Modelação de células de combustível

Neste trabalho serão apresentados e discutidos vários aspectos relacionados com células de combustível, com particular enfoque na modelação de células de combustível de membrana de permuta protónica. Este trabalho está dividido em vários capítulos. No Capítunlo 1 são apresentadas as motivações e os objectivos da tese. No Capítulo 2 serão apresentadas as células de combustível em geral, a sua origem, os diversos tipos, o que as diferencia das restantes tecnologias de geração de energia e as suas vantagens e desvantagens. No Capítulo 3 discute-se a modelação de células de combustível. Serão expostos e explicados os diferentes tipos de modelos, seguindo-se uma apresentação do modelo selecionado para estudo, com referência aos fundamentos teóricos exposição detalhada da fórmulação matemática e os parâmetros que caracterizam o modelo. É também apresentado a implementação do modelo em Matlab/Simulink. No Capítulo 4 será discutida e apresentada a abordagem utilizada para a identificação dos parâmetros do modelo da célula de combustível. Propõe-se e prova-se que uma abordagem baseada num algoritmo de optimização inteligente proporciona um método eficaz e preciso para a identificação dos parâmetros. Esta abordagem requer a existência de alguns dados experimentais que são também apresentados. O algoritmo utilizado designa-se por Optimização por Enxame de Partículas – Particle Swarm Optimization (PSO). São apresentados os seus fundamentos, características, implementação em Matlab/Simulink e a estratégia de optimização, isto é, a configuração do algoritmo, a definição da função objectivo e limites de variação dos parâmetros. São apresentados os resultados do processo de optimização, resultados adicionais de validação do modelo, uma análise de robustez do conjunto óptimo de parâmetros e uma análise de sensibilidade dos mesmos. O trabalho termina apresentando, no último capítulo, algumas conclusões, das quais se destacam: - O bom desempenho do algoritmo PSO para a identificação dos parâmetros do modelo da célula de combsutível; - Uma robustez interessante do algoritmo PSO, no sentido em que, para várias execuções do método resultam valores do parâmetros e da função objectivo com variabilidade bastante reduzidas; - Um bom modelo da célula de combustível, que quando caracterizado pelo conjunto óptimo de parâmetros, apresenta, sistematicamente, erros relativos médios inferiores a 2,5% para um conjunto alargado de condições de funcionamento.In this thesis, various aspects of the fuel cells will be presented and discussed, with particular focus in the model of a proton exchange membrane fuel cell. This work is divided in several chapters. In the Charpter 1the motivations and objectives of this thesis are presented. In Charpter 2 several aspects of fuel cell technology are discussed, its advantages and disadvantages, its different types and differences from other power generating technologies. In this introduction, the cells in which this work has been based will also be presented – the proton exchange membrane fuel cells. Its characteristics and main advantages over other fuel cell types shall be emphasized in this chapter. In chapter 3, the development of the model will be discussed. Various types of models are presented and explained. The selected model for this work (electrochemical model) will be presented in this chapter, with corresponding set of equations and model parameters. The implementation details of the model in MatLab/Simulink will be exposed here. In chapter 4 it is discussed the approach used for the fuel cell model parameter identification. The approach is based in a optimization process using the Particle Swarm Optimization (PSO) algorithm. It is shown that proposed approach results in efficient and accurate method for parameter identification. The PSO fundaments, characteristics, implementation in MatLab/simulink and the optimization strategy (algorithm configuration, definition of the objective function and the parameter variation limits) are described and presented. The results of the optimization process, plus additional model validation results, robustness analysis and parameter sensitivity analysis of the optimal parameters are presented. The work ends with the presentation of some conclusions from which should be highlighted the following: - The good performance of the PSO algorithm for identification of fuel cell model parameters; - A goo robustness of the PSO, being that, for various repetitions of the optimization, the results do not present significant deviations; - A good model of the fuel cell, that when characterized by the optimum parameters values presents average relative errors systematically less than 2,5%