Questo studio sviluppa un sistema MPPT basato su reti neurali artificiali (ANN) supportato da accumulo a batteria per una stazione di ricarica autonoma per veicoli elettrici alimentata da un sistema fotovoltaico bifacciale. Inoltre, l'algoritmo di ottimizzazione ispirato al comportamento del serpente del Capo (Secretary Bird Optimization Algorithm, SBOA) ottimizza i parametri del convertitore CC-CC, del filtro e del controllore PI al fine di minimizzare la distorsione armonica totale (THD) e la deviazione della tensione sul bus in corrente continua (DC-bus).
Articolo di ricerca
Progettazione di un convertitore DC-DC per una stazione di ricarica per veicoli elettrici stand-alone alimentata da pannelli fotovoltaici bifacciali mediante l'algoritmo di ottimizzazione Secretary Bird
In questo articolo
Sommario
Abstract
In risposta alla crescente attenzione verso la mobilità sostenibile, questo studio presenta un sistema di ricarica per veicoli elettrici (EV) basato su fonti rinnovabili e dotato di un accumulo energetico mediante batteria in stazione (BES). Il sistema utilizza un impianto fotovoltaico bifacciale (PV) con uno schema di ricerca del punto di massima potenza (MPPT) assistito da una rete neurale artificiale (ANN). Inoltre, l'algoritmo di ottimizzazione ispirato al comportamento del serpentario (SBOA) viene impiegato per ottimizzare i parametri del convertitore CC-CC, del filtro e del controllore PI, al fine di minimizzare la distorsione armonica totale (THD) mantenendo al contempo una tensione stabile sul bus in corrente continua. Sono stati valutati cinque modelli di veicoli elettrici, tra cui un modello basato su batteria al piombo-acido (BMW i3) e quattro modelli basati su batteria agli ioni di litio (Fiat 500e, Mercedes EQA 250, Volkswagen e-Golf e Hyundai Kona Electric). La configurazione MPPT proposta estrae la massima energia dal sistema fotovoltaico bifacciale mantenendo una tensione stabile sul bus in corrente continua in condizioni ambientali e di carico variabili. La validazione mediante simulazioni in MATLAB/Simulink in tre scenari operativi (irradianza = 800–1000 W/m2; temperatura = 20–25 °C) dimostra un'elevata efficienza di conversione, valori di THD pari a 2,85%, 2,26% e 2,23% e una gestione della potenza robusta, adatta a stazioni di ricarica per veicoli elettrici in assenza di rete.
Introduzione
Oggi, l'integrazione di fonti rinnovabili, principalmente solari, e di stazioni di ricarica per veicoli elettrici (EV) nel sistema di distribuzione è fondamentale. Tuttavia, questa integrazione provoca problemi di qualità dell'energia (PQ) e richiede tecniche avanzate di MPPT per estrarre potenza dalle fonti rinnovabili. A causa della rapida crescita nell'adozione di veicoli elettrici, è diventato essenziale disporre di un'infrastruttura di ricarica veloce e affidabile. L'uso di stazioni di ricarica tradizionali collegate alla rete provoca emissioni di carbonio, sollecitazioni e problemi di qualità dell'energia (PQ). Inoltre, l'integrazione di fonti di energia rinnovabile, come l'energia solare, con i veicoli elettrici può contribuire a ridurre le emissioni di carbonio. Tuttavia, l'accumulo in batteria è considerato insieme all'energia solare, poiché quest'ultima è intrinsecamente discontinua. Le tecniche di MPPT basate sull'intelligenza artificiale producono un'uscita solare maggiore rispetto ai metodi convenzionali di perturbazione e osservazione (P & O).
È stato proposto un nuovo algoritmo di controllo basato su un integratore generalizzato del quinto ordine smorzato per sistemi fotovoltaici connessi alla rete, al fine di trasferire con precisione l'energia solare alla rete con fattore di potenza unitario, utilizzando l'ottimizzazione basata sulla psicologia umana1. Inoltre, è stata impiegata una strategia di controllo ottimale basata sull'apprendimento di tipo hill-climbing, potenziata da un filtro di Kalman adattivo con valore ottimale-M, per migliorare l'estrazione di potenza dal sistema fotovoltaico2. D'altro canto, è stato utilizzato un algoritmo predittivo per gestire ed regolare in modo efficiente la potenza nel sistema fotovoltaico integrato nel microgrid. Il sistema è configurato con una struttura a doppio stadio 3φ3.
Nel frattempo, è stato sviluppato un nuovo sensore di tensione con un approccio a basso consumo energetico per estrarre la massima potenza in uscita da un sistema fotovoltaico collegato a una stazione di ricarica per veicoli elettrici, con particolare attenzione all'efficienza e alla velocità 4. Tuttavia, è stato ideato un nuovo approccio di autenticazione dei comandi per identificare attacchi di iniezione di dati fraudolenti che colpiscono specificamente i segnali di controllo centralizzati per la distribuzione economica del sistema5. Inoltre, è stato introdotto un approccio avanzato per ricavare mappe di salienza da configurazioni interconnesse di pannelli solari e per valutare l'ambiente circostante alla ricerca di ombreggiamenti6. È stata presentata una strategia di controllo per gestire con successo i problemi di PQ nell'UPQC dotato di un sistema di accumulo energetico a magnetismo superconduttivo, in particolare in relazione al carico proveniente dalle stazioni di ricarica per veicoli elettrici7.
Inoltre, il modulo fotovoltaico bifacciale pone una sfida significativa alla fattibilità economica dei sistemi fotovoltaici. Mentre i metodi di previsione delle prestazioni dei moduli fotovoltaici monofacciali sono ormai ben consolidati, l'adattamento di questi modelli ai sistemi bifacciali è ancora in corso8,9. Inoltre, diversi studi hanno dimostrato che la produzione di energia dei moduli fotovoltaici bifacciali è influenzata da fattori geometrici. È fondamentale considerare questi elementi durante la valutazione del funzionamento delle tecnologie bifacciali10,11,12,13,14,15. D'altro canto, il metodo P & O e il MPPT basato sull'intelligenza artificiale sono stati sviluppati per l'estrazione della potenza fotovoltaica, insieme alla progettazione di controllori mediante metodi di ottimizzazione16,17,18. La modellizzazione e la simulazione di sistemi fotovoltaici bifacciali rispetto a quelli monofacciali sono trattate in dettaglio19. Nel frattempo, sono stati proposti metodi MPPT basati su P & O e reti neurali artificiali (ANN) per la progettazione di stazioni di ricarica per veicoli elettrici20,21. La stazione di ricarica per veicoli elettrici alimentata da energia fotovoltaica è stata progettata per supportare diversi modelli mediante l'uso del MPPT P & O22. Successivamente, il comportamento del serpente portaspada nel suo processo di sopravvivenza, come la ricerca e la caccia alla preda, è stato modellato matematicamente per l'algoritmo SBOA23. È stato presentato un nuovo convertitore CC-CC regolato da logica fuzzy per la ricarica costante di un'abitazione assistita da energia solare24. Il diagramma di controllo diretto del flusso e della coppia ha introdotto la logica fuzzy per soddisfare la richiesta di coppia del veicolo e ottimizzare le prestazioni di funzionamento25.
Inoltre, è stata condotta una revisione completa delle tendenze emergenti, tra cui la tecnologia vehicle-to-grid (V2G) e i sistemi di gestione energetica controllati da intelligenza artificiale, nonché il ruolo delle fonti rinnovabili nelle operazioni di veicoli elettrici reattivi alla rete26. Inoltre, è stato sviluppato un nuovo metodo per affrontare le incertezze nella generazione di energia rinnovabile, nel comportamento di ricarica dei veicoli elettrici e nei prezzi di mercato27. Tuttavia, sono state discusse le differenze fondamentali tra veicoli elettrici e veicoli elettrici autonomi condivisi (SAEV) nella tecnologia V2G, con un nuovo approccio per gli SAEV caratterizzato da peculiarità distinte, che ne ha potenziato il ruolo nell'integrazione V2G28.
Sono stati condotti diversi studi su stazioni di ricarica per veicoli elettrici collegate alla rete e alimentate da pannelli fotovoltaici monofacciali, utilizzando metodi convenzionali di inseguimento del punto di massima potenza (MPPT), come P & O (riportato nella Tabella 1), I & C, logica fuzzy e metodi di ottimizzazione metaeuristica. Tali studi si sono concentrati o sul sistema di estrazione della potenza fotovoltaica o sulla selezione dei parametri del controllore. Tuttavia, sono disponibili solo pochi sistemi fotovoltaici monofacciali che integrano un MPPT basato sull'intelligenza artificiale e una selezione ottimale dei parametri per convertitori CC-CC, filtri e guadagni di controllo PI, tutti all'interno di un unico schema, al fine di mantenere la stabilità della tensione del bus in continua e ridurre la distorsione armonica totale (THD). Pertanto, questa lacuna nella ricerca motiva lo sviluppo di un MPPT basato su reti neurali artificiali (ANN) per sistemi fotovoltaici bifacciali e di controllori ottimizzati per convertitori e filtri, al fine di migliorare la qualità dell'energia (PQ) in una stazione di ricarica per veicoli elettrici autonoma che opera in condizioni dinamiche. Questo studio presenta un'architettura di ricarica autonoma basata su pannelli fotovoltaici bifacciali, integrata con un controllore MPPT guidato da una rete neurale artificiale, progettata per stazioni di ricarica per veicoli elettrici situate lungo le autostrade. Il sistema è configurato per ricaricare cinque tipologie di batterie per veicoli elettrici22, compresi quattro modelli a ioni di litio: Hyundai Kona Electric, Volkswagen e-Golf, Fiat 500e, Mercedes EQA 250 e BMW i3, e una configurazione con batteria al piombo-acido, supportata da un modulo ausiliario di accumulo che garantisce un funzionamento stabile in condizioni solari variabili.
I principali contributi del lavoro proposto possono essere indicati come segue: (1) Sviluppo di un sistema fotovoltaico bifacciale supportato da BES, funzionante in modalità isolata, per fornire energia a più veicoli elettrici e a una richiesta di potenza in corrente alternata a livello di stazione attraverso interfacce DC/AC coordinate. I pannelli fotovoltaici bifacciali raccolgono più energia sia dalla superficie frontale che da quella posteriore rispetto ai pannelli monofacciali. (2) Implementazione di un algoritmo MPPT basato su reti neurali artificiali (ANN) che regola in modo adattivo il duty cycle del convertitore boost per estrarre la massima potenza solare disponibile. (3) Ottimizzazione dei parametri del convertitore DC-DC, dei valori R e L del filtro e dei guadagni del controllore PI mediante l’algoritmo di ottimizzazione del Secretary Bird (SBOA), con l’obiettivo di ridurre la distorsione armonica totale (THD) e mantenere una tensione stabile sul bus in corrente continua durante le variazioni di irraggiamento e temperatura. (4) Validazione attraverso tre scenari operativi che includono condizioni ambientali e di carico variabili, al fine di valutare la robustezza del controllore e l’efficienza del sistema.
Protocollo
In questa ricerca, viene sviluppato un sistema autonomo di ricarica per veicoli elettrici (EV) alimentato da un impianto fotovoltaico bifacciale e da un sistema di accumulo energetico a batteria (BESS), come mostrato nella Figura 1, utilizzando un metodo MPPT controllato da una rete neurale artificiale (ANN). Per modellare l'array fotovoltaico bifacciale si utilizza un circuito equivalente a singolo diodo, tenendo conto della temperatura, della resistenza in serie, della resistenza in parallelo, dell'irradianza solare e dell'irradianza sul lato posteriore. L'uscita del fotovoltaico viene fornita alla stazione di ricarica del veicolo elettrico attraverso un convertitore CC–CC rialzatore, mentre il BESS supporta la regolazione della tensione del bus in corrente continua. L'algoritmo di ottimizzazione ispirato al comportamento del serpentario (Secretary Bird Optimization Algorithm, SBOA) viene utilizzato per ottimizzare i guadagni del controllore PI e i parametri del filtro. La modellizzazione dei componenti del sistema e la metodologia proposta sono descritte nei paragrafi seguenti.
Modellizzazione dei Componenti
1. Sistema fotovoltaico bifacciale
I moduli fotovoltaici contribuiscono a raggiungere l'output di corrente e tensione richiesto. Nello studio attuale, sono stati utilizzati due moduli fotovoltaici monofacciali per emulare le caratteristiche di generazione energetica di array bifacciali in diverse condizioni di albedo superficiale9. Il guadagno bifacciale dell'irradianza BGg è determinato dall'Equazione (1)
(1)
In questo caso, l'irradiazione frontale è Gf, e l'irradianza posteriore è Gr. La corrente massima del fotovoltaico bifacciale è Imp, e la tensione è Vmp. Infine, l'output prodotto dal sistema bifacciale con il numero scelto di moduli in serie Ns e in parallelo Np è dato dall'Equazione (2). Il controllo del fotovoltaico è mostrato nella Figura 2
(2)
2. Sistema di accumulo dell'energia (BSS)
Le batterie sono un mezzo fondamentale per immagazzinare energia elettrica18. Questo studio utilizza batterie agli ioni di litio come sistema di accumulo energetico. Tra le opzioni disponibili di batterie ricaricabili, questo lavoro si concentra sulle batterie agli ioni di litio, considerate ottimali per i veicoli elettrici grazie alla loro efficienza e densità di potenza. Le equazioni (3) e (4) descrivono la batteria agli ioni di litio con vincoli.
(3)
Le specifiche del pannello fotovoltaico, della batteria di accumulo e del convertitore sono riassunte nella Tabella 2, mentre la Tabella 3 presenta la ripartizione del flusso di potenza tra il campo fotovoltaico, l'unità di accumulo dell'energia e i carichi collegati.
(4)
3. Convertitore CC – CA
L'inverter a punto neutro clamped (NPC) è ampiamente utilizzato nei moderni sistemi di conversione dell'energia per le fonti rinnovabili. Rispetto alla struttura convenzionale a due livelli, la configurazione NPC offre una ridotta distorsione armonica totale (THD), un minore disturbo elettromagnetico e una minore sollecitazione di tensione sui dispositivi semiconduttori. Il collegamento in corrente continua (DC link) di questa topologia è suddiviso in tre livelli di potenziale: +Vdc/2, 0 e -Vdc/2, mediante coppie di condensatori e diodi di clamp che formano il nodo neutro. Controllando opportunamente la commutazione, l'inverter genera tre stati di tensione discreti ai terminali di uscita, migliorando così la qualità dell'onda e l'efficienza di conversione dell'energia. Il punto neutro del bus in corrente continua in un inverter NPC svolge un ruolo fondamentale nel bilanciare le tensioni dei condensatori e garantire un corretto funzionamento dell'inverter. Lo schema di controllo dell'inverter è mostrato in Figura 3.
4. Convertitore CC-CC rialzatore
I convertitori CC-CC innalzano la tensione di ingresso in una tensione di uscita più elevata controllando il ciclo di lavoro di un dispositivo di commutazione ad alta frequenza, mantenendo nel contempo l'efficienza. Dispone di due modalità operative. Durante lo stato ON, il diodo è polarizzato inversamente e la sorgente di ingresso fornisce energia all'induttore, che la immagazzina sotto forma di campo magnetico, mentre il condensatore di uscita fornisce energia al carico. Durante lo stato OFF, il diodo diventa polarizzato direttamente. In questa fase, l'energia immagazzinata nell'induttore viene rilasciata attraverso il diodo al condensatore collegato all'uscita e al carico, sommandosi alla sorgente di ingresso per produrre una tensione di uscita maggiore rispetto a quella di ingresso. Variando il ciclo di lavoro del PWM, la tensione di uscita del convertitore varia secondo la relazione 
, dove D è il ciclo di lavoro. È utilizzato nei sistemi solari, a celle a combustibile, nei veicoli elettrici e nei sistemi di accumulo.
Schema di controllo ANN per MPPT
In questo studio, viene selezionato un MPPT basato su reti neurali artificiali (ANN) per raccogliere la potenza massima generata dal sistema solare17. I dataset di irraggiamento e temperatura utilizzati per l'addestramento della rete ANN sono stati generati in MATLAB/Simulink in condizioni operative ambientali variabili, corrispondenti a livelli di irraggiamento solare compresi tra 800 e 1000 W/m2 e intervalli di temperatura tra 20 e 25 °C, con un duty cycle (D). La rete ANN viene addestrata per minimizzare l'errore quadratico medio (MSE) tra le uscite ottenute e quelle richieste (Op, 
) al fine di estrarre la potenza massima dal sistema fotovoltaico bifacciale. In questo caso, l'irraggiamento solare e la temperatura vengono utilizzati come ingressi per la rete ANN, mentre il duty cycle rappresenta l'uscita per controllare il convertitore boost. La struttura del modello ANN sviluppato per il MPPT, mostrata in Figura 4, è quella considerata nel presente lavoro. Tabella supplementare 1 presenta i vantaggi e gli svantaggi del metodo proposto rispetto ad altri metodi standard.
Una rete neurale artificiale (ANN) è composta da tre strati principali: uno strato di uscita (OPL), uno strato di ingresso (IPL) e uno strato nascosto (HIL). Questo consente il trasferimento dei dati tra IPL e HIL. Successivamente, i dati vengono prodotti dai pesi nei collegamenti che uniscono IPL e HIL. In questo contesto, i calcoli vengono eseguiti applicando un certo bias alla variabile HL, e i risultati ottenuti vengono accumulati nella variabile OPL. In questo caso, viene selezionata un'ANN di tipo LMBP [17]. I pesi dei collegamenti vengono regolati durante l'addestramento misurando l'errore al fine di raggiungere l'uscita desiderata. Qui, LMBP viene utilizzato per addestrare le ANN con l'MSE come funzione di prestazione. L'algoritmo LMBP utilizza le derivate ottenute per aggiornare i pesi, che presentano le caratteristiche di un apprendimento efficace e di una convergenza accelerata.
Ogni neurone in una rete di perceptron multistrato ha una funzione di somma e una funzione di attivazione. Tuttavia, esistono determinati pesi numerici (wpk) che collegano questi neuroni tra i diversi livelli. Quando gli ingressi vengono moltiplicati per i pesi come specificato nell'Equazione (5). Viene considerata la funzione sigmoidea non lineare con la minimizzazione dell'errore quadratico medio data nell'Equazione (6).
(5)
(6)
SBOA ha ottimizzato i parametri del filtro e di controllo del sistema proposto
Oggi, gli algoritmi metaeuristici svolgono un ruolo fondamentale nella risoluzione di problemi ingegneristici. Figura 5 mostra una classificazione degli algoritmi. L'algoritmo SBOA23 imita il comportamento del SB per sopravvivere nel suo habitat naturale. Le fasi di esplorazione e sfruttamento del comportamento di caccia del Gruccione del Serpente sono modellate nell'SBOA. La fase di esplorazione dell'algoritmo imita il comportamento del SB nell'acchiappare serpenti, mentre la fase di sfruttamento imita il suo comportamento nell'evitare predatori come aquile. Il processo di soluzione inizia generando valori casuali entro i rispettivi limiti per ogni SB nella popolazione e calcolando il valore della funzione obiettivo eseguendo il modello Simulink, trattando ciascun valore del SB come un parametro di progetto. Sulla base del valore obiettivo, ogni SB modifica la propria posizione per rappresentare una soluzione migliore. La modellizzazione matematica dell'SBOA è discussa di seguito:
Fase iniziale di preparazione
Innanzitutto, è necessario identificare le soluzioni iniziali utilizzate per avviare la ricerca di una tipica minimizzazione della funzione obiettivo F(Y). In questo caso, la popolazione iniziale casuale Y = [Y1, Y2, ......YN] di SB viene formata tramite N soluzioni iniziali. L'equazione (7) inizializza la popolazione e Yi rappresenta una soluzione.
(7)
Dove i limiti inferiore e superiore delle variabili di scelta sono indicati rispettivamente con lb e ub. In [0, 1], r è un numero casuale. N è la dimensione del problema. Inoltre, il valore di adattamento della soluzione Fi = F(Yi) viene utilizzato per quantificare la qualità di Yi.
Strategia di caccia degli SB
Individuare, mangiare e attaccare la preda sono le tre fasi principali della caccia degli SB. L'intero processo di caccia è stato suddiviso in tre intervalli di tempo uguali, t < 1/3T, 1/3T < t < 2/3T e 2/3T < t < T. Qui, t rappresenta l'iterazione corrente, mentre T indica il numero massimo di iterazioni. Questi intervalli corrispondono alle tre fasi della predazione da parte degli SB: ricerca, consumo e attacco alla preda. Tale suddivisione si basa sulle statistiche biologiche relative alle fasi di caccia dell'uccello e sulla durata temporale di ciascuna fase. Di conseguenza, ogni fase dell'SBOA viene modellata nel modo seguente:
Ricerca della preda
L'SB deve cacciare la preda da una distanza di sicurezza durante questa fase. Per raccogliere dati sufficienti su tutta la regione di ricerca, il primo passo negli algoritmi di ottimizzazione richiede un'esplorazione più intensa. Utilizzando le posizioni degli altri due SB come guida, l'SB può esplorare ulteriori regioni potenziali. Per aumentare ulteriormente la diversità dell'algoritmo, vengono quindi introdotti processi di mutazione differenziale. Quando t è inferiore a 1/3 di T, si utilizza l'Equazione (8) per aggiornare la posizione di ciascun individuo. Esso cercherà, consumerà e attaccherà la preda. Di conseguenza, ogni fase dell'SBOA è modellata nel modo seguente:
(8)
Dove, Yi(t) è la posizione attuale dell'iesimo SB, Ynewi(t) fornisce la soluzione aggiornata, due individui Yi(t), Yr2(t) sono stati scelti casualmente dalla popolazione esistente. Un vettore casuale, per la strategia di selezione dei parametri, R1 di dimensione 1 × N è scelto casualmente nell'intervallo [0, 1] per garantire un efficace equilibrio tra le fasi di sfruttamento ed esplorazione. La soluzione aggiornata viene considerata solo se porta a un valore obiettivo migliore rispetto alla soluzione ottenuta in precedenza.
Consumo della preda
SB utilizza un'agilità rapida e si muove per indugiare intorno al serpente dopo aver individuato una possibile preda. La pazienza della preda verrà sfruttata per abbassarne le difese, osservando e attirando gli avversari mentre si muovono in cerchio. Altri SB aggiustano la propria postura vicino alla preda. Il successo della caccia aumenterà in modo significativo con questo approccio. L'equazione (9) illustra come il moto browniano (B) venga utilizzato per simulare il movimento casuale di SB quando 1/3 T < t < 2/3 T.
(9)
Dove B è implementato in MATLAB utilizzando la distribuzione normale standard tramite il vettore generato casualmente r(1,M). I SB utilizzano quindi l'Equazione (10) per aggiornare le loro posizioni.
(10)
Dove, Ybest(t) è la soluzione migliore e il fattore di scala esponenziale exp((t/T)4) è scelto per aumentare la capacità di sfruttamento ad ogni iterazione.
Attacco alla preda
Dopo aver consumato energia in modo continuo, la vittima esaurirà le proprie risorse. I serpenti del Capo dovrebbero lanciare l'attacco ora. Qui, diversi metodi di attacco, come passi incessanti o salti lunghi sporadici in un breve periodo di tempo, vengono simulati utilizzando la tecnica del volo di Lévy. Le caratteristiche sono descritte dalle Equazioni (11) e (12). In questo momento, le opzioni candidate si trovano vicino alla soluzione ottimale poiché i SB si avvicinano rapidamente alla preda. Questo piano verrà attuato quando t > 2/3T.
(11)
(12)
Dove, LF rappresenta la strategia di volo di Levy e 
, con s = 0,01 e φ = 1,5 valori fissi. μ e υ sono valori arbitrari compresi nell'intervallo [0, 1]. Inoltre, τ indica la funzione gamma e η = 0,5; il fattore di peso 0,5 è stato adottato, come proposto nella formulazione originale dell'SBOA, per regolare l'ampiezza del passo e mantenere un equilibrio tra grandi salti esplorativi e affinamenti locali. Tabella 4 presenta i valori utilizzati per la rete neurale (ANN) e l'algoritmo SB nel sistema sviluppato.
Strategia di fuga per SB
Nella ricerca di altre prede in natura, i SB rischiano a loro volta di essere cacciati. Aquile, falchi, volpi e sciacalli sono i principali avversari con cui devono confrontarsi. Devono utilizzare una varietà di tecniche di evasione per proteggere se stessi o le loro prede quando percepiscono un pericolo. Questo algoritmo simula i metodi di fuga modellando le modalità di corsa (D2) e il mimetismo (D1). Quando affrontano avversari, i sergentari inizialmente si confondono con l'ambiente circostante per restare al sicuro. In questo contesto, i sergentari cercano di evitare ottimi locali nell'algoritmo aggiornando le proprie posizioni intorno alla preda (l'individuo migliore). Se non riescono a eludere il nemico, ricorreranno a tattiche di volo o di corsa rapida per mettersi in salvo. A tal fine, un individuo casuale Yrand viene scelto come leader per evitare di rimanere intrappolato in un ottimo locale. Le equazioni (13) e (14) vengono utilizzate dai sergentari per aggiornare le proprie posizioni. Il diagramma di flusso dello SBOA è mostrato in Figura 6.
(13)
(14)
Rappresentazione delle variabili di progetto
Le variabili del problema in questo studio comprendono i parametri di progettazione, come i guadagni del controllore PI dei convertitori CC-CC, nonché le resistenze e le induttanze dei filtri e dei convertitori. L'equazione (15) fornisce la rappresentazione delle variabili di controllo. I limiti dei parametri di controllo sono elencati nella Tabella Supplementare 2.
(15)
Funzione di adattamento (FF)
La minimizzazione della THD è stata scelta come funzione obiettivo (Obj) in questo studio. Il valore massimo di FF corrisponde al valore minimo di Obj, indicato nelle equazioni (16) e (17).
(16)
(17)
Risultati
Il sistema fotovoltaico bifacciale autonomo proposto con MPPT basato su ANNC per una stazione di ricarica di veicoli elettrici è stato realizzato in Simulink/Matlab 2022b ed eseguito su un Intel Core i7 con 16 GB di RAM. Le caratteristiche del sistema e del carico del veicolo elettrico selezionati sono riportate nella Tabella 2 e nella Tabella Supplementare 3. In questo studio, tre casi elencati nella Tabella 5, con diverse permutazioni di irraggiamento solare (G), temperatura (T), carichi in corrente alternata e cinque veicoli elettrici di modelli e potenze differenti, sono utilizzati per dimostrare le prestazioni del sistema. Questo lavoro si concentra principalmente sul miglioramento delle prestazioni di un sistema autonomo per veicoli elettrici senza collegamento alla rete, utilizzando una rete neurale artificiale (ANN) per massimizzare l'estrazione di potenza da un sistema fotovoltaico supportato da accumulo mediante batterie, riducendo al contempo la distorsione armonica totale (THD).
Nel caso 1, per il sistema sviluppato, sono state considerate irradiazione e temperature standard per il numero selezionato di moduli connessi in serie e in parallelo alle estremità anteriore e posteriore del sistema fotovoltaico bifacciale, con auto EV e un carico in corrente alternata basato sulla stazione. Qui, la tensione solare, la corrente e la potenza generata dal sistema MPPT proposto, addestrato mediante rete neurale artificiale (ANN), vengono utilizzate per alimentare il carico Figura 7A. Inoltre, la distribuzione efficace della potenza, come mostrato in Figura 7B, tra il fotovoltaico, la batteria di accumulo, il carico in corrente alternata basato sulla stazione e i carichi dei veicoli elettrici (EV) viene effettuata secondo lo scenario riportato in Tabella 3. A 0,7 secondi, le auto EV sono in modalità di ricarica, agendo come carico insieme al carico di potenza attiva della stazione. In questo caso, la potenza fotovoltaica è sufficiente a soddisfare la domanda; pertanto, la batteria di accumulo si trova in uno stato ideale. Nel frattempo, a 1,2 secondi, i carichi EV e in corrente alternata prelevano potenza sia dal fotovoltaico che dal sistema di accumulo mediante batterie (in scarica), poiché la potenza solare da sola non è sufficiente a soddisfare la domanda. Successivamente, lo stato di carica delle batterie delle auto EV (modalità di carica) e delle batterie di accumulo (modalità di scarica), come mostrato in 7(c), fornisce un'analisi chiara del funzionamento della batteria di accumulo durante i periodi di richiesta massima. È evidente che il sistema mantiene con successo una tensione stabile del bus in corrente continua di 470 V, con deviazioni e sovraelongazioni ridotte. Inoltre, Figura 7D mostra che il filtro ottimizzato mediante SBOA minimizza le imperfezioni della forma d'onda nel punto di connessione comune (PCC) e riduce la distorsione armonica totale della corrente (THD) al 2,85%, in presenza di un veicolo elettrico e di un carico in potenza attiva.
Nel caso 2, per il numero selezionato di stringhe in serie e in parallelo e per le caratteristiche specificate sotto irraggiamento variabile, la tensione, la corrente e la potenza del fotovoltaico sono mostrate nella Figura 8A. In questo caso, i carichi del veicolo elettrico, in combinazione con un ponte raddrizzatore non lineare, sono considerati come carico del sistema. Inoltre, l'eccesso di potenza fotovoltaica generata nella Figura 8B , dopo aver soddisfatto il carico, viene fornito alla batteria di accumulo per la ricarica. Tuttavia, lo stato di carica (SOCB) dei sistemi a batteria e dei veicoli elettrici è mostrato nella Figura 8C ed è gestito secondo la gestione dell'energia. È inoltre evidente che il sistema proposto riduce efficacemente le deviazioni della tensione del bus in corrente continua durante le variazioni del carico e dell'irraggiamento. Il filtro ottimizzato con SBOA riduce le imperfezioni della corrente e abbassa la distorsione armonica totale (THD) entro i limiti stabiliti dagli standard IEEE.
Nel caso 3, con irraggiamento e temperatura variabili, la tensione, la corrente e la potenza massime del fotovoltaico sono risultate simili a quelle del caso 2 (Figura 9A). Oltre ai carichi dei veicoli elettrici, sono stati considerati come carico della stazione base il ponte raddrizzatore e il carico attivo, entrambi operanti contemporaneamente. Inoltre, Figura 9B mostra che la batteria di accumulo si sta caricando, poiché la potenza del sistema fotovoltaico supera la domanda del carico. Figura 9C illustra lo stato di carica dei sistemi batteria nei veicoli elettrici e nell'accumulo. È inoltre evidente che il sistema proposto funziona bene nel bilanciare la tensione del bus in corrente continua sotto variazioni di carico, irraggiamento e temperatura. Il metodo proposto presenta valori di THD e MSE molto inferiori rispetto ad altri metodi disponibili in letteratura, Tabella 6, con un tempo di calcolo ridotto. È altresì evidente che il metodo sviluppato offre un'elevata efficienza prestazionale e un tasso di successo molto più elevato.
Disponibilità dei dati:
I set di dati utilizzati e/o analizzati durante lo studio attuale sono disponibili all'indirizzo https://doi.org/10.6084/m9.figshare.32894939
Figura 1. Stazione di ricarica per veicoli elettrici alimentata da pannelli fotovoltaici bifacciali autonomi. (A) Diagramma a blocchi del sistema di ricarica per veicoli elettrici (EV) alimentato da energia fotovoltaica (PV) bifacciale autonomo proposto, che mostra l'unità di generazione fotovoltaica, il sistema di accumulo energetico a batteria (BESS), i convertitori CC–CC, l'inverter, il carico in corrente alternata della stazione e le unità di ricarica per veicoli elettrici. (B) Immagine rappresentativa di una stazione di ricarica per veicoli elettrici alimentata da energia fotovoltaica. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2. Sistema di Controllo per il Pannello Fotovoltaico Bifacciale e il Sistema di Accumulo Energetico a Batteria. Architettura di controllo del pannello fotovoltaico bifacciale con inseguimento del punto di potenza massima basato su rete neurale artificiale (MPPT) e del sistema di accumulo energetico a batteria (BESS). Il pannello superiore mostra il convertitore boost controllato da rete neurale artificiale per l'estrazione della potenza fotovoltaica, mentre il pannello inferiore mostra il convertitore buck-boost e il controllore della batteria utilizzati per la regolazione della tensione del bus in corrente continua. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3. Sistema di controllo per l'inverter, il carico in corrente alternata della stazione e le unità di ricarica per veicoli elettrici. Architettura di controllo dell'inverter a tre livelli con punto neutro bloccato che alimenta il carico in corrente alternata della stazione e più unità di ricarica per veicoli elettrici. La figura mostra anche la strategia di controllo dell'inverter, la configurazione del filtro, il collegamento di fase (PLL) e il controllo individuale dei convertitori CC-CC per la ricarica dei veicoli elettrici. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4. Architettura di rete neurale artificiale per il tracciamento del punto di potenza massima. Un'architettura di rete neurale artificiale (ANN) viene utilizzata per il tracciamento del punto di potenza massima (MPPT). L'irradianza solare (G) e la temperatura (T) sono fornite come ingressi al livello nascosto, e la rete genera l'uscita utilizzata per determinare il punto di funzionamento per l'estrazione della potenza massima. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5. Classificazione degli Algoritmi di Ottimizzazione. Classificazione degli algoritmi di ottimizzazione in approcci deterministici, metaeuristici e altri metodi specializzati, insieme a esempi rappresentativi per ciascuna categoria. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 6. Diagramma di flusso dell'algoritmo di ottimizzazione del Gruccione (SBOA). Diagramma di flusso che illustra la procedura di ottimizzazione SBOA, inclusa l'inizializzazione della popolazione, la valutazione della funzione di idoneità, la strategia di caccia (ricerca, consumo e attacco alla preda), la strategia di fuga, l'aggiornamento della soluzione e la convergenza verso la soluzione ottimale. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 7. Risultati della simulazione per il Caso 1. (A) Tensione, corrente e potenza in uscita del fotovoltaico in condizioni operative standard. (B) Distribuzione della potenza tra l'array fotovoltaico, il carico in corrente alternata della stazione, il sistema di accumulo energetico a batteria e i carichi del veicolo elettrico. (C) Stato di carica (SOC) delle batterie del veicolo elettrico e della batteria di accumulo, insieme al ciclo di lavoro e alla tensione del bus in corrente continua. (D) Forme d'onda della corrente e della tensione trifase nel punto di connessione comune (PCC). Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 8. Risultati della simulazione per il Caso 2. (A) Tensione, corrente e potenza in uscita del pannello fotovoltaico in condizioni di irraggiamento variabile. (B) Distribuzione della potenza tra l'array fotovoltaico, il carico in corrente alternata della stazione, il sistema di accumulo energetico a batteria e i carichi del veicolo elettrico. (C) Stato di carica (SOC) delle batterie del veicolo elettrico e della batteria di accumulo, insieme al ciclo di lavoro e alla tensione del bus in corrente continua. (D) Forme d'onda di corrente e tensione trifase nel punto di connessione comune (PCC). Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 9. Risultati della simulazione per il Caso 3. (A) Tensione, corrente e potenza in uscita del pannello fotovoltaico in condizioni variabili di irraggiamento e temperatura. (B) Distribuzione della potenza tra l'array fotovoltaico, il carico in corrente alternata della stazione, il sistema di accumulo energetico a batteria e i carichi del veicolo elettrico. (C) Stato di carica (SOC) delle batterie del veicolo elettrico e della batteria di accumulo, insieme al ciclo di lavoro e alla tensione del bus in corrente continua. (D) Forme d'onda di corrente e tensione trifase nel punto di connessione comune (PCC). Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 10. Prestazioni della regressione della rete neurale artificiale (ANN). Analisi di regressione del modello ANN per i dataset di addestramento, validazione, test e combinati, che mostra l'accordo tra i valori previsti e quelli target. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 11. Prestazioni di validazione della rete neurale artificiale. Prestazioni dell'errore quadratico medio (MSE) della rete neurale artificiale durante l'addestramento, la validazione e il test, che mostrano la convergenza nel corso delle epoche successive di addestramento. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 12. Caratteristiche di convergenza dell'algoritmo di ottimizzazione del Secretary Bird. Profilo di convergenza dello SBOA che mostra la riduzione della distorsione armonica totale (THD) con l'aumentare delle iterazioni di ottimizzazione per il Caso 1. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 13. Analisi della trasformata veloce di Fourier delle armoniche di corrente. Spettri della trasformata veloce di Fourier (FFT) della corrente in uscita per i tre casi di simulazione. I pannelli corrispondono agli spettri armonici ottenuti per il Caso 1 (in alto a sinistra), Caso 2 (in alto a destra) e Caso 3 (in basso), che illustrano la distorsione armonica totale (THD) raggiunta in ciascuna condizione operativa. Cliccare qui per visualizzare una versione ingrandita di questa figura.
| Fonte integrata | THD (%) | Efficienza (%) | MPPT/ | Bilanciamento della tensione del bus in corrente continua | Algoritmo di ottimizzazione | Condizione di rete / isola | Emissioni di carbonio | Riferimento |
| Tecnica di controllo | ||||||||
| PV e batteria | buono | Moderato | P&O | Buono | Lega calcistica | Rete | Alto | Srilakshmi et al.16 |
| PV | Moderato | Buono | Fuzzy-SMC | Moderato | -- | Rete | Alto | Srilakshmi et al.17 |
| PV e batteria | buono | Moderato | P&O | Buono | Lega calcistica | Rete | Alto | Srilakshmi et al.18 |
| PV | - | - | P&O | - | - | isola | Basso | Dineshraj et al.20 |
| PV | - | - | ANN | - | - | rete | Alto | Rashid et al.21 |
| PV bifacciale e batteria | Eccellente | Eccellente | ANN | Eccellente | Uccello segretario | Isola | Basso | Proposto |
Tabella 1: Confronto tra metodi precedenti di ricarica di veicoli elettrici alimentati da energia fotovoltaica. Confronto tra studi precedenti basato su fonti energetiche integrate, tecniche MPPT/controllo, metodi di ottimizzazione, qualità dell'energia elettrica, modalità di funzionamento ed emissioni di carbonio.
| Sistema | Parametro/Valore |
| PV | Potenza nominale = 228,735 W |
| Tensione massima = 29,9 V | |
| Corrente di cortocircuito = 8,18 A | |
| Tensione a circuito aperto = 37,1 V, coefficiente termico della tensione β = -0,361 | |
| Corrente massima = 7,65 A, coefficiente termico della corrente α = 0,102 | |
| Coefficienti di albedo = 0,2, fattore bifacciale = 0,1, angolo di inclinazione = 120c | |
| Irraggiamento standard W/m2 = Gs= 1000 W/m2; Gr = 100 | |
| Temperatura standard in gradi Ts = 25 | |
| Numero di serie/parallelo Ns = 10/7, altezza dal suolo = 1 m | |
| Batteria di accumulo al piombo-acido | Capacità nominale = 400 Ah |
| Tensione nominale = 300 V | |
| Inizializzazione SOC = 30%, limiti di carica/scarica = 30, 70 | |
| Tensione di interruzione = 225 V | |
| Tensione di carica completa = -326 V | |
| Convertitore CC-CC | Potenza = 3,202e4, sollecitazione = 476 V |
| Tensione di ingresso = 299 V | |
| Frequenza di commutazione = 10 kH | |
| Tensione di uscita = 479 V | |
| Rapporto di duty = 0,375 | |
| Potenza del convertitore CC-CA | Strategia PWM = PWM sinusoidale |
| Parametri del filtro ottimizzati; R = 0,002789 ohm, L = 88706 mH | |
| Indice di modulazione = 0,8 | |
| Tempo di campionamento utilizzato nella simulazione = 100 µs | |
| Capacità CC: 524,43 μF; tensione CC = 470 V |
Tabella 2: Specifiche elettriche del sistema fotovoltaico bifacciale, del sistema di accumulo energetico a batteria e dei convertitori di potenza. Caratteristiche elettriche e parametri operativi dell'array fotovoltaico, del sistema di accumulo energetico a batteria (BESS), del convertitore CC–CC e dell'inverter CC–CA utilizzati nel modello proposto
| Se la condizione | Allora l'azione |
| Scenario-1: l'output del fotovoltaico è nullo | La batteria di accumulo fornirà energia al veicolo elettrico e al carico in corrente alternata. |
| Scenario-2: equilibrio tra potenza fotovoltaica e domanda di carico | Il fotovoltaico alimenta il veicolo elettrico e il carico in corrente alternata |
| Scenario-3: l'output del fotovoltaico è inferiore alla domanda di carico del veicolo elettrico e in corrente alternata | La potenza mancante sarà fornita dalla batteria finché non raggiunge il limite inferiore di SOCOB min. |
| Scenario-4: la potenza generata dal fotovoltaico è maggiore della potenza richiesta dal carico del veicolo elettrico e in corrente alternata | L'eccesso di potenza fotovoltaica viene utilizzato per caricare la batteria fino al raggiungimento del limite massimo di SOCOB. |
Tabella 3: Strategia di gestione dell'energia per il sistema di ricarica di veicoli elettrici proposto. Scenari operativi che descrivono il flusso di potenza tra il campo fotovoltaico, il sistema di accumulo energetico a batteria, i carichi del veicolo elettrico e il carico in corrente alternata della stazione in diverse condizioni operative.
| Sistema | Parametro/Valore |
| ANN | Numero di neuroni in ingresso = 2, neuroni in uscita = 1, strato nascosto = 1, neuroni dello strato nascosto = 10 |
| Funzione di attivazione = Sigmoidale | |
| Tasso di apprendimento = 0,001, Epoche = 1000, Campioni = 1000 | |
| Divisione addestramento-validazione = addestramento 70%, validazione 15%, test 15% | |
| Criteri di convergenza = stabile, MSE = 1,091e-09 | |
| Normalizzazione = normalizzazione min-max compresa tra 0 e 1 | |
| SBOA | Dimensione della popolazione = 30 agenti di ricerca |
| Numero massimo di iterazioni = 150 | |
| Inizializzazione dello spazio di ricerca = Inizializzazione casuale dei parametri (diagramma di flusso) | |
| Dimensione = definita dai parametri selezionati. | |
| Moto browniano = distribuzione normale standard | |
| Criteri di arresto = numero massimo di iterazioni |
Tabella 4: Parametri della rete neurale artificiale (ANN) e dell'algoritmo di ottimizzazione del Secretary Bird (SBOA). Parametri di configurazione della rete neurale artificiale (ANN) e dello SBOA utilizzati per l'ottimizzazione del punto di massima potenza (MPPT) e del controllore.
| Condizioni | Caso 1 | Caso 2 | Caso 3 |
| Irradiazione standard 1000W/m2 e temperatura di 25 oC | ✓ | ||
| Variazione dell'irradiazione da 1000W/m2 a 800W/m2 con temperatura di 25 oC | ✓ | ||
| Variazione dell'irradiazione da 1000W/m2 a 800W/m2 con temperatura di 20 oC | ✓ | ||
| Np/Ns (45/10) | ✓ | ✓ | |
| Np/Ns (7/10) | ✓ | ||
| Regolazione della tensione del bus in corrente continua | ✓ | ✓ | ✓ |
| Gestione della potenza | ✓ | ✓ | ✓ |
| Riduzione della distorsione armonica totale (THD) | ✓ | ✓ | ✓ |
| Carico in corrente alternata basato sulla stazione 1: carico in potenza attiva | ✓ | ✓ | |
| Carico in corrente alternata basato sulla stazione 2: carico con ponte raddrizzatore | ✓ | ✓ | |
| Carico 3: EV1 a EV5 (automobili) | ✓ | ✓ | ✓ |
Tabella 5: Casi di simulazione valutati nello studio. Riassunto dei tre scenari di simulazione, inclusi irraggiamento, temperatura, condizioni di carico e criteri di valutazione.
| THD (%) | Efficienza (%) | MSE | Tempo di calcolo (sec) | Tasso di successo | Riferimento |
| 3,33 | 96–98 | -- | 190 | -- | Srilakshmi et al.16 |
| 3,72 | 92-96 | -- | 130 | -- | Srilakshmi et al.17 |
| 3,43 | 96–98 | -- | 112 | -- | Srilakshmi et al.18 |
| - | - | -- | -- | -- | Dineshraj et al.20 |
| - | - | 2,07E-03 | -- | -- | Rashid et al.21 |
| 2,85 | >95 | 1,09E-09 | 92 | 97% | Proposto |
Tabella 6: Confronto delle prestazioni con metodi precedentemente riportati. Confronto del metodo proposto con approcci pubblicati in termini di distorsione armonica totale (THD), efficienza, errore quadratico medio (MSE), tempo di calcolo e tasso di successo.
Tabella supplementare 1. Confronto tra metodi MPPT. Vantaggi e limitazioni dei metodi MPPT convenzionali e dell'approccio MPPT basato su reti neurali artificiali proposto.Cliccare qui per scaricare il file.
Tabella supplementare 2. Limiti delle variabili di ottimizzazione. Limiti inferiori e superiori delle variabili di ottimizzazione utilizzate nel processo di ottimizzazione SBOA.Cliccare qui per scaricare il file.
Tabella supplementare 3. Impostazioni di MATLAB/Simulink e specifiche del carico EV. Ambiente di simulazione, impostazioni del risolutore, parametri di esecuzione e specifiche elettriche dei carichi EV.Cliccare qui per scaricare il file.
Tabella supplementare 4. Valori dei parametri ottimizzati con SBOA. Parametri ottimizzati del controllore, del filtro e del convertitore ottenuti utilizzando l'algoritmo di ottimizzazione del volatile segretario per ciascun caso di simulazione.Cliccare qui per scaricare il file.
Tabella supplementare 5. Indicatori di prestazione utilizzati per valutare la regolazione dinamica della tensione del bus DC del controllore proposto ANN–SBOA nei tre casi di simulazione. Un tempo di assestamento più breve, un minore sorpasso, un numero ridotto di iterazioni per la convergenza e un tempo di calcolo più breve indicano prestazioni migliorate del controllore.Cliccare qui per scaricare il file.
Discussione
Nel complesso, i risultati indicano che questo lavoro di ricerca contribuisce al campo scientifico introducendo una nuova strategia di controllo ottimizzata che aumenta l'output solare, migliora la qualità della potenza (PQ) e supporta un'infrastruttura sostenibile per la ricarica di veicoli elettrici (EV) adatta alle autostrade. L'MPPT basato su rete neurale artificiale (ANN) con filtro ottimizzato mediante SBOA, convertitori e controllore raggiunge una distorsione armonica totale (THD) inferiore mantenendo una tensione stabile sul bus in corrente continua (DC) per una stazione di ricarica EV autonoma supportata da pannelli fotovoltaici (PV) e sistemi di accumulo energetico (BES)17.
Studi letterari si sono concentrati su stazioni di ricarica per veicoli elettrici collegate alla rete e alimentate da pannelli fotovoltaici monofacciali, utilizzando metodi convenzionali di MPPT. Tuttavia, pochi hanno sviluppato sistemi fotovoltaici bifacciali con MPPT basato sull'intelligenza artificiale e selezione ottimale dei parametri per convertitori CC-CC, filtri e guadagni di controllo PI, tutti all'interno di un unico schema, al fine di mantenere la stabilità della tensione del bus in continua e ridurre la THD. In primo luogo, una rete neurale artificiale (ANN) estrae la potenza massima dal fotovoltaico bifacciale sfruttando sia l'irraggiamento frontale che quello posteriore. Essa prosegue con la stima del duty cycle utilizzando l'irraggiamento e la temperatura come ingressi. Ciò consente un flusso di potenza più regolare tra il fotovoltaico bifacciale e il collegamento in continua, con minori disturbi.
Successivamente, l'SBOA viene utilizzato per regolare i parametri di guadagno del controllore PI, insieme alla selezione dei parametri L elencati nella Tabella Supplementare 4, al fine di minimizzare la THD. Un limite dell'SBOA è la sua convergenza relativamente lenta rispetto ad alcuni algoritmi di ottimizzazione, sebbene offra una strategia equilibrata di esplorazione ed esploitation che aiuta a evitare ottimi locali. Tuttavia, presenta anche dei difetti, come una convergenza più lenta. Infine, il BES funge da buffer per la potenza durante variazioni rapide del carico e dell'irraggiamento. Tuttavia, la batteria compensa le discrepanze di potenza tra la potenza fotovoltaica e la richiesta di carico.
Figura 10, Figura 11, Figura 12 mostrano il grafico di regressione, il grafico di validazione e il valore inferiore di MSE con 1000 epoche e convergenza SBOA per l'obiettivo THD, con 28 iterazioni per la convergenza globale. L'analisi FFT del sistema proposto per tre studi di caso è mostrata nella Figura 13, che dimostra come il controllore proposto riduca il THD al 2,23% con il raddrizzatore, la potenza attiva e il carico del veicolo elettrico. Sebbene il THD sia l'obiettivo principale, SBOA ha ottimizzato i parametri del convertitore utilizzando un MPPT basato su ANN per migliorare la regolazione e la stabilità della tensione in continua durante la ricarica, come specificato nella Tabella Supplementare 5. Il sistema proposto supporta fortemente la scalabilità anche per stazioni di ricarica per veicoli elettrici di dimensioni maggiori operanti in ambienti dinamicamente variabili, come irraggiamento, temperatura e carico. Con l'aumento del numero di porte di ricarica, ulteriori array fotovoltaici bifacciali e sistemi di accumulo (BES) possono essere aggiunti per l'espansione, senza modifiche sostanziali al sistema sviluppato. Tuttavia, filtri e convertitori ottimizzati, insieme a controllori con SBOA, mantengono efficacemente la qualità dell'energia (PQ).
D'altro canto, sebbene l'SBOA riduca con successo la THD, incontra difficoltà in termini di complessità computazionale. Nonostante i risultati incoraggianti, questo studio presenta alcune limitazioni, come: le prestazioni dei sistemi solari in condizioni climatiche estreme o con irraggiamento solare fortemente fluttuante devono ancora essere studiate; inoltre, le sfide del mondo reale, come il rumore dei sensori, le perdite del convertitore, ecc., non sono state pienamente rappresentate nell'ambiente di simulazione. Pertanto, i risultati mostrano chiaramente che il metodo proposto rappresenta una soluzione tecnicamente efficace per la stazione di ricarica EV autonoma alimentata da fotovoltaico e sistema di accumulo energetico (BES).
Questo articolo propone un sistema fotovoltaico bifacciale autonomo con punto di massima potenza (MPPT) basato su reti neurali artificiali (ANN) per ricaricare cinque diversi modelli di veicoli elettrici: quattro con batterie al litio-ione e uno con batteria al piombo-acido, con supporto di accumulo mediante batteria. Applicando l'MPPT basato su ANN a un modello fotovoltaico bifacciale, si ottiene la potenza massima dai pannelli fotovoltaici. Inoltre, l'algoritmo SBOA viene adattato per ottimizzare la selezione dei valori del controllore PI e del guadagno del convertitore CC-CC, nonché dei parametri di progettazione del filtro e del convertitore CC-CC, al fine di minimizzare la distorsione armonica totale (THD). Per analizzare le prestazioni del sistema proposto, sono stati selezionati tre casi di studio con combinazioni di livelli di irraggiamento standard e variabili compresi tra 800 W/m² e 1000 W/m² e temperature comprese tra 20 °C e 25 °C, insieme ai carichi in corrente alternata della stazione base. I valori di THD per i casi di studio risultano rispettivamente 2,85%, 2,26% e 2,23%, valori molto inferiori rispetto a quelli dei metodi esistenti. I risultati mostrano che il sistema fotovoltaico proposto è efficiente in modalità autonoma per la ricarica dei veicoli elettrici, mantenendo al contempo una tensione stabile sul bus in corrente continua. Tuttavia, il metodo proposto non è stato ancora verificato mediante implementazione hardware. Di conseguenza, i fattori che influenzano le prestazioni hardware, come le perdite per commutazione, i ritardi di comunicazione, gli errori di misura, l'invecchiamento della batteria e gli effetti della temperatura, non sono inclusi nel modello di simulazione. In futuro, per migliorare ulteriormente l'affidabilità, la robustezza e la scalabilità del sistema proposto, lo studio si concentrerà sulla validazione sperimentale.
Dichiarazioni
Gli autori dichiarano di non avere conflitti di interessi.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| DC–convertitore CA | MathWorks | Documentazione Simscape Electrical Convertitore a tre livelli: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.html | Trifase, a tre livelli con punto neutro bloccato in corrente continua–Modello di convertitore CA |
| DC–convertitore CC | MathWorks | Documentazione del convertitore rialzatore Simscape Electrical: https://www.mathworks.com/help/sps/ref/boostconverter.html | Aumentare la corrente continua–Modello di convertitore CC utilizzato per regolare la tensione di uscita del fotovoltaico. |
| batteria EV1 | MathWorks | Documentazione del modello della batteria: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | Batteria al piombo-acido simulata che rappresenta EV1. |
| EV2–batterie EV5 | MathWorks | Documentazione del modello della batteria: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | Modelli simulati di batterie agli ioni di litio rappresentanti EV2, EV3, EV4 ed EV5. |
| MATLAB/Simulink | MathWorks | Software; https://www.mathworks.com/products/simulink.html | Ambiente software utilizzato per modellare e simulare la stazione di ricarica per veicoli elettrici alimentata da pannelli fotovoltaici. |
| Simscape Electrical | MathWorks | Software; https://www.mathworks.com/products/simscape-electrical.html | Libreria di componenti utilizzata per modellare i convertitori di potenza, la rete elettrica e il sistema di controllo associato. |
| Pannello solare | Waaree Energies Ltd.; modellato in MATLAB/Simulink | Modello WSM-315. Informazioni sui prodotti Waaree: https://www.waaree.com/solar-pv-modules/; System Advisor Model: https://sam.nrel.gov/ | I parametri del pannello solare WSM-315 sono stati inseriti come modulo fotovoltaico definito dall'utente, utilizzando i dati del datasheet Waaree e del modello NREL System Advisor Model. |
| Batteria di accumulo | MathWorks | Documentazione del modello della batteria al piombo-acido: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.html | Batteria al piombo-acido simulata utilizzata come sistema di accumulo di energia stazionaria. |
Riferimenti
- Kumar N, Singh B, Panigrahi BK. Grid synchronization framework for partially shaded solar PV-based microgrid using intelligent control strategy. IET Gener Transm Distrib. 2019;13(6):829-837.
- Kumar N, Singh B, Wang J, Panigrahi BK. A framework of L-HC and AM-MKF for accurate harmonic supportive control schemes. IEEE Trans Circuits Syst I Regul Pap. 2020;67(12):5246-5256.
- Saxena V, Kumar N, Singh B, Panigrahi BK. An MPC-based algorithm for a multipurpose grid integrated solar PV system with enhanced power quality and PCC voltage assist. IEEE Trans Energy Convers. 2021;36(2):1469-1478.
- Kumar N, Singh B, Panigrahi BK. Voltage sensorless model predictive control with battery management system for solar PV-powered onboard EV charging. IEEE Trans Transp Electrif. 2023;9(2):2583-2592.
- Siu JY, Kumar N, Panda SK. Command authentication using multiagent system for attacks on the economic dispatch problem. IEEE Trans Ind Appl. 2022;58(4):4381-4393.
- Hole SR, Goswami AD. Design of an efficient MPPT optimization model via accurate shadow detection for solar photovoltaic. Energy Harvest Syst. 2023;10(2):377-383.
- Çelik D, Ahmed H. Enhanced control of superconducting magnetic energy storage integrated UPQC for power quality improvement in EV charging station. J Energy Storage. 2023;62:106843.
- Bouchakour S, Caballero DV, Luna A, Medina ER, El Amin KB, Cortes PR. Monitoring, modelling and simulation of bifacial PV modules over normal and high albedos. In: Proc 9th Int Conf Renew Energy Res Appl (ICRERA); 2020 Sep 27-30; Glasgow, UK. p. 252-256.
- Shoukry I, Libal J, Kopecek R, Wefringhaus E, Werner J. Modelling of bifacial gain for stand-alone and in-field installed bifacial PV modules. Energy Procedia. 2016;92:600-608.
- Yusufoglu UA, Pletzer TM, Koduvelikulathu LJ, Comparotto C, Kopecek R, Kurz H. Analysis of the annual performance of bifacial modules and optimization methods. IEEE J Photovolt. 2015;5(1):320-328.
- Luque A, Lorenzo E, Sala G, López-Romero S. Diffusing reflectors for bifacial photovoltaic panels. Sol Cells. 1985;13:277-292.
- Chieng YK, Green MA. Computer simulation of enhanced output from bifacial photovoltaic modules. Prog Photovolt Res Appl. 1993;1(4):293-299.
- Yusufoglu UA, Lee TH, Pletzer TM, Halm A, Koduvelikulathu LJ, Comparotto C, et al. Simulation of energy production by bifacial modules with revision of ground reflection. Energy Procedia. 2014;55:389-395.
- Janssen GJ, Van Aken B, Carr AJ, Mewe AA. Outdoor performance of bifacial modules by measurements and modelling. Energy Procedia. 2015;77:364-373.
- Lave L, Samuel M, Stein S, Burnham J. Performance Results for the Prism Solar Installation at the New Mexico Regional Test Center: Field Data from February 15-August 15, 2016. Albuquerque (NM): Sandia National Laboratories; 2016.
- Srilakshmi K, Jyothi KK, Kalyani G, Goud YSP. Design of UPQC with solar PV and battery storage systems for power quality improvement. Cybern Syst. 2023; 56(5):599-628
- Srilakshmi K, Sujatha CN, Balachandran PK, Mihet-Popa L, Kumar NU. Optimal design of an artificial intelligence controller for solar-battery integrated UPQC in three-phase distribution networks. Sustainability. 2022;14(21).
- Srilakshmi K, Srinivas N, Balachandran PK, Reddy JGP, Gaddameedhi S, Valluri N, et al. Design of soccer league optimization-based hybrid controller for solar-battery integrated UPQC. IEEE Access. 2022;10:107116-107136.
- Bouchakour S, Valencia-Caballero D, Luna A, Roman E, Boudjelthia EAK, Rodríguez P. Modelling and simulation of bifacial PV production using monofacial electrical models. Energies. 2021;14(14):4224. doi:10.3390/en14144224.
- Dineshraj V, Prasanna Moorthy V. ANN-based MPPT for electric vehicle charging station. Int J Adv Res Sci Commun Technol. 2022;2(1):721-728. doi:10.48175/IJARSCT-4652.
- Rashid A. A grid-integrated PV-powered EV charging station featuring artificial neural network-based MPPT and comprehensive power flow control. E3S Web Conf. 2025;650:01015. doi:10.1051/e3sconf/202565001015.
- Awad M, Ibrahim AM, Alaas ZM, El-Shahat A, Omar AI. Design and analysis of an efficient photovoltaic energy-powered electric vehicle charging station using perturb and observe MPPT algorithm. Front Energy Res. 2022;10:969482. doi:10.3389/fenrg.2022.969482.
- Fu Y, Liu D, Chen J, et al. Secretary bird optimization algorithm: A new metaheuristic for solving global optimization problems. Artif Intell Rev. 2024;57:123. doi:10.1007/s10462-024-10729-y.
- Vidia Laksmi BN. Design of automatic battery charger using forward DC-DC converter for solar home energy. Vokasi UNESA Bull Eng Technol Appl Sci. 2025;2(1):57-66.
- Araria R, Berkani A, Negadi K, Marignetti F, Boudiaf M. Performance analysis of DC-DC converter and DTC-based fuzzy logic control for power management in electric vehicle application. J Eur Syst Autom. 2020;53(1):1-9. doi:10.18280/jesa.530101.
- Satpathy PR, Ramachandaramurthy VK, Radha Krishnan TR, et al. Technological innovations and sustainable strategies for advancing electric vehicle performance and market integration. Energy Strategy Rev. 2025;60:101790. doi:10.1016/j.esr.2025.101790.
- Saheb GM, Jamiu O, Li L. A review on electric vehicle charging station operation considering market dynamics and grid interaction. Appl Energy. 2025;392:126058. doi:10.1016/j.apenergy.2025.126058.
- Radha Krishnan TR, Satpathy PR, Ramachandaramurthy VK, Dollah Z, Pulenthirarasa S, Ramasamy A. Optimizing vehicle-to-grid systems: Smart integration of shared autonomous and conventional electric vehicles. eTransportation. 2025;24:100401. doi:10.1016/j.etran.2025.100401.