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

La route vers un avenir plus propre est pavée de véhicules électriques, mais pour que ces voitures puissent véritablement remplacer le moteur à combustion interne, elles doivent surmonter deux obstacles tenaces : l'anxiété de tomber en panne d'énergie et la frustration d'attendre des heures pour recharger. Bien que la technologie permettant de stocker l'énergie dans des batteries existe, le défi réside dans la manière dont cette énergie est délivrée. Une solution prometteuse consiste à alimenter les stations de recharge directement par la lumière du soleil. Cependant, le soleil est un partenaire peu fiable ; son intensité varie constamment à mesure que les nuages dérivent ou que la journée progresse. Cette fluctuation crée un environnement chaotique pour la chimie délicate à l'intérieur d'une batterie lithium-ion. Si le flux d'électricité est trop erratique ou trop agressif, il peut endommager la batterie ou déclencher des systèmes de sécurité qui interrompent la charge. Pour naviguer dans cette situation, les ingénieurs s'appuient sur un « cerveau » pour le système de charge — un contrôleur qui ajuste constamment le flux d'énergie, tel un conducteur habile modulant l'accélérateur pour maintenir une voiture en mouvement fluide sur une route accidentée.

Des chercheurs du Babu Banarasi Das Institute of Technology and Management, accompagnés de collègues de la Maharishi University of Information Technology, ont entrepris de déterminer quel type de contrôleur est le mieux adapté à cette tâche exigeante. Ils se sont concentrés sur trois approches distinctes : une méthode traditionnelle connue sous le nom de contrôleur Proportionnel-Intégral, un système prédictif sophistiqué appelé Commande Prédictive de Modèle, et une approche moderne axée sur les données utilisant l'Intelligence Artificielle. L'équipe ne s'est pas contentée de théoriser ces méthodes ; elle a construit une simulation détaillée d'une station de recharge solaire et a testé la réaction de chaque contrôleur lorsque la lumière du soleil changeait soudainement, simulant le passage d'un nuage au-dessus des panneaux solaires. Ils ont ensuite poussé leurs découvertes plus loin en testant les contrôleurs sur du matériel physique connecté à un environnement simulé, un processus appelé test Hardware-in-the-Loop, afin de voir comment ils se comportaient face à la réalité désordonnée du bruit électronique et des imperfections des capteurs.

Le contrôleur traditionnel, qui est la norme de l'industrie depuis des décennies en raison de sa simplicité, a éprouvé des difficultés significatives lors de ces tests. Lorsque la lumière du soleil chutait, ce contrôleur réagissait par un mouvement saccadé et oscillatoire. Il dépassait la cible du courant de charge d'environ quinze pour cent, provoquant une oscillation du système avant de se stabiliser enfin. Cette instabilité signifiait que le système mettait près d'une demi-seconde pour se stabiliser, un délai qui semble instantané pour une machine mais qui représente une perte d'énergie précieuse et un stress potentiel pour la batterie. Dans les tests sur le matériel réel, ce comportement saccadé devenait encore plus prononcé, le contrôleur « cherchant » le réglage correct et gaspillant l'énergie sous forme de chaleur. Son efficacité globale dans ces conditions bruyantes est tombée à environ quatre-vingt-dix pour cent, un chiffre qui suggère qu'une quantité importante de l'énergie solaire récoltée était perdue plutôt que stockée.

Une approche plus avancée, la Commande Prédictive de Modèle, a offert une amélioration marquée. Au lieu de simplement réagir aux erreurs au moment où elles se produisent, ce système utilise un modèle mathématique pour anticiper, prédisant comment la batterie et le panneau solaire se comporteront dans les instants à venir. Cette prévoyance lui a permis d'ajuster le courant de charge de manière fluide, évitant les dépassements violents observés avec la méthode traditionnelle. Dans les simulations, il a stabilisé le système en environ un dixième de seconde avec presque aucun dépassement. Cependant, cette intelligence a un prix élevé : le système nécessite un processeur puissant pour résoudre des problèmes d'optimisation complexes en temps réel. Lors des tests sur le matériel réel, le temps nécessaire pour traiter ces chiffres a introduit un léger décalage, et l'efficacité globale s'est établie à un peu moins de quatre-vingt-dix-huit pour cent. Bien que robuste, les chercheurs ont noté que l'exigence computationnelle pourrait rendre difficile son implémentation dans des systèmes devant commuter l'alimentation très rapidement.

Les résultats les plus convaincants sont venus du contrôleur d'Intelligence Artificielle, qui fonctionne différemment en apprenant des données plutôt qu'en s'appuyant sur des règles mathématiques rigides ou des modèles prédictifs. Ce système a été entraîné sur des milliers d'exemples de comportement des panneaux solaires et des batteries sous diverses conditions. Lorsque la lumière du soleil a changé pendant les tests, le contrôleur IA a reconnu instantanément le nouveau motif et a ajusté le courant de charge sans hésitation. Il a atteint un état stable en moins d'un centième de seconde, éliminant efficacement le dépassement et l'oscillation qui tourmentaient les autres méthodes. Dans les tests matériels, incluant l'interférence du bruit réel des capteurs, le contrôleur IA a maintenu une courbe de suivi quasi parfaite, ignorant l'électricité statique électronique qui confondait le contrôleur traditionnel. Son efficacité a grimpé à près de quatre-vingt-dix-neuf virgule sept pour cent, ce qui signifie que presque toute l'énergie capturée du soleil a été transférée avec succès à la batterie.

L'étude conclut que si le contrôleur traditionnel est peu coûteux et facile à construire, il est mal adapté aux demandes dynamiques d'une recharge solaire rapide. Le contrôleur prédictif offre un solide compromis, mais il est entravé par ses lourdes exigences de calcul. Le contrôleur d'Intelligence Artificielle est apparu comme la solution la plus efficace, combinant la précision de la prédiction avancée avec une vitesse permettant de fonctionner sur du matériel automobile standard. En apprenant le comportement complexe et non linéaire du système, il parvient à filtrer le bruit et à maintenir la stabilité là où les autres méthodes échouent. Pour l'avenir des véhicules électriques, cela suggère que la clé d'une recharge solaire fiable, rapide et efficace ne réside peut-être pas dans la construction de meilleurs modèles mathématiques, mais dans l'apprentissage du système à apprendre de l'expérience.