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

El camino hacia un futuro más limpio está pavimentado con vehículos eléctricos, pero para que estos coches reemplacen verdaderamente al motor de combustión interna, deben superar dos obstáculos persistentes: la ansiedad de quedarse sin energía y la frustración de esperar horas para recargarse. Si bien la tecnología para almacenar energía en baterías existe, el desafío radica en cómo se entrega esa energía. Una solución prometedora es alimentar las estaciones de carga directamente con la luz solar. Sin embargo, el sol es un socio poco fiable; su intensidad cambia constantemente a medida que las nubes pasan o conforme avanza el día. Esta fluctuación crea un entorno caótico para la delicada química dentro de una batería de iones de litio. Si el flujo de electricidad es demasiado errático o agresivo, puede dañar la batería o activar los sistemas de seguridad que interrumpen la carga. Para navegar esto, los ingenieros confían en un "cerebro" para el sistema de carga: un controlador que ajusta constantemente el flujo de energía, de forma muy similar a un conductor experto que modula el pedal del acelerador para mantener un coche moviéndose suavemente sobre un camino accidentado.

Investigadores del Instituto Babu Baneli Das de Tecnología y Gestión, junto con colegas de la Universidad Maharishi de Información y Tecnología, se propusieron determinar qué tipo de controlador es el más adecuado para esta tarea exigente. Se centraron en tres enfoques distintos: un método tradicional conocido como controlador Proporcional-Integral, un sistema predictivo sofisticado llamado Control Predictivo de Modelo y un enfoque moderno basado en datos utilizando Inteligencia Artificial. El equipo no solo teorizó sobre estos métodos; construyeron una simulación detallada de una estación de carga alimentada por energía solar y probaron cómo reaccionaba cada controlador cuando la luz solar cambiaba repentinamente, imitando el paso de una nube sobre los paneles solares. Luego, llevaron sus hallazgos un paso más allá al probar los controladores en hardware físico conectado a un entorno simulado, un proceso conocido como prueba de Hardware en el Bucle (Hardware-in-the-Loop), para ver cómo se desempeñaban ante la realidad desordenada del ruido electrónico y las imperfecciones de los sensores.

El controlador tradicional, que ha sido el estándar de la industria durante décadas debido a su simplicidad, tuvo serias dificultades en estas pruebas. Cuando la luz solar disminuía, este controlador reaccionaba con un movimiento errático y oscilatorio. Sobrepasó la corriente de carga objetivo en aproximadamente un quince por ciento, causando que el sistema oscilara de un lado a otro antes de finalmente estabilizarse. Esta inestabilidad significó que el sistema tardó casi medio segundo en estabilizarse, un retraso que parece instantáneo para una máquina, pero que representa una pérdida de energía preciosa y un estrés potencial para la batería. En las pruebas de hardware del mundo real, este comportamiento errático se volvió aún más pronunciado, con el controlador "buscando" la configuración correcta y desperdiciando energía en forma de calor. Su eficiencia general en estas condiciones ruidosas cayó a aproximadamente el noventa por ciento, una cifra que sugiere que una cantidad significativa de la energía solar recolectada se estaba perdiendo en lugar de almacenarse.

Un enfoque más avanzado, el Control Predictivo de Modelo, ofreció una mejora notable. En lugar de simplemente reaccionar a los errores a medida que ocurrían, este sistema utiliza un modelo matemático para mirar hacia adelante, prediciendo cómo se comportarán la batería y el panel solar en los próximos instantes. Esta previsión le permitió ajustar la corriente de carga de manera fluida, evitando los sobrepasos violentos vistos en el método tradicional. En las simulaciones, estabilizó el sistema en aproximadamente un décimo de segundo con casi ningún sobrepaso. Sin embargo, esta inteligencia tiene un precio elevado: el sistema requiere un procesador potente para resolver problemas de optimización complejos en tiempo real. Al ser probado en hardware real, el tiempo necesario para procesar estos números introdujo un ligero retraso, y la eficiencia general se situó justo por debajo del noventa y ocho por ciento. Aunque es robusto, los investigadores señalaron que la demanda computacional podría dificultar su implementación en sistemas que necesitan encender y apagar la energía de forma extremadamente rápida.

Los resultados más convincentes provinieron del controlador de Inteligencia Artificial, que opera de manera diferente al aprender de los datos en lugar de depender de reglas matemáticas rígidas o modelos predictivos. Este sistema fue entrenado con miles de ejemplos de cómo se comportan los paneles solares y las baterías bajo diversas condiciones. Cuando la luz solar cambió durante las pruebas, el controlador de IA reconoció el nuevo patrón instantáneamente y ajustó la corriente de carga sin vacilación. Alcanzó un estado estable en menos de una centésima de segundo, eliminando efectivamente el sobrepaso y la oscilación que plagaron a los otros métodos. En las pruebas de hardware, que incluyeron la interferencia del ruido real de los sensores, el controlador de IA mantuvo una curva de seguimiento casi perfecta, ignorando la estática electrónica que confundió al controlador tradicional. Su eficiencia se disparó a casi el noventa y nueve coma siete por ciento, lo que significa que casi toda la energía capturada del sol fue transferida con éxito a la batería.

El estudio concluye que, si bien el controlador tradicional es barato y fácil de construir, no es adecuado para las demandas dinámicas de la carga solar rápida. El controlador predictivo ofrece un sólido punto medio, pero se ve obstaculizado por sus elevados requisitos computacionales. El controlador de Inteligencia Artificial emergió como la solución más eficaz, combinando la precisión de la predicción avanzada con una velocidad que permite su ejecución en el hardware automotriz estándar. Al aprender el comportamiento complejo y no lineal del sistema, logra filtrar el ruido y mantener la estabilidad donde otros métodos fallan. Para el futuro de los vehículos eléctricos, esto sugiere que la clave para una carga solar fiable, rápida y eficiente puede no estar en construir mejores modelos matemáticos, sino en enseñar al sistema a aprender de la experiencia.