Desarrollo y pruebas de simulación de nueva estrategia de control de energía para vehículos eléctricos compuestos por múltiples fuentes de almacenamiento

Abstract

En este trabajo se ha desarrollado y evaluado una estrategia de control de energía para vehículos eléctricos alimentados por pilas de combustible, baterías y supercondensadores, enfocada en la eficiencia del uso del hidrógeno y la optimización del rendimiento del sistema. La estrategia implementada emplea técnicas avanzadas de aprendizaje automático, específicamente el algoritmo Deep Deterministic Policy Gradient (DDPG), para ajustar adaptativamente las contribuciones de cada fuente de energía en respuesta a las variaciones de demanda energética del vehículo. El modelo de control propuesto ha demostrado ser efectivo para operar la pila de combustible en su punto de máxima eficiencia, aproximadamente el 48 %, incluso ante fluctuaciones significativas en la demanda de energía. Sin embargo, se identificó un comportamiento sub óptimo relacionado con la operación continua de la pila de combustible en ausencia de demanda significativa, lo que provocaba una carga excesiva de la batería, potencialmente perjudicial para su vida útil. Para abordar este problema, se implementó una banda muerta en la demanda de potencia que inactiva el control cuando la demanda es extremadamente baja, lo cual ayudó a evitar la carga innecesaria de la batería y mantener la eficiencia de la pila de combustible en niveles óptimos durante el funcionamiento necesario. Los resultados obtenidos muestran que la estrategia de control basada en aprendizaje profundo es prometedora para la gestión de energía en vehículos eléctricos híbridos. Sin embargo, la investigación también reveló áreas para mejora futura, incluyendo la optimización del agente de control para equilibrar mejor la eficiencia de la pila de combustible con otros aspectos operativos como el mantenimiento del estado de carga de la batería. Este estudio contribuye al desarrollo de sistemas de transporte más limpios y eficientes, ofreciendo un enfoque robusto y adaptable para la gestión de energía en vehículos eléctricos que utilizan múltiples fuentes de energía. Además, destaca la importancia de integrar técnicas de aprendizaje automático en aplicaciones de control energético.