Algoritmo de gestión óptima predictiva de la potencia de un tren de hidrógeno

Abstract

Este proyecto propone un modelo predictivo que calcula la distribución de potencia entre baterías y pilas de combustible para satisfacer la demanda de potencia de un tren de hidrógeno y minimizar el consumo de hidrógeno. El modelo es suficientemente rápido como para dar una nueva consigna de potencia cada pocos segundos, minimizando el consumo de hidrógeno entre la posición actual del tren y el final del trayecto. El algoritmo utiliza para esta tarea un modelo que representa fielmente el comportamiento de la planta de potencia. Para ello, incluye las principales restricciones dinámicas de las pilas de hidrógeno y las baterías. Además, para obtener la mejor solución posible, se diseña una función objetivo a minimizar que incluye el consumo de hidrógeno, la potencia demandada no satisfecha y de reóstatos, la potencia máxima de las pilas y la variación de la potencia de las baterías entre pasos de simulación. Una vez definido el modelo se ha implementado en un lazo de simulación cerrado que tiene dos objetivos: por un lado predecir cómo va a ser el comportamiento del tren y por otro, servir como banco de pruebas para implementar en lazo cerrado el control desarrollado y probarlo. Para ello se ha utilizado un simulador detallado que incluye la infraestructura, la dinámica del tren, el sistema de tracción, las pilas de combustible, las baterías y la conducción. Esta simulación en lazo cerrado ha permitido comprobar cómo el modelo de optimización funciona correctamente. En algunos casos el ahorro de combustible ha sido muy notable mientras que en otros casos las pilas han dado un poco más de potencia para recargar las baterías y garantizar de este modo que al final del recorrido se pueda seguir satisfaciendo la demanda.

This project proposes a predictive model that calculates the power distribution between batteries and fuel cells in order to meet the power demand of a hydrogen train while minimizing hydrogen consumption. The model is fast enough to provide a new power setpoint every few seconds, reducing hydrogen use between the train’s current position and the end of the route. The algorithm uses a model that accurately represents the behaviour of the power system. To do so, it includes the main dynamic constraints of both hydrogen fuel cells and batteries. In addition, to obtain the best possible solution, a cost function is designed to be minimized, which includes hydrogen consumption, unmet power demand and rheostat losses, maximum fuel cell power, and the variation in battery power between simulation steps. Once the model is defined, it is implemented in a closed-loop simulation framework with two objectives: on the one hand, to predict how the train will behave, and on the other, to serve as a test bench for implementing and evaluating the developed control strategy in closed loop. For this purpose, a detailed simulator is used, which includes the infrastructure, train dynamics, traction system, fuel cells, batteries, and driving behaviour. This closed-loop simulation has shown that the optimization model works correctly. In some cases, fuel savings have been very significant, while in others the fuel cells have delivered slightly more power to recharge the batteries, ensuring that the demand can still be met by the end of the journey.