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

La strada verso un futuro più pulito è pavimentata con i veicoli elettrici, ma affinché queste auto possano davvero sostituire il motore a combustione interna, devono superare due ostacoli ostinati: l'ansia di esaurire l'energia e la frustrazione di dover attendere ore per ricaricarsi. Sebbene la tecnologia per immagazzinare l'energia nelle batterie esista, la sfida risiede nel modo in cui tale energia viene erogata. Una soluzione promettente è alimentare le stazioni di ricarica direttamente con la luce solare. Tuttavia, il sole è un partner inaffidabile; la sua intensità cambia costantemente al passaggio delle nuvole o con il progredire della giornata. Questa fluttuazione crea un ambiente caotico per la delicata chimica all'interno di una batteria agli ioni di litio. Se il flusso di elettricità è troppo erratico o troppo aggressivo, può danneggiare la batteria o attivare i sistemi di sicurezza che interrompono la ricarica. Per navigare in questa situazione, gli ingegneri si affidano a un "cervello" per il sistema di ricarica: un controllore che regola costantemente il flusso di energia, proprio come un pilota esperto che modula l'acceleratore per mantenere l'auto in movimento in modo fluido su una strada sconnessa.

Ricercatori del Babu Banarasi Das Institute of Technology and Management, insieme a colleghi della Maharishi University of Information Technology, si sono posti l'obiettivo di determinare quale tipo di controllore sia il più adatto per questo compito esigente. Si sono concentrati su tre approcci distinti: un metodo tradizionale noto come controllore Proporzionale-Integrale, un sistema predittivo sofisticato chiamato Model Predictive Control e un approccio moderno basato sui dati che utilizza l'Intelligenza Artificiale. Il team non si è limitato a teorizzare su questi metodi; ha costruito una simulazione dettagliata di una stazione di ricarica alimentata a energia solare e ha testato come ogni controllore reagisse quando la luce solare cambiava improvvisamente, mimando il passaggio di una nuvola sopra i pannelli solari. Hanno poi portato i loro risultati un passo oltre, testando i controllori su un hardware fisico collegato a un ambiente simulato, un processo noto come test Hardware-in-the-Loop, per vedere come si sarebbero comportati di fronte alla realtà disordinata del rumore elettronico e delle imperfezioni dei sensori.

Il controllore tradizionale, che è lo standard del settore da decenni grazie alla sua semplicità, ha faticato significativamente in questi test. Quando la luce solare diminuiva, questo controllore reagiva con un movimento scattoso e oscillante. Superava il valore target della corrente di ricarica di circa il quindici per cento, causando un'oscillazione del sistema prima di stabilizzarsi finalmente. Questa instabilità significava che il sistema impiegava quasi mezzo secondo per stabilizzarsi, un ritardo che appare istantaneo per una macchina ma che rappresenta una perdita di energia preziosa e uno stress potenziale per la batteria. Nei test con l'hardware reale, questo comportamento scattoso è diventato ancora più pronunciato, con il controllore che "cacciava" l'impostazione corretta, sprecando energia sotto forma di calore. La sua efficienza complessiva in queste condizioni rumorose è scesa a circa il novanta per cento, una cifra che suggerisce che una quantità significativa di energia solare raccolta veniva persa invece di essere immagazzinata.

Un approccio più avanzato, il Model Predictive Control, ha offerto un netto miglioramento. Invece di limitarsi a reagire agli errori man mano che si verificano, questo sistema utilizza un modello matematico per guardare avanti, prevedendo come la batteria e il pannello solare si comporteranno nei momenti successivi. Questa lungimiranza ha permesso di regolare la corrente di ricarica in modo fluido, evitando i violenti eccessi visti con il metodo tradizionale. Nelle simulazioni, ha stabilizzato il sistema in circa un decimo di secondo con quasi nessun superamento del target. Tuttavia, questa intelligenza ha un prezzo elevato: il sistema richiede un processore potente per risolvere complessi problemi di ottimizzazione in tempo reale. Quando testato sull'hardware effettivo, il tempo necessario per elaborare questi numeri ha introdotto un leggero ritardo, e l'efficienza complessiva si è assestata poco sotto il novantotto per cento. Sebbene robusto, i ricercatori hanno osservato che la richiesta computazionale potrebbe rendere difficile l'implementazione in sistemi che devono accendere e spegnere la potenza estremamente velocemente.

I risultati più convincenti sono arrivati dal controllore a Intelligenza Artificiale, che opera diversamente poiché impara dai dati piuttosto che fare affidamento su rigidi modelli matematici o predittivi. Questo sistema è stato addestrato su migliaia di esempi di come i pannelli solari e le batterie si comportano in varie condizioni. Quando la luce solare cambiava durante i test, il controllore IA riconosceva istantaneamente il nuovo schema e regolava la corrente di ricarica senza esitazione. Ha raggiunto uno stato stabile in meno di un centesimo di secondo, eliminando efficacemente l'eccesso e l'oscillazione che avevano afflitto gli altri metodi. Nei test hardware, che includevano l'interferenza del rumore dei sensori reali, il controllore IA ha mantenuto una curva di tracciamento quasi perfetta, ignorando l'interferenza elettronica che confondeva il controllore tradizionale. La sua efficienza è salita a quasi il novantanove virgola sette per cento, il che significa che quasi tutta l'energia catturata dal sole è stata trasferita con successo alla batteria.

Lo studio conclude che, sebbene il controllore tradizionale sia economico e facile da costruire, è inadatto alle dinamiche richieste dalla ricarica solare rapida. Il controllore predittivo offre un solido compromesso, ma è ostacolato dai suoi elevati requisiti computazionali. Il controllore a Intelligenza Artificiale è emerso come la soluzione più efficace, combinando la precisione della predizione avanzata con una velocità che consente di operare su hardware automobilistico standard. Imparando il comportamento complesso e non lineare del sistema, riesce a filtrare il rumore e a mantenere la stabilità dove altri metodi vacillano. Per il futuro dei veicoli elettrici, ciò suggerisce che la chiave per una ricarica solare affidabile, veloce ed efficiente potrebbe non risiedere nella costruzione di migliori modelli matematici, ma nell'insegnare al sistema come imparare dall'esperienza.