二次的二重拡張DC-DCコンバータと機械学習ベースMPPTの統合：系統連系型太陽光駆動BLDC電気自動車

これからの道路にクリーンな電力を

電気自動車がニッチから主流へ移行する中で重要な問いが浮かびます。貴重な電力を無駄にせずに、どうすればクリーンなエネルギーで充電・駆動できるか。本文は、太陽光からより多くの電力を引き出し、エレクトロニクスを通じて効率よく伝え、信頼して電動機を駆動しつつ、系統と車載バッテリのバランスを保つことを目指した太陽光駆動システムを検討します。その結果は、日常での実用性を高め得る、よりクリーンで効率的な電動モビリティの技術設計図を示します。

なぜ太陽光車はより賢い電子回路を必要とするのか

太陽電池は無料の太陽光を排出ゼロの電力に変えるため、車両電源として魅力的です。しかし単一パネルは比較的低い電圧を出力し、その出力は雲、温度、時刻によって常に変動します。電動機を駆動するには、その不安定で低レベルの電力を昇圧・安定化し、モータ、バッテリ、系統間で振り分ける必要があります。従来の電子コンバータはこれを行えますが、特に変動条件下では高電圧を効率良く実現するのが難しい場合があります。同様に、パネルの最大電力点（MPP）を探索する多くの既存制御法は遅く、発振しやすく、急激な天候変化や部分陰遮に混乱されやすいという欠点があります。

太陽光を高める新しい手法

これらの課題に対処するため、著者らは二次的二重拡張（quadratic double-extended：QDE）と呼ぶ新しい型のDC-DCコンバータを設計します。簡単に言えば、この回路は太陽光アレイからの低めの直流電圧を取り込み、インダクタ、コンデンサ、ダイオード、二つの能動スイッチを慎重に配したネットワークを通して、はるかに高く有用な電圧に増幅します。複数の段を直列に繋いで昇圧する従来方式がコスト、複雑さ、追加の損失を生むのに対し、QDE設計は単一構造内で時間を通じてエネルギー経路を再利用します。これにより、制御信号（デューティ比）に対して出力電圧が二次的に増加しつつ、部品への電圧ストレスを比較的低く保てます。ストレスが低いということは部品を小型・低発熱・高信頼化でき、システム全体の高効率化に寄与します。

学習アルゴリズムに日差しを探させる

昇圧は話の半分に過ぎません。システムはいつでもパネルから最大の電力を収穫するために、コンバータをどれだけ駆動するかを決める必要があります。ここで著者らは機械学習と自然に着想を得た探索戦略を用います。彼らは放射基底関数ニューラルネットワーク（RBFNN）という、非線形関係を捉えられる比較的単純な学習モデルを用いてコンバータの制御信号を出力します。このニューラルネットワークは、海亀の採餌行動に模した最適化手法で調整されます。海亀は化学的手がかりに従って海中をたどり餌場に到達しますが、電子的な類比では多くの“仮想亀”が異なるパラメータ組み合わせを探索し、徐々に電力獲得に関する性能スコアを最大化する設定へ収束します。このSea Turtle Foraging Optimization（STFO）プロセスにより、コントローラは日照や温度の変化に迅速かつ滑らかに応答し、パネルを最大電力点近傍に維持して変動を最小限に抑えられます。

太陽、バッテリ、系統間の電力共有

車両側では、昇圧された太陽電力がDCバスに送られ、三相インバータとブラシレスDC（BLDC）モータへ給電されます。モータ速度は単純な比例–積分（PI）制御器でさまざまな負荷下でも安定に保たれます。車両がエネルギー不足になったり、余剰の太陽発電を無駄にしたりしないよう、システムにはバッテリパックに接続された双方向コンバータと、系統と接続する第2のインバータが含まれます。日差しが強くモータ需要が小さい時はバッテリを充電し、走行支援や車両から系統への送電（V2G）では放電して電力を供給できます。系統との相互作用も、実効・無効電力が健全な範囲に収まるよう管理され、極めて低い歪みでほぼ正弦波状のクリーンな電流を維持します。

設計の実証

研究者らはコンピュータシミュレーションとハードウェアプロトタイプでアプローチを検証します。現実的な太陽入力条件下で、QDEコンバータはパネル電圧をおよそ2倍程度に引き上げ、シミュレーションでは変換効率95％超、ハードウェアではほぼ94％の効率を維持しました。STFOで学習したニューラルコントローラは高い追従効率を達成し、パネルが供給できる電力をほぼ取り逃さず、リップルやオーバーシュートも小さく抑えました。系統側電流は総高調波歪みが一般的規格より十分低く、系統へ返される電力が非常にクリーンであることを示しています。日差しが弱まる、太陽アレイが遮断される、負荷が変わるといった試験でも、バッテリと系統がシームレスに引き継ぎ、BLDCモータは目標速度で滑らかに回り続けました。

日常のドライバーにとっての意味

平たく言えば、この研究は賢い電子回路と学習ベースの制御により、太陽光駆動の電気自動車がはるかに効率的で信頼性の高いものになり得ることを示しています。高ゲインかつ低ストレスなコンバータと、生物に着想を得た自己調整コントローラを組み合わせることで、各光線からより多くの有用なエネルギーを引き出し、熱や電気的ノイズでの損失を減らします。バッテリと系統の協調利用により、条件が理想的でない場合でもモータは安定して駆動されます。厳しい環境や経年劣化下での長期的な堅牢性を確認するための追加検討は必要ですが、このアーキテクチャは屋根置き太陽光や現代の電力網と相性の良い、よりクリーンで回復力のあるEVへの道筋を示しています。

引用: 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

キーワード: 太陽光電動車, パワーエレクトロニクス, 最大電力点追従, 再生可能エネルギー統合, ブラシレスDCモータ駆動