 787797.
Linkoping University Electronic Press (2014).
128
Bibliografa
Francesconi, J. A.; M. C. Mussati; R. O. Mato y P. A. Aguirre. Analysis of the energy efficiency

of an integrated ethanol processor for PEM fuel cell systems. Journal of Power Sources,
tomo 167(1), pags. 151161 (2007).
Fritzson, P.; P. Aronsson; H. Lundvall; K. Nystrom; A. Pop; L. Saldamli y D. Broman. The

OpenModelica Modeling, Simulation, and Development Environment. En 46th Conference
on Simulation and Modeling (SIMS05), pags. 8390 (2005).
Fritzson, P. y V. Engelson. Modelica - A unified object-oriented language for system modeling

and simulation. En ECOOP98 - Object-Oriented Programming, pags. 6790. Springer
(1998).
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.
Garcia, R. S. y D. Weisser. A winddiesel system with hydrogen storage: Joint optimisation of

design and dispatch. Renewable energy, tomo 31(14), pags. 22962320 (2006).
Garcia-Torres, F. y C. Bordons. Optimal economical schedule of hydrogen-based microgrids

with hybrid storage using model predictive control. IEEE Transactions on Industrial Electro-
nics, tomo 62(8), pags. 51955207 (2015a).
Garcia-Torres, F. y C. Bordons. Optimal economical schedule of hydrogen-based microgrids

with hybrid storage using model predictive control. IEEE Transactions on Industrial Electro-
nics, tomo 62(8), pags. 51955207 (2015b).
Garriga, J. L. y M. Soroush. Model predictive control tuning methods: A review. Industrial &
Engineering Chemistry Research, tomo 49(8), pags. 3505 3515 (2010).
Gee, A. M.; F. V. Robinson y R. W. Dunn. Analysis of battery lifetime extension in a small-

scale wind-energy system using supercapacitors. IEEE Transactions on Energy Conversion,
tomo 28(1), pags. 2433 (2013).
Gorgun, H. Dynamic modelling of a proton exchange membrane (pem) electrolyzer. Interna-

tional Journal of Hydrogen Energy, tomo 31(1), pags. 2938 (2006).
Gow, J. y C. Manning. Development of a photovoltaic array model for use in power-electronics

simulation studies. IEE Proceedings-Electric Power Applications, tomo 146(2), pags. 193
200 (1999).
Hagan, M. T. y M. B. Menhaj. Training feedforward networks with the marquardt algorithm.

IEEE Transactions on Neural Networks, tomo 5(6), pags. 989993 (1994).
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
Hosseinalizadeh, R.; H. S. G; M. Amalnick y P. Taghipour. Economic sizing of a hybrid

(pv?wt?fc) renewable energy system (hres) for stand-alone usages by an optimization-
simulation model: Case study of iran. Renewable and Sustainable Energy Reviews, tomo 54,
pags. 139 150 (2016).
Hovgaard, T. G.; K. Edlund y J. B. Jrgensen. The potential of economic mpc for power
management. En 49th IEEE Conference on Decision and Control (CDC), pags. 75337538.
IEEE (2010).
Hua, C. y C. Shen. Study of maximum power tracking techniques and control of dc/dc
converters for photovoltaic power system. En Power Electronics Specialists Conference,
1998. PESC 98 Record. 29th Annual IEEE, tomo 1, pags. 8693. IEEE (1998).
Hussein, K.; I. Muta; T. Hoshino y M. Osakada. Maximum photovoltaic power tracking:
an algorithm for rapidly changing atmospheric conditions. IEE Proceedings-Generation,
Transmission and Distribution, tomo 142(1), pags. 5964 (1995).
IEA. Key world energy statics 2013. Online (2013). Consulta: 12 de junio de 2014, International
Energy Agency.
Ipsakis, D.; S. Voutetakis; P. Seferlis; F. Stergiopoulos y C. Elmasides. Power management
strategies for a stand-alone power system using renewable energy sources and hydrogen
storage. International Journal of Hydrogen Energy, tomo 34(16), pags. 70817095 (2009).
Jiang, Z. y R. A. Dougal. Hierarchical microgrid paradigm for integration of distributed energy
resources. En Power and Energy Society General Meeting-Conversion and Delivery of Elec-
trical Energy in the 21st Century, 2008 IEEE, pags. 18. IEEE (2008).
Johnson, V. Battery performance models in advisor. Journal of Power Sources, tomo 110(2),
pags. 321329 (2002).
Kalogirou, S. A. Artificial neural networks in renewable energy systems applications: a review.
Renewable and sustainable energy reviews, tomo 5(4), pags. 373401 (2001).
Karavas, C.-S.; G. Kyriakarakos; K. G. Arvanitis y G. Papadakis. A multi-agent decentralized
energy management system based on distributed intelligence for the design and control of
autonomous polygeneration microgrids. Energy Conversion and Management, tomo 103,
pags. 166179 (2015).
Kaviani, A. K.; G. Riahy y S. M. Kouhsari. Optimal design of a reliable hydrogen-based
stand-alone wind/pv generating system, considering component outages. Renewable Energy,
tomo 34(11), pags. 23802390 (2009).
Kellogg, W.; M. Nehrir; G. Venkataramanan y V. Gerez. Generation unit sizing and cost analysis
for stand-alone wind, photovoltaic, and hybrid wind/pv systems. Energy conversion, ieee
transactions on, tomo 13(1), pags. 7075 (1998).
Khalid, M. y A. Savkin. A model predictive control approach to the problem of wind power
smoothing with controlled battery storage. Renewable Energy, tomo 35(7), pags. 1520
1526 (2010). ISSN 0960-1481.
Khan, M. y M. Iqbal. Pre-feasibility study of stand-alone hybrid energy systems for applications
in newfoundland. Renewable Energy, tomo 30(6), pags. 835 854 (2005).
Kofman, E. y S. Junco. Quantized State Systems. A DEVS Approach for Continuous System
Simulation. Transactions of SCS, tomo 18(3), pags. 123132 (2001).
130
Bibliografa
Kollimalla, S. K.; M. K. Mishra y N. L. Narasamma. Design and analysis of novel control

strategy for battery and supercapacitor storage system. IEEE Transactions on Sustainable
Energy, tomo 5(4), pags. 11371144 (2014).
Korsgaard, A. R.; M. P. Nielsen y S. K. Kr. Part one: a novel model of htpem-based

micro-combined heat and power fuel cell system. International Journal of Hydrogen Energy,
tomo 33(7), pags. 19091920 (2008).
Koutroulis, E.; D. Kolokotsa; A. Potirakis y K. Kalaitzakis. Methodology for optimal sizing

of stand-alone photovoltaic/wind-generator systems using genetic algorithms. Solar energy,
tomo 80(9), pags. 10721088 (2006).
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).
Luppi, P. A.; D. A. R. Zumoffen y M. S. Basualdo. Decentralized plantwide control strategy

for large-scale processes. case study: Pulp mill benchmark problem. Computers & Chemical
Engineering, tomo 52, pags. 272285 (2013).
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.
Migoni, G.; F. Bergero; E. Kofman y J. Fernandez. Quantization-Based Simulation of Switched

Mode Power Supplies. Simulation: Transactions of the Society for Modeling and Simulation
International, tomo 91(4), pags. 320336 (2015).
Migoni, G.; M. Bortolotto; E. Kofman y F. E. Cellier. Linearly implicit quantization-based

integration methods for stiff ordinary differential equations . Simulation Modelling Practice
and Theory, tomo 35, pags. 118 136 (2013).
Milocco, R. y B. Castro. State of charge estimation in nimh rechargeable batteries. Journal

of Power Sources, tomo 194(1), pags. 558567 (2009).
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.; C. Wang; K. Strunz; H. Aki; R. Ramakumar; J. Bing; Z. Miao y Z. Salameh. A

review of hybrid renewable/alternative energy systems for electric power generation: Confi-
gurations, control, and applications. IEEE Transactions on Sustainable Energy, tomo 2(4),
pags. 392403 (2011).
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).
OPENEI. Open energy information datasets (2016).
Pede, G.; A. Iacobazzi; S. Passerini; A. Bobbio y G. Botto. FC vehicle hybridisation: an

affordable solution for an energy-efficient FC powered drive train. J. of Power Sources,
tomo 125(2), pags. 280291 (2004).
Pereira, M.; D. M. de la Pena y D. Limon. Robust economic model predictive control of a

community micro-grid. Renewable Energy, tomo 100, pags. 3 17 (2017). Special Issue:
Control and Optimization of Renewable Energy Systems.
Pereira, M.; D. Limon; D. M. de la Pena; L. Valverde y T. Alamo. Periodic economic control

of a nonisolated microgrid. IEEE Transactions on Industrial Electronics, tomo 62(8), pags.
52475255 (2015).
Perna, A. Hydrogen from ethanol: theoretical optimization of a PEMFC system integrated

with a steam reforming processor. International Journal of Hydrogen Energy, tomo 32(12),
pags. 18111819 (2007).
Petzold, L. R. A description of DASSL - A differential/algebraic system solver. Scientific

computing, tomo 1, pags. 6568 (1983).
Pukrushpan, J.; A. Stefanopoulou; S. Varigonda; J. Eborn y C. Haugstetter. Control-oriented

model of fuel processor for hydrogen generation in fuel cell applications. Control engineering
practice, tomo 14(3), pags. 277293 (2006).
132
Bibliografa
Qi, W.; J. Liu; X. Chen y P. Christofides. Supervisory predictive control of standalone

wind/solar energy generation systems. Control Systems Technology, IEEE Transactions
on, tomo 19(1), pags. 199207 (2011).
Qin, S. y T. Badgwell. A survey of industrial model predictive control technology. Control

Engineering Practice, tomo 11(7), pags. 733764 (2003).
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).
Rawlings, J. B.; D. Angeli y C. N. Bates. Fundamentals of economic model predictive control.

En 2012 IEEE 51st IEEE Conference on Decision and Control (CDC), pags. 38513861.
IEEE (2012).
Richalet, J. y D. ODonovan. Predictive Functional Control - Principles and Industrial Appli-

cations. Springer (2009).
Rivera, D. Una metodologa para la identificacion integrada con el diseno de controladores

IMC-PID. RIAI (Rev. Iberoamericana de Autom e Inf. Ind), tomo 4(4), pags. 518 (2007).
Rubio, M. A.; A. Urquia; L. Gonzalez; D. Guinea y S. Dormido. FuelCell Lib - A Modelica

library for modeling of fuel cells. En 4th International Modelica Conference, pags. 7582
(2005).
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).
Schneider, F. The state machine approach: A tutorial. Springer (1990).
Seborg, D. E.; T. F. Edgar y D. A. Mellichamp. Process Dynamic and Control. Wiley. New
York, NY (2004).
Sensepoint Plus. Carbon Monoxide Sensor, Sensorstecnics, Semiconductors, S.L, Honeywell

(2014).
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).
Skogestad, S. y I. Postlethwaite. Multivariable feedback control. Analysis and Design. John

Wiley & Sons (2005).
SolarWorld. Sunmodule sw 240 poly (2016).
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
Wang, X.; H. Teichgraeber; A. Palazoglu y N. H. El-Farra. An economic receding horizon opti-

mization approach for energy management in the chlor-alkali process with hybrid renewable
energy generation. Journal of Process Control, (0), pags. (2014). ISSN 0959-1524.
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).
Zamaniyan, A.; F. Joda; A. Behroozsarand y H. Ebrahimi. Application of artificial neural

networks (ann) for modeling of industrial hydrogen plant. International Journal of Hydrogen
Energy, tomo 38(15), pags. 62896297 (2013).
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).
Zhao, P.; S. Suryanarayanan y M. G. Simoes. An energy management system for building

structures using a multi-agent decision-making control methodology. IEEE Transactions on
Industry Applications, tomo 49(1), pags. 322330 (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

Gestión Integrada de Sistemas de Generación Con Múltiples Fuentes de Energía Renovable

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Gestión Integrada de Sistemas de Generación Con Múltiples Fuentes de Energía Renovable

Caricato da

Copyright:

Formati disponibili

Universidad Nacional de Rosario (UNR)

Facultad de Ciencias Exactas, Ingeniera y Agrimensura

Gestion Integrada de Sistemas de

Pablo Gabriel Rullo

Director: Dr. Diego Feroldi

Tesis presentada en la Facultad de Ciencias Exactas, Ingeniera y Agrimensura, en

GISP Grupo Ingeniera de Sistemas de Procesos.

La problematica cada vez mas apremiante derivada de la dependencia de los combustibles

HRES Sistemas hbridos basados en energa renovable.

2. Estado del arte 5

3. Simulacion eficiente de sistemas hbridos de generacion 33

4. Control predictivo aplicado a planta de reformado de bioetanol 55

5. Estrategia de gestion de energa basada en horizonte deslizante 81

5.5. Resultados y discusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6. Integracion de la EMS a la estrategia de dimensionamiento 97

7. Conclusiones y trabajos futuros 121

1.1. Datos historicos de consumo y emisiones. . . . . . . . . . . . . . . . . . . . . 2

2.1. HRES con bus DC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3.1. Convertidor DC-DC Boost. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.6. Esquema de la EMS doble histeresis. . . . . . . . . . . . . . . . . . . . . . . . 46

4.1. BPS + pila PEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

6.1. Esquema general del HRES en estudio . . . . . . . . . . . . . . . . . . . . . . 99

6.5. Perfil de velocidad del viento - Semana de verano . . . . . . . . . . . . . . . . 114

2.1. Parametros para bateras tpicas . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1. Parametros del modelo completo . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.1. Variables del sensor virtual 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.1. Conjunto de disenos optimos en funcion del parametro . . . . . . . . . . . . . 84

6.1. Descripcion tecnica y costos asociados a un panel PV . . . . . . . . . . . . . . 112

6.10. Validacion de resultados de dimensionamiento con datos meteorologicos del

1.1. Antecedentes y motivacion

(a) Crecimiento de las emisiones de CO2 en la atmosfera a nivel mundial

(b) Crecimiento del consumo energetico a nivel mundial expresado en Mtoe

1.2. Organizacion y estructura de la tesis

1.3. Principales aportes y publicaciones

Se propuso la implementacion de tecnicas de control predictivo basado en modelos sobre

Se propuso una estrategia de gestion de energa basada en reglas e implementada a

Finalmente, se presenta una formulacion completa del problema de dimensionamiento

El trabajo de investigacion que permitio el desarrollo de la presente tesis de doctorado

Revistas internacionales con referato

Congresos Nacionales con referato

P.G. Rullo, D. Feroldi, D. Zumoffen, Disenos de lazos de control para un sistema

P.G. Rullo, L. Nieto Degliuomini, M. Cunningham, F. Ferreyra, L. Braccia, M. S. Ba-

P. G. Rullo, L. Nieto Degliuomini, M. Garca, M. Basualdo, Desarrollo de sensores

Estado del arte

Fig. 1. Schematic diagram of a dc-coupled hybrid energy system.

controlled to allow bidirectional power flow. The dc-coupling

IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, VOL. 2, NO. 4, OCTOBER 2011

Figura 2.2: HRES con bus PFAC (Nehrir et al., 2011).

flow. The dc-coupling

led system is shown in

2.4.1. Sistema fotovoltaico

modeling and simulation platform. Especially, in the context

[2] O. Wasynczuk, Dynamic behavior of a class of photovoltaic power

model for use in power-electronics simulation studies, IEE Solar

Proceedings- Electric Power Applications, vol. 146, no. 2, 1999, pp. Tc

Pmpp shown in Fig. 27.9, PV panels are connect

Figura 2.6: Caracterstica I-V tpica del panel fotovoltaico

Stand-alone PV systems, shown in Fig. 27.7, are used in

En los paneles fotovoltaicos la potencia generada depende tanto de la radiacion solar y la

2.4.3. Banco de bateras

(a) Voc (SoCb ) (b) Rc h(SoCb ) y Rdisch (SoCb )

El estado de carga (SoCb ) de una batera es un parametro importante ya que ademas de

donde c es la eficiencia coulombiana de carga/descarga de la batera, e Ib es la corriente de

Simulacin eciente de sistemas