Integración de MPPT basada en aprendizaje automático con convertidor CC-CC cuadrático doble extendido para vehículos eléctricos BLDC alimentados por PV conectados a la red

Energía limpia para el camino por delante

A medida que los vehículos eléctricos pasan de una propuesta marginal a algo generalizado, surge una pregunta clave: ¿cómo podemos cargarlos y propulsarlos con energía limpia sin desperdiciar potencia valiosa en el proceso? Este artículo explora un sistema de propulsión alimentado por energía solar que busca extraer más electricidad de la luz solar, trasladarla con mayor eficiencia a través de la electrónica y propulsar de forma fiable un motor eléctrico, todo manteniendo en equilibrio la red y la batería a bordo. El resultado es un plano técnico para una movilidad eléctrica más limpia y eficiente que podría hacer que los vehículos recargados por solar sean mucho más prácticos en la vida cotidiana.

Por qué los coches solares necesitan electrónica más inteligente

Los paneles solares resultan atractivos para alimentar vehículos porque convierten la luz gratuita del sol en electricidad sin emisiones por escape. Pero un solo panel produce un voltaje relativamente bajo, y su salida cambia constantemente con las nubes, la temperatura y la hora del día. Para alimentar un motor eléctrico, esa energía inestable y de bajo nivel debe elevarse, estabilizarse y encaminarse entre el motor, la batería y la red. Los convertidores electrónicos tradicionales pueden hacer esto, pero les cuesta alcanzar altos voltajes de forma eficiente, especialmente en condiciones cambiantes. Del mismo modo, muchos métodos de control existentes que buscan el “punto óptimo” de máxima potencia de un panel son lentos, tienden a oscilar o se confunden fácilmente con cambios rápidos del tiempo y el sombreado parcial.

Una nueva forma de aumentar la potencia solar

Para abordar estos obstáculos, los autores diseñan un nuevo tipo de convertidor CC-CC llamado convertidor cuadrático doble extendido (QDE). En términos sencillos, este circuito toma un voltaje CC modesto del arreglo solar y, mediante una red cuidadosamente dispuesta de inductores, condensadores, diodos y dos interruptores activos, lo multiplica hasta un nivel mucho más alto y útil. A diferencia de los elevadores multinivel convencionales que encadenan varios convertidores—añadiendo coste, complejidad y pérdidas de potencia adicionales—el diseño QDE reutiliza las trayectorias de energía a lo largo del tiempo dentro de una sola estructura. Esto produce un incremento cuadrático en la tensión de salida con la señal de control (ciclo de trabajo), a la vez que mantiene el estrés de tensión sobre los componentes relativamente bajo. Un menor estrés permite que las piezas sean más pequeñas, funcionen más frías y sean más fiables, ayudando a que todo el sistema opere con mayor eficiencia.

Dejar que un algoritmo de aprendizaje busque la luz

Elevar la tensión es solo la mitad de la historia; el sistema también debe decidir exactamente con qué intensidad accionar el convertidor para recolectar la mayor cantidad de potencia de los paneles en cada momento. Aquí los autores recurren al aprendizaje automático y a una estrategia de búsqueda inspirada en la naturaleza. Emplean una Red Neuronal de Funciones Base Radial (RBFNN), un tipo de modelo de aprendizaje simple que puede capturar relaciones no lineales, para generar la señal de control del convertidor. La red neuronal se ajusta mediante un método de optimización modelado en el comportamiento de forrajeo de las tortugas marinas, que siguen indicios químicos en el océano hasta zonas ricas en alimento. En el análogo electrónico, muchas “tortugas virtuales” exploran diferentes combinaciones de parámetros, convergiendo gradualmente hacia ajustes que maximizan una puntuación de rendimiento relacionada con la captura de potencia. Este proceso de Optimización por Forrajeo de Tortugas Marinas (STFO) proporciona al controlador la capacidad de responder rápida y suavemente a los cambios en la radiación solar y la temperatura, manteniendo los paneles cerca de su punto de máxima potencia con fluctuaciones mínimas.

Compartir energía entre sol, batería y red

En el lado del vehículo, la potencia solar elevada se envía a un bus CC que alimenta un inversor trifásico y un motor BLDC (sin escobillas), el elemento que realmente hace girar las ruedas. Un controlador proporcional–integral (PI) simple mantiene la velocidad del motor estable ante diferentes cargas. Para asegurar que el vehículo nunca se quede corto de energía—o desperdicie la producción solar excedente—el sistema incluye un convertidor bidireccional conectado a un paquete de baterías, así como un segundo inversor que se enlaza con la red eléctrica. La batería puede cargarse cuando el sol es fuerte y la demanda del motor es moderada, o descargarse para apoyar la conducción e incluso devolver energía a la red en un escenario vehículo-a-red. La interacción con la red también se gestiona para que la potencia activa y reactiva se mantengan dentro de límites saludables, contribuyendo a conservar una corriente limpia y casi sinusoidal con muy baja distorsión.

Poner el diseño a prueba

Los investigadores validan su enfoque mediante simulaciones por ordenador y un prototipo hardware. Con entradas solares realistas, el convertidor QDE eleva el voltaje del panel a alrededor del doble de su nivel mientras mantiene una eficiencia de conversión medida por encima del 95 por ciento en simulación y casi el 94 por ciento en el prototipo. El controlador neuronal entrenado por STFO alcanza una alta eficiencia de seguimiento, lo que significa que captura casi toda la potencia que los paneles pueden entregar, manteniendo a la vez pequeñas las ondulaciones y el sobreimpulso. Las corrientes hacia la red muestran una distorsión armónica total muy por debajo de los estándares habituales, lo que indica que la energía devuelta a la red es excepcionalmente limpia. A lo largo de pruebas en las que el sol se atenúa, el arreglo solar se apaga o las cargas cambian, la batería y la red se hacen cargo sin interrupciones para que el motor BLDC continúe funcionando de forma fluida a su velocidad objetivo.

Qué significa esto para los conductores de a pie

En términos sencillos, el estudio demuestra que la electrónica inteligente y el control basado en aprendizaje pueden hacer que los vehículos eléctricos alimentados por solar sean mucho más eficientes y fiables. Al combinar un convertidor de alto ganho y bajo estrés con un controlador autoajustable inspirado en la biología, el sistema extrae más energía útil de cada rayo de sol y desperdicia menos en calor y ruido eléctrico. El uso coordinado de la batería y el apoyo de la red mantiene el motor funcionando de forma estable, incluso cuando las condiciones están lejos de ser ideales. Aunque se necesita trabajo futuro para confirmar la robustez a largo plazo frente a entornos duros y al envejecimiento de los componentes, esta arquitectura apunta hacia vehículos eléctricos más limpios y resilientes que encajan mejor tanto con sistemas solares domésticos como con las redes eléctricas modernas.

Cita: 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

Palabras clave: vehículos eléctricos solares, electrónica de potencia, seguimiento del punto de máxima potencia, integración de energías renovables, accionamientos de motor CC sin escobillas