⚡ ingeniería eléctrica

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

Este artículo propone y valida una estrategia de control híbrida PI–ANN para un convertidor CC–CC no aislado de alta ganancia en vehículos eléctricos de pila de combustible PEM, demostrando que la integración de una red neuronal artificial entrenada con un controlador PI convencional mejora significativamente la respuesta transitoria y la precisión en estado estacionario en comparación con el uso de un controlador PI por sí solo.

Autores originales: C. Janani, V. Rajalakshmi, R. Vijayapriya

Publicado 2026-09-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: C. Janani, V. Rajalakshmi, R. Vijayapriya

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los vehículos eléctricos suelen ser celebrados por su zumbido silencioso y sus cero emisiones de escape, pero el corazón de muchos diseños de próxima generación es una batería química que no almacena electricidad en absoluto. En su lugar, genera energía bajo demanda combinando hidrógeno con oxígeno, un proceso que produce únicamente agua como subproducto. Esta tecnología, conocida como celda de combustible de membrana de intercambio de protones, ofrece la promesa de un repostaje rápido y amplios rangos de conducción, pero conlleva una peculiaridad eléctrica fundamental. El voltaje que produce es bajo e inestable, fluctuando como un arroyo que sube y baja con el clima. Para alimentar los pesados motores que impulsan un coche, esta corriente débil e inestable debe ser potenciada en una corriente de electricidad fuerte y constante. Los ingenieros solucionan este desajuste mediante un dispositivo llamado convertidor CC-CC, que actúa como un elevador de voltaje, elevando el bajo voltaje de la celda de combustible a los niveles altos necesarios para el vehículo. Sin embargo, hacer que este elevador funcione sin problemas es difícil porque la salida de la celda de combustible cambia constantemente, y la demanda de potencia del coche cambia instantáneamente cuando el conductor acelera o sube una colina.

En un nuevo estudio, investigadores del Instituto de Tecnología de Vellore en la India han desarrollado una forma más inteligente de gestionar este elevador de voltaje para vehículos de celda de combustible. Se centraron en un tipo específico de convertidor que puede elevar el voltaje significativamente sin necesidad de transformadores voluminosos y pesados. Aunque el diseño físico de este convertidor ya era conocido, el desafío residía en controlarlo. Los controladores tradicionales actúan como una mano firme sobre un termostato, comprobando constantemente la temperatura y realizando pequeños ajustes para mantenerla estable. Esto funciona bien cuando las condiciones son predecibles, pero puede ser lento para reaccionar cuando el voltaje de la celda de combustible cae repentinamente o la carga cambia bruscamente. Los investigadores propusieron un enfoque híbrido que combina esta mano firme tradicional con un cerebro digital capaz de predecir qué hacer incluso antes de que ocurra un problema. Entrenaron una red neuronal artificial, un tipo de programa informático modelado según el cerebro humano, para aprender la relación entre la entrada de la celda de combustible, la salida deseada y la carga. En lugar de esperar a que ocurra un error para luego corregirlo, este cerebro digital calcula la configuración exacta necesaria para mantener el voltaje correcto basándose en las condiciones actuales, mientras que el controlador tradicional permanece en segundo plano para captar cualquier pequeño error que la predicción pudiera haber pasado por alto.

El equipo no construyó un prototipo físico para esta prueba específica; en su lugar, crearon un modelo matemático altamente detallado del convertidor y lo utilizaron para generar miles de puntos de datos que representan cómo se comporta el sistema bajo diferentes condiciones. Introdujeron estos datos en la red neuronal artificial, enseñándole a reconocer patrones y a predecir la señal de control precisa requerida para cualquier situación dada. El resultado fue un sistema que aprendió el comportamiento del convertidor con una precisión notable, logrando un nivel de exactitud que sugiere que casi podría imitar perfectamente la señal de control ideal. Cuando los investigadores probaron este nuevo sistema híbrido en una simulación por computadora, los resultados fueron sorprendentes. El sistema alcanzó el voltaje objetivo de 400 voltios en tan solo 5,2 milisegundos, lo que es menos de la mitad del tiempo que le tomó al controlador tradicional hacer lo mismo. También se estabilizó mucho más rápido, con casi ningún sobreimpulso, lo que significa que el voltaje no tuvo picos peligrosamente altos antes de asentarse. El controlador tradicional, en comparación, tardó más del doble en estabilizarse y permitió que el voltaje fluctuara más ampliamente antes de encontrar su equilibrio.

Esta mejora es importante porque los vehículos eléctricos necesitan electrónica de potencia que pueda reaccionar instantáneamente a los comandos del conductor. Una respuesta lenta puede provocar una aceleración lenta o inestabilidad en el sistema de potencia, mientras que un sistema que tiene sobreimpulsos puede dañar componentes sensibles. El estudio muestra que, al dejar que la red neuronal artificial se encargue del trabajo pesado de la predicción y dejar que el controlador tradicional se encargue del ajuste fino, el sistema se vuelve tanto más rápido como más estable. Los investigadores señalaron que la red neuronal artificial fue entrenada utilizando datos generados directamente a partir del modelo matemático del convertidor, un método que describen como informado por la física. Esto significa que la computadora aprendió las leyes físicas que gobiernan el dispositivo en lugar de simplemente memorizar números aleatorios, lo que le ayuda a realizar predicciones fiables incluso en situaciones que no ha visto antes. El sistema final mantuvo el voltaje de salida con un error de menos de una décima de porcentaje, un nivel de precisión que es crítico para la operación fiable de un vehículo.

Aunque los resultados son impresionantes, los autores advierten cuidadosamente que estos hallazgos provienen de simulaciones por computadora. El siguiente paso, que planean emprender, es construir una versión física de este controlador y probarla en hardware real. Prevén instalar el sistema en chips digitales que puedan realizar los cálculos con la rapidez suficiente para seguir el ritmo de los cambios rápidos de un coche en movimiento. Si tiene éxito, este enfoque podría hacer que los vehículos de celda de combustible sean más receptivos y eficientes, ayudando a superar uno de los obstáculos restantes para hacer que el transporte impulsado por hidrógeno sea una realidad práctica. El trabajo demuestra que combinar el control de la ingeniería de la vieja escuela con la inteligencia artificial moderna puede resolver problemas que ninguno de los dos enfoques podría abordar con la misma eficacia por sí solo, ofreciendo un camino hacia sistemas de potencia más robustos e inteligentes para los vehículos del futuro.

Resumen Técnico: Control Inteligente Asistido por ANN de un Convertidor CC–CC de Alta Ganancia No Aislado para Vehículos Eléctricos de Celda de Combustible PEM

Planteamiento del Problema
Las celdas de combustible de membrana de intercambio de protones (PEM) generan voltajes bajos y variables, lo que requiere una conversión CC–CC de alta ganancia para conectarse con los enlaces de CC de alto voltaje (típicamente 400 V) requeridos por los inversores de tracción de los vehículos eléctricos. Aunque las topologías no aisladas de alta ganancia ofrecen un escalonamiento de voltaje eficiente sin transformadores voluminosos, su control es un desafío debido a la dinámica no lineal y la sensibilidad ante variaciones en el voltaje de entrada y las condiciones de carga. Los controladores proporcionales–integrales (PI) convencionales, aunque ampliamente utilizados por su simplicidad, suelen exhibir respuestas transitorias y rendimiento de regulación subóptimos cuando operan lejos de su punto de diseño fijo. Este estudio aborda la necesidad de una estrategia de control mejorada que aumente la respuesta dinámica y la adaptabilidad, manteniendo al mismo tiempo una regulación de voltaje de lazo cerrado robusta.

Metodología
La investigación se centra en un convertidor CC–CC no aislado de alta ganancia propuesto previamente por los autores, manteniendo la topología existente pero desplazando el enfoque hacia la optimización de la estrategia de control. La metodología se desarrolla a través de cuatro etapas principales:

Modelado Matemático: Se desarrolló un modelo de espacio de estados no lineal promediado para caracterizar la dinámica del convertidor. Este modelo se linealizó alrededor de un punto de operación de equilibrio para facilitar el análisis de pequeña señal y el diseño del controlador PI. El modelo no lineal fue validado mediante simulaciones de lazo abierto para asegurar la consistencia con el comportamiento dinámico del convertidor.
Diseño del Controlador PI Convencional: Se diseñó un controlador PI estándar utilizando el modelo linealizado para servir como el mecanismo de retroalimentación base para la regulación del voltaje de salida.
Generación de Datos Basada en la Física y Entrenamiento de la ANN: En lugar de depender de datos experimentales, se empleó un enfoque "basado en la física" (physics-informed). Se generaron 1,923 muestras de operación variando sistemáticamente el voltaje de entrada ( $V_{in}$ $V_{in}$ ), el voltaje de referencia ( $V_{ref}$ $V_{r e f}$ ) y la resistencia de carga ( $R_L$ $R_{L}$ ) dentro del modelo matemático validado. Estos datos se utilizaron para entrenar una Red Neuronal Artificial (ANN) de alimentación hacia adelante (feed-forward) para predecir el ciclo de trabajo (duty ratio, $D$ $D$ ) requerido.
- Arquitectura de la ANN: La red cuenta con tres neuronas de entrada, tres capas ocultas (32–16–8 neuronas) con activación ReLU y una neurona de salida.
- Entrenamiento: El modelo fue entrenado utilizando el optimizador Adam con una tasa de aprendizaje de 0.001 y una función de pérdida de Error Cuadrático Medio (MSE).
Marco de Control Híbrido: La ANN entrenada se integró como un módulo de predicción de ciclo de trabajo de alimentación hacia adelante junto con el controlador PI convencional. En este esquema híbrido, la ANN proporciona una estimación inicial del ciclo de trabajo dependiente del punto de operación basada en las condiciones actuales del sistema, mientras que el controlador PI mantiene el lazo de retroalimentación para compensar cualquier error de voltaje restante y rechazar perturbaciones.

Contribuciones Clave
El artículo reclama explícitamente las siguientes contribuciones:

Desarrollo de un marco de control híbrido PI–ANN asistido por ANN para un convertiente CC–CC no aislado de alta ganancia específico, distinguiendo la innovación de control de la propia topología del convertidor.
Implementación de una ANN de alimentación hacia adelante para la predicción del ciclo de trabajo utilizando el voltaje de entrada, el voltaje de referencia y la resistencia de carga como entradas.
Adopción de una metodología de generación de datos basada en la física para construir el conjunto de datos de la ANN directamente desde el modelo validado del convertidor, reduciendo la dependencia de datos de entrenamiento experimentales.
Una evaluación comparativa basada en simulaciones que demuestra las ventajas de rendimiento del controlador híbrido sobre un controlador PI convencional.

Resultados
Los resultados de la simulación bajo una condición de referencia de 400 V demuestran mejoras significativas en el desempeño con el controlador híbrido PI–ANN en comparación con el controlador PI convencional:

Respuesta Transitoria: El controlador híbrido logró un tiempo de subida de 5.2 ms y un tiempo de asentamiento de 11.3 ms, frente a los 12.4 ms y 28.6 ms del controlador PI, respectivamente.
Sobreimpulso y Error: El enfoque híbrico redujo el sobreimpulso máximo al 0.9% (vs. 4.8% para el PI) y el error de estado estacionario al 0.03% (vs. 0.35% para el PI).
Precisión de la ANN: La ANN entrenada alcanzó un coeficiente de determinación ( $R^2$ ) de 0.9999275, con un RMSE de $5.4089 \times 10^{-5}$ , lo que indica una correlación casi perfecta entre los ciclos de trabajo predichos y los generados por el modelo.
Regulación de Voltaje: Bajo control híbrido, el voltaje de salida se estabilizó en 399.479 V con un RMSE del voltaje de salida de 0.285 V.

Significancia y Reivindicaciones
Los autores afirman que el enfoque híbrido propuesto combina con éxito la adaptabilidad de la predicción basada en datos con la robustez del control de retroalimentación convencional. Al utilizar la ANN para proporcionar una acción de control inicial apropiada basada en el punto de operación, el sistema logra una respuesta transitoria más rápida y un menor sobreimpulso. El controlador PI asegura la estabilidad y la regulación precisa al corregir los errores residuales. El estudio concluye que este marco mejora tanto el desempeño transitorio como el de estado estacionario, manteniendo la regulación de voltaje de lazo cerrado. El artículo señala que la arquitectura compacta de la ANN sugiere un potencial para la implementación en tiempo real en procesadores de señales digitales (DSP), FPGAs o microcontroladores, aunque la validación por hardware se identifica como una dirección para trabajos futuros más que como un resultado actual.

Más como este