⚡ génie électrique

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

Cet article propose et valide une stratégie de commande hybride PI–ANN pour un convertisseur CC-CC non isolé à gain élevé dans les véhicules électriques à pile à combustible PEM, démontrant que l'intégration d'un réseau de neurones artificiels entraîné à un contrôleur PI conventionnel améliore considérablement la réponse transitoire et la précision en régime permanent par rapport à l'utilisation d'un contrôleur PI seul.

Auteurs originaux : C. Janani, V. Rajalakshmi, R. Vijayapriya

Publié 2026-09-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : C. Janani, V. Rajalakshmi, R. Vijayapriya

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Les véhicules électriques sont souvent célébrés pour leur bourdonnement silencieux et leurs émissions nulles au pot d'échappement, mais le cœur de nombreux concepts de nouvelle génération est une batterie chimique qui ne stocke pas l'électricité du tout. Au lieu de cela, elle génère de la puissance à la demande en combinant l'hydrogène et l'oxygène, un processus qui ne produit que de l'eau comme sous-produit. Cette technologie, connue sous le nom de pile à membrane échangeuse de protons, offre la promesse d'un ravitaillement rapide et de longues autonomies de conduite, mais elle comporte une particularité électrique fondamentale. La tension qu'elle produit est faible et instable, fluctuant comme un ruisseau qui monte et descend selon la métك. Pour alimenter les moteurs lourds qui font avancer une voiture, ce courant faible et instable doit être amplifié en un flux d'électricité fort et régulier. Les ingénieurs résolvent ce décalage à l'aide d'un dispositif appelé convertisseur CC-CC, qui agit comme un ascenseur de tension, élevant la faible tension de la pile à combustible vers les niveaux élevés requis par le véhicule. Cependant, faire fonctionner cet ascenseur de manière fluide est difficile car la sortie de la pile à combustible change constamment, et la demande de la voiture varie instantanément lorsque le conducteur accélère ou grimpe une colline.

Dans une nouvelle étude, des chercheurs de l'Institut de technologie de Vellore en Inde ont développé une manière plus intelligente de gérer cet ascenseur de tension pour les véhicules à pile à combustible. Ils se sont concentrés sur un type spécifique de convertisseur capable d'augmenter considérablement la tension sans avoir besoin de transformateurs volumineux et lourds. Bien que la conception physique de ce convertisseur soit déjà connue, le défi résidait dans son contrôle. Les contrôleurs traditionnels agissent comme une main ferme sur un thermostat, vérifiant constamment la température et effectuant de petits ajustements pour la maintenir stable. Cela fonctionne bien lorsque les conditions sont prévisibles, mais cela peut être lent à réagir lorsque la tension de la pile à combustible chute soudainement ou que la charge change brusquement. Les chercheurs ont proposé une approche hybride qui combine cette main ferme traditionnelle avec un cerveau numérique capable de prédire ce qu'il faut faire avant même qu'un problème ne survienne. Ils ont entraîné un réseau de neurones artificiels, un type de programme informatique modélisé d'après le cerveau humain, pour apprendre la relation entre l'entrée de la pile à combustible, la sortie souhaitée et la charge. Au lieu d'attendre qu'une erreur se produise pour la corriger, ce cerveau numérique calcule le réglage exact nécessaire pour maintenir la tension correcte en fonction des conditions actuelles, tandis que le contrôleur traditionnel reste en arrière-plan pour corriger les petites erreurs que la prédiction pourrait manquer.

L'équipe n'a pas construit de prototype physique pour ce test spécifique ; au lieu de cela, elle a créé un modèle mathématique hautement détaillé du convertisseur et l'a utilisé pour générer des milliers de points de données représentant le comportement du système sous différentes conditions. Elle a injecté ces données dans le réseau de neurones artificiels, lui apprenant à reconnaître des motifs et à prédire le signal de commande précis requis pour toute situation donnée. Le résultat fut un système qui a appris le comportement du convertisseur avec une précision remarquable, atteignant un niveau d'exactitude qui suggère qu'il pourrait presque parfaitement imiter le signal de commande idéal. Lorsque les chercheurs ont testé ce nouveau système hybride dans une simulation informatique, les résultats ont été frappants. Le système a atteint la tension cible de 400 volts en seulement 5,2 millisecondes, soit moins de la moitié du temps qu'il a fallu au contrôleur traditionnel pour accomplir la même tâche. Il s'est également stabilisé beaucoup plus rapidement, avec presque aucun dépassement, ce qui signifie que la tension n'a pas grimpé dangereusement avant de se stabiliser. Le contrôleur traditionnel, en comparaison, a mis plus de deux fois plus de temps pour se stabiliser et a permis à la tension de fluctuer plus largement avant de trouver son équilibre.

Cette amélioration est importante car les véhicules électriques ont besoin d'électronique de puissance capables de réagir instantanément aux commandes du conducteur. Une réponse lente peut entraîner une accélération poussive ou une instabilité du système de puissance, tandis qu'un système qui présente un dépassement peut endommager des composants sensibles. L'étude montre qu'en laissant le réseau de neurones artificiels gérer le gros du travail de prédiction et en laissant le contrôleur traditionnel s'occuper de l'ajustement fin, le système devient à la fois plus rapide et plus stable. Les chercheurs ont noté que le réseau de neurones artificiels avait été entraîné à l'aide de données générées directement à partir du modèle mathématique du convertisseur, une méthode qu'ils décrivent comme étant informée par la physique. Cela signifie que l'ordinateur a appris les lois physiques régissant le dispositif plutôt que de simplement mémoriser des nombres aléatoires, ce qui l'aide à faire des prédictions fiables même dans des situations qu'il n'a pas encore rencontrées. Le système final a maintenu la tension de sortie avec une erreur de moins d'un dixième de pour cent, un niveau de précision crucial pour le fonctionnement fiable d'un véhicule.

Bien que les résultats soient impressionnants, les auteurs prennent soin de noter que ces conclusions proviennent de simulations informatiques. La prochaine étape, qu'ils prévoient d'entreprendre, consiste à construire une version physique de ce contrôleur et à la tester sur du matériel réel. Ils envisagent d'installer le système sur des puces numériques capables d'exécuter les calculs assez rapidement pour suivre les changements rapides d'une voiture en mouvement. Si elle réussit, cette approche pourrait rendre les véhicules à pile à combustible plus réactifs et efficaces, aidant ainsi à surmonter l'un des obstacles restants pour faire de l'transport à hydrogène une réalité pratique. Ce travail démontre que la combinaison du contrôle de l'ingénierie classique et de l'intelligence artificielle moderne peut résoudre des problèmes qu'aucune des deux approches ne pourrait traiter aussi efficacement seule, offrant une voie vers des systèmes de puissance plus robustes et intelligents pour les véhicules du futur.

Résumé technique : Contrôle intelligent assisté par ANN d'un convertisseur CC–CC non isolé à gain élevé pour les véhicules électriques à pile à combustible PEM

Énoncé du problème
Les piles à combustible à membrane d'échange de protons (PEM) génèrent des tensions faibles et variables, ce qui nécessite une conversion CC–CC à gain élevé pour assurer l'interface avec les liaisons CC à haute tension (typiquement 400 V) requises par les onduleurs de traction des véhicules électriques. Bien que les topologies non isolées à gain élevé offrent une élévation de tension efficace sans transformateurs encombrants, leur contrôle est complexe en raison de la dynamique non linéaire et de la sensibilité aux variations de tension d'entrée et de conditions de charge. Les contrôleurs proportionnel–intégral (PI) conventionnels, bien que largement utilisés pour leur simplicité, présentent souvent des réponses transitoires et des performances de régulation sous-optimales lorsqu'ils fonctionnent loin de leur point de conception fixe. Cette étude répond au besoin d'une stratégie de contrôle améliorée qui renforce la réponse dynamique et l'adaptabilité tout en maintenant une régulation de tension en boucle fermée robuste.

Méthodologie
La recherche se concentre sur un convertisseur CC–CC non isolé à gain élevé précédemment proposé par les auteurs, conservant la topologie existante tout en déplaçant l'accent sur l'optimisation de la stratégie de contrôle. La méthodologie se déroule en quatre étapes principales :

Modélisation mathématique : Un modèle d'état non linéaire moyenné a été développé pour caractériser la dynamique du convertisseur. Ce modèle a été linéarisé autour d'un point de fonctionnement d'équilibre afin de faciliter l'analyse en petit signal et la conception du contrôleur PI. Le modèle non linéaire a été validé par des simulations en boucle ouverte pour assurer la cohérence avec le comportement dynamique du convertisseur.
Conception du contrôleur PI conventionnel : Un contrôleur PI standard a été conçu à l'aide du modèle linéarisé pour servir de mécanisme de rétroaction de base pour la régulation de la tension de sortie.
Génération de données guidée par la physique et entraînement de l'ANN : Au lieu de s'appuyer sur des données expérimentales, une approche « guidée par la physique » a été employée. 1 923 échantillons de fonctionnement ont été générés en faisant varier systématiquement la tension d'entrée ( $V_{in}$ $V_{in}$ ), la tension de référence ( $V_{ref}$ $V_{r e f}$ ) et la résistance de charge ( $R_L$ $R_{L}$ ) au sein du modèle mathématique validé. Ces données ont été utilisées pour entraîner un réseau de neurones artificiels (ANN) de type feed-forward afin de prédire le rapport cyclique ( $D$ $D$ ) requis.
- Architecture de l'ANN : Le réseau présente trois neurones d'entrée, trois couches cachées (32–16–8 neurones) avec une activation ReLU, et un neurone de sortie.
- Entraînement : Le modèle a été entraîné avec l'optimiseur Adam avec un taux d'apprentissage de 0,001 et une fonction de perte d'erreur quadratique moyenne (MSE).
Cadre de contrôle hybride : L'ANN entraîné a été intégré comme un module de prédiction de rapport cyclique en boucle directe (feed-forward) aux côtés du contrôleur PI conventionnel. Dans ce schéma hybride, l'ANN fournit une estimation initiale du rapport cyclique dépendante du point de fonctionnement basée sur les conditions actuelles du système, tandis que le contrôleur PI conserve la boucle de rétroaction pour compenser toute erreur de tension résiduelle et rejeter les perturbations.

Principales contributions
Le document revendique explicitement les contributions suivantes :

Développement d'un cadre de contrôle hybride PI–ANN assisté par ANN pour un convertisseur CC–CC non isolé spécifique, distinguant l'innovation de contrôle de la topologie même du convertisseur.
Mise en œuvre d'un ANN en boucle directe pour la prédiction du rapport cyclique en utilisant la tension d'entrée, la tension de référence et la résistance de charge comme entrées.
Adoption d'une méthodologie de génération de données guidée par la physique pour construire le jeu de données de l'ANN directement à partir du modèle de convertisseur validé, réduisant ainsi la dépendance vis-à-vis des données d'entraînement expérimentales.
Une évaluation comparative basée sur des simulations démontrant les avantages de performance du contrôleur hybride par rapport à un contrôleur PI conventionnel.

Résultats
Les résultats de simulation sous une condition de référence de 400 V démontrent des améliorations significatives de performance avec le contrôleur hybride PI–ANN par rapport au contrôleur PI conventionnel :

Réponse transitoire : Le contrôleur hybride a atteint un temps de montée de 5,2 ms et un temps d'établissement de 11,3 ms, contre 12,4 ms et 28,6 ms pour le contrôleur PI, respectivement.
Dépassement et erreur : L'approche hybride a réduit le dépassement maximal à 0,9 % (contre 4,8 % pour le PI) et l'erreur en régime permanent à 0,03 % (contre 0,35 % pour le PI).
Précision de l'ANN : L'ANN entraîné a atteint un coefficient de détermination ( $R^2$ ) de 0,9999275, avec une RMSE de $5,4089 \times 10^{-5}$ , indiquant une corrélation quasi parfaite entre les rapports cycliques prédits et ceux générés par le modèle.
Régulation de tension : Sous contrôle hybride, la tension de sortie s'est stabilisée à 399,479 V avec une RMSE de la tension de sortie de 0,285 V.

Signification et affirmations
Les auteurs affirment que l'approche hybride proposée combine avec succès l'adaptabilité de la prédiction basée sur les données avec la robustesse du contrôle par rétroaction conventionnel. En utilisant l'ANN pour fournir une action de commande initiale appropriée basée sur le point de fonctionnement, le système obtient une réponse transitoire plus rapide et un dépassement réduit. Le contrôleur PI assure la stabilité et une régulation précise en corrigeant les erreurs résiduelles. L'étude conclut que ce cadre améliore à la fois les performances transitoires et en régime permanent tout en maintenant la régulation de la tension en boucle fermée. Le document note que l'architecture compacte de l'ANN suggère un potentiel pour une implémentation en temps réel sur des processeurs de signaux numériques (DSP), des FPGA ou des microcontrôleurs, bien que la validation matérielle soit identifiée comme une direction pour les travaux futurs plutôt que comme un résultat actuel.

Articles similaires