Интеграция МРРТ на основе машинного обучения с квадратичным двойным расширенным DC-DC-преобразователем для сетевых электромобилей BLDC, питаемых от солнечных батарей

Чистая энергия для дороги впереди

По мере того как электромобили переходят из ниши в мейнстрим, возникает важный вопрос: как заряжать и приводить их в движение с помощью чистой энергии, не тратя при этом даром драгоценную мощность? В этой статье рассматривается система привода на солнечной энергии, которая стремится извлечь из солнечного света больше электроэнергии, передать её эффективнее через электронику и надёжно привести в движение электрический двигатель, сохраняя баланс между сетью и бортовой батареей. В результате получается технический план для более чистой и эффективной электромобильности, который может сделать транспортные средства с солнечной зарядкой более практичными в повседневной жизни.

Почему солнечным автомобилям нужна более умная электроника

Солнечные панели привлекательны для питания транспортных средств, потому что они превращают бесплатный солнечный свет в электричество без выхлопных выбросов. Но одна панель даёт относительно низкое напряжение, и её выход постоянно меняется из‑за облачности, температуры и времени суток. Чтобы запустить электрический двигатель, это неустойчивое, низкоуровневое питание нужно повысить, стабилизировать и направить между мотором, аккумулятором и сетью. Традиционные электронные преобразователи способны на это, но им трудно эффективно достигать высоких напряжений, особенно при меняющихся условиях. Также многие существующие методы управления, ищущие «точку максимальной мощности» панели, работают медленно, склонны к колебаниям или легко дезориентируются при резких изменениях погоды и частичном затенении.

Новый способ усиления солнечной энергии

Чтобы преодолеть эти препятствия, авторы разрабатывают новый тип DC-DC‑преобразователя, названный квадратичным двойным расширенным (QDE). Проще говоря, эта схема принимает сравнительно небольшое постоянное напряжение от солнечной батареи и через тщательно устроенную сеть индукторов, конденсаторов, диодов и двух активных ключей повышает его до гораздо более высокого, полезного уровня. В отличие от обычных многоступенчатых повышающих устройств, которые соединяют несколько преобразователей последовательно — что увеличивает стоимость, сложность и дополнительные потери мощности — конструкция QDE повторно использует энергетические пути во времени внутри одной структуры. Это обеспечивает квадратичное увеличение выходного напряжения по управляющему сигналу (скважности), при этом уровень напряжения на элементах остаётся относительно низким. Низкая нагрузка на компоненты позволяет использовать более мелкие, менее нагревающиеся и более надёжные элементы, что способствует общей работе системы с более высокой эффективностью.

Дать алгоритму обучения искать солнце

Повышение напряжения — лишь половина задачи; системе также нужно решать, насколько интенсивно управлять преобразователем, чтобы в каждый момент извлечь максимальную мощность из панелей. Здесь авторы обращаются к машинному обучению и стратегии поиска, вдохновлённой природой. Они используют радиальную базисную функцию нейронной сети (RBFNN), тип простой модели обучения, способной описывать нелинейные зависимости, чтобы формировать управляющий сигнал преобразователя. Нейросеть настраивается методом оптимизации, смоделированным по поведению поисков пищи морских черепах, которые следуют химическим сигналам в океане к богатым кормовым территориям. В электронной аналогии множество «виртуальных черепах» исследуют разные комбинации параметров, постепенно сходясь к настройкам, которые максимизируют показатель эффективности, связанный с захватом мощности. Этот алгоритм Sea Turtle Foraging Optimization (STFO) даёт контроллеру возможность быстро и плавно реагировать на изменения освещённости и температуры, удерживая панели близко к их максимальной точке мощности при минимальных колебаниях.

Распределение энергии между солнцем, батареей и сетью

На стороне транспортного средства повышенная солнечная энергия подаётся на шину постоянного тока, питающую трёхфазный инвертор и бесщеточный двигатель постоянного тока (BLDC), который напрямую приводит в движение колёса. Простой пропорционально-интегральный (PI) регулятор поддерживает постоянную скорость двигателя при разных нагрузках. Чтобы автомобиль не оставался без энергии и не тратил впустую избыточную солнечную генерацию, система включает двунаправленный преобразователь, подключённый к аккумуляторной батарее, а также второй инвертор, связывающийся с электрической сетью. Батарея может заряжаться при сильном солнце и невысоком спросе на мотор, или отдавать энергию для поддержки движения и даже передавать её обратно в сеть в режиме vehicle-to-grid. Взаимодействие с сетью также управляется так, чтобы активная и реактивная мощность оставались в допустимых пределах, что помогает поддерживать чистый почти синусоидальный ток с очень низкими искажениями.

Испытание разработки

Исследователи проверяют свой подход с помощью моделирования и аппаратного прототипа. При реалистичных солнечных входных данных преобразователь QDE повышает напряжение панели примерно в два раза, поддерживая измеренную эффективность преобразования выше 95 процентов в моделировании и почти 94 процента в аппаратуре. Обученный методом STFO нейронный контроллер обеспечивает высокую эффективность слежения, то есть захватывает почти всю энергию, которую панели могут отдать, при небольших пульсациях и перерегулировании. Токи в сети показывают суммарные гармонические искажения значительно ниже общепринятых норм, что указывает на исключительно чистую подачу мощности обратно в сеть. Во всех испытаниях, когда солнце слабеет, солнечная батарея отключается или нагрузки меняются, аккумулятор и сеть бесшовно берут на себя питание, так что двигатель BLDC продолжает плавно работать на целевой скорости.

Что это значит для повседневных водителей

Проще говоря, исследование показывает, что умная электроника и управление на основе обучения могут сделать солнечные электромобили гораздо эффективнее и надёжнее. Сочетая повышающий преобразователь с большим коэффициентом передачи и низкой нагрузкой на элементы с биологически вдохновлённым самонастраивающимся контроллером, система извлекает больше полезной энергии из каждого луча света и тратит меньше на тепло и электрический шум. Скоординированное использование батареи и поддержки сети поддерживает стабильную работу мотора даже в неблагоприятных условиях. Хотя необходимы дальнейшие исследования для подтверждения долговременной надёжности в суровых условиях и при старении компонентов, эта архитектура указывает путь к более чистым и устойчивым электромобилям, которые лучше взаимодействуют как с крышными солнечными системами, так и с современными энергосетями.

Цитирование: 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

Ключевые слова: солнечные электромобили, силовая электроника, отслеживание максимальной точки мощности, интеграция возобновляемых источников энергии, приводы бесщеточных двигателей постоянного тока