ANN-Assisted Intelligent Control of a High-Gain Non-Isolated DC–DC Converter for PEM Fuel Cell Electric Vehicles

Elektrofahrzeuge werden oft für ihr leises Summen und ihre null Emissionen am Auspuff gefeiert, doch das Herzstück vieler zukunftsweisender Designs ist eine chemische Batterie, die gar keinen Strom speichert. Stattdessen erzeugt sie auf Abruf Energie, indem sie Wasserstoff mit Sauerstoff kombiniert – ein Prozess, bei dem lediglich Wasser als Nebenprodukt entsteht. Diese Technologie, bekannt als Protonenaustauschmembran-Brennstoffzelle, verspricht schnelles Auftanken und lange Reichweiten, bringt jedoch eine grundlegende elektrische Eigenart mit sich. Die von ihr erzeugte Spannung ist niedrig und schwankend, wie ein Bach, der mit dem Wetter steigt und fällt. Um die schweren Motoren anzutreiben, die ein Auto bewegen, muss dieser schwache, instabile Strom in einen starken, stetigen Strom aus Elektrizität verwandelt werden. Ingenieure lösen dieses Missverhältnis mit einer Vorrichtung namens DC–DC-Wandler, der als Spannungsaufzug fungiert und die niedrige Brennstoffzellenspannung auf die hohen Ebenen hebt, die für das Fahrzeug benötigt werden. Es ist jedoch schwierig, diesen Aufzug reibungslos zu betreiben, da sich die Ausgabe der Brennstoffzelle ständig ändert und der Energiebedarf des Autos sich augenblicklich verschiebt, wenn der Fahrer beschleunigt oder einen Hügel hinauffährt.

In einer neuen Studie haben Forscher am Vellore Institute of Technology in Indien einen klügeren Weg entwickelt, um diesen Spannungsaufzug für Brennstoffzellenfahrzeuge zu steuern. Sie konzentrierten sich auf einen speziellen Typ von Wandler, der die Spannung erheblich erhöhen kann, ohne dass sperrige, schwere Transformatoren benötigt werden. Während das physische Design dieses Wandlers bereits bekannt war, lag die Herausforderung in der Steuerung. Traditionelle Regler agieren wie eine stetige Hand an einem Thermostat, die ständig die Temperatur prüft und kleine Anpassungen vornimmt, um sie stabil zu halten. Dies funktioniert gut, wenn die Bedingungen vorhersehbar sind, kann aber langsam reagieren, wenn die Brennstoffzellenspannung plötzlich abfällt oder sich die Last scharf verändert. Die Forscher schlugen einen hybriden Ansatz vor, der diese traditionelle stetige Hand mit einem digitalen Gehirn kombiniert, das in der Lage ist, vorherzusagen, was zu tun ist, noch bevor ein Problem überhaupt auftritt. Sie trainierten ein künstliches neuronales Netz, eine Art Computerprogramm, das dem menschlichen Gehirn nachempfunden ist, um die Beziehung zwischen der Eingabe der Brennstoffzelle, der gewünschten Ausgabe und der Last zu erlernen. Anstatt darauf zu warten, dass ein Fehler auftritt und ihn dann zu korrigieren, berechnet dieses digitale Gehirn die exakte Einstellung, die erforderlich ist, um die korrekte Spannung basierend auf den aktuellen Bedingungen aufrechtzuerhalten, während der traditionelle Regler im Hintergrund bleibt, um kleine Fehler abzufangen, die die Vorhersage übersehen könnte.

Das Team hat keinen physischen Prototyp für diesen spezifischen Test gebaut; statstattdessen erstellten sie ein hochdetailliertes mathematisches Modell des Wandlers und nutzten es, um Tausende von Datenpunkten zu generieren, die das Verhalten des Systems unter verschiedenen Bedingungen repräsentieren. Sie speisten diese Daten in das künstliche neuronale Netz ein, um es zu lehren, Muster zu erkennen und das präzise Steuersignal für jede gegebene Situation vorherzusagen. Das Ergebnis war ein System, das das Verhalten des Wandlers mit bemerkenswerter Präzision erlernte und ein Genauigkeitsniveau erreichte, das darauf hindeutet, dass es das ideale Steuersignal fast perfekt nachahmen kann. Als die Forscher dieses neue Hybridsystem in einer Computersimulation testeten, waren die Ergebnisse beeindruckend. Das System erreichte die Zielspannung von 400 Volt in nur 5,2 Millisekunden, was weniger als halb der Zeit entspricht, die der traditionelle Regler für dasselbe benötigte. Es pendelte sich auch viel schneller in einen stabilen Zustand ein, mit fast keinem Überschwingen, was bedeutet, dass die Spannung nicht gefährlich hoch anstieg, bevor sie sich einpendelte. Der traditionelle Regler benötigte im Vergleich dazu mehr als doppelt so lange, um sich zu stabilisieren, und ließ die Spannung stärker schwanken, bevor er sein Gleichgewicht fand.

Diese Verbesserung ist wichtig, da Elektrofahrzeuge Leistungselektronik benötigen, die instantan auf die Befehle des Fahrers reagieren kann. Eine langsame Reaktion kann zu träger Beschleunigung oder Instabilität im Energiesystem führen, während ein System, das überschießt, empfindliche Komponenten beschädigen kann. Die Studie zeigt, dass, indem man das künstliche neuronale Netz die schwere Arbeit der Vorhersage erledigen lässt und den traditionellen Regler die Feinabstimmung übernehmen lässt, das System sowohl schneller als auch stabiler wird. Die Forscher merkten an, dass das künstliche neuronale Netz mit Daten trainiert wurde, die direkt aus dem mathematischen Modell des Wandlers generiert wurden, eine Methode, die sie als „physik-informiert“ beschreiben. Dies bedeutet, dass der Computer die physikalischen Gesetze lernte, die das Gerät steuern, anstatt nur zufällige Zahlen auswendig zu lernen, was ihm hilft, auch in Situationen zuverlässige Vorhersagen zu treffen, die er zuvor noch nicht gesehen hat. Das fertige System hielt die Ausgangsspannung mit einem Fehler von weniger als einem Zehntel Prozent aufrecht, ein Präzisionsgrad, der für den zuverlässigen Betrieb eines Fahrzeugs entscheidend ist.

Obwohl die Ergebnisse beeindruckend sind, weisen die Autoren vorsichtig darauf hin, dass diese Erkenntnisse aus Computersimulationen stammen. Der nächste Schritt, den sie planen, ist der Bau einer physischen Version dieses Reglers und dessen Testung an echter Hardware. Sie stellen sich vor, das System auf digitalen Chips zu installieren, die die Berechnungen schnell genug durchführen können, um mit den rasanten Änderungen eines fahrenden Autos Schritt zu halten. Sollte dies erfolgreich sein, könnte dieser Ansatz Brennstoffzellenfahrzeuge reaktionsschneller und effizienter machen und dabei helfen, eines der verbleibenden Hindernisse bei der Realisierung des wasserstoffbetriebenen Transports zu überwinden. Die Arbeit zeigt, dass die Kombination von klassischer Ingenieurssteuerung mit moderner künstlicher Intelligenz Probleme lösen kann, die keiner der beiden Ansätze allein so effektiv bewältigen könnte, und bietet einen Weg zu robusteren und intelligenteren Energiesystemen für die Fahrzeuge der Zukunft.