Performance comparison of solar PV fed PI, MPC & AI controller for fast battery charging system in Electric Vehicles

Der Weg in eine sauberere Zukunft ist mit Elektrofahrzeugen gepflastert, doch damit diese Autos den Verbrennungsmotor wirklich ersetzen können, müssen sie zwei hartnäckige Hürden überwinden: die Angst vor der Leere der Energie und die Frustration über stundenlanges Aufladen. Während die Technologie zur Speicherung von Energie in Batterien existiert, liegt die Herausforderung darin, wie diese Energie bereitgestellt wird. Eine vielversprechende Lösung besteht darin, Ladestationen direkt mit Sonnenlicht zu betreiben. Die Sonne ist jedoch ein unzuverlässiger Partner; ihre Intensität schwankt ständig, wenn Wolken vorbeiziehen oder der Tag fortschreitet. Diese Fluktuation schafft eine chaotische Umgebung für die empfindliche Chemie innerhalb einer Lithium-Ionen-Batterie. Wenn der Stromfluss zu unregelmäßig oder zu aggressiv ist, kann dies die Batterie beschädigen oder Sicherheitssysteme auslösen, die den Ladevorgang abschalten. Um dies zu bewältigen, verlassen sich Ingenieure auf ein „Gehirn“ für das Ladesystem – einen Controller, der den Energiefluss ständig anpasst, ähnlich wie ein erfahrener Fahrer, der das Gaspedal moduliert, um ein Auto sanft über eine holprige Straße fahren zu lassen.

Forscher des Babu Banari Das Institute of Technology and Management sowie Kollegen der Maharishi University of Information Technology machten sich daran, zu ermitteln, welcher Typ von Controller am besten für diese anspruchsvolle Aufgabe geeignet ist. Sie konzentrierten sich auf drei unterschiedliche Ansätze: eine traditionelle Methode, bekannt als Proportional-Integral-Regler, ein hochentwickeltes prädiktives System namens Model Predictive Control (Modellprädiktive Regelung) und einen modernen, datengesteuerten Ansatz mittels Künstlicher Intelligenz. Das Team theoretisierte nicht nur über diese Methoden; sie bauten eine detaillierte Simulation einer solarbetriebenen Ladestation auf und testeten, wie jeder Controller reagierte, wenn sich das Sonnenlicht plötzlich änderte, was das Vorbeiziehen einer Wolke über die Solarpaneele imitierte. Sie gingen dann mit ihren Erkenntnissen noch einen Schritt weiter, indem sie die Controller auf physischer Hardware testeten, die mit einer simulierten Umgebung verbunden war – ein Prozess, der als Hardware-in-the-Loop-Testing bekannt ist –, um zu sehen, wie sie mit der unordentlichen Realität von elektronischem Rauschen und Sensorimperfektionen zurechtkamen.

Der traditionelle Controller, der aufgrund seiner Einfachheit seit Jahrzehnten der Industriestandard ist, hatte in diesen Tests erhebliche Schwierigkeiten. Wenn das Sonnenlicht abnahm, reagierte dieser Controller mit einer ruckartigen, oszillierenden Bewegung. Er überschritt den Ziel-Ladestrom um etwa fünfzehn Prozent, was dazu führte, dass das System vor dem endgültigen Einpendeln hin und her schwankte. Diese Instabilität bedeutete, dass das System fast eine halbe Sekunde brauchte, um sich zu stabilisieren – eine Verzögerung, die für eine Maschine zwar augenblicklich wirkt, aber einen Verlust an kostbarer Energie und potenziellen Stress für die Batterie darstellt. In den realen Hardware-Tests wurde dieses zittrige Verhalten noch deutlicher, wobei der Controller ständig nach der korrekten Einstellung „suchte“ und Energie als Wärme verschwendete. Seine Gesamteffizienz unter diesen verrauschten Bedingungen sank auf etwa neunzig Prozent, ein Wert, der darauf hindeutet, dass ein erheblicher Teil der geernteten Solarenergie verloren ging, anstatt gespeichert zu werden.

Ein fortgeschrittenerer Ansatz, Model Predictive Control, bot eine deutliche Verbesserung. Anstatt lediglich auf Fehler zu reagieren, wenn sie auftreten, nutzt dieses System ein mathematisches Modell, um vorauszuschauen und vorherzusagen, wie sich die Batterie und das Solarpaneel in den nächsten Augenblicken verhalten werden. Diese Voraussicht ermöglichte es ihm, den Ladestrom sanft anzupassen und die heftigen Überschwinger des traditionellen Verfahrens zu vermeiden. In den Simulationen stabilisierte es das System in etwa einer Zehntelsekunde mit fast keinem Überschwingen. Diese Intelligenz hat jedoch einen hohen Preis: Das System benötigt einen leistungsstarken Prozessor, um komplexe Optimierungsprobleme in Echtzeit zu lösen. Als es auf tatsächlicher Hardware getestet wurde, führte die Zeit, die zum Berechnen dieser Zahlen benötigt wurde, zu einem leichten Verzug, und die Gesamteffizienz pendelte sich bei knapp unter achtundneunzig Prozent ein. Obwohl robust, merkten die Forscher an, dass die Rechenanforderungen die Implementierung in Systemen erschweren könnten, die Leistung extrem schnell an- und ausschalten müssen.

Die überzeugendsten Ergebnisse lieferte der Controller der Künstlichen Intelligenz, der anders arbeitet, da er aus Daten lernt, anstatt sich auf starre mathematische Regeln oder prädiktive Modelle zu verlassen. Dieses System wurde mit tausenden Beispielen trainiert, wie Solarpaneele und Batterien unter verschiedenen Bedingungen reagieren. Als sich das Sonnenlicht während der Tests änderte, erkannte der KI-Controller das neue Muster sofort und passte den Ladestrom ohne Zögern an. Er erreichte einen stabilen Zustand in weniger als einer Hundertstel Sekunde und eliminierte effektiv das Überschwingen und die Oszillation, die die anderen Methoden plagten. In den Hardware-Tests, die auch die Interferenzen von realweltlichem Sensorrauschen beinhalteten, behielt der KI-Controller eine nahezu perfekte Tracking-Kurve bei und ignorierte das elektronische Rauschen, das den traditionellen Controller verwirrte. Seine Effizienz stieg auf fast neunundneunzig Komma sieben Prozent, was bedeutet, dass fast die gesamte aus der Sonne gewonnene Energie erfolgreich an die Batterie übertragen wurde.

Die Studie kommt zu dem Schluss, dass der traditionelle Controller zwar günstig und einfach zu bauen ist, aber für die dynamischen Anforderungen des schnellen Solar-Ladens ungeeignet ist. Der prädiktive Controller bietet einen starken Mittelweg, wird jedoch durch seine hohen Rechenanforderungen behindert. Der Controller der Künstlichen Intelligenz erwies sich als die effektivste Lösung, da er die Präzision fortgeschrittener Vorhersage mit einer Geschwindigkeit kombiniert, die es ermöglicht, auf Standard-Automobilhardware zu laufen. Durch das Erlernen des komplexen, nicht-linearen Verhaltens des Systems gelingt es ihm, das Rauschen zu filtern und Stabilität zu wahren, wo andere Methoden versagen. Für die Zukunft der Elektrofahrzeuge deutet dies darauf hin, dass der Schlüssel zu zuverlässigem, schnellem und effizientem Solarladen möglicherweise nicht im Bau besserer mathematischer Modelle liegt, sondern darin, das System lehren, aus Erfahrung zu lernen.