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

O caminho para um futuro mais limpo é pavimentado por veículos elétricos, mas para que esses carros realmente substituam o motor de combustão interna, eles devem superar dois obstáculos persistentes: a ansiedade de ficar sem energia e a frustração de esperar horas para recarregar. Embora a tecnologia para armazenar energia em baterias exista, o desafio reside em como essa energia é entregue. Uma solução promissora é alimentar as estações de carregamento diretamente com a luz solar. No entanto, o sol é um parceiro pouco confiável; sua intensidade muda constantemente conforme as nuvens passam ou conforme o dia avança. Essa flutuação cria um ambiente caótico para a delicada química dentro de uma bateria de íons de lítio. Se o fluxo de eletricidade for muito errático ou agressivo, pode danificar a bateria ou acionar sistemas de segurança que interrompem o carregamento. Para navegar por isso, os engenheiros dependem de um "cérebro" para o sistema de carregamento — um controlador que ajusta constantemente o fluxo de energia, de forma muito semelhante a um motorista habilidoso modulando o acelerador para manter um carro movendo-se suavemente sobre uma estrada acidentada.

Pesquisadores do Babu Banarasi Das Institute of Technology and Management, juntamente com colegas da Maharishi University of Information Technology, dedicaram-se a determinar qual tipo de controlador é mais adequado para essa tarefa exigente. Eles focaram em três abordagens distintas: um método tradicional conhecido como controlador Proporcional-Integral, um sistema preditivo sofisticado chamado Controle Preditivo Baseado em Modelo e uma abordagem moderna baseada em dados usando Inteligência Artificial. A equipe não apenas teorizou sobre esses métodos; eles construíram uma simulação detalhada de uma estação de carregamento movida a energia solar e testaram como cada controlador reagia quando a luz solar mudava subitamente, mimetizando uma nuvem passando sobre os painéis solares. Eles então levaram suas descobertas um passo além, testando os controladores em hardware físico conectado a um ambiente simulado, um processo conhecido como teste Hardware-in-the-Loop, para ver como eles se comportariam diante da realidade desordenada do ruído eletrônico e das imperfeições dos sensores.

O controlador tradicional, que tem sido o padrão da indústria há décadas devido à sua simplicidade, teve dificuldades significativas nesses testes. Quando a luz solar caía, este controlador reagia com um movimento brusco e oscilatório. Ele ultrapassava o alvo da corrente de carga em cerca de quinze por cento, fazendo com que o sistema oscilasse para frente e para trás antes de finalmente estabilizar. Essa instabilidade significava que o sistema levava quase meio segundo para estabilizar, um atraso que parece instantâneo para uma máquina, mas que representa uma perda de energia preciosa e potencial estresse na bateria. Nos testes de hardware do mundo real, esse comportamento trêmulo tornou-se ainda mais pronunciado, com o controlador "caçando" a configuração correta e desperdiçando energia na forma de calor. Sua eficiência geral nessas condições ruidosas caiu para aproximadamente noventa por cento, um número que sugere que uma quantidade significativa de energia solar colhida estava sendo perdida em vez de armazenada.

Uma abordagem mais avançada, o Controle Preditivo Baseado em Modelo, ofereceu uma melhoria marcante. Em vez de simplesmente reagir aos erros conforme eles acontecem, este sistema utiliza um modelo matemático para olhar adiante, prevendo como a bateria e o painel solar se comportarão nos próximos momentos. Essa previsão permitiu que ele ajustasse a corrente de carga de forma suave, evitando os excessos violentos vistos no método tradicional. Nas simulações, ele estabilizou o sistema em cerca de um décimo de segundo com quase nenhum excesso (overshoot). No entanto, essa inteligência vem com um preço pesado: o sistema requer um processador poderoso para resolver problemas de otimização complexos em tempo real. Quando testado em hardware real, o tempo necessário para processar esses números introduziu um leve atraso, e a eficiência geral estabilizou-se em pouco menos de noventa e oito por cento. Embora robusto, os pesquisadores observaram que a demanda computacional poderia dificultar sua implementação em sistemas que precisam ligar e desligar a potência de forma extremamente rápida.

Os resultados mais convincentes vieram do controlador de Inteligência Artificial, que opera de forma diferente ao aprender com dados, em vez de depender de regras matemáticas rígidas ou modelos preditivos. Este sistema foi treinado em milhares de exemplos de como painéis solares e baterias se comportam sob várias condições. Quando a luz solar mudou durante os testes, o controlador de IA reconheceu o novo padrão instantaneamente e ajustou a corrente de carga sem hesitação. Ele atingiu um estado estável em menos de um centésimo de segundo, eliminando efetivamente o excesso e a oscilação que atormentaram os outros métodos. Nos testes de hardware, que incluíram a interferência de ruídos reais de sensores, o controlador de IA manteve uma curva de rastreamento quase perfeita, ignorando a estática eletrônica que confundiu o controlador tradicional. Sua eficiência disparou para quase noventa e nove vírgula sete por cento, o que significa que quase toda a energia capturada do sol foi transferida com sucesso para a bateria.

O estudo conclui que, embora o controlador tradicional seja barato e fácil de construir, ele é inadequado para as demandas dinâmicas do carregamento solar rápido. O controlador preditivo oferece um forte meio-termo, mas é prejudicado por seus requisitos computacionais pesados. O controlador de Inteligência Artificial emergiu como a solução mais eficaz, combinando a precisão da predição avançada com uma velocidade que permite que ele rode em hardware automotivo padrão. Ao aprender o comportamento complexo e não linear do sistema, ele consegue filtrar o ruído e manter a estabilidade onde outros métodos falham. Para o futuro dos veículos elétricos, isso sugere que a chave para um carregamento solar confiável, rápido e eficiente pode não estar em construir melhores modelos matemáticos, mas em ensinar o sistema a aprender com a experiência.