一种用于可持续电动汽车充电的混合优化与图网络方法，基于双有源桥变换器与可再生能源

为什么更清洁的汽车充电很重要

电动汽车承诺带来更清洁的街道和更低的碳排放，但我们为其充电的方式仍然在很大程度上依赖传统电网。本研究探讨如何构建一个更智能的充电站，使其主要从太阳能和氢燃料电池获取电力，支持电池作为备用，并同时提供可靠且价格合理的充电。通过将高效的电力变换器与借鉴自然与现代人工智能的先进算法相结合，作者展示了未来的充电枢纽如何在变得更环保的同时也更经济。

太阳、氢与电池的混合

本工作中考察的充电站使用太阳能板、燃料电池和电池组的混合，这些都连接到一个公共的直流“母线”，类似于能量高速公路。太阳能板在有日照时提供低成本电力，而燃料电池在阴天或需求激增时提供可控的备用电力。电池存储多余能量并填补缺口，平滑可再生能源输出和驾驶行为的自然波动。这三种能源协同工作，旨在即便在能源供应和驾驶行为高度变化的情况下，也能保持电动汽车充电的稳定性。

站点核心的电力电子设备

在该共享能量母线与车辆电池之间，有一件关键硬件称为双有源桥变换器。它类似于电力的智能变速箱，允许电能双向高效流动并提供电气隔离以保障安全。通过精确调整内部开关的时序，变换器可以调节发送到车辆或储能电池的功率。这样的精细控制有助于将母线电压维持在恒定水平，并塑造电流曲线，使车辆电池在开始时快速充电，随后以更温和的速率充电，从而有利于电池寿命保护。

受自然启发的能量调度以降低成本

仅有硬件还不够；充电站还需要一个“大脑”来决定何时使用太阳能、何时调用燃料电池以及何时给电池充放电。为此，研究人员采用了一种“鹈鹕优化算法”，这是一种模仿鹈鹕群体捕食鱼类合作行为的数学方法。在研究中，每个虚拟“鹈鹕”代表一种不同的功率流调度和变换器设置方式。通过反复探索和改进这些选项，算法搜索能够在考虑设备限制以及驾驶者和可再生能源波动行为的前提下，将长期能量成本最小化的运行方案。

用于实时决策的图模型“大脑”

为了补充该调度器，团队使用了一种先进的神经网络，称为带属性的多阶图卷积网络。该模型不再将每个能源源或负载孤立地看待，而是把充电站视为一个相互连接的节点网络：太阳能输出、燃料电池行为、电池荷电状态、母线电压和车辆充电需求。它学习某一点变化如何在系统中产生连锁效应，捕捉简单模型难以识别的多步关系。训练完成后，这个基于图的“大脑”能预测用于双有源桥变换器的最佳控制信号，帮助充电站在阳光或充电需求突变时实时响应。

仿真揭示的结果

通过详尽的计算机仿真，作者展示了他们的混合控制方案能在启动后数秒内使关键电气量——如中心母线电压、负载电流和车辆电池电压——保持稳定。在他们的测试场景中，太阳能发电逐渐衰减，而燃料电池与电池调整各自的出力，使车辆持续获得近乎恒定的功率。车辆电池的充电曲线符合驾驶者的预期：起始阶段电压和电流快速上升，随后进入更平缓的阶段以保护电池免受应力。总体而言，该充电站能提供约4千瓦的稳定充电功率，仅出现轻微且能快速被纠正的跌落。

更环保充电的更低成本

或许最令人注目的结果是经济性。当将这种新方法——将基于鹈鹕的优化与图神经网络相结合——与多种流行调度技术进行比较时，发现其每单位交付能量的成本最低。研究报告的平准化能源成本约为每千瓦时五点五美分左右，与标准粒子群方法相比下降了约一半，与一些其他启发式方法相比则降低了逾70%。对普通读者而言，这意味着通过协调不同清洁能源何时以及如何为充电器供电，并精确控制电力电子设备，充电站可以以与或优于传统电网供电方案竞争的价格，提供可靠的可再生能源充电。

引用: 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

关键词: 电动汽车充电, 可再生能源, 智能电网, 电力电子, 能源优化