Intégration MPPT basée sur l’apprentissage automatique avec convertisseur DC-DC quadratique double-étendu pour véhicules électriques BLDC alimentés par PV et connectés au réseau

Énergie propre pour la route à venir

Alors que les véhicules électriques passent d’un statut de niche à une adoption grand public, une question clé se pose : comment les recharger et les propulser avec de l’énergie propre sans gaspiller d’électricité en cours de route ? Cet article examine un système d’entraînement alimenté par le solaire qui vise à extraire davantage d’électricité de la lumière du soleil, à la faire transiter plus efficacement dans l’électronique et à propulser de manière fiable un moteur électrique, tout en maintenant l’équilibre entre le réseau et la batterie embarquée. Le résultat est un plan technique pour une mobilité électrique plus propre et plus efficace, susceptible de rendre les véhicules rechargés au solaire bien plus pratiques au quotidien.

Pourquoi les voitures solaires ont besoin d’électronique plus intelligente

Les panneaux solaires sont attrayants pour alimenter les véhicules car ils convertissent la lumière gratuite du soleil en électricité sans émissions d’échappement. Mais un seul panneau fournit une tension relativement basse, et sa sortie varie en permanence avec les nuages, la température et l’heure de la journée. Pour alimenter un moteur électrique, cette énergie instable et de faible niveau doit être rehaussée, stabilisée et orientée entre le moteur, la batterie et le réseau. Les convertisseurs électroniques traditionnels peuvent le faire, mais ils peinent à atteindre des tensions élevées avec efficacité, surtout en conditions changeantes. De même, de nombreuses méthodes de commande existantes qui recherchent le « point optimal » de puissance maximale d’un panneau sont lentes, sujettes à des oscillations ou facilement perturbées par des variations météorologiques rapides et l’ombrage partiel.

Une nouvelle manière d’amplifier la puissance solaire

Pour relever ces défis, les auteurs conçoivent un nouveau type de convertisseur DC-DC appelé convertisseur quadratique double-étendu (QDE). En termes simples, ce circuit reçoit une tension continue modeste issue du champ solaire et, grâce à un réseau soigneusement agencé d’inductances, de condensateurs, de diodes et de deux interrupteurs actifs, la multiplie à un niveau bien plus élevé et utile. Contrairement aux élévateurs multi-étages conventionnels qui enchaînent plusieurs convertisseurs — augmentant le coût, la complexité et les pertes — le design QDE réutilise des trajectoires d’énergie dans le temps au sein d’une structure unique. Cela produit une augmentation quadratique de la tension de sortie en fonction du signal de commande (rapport cyclique), tout en maintenant la contrainte de tension sur les composants relativement faible. Une contrainte réduite signifie que les éléments peuvent être plus petits, moins chauffés et plus fiables, aidant l’ensemble du système à fonctionner avec une efficacité supérieure.

Laisser un algorithme d’apprentissage chasser la lumière

L’élévation de la tension n’est qu’une partie de l’équation ; le système doit aussi décider précisément avec quelle intensité piloter le convertisseur pour capter le maximum d’énergie des panneaux à chaque instant. Les auteurs ont recours à l’apprentissage automatique et à une stratégie de recherche inspirée de la nature. Ils utilisent un réseau de neurones à fonctions de base radiale (RBFNN), un type de modèle d’apprentissage simple capable de capturer des relations non linéaires, pour générer le signal de commande du convertisseur. Le réseau est optimisé par une méthode inspirée du comportement d’alimentation des tortues marines, qui suivent des indices chimiques dans l’océan pour atteindre des zones de nourrissage riches. Dans l’analogie électronique, de nombreuses « tortues virtuelles » explorent différentes combinaisons de paramètres, convergeant progressivement vers des réglages qui maximisent un score de performance lié à la capture d’énergie. Ce processus d’optimisation Sea Turtle Foraging Optimization (STFO) confère au contrôleur la capacité de répondre rapidement et en douceur aux variations d’ensoleillement et de température, en maintenant les panneaux proches de leur point de puissance maximale avec des fluctuations minimales.

Partage d’énergie entre le soleil, la batterie et le réseau

Côté véhicule, l’énergie solaire élevée est envoyée sur un bus DC qui alimente un onduleur triphasé et un moteur brushless DC (BLDC), l’élément qui fait réellement tourner les roues. Un contrôleur proportionnel–intégral (PI) simple maintient la vitesse du moteur constante sous différentes charges. Pour s’assurer que le véhicule ne manque jamais d’énergie — ou n’épuise pas la production solaire excédentaire — le système comprend un convertisseur bidirectionnel connecté à une batterie ainsi qu’un second onduleur relié au réseau électrique. La batterie peut se charger lorsque le soleil est fort et la demande moteur faible, ou se décharger pour soutenir la conduite et même réinjecter de l’énergie dans le réseau dans un scénario véhicule-vers-réseau. L’interaction avec le réseau est gérée de sorte que les puissances active et réactive restent dans des limites saines, contribuant à maintenir un courant propre, quasi sinusoïdal et à très faible distorsion.

Soumettre la conception à l’épreuve

Les chercheurs valident leur approche par des simulations informatiques et un prototype matériel. Avec des entrées solaires réalistes, le convertisseur QDE élève la tension du panneau à environ le double de son niveau tout en maintenant une efficacité de conversion mesurée supérieure à 95 % en simulation et près de 94 % sur le matériel. Le contrôleur neuronal entraîné par STFO atteint une grande efficacité de suivi, ce qui signifie qu’il capte presque toute l’énergie disponible des panneaux, tout en gardant ondulations et dépassements faibles. Les courants réseau présentent une distorsion harmonique totale bien en deçà des normes courantes, indiquant que l’énergie réinjectée dans le réseau est exceptionnellement propre. Lors d’essais où le soleil faiblit, le champ solaire est mis hors service ou les charges changent, la batterie et le réseau prennent le relais de manière transparente afin que le moteur BLDC continue de tourner en douceur à sa vitesse cible.

Qu’est-ce que cela signifie pour les conducteurs au quotidien

Concrètement, l’étude montre que l’électronique intelligente et la commande basée sur l’apprentissage peuvent rendre les véhicules électriques solaires bien plus efficaces et fiables. En combinant un convertisseur à fort gain et faible contrainte avec un contrôleur auto-ajustable inspiré du vivant, le système extrait plus d’énergie utile de chaque rayon de soleil et perd moins en chaleur et en bruit électrique. L’utilisation coordonnée de la batterie et du soutien du réseau maintient le moteur stable, même lorsque les conditions sont loin d’être idéales. Si des travaux futurs sont nécessaires pour confirmer la robustesse à long terme en environnement sévère et face au vieillissement des composants, cette architecture ouvre la voie à des véhicules électriques plus propres et plus résilients, meilleurs partenaires des systèmes solaires de toit et des réseaux électriques modernes.

Citation: 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

Mots-clés: véhicules électriques solaires, électronique de puissance, pisteur du point de puissance maximale, intégration des énergies renouvelables, actionneurs à moteur DC sans balais