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

I veicoli elettrici sono spesso celebrati per il loro ronzio silenzioso e le emissioni zero allo scarico, ma il cuore di molti progetti di prossima generazione è una batteria chimica che non immagazzina affatto l'elettricità. Inveve, genera energia su richiesta combinando l'idrogeno con l'ossigeno, un processo che produce solo acqua come sottoprodotto. Questa tecnologia, nota come cella a combustibile a membrana di scambio protonico, offre la promessa di un rifornimento rapido e di lunghi intervalli di guida, ma presenta un'anomalia elettrica fondamentale. La tensione che produce è bassa e instabile, fluttuando come un ruscello che sale e scende con il mutare del tempo. Per alimentare i motori pesanti che guidano un'auto, questa corrente debole e instabile deve essere potenziata in un flusso di elettricità forte e costante. Gli ingegneri risolvono questo disallineamento utilizzando un dispositivo chiamato convertitore DC–DC, che funge da ascensore di tensione, elevando la bassa tensione della cella a combustibile ai livelli elevati necessari dal veicolo. Tuttavia, far funzionare questo ascensore in modo fluido è difficile perché l'output della cella a combustibile cambia costantemente, e la richiesta di potenza dell'auto varia istantaneamente mentre il conducente accelera o sale una collina.

In uno studio recente, i ricercatori del Vellore Institute of Technology in India hanno sviluppato un modo più intelligente per gestire questo ascensore di tensione per i veicoli a cella a combustibile. Si sono concentrati su un tipo specifico di convertitore in grado di elevare significativamente la tensione senza la necessità di trasformatori ingombranti e pesanti. Sebbene il design fisico di questo convertitore fosse già noto, la sfida risiedeva nel controllarlo. I controller tradizionali agiscono come una mano ferma su un termostato, controllando costantemente la temperatura e apportando piccoli aggiustamenti per mantenerla stabile. Questo funziona bene quando le condizioni sono prevedibili, ma può essere lento nel reagire quando la tensione della cella a combustibile scende improvvisamente o il carico cambia drasticamente. I ricercatori hanno proposto un approccio ibrido che combina questa mano ferma tradizionale con un cervello digitale capace di prevedere cosa fare prima ancora che si presenti un problema. Hanno addestrato una rete neurale artificiale, un tipo di programma informatico modellato sul cervello umano, per apprendere la relazione tra l'input della cella a combustibile, l'output desiderato e il carico. Invece di aspettare che si verifichi un errore per poi correggerlo, questo cervello digitale calcola l'impostazione esatta necessaria per mantenere la tensione corretta in base alle condizioni attuali, mentre il controller tradizionale rimane sullo sfondo per intercettare eventuali piccoli errori che la previsione potrebbe mancare.

Il team non ha costruito un prototipo fisico per questo test specifico; ha invece creato un modello matematico altamente dettagliato del convertitore e lo ha utilizzato per generare migliaia di punti dati che rappresentano il comportamento del sistema in diverse condizioni. Hanno inserito questi dati nella rete neurale artificiale, insegnandole a riconoscere i pattern e a prevedere il segnale di controllo preciso richiesto per ogni determinata situazione. Il risultato è stato un sistema che ha appreso il comportamento del convertitore con una precisione straordinaria, raggiungendo un livello di accuratezza che suggerisce possa quasi imitare perfettamente il segnale di controllo ideale. Quando i ricercatori hanno testato questo nuovo sistema ibrido in una simulazione al computer, i risultati sono stati sorprendenti. Il sistema ha raggiunto la tensione target di 400 volt in soli 5,2 millisecondi, ovvero meno della metà del tempo impiegato dal controller tradizionale per fare lo stesso. Si è inoltre stabilizzato molto più velocemente, con quasi nessun eccesso (overshoot), il che significa che la tensione non è salita pericolosamente alta prima di assestarsi. Il controller tradizionale, a confronto, ha impiegato più del doppio del tempo per stabilizzarsi e ha permesso alla tensione di fluttuare più ampiamente prima di trovare il proprio equilibrio.

Questo miglioramento è importante perché i veicoli elettrici hanno bisogno di elettronica di potenza in grado di reagire istantaneamente ai comandi del conducente. Una risposta lenta può portare a un'accelerazione pigra o all'instabilità del sistema di potenza, mentre un sistema che presenta un eccesso può danneggiare componenti sensibili. Lo studio dimostra che lasciando alla rete neurale artificiale il compito pesante della previsione e lasciando al controller tradizionale il compito del fine-tuning, il sistema diventa sia più veloce che più stabile. I ricercatori hanno notato che la rete neurale artificiale è stata addestrata utilizzando dati generati direttamente dal modello matematico del convertitore, un metodo che descrivono come "physics-informed" (informato dalla fisica). Ciò significa che il computer ha appreso le leggi fisiche che governano il dispositivo piuttosto che limitarsi a memorizzare numeri casuali, il che aiuta a fare previsioni affidabili anche in situazioni precedentemente non viste. Il sistema finale ha mantenuto la tensione di uscita con un errore inferiore a un decimo di percentuale, un livello di precisione critico per il funzionamento affidabile di un veicolo.

Sebbene i risultati siano impressionanti, gli autori sottolineano con cautela che queste scoperte derivano da simulazioni al computer. Il passo successivo, che intendono intraprendere, è costruire una versione fisica di questo controller e testarla su hardware reale. Immaginano di installare il sistema su chip digitali in grado di eseguire i calcoli abbastanza velocemente da stare al passo con i rapidi cambiamenti di un'auto in movimento. Se avrà successo, questo approccio potrà rendere i veicoli a cella a combustibile più reattivi ed efficienti, aiutando a superare uno degli ostacoli rimanenti nel rendere il trasporto a idrogeno una realtà pratica. Il lavoro dimostra che combinare il controllo ingegneristico "old-school" con l'intelligenza artificiale moderna può risolvere problemi che nessuno dei due approcci potrebbe affrontare con la stessa efficacia, offrendo una strada verso sistemi di potenza più robusti e intelligenti per i veicoli del futuro.