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

De weg naar een schonere toekomst wordt geplaveid met elektrische voertuigen, maar om deze auto's echt de verbrandingsmotor te laten vervangen, moeten ze twee hardnekkige hindernissen overwinnen: de angst om zonder stroom te komen zitten en de frustratie van urenlang wachten om op te laden. Hoewel de technologie om energie in batterijen op te slaan bestaat, ligt de uitdaging in de manier waarop die energie wordt geleverd. Een veelbelovende oplossing is om laadstations direct met zonlicht te voeden. De zon is echter een onbetrouwbare partner; de intensiteit ervan verandert voortdurend wanneer er wolken voorbij drijven of naarmate de dag vordert. Deze fluctuatie creëert een chaotische omgeving voor de delicate chemie binnen een lithium-ionbatterij. Als de stroomtoevoer te grillig of te agressief is, kan dit de batterij beschadigen of veiligheidssystemen activeren die het opladen uitschakelen. Om dit te navigeren, vertrouwen ingenieurs op een "brein" voor het laadsysteem—een controller die de energiestroom constant aanpast, vergelijkbaar met een bekwame bestuurder die het gaspedaal moduleert om een auto soepel over een hobbelige weg te laten rijden.

Onderzoekers aan het Babu Banarasi Das Institute of Technology and Management, samen met collega's van de Maharishi University of Information Technology, zetten zich af om te bepalen welk type controller het meest geschikt is voor deze veeleisende taak. Ze richtten zich op drie verschillende benaderingen: een traditionele methode die bekend staat als de Proportionele-Integrale controller, een geavanceerd voorspellend systeem genaamd Model Predictive Control, en een moderne, datagestuurde aanpak met behulp van Kunstmatige Intelligentie. Het team heeft deze methoden niet alleen theoretisch onderzocht; ze bouwden een gedetailleerde simulatie van een door zonne-energie aangedreven laadstation en testten hoe elke controller reageerde wanneer het zonlicht plotseling veranderde, waarbij werd nagebootst dat er een wolk over de zonnepanelen trok. Vervolgens gingen ze met hun bevindingen nog een stap verder door de controllers te testen op fysieke hardware verbonden met een gesimuleerde omgeving, een proces dat bekend staat als Hardware-in-the-Loop-testen, om te zien hoe ze presteerden wanneer ze werden geconfronteerd met de rommelige realiteit van elektronische ruis en imperfecties in sensoren.

De traditionele controller, die vanwege zijn eenvoud al decennia de industriestandaard is, had grote moeite in deze tests. Wanneer het zonlicht afnam, reageerde deze controller met een schokkerige, oscillerende beweging. Hij overschoot de doelstroom voor het opladen met ongeveer vijftien procent, waardoor het systeem heen en weer wiebelde voordat het eindelijk tot rust kwam. Deze instabiliteit betekende dat het systeem bijna een halve seconde nodig had om te stabiliseren, een vertraging die voor een machine ogenblikkelijk lijkt maar een verlies van kostbare energie en potentiële stress op de batterij vertegenwoordigt. In de tests met de werkelijke hardware werd dit schokkerige gedrag nog prominenter, waarbij de controller "zocht" naar de juiste instelling en energie verspilde als warmte. De algehele efficiëntie in deze ruisige omstandigheden daalde tot ongeveer negentig procent, een cijfer dat suggereert dat een aanzienlijk deel van de geoogste zonne-energie verloren ging in plaats van werd opgeslagen.

Een meer geavanceerde aanpak, Model Predictive Control, bood een duidelijke verbetering. In plaats van simpelweg te reageren op fouten terwijl ze optreden, gebruikt dit systeem een wiskundig model om vooruit te kijken en te voorspellen hoe de batterij en het zonnepaneel in de volgende momenten zullen reageren. Dit vooruitzicht stelde het systeem in staat om de laadstroom soepel aan te passen, waardoor de heftige overschotten die bij de traditionele methode werden gezien, werden vermeden. In de simulaties stabiliseerde het het systeem in ongeveer een tiende van een seconde met vrijwel geen overschot. Deze intelligentie brengt echter een zware prijs met zich mee: het systeem vereist een krachtige processor om complexe optimalisatieproblemen in realtime op te lossen. Wanneer het op werkelijke hardware werd getest, introduceerde de tijd die nodig was om deze getallen te verwerken een lichte vertraging, en de algehele efficiëntie stabiliseerde zich op net onder de vierentwintig procent. Hoewel robuust, merkten de onderzoekers op dat de computationele vraag mogelijk het moeilijk maakt om dit te implementeren in systemen die zeer snel stroom aan en uit moeten schakelen.

De meest veelbelovende resultaten kwamen van de Artificial Intelligence-controller, die anders werkt door te leren van data in plaats van te vertrouwen op rigide wiskundige regels of voorspellende modellen. Dit systeem werd getraind op duizenden voorbeelden van hoe zonnepanelen en batterijen zich onder verschillende omstandigheden gedragen. Wanneer het zonlicht tijdens de tests veranderde, herkende de AI-controller het nieuwe patroon onmiddellijk en paste de laadstroom zonder aarzeling aan. Het bereikte een stabiele toestand in minder dan één honderdste van een seconde, waardoor de overschotten en oscillaties die de andere methoden teisteren effectief werden geëlimineerd. In de hardwaretests, die de interferentie van echte wereld sensorruis bevatten, behield de AI-controller een bijna perfecte volgcurve en negeerde het de elektronische statische elektriciteit die de traditionele controller in verwarring bracht. De efficiëntie schoot omhoog naar bijna tweeënnegentig komma zeven procent, wat betekent dat bijna alle energie die uit de zon werd opgevangen, succesvol naar de batterij werd overgedragen.

De studie concludeert dat hoewel de traditionele controller goedkoop en eenvoudig te bouwen is, deze ongeschikt is voor de dynamische eisen van snel opladen via zonne-energie. De voorspellende controller biedt een sterk middenpad, maar wordt gehinderd door de zware computationele eisen. De Artificial Intelligence-controller kwam naar voren als de meest effectieve oplossing, waarbij de precisie van geavanceerde voorspelling wordt gecombineerd met een snelheid die het mogelijk maakt om op standaard automotive hardware te draaien. Door het complexe, niet-lineaire gedrag van het systeem te leren, slaagt het erin om ruis te filteren en stabiliteit te handhaven waar andere methoden falen. Voor de toekomst van elektrische voertuigen suggereert dit dat de sleutel tot betrouwbaar, snel en efficiënt opladen met zonne-energie mogelijk niet ligt in het bouwen van betere wiskundige modellen, maar in het aanleren van het systeem om te leren van ervaring.