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

クリーンな未来への道は電気自動車によって舗装されていますが、これらの車が真に内燃機関に取って代わるためには、二つの根強い障害を克服しなければなりません。それは、電力が切れることへの不安と、充電のために何時間も待たされるというフラストレーションです。エネルギーをバッテリーに蓄える技術は存在しますが、課題はそのエネルギーがいかに提供されるかにあります。一つの有望な解決策は、太陽光で充電ステーションに直接電力を供給することです。しかし、太陽は信頼できるパートナーではありません。雲が流れたり一日の時間が経過したりするにつれて、その強度は絶えず変化します。この変動は、リチウムイオン電池内部の繊細な化学反応にとって、混沌とした環境を作り出します。もし電気の流れが不安定すぎたり、あるいは過剰に激しかったりすると、バッテリーを損傷させたり、充電を停止させる安全システムを作動させたりする可能性があります。これを乗り切るために、エンジニアは充電システムの「脳」であるコントローラーに頼っています。これは、まるで凹凸のある道をスムーズに走行するためにアクセルペダルを調節する熟練したドライバーのように、エネルギーの流れを常に調整するものです。

バブー・バナラシ・ダス・テクノロジー・マネジメント研究所の研究者たちは、同僚であるマハリシ情報技術大学の研究者と共に、この過酷な任務に最も適したコントラーのタイプはどれかを判断するために研究を行いました。彼らは、プロポーショナル・インテグルル（比例積分）コントローラーとして知られる伝統的な手法、モデル予測制御と呼ばれる高度な予測システム、そして人工知能を用いた現代的なデータ駆動型アプローチという、三つの異なる手法に焦点を当てました。研究チームは単にこれらの手法を理論化しただけではありません。彼らは太陽光発電充電ステーションの詳細なシミュレーションを構築し、雲がソーラーパネルの上を通過することを模して、日光が急激に変化したときに各コントローラーがどのように反応するかをテストしました。さらに、彼らはその知見を一歩進め、ハードウェア・イン・ザ・ループ（Hardware-in-the-Loop）テストと呼ばれるプロセスを用いて、電子的なノイズやセンサーの不完全性に直面した際にどのように機能するかを確認するため、シミュレーション環境に接続された物理的なハードウェア上でコントローラーをテストしました。

数十年にわたりその単純さから業界標準となってきた伝統的なコントローラーは、これらのテストにおいて著しく苦戦しました。日光が減少すると、このコントローラーはぎこちない振動現象を起こしました。目標とする充電電流を約15パーセントもオーバーシュートし、最終的に落ち着くまでにシステムが前後に揺れ動きました。この不安定さは、機械にとっては瞬時に感じられるものですが、システムが安定するまでに約0.5秒を要することを意味し、これは貴重なエネルギーの損失とバッテリーへの潜在的なストレスを表しています。実世界のハードウェアテストにおいて、この震えるような挙動はさらに顕著になり、コントローラーは正しい設定を探し求めて「ハンチング」を行い、熱としてエネルギーを浪費しました。ノイズの多い条件下での全体的な効率は約90パーセントに低下しており、これは採取された太陽エネルギーのかなりの部分が蓄えられずに失われていることを示唆しています。

より高度なアプローチであるモデル予測制御は、著しい改善を示しました。このシステムは、エラーが発生してから反応するのではなく、数学的モデルを使用して、数秒後にバッテリーとソーラーパネルがどのように振る舞うかを予測します。この先見性により、充電電流をスムーズに調整し、伝統的な手法で見られた激しいオーバーシュートを回避することができました。シミュレーションでは、ほぼオーバーシュートなしで約0.1秒でシステムを安定させました。しかし、この知能には重い代償が伴います。このシステムは、リアルタイムで複雑な最適化問題を解くための強力なプロセッサを必要とします。実際のハードウェアでテストした際、これらの計算を行うのに要した時間がわずかなラグを生じさせ、全体的な効率は98パーセント弱に落ち着きました。堅牢ではあるものの、研究者たちは、この計算需要が、極めて高速に電力をオン・オフする必要があるシステムへの実装を困難にする可能性があると指摘しました。

最も説得力のある結果をもたらしたのは、厳格な数学的ルールや予測モデルに頼るのではなく、データから学習することによって動作する人工知能コントローラーでした。このシステムは、さまざまな条件下でのソーラーパネルとバッテリーの振る舞いの例を数千件学習しました。テスト中に日光が変化すると、AIコントローラーは即座に新しいパターンを認識し、ためらうことなく充電電流を調整しました。それは100分の1秒未満で安定状態に達し、他の手法を悩ませたオーバーシュートや振動を事実上排除しました。実世界のセンサーノイズが含まれるハードウェアテストにおいても、AIコントローラーは、伝統的なコントローラーを混乱させた電子的な静電気を無視し、ほぼ完璧なトラッキング曲線を維持しました。その効率は99.7パーセント近くに達し、太陽から捉えたエネルギーのほぼすべてがバッテリーに正常に転送されました。

本研究は、伝統的なコントローラーは安価で構築が容易であるものの、急速な太陽光充電の動的な要求には適していないと結論付けています。予測制御は強力な中間案を提供しますが、その重い計算需要によって制限されます。人工知能コントローラーは、高度な予測の精度と、標準的な自動車用ハードウェア上で動作できる速度を兼ね備えた、最も効果的なソリューションとして浮上しました。システムの複雑で非線形な振る舞いを学習することで、ノイズをフィルタリングし、他の手法が挫折する場面でも安定性を維持することに成功しています。電気自動車の未来にとって、これは、信頼性が高く、高速で効率的な太陽光充電の鍵は、より優れた数学的モデルを構築することではなく、システムに経験から学ぶことを教えることにある可能性を示唆しています。