Gestión inteligente de un sistema de desalación por ósmosis inversa accionado con energía eólica

Resumen

Con el objetivo de suministrar agua potable en zonas áridas-remotas y costeras se han propuesto diversos sistemas de desalación con tecnologías de ósmosis inversa accionados mediante fuentes energéticas renovables. En algunas de estas propuestas se ha buscado el aprovechamiento del máximo recurso energético renovable, tratando de minimizar la implementación de sistemas de almacenamiento de energía. Para ello, se han planteado diversas estrategias que buscan facilitar la operación en régimen variable de estas plantas desalinizadoras. En esta tesis se desarrolla un prototipo de planta desalinizadora que emplea la tecnología de ósmosis inversa y que ha sido diseñado para adaptar, de forma variable, su consumo energético a una amplia variación de energía producida por una turbina eólica. Se implementa un sistema de control novedoso, basado en técnicas de inteligencia artificial, que consigue la variación de los parámetros de operación de la planta y logra el ajuste energético buscado. También, se evalúan tres técnicas de machine learning para señalar la que mejor modela el comportamiento del prototipo. Con ella se simula el funcionamiento de la planta desalinizadora en estudio y se compara su desempeño con el funcionamiento de otro prototipo similar pero integrado en una micro-red eléctrica que emplea baterías y opera en régimen constante. Con los resultados obtenidos, se demuestra la viabilidad de flexibilizar el consumo energético en un proceso tan ampliamente utilizado como es el proceso de ósmosis inversa y se comprueba la gran utilidad que ofrecen las técnicas de machine learning para ello. Asimismo, se demuestra que el uso de estas técnicas permite la simulación del proceso de forma eficaz. Al simular el prototipo desarrollado se demuestra que el modo de operación variable reduce la interrumpibilidad del prototipo frente a la operación de la planta desalinizadora en régimen constante. Various desalination systems powered by renewable energy sources and using reverse osmosis technologies have been proposed to provide fresh water in remote, arid coastal locations. One approach used in some designs has been to maximize exploitation of the renewable energy source and minimize the need to use energy storage systems. With this in mind, several strategies have been considered which aim to optimize the non-steady state operation of seawater reverse osmosis (SWRO) desalination plants. In this PhD thesis a prototype of SWRO desalination plant is designed and developed for continuous adjustment of its energy consumption to the widely varying power generated by a stand-alone wind turbine. An innovative control system, based on artificial intelligence techniques is implemented and applied to manage the variable operation of the SWRO plant. Also, three machine learning techniques have been compared with a view to determining which technique best simulates the performance of the system. Finally, a simulation of the desalination plant prototype was done to work under variable conditions, adapting its energy consumption to the varying nature of the energy generated by a wind turbine used to power it . The obtained results in this thesis validate the feasibility of increasing the energy consumption flexibility in a widely used process like a reverse osmosis desalination process. The results also validate the great value of the use of machine learning techniques for that. Likewise, it is verified that the use of these techniques allow the simulation of the process. The results of this simulation demonstrated that the variable operation reduces the number of interruptions in the process against the use of a constant rate operation strategy in desalination plant.