⚡ engenharia elétrica

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

Este artigo propõe e valida uma estratégia de controle híbrida PI–ANN para um conversor CC–CC não isolado de alto ganho em veículos elétricos a célula de combustível PEM, demonstrando que a integração de uma rede neural artificial treinada com um controlador PI convencional melhora significativamente a resposta transitória e a precisão em regime permanente em comparação ao uso de apenas um controlador PI.

Autores originais: C. Janani, V. Rajalakshmi, R. Vijayapriya

Publicado 2026-09-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: C. Janani, V. Rajalakshmi, R. Vijayapriya

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os veículos elétricos são frequentemente celebrados pelo seu zumbido silencioso e pelas zero emissões de escape, mas o coração de muitos designs de próxima geração é uma bateria química que não armazena eletricidade de forma alguma. Em vez disso, ela gera energia sob demanda combinando hidrogênio com oxigênio, um processo que produz apenas água como subproduto. Esta tecnologia, conhecida como célula de combustível de membrana de troca de protões, oferece a promessa de um reabastecimento rápido e longas autonomias de condução, mas traz consigo uma peculiaridade elétrica fundamental. A voltagem que ela produz é baixa e instável, flutuando como um riacho que sobe e desce com o clima. Para alimentar os motores pesados que movem um carro, esta corrente fraca e instável deve ser impulsionada para uma corrente de eletricidade forte e constante. Os engenheiros resolvem este desajuste usando um dispositivo chamado conversor CC–CC, que atua como um elevador de voltagem, elevando a baixa voltagem da célula de combustível para os níveis elevados necessários pelo veículo. No entanto, fazer este elevador funcionar suavemente é difícil porque a saída da célula de combustível muda constantemente, e a procura de potência do carro muda instantaneamente à medida que o condutor acelera ou sobe uma colina.

Num novo estudo, investigadores do Instituto de Tecnologia de Vellore, na Índia, desenvolveram uma forma mais inteligente de gerir este elevador de voltagem para veículos de célula de combustível. Eles focaram-se num tipo específico de conversor que pode elevar a voltagem significativamente sem necessitar de transformadores volumosos e pesados. Embora o design físico deste conversor já fosse conhecido, o desafio residia em controlá-lo. Os controladores tradicionais atuam como uma mão firme num termóstato, verificando constantemente a temperatura e fazendo pequenos ajustes para a manter estável. Isto funciona bem quando as condições são previsíveis, mas pode ser lento a reagir quando a voltagem da célula de combustível cai subitamente ou quando a carga muda drasticamente. Os investigadores propuseram uma abordagem híbrida que combina esta mão firme tradicional com um cérebro digital capaz de prever o que fazer antes mesmo de um problema acontecer. Eles treinaram uma rede neuronal artificial, um tipo de programa de computador modelado após o cérebro humano, para aprender a relação entre a entrada da célula de combustível, a saída desejada e a carga. Em vez de esperar que ocorra um erro para depois o corrigir, este cérebro digital calcula a configuração exata necessária para manter a voltagem correta com base nas condições atuais, enquanto o controlador tradicional permanece em segundo plano para capturar quaisquer pequenos erros que a previsão possa perder.

A equipa não construiu um protótipo físico para este teste específico; em vez disso, criaram um modelo matemático altamente detalhado do conversor e utilizaram-no para gerar milhares de pontos de dados representando como o sistema se comporta sob diferentes condições. Eles alimentaram a rede neuronal artificial com estes dados, ensinando-a a reconhecer padrões e a prever o sinal de controlo preciso necessário para qualquer situação dada. O resultado foi um sistema que aprendeu o comportamento do conversor com uma precisão notável, alcançando um nível de precisão que sugere que poderia quase imitar perfeitamente o sinal de controlo ideal. Quando os investigadores testaram este novo sistema híbrido numa simulação de computador, os resultados foram impressionantes. O sistema atingiu a voltagem alvo de 400 volts em apenas 5,2 milissegundos, o que é menos de metade do tempo que o controlador tradicional levou para fazer o mesmo. Também se estabilizou num estado estável muito mais rapidamente, com quase nenhum sobre-sinal (overshoot), o que significa que a voltagem não subiu perigosamente antes de se estabilizar. O controlador tradicional, por comparação, demorou mais do que o dobro do tempo para estabilizar e permitiu que a voltagem flutuasse mais amplamente antes de encontrar o seu equilíbrio.

Esta melhoria é importante porque os veículos elétricos precisam de eletrónica de potência que possa reagir instantaneamente aos comandos do condutor. Uma resposta lenta pode levar a uma aceleração lenta ou instabilidade no sistema de potência, enquanto um sistema que apresenta sobre-sinal pode danificar componentes sensíveis. O estudo mostra que, ao deixar a rede neuronal artificial lidar com o trabalho pesado da previsão e deixar o controlador tradicional lidar com o ajuste fino, o sistema torna-se tanto mais rápido quanto mais estável. Os investigadores observaram que a rede neuronal artificial foi treinada utilizando dados gerados diretamente do modelo matemático do conversor, um método que descrevem como sendo informado pela física. Isto significa que o computador aprendeu as leis da física que governam o dispositivo em vez de apenas memorizar números aleatórios, o que o ajuda a fazer previsões fiáveis mesmo em situações que não tenha visto antes. O sistema final manteve a voltagem de saída com um erro inferior a um décimo de percentagem, um nível de precisão que é crítico para a operação fiável de um veículo.

Embora os resultados sejam impressionantes, os autores tomam o cuidado de notar que estas descobertas provêm de simulações de computador. O próximo passo, que planeiam realizar, é construir uma versão física deste controlador e testá-la em hardware real. Eles vislumbram instalar o sistema em chips digitais que possam executar os cálculos suficientemente rápido para acompanhar as mudanças rápidas de um carro em movimento. Se tiver sucesso, esta abordagem poderá tornar os veículos de célula de combustível mais responsivos e eficientes, ajudando a superar um dos obstáculos restantes para tornar o transporte movido a hidrogênio uma realidade prática. O trabalho demonstra que combinar o controlo da engenharia clássica com a inteligência artificial moderna pode resolver problemas que nem sequer uma das abordagens conseguiria enfrentar de forma tão eficaz por conta própria, oferecendo um caminho para sistemas de potência mais robustos e inteligentes para os veículos do futuro.

Resumo Técnico: Controle Inteligente Assistido por ANN de um Conversor DC–DC Não Isolado de Alto Ganho para Veículos Elétricos a Célula de Combustível PEM

Definição do Problema
As células de combustível de membrana de troca de protões (PEM) geram tensões baixas e variáveis, necessitando de uma conversão DC–DC de alto ganho para fazer a interface com os elos de ligação DC de alta tensão (tipicamente 400 V) exigidos pelos inversores de tração de veículos elétricos. Embora as topologias não isoladas de alto ganho ofereçam uma elevação de tensão eficiente sem transformadores volumosos, o seu controlo é desafiante devido às dinâmicas não lineares e à sensibilidade a variações nas tensões de entrada e condições de carga. Os controladores proporcionais–integrais (PI) convencionais, embora amplamente utilizados pela sua simplicidade, apresentam frequentemente respostas transientes subótimas e desempenho de regulação quando operam longe do seu ponto de projeto fixo. Este estudo aborda a necessidade de uma estratégia de controlo melhorada que aumente a resposta dinâmica e a adaptabilidade, mantendo simultaneamente uma regulação robusta da tensão de malha fechada.

Metodologia
A investigação foca-se num conversor DC–DC não isolado de alto ganho previamente proposto pelos autores, mantendo a topologia existente enquanto desloca o foco para a otimização da estratégia de controlo. A metodologia processa-se através de quatro etapas principais:

Modelagem Matemática: Um modelo de espaço de estados não linear de média foi desenvolvido para caracterizar a dinâmica do conversor. Este modelo foi linearizado em torno de um ponto de operação de equilíbrio para facilitar a análise de pequenos sinais e o projeto do controlador PI. O modelo não linear foi validado através de simulações de malha aberta para garantir a consistência com o comportamento dinâmico do conversor.
Projeto do Controlador PI Convencional: Um controlador PI padrão foi projetado utilizando o modelo linearizado para servir como o mecanismo de feedback de base para a regulação da tensão de saída.
Geração de Dados Baseada em Física e Treino de ANN: Em vez de depender de dados experimentais, foi empregada uma abordagem "baseada em física" (physics-informed). Foram geradas 1.923 amostras de operação variando sistematicamente a tensão de entrada ( $V_{in}$ $V_{in}$ ), a tensão de referência ( $V_{ref}$ $V_{r e f}$ ) e a resistência de carga ( $R_L$ $R_{L}$ ) dentro do modelo matemático validado. Estes dados foram utilizados para treinar uma Rede Neuronal Artificial (ANN) feed-forward para prever a razão de ciclo de trabalho ( $D$ $D$ ) necessária.
- Arquitetura da ANN: A rede apresenta três neurónios de entrada, três camadas ocultas (32–16–8 neurónios) com ativação ReLU e um neurónio de saída.
- Treino: O modelo foi treinado utilizando o otimizador Adam com uma taxa de aprendizagem de 0.001 e uma função de perda de Erro Quadrático Médio (MSE).
Estrutura de Controlo Híbrido: A ANN treinada foi integrada como um módulo de previsão de razão de ciclo de trabalho feed-forward juntamente com o controlador PI convencional. Neste esquema híbrido, a ANN fornece uma estimativa inicial da razão de ciclo de trabalho dependente do ponto de operação com base nas condições atuais do sistema, enquanto o controlador PI mantém o laço de feedback para compensar qualquer erro de tensão restante e rejeitar perturbações.

Principais Contribuições
O artigo reivindica explicitamente as seguintes contribuições:

Desenvolvimento de uma estrutura de controlo híbrida PI–ANN assistida por ANN para um conversor DC–DC não isolado de alto ganho específico, distinguindo a inovação de controlo da própria topologia do conversor.
Implementação de uma ANN feed-forward para previsão da razão de ciclo de trabalho utilizando a tensão de entrada, a tensão de referência e a resistência de carga como entradas.
Adoção de uma metodologia de geração de dados baseada em física para construir o conjunto de dados da ANN diretamente a partir do modelo validado do conversor, reduzindo a dependência de dados de treino experimentais.
Uma avaliação comparativa baseada em simulação demonstrando as vantagens de desempenho do controlador híbrido sobre o controlador PI convencional.

Resultos
Os resultados de simulação sob uma condição de referência de 400 V demonstram melhorias significativas de desempenho com o controlador híbrido PI–ANN em comparação com o controlador PI convencional:

Resposta Transiente: O controlador híbrido alcançou um tempo de subida de 5.2 ms e um tempo de assentamento de 11.3 ms, comparativamente a 12.4 ms e 28.6 ms para o controlador PI, respetivamente.
Sobressinal e Erro: A abordagem híbrida reduziu o sobressinal de pico para 0.9% (vs. 4.8% para o PI) e o erro de regime permanente para 0.03% (vs. 0.35% para o PI).
Precisão da ANN: A ANN treinada alcançou um coeficiente de determinação ( $R^2$ ) de 0.9999275, com um RMSE de $5.4089 \times 10^{-5}$ , indicando uma correlação quase perfeita entre as razões de ciclo de trabalho previstas e as geradas pelo modelo.
Regulação de Tensão: Sob controlo híbrido, a tensão de saída estabilizou em 399.479 V com um RMSE da tensão de saída de 0.285 V.

Significância e Alegações
Os autores afirmam que a abordagem híbrida proposta combina com sucesso a adaptabilidade da previsão baseada em dados com a robustez do controlo de feedback convencional. Ao utilizar a ANN para fornecer uma ação de controlo inicial apropriada com base no ponto de operação, o sistema alcança uma resposta transiente mais rápida e um sobressinal reduzido. O controlador PI garante a estabilidade e a regulação precisa ao corrigir erros residuais. O estudo conclui que esta estrutura melhora tanto o desempenho transiente como o de regime permanente, mantendo a regulação da tensão de malha fechada. O artigo nota que a arquitetura compacta da ANN sugere potencial para implementação em tempo real em processadores de sinal digital (DSPs), FPGAs ou microcontroladores, embora a validação em hardware seja identificada como uma direção para trabalhos futuros, e não um resultado atual.

Mais como este