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

通往更清洁未来的道路是由电动汽车铺就的，但这些汽车若要真正取代内燃机，必须克服两个顽固的障碍：对电量耗尽的焦虑，以及对等待数小时充电的沮丧。虽然利用电池储存能量的技术已经存在，但挑战在于能量如何被传递。一个极具前景的解决方案是直接利用阳光为充电站供电。然而，太阳是一个不可靠的伙伴；随着云朵飘过或白昼推进，其强度不断变化。这种波动为锂离子电池内部脆弱的化学反应创造了一个混乱的环境。如果电流过于不稳定或过于剧烈，可能会损坏电池或触发安全系统从而关闭充电。为了应对这一问题，工程师们依赖于充电系统的“大脑”——一个控制器，它能不断调整能量流，就像一位熟练的驾驶员通过调节油门来让车辆在颠簸的路面上平稳行驶一样。

来自巴布·巴纳拉斯·达斯理工学院（Babu Banarasi Das Institute of Technology and Management）的研究人员与来自马哈里希信息技术大学（Maharishi University of Information Technology）的同事们共同致力于确定哪种类型的控制器最适合这项高要求的任务。他们专注于三种不同的方法：一种被称为比例-积分控制器的传统方法，一种被称为模型预测控制的高级预测系统，以及一种使用人工智能的现代数据驱动方法。研究团队不仅停留在理论层面，还构建了一个太阳能充电站的详细模拟系统，并测试了每种控制器在阳光突然变化（模拟云层遮挡太阳能电池板）时的反应。随后，他们将研究结果进一步提升，通过硬件在环（Hardware-in-the-Loop）测试，将控制器连接到模拟环境中进行物理硬件测试，以观察它们在面对电子噪声和传感器缺陷等复杂现实情况时的表现。

这种拥有数十年行业标准地位、因其简单性而广受欢迎的传统控制器，在这些测试中表现得相当吃力。当阳光减弱时，该控制器反应迟钝，出现了剧烈的震荡运动。它将目标充电电流超调了约百分之十五，导致系统在最终稳定之前前后摆动。这种不稳定性意味着系统需要近半秒钟才能稳定下来，对于机器而言这看似转瞬即逝，但对于系统来说，这代表了宝贵能量的损失和对电池的潜在压力。在实际硬件测试中，这种抖动行为变得更加明显，控制器在寻找正确设置的过程中不断“徘徊”，并以热能的形式浪费了能量。它在这些噪声环境下的整体效率降至约百分之九十，这一数字表明有相当一部分采集到的太阳能并未被储存，而是被损耗掉了。

一种更为先进的方法——模型预测控制，提供了显著的改进。该系统不再仅仅是对发生的错误做出反应，而是利用数学模型进行前瞻，预测电池和太阳能电池板在未来几刻的行为。这种预见性使其能够平滑地调整充电电流，避免了传统方法中出现的剧烈超调。在模拟实验中，它在大约十分之一秒内使系统趋于稳定，且几乎没有超调。然而，这种智能也带来了沉重的代价：系统需要一个强大的处理器来实时解决复杂的优化问题。在实际硬件测试中，处理这些数据所需的时间引入了轻微的延迟，其整体效率稳定在略低于百分之九十八。尽管该方法很稳健，但研究人员指出，其计算需求可能使其难以应用于需要极快开关电源的系统中。

最具说服力的结果来自于人工智能控制器，它的运作方式不同于依赖僵化数学规则或预测模型的系统，而是通过学习数据进行运作。该系统接受了数千个关于太阳能电池板和电池在各种条件下表现的案例训练。在测试期间，当阳光发生变化时，人工智能控制器能瞬间识别出新的模式，并毫不犹豫地调整充电电流。它在不到百分之一秒内就达到了稳定状态，有效地消除了困扰其他方法的超调和振荡。在包含真实世界传感器噪声干扰的硬件测试中，人工智能控制器保持了近乎完美的追踪曲线，忽略了那些令传统控制器感到困惑的电子静电噪声。其效率飙升至接近百分之九十九点七，这意味着从太阳捕捉到的几乎所有能量都成功地转移到了电池中。

研究结论指出，虽然传统控制器成本低廉且易于构建，但并不适用于快速太阳能充电的动态需求。预测控制器提供了一个强有力的折中方案，但受限于其沉重的计算需求。人工智能控制器脱颖而出，成为了最有效的解决方案，它结合了先进预测的精准度与能够在标准汽车硬件上运行的速度。通过学习系统的复杂非线性行为，它能够过滤掉噪声，并在其他方法失效的地方保持稳定性。对于电动汽车的未来而言，这表明可靠、快速且高效的太阳能充电关键或许不在于构建更好的数学模型，而在于教会系统如何从经验中学习。