Integration von MPPT auf Basis maschinellen Lernens mit quadratischem doppelt-erweitertem DC-DC-Wandler für netzgekoppelte, PV-betriebene BLDC-Elektrofahrzeuge

Saubere Energie für die Straße von morgen

Während Elektrofahrzeuge vom Nischenprodukt zur Massenanwendung übergehen, stellt sich eine zentrale Frage: Wie können wir sie mit sauberer Energie laden und antreiben, ohne dabei unnötig Leistung zu vergeuden? Dieser Artikel untersucht ein solarbetriebenes Antriebssystem, das darauf abzielt, mehr elektrische Energie aus Sonnenlicht zu gewinnen, sie effizienter durch Leistungselektronik zu leiten und zuverlässig einen Elektromotor anzutreiben – und das alles bei gleichzeitiger Abstimmung zwischen Netz und Bordbatterie. Das Ergebnis ist ein technischer Bauplan für sauberere, effizientere Elektromobilität, der solarbetriebene Fahrzeuge im Alltag deutlich praktikabler machen könnte.

Warum Solarfahrzeuge intelligentere Elektronik brauchen

Solarzellen sind attraktiv für die Fahrzeugversorgung, weil sie kostenloses Sonnenlicht in Elektrizität verwandeln, ohne Abgasemissionen. Eine einzelne Zelle liefert jedoch relativ niedrige Spannungen, deren Leistung sich ständig mit Wolken, Temperatur und Tageszeit ändert. Um einen Elektromotor zu betreiben, muss diese schwankende, niedrigstufige Energie erhöht, stabilisiert und zwischen Motor, Batterie und Netz gesteuert werden. Konventionelle elektronische Wandler können das leisten, haben aber besonders unter wechselnden Bedingungen Probleme, effizient hohe Spannungen zu erreichen. Ebenso sind viele herkömmliche Regelverfahren zur Suche nach dem „Sweet Spot“ der maximalen Leistung langsam, neigen zu Oszillationen oder werden durch schnelle Wetterwechsel und teilweise Verschattung leicht verwirrt.

Eine neue Methode zur Spannungserhöhung für Solarpower

Um diese Hürden zu überwinden, entwerfen die Autoren einen neuen Typ von DC-DC-Wandler, den sogenannten quadratischen doppelt-erweiterten (QDE) Wandler. Einfach ausgedrückt nimmt diese Schaltung eine moderate Gleichspannung vom Solargenerator auf und vervielfacht sie durch ein sorgfältig angeordnetes Netzwerk aus Induktivitäten, Kondensatoren, Dioden und zwei aktiven Schaltern auf ein deutlich höheres, nützlicheres Niveau. Anders als herkömmliche mehrstufige Booster, die mehrere Wandler hintereinanderschalten – was Kosten, Komplexität und zusätzliche Leistungsverluste erhöht – nutzt das QDE-Design Energiepfade zeitlich innerhalb einer einzigen Struktur wieder. Das führt zu einer quadratischen Erhöhung der Ausgangsspannung in Abhängigkeit vom Steuersignal (Tastverhältnis), während die Spannungsbelastung der Bauteile relativ gering bleibt. Geringere Belastung erlaubt kleinere, kühlere und zuverlässigere Bauteile und trägt so zu höherer Gesamteffizienz bei.

Ein Lernalgorithmus jagt das Sonnenlicht

Die Spannungserhöhung ist nur die halbe Miete; das System muss auch entscheiden, wie stark der Wandler jeweils angesteuert werden soll, um zu jedem Zeitpunkt die maximale Leistung aus den Modulen zu gewinnen. Hier setzen die Autoren auf maschinelles Lernen und eine von der Natur inspirierte Suchstrategie. Sie verwenden ein Radial-Basis-Funktions-Neuronales Netz (RBFNN), ein einfaches Lernmodell, das nichtlineare Zusammenhänge abbilden kann, um das Steuersignal des Wandlers zu erzeugen. Das Netzwerk wird durch ein Optimierungsverfahren abgestimmt, das dem Nahrungssuchverhalten von Meeresschildkröten nachempfunden ist, die chemischen Spuren im Ozean zu nahrungsreichen Zonen folgen. In der elektronischen Analogie erkunden viele „virtuelle Schildkröten“ verschiedene Parameterkombinationen und konvergieren allmählich zu Einstellungen, die eine Leistungsbewertung maximieren. Dieser Sea Turtle Foraging Optimization (STFO)-Prozess verleiht dem Regler die Fähigkeit, schnell und glatt auf Verschiebungen von Sonneneinstrahlung und Temperatur zu reagieren und die Module mit minimaler Schwankung nahe ihrem Maximum-Power-Point zu halten.

Leistungsteilung zwischen Sonne, Batterie und Netz

Auf Fahrzeugseite wird die erhöhte Solarleistung auf eine Gleichstromschiene geleitet, die einen Drehstromwechselrichter und einen bürstenlosen Gleichstrommotor (BLDC) speist – die Arbeitsmaschine, die letztlich die Räder antreibt. Ein einfacher Proportional–Integral-(PI)-Regler hält die Motordrehzahl unter unterschiedlichen Lasten konstant. Damit das Fahrzeug nie Energie ausgeht oder überschüssige Solarleistung verschwendet wird, enthält das System einen bidirektionalen Wandler, der mit einem Batteriepack verbunden ist, sowie einen zweiten Wechselrichter, der mit dem Stromnetz gekoppelt ist. Die Batterie kann laden, wenn die Sonne stark scheint und die Motornachfrage gering ist, oder entladen, um beim Fahren zu unterstützen und sogar Energie im Vehicle-to-Grid-Betrieb ins Netz zurückzuspeisen. Die Netzkopplung wird ebenfalls so gesteuert, dass Wirkleistungen und Blindleistungen in gesunden Grenzen bleiben, wodurch ein nahezu sinusförmiger Strom mit sehr geringer Verzerrung gewährleistet wird.

Erprobung des Entwurfs

Die Forscher validieren ihren Ansatz mittels Computersimulationen und eines Hardware-Prototyps. Bei realistischen Solareingängen hebt der QDE-Wandler die Modulspannung auf etwa das Doppelte an und erzielt dabei in Simulation eine gemessene Umwandlungseffizienz von über 95 Prozent und in der Hardware knapp 94 Prozent. Der mit STFO trainierte neuronale Regler erreicht eine hohe Tracking-Effizienz, das heißt, er macht fast die gesamte vom Modul verfügbare Leistung nutzbar und hält Welligkeit und Überschwingen gering. Die Netzströme zeigen eine Gesamtklirrfaktor (THD) weit unter gängigen Normen, was darauf hindeutet, dass die ins Netz zurückgeführte Leistung außergewöhnlich sauber ist. Bei Tests, in denen die Sonne nachließ, das Solarglied abgeschaltet wurde oder Lasten wechselten, übernehmen Batterie und Netz nahtlos, sodass der BLDC-Motor weiterhin stabil mit der Zielgeschwindigkeit läuft.

Was das für den Alltag von Fahrenden bedeutet

Einfach ausgedrückt zeigt die Studie, dass intelligente Elektronik und lernbasierte Regelung solarbetriebene Elektrofahrzeuge deutlich effizienter und zuverlässiger machen können. Durch die Kombination eines hochverstärkenden, niederbelasteten Wandlers mit einem biologisch inspirierten, selbstanpassenden Regler gewinnt das System aus jedem Sonnenstrahl mehr nutzbare Energie und verliert weniger in Form von Wärme und elektrischen Störungen. Das koordinierte Zusammenspiel von Batterie- und Netznutzung hält den Motor stabil, selbst wenn die Bedingungen ungünstig sind. Obwohl weitere Arbeiten nötig sind, um Langzeitrobustheit unter rauen Umgebungsbedingungen und Alterung der Komponenten zu bestätigen, weist diese Architektur den Weg zu saubereren, widerstandsfähigeren EVs, die bessere Partner für Dachsolar-Systeme und moderne Stromnetze sind.

Zitation: Karthikeyan, D., Shukla, .K. & Rajesh, K. Machine learning-based MPPT integration with quadratic double-extended DC-DC converter for grid-connected PV-powered BLDC electric vehicles. Sci Rep 16, 11466 (2026). https://doi.org/10.1038/s41598-026-41938-w

Schlüsselwörter: solarelektrofahrzeuge, Leistungselektronik, Maximum-Power-Point-Tracking, Integration erneuerbarer Energien, bürstenlose Gleichstrommotorantriebe