En hybrid optimering och grafnätverk för hållbar laddning av elfordon med en dual active bridge-omvandlare och förnybar energi

Varför renare bil­laddning spelar roll

Elfordon lovar renare gator och lägre koldioxidutsläpp, men hur vi laddar dem förlitar sig fortfarande i hög grad på det konventionella elnätet. Denna studie undersöker hur man bygger en smartare laddstation som i första hand hämtar kraft från solen och vätgasbränsleceller, stödjer batterier för reservkraft och samtidigt levererar pålitlig och prisvärd laddning. Genom att kombinera en effektiv effektomvandlare med avancerade algoritmer lånade både från naturen och modern artificiell intelligens visar författarna hur morgondagens ladd­noder skulle kunna bli både grönare och billigare.

Att blanda sol, vätgas och batterier

Den laddstation som studeras använder en mix av solpaneler, en bränslecellsenhet och en batteribank som alla är kopplade till en gemensam likströms"buss", en slags energimotorväg. Solpanelerna levererar lågekostnads­ström när solen skiner, medan bränslecellen erbjuder styrbar reservkraft när moln drar in eller efterfrågan ökar. Ett batteri lagrar överskottsenergi och fyller i luckor, vilket utjämnar de naturliga svängningarna i förnybar produktion och förar­mönster. Tillsammans syftar dessa tre källor till att hålla laddningen av elbilar stabil även när både energitillgång och förarbeteenden varierar mycket.

Effekt-elektroniken i stationens mitt

Mellan denna delade energibuss och fordonets batteri sitter en nyckelkomponent kallad dual active bridge-omvandlare. Den fungerar som ett intelligent växellåda för elektricitet, vilket tillåter effekt att flöda i båda riktningar med hög verkningsgrad och elektrisk isolering för säkerhet. Genom att noggrant förskjuta timing för sina interna switchar kan omvandlaren reglera hur mycket effekt som skickas till eller från bilen och stationens lagringsbatteri. Denna fina styrning hjälper till att hålla bussens spänning kring en konstant nivå och formar strömmen så att bilens batteri laddas snabbt i början och därefter mer försiktigt, vilket bidrar till att bevara batteriets livslängd.

Naturinspirerad planering för billigare energi

Hårdvara räcker inte ensam; stationen behöver också en hjärna som beslutar när solenergi ska användas, när bränslecellen ska kopplas in och när batteriet ska laddas eller urladdas. För detta använder forskarna en "pelican optimization algorithm", en matematisk metod modellerad på hur pelikaner samarbetar vid fiske. I studien representerar varje virtuellt "pelikan" ett annorlunda sätt att schemalägga effektflöden och omvandlarinställningar. Genom att upprepade gånger utforska och förfina dessa alternativ söker algoritmen driftplaner som minimerar de långsiktiga energikostnaderna, med hänsyn tagen till utrustningsbegränsningar och de fluktuerande beteendena hos förare och förnybar produktion.

En grafbaserad hjärna för realtidsbeslut

Som komplement till denna planeringsmekanism använder teamet ett avancerat neuralt nätverk kallat ett attributerat multi-order graph convolutional network. Istället för att betrakta varje energikälla eller last isolerat behandlar modellen stationen som ett nätverk av sammankopplade noder: solproduktion, bränslecellsbeteende, batteriets laddningsnivå, bussens spänning och fordonsladdningsbehov. Det lär sig hur förändringar på en punkt sprider sig genom resten av systemet och fångar flerstegsrelationer som enklare modeller missar. När det väl är tränat förutsäger detta grafbaserade system de bästa styrsignalerna för dual active bridge-omvandlaren och hjälper stationen att reagera i realtid på plötsliga skiften i solljus eller laddningsbehov.

Vad simuleringarna visar

Med detaljerade dator­spe­lantioner visar författarna att deras hybrida styrschema håller nyckelstorheter—såsom den centrala buss­spänningen, lastströmmen och fordonets batterispänning—stabila inom sekunder efter uppstart. Solkraften avtar successivt i deras testsituation, medan bränslecellen och batteriet justerar sina bidrag så att bilen fortsätter att få nästan konstant effekt. Fordonsbatteriets laddningsprofil speglar vad förare förväntar sig: en snabb ökning i spänning och ström i början, följt av en mjukare fas som skyddar batteriet från påfrestning. Sammantaget levererar stationen omkring 4 kilowatt jämn laddningseffekt med endast mindre, snabbt korrigerade dippar.

Lägre kostnader för grönare laddning

Kanske det mest anmärkningsvärda resultatet är ekonomiskt. När den nya metoden—som kombinerar pelikanbaserad optimering med grafneuralt nätverk—jämförs med en rad populära planeringstekniker ger den den lägsta kostnaden per levererad energienhet. Studien rapporterar en nivåiserad energikostnad på ungefär fem och en halv cent per kilowattimme, en minskning med ungefär hälften jämfört med en standard particle swarm-metod och mer än 70 procent jämfört med vissa andra heuristiska angreppssätt. För en lekmannaläsare innebär detta att genom att orkestrera när och hur olika rena energikällor matar laddaren, och genom att precist styra effekt­elektroniken, kan stationen erbjuda pålitlig, förnybar laddning till ett pris som är konkurrenskraftigt med eller bättre än konventionella nätbaserade alternativ.

Citering: Narayanan, P., Kandasamy, P., Kandasamy, N. et al. A hybrid optimization and graph network for sustainable electric vehicle charging using a dual active bridge converter and renewable energy. Sci Rep 16, 8868 (2026). https://doi.org/10.1038/s41598-026-36280-0

Nyckelord: laddning av elfordon, förnybar energi, intelligenta nät, effekt-elektronik, energioptimering