Search

An accurate model of a proton-exchange membrane fuel cell (PEMFC) is important for understanding this fuel cell’s dynamic process and behavior. Among different large-scale energy storage systems, fuel cell technology does not have geographical requirements. To provide an effective operation estimation of PEMFC, this paper proposes a support vector machine (SVM) based model. The advantages of the SVM, such as the ability to model nonlinear systems and provide accurate estimations when nonlinearities and noise appear in the system, are the main motivations to use the SVM method. This model can capture the static and dynamic voltage–current characteristics of the PEMFC system in the three operating regions. The validity of the proposed SVM model has been verified by comparing the estimated voltage with the real measurements from the Ballard Nexa® 1.2 kW fuel cell (FC) power module. The obtained results have shown high accuracy between the proposed model and the experimental operation of the PEMFC. A statistical study is developed to evaluate the effectiveness and superiority of the proposed SVM model compared with the diffusive global (DG) model and the evolution strategy (ES)-based model.

Contexto: Una de las funciones de un filtro activo de potencia es calcular las consignas de corriente (i.e.: reducción de armónicos, corrección del factor de potencia, balancear las corrientes y voltajes) que compensen la fuente de alimentación. Existen en la literatura varios algoritmos que realizan esta función. El objetivo de este artículo es presentar los resultados obtenidos sobre el funcionamiento de cinco algoritmos propuestos en la literatura, bajo condiciones de voltajes distorsionados.Método: Consiste en la implementación de los siguientes algoritmos: potencia reactiva instantánea; factor de potencia unitario; compensación perfecta de armónicos; algoritmo pqr; y marco de referencia síncrono, en el programa de simulación Matlab – Simulink. Luego, usando un sistema eléctrico compuesto por cargas lineales y no lineales con características similares a un circuito real, se calcula la distorsión armónica total, el valor eficaz de la corriente de línea y de su componente fundamental, y el factor de potencia en la fuente trifásica. Se tomarán valores antes y después de la conexión a la red del filtro activo de potencia, considerando cada uno de los algoritmos por separado y manteniendo las mismas condiciones en el sistema para cada uno de ellos. También se calculan otras cantidades en el sistema de potencia para realizar la comparación. Resultados: Se muestran las corrientes de la red de alimentación antes y después de la conexión del filtro activo de potencia, además de la distorsión armónica de las corrientes y el factor de potencia. También se presenta la forma de onda del voltaje de continua del inversor con cada uno de los algoritmos utilizados, para evaluar el desempeño de un controlador de tensión que requiere el filtro.Conclusiones: En condiciones de funcionamiento con voltajes distorsionados en la red de alimentación, el algoritmo con mejor desempeño es el de compensación perfecta de armónicos, ya que este utiliza un filtro pasa bajo para mitigar los efectos de los armónicos de los voltajes sobre el cálculo de las corrientes de compensación.

Resumen Contexto: Reducir las oscilaciones de un sistema eléctrico de potencia es necesario para mantener la estabilidad del mismo. En este trabajo se presenta una metodología para la sintonización de un controlador de oscilaciones de tipo difuso, un compensador de Volts Ampere Reactive, (VAR, por sus siglas en inglés), uno estático (Static Var Compensator, SVC, por sus siglas en inglés), y un compensador estático síncrono (Static Synchronous Compensator, STATCOM, por sus siglas en inglés), por métodos inteligentes. Método: Consiste en sintonizar un controlador de tipo difuso para amortiguar las oscilaciones de un sistema eléctrico de potencia por medio de un STATCOM o un SVC, a través de diferentes técnicas de optimización tales como: algoritmos genéticos (GA, Genetic Algorithm), optimización por enjambre de partículas (PSO, Particle Swarm Optimization) y algoritmo de optimización caótica (COA, Chaotic Optimization Algorithm). Resultados: A través de simulación se obtienen las oscilaciones en el voltaje y la velocidad de un sistema compuesto por una máquina sincróna conectada a un barraje infinito (SMIB, Single Machine Infinite Bus) antes y después de conectar un SVC y un STATCOM, ambos instalados independientemente y en diferentes condiciones de operación. Los resultados muestran las ventajas de utilizar métodos de ajuste para el controlador difuso comparados con el ajuste a ensayo y error. Conclusión: A partir de los resultados obtenidos, se comprueba la efectividad del controlador difuso utilizado en el control de oscilaciones con dispositivos Flexible AC Transmissions Systems (FACTS, por sus siglas en inglés) tanto en el SVC como en el STATCOM. Abstract Context: Reducing the oscillations of the electrical power systems is an important task in order to maintain their stability. This paper presents a methodology for adjusting the parameters of a fuzzy oscillations controller with a Static Var Compensator (SVC) and a Static Synchronous Compensator (STATCOM). Methodology: The methodology consists of tuning a fuzzy controller to dampen oscillations in an electrical power system, with different optimization techniques such as: Genetic Algorithms (GA), Particle Swarm Optimization (PSO), and Chaotic Optimization Algorithm (COA). Results: The voltage and speed oscillations of a system composed of a synchronous machine connected to an infinite bus bar (SMIB) are obtained through simulations. There is data before and after connecting a SVC and a STATCOM, installed independently and in different operating conditions. The results obtained show that using a technique for adjusting parameters in the fuzzy controller is better than the adjustment of trial and error. Conclusion: With the obtained results, it is possible to verify the effectiveness of the fuzzy controller using Flexible AC Transmissions Systems (FACTS).

En este artículo se presenta el diseño y los parámetros de construcción de un convertidor DC-DC tipo Boost con PWM ajustable, este proyecto se dividió en 4 etapas, en la primera etapa se realiza un estudio de los módulos experimentales de algunos convertidores de corriente, en la segunda se realizó el diseño del convertidor, en la tercera etapa se construye el módulo experimental (construcción del PWM ajustable, cuya finalidad es realizar cambios en tiempo real en el circuito, con frecuencia y ciclo de trabajo variable, construcción del circuito de potencia con las especificaciones dadas por último se diseña la carcasa del convertidor) en la cuarta etapa se analizan los valores teóricos y prácticos del módulo para su validación.

This document presents a model for an AC electric arc furnace considering the highly nonlinear and time varying characteristics of this type of load. Using the nonlinear differential equation that describes the V-I (voltage vs. current) arc characteristic, both voltage fluctuations in the time domain and the arc length are established assuming periodic, stochastic and chaotic variations. The model is developed using PSCAD-EMTDC with parameters from a real steel company located in Colombia. The values for the short term flicker severity index (P ST ) were determined according to the IEC-61000–4–15 standard specifications. The simulation results are compared with real data obtained from the steel facility to demonstrate the validity of the models.

RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximación el comportamiento de este tipo de carga, puesto que se podría evaluar su impacto en términos de índices de calidad de energía para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matemáticos de arco eléctrico consiste en la calibración de los parámetros que describen la dinámica del modelo. En este documento se muestra un procedimiento para calibrar todos los parámetros de un modelo de horno de arco eléctrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulación obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parámetros de interés se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error máximo de 4,1 % en el valor eficaz de las corrientes del arco eléctrico.ABSTRACTElectric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab®-Simulink®. Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc. RESUMENEl horno de arco eléctrico proporciona un medio relativamente simple para la fusión de metales. Se utiliza en la producción de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga más nociva para el sistema eléctrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximación el comportamiento de este tipo de carga, puesto que se podría evaluar su impacto en términos de índices de calidad de energía para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matemáticos de arco eléctrico consiste en la calibración de los parámetros que describen la dinámica del modelo. En este documento se muestra un procedimiento para calibrar todos los parámetros de un modelo de horno de arco eléctrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulación obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parámetros de interés se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error máximo de 4,1 % en el valor eficaz de las corrientes del arco eléctrico.ABSTRACTElectric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab®-Simulink®. Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc.

Objetivo: El objetivo de este artículo es evaluar las fluctuaciones de voltaje o flicker de dos modelos de un horno de arco eléctrico a través de la comparación con datos reales. Método: El primer modelo se fundamenta a partir del principio de conservación de la energía, de la cual se obtiene una ecuación diferencial no lineal que captura la característica voltaje – corriente del arco eléctrico. Las fluctuaciones de voltaje se generan con un circuito de caos que modula la amplitud del voltaje del arco eléctrico. El segundo modelo está basado en las relaciones empíricas entre la longitud de arco, la tensión y la corriente a través del arco. Las fluctuaciones de voltaje se obtienen agregando una señal aleatoria a la longitud del arco eléctrico. Ambos modelos son implementados en PSCADTM. Resultados: Los resultados de ambos modelos son comparados con mediciones reales tomadas en la etapa más crítica de la operación del horno, y muestran que el modelo basado en la conservación de la potencia presenta un menor error medio cuadrático promedio en los voltajes y corrientes de 5,6 V y 1.7 kA frente a 27,2 V y 3.38 kA obtenidos con el segundo modelo. Conclusiones: Ambos modelos consideran la no linealidad y comportamiento aleatorio que exhibe este tipo de carga, validando su inclusión en modelos computacionales de sistemas eléctricos de potencia.