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

Elektrische voertuigen worden vaak geprezen om hun stille gezoem en nul uitlaatemissies, maar het hart van veel volgende generaties ontwerpen is een chemische batterij die helemaal geen elektriciteit opslaat. In plaats daarvan genereert het vermogen op aanvraag door waterstof met zuurstof te combineren, een proces dat alleen water als bijproduct produceert. Deze technologie, bekend als een proton exchange membrane brandstofcel, biedt de belofte van snel bijtanken en lange rijafstanden, maar brengt echter een fundamentele elektrische eigenaardigheid met zich mee. De spanning die het produceert is laag en wankel, fluctuerend als een beek die stijgt en daalt met het weer. Om de zware motoren aan te drijven die een auto voortbewegen, moet deze zwakke, onstabiele stroom worden opgevoerd naar een sterke, constante stroom elektriciteit. Ingenieurs lossen deze mismatch op met behulp van een apparaat dat een DC–DC-omvormer wordt genoemd, dat fungeert als een spanningslift, die de lage brandstofcelspanning naar de hoge niveaus brengt die nodig zijn voor het voertuig. Het is echter moeilijk om deze lift soepel te laten werken, omdat de output van de brandstofcel constant verandert en de vraag van de auto direct verschuift wanneer de bestuurder versnelt of een heuvel oprijdt.

In een nieuwe studie hebben onderzoekers aan het Vellore Institute of Technology in India een slimmere manier ontwikkeld om deze spanningslift voor brandstofcelvoertuigen te beheren. Ze richtten zich op een specifiek type omvormer dat de spanning aanzienlijk kan verhogen zonder dat er volumineuze, zware transformatoren nodig zijn. Hoewel het fysieke ontwerp van deze omvormer al bekend was, lag de uitdaging in de besturing ervan. Traditionele controllers werken als een vaste hand op een thermostaat, die constant de temperatuur controleert en kleine aanpassingen maakt om het stabiel te houden. Dit werkt goed wanneer de omstandigheden voorspelbaar zijn, maar het kan traag reageren wanneer de brandstofcelspanning plotseling daalt of de belasting scherp verandert. De onderzoekers stelden een hybride aanpak voor die deze traditionele vaste hand combineert met een digitale hersenkracht die in staat is om te voorspellen wat er moet gebeuren voordat er zelfs maar een probleem optreedt. Ze trainden een kunstmatig neuraal netwerk, een type computerprogramma dat is gemodelleerd naar het menselijk brein, om de relatie tussen de input van de brandstofcel, de gewenste output en de belasting te leren. In plaats van te wachten tot er een fout optreedt en deze vervolgens te corrigeren, berekent deze digitale hersenkracht de exacte instelling die nodig is om de juiste spanning te handhaven op basis van de huidige omstandigheden, terwijl de traditionele controller op de achtergrond blijft om kleine fouten op te vangen die de voorspelling zou kunnen missen.

Het team heeft geen fysiek prototype gebouwd voor deze specifieke test; in plaats daarvan creëerden ze een zeer gedetailleerd wiskundig model van de omvormer en gebruikten ze dit om duizenden datapunten te genereren die representatief zijn voor hoe het systeem zich onder verschillende omstandigheden gedraagt. Ze voedden deze gegevens in het kunstmatige neurale netwerk, waardoor het leerde patronen te herkennen en het precieze besturingssignaal te voorspellen dat vereist is voor elke gegeven situatie. Het resultaat was een systeem dat het gedrag van de omvormer met opmerkelijke precisie leerde, waarbij een nauwkeurigheidsniveau werd bereikt dat suggereert dat het bijna perfect het ideale besturingssignaal kan nabootsen. Wanneer de onderzoekers dit nieuwe hybride systeem in een computersimulatie testten, waren de resultaten opmerkelijk. Het systeem bereikte de doelspanning van 400 volt in slechts 5,2 milliseconden, wat minder dan de helft van de tijd is die de traditionele controller nodig had om hetzelfde te doen. Het stabiliseerde zich ook veel sneller, met bijna geen overschot, wat betekent dat de spanning niet gevaarlijk hoog piekte voordat deze tot rust kwam. De traditionele controller deed er in vergelijking met meer dan twee keer zo lang over om te stabiliseren en liet de spanning wijder fluctueren voordat hij zijn evenwicht vond.

Deze verbetering is van belang omdat elektrische voertuigen vermogenselektronica nodig hebben die direct kan reageren op de commando's van de bestuurder. Een trage reactie kan leiden tot een traag acceleratievermogen of instabiliteit in het vermogenssysteem, terwijl een systeem dat doorschiet gevoelige componenten kan beschadigen. De studie laat zien dat door het kunstmatige neurale netwerk het zware werk van de voorspelling te laten doen en de traditionele controller het fijne afstemmen te laten doen, het systeem zowel sneller als stabieler wordt. De onderzoekers merkten op dat het kunstmatige neurale netwerk werd getraind met gegevens die rechtstreeks uit het wiskundige model van de omvormer werden gegenereerd, een methode die zij beschrijven als natuurkundig geïnformeerd. Dit betekent dat de computer de natuurwetten leerde die het apparaat beheersen in plaats van alleen willekeurige getallen te onthouden, wat helpt om betrouwbare voorspellingen te doen, zelfs in situaties die het nog niet eerder heeft gezien. Het uiteindelijke systeem behield de uitgangsspanning met een fout van minder dan één tiende van een procent, een precisieniveau dat cruciaal is voor de betrouwbare werking van een voertuig.

Hoewel de resultaten indrukwekkend zijn, benadrukken de auteurs voorzichtig dat deze bevindingen voortkomen uit computersimulaties. De volgende stap, die zij van plan zijn te ondernemen, is het bouwen van een fysieke versie van deze controller en het testen ervan op echte hardware. Ze zien voor zich om het systeem te installeren op digitale chips die de berekeningen snel genoeg kunnen uitvoeren om het tempo van de snelle veranderingen in een bewegende auto bij te houden. Indien succesvol, zou deze aanpak brandstofcelvoertuigen responsiever en efficiënter kunnen maken, wat helpt om een van de resterende hindernissen bij het praktisch maken van waterstofgestuurd transport te overwinnen. Het werk demonstreert dat het combineren van klassieke engineering-besturing met moderne kunstmatige intelligentie problemen kan oplossen die geen van beide benaderingen alleen even effectief zou kunnen aanpakken, wat een pad biedt naar robuustere en intelligentere vermogenssystemen voor de voertuigen van de toekomst.