Niniejsza praca opisuje opracowanie systemu MPPT opartego na sztucznej sieci neuronowej (ANN) z podtrzymaniem w postaci magazynu bateryjnego dla autonomicznej stacji ładowania pojazdów elektrycznych zasilanej przez dwustronny system fotowoltaiczny. Dodatkowo wykorzystano algorytm optymalizacji Secretary Bird (SBOA) do optymalizacji parametrów przetwornicy DC–DC, filtra oraz regulatora PI w celu zminimalizowania całkowitej harmonicznej zniekształcenia (THD) oraz odchyłki napięcia szyny DC.
Artykuł badawczy
Projekt przekształtnika DC-DC dla autonomicznej stacji ładowania pojazdów elektrycznych zasilanej dwustronnymi panelami fotowoltaicznymi z wykorzystaniem algorytmu optymalizacji Secretary Bird Optimization Algorithm
W tym artykule
Podsumowanie
Streszczenie
W odpowiedzi na rosnący nacisk na zrównoważoną mobilność, niniejsze badanie przedstawia system ładowania pojazdów elektrycznych (EV) oparty na odnawialnych źródłach energii, zawierający stacyjny magazyn energii (BES). System wykorzystuje dwustronny układ fotowoltaiczny (PV) ze schematem śledzenia punktu maksymalnej mocy (MPPT) wspieranym przez sztuczną sieć neuronową (ANN). Dodatkowo zastosowano algorytm optymalizacji Secretary Bird Optimization Algorithm (SBOA) w celu optymalizacji parametrów przetwornicy DC–DC, filtra oraz regulatora PI, aby zminimalizować THD przy jednoczesnym zachowaniu stabilnego napięcia szyny DC. Oceniono pięć modeli EV, w tym jeden model z akumulatorem kwasowo-ołowiowym (BMW i3) oraz cztery modele z akumulatorami litowo-jonowymi (Fiat 500e, Mercedes EQA 250, Volkswagen e-Golf oraz Hyundai Kona Electric). Zaproponowana konfiguracja MPPT pozwala na pobranie maksymalnej energii z dwustronnego systemu PV przy zachowaniu stabilnego napięcia szyny DC w zmiennych warunkach środowiskowych i obciążeniowych. Walidacja przeprowadzona za pomocą symulacji MATLAB/Simulink w trzech scenariuszach operacyjnych (irradiancja = 800–1000 W/m2; temperatura = 20–25 °C) wykazała wysoką sprawność konwersji, wartości THD na poziomie 2,85%, 2,26% i 2,23% oraz solidne zarządzanie energią, odpowiednie dla stacji ładowania EV działających w trybie off-grid.
Wprowadzenie
Obecnie kluczowe jest integrowanie odnawialnych źródeł energii, przede wszystkim słonecznej, oraz stacji ładowania pojazdów elektrycznych (EV) z systemem dystrybucyjnym. Integracja ta prowadzi jednak do problemów z jakością energii (PQ) oraz rodzi potrzebę zastosowania zaawansowanych algorytmów MPPT w celu maksymalizacji poboru mocy ze źródeł odnawialnych. Z uwagi na szybki wzrost liczby pojazdów elektrycznych niezbędne stało się stworzenie szybkiej i niezawodnej infrastruktury ładowania. Korzystanie z tradycyjnych stacji ładowania podłączonych do sieci skutkuje emisją dwutlenku węgla, przeciążeniem sieci oraz problemami z jakością energii (PQ). Dodatkowo integracja odnawialnych źródeł energii, takich jak energia słoneczna, z pojazdami elektrycznymi może pomóc w redukcji emisji dwutlenku węgla. Ponieważ energia słoneczna jest z natury niestabilna, obok niej rozważa się zastosowanie magazynów energii w postaci akumulatorów. Techniki MPPT oparte na sztucznej inteligencji zapewniają wyższą wydajność paneli słonecznych niż konwencjonalna metoda perturbacji i obserwacji (P & O).
Zaproponowano nowy algorytm sterowania oparty na tłumionym uogólnionym integratorze piątego rzędu dla systemów PV zintegrowanych z siecią, aby precyzyjnie przekazywać energię słoneczną do sieci przy współczynniku PF równym jedności, wykorzystując optymalizację opartą na psychologii ludzkiej 1. Ponadto zastosowano strategię optymalnego sterowania metodą wspinaczki wznoszącej opartą na uczeniu, wspieraną przez adaptacyjny optymalny filtr Kalmana M, w celu zwiększenia ekstrakcji mocy z systemu PV2. Z kolei algorytm predykcyjny został wykorzystany do efektywnego zarządzania i regulacji mocy w systemie PV zintegrowanym z mikrosiecią. System jest skonfigurowany w dwustopniowym układzie 3φ3.
W międzyczasie opracowano nowy czujnik napięcia o niższym poborze mocy, aby wydobyć maksymalną moc wyjściową z fotowoltaicznego systemu słonecznego podłączonego do stacji ładowania pojazdów elektrycznych (EV), kładąc nacisk na wydajność i szybkość 4. Ponadto opracowano nowatorskie podejście do uwierzytelniania poleceń w celu identyfikacji ataków polegających na wstrzykiwaniu fałszywych danych, które są wymierzone konkretnie w scentralizowane sygnały sterowania ekonomicznym rozdzielaniem mocy w systemie5. Wprowadzono również zaawansowaną metodę generowania map istotności z połączonych układów paneli słonecznych oraz oceny otoczenia pod kątem występowania zacienienia6. Przedstawiono strategię sterowania umożliwiającą skuteczne zarządzanie problemami z mocą czynną i bierną (PQ) w układzie UPQC z nadprzewodzącym systemem magazynowania energii magnetycznej, szczególnie w odniesieniu do obciążenia ze stacji ładowania pojazdów elektrycznych7.
Ponadto dwustronny moduł PV stanowi istotne wyzwanie dla opłacalności finansowej fotowoltaiki. Podczas gdy metody prognozowania wydajności jednostronnych modułów PV są dobrze opracowane, adaptacja tych modeli do systemów dwustronnych jest wciąż w toku8,9. Co więcej, liczne badania wykazały, że produkcja energii z dwustronnych paneli PV jest zależna od czynników geometrycznych. Ważne jest uwzględnienie tych elementów podczas oceny działania technologii dwustronnych10,11,12,13,14,15. Z drugiej strony, opracowano algorytmy MPPT oparte na metodzie P & O oraz na sztucznej inteligencji (AI) w celu maksymalizacji poboru mocy z PV, a także zaprojektowano kontrolery z wykorzystaniem metod optymalizacyjnych16,17,18. Szczegółowo omówiono modelowanie i symulację dwustronnych paneli PV w porównaniu z panelami jednostronnymi19. Jednocześnie zaproponowano wykorzystanie MPPT opartego na metodzie P & O oraz sieciach neuronowych (ANN) w systemach PV do projektowania stacji ładowania pojazdów elektrycznych (EV)20,21. Stacja ładowania EV zasilana energią PV została zaprojektowana tak, aby wspierać różne modele przy użyciu MPPT P & O22. Następnie, w celu opracowania algorytmu SBOA, matematycznie wymodelowano zachowania ptaka sekretarza niezbędne do jego przetrwania, takie jak poszukiwanie i polowanie na ofiary23. Przedstawiono nowy przetwornik DC-DC sterowany logiką rozmytą, przeznaczony do stałego ładowania domu zasilanego energią słoneczną24. W schemacie bezpośredniego sterowania przepływem i momentem obrotowym wprowadzono logikę rozmytą, aby zaspokoić zapotrzebowanie pojazdu na moment obrotowy i zoptymalizować wydajność procesu uczenia25.
Ponadto przeprowadzono kompleksowy przegląd wyłaniających się trendów, w tym technologii vehicle-to-grid (V2G) i systemów zarządzania energią sterowanych przez AI, a także roli odnawialnych źródeł energii w operacjach pojazdów elektrycznych (EV) reagujących na potrzeby sieci26. Co więcej, opracowano nową metodę mającą na celu rozwiązanie problemów związanych z niepewnością w generowaniu energii z OZE, zachowaniami w zakresie ładowania EV oraz cenami rynkowymi27. Omówiono również kluczowe różnice między EV a SAEV w technologii V2G, wskazując na nowatorską metodę dla SAEV o odrębnych cechach, co wzmocniło ich rolę w integracji V2G28.
Przeprowadzono szereg badań nad jednostronnymi stacjami ładowania pojazdów elektrycznych (EV) zasilanymi ogniwami fotowoltaicznymi (PV) i podłączonymi do sieci, z wykorzystaniem konwencjonalnych metod MPPT, takich jak P & O (wymienione w Tabeli 1), I & C, sterowanie rozmyte oraz metody optymalizacji metaheurystycznej. Koncentrowały się one albo na systemie ekstrakcji energii PV, albo na doborze parametrów regulatora. Jednak dostępnych jest jedynie kilka systemów PV jednostronnych z MPPT opartym na sztucznej inteligencji i optymalnym doborem parametrów dla przetwornic DC-DC, filtrów oraz wzmocnień regulatorów PI, wszystko to w ramach jednej struktury, w celu utrzymania stabilności napięcia szyny DC i redukcji THD. Dlatego też ta luka badawcza motywuje opracowanie MPPT opartego na ANN dla dwustronnych ogniw PV oraz zoptymalizowanych regulatorów dla przetwornic i filtrów, aby poprawić jakość energii (PQ) w autonomicznej stacji ładowania EV pracującej w warunkach dynamicznych. Niniejsze badanie przedstawia autonomiczną architekturę ładowania z dwustronnych ogniw PV zintegrowaną z kontrolerem MPPT sterowanym przez sztuczną sieć neuronową, zaprojektowaną dla stacji EV zlokalizowanych przy autostradach. System skonfigurowano do ładowania pięciu typów akumulatorów EV22, w tym czterech modeli litowo-jonowych: Hyundai Kona Electric, Volkswagen e-Golf, Fiat 500e, Mercedes EQA 250 i BMW i3, oraz jednej konfiguracji ołowiowo-kwasowej, wspieranej przez pomocniczy moduł magazynowania energii w akumulatorach, który zapewnia stabilne działanie w zmiennych warunkach nasłonecznienia.
Główne wkłady proponowanej pracy można przedstawić następująco: (1) Opracowanie dwustronnego układu PV wspieranego przez BES, pracującego w trybie wyspowym w celu dostarczania energii do wielu pojazdów elektrycznych (EV) oraz do zapotrzebowania AC na poziomie stacji poprzez skoordynowane interfejsy DC/AC. Dwustronne PV pozyskuje więcej energii z powierzchni przedniej i tylnej niż PV jednostronne. (2) Implementacja algorytmu MPPT opartego na sieciach ANN, który adaptacyjnie reguluje wypełnienie konwertera boost, aby wyekstrahować maksymalną dostępną moc słoneczną. (3) Optymalizacja parametrów konwertera DC-DC, wartości R L filtrów oraz wzmocnień regulatora PI za pomocą algorytmu optymalizacji Secretary Bird (SBOA), mająca na celu uzyskanie niskiego THD i stabilnego napięcia szyny DC podczas zmian nasilenia promieniowania i temperatury. (4) Walidacja poprzez trzy scenariusze operacyjne obejmujące zmienne warunki środowiskowe i obciążenia w celu oceny odporności regulatora oraz wydajności systemu.
Protokół
W niniejszej pracy opracowano autonomiczny system ładowania pojazdów elektrycznych (EV) zasilany dwustronnymi modułami fotowoltaicznymi (PV) oraz systemem magazynowania energii z baterii (BESS), jak pokazano na Rysunku 1, z wykorzystaniem metody MPPT sterowanej przez sztuczną sieć neuronową (ANN). Do modelowania dwustronnego układu PV zastosowano równoważny obwód jednodiodowy, uwzględniający temperaturę, rezystancję szeregową, rezystancję równoległą, natężenie promieniowania słonecznego oraz natężenie promieniowania na tylnej stronie. Moc z układu PV jest dostarczana do stacji ładowania EV za pomocą przetwornicy DC–DC typu boost, podczas gdy BESS wspomaga regulację napięcia szyny DC. Do optymalizacji wzmocnień regulatora PI oraz parametrów filtrów wykorzystano algorytm optymalizacji Secretary Bird (SBOA). Modelowanie komponentów systemu oraz proponowana metodologia zostały opisane w następnych podrozdziałach.
Modelowanie komponentów
1. Dwustronny system fotowoltaiczny (PV)
Moduły PV pomagają w osiągnięciu wymaganego natężenia prądu i napięcia wyjściowego. W niniejszym badaniu wykorzystano dwa jednostronne moduły PV do emulacji charakterystyki generowania energii przez macierze dwustronne w różnych warunkach albedo powierzchni9. Zysk dwustronny z promieniowania BGg jest określany przez równanie (1)
(1)
W tym przypadku natężenie promieniowania przedniego to Gf, a natężenie promieniowania tylnego to Gr. Maksymalny prąd dwustronnego modułu PV to Imp, a napięcie to Vmp. Ostatecznie moc wyjściowa generowana przez system dwustronny z wybraną liczbą modułów połączonych szeregowo Ns oraz równolegle Np jest określona przez równanie (2). Układ sterowania PV przedstawiono na Rysunku 2
(2)
2. System magazynowania energii w akumulatorach (BSS)
Baterie są kluczowym sposobem przechowywania energii elektrycznej18. W niniejszej pracy jako system magazynowania energii wykorzystano baterie Li-ion. Spośród dostępnych opcji akumulatorów wielokrotnego ładowania, praca ta koncentruje się na bateriach Li-ion, które ze względu na swoją wydajność i gęstość mocy uznaje się za optymalne dla pojazdów elektrycznych (EV). Równania (3) i (4) opisują baterię Li-ion z uwzględnieniem ograniczeń.
(3)
Specyfikacje PV, akumulatora i konwertera zostały podsumowane w Tabeli 2, natomiast Tabela 3 przedstawia alokację przepływu mocy pomiędzy tablicą PV, jednostką magazynowania energii a podłączonymi obciążeniami.
(4)
3. Przetwornica DC-AC
Inwerter z zaciskaniem punktu neutralnego (NPC) jest powszechnie stosowany w nowoczesnych systemach konwersji energii dla odnawialnych źródeł energii. W porównaniu z konwencjonalną strukturą dwupoziomową, konfiguracja NPC oferuje zredukowane całkowite harmoniczne zniekształcenia (THD), niższe zakłócenia elektromagnetyczne oraz mniejsze naprężenia napięciowe w urządzeniach półprzewodnikowych. Szyna DC tej topologii jest podzielona na trzy poziomy potencjału +Vdc/2, 0 i -Vdc/2 za pomocą sparowanych kondensatorów i diod zaciskowych tworzących punkt neutralny. Poprzez odpowiednie sterowanie przełączaniem, inwerter generuje trzy dyskretne stany napięcia na zaciskach wyjściowych, co poprawia jakość przebiegu i sprawność konwersji mocy. Punkt neutralny szyny DC w inwerterze NPC odgrywa kluczową rolę w równoważeniu napięć kondensatorów i zapewnianiu prawidłowego działania inwertera. Schemat sterowania inwertera przedstawiono na Rysunku 3.
4. Przetwornica step-up DC-DC
Przetwornice DC-DC podwyższają wejściowe napięcie stałego prądu do wyższego napięcia wyjściowego poprzez sterowanie cyklem pracy urządzenia przełączającego o wysokiej częstotliwości, przy jednoczesnym zachowaniu sprawności. Posiada ona dwa tryby pracy. W stanie włączonym (ON) dioda jest spolaryzowana w kierunku zaporowym, a źródło wejściowe dostarcza energię do cewki, która magazynuje ją w postaci pola magnetycznego, podczas gdy kondensator wyjściowy zasila odbiornik. W stanie wyłączonym (OFF) dioda zostaje spolaryzowana w kierunku przewodzenia. Wówczas energia zmagazynowana w cewce jest uwalniana poprzez diodę do kondensatora podłączonego do wyjścia i odbiornika, sumując się z napięciem źródła wejściowego, co pozwala uzyskać napięcie wyjściowe wyższe od wejściowego. Poprzez zmianę wypełnienia sygnału PWM napięcie wyjściowe przetwornicy zmienia się zgodnie z zależnością 
, gdzie D oznacza cykl pracy. Przetwornice te są stosowane w systemach solarnych, ogniwach paliwowych, pojazdach elektrycznych (EV) oraz systemach magazynowania energii.
Schemat sterowania ANN dla MPPT
W niniejszej pracy wybrano algorytm MPPT oparty na sztucznej sieci neuronowej (ANN) w celu pozyskania maksymalnej mocy generowanej przez system solarny17Zbiory danych dotyczących promieniowania i temperatury wykorzystane do trenowania sieci ANN zostały wygenerowane w środowisku MATLAB/Simulink przy zmiennych warunkach pracy środowiskowej, odpowiadających poziomom nasłonecznienia od 800 do 1000 W/m²2 oraz zakresy temperatur od 20–25 °Cz cyklem pracy (D). Sieć ANN jest trenowana w celu zminimalizowania błędu MSE pomiędzy uzyskanymi a wymaganymi wartościami wyjściowymi (Op, 
) w celu wydobycia maksymalnej mocy z bifacjalnego systemu fotowoltaicznego. W tym przypadku natężenie promieniowania słonecznego oraz temperatura służą jako dane wejściowe dla sztucznej sieci neuronowej (ANN), a cykl pracy jest sygnałem wyjściowym służącym do sterowania przetwornicą step-up (boost). Struktura opracowanego modelu ANN dla śledzenia punktu maksymalnej mocy (MPPT), przedstawiona w Rycina 4zostało uwzględnione w pracy. Tabela uzupełniająca 1 przedstawia zalety i wady proponowanej metody w porównaniu z innymi standardowymi metodami.
Sztuczna sieć neuronowa (ANN) składa się z trzech głównych warstw: warstwy wyjściowej (OPL), warstwy wejściowej (IPL) oraz warstwy ukrytej (HIL). Pozwala to na przekazywanie danych pomiędzy IPL a HIL. Następnie dane są przetwarzane przez wagi w połączeniach łączących IPL i HIL. W tym kontekście obliczenia są wykonywane z zastosowaniem określonego obciążenia (bias) zmiennej HL, a uzyskane wyniki są akumulowane w zmiennej OPL. W niniejszej pracy wybrano ANN typu LMBP [17]. Wagi połączeń są dostrajane podczas trenowania poprzez pomiar błędu w celu osiągnięcia docelowego wyniku wyjściowego. Tutaj LMBP jest wykorzystywany do trenowania sieci ANN z zastosowaniem MSE jako funkcji wydajności. Algorytm LMBP wykorzystuje wyznaczone pochodne do aktualizacji wag, co wykazuje właściwości efektywnego uczenia się i przyspieszonej zbieżności
Każdy neuron w sieci wielowarstwowego perceptrona posiada funkcję sumowania i funkcję aktywacji. Ponadto istnieją określone wagi liczbowe (wpk), które łączą te neurony pomiędzy poszczególnymi poziomami. Wejścia są mnożone przez wagi zgodnie z Równaniem (5). W celu minimalizacji MSE, zgodnie z Równaniem (6), zastosowano nieliniową funkcję sigmoidalną.
(5)
(6)
Algorytm SBOA zoptymalizował parametry filtra i sterowania proponowanego systemu
Obecnie algorytmy metaheurystyczne odgrywają kluczową rolę w rozwiązywaniu problemów inżynieryjnych. Rycina 5 przedstawia klasyfikację algorytmów. Algorytm SBOA23 naśladuje zachowanie ptaka sekretarza w celu przetrwania w jego naturalnym środowisku. W SBOA zamodelowano etapy eksploracji i eksploatacji w zachowaniach łowieckich ptaka sekretarza. Faza eksploracji algorytmu naśladuje zachowanie ptaka sekretarza podczas łapania węży, natomiast faza eksploatacji naśladuje jego zachowanie podczas unikania drapieżników, takich jak orły. Proces poszukiwania rozwiązania rozpoczyna się od generowania wartości losowych w odpowiednich granicach dla każdego osobnika w populacji oraz od obliczenia wartości funkcji celu poprzez uruchomienie modelu Simulink, traktując wartość każdego osobnika jako parametr projektowy. Na podstawie wartości celu każdy osobnik zmienia swoją pozycję, aby reprezentować lepsze rozwiązanie. Modelowanie matematyczne SBOA omówiono poniżej:
Wstępna faza przygotowawcza
W pierwszej kolejności należy zidentyfikować rozwiązania początkowe, które zostały wykorzystane do rozpoczęcia poszukiwań typowego minimum funkcji celu F(Y). W tym przypadku początkowa losowa populacja Y = [Y1, Y2, ......YN] SB jest tworzona poprzez N rozwiązań początkowych. Równanie (7) inicjuje populację, a Yi reprezentuje poszczególne rozwiązanie.
(7)
Gdzie dolne i górne granice zmiennych decyzyjnych są oznaczone jako lb oraz ub. W przedziale [0, 1], r jest liczbą losową. N to wymiar problemu. Ponadto wartość dopasowania rozwiązania Fi = F(Yi) jest wykorzystywana do określenia jakości Yi.
Strategia łowiecka SB
Znalezienie, zjedzenie i zaatakowanie ofiary to trzy główne fazy polowania SB. Cały proces polowania został podzielony na trzy równe odstępy czasu: t < 1/3T, 1/3T < t < 2/3T oraz 2/3T < t < T. Tutaj t oznacza bieżącą iterację, a T maksymalną liczbę iteracji. Przedziały te odpowiadają trzem fazom drapieżnictwa SB: poszukiwaniu, konsumpcji i atakowaniu ofiary. Podział ten opiera się na statystykach biologicznych faz polowania ptaka oraz czasie trwania każdej z tych faz. W związku z tym, każda faza SBOA jest modelowana w następujący sposób:
Poszukiwanie ofiary
W tej fazie SB musi polować na ofiarę z bezpiecznej odległości. Aby zebrać wystarczającą ilość danych z całego obszaru poszukiwań, pierwszy krok w algorytmach optymalizacji wymaga silniejszej eksploracji. Wykorzystując lokalizacje dwóch pozostałych SB jako wskazówkę, SB może zbadać dodatkowe potencjalne obszary. W celu dalszego zwiększenia różnorodności algorytmu wprowadzono zatem procesy mutacji różnicowej. Gdy t jest mniejsze niż 1/3 T, do aktualizacji pozycji każdego osobnika stosuje się równanie (8). Będzie on poszukiwać, konsumować i atakować ofiarę. W konsekwencji, poniżej przedstawiono modelowanie każdej fazy SBOA:
(8)
Gdzie Yi(t) to aktualna pozycja itej SB, Ynewi(t) przedstawia zaktualizowane rozwiązanie, a dwie jednostki Yi(t) i Yr2(t) zostały randomly wybrane z istniejącej populacji. Losowy wektor dla strategii wyboru parametrów, R1 o wymiarach 1 × N, został wybrany losowo z przedziału [0, 1], aby zapewnić efektywną równowagę między fazami eksploatacji i eksploracji. Zaktualizowane rozwiązanie jest brane pod uwagę tylko wtedy, gdy prowadzi do poprawy wartości funkcji celu w porównaniu z wcześniej uzyskanym rozwiązaniem.
Konsumpcja ofiary
SB wykorzystuje zwinną zwinność i porusza się, by krążyć wokół węża po dostrzeżeniu potencjalnej ofiary. Cierpliwość ofiary zostanie wykorzystana do obniżenia jej zapór obronnych poprzez obserwację i wabić przeciwników podczas ich krążenia. Inne SB dostosowują swoją postawę w pobliżu ofiary. Dzięki takiemu podejściu sukces w polowaniu zostanie znacznie zwiększony. Równanie (9) ilustruje, w jaki sposób ruchy Browna (B) są wykorzystywane do symulowania przypadkowego ruchu SB, gdy 1/3 T < t < 2/3 T.
(9)
Wartość B jest implementowana w programie MATLAB przy użyciu standardowego rozkładu normalnego za pomocą losowo generowanego wektora r(1,M). Następnie SB wykorzystują równanie (10) do aktualizacji swoich pozycji.
(10)
Gdzie Ybest(t) jest najlepszym rozwiązaniem, a wykładniczy czynnik skalujący exp((t/T)4) został wybrany w celu zwiększenia zdolności eksploatacji w każdej iteracji.
Atakowanie ofiary
Po ciągłym zużyciu energii ofiara zostanie z niej całkowicie pozbawiona. W tym momencie ptaki sekretarze powinny rozpocząć atak. Tutaj, z wykorzystaniem techniki lotu Lévy’ego, symulowane są różne metody ataku, takie jak nieustanne kroki lub sporadyczne długie skoki w krótkim przedziale czasowym. Charakterystyka tych działań jest opisana w równaniach (11) i (12). Obecnie potencjalne opcje znajdują się blisko rozwiązania optymalnego, ponieważ ptaki sekretarze szybko zbliżają się do ofiary. Plan ten zostanie zaimplementowany, gdy t > 2/3T.
(11)
(12)
Gdzie LF reprezentuje strategię lotu Levy'ego i 
, s= 0.01 oraz φ = 1.5 są wartościami stałymi. μ i υ to wartości dowolne z przedziału [0, 1]. Gdzie τ oznacza gamma, a η = 0.5; przyjęto współczynnik wagowy 0.5, zgodnie z propozycją w oryginalnej formulacji SBOA, aby regulować wielkość kroku i utrzymać równowagę między dużymi skokami eksploracyjnymi a lokalnym doprecyzowaniem. Tabela 4 przedstawia wartości wykorzystane dla ANN i algorytmu SB w opracowanym systemie.
Strategia ucieczki dla SB
Podczas polowania na inne ofiary w naturze, ptaki sekretarze ryzykują stanie się zwierzyną łowną. Głównymi przeciwnikami, z którymi muszą się zmagać, są orły, jastrzębie, lisy i szakale. Aby chronić siebie lub swoją ofiarę w obliczu niebezpieczeństwa, muszą stosować różnorodne techniki unikania. Niniejszy algorytm symuluje metody ucieczki poprzez modelowanie trybów biegu (D2) i kamuflażu (D1). W starciu z przeciwnikami ptaki sekretarze początkowo wtapiają się w otoczenie, aby zapewnić sobie bezpieczeństwo. W tym procesie ptaki sekretarze dążą do uniknięcia optimów lokalnych w algorytmach poprzez aktualizację swoich pozycji wokół ofiary (najlepszego osobnika). Jeśli nie są w stanie uniknąć wroga, stosują taktykę lotu lub szybkiego biegu, aby przetrwać. Dla odniesienia, jako lider wybierany jest losowy osobnik Yrand, co zapobiega utknięciu w optimum lokalnym. Ptaki sekretarze wykorzystują równania (13) i (14) do aktualizacji swoich pozycji. Schemat blokowy SBOA przedstawiono na Rysunku 6.
(13)
(14)
Reprezentacja zmiennych projektowych
Zmienne problemowe w niniejszym badaniu obejmują parametry projektowe, takie jak wzmocnienia regulatorów PI przetwornic DC-DC, a także rezystancje i indukcyjności filtrów i przetwornic. Równanie (15) przedstawia reprezentację zmiennych sterowania. Zakresy parametrów sterowania wykazano w Uzupełniającej Tabeli 2.
(15)
Funkcja przystosowania (FF)
W niniejszym badaniu jako funkcję celu (Obj) wybrano minimalizację THD. Maksymalna wartość FF odpowiada minimalnej wartości Obj, zgodnie z równaniami (16) i (17).
(16)
(17)
Wyniki
Zaproponowany autonomiczny system fotowoltaiczny dwustronny (Bifacial PV) z algorytmem MPPT opartym na ANNC dla stacji ładowania pojazdów elektrycznych (EV) został skonstruowany w środowisku Simulink/Matlab 2022b i uruchomiony na komputerze z procesorem Intel Core i7 i 16 GB pamięci RAM. Wybrane parametry systemu oraz wartości obciążenia EV przedstawiono w Tabeli 2 i Tabeli uzupełniającej 3. W niniejszej pracy, w celu zademonstrowania wydajności systemu, wykorzystano trzy przypadki wymienione w Tabeli 5 z różnymi permutacjami nasłonecznienia (G), temperatury (T), obciążeń prądem przemiennym (AC) oraz pięć pojazdów EV różnych modeli i o różnych parametrach. Praca ta koncentruje się przede wszystkim na poprawie wydajności autonomicznego systemu EV bez przyłączenia do sieci, wykorzystując ANN w celu maksymalizacji poboru mocy z systemu PV wspieranego przez magazyn energii w postaci akumulatora, przy jednoczesnej redukcji THD.
W przypadku 1, dla opracowanego systemu, przyjęto standardowe natężenie promieniowania i temperatury dla wybranej liczby modułów połączonych szeregowo i równolegle na przedniej i tylnej stronie dwustronnego systemu PV, z samochodami EV i stacjonarnym obciążeniem AC. Tutaj napięcie, prąd i moc słoneczna generowana przez proponowany system MPPT wyszkolony za pomocą ANN są wykorzystywane do zasilania obciążenia Rysunek 7A. Ponadto efektywny rozdział mocy, jak pokazano na Rysunku 7B, pomiędzy modułami PV, akumulatorem magazynującym, stacjonarnym obciążeniem AC i obciążeniami EV, jest realizowany zgodnie ze scenariuszem w Tabeli 3. W czasie 0,7 s samochody EV są w trybie ładowania, działając jako obciążenie wraz ze stacjonarnym obciążeniem mocy czynnej. W tym przypadku moc PV jest wystarczająca do zaspokojenia zapotrzebowania, w związku z czym akumulator magazynujący znajduje się w stanie idealnym. Tymczasem w 1,2 s obciążenia EV i AC pobierają moc zarówno z PV, jak i z systemu akumulatorów magazynujących (rozładowywanie), ponieważ sama energia słoneczna nie jest wystarczająca do zaspokojenia zapotrzebowania. Następnie stan naładowania akumulatorów samochodów EV (tryb ładowania) i akumulatorów magazynujących (tryb rozładowywania), jak na 7(c), daje przejrzystą analizę pracy akumulatora magazynującego podczas szczytowego zapotrzebowania. Wyraźnie widać, że system z powodzeniem utrzymuje stabilne napięcie szyny DC wynoszące 470V z niskim odchyleniem i przepięciami. Dodatkowo Rysunek 7D pokazuje, że filtr zoptymalizowany algorytmem SBOA minimalizuje niedoskonałości przebiegu w punkcie PCC i redukuje THD prądu do 2,85% przy obciążeniu EV i mocy czynnej.
W przypadku 2, dla wybranej liczby szeregów i równoległych połączeń ogniw oraz określonych parametrów przy zmiennym promieniowaniu, napięcie, prąd i moc PV przedstawiono na Rysunku 8A. W tym układzie obciążenia EV, w połączeniu z nieliniowym mostkiem prostowniczym, są traktowane jako obciążenie systemu. Ponadto nadmiarowa moc PV wygenerowana w Rysunku 8B po zaspokojeniu obciążenia jest przekazywana do akumulatora w celu jego naładowania. Z kolei SOCB systemów akumulatorowych oraz EV przedstawiono na Rysunku 8C; działają one zgodnie z systemem zarządzania energią. Wyraźnie widać również, że proponowany system skutecznie redukuje odchylenia napięcia szyny DC podczas zmian obciążenia i natężenia promieniowania. Filtr zoptymalizowany za pomocą SBOA redukuje niedoskonałości prądu i obniża THD do poziomów zgodnych ze standardami IEEE.
W przypadku 3, przy zmiennym natężeniu promieniowania i temperaturze, maksymalne napięcie, prąd i moc PV były zbliżone do tych z przypadku 2 (Rysunek 9A). Oprócz obciążeń pojazdów elektrycznych (EV), jako obciążenie stacji bazowej przyjęto mostek prostowniczy oraz aktywne obciążenie mocy, działające jednocześnie. Ponadto Rysunek 9B pokazuje, że akumulator magazynujący ładuje się, ponieważ moc systemu PV przekracza zapotrzebowanie obciążenia. Rysunek 9C przedstawia stan naładowania systemów akumulatorowych w EV i magazynie. Wyraźnie widać również, że proponowany system dobrze radzi sobie z balansowaniem napięcia szyny DC przy zmiennym obciążeniu, promieniowaniu i temperaturze. W proponowanej metodzie wartości THD i MSE są znacznie niższe niż w innych metodach dostępnych w literaturze, Tabela 6, przy krótszym czasie obliczeń. Ewidentne jest również, że opracowana metoda charakteryzuje się wysoką sprawnością przy znacznie wyższym wskaźniku sukcesu.
Dostępność danych:
Zbiory danych wykorzystane i/lub analizowane podczas niniejszego badania są dostępne pod adresem https://doi.org/10.6084/m9.figshare.32894939
Rysunek 1. Autonomiczna stacja ładowania pojazdów elektrycznych zasilana dwustronnymi panelami PV. (A) Schemat blokowy proponowanego autonomicznego systemu ładowania pojazdów elektrycznych (EV) zasilanego dwustronnymi panelami fotowoltaicznymi (PV), przedstawiający jednostkę generacji PV, system magazynowania energii w akumulatorach (BESS), przetwornice DC–DC, inwerter, obciążenie AC stacji oraz jednostki ładowania EV. (B) Reprezentatywny obraz stacji ładowania EV zasilanej energią PV. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
Rysunek 2. System sterowania dla dwustronnego układu PV i systemu magazynowania energii w akumulatorach. Architektura sterowania dwustronnego układu PV z algorytmem śledzenia punktu maksymalnej mocy (MPPT) opartym na ANN oraz systemem magazynowania energii w akumulatorach (BESS). Górny panel przedstawia sterowaną przez ANN przetwornicę step-up do poboru mocy z PV, natomiast dolny panel przedstawia przetwornicę buck-boost oraz kontroler akumulatora używany do regulacji napięcia szyny DC. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 3System sterowania falownikiem, obciążeniem AC stacji oraz jednostkami ładowania pojazdów elektrycznych (EV). Architektura sterowania trzystopniowego falownika z zakotwiczonym punktem neutralnym (NPC), zasilającego odbiornik AC stacji oraz wiele jednostek ładowania pojazdów elektrycznych (EV). Rysunek przedstawia również strategię sterowania falownikiem, konfigurację filtrów, pętlę synchronizacji fazy (PLL) oraz indywidualne sterowanie przetwornicami DC–DC dla ładowania pojazdów elektrycznych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 4. Architektura sztucznej sieci neuronowej dla MPPT. Do śledzenia punktu maksymalnej mocy (MPPT) zastosowano architekturę sztucznej sieci neuronowej (ANN). Natężenie promieniowania słonecznego (G) oraz temperatura (T) są dostarczane jako wejścia do warstwy ukrytej, a sieć generuje wyjście wykorzystywane do wyznaczenia punktu pracy dla maksymalnego poboru mocy. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rysunek 5. Klasyfikacja algorytmów optymalizacji. Klasyfikacja algorytmów optymalizacji na deterministyczne, metaheurystyczne oraz inne specjalistyczne podejścia optymalizacyjne, wraz z reprezentatywnymi przykładami w każdej kategorii. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 6. Schemat blokowy algorytmu optymalizacji Secretary Bird Optimization Algorithm (SBOA). Schemat blokowy ilustrujący procedurę optymalizacji SBOA, obejmującą inicjalizację populacji, ocenę dostosowania, strategię polowania (poszukiwanie, konsumpcja i atakowanie ofiary), strategię ucieczki, aktualizację rozwiązania oraz zbieżność do rozwiązania optymalnego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 7. Wyniki symulacji dla przypadku 1. (A) Napięcie, prąd i moc wyjściowa PV w standardowych warunkach pracy. (B) Rozkład mocy pomiędzy macierzą PV, obciążeniem AC stacji, systemem magazynowania energii w akumulatorach oraz obciążeniami pojazdów elektrycznych (EV). (C) Stan naładowania (SOC) akumulatorów EV i akumulatora magazynującego, wraz z cyklem pracy i napięciem szyny DC. (D) Przebiegi prądu i napięcia trójfazowego w punkcie wspólnego przyłączenia (PCC). Aby wyświetlić większą wersję tej ryciny, kliknij tutaj.
Rycina 8. Wyniki symulacji dla Przypadku 2. (A) Napięcie, prąd i moc wyjściowa PV w zmiennych warunkach nasłonecznienia. (B) Rozkład mocy między macierzą PV, obciążeniem AC stacji, systemem magazynowania energii w akumulatorach i obciążeniami EV. (C) Stan naładowania (SOC) akumulatorów EV i akumulatora magazynującego, wraz z cyklem pracy i napięciem szyny DC. (D) Przebiegi prądu i napięcia trójfazowego w punkcie wspólnego przyłączenia (PCC). Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rycina 9. Wyniki symulacji dla Przypadku 3. (A) Napięcie PV, prąd i moc wyjściowa w zmiennych warunkach nasłonecznienia i temperatury. (B) Rozkład mocy pomiędzy macierzą PV, odbiornikiem AC stacji, systemem magazynowania energii w akumulatorach oraz odbiornikami EV. (C) Stan naładowania (SOC) akumulatorów EV i akumulatora magazynującego, wraz z cyklem pracy i napięciem szyny DC. (D) przebiegi trójfazowego prądu i napięcia w punkcie wspólnego przyłączenia (PCC). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Rycina 10. Wydajność regresji ANN. Analiza regresji modelu ANN dla zestawów danych treningowych, walidacyjnych, testowych i połączonych, wykazująca zgodność między wartościami przewidywanymi a docelowymi. Aby wyświetlić większą wersję tej ryciny, kliknij tutaj.
Rysunek 11. Wydajność walidacji ANN. Wydajność średniego błędu kwadratowego (MSE) sieci ANN podczas uczenia, walidacji i testowania, wykazująca zbieżność w kolejnych epokach uczenia. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 12. Charakterystyka zbieżności algorytmu Secretary Bird Optimization Algorithm. Profil zbieżności SBOA przedstawiający redukcję całkowitych harmonicznych zniekształceń (THD) wraz ze wzrostem liczby iteracji optymalizacji dla Przypadku 1. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Rysunek 13. Analiza szybkiemu transformacie Fouriera dla harmonicznych prądu. Widma szybkiej transformaty Fouriera (FFT) prądu wyjściowego dla trzech przypadków symulacji. Panele odpowiadają widmom harmonicznych uzyskanych dla przypadku 1 (lewa góra), przypadku 2 (prawa góra) oraz przypadku 3 (dół), ilustrując osiągnięte THD dla każdego warunku pracy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
| Zintegrowane źródło | THD (%) | Wydajność (%) | MPPT/ | Równoważenie napięcia szyny DC | Algorytm optymalizacji | Stan sieci/wyspy | Emisja węgla | Referencje |
| Technika sterowania | ||||||||
| PV i akumulator | dobry | umiarkowana | P&O | dobry | Soccer league | Sieć | wysoka | Srilakshmi et al.16 |
| PV | umiarkowany | dobra | Fuzzy-SMC | umiarkowany | -- | Sieć | wysoka | Srilakshmi et al.17 |
| PV i akumulator | dobry | umiarkowana | P&O | dobry | Soccer league | Sieć | wysoka | Srilakshmi et al.18 |
| PV | - | - | P&O | - | - | wyspa | niska | Dineshraj et al.20 |
| PV | - | - | ANN | - | - | sieć | wysoka | Rashid et al.21 |
| Bifacjalne PV i akumulator | doskonały | doskonała | ANN | doskonały | Secretary bird | Wyspa | niska | Proponowane |
Tabela 1: Porównanie poprzednich metod ładowania pojazdów elektrycznych zasilanych energią fotowoltaiczną.Porównanie poprzednich badań w oparciu o zintegrowane źródła energii, techniki MPPT/sterowania, metody optymalizacji, jakość energii, tryb pracy oraz emisję dwutlenku węgla.
| System | Parametr/ Wartość |
| PV | Moc znamionowa = 228.735W |
| Napięcie maksymalne = 29.9 V | |
| Prąd zwarcia = 8.18A | |
| Napięcie obwodu otwartego = 37.1V, współczynnik temperaturowy napięcia β = -0.361 | |
| Prąd maksymalny = 7.65A, współczynnik temperaturowy prądu α = 0.102 | |
| Współczynniki albedo = 0.2, czynnik dwustronny = 0.1, kąt nachylenia = 120c | |
| Standardowe natężenie promieniowania W/m2 = Gs= 1000W/m2; Gr = 100 | |
| Standardowa temperatura w stopniach Ts = 25 | |
| Łańcuch szeregowo-równoległy Ns = 10/7, prześwit nad gruntem = 1 m | |
| Akumulator ołowiowy | Pojemność znamionowa = 400Ah |
| Napięcie nominalne = 300V | |
| Inicjalizacja SOCB = 30%, granice ładowania/rozładowania = 30, 70 | |
| Napięcie odcięcia = 225V | |
| Napięcie pełnego naładowania = -326V | |
| Przetwornica DC-DC | Moc = 3.202e4, naprężenie = 476V |
| Napięcie wejściowe = 299V | |
| Częstotliwość przełączania = 10kH | |
| Napięcie wyjściowe = 479V | |
| Wypełnienie = 0.375 | |
| Parametry przetwornicy DC-AC | Strategia PWM = sinusoidalny PWM |
| Zoptymalizowane parametry filtra; R = 0.002789ohm, L = 88706mH | |
| Indeks modulacji = 0.8 | |
| Czas próbkowania użyty w symulacji = 100µs | |
| Pojemność DC: 524.43μF; napięcie DC = 470v |
Tabela 2: Specyfikacje elektryczne dwustronnego systemu PV, systemu magazynowania energii w akumulatorach oraz przekształtników mocy. Parametry elektryczne i operacyjne macierzy PV, systemu magazynowania energii w akumulatorach (BESS), przetwornicy DC–DC oraz inwertera DC–AC wykorzystanych w proponowanym modelu
| Warunek if | Następnie czynność |
| Scenariusz 1: Brak mocy wyjściowej z układu fotowoltaicznego | Akumulator będzie zasilać pojazd elektryczny & Obciążenie prądem przemiennym. |
| Scenariusz -2: Zbilansowana moc fotowoltaiczna i zapotrzebowanie na obciążenie | PV będzie zasilać EV & obciążenie prądem przemiennym |
| Scenariusz -3: Moc wyjściowa PV jest niższa niż zapotrzebowanie EV & popyt na moc czynną | Różnica mocy będzie dostarczana przez akumulator, aż do osiągnięcia dolnej granicy SOCOB min. |
| Scenariusz -4: Moc generowana z ogniw fotowoltaicznych jest większa niż zapotrzebowanie pojazdu elektrycznego & wymagana moc obciążenia prądem zmiennym | Nadmiarowa moc z paneli fotowoltaicznych jest wykorzystywana do ładowania akumulatora, aż do osiągnięcia maksymalnej wartości SOCOB. |
Tabela 3: Strategia zarządzania energią dla proponowanego systemu ładowania pojazdów elektrycznych (EV). Scenariusze eksploatacyjne opisujące przepływ mocy pomiędzy tablicą PV, systemem magazynowania energii w akumulatorach, odbiornikami EV oraz odbiornikiem AC stacji w różnych warunkach pracy.
| System | Parametr/Wartość |
| ANN | Liczba neuronów wejściowych= 2, neuronów wyjściowych=1, warstwa ukryta=1, neurony warstwy ukrytej=10 |
| Funkcja aktywacji= Sigmoid | |
| Szybkość uczenia=0.001, Epoki=1000, Próbki=1000 | |
| Podział trening-walidacja= trening 70%, walidacja 15% i testowanie 15% | |
| Kryteria zbieżności=stabilne, MSE=1.091e-09 | |
| Normalizacja=normalizacja min–max w przedziale od 0 do 1 | |
| SBOA | Wielkość populacji = 30 agentów poszukiwawczych |
| Maksymalna liczba iteracji = 150 | |
| Inicjalizacja przestrzeni poszukiwań = Losowa inicjalizacja parametrów (schemat blokowy) | |
| Wymiar = Określony przez wybrane parametry. | |
| Ruch Browna = Standardowy rozkład normalny | |
| Kryteria zatrzymania = Maksymalna iteracja |
Tabela 4: Parametry sieci neuronowej (ANN) oraz algorytmu optymalizacji ptaka sekretarza (SBOA).Parametry konfiguracyjne sztucznej sieci neuronowej (ANN) oraz SBOA wykorzystanych do optymalizacji kontrolera i MPPT.
| Warunki | Przypadek 1 | Przypadek 2 | Przypadek 3 |
| Standardowe napromienienie 1000 W/m2 i 25 otemperatura w °C | ✓ | ||
| Zmiana natężenia promieniowania z 1000 W/m² na 800 W/m² przy 25 otemperatura w °C | ✓ | ||
| Zmiana natężenia promieniowania z 1000 W/m2 na 800 W/m2 przy 20 otemperatura w °C | ✓ | ||
| Np/Ns (45/10) | ✓ | ✓ | |
| Np/Ns (7/10) | ✓ | ||
| Regulacja napięcia szyny DC | ✓ | ✓ | ✓ |
| Zarządzanie energią | ✓ | ✓ | ✓ |
| Redukcja THD | ✓ | ✓ | ✓ |
| Obciążenie AC stacyjne 1: Obciążenie mocą czynną | ✓ | ✓ | |
| Obciążenie AC stacyjne 2: Obciążenie mostkiem prostowniczym | ✓ | ✓ | |
| Obciążenie 3: EV1 do EV5 (samochody) | ✓ | ✓ | ✓ |
Tabela 5: Przypadki symulacji ocenione w badaniu. Podsumowanie trzech scenariuszy symulacyjnych, obejmujące napromieniowanie, temperaturę, warunki obciążenia oraz kryteria oceny.
| THD (%) | Wydajność (%) | MSE | Czas obliczeń (s) | Wskaźnik sukcesu | Referencja |
| 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% | Proponowana |
Tabela 6: Porównanie wydajności z uprzednio raportowanymi metodami. Porównanie proponowanej metody z opublikowanymi podejściami pod kątem THD, wydajności, średnio kwadratowego błędu (MSE), czasu obliczeń oraz współczynnika sukcesu.
Tabela uzupełniająca 1. Porównanie metod MPPT. Zalety i ograniczenia konwencjonalnych metod MPPT oraz proponowanego podejścia MPPT opartego na ANN.Aby pobrać ten plik, kliknij tutaj.
Tabela uzupełniająca 2. Zakresy zmiennych optymalizacyjnych. Dolne i górne granice zmiennych optymalizacyjnych wykorzystanych w procesie optymalizacji SBOA.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 3. Ustawienia MATLAB/Simulink i specyfikacje obciążenia EV. Środowisko symulacyjne, ustawienia solvera, parametry wykonania oraz specyfikacje elektryczne obciążeń EV.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 4. Zoptymalizowane wartości parametrów SBOA. Zoptymalizowane parametry kontrolera, filtra i konwertera uzyskane przy użyciu algorytmu optymalizacji Secretary Bird Optimization Algorithm dla każdego przypadku symulacji.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 5. Wskaźniki wydajności wykorzystane do oceny dynamicznej regulacji napięcia szyny DC proponowanego kontrolera ANN–SBOA w trzech przypadkach symulacji. Krótszy czas ustalania, mniejsze przeregulowanie, mniejsza liczba iteracji do zbieżności oraz krótszy czas obliczeń wskazują na lepszą wydajność kontrolera.Kliknij tutaj, aby pobrać ten plik.
Dyskusja
Podsumowując, wyniki wskazują, że niniejsza praca badawcza wnosi wkład w dziedzinę nauki poprzez wprowadzenie nowej, zoptymalizowanej strategii sterowania, która zwiększa wydajność solarną, poprawia PQ oraz wspiera zrównoważoną infrastrukturę ładowania pojazdów elektrycznych (EV) odpowiednią dla autostrad. Opracowany system MPPT oparty na ANN z filtrem, konwerterami i kontrolerem zoptymalizowanymi za pomocą SBOA pozwala osiągnąć niższe THD przy jednoczesnym zachowaniu stabilnego napięcia szyny DC dla autonomicznej stacji ładowania EV zasilanej z PV i BES17.
Przeglądy literatury koncentrowały się na jednostronnych stacjach ładowania pojazdów elektrycznych (EV) zasilanych ogniwami fotowoltaicznymi (PV) i podłączonych do sieci, wykorzystujących konwencjonalne metody MPPT. Jednak tylko nieliczne opracowania dotyczyły dwustronnych systemów PV z MPPT opartym na sztucznej inteligencji (AI) oraz optymalnym doborem parametrów dla przetwornic DC-DC, filtrów i wzmocnień regulatora PI, wszystko w ramach jednej struktury, w celu utrzymania stabilności napięcia szyny DC i redukcji THD. W pierwszej kolejności sztuczna sieć neuronowa (ANN) pobiera maksymalną moc z dwustronnego modułu PV, wykorzystując promieniowanie zarówno z przodu, jak i z tyłu. Następnie dokonuje ona szacowania cyklu pracy, przyjmując natężenie promieniowania i temperaturę jako dane wejściowe. Pozwala to na uzyskanie bardziej stabilnego przepływu mocy pomiędzy dwustronnym modułem PV a łączeniem DC przy mniejszej liczbie zakłóceń.
Następnie algorytm SBOA jest wykorzystywany do dostrojenia parametrów wzmocnienia regulatora PI, wraz z wyborem parametrów L wymienionych w Uzupełniającej Tabeli 4, w celu zminimalizowania THD. Ograniczeniem SBOA jest jego stosunkowo powolna zbieżność w porównaniu z niektórymi algorytmami optymalizacji, choć zapewnia on zrównoważoną strategię eksploracji i eksploatacji, co pomaga uniknąć optimów lokalnych. Posiada on jednak własne wady, takie jak wspomniana wolniejsza zbieżność. Na koniec BES pełni rolę bufora mocy podczas szybkich zmian obciążenia i nasłonecznienia. Akumulator kompensuje niedopasowania mocy pomiędzy mocą PV a zapotrzebowaniem obciążenia.
Rysunek 10, Rysunek 11, Rysunek 12 przedstawiają wykres regresji, wykres walidacji oraz niższą wartość MSE dla 1000 epok i zbieżność SBOA dla celu THD, z 28 iteracjami dla zbieżności globalnej. Analiza FFT proponowanego systemu dla trzech przypadków testowych przedstawiona jest na Rysunku 13, który wykazuje, że proponowany kontroler redukuje THD do 2,23% przy prostowniku, mocy czynnej i obciążeniu EV. Chociaż THD jest celem głównym, SBOA zoptymalizował parametry przetwornicy przy użyciu MPPT opartego na sieciach ANN, aby poprawić regulację i stabilność napięcia szyny DC podczas ładowania, co szczegółowo opisano w Uzupełniającej Tabeli 5. Proponowany system w dużym stopniu wspiera skalowalność dla jeszcze większych stacji ładowania EV pracujących w dynamicznie zmieniających się środowiskach, takich jak nasłonecznienie, temperatura i obciążenie. Wraz ze wzrostem liczby portów ładowania, w celu rozbudowy można dołączyć dodatkowe dwustronne panele PV oraz BES bez wprowadzania istotnych modyfikacji w opracowanym systemie. Jednocześnie zoptymalizowane filtry i przetwornice oraz kontrolery z SBOA skutecznie utrzymują parametry PQ.
Z drugiej strony, mimo że SBOA skutecznie redukuje THD, metoda ta boryka się z wysoką złożonością obliczeniową. Pomimo obiecujących wyników, niniejsze badanie posiada pewne ograniczenia, takie jak: konieczność zbadania wydajności systemów solarnych w ekstremalnych warunkach klimatycznych lub przy gwałtownych wahaniach natężenia promieniowania słonecznego, a także fakt, że wyzwania rzeczywiste, takie jak szum czujników, straty w przetwornicach itp., nie zostały w pełni uwzględnione w środowisku symulacyjnym. Niemniej jednak, uzyskane wyniki jednoznacznie wykazują, że proponowana metoda stanowi technicznie efektywne rozwiązanie dla autonomicznej stacji ładowania pojazdów elektrycznych zasilanej przez PV i BES.
W niniejszym artykule zaproponowano autonomiczny system fotowoltaiczny (PV) z dwustronnymi modułami i algorytmem MPPT opartym na sieci neuronowej (ANN), służący do ładowania pięciu różnych modeli pojazdów elektrycznych (EV): czterech z akumulatorami litowo-jonowymi i jednego z akumulatorem kwasowo-ołowiowym, przy wsparciu magazynu energii. Dzięki zastosowaniu MPPT opartego na ANN dla modelu dwustronnego PV uzyskano maksymalną moc z paneli PV. Dodatkowo zaadaptowano algorytm SBOA w celu optymalizacji doboru wartości wzmocnienia regulatora PI i przetwornicy DC-DC, a także parametrów projektowych filtra i przetwornicy DC-DC, aby zminimalizować całkowite harmoniczne zniekształcenia (THD). Aby przeanalizować wydajność proponowanego systemu, wybrano trzy studia przypadków z kombinacjami standardowych i zmiennych poziomów natężenia promieniowania od 800 W/m2 do 1000 W/m2 oraz temperatur od 20 °C do 25 °C, wraz z obciążeniami AC stacji bazowej. Wartości THD dla tych studiów przypadków wyniosły odpowiednio 2,85%, 2,26% i 2,23%, co jest wynikiem znacznie niższym niż w przypadku istniejących metod. Wyniki wykazują, że proponowany system PV jest wydajny w trybie autonomicznym podczas ładowania pojazdów EV, zapewniając jednocześnie stabilne napięcie szyny DC. Metoda ta nie została jednak jeszcze zweryfikowana poprzez implementację sprzętową. W związku z tym w modelu symulacyjnym nie uwzględniono czynników wpływających na wydajność sprzętową, takich jak straty przełączania, opóźnienia w komunikacji, błędy pomiarowe, starzenie się akumulatorów oraz efekty temperaturowe. W przyszłości, aby dalej zwiększyć niezawodność, odporność i skalowalność sugerowanego systemu, badania skupią się na walidacji eksperymentalnej.
Oświadczenia
Autorzy nie deklarują żadnych konfliktów interesów.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Przetwornik DC–AC | MathWorks | Dokumentacja Simscape Electrical Three-Level Converter: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.html | Model trójfazowego, trójpoziomowego przetwornika DC–AC z zaciskaniem punktu neutralnego (NPC). |
| Przetwornik DC–DC | MathWorks | Dokumentacja Simscape Electrical Boost Converter: https://www.mathworks.com/help/sps/ref/boostconverter.html | Model przetwornicy podwyższającej napięcie DC–DC stosowany do regulacji napięcia wyjściowego paneli PV. |
| Akumulator EV1 | MathWorks | Dokumentacja modelu akumulatora: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | Symulowany akumulator ołowiowo-kwasowy reprezentujący EV1. |
| Akumulatory EV2–EV5 | MathWorks | Dokumentacja modelu akumulatora: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | Symulowane modele akumulatorów litowo-jonowych reprezentujące EV2, EV3, EV4 i EV5. |
| MATLAB/Simulink | MathWorks | Oprogramowanie; https://www.mathworks.com/products/simulink.html | Środowisko programistyczne wykorzystane do modelowania i symulacji stacji ładowania pojazdów elektrycznych zasilanej energią PV. |
| Simscape Electrical | MathWorks | Oprogramowanie; https://www.mathworks.com/products/simscape-electrical.html | Biblioteka komponentów wykorzystana do modelowania przetworników mocy, sieci elektrycznej oraz powiązanego systemu sterowania. |
| Panel słoneczny | Waaree Energies Ltd.; zamodelowany w MATLAB/Simulink | Model WSM-315. Informacje o produktach Waaree: https://www.waaree.com/solar-pv-modules/; System Advisor Model: https://sam.nrel.gov/ | Parametry panelu słonecznego WSM-315 wprowadzono jako zdefiniowany przez użytkownika moduł PV, korzystając z danych z karty katalogowej Waaree oraz modelu NREL System Advisor Model. |
| Akumulator magazynujący | MathWorks | Dokumentacja modelu akumulatora ołowiowo-kwasowego: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.html | Symulowany akumulator ołowiowo-kwasowy wykorzystany jako stacjonarny system magazynowania energii. |
Bibliografia
- 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.