Разработка DC-DC преобразователя для автономной зарядной станции электромобилей на базе двусторонних фотоэлектрических панелей с использованием алгоритма оптимизации Secretary Bird Optimization

Koganti Srilakshmi; Praveen Kumar Balachandran; Harivardhagini Subhadra; Tomonobu Senjyu

doi:10.3791/71079

Исследовательская статья

Разработка DC-DC преобразователя для автономной зарядной станции электромобилей на базе двусторонних фотоэлектрических панелей с использованием алгоритма оптимизации Secretary Bird Optimization

79 просмотров

⸱

DOI:

10.3791/71079

⸱

18 августа 2026 г.

Koganti Srilakshmi¹ , Praveen Kumar Balachandran²^,³ , Harivardhagini Subhadra⁴ , Tomonobu Senjyu⁵

¹Department of Electrical and Electronic Engineering, Sreenidhi Institute of Science and Technology, ²Department of Electrical and Electronic Engineering, Vardhaman College of Engineering, ³Centre for Research Impact and Outcome, Chitkara University Institute of Engineering and Technology, Chitkara University, ⁴Department of Electronics and Instrumentation Engineering, CVR College of Engineering, ⁵Department of Electrical and Electronics Engineering, Faculty of Engineering, University of the Ryukyus

В этой статье

Краткое содержание

В данном исследовании разработана система MPPT на базе ANN с поддержкой аккумуляторного накопителя для автономной зарядной станции электромобилей, питаемой от двусторонней фотоэлектрической системы. Кроме того, алгоритм оптимизации секретаря (Secretary Bird Optimization Algorithm, SBOA) используется для оптимизации параметров DC–DC преобразователя, фильтра и PI-контроллера с целью минимизации суммарного коэффициента гармоник (THD) и отклонения напряжения на шине постоянного тока.

Аннотация

В ответ на растущее внимание к устойчивой мобильности в данном исследовании представлена система зарядки электромобилей (EV) на основе возобновляемых источников энергии, включающая стационарную систему накопления энергии (BES). В системе используется двусторонний фотоэлектрический (PV) массив со схемой отслеживания точки максимальной мощности (MPPT) на базе искусственной нейронной сети (ANN). Кроме того, для оптимизации параметров DC–DC преобразователя, фильтра и PI-контроллера с целью минимизации коэффициента гармонических искажений (THD) при поддержании стабильного напряжения на шине постоянного тока применяется алгоритм оптимизации Secretary Bird Optimization Algorithm (SBOA). Были оценены пять моделей электромобилей, включая одну модель со свинцово-кислотным аккумулятором (BMW i3) и четыре модели с литий-ионными аккумуляторами (Fiat 500e, Mercedes EQA 250, Volkswagen e-Golf и Hyundai Kona Electric). Предложенная конфигурация MPPT позволяет извлекать максимальную энергию из двусторонней PV-системы, обеспечивая при этом стабильное напряжение на шине постоянного тока при переменных условиях окружающей среды и нагрузке. Валидация с помощью моделирования в MATLAB/Simulink при трех сценариях эксплуатации (инсоляция = 800–1000 W/m²; температура = 20–25 °C) демонстрирует высокую эффективность преобразования, значения THD 2,85%, 2,26% и 2,23%, а также надежное управление мощностью, подходящее для автономных зарядных станций электромобилей.

Введение

В настоящее время ключевое значение имеет интеграция возобновляемых источников, прежде всего солнечной энергии, и зарядных станций для электромобилей (EV) в распределительную сеть. Однако такая интеграция приводит к проблемам с качеством электроэнергии (PQ) и необходимости использования усовершенствованных систем отслеживания точки максимальной мощности (MPPT) для извлечения энергии из возобновляемых источников. В связи с быстрым ростом популярности электромобилей возникла острая необходимость в создании быстрой и надежной инфраструктуры зарядки. Использование традиционных зарядных станций, подключенных к сети, приводит к выбросам углекислого газа, перегрузке сети и проблемам с качеством электроэнергии (PQ). Кроме того, интеграция возобновляемых источников энергии, таких как солнечная энергия, с электромобилями может помочь снизить выбросы углерода. При этом наряду с солнечной энергией рассматривается использование аккумуляторных накопителей, так как солнечная энергия по своей природе нестабильна. Методы MPPT на базе искусственного интеллекта обеспечивают более высокую выходную мощность солнечных панелей по сравнению с традиционным методом возмущения и наблюдения (P & O).

Для точной передачи солнечной энергии в сеть при единичном коэффициенте мощности (PF) с использованием метода оптимизации на основе психологии человека был предложен новый алгоритм управления с демпфированным обобщенным интегратором пятого порядка¹. Кроме того, для повышения эффективности извлечения энергии из фотоэлектрической (PV) системы была применена стратегия оптимального управления методом «восхождения на холм» на основе машинного обучения, дополненная адаптивным оптимальным M-фильтром Калмана². С другой стороны, для эффективного управления и регулирования мощности PV-системы, интегрированной в микросеть, был использован прогностический алгоритм. Система сконфигурирована с использованием двухкаскадной 3φ схемы³.

Тем временем был разработан новый датчик напряжения с пониженным энергопотреблением для извлечения максимальной выходной мощности из солнечной фотоэлектрической системы, подключенной к зарядной станции электромобилей, с упором на эффективность и скорость ⁴. Кроме того, был предложен новый метод аутентификации команд для выявления атак с внедрением ложных данных, направленных конкретно на сигналы централизованного управления экономическим распределением системы⁵. Дополнительно был представлен усовершенствованный подход для получения карт значимости из взаимосвязанных массивов солнечных панелей и оценки окружающей обстановки на наличие затенения⁶. Была представлена стратегия управления для успешного устранения проблем с активной и реактивной мощностью (PQ) в универсальном компенсаторе качества электроэнергии (UPQC) с системой сверхпроводникового магнитного накопителя энергии, в частности, применительно к нагрузке от зарядных станций электромобилей⁷.

Кроме того, использование двусторонних фотоэлектрических (PV) модулей создает значительные трудности для обеспечения финансовой жизнеспособности PV-систем. В то время как методы прогнозирования производительности односторонних PV-модулей хорошо разработаны, адаптация этих моделей для двусторонних систем все еще находится в процессе реализации⁸^,⁹. Более того, многочисленные исследования показали, что выработка энергии двусторонними PV-модулями зависит от геометрических факторов. Важно учитывать эти элементы при оценке работы двусторонних технологий¹⁰^,¹¹^,¹²^,¹³^,¹⁴^,¹⁵. С другой стороны, для извлечения мощности из PV-систем, помимо разработки контроллеров с методами оптимизации, были созданы алгоритмы MPPT на основе P & O и искусственного интеллекта¹⁶^,¹⁷^,¹⁸. Подробно обсуждаются вопросы моделирования и имитации двусторонних PV-систем в сравнении с односторонними¹⁹. В то же время для проектирования зарядных станций электромобилей (EV) было предложено использовать MPPT на основе P & O и искусственных нейронных сетей (ANN)²⁰^,²¹. Зарядная станция для EV на базе PV-системы была спроектирована для поддержки различных моделей с использованием MPPT по методу P & O²². Далее, для алгоритма SBOA была создана математическая модель поведения секретаря (птицы) в целях выживания, включая поиск и охоту на добычу²³. Был представлен новый DC-DC преобразователь с регулированием на базе нечеткой логики для обеспечения постоянной зарядки дома с солнечным электроснабжением²⁴. В схему управления прямым потоком и крутящим моментом была внедрена нечеткая логика для обеспечения потребности автомобиля в крутящем моменте и оптимизации эффективности обучения²⁵.

Кроме того, был проведен всесторонний обзор новых тенденций, включая технологию взаимодействия автомобиля с сетью (V2G) и системы управления энергопотреблением под управлением ИИ, а также роль возобновляемых источников энергии в работе электромобилей (EV), реагирующих на состояние сети²⁶. Более того, был разработан новый метод для учета неопределенностей в генерации электроэнергии из возобновляемых источников, поведении зарядки EV и рыночном ценообразовании²⁷. При этом обсуждались ключевые различия между EV и SAEV в технологии V2G, при этом новый метод для SAEV с его отличительными особенностями позволил усилить их роль в интеграции V2G²⁸.

Ряд исследований был посвящен односторонним зарядным станциям для электромобилей (ЭМ), питающимся от фотоэлектрических (ФЭ) панелей и подключенным к сети, с использованием традиционных методов MPPT, таких как P & O (приведен в Таблице 1), I & C, нечеткая логика и методы метаэвристической оптимизации. В этих работах основное внимание уделялось либо системе извлечения энергии ФЭ-панелей, либо подбору параметров контроллера. Однако доступно лишь несколько работ по односторонним ФЭ-системам с MPPT на базе ИИ и оптимальным подбором параметров DC-DC преобразователей, фильтров и коэффициентов ПИ-регулирования в рамках единой структуры для поддержания стабильности напряжения шины постоянного тока и снижения THD. Таким образом, этот пробел в исследованиях обуславливает необходимость разработки MPPT на базе ANN для двусторонних ФЭ-панелей и оптимизированных контроллеров для преобразователей и фильтров с целью повышения PQ в автономной зарядной станции для ЭМ, работающей в динамических условиях. В данном исследовании представлена архитектура автономной двусторонней ФЭ-зарядки, интегрированная с контроллером MPPT на базе искусственной нейронной сети и предназначенная для зарядных станций ЭМ на автомагистралях. Система сконфигурирована для зарядки пяти типов аккумуляторов ЭМ²², включая четыре литий-ионные модели: Hyundai Kona Electric, Volkswagen e-Golf, Fiat 500e, Mercedes EQA 250 и BMW i3, а также одну свинцово-кислотную конфигурацию, при поддержке вспомогательного модуля аккумуляторного накопителя, обеспечивающего стабильную работу в условиях колебаний солнечного излучения.

Основные результаты предлагаемой работы заключаются в следующем: (1) Разработка двусторонней фотоэлектрической (PV) установки с поддержкой системы накопления энергии на базе аккумуляторных батарей (BES), работающей в изолированном режиме для обеспечения энергией нескольких электромобилей (EV) и нагрузки переменного тока (AC) на уровне станции через скоординированные интерфейсы DC/AC. Двусторонние PV-панели собирают больше энергии как с передней, так и с задней поверхностей по сравнению с односторонними PV-папанелями. (2) Внедрение алгоритма MPPT на основе искусственной нейронной сети (ANN), который адаптивно регулирует коэффициент заполнения повышающего преобразователя для извлечения максимально доступной солнечной энергии. (3) Оптимизация параметров DC-DC преобразователя, значений R L фильтра и коэффициентов PI-контроллера с помощью алгоритма оптимизации секретарской птицы (SBOA) с целью достижения низкого коэффициента гармонических искажений (THD) и стабильного напряжения на шине постоянного тока (DC) при изменениях облученности и температуры. (4) Валидация с помощью трех рабочих сценариев с переменными условиями окружающей среды и нагрузки для оценки робастности контроллера и эффективности системы.

Протокол

В данном исследовании разработана автономная система зарядки электромобилей (EV), питаемая от двусторонних фотоэлектрических (PV) панелей и системы накопления энергии на базе аккумуляторов (BESS), как показано на Рисунке 1, с использованием метода MPPT под управлением искусственной нейронной сети (ANN). Для моделирования двустороннего PV-массива используется эквивалентная однодиодная схема, учитывающая температуру, последовательное сопротивление, шунтирующее сопротивление, облучение солнечным светом и облучение задней стороны. Выход PV-панелей подается на зарядную станцию EV через DC–DC повышающий преобразователь, в то время как BESS обеспечивает регулирование напряжения шины постоянного тока. Для оптимизации коэффициентов ПИ-регулятора и параметров фильтра используется алгоритм оптимизации Secretary Bird (SBOA). Моделирование компонентов системы и предлагаемая методология описаны в следующих подразделах.

Моделирование компонентов

1. Двусторонние фотоэлектрические системы

Фотоэлектрические модули позволяют достичь необходимого выходного тока и напряжения. В настоящем исследовании два односторонних фотоэлектрических модуля использовались для имитации характеристик выработки энергии двусторонними массивами при различных условиях альбедо поверхности⁹. Двусторонний коэффициент усиления облученности BG_g определяется уравнением (1)

Формула для расчета фонового усиления; демонстрирует BG_q=100×G_r/G_f. (1)

Здесь передняя облученность обозначена как G_f, а задняя облученность — как G_r. Максимальный ток двусторонней ФЭ-панели составляет I_mp, а напряжение — V_mp. Наконец, выходная мощность двусторонней системы с выбранным количеством последовательно N_s и параллельно N_p соединенных модулей определяется уравнением (2). Схема управления ФЭ-системой представлена на Рисунке 2

Уравнение фотоэлектрической мощности Pmp=Ns×Np×Vmp×Imp. (2)

2. Система накопления энергии на базе аккумуляторных батарей (BSS)

Аккумуляторы являются важнейшим средством хранения электрической энергии¹⁸. В данной работе в качестве системы хранения энергии используются литий-ионные аккумуляторы. Среди доступных вариантов перезаряжаемых батарей в данной работе основное внимание уделяется литий-ионным аккумуляторам, которые считаются оптимальными для электромобилей благодаря их эффективности и плотности мощности. Уравнения (3) и (4) описывают литий-ионный аккумулятор с учетом ограничений.

Уравнение статического равновесия SOC_OB=70(1+∫i_BSS dtQ); формула электрического баланса заряда. (3)

Технические характеристики фотоэлектрического модуля, аккумуляторной батареи и преобразователя приведены в Таблице 2, а в Таблице 3 представлено распределение потоков мощности между массивом фотоэлектрических панелей, блоком хранения энергии и подключенной нагрузкой.

Формула оптимизации SOC, SOCOB min ≤ SOCOB ≤ SOCOB max, математическое уравнение. (4)

3. Преобразователь DC–AC

Инвертор с зафиксированной нейтралью (NPC) широко применяется в современных системах преобразования энергии для возобновляемых источников питания. По сравнению с традиционной двухступенчатой структурой, конфигурация NPC обеспечивает снижение общего коэффициента гармонических искажений (THD), меньший уровень электромагнитных помех и меньшее напряжение на полупроводниковых приборах. Шина постоянного тока в данной топологии разделена на три потенциальных уровня +Vdc/2, 0 и -Vdc/2 с помощью спаренных конденсаторов и фиксирующих диодов, образующих нейтральную точку. Благодаря соответствующему управлению переключением инвертор создает на выходных клеммах три дискретных состояния напряжения, что улучшает качество формы сигнала и эффективность преобразования энергии. Нейтральная точка шины постоянного тока в NPC-инверторе играет ключевую роль в балансировке напряжений на конденсаторах и обеспечении правильной работы устройства. Схема управления инвертором показана на рисунке 3.

4. Повышающий DC-DC преобразователь

DC-DC преобразователи повышают входное напряжение постоянного тока до более высокого выходного напряжения путем управления рабочим циклом высокочастотного переключающего устройства при сохранении эффективности. Преобразователь имеет два режима работы. В состоянии ВКЛ (ON) диод смещен в обратном направлении, и источник питания подает энергию в катушку индуктивности, которая сохраняет ее в виде магнитного поля, в то время как выходной конденсатор питает нагрузку. В состоянии ВЫКЛ (OFF) диод переходит в режим прямого смещения. В этом режиме энергия, запасенная в катушке индуктивности, высвобождается через диод в конденсатор, подключенный к выходу и нагрузке, суммируясь с энергией источника питания для создания выходного напряжения, превышающего входное. При изменении рабочего цикла ШИМ выходное напряжение преобразователя изменяется в соответствии с соотношением Статическое равновесие, формула V0=Vn/(1-D), уравнения, образовательное исследование, концепция физики. , где D — рабочий цикл. Такие преобразователи используются в солнечных энергосистемах, топливных элементах, электромобилях и системах хранения энергии.

Схема управления на основе ИНС для MPPT

В данной работе для сбора максимальной мощности, вырабатываемой солнечной системой, выбран метод MPPT на базе искусственной нейронной сети (ИНС).¹⁷Наборы данных по облучению и температуре, использованные для обучения ИНС, были созданы в MATLAB/Simulink при различных условиях окружающей среды, соответствующих уровням солнечной облученности 800–1000 Вт/м²² и температурные диапазоны от 20–25 °Cс рабочим циклом (D). Искусственная нейронная сеть (ИНС) обучается таким образом, чтобы минимизировать среднеквадратичную ошибку (MSE) между полученными и требуемыми выходными значениями (О_p, Статическое равновесие, диаграмма ΣFx=0, иллюстрирующая баланс сил для образовательных целей. ) для извлечения максимальной мощности из двухсторонней фотоэлектрической системы. В данном случае солнечная облученность и температура используются в качестве входных данных для ИНС, а коэффициент заполнения является выходным параметром для управления повышающим преобразователем. Структура разработанной модели ИНС для MPPT, представленная на Рисунок 4рассматривается в данной работе. Дополнительная таблица 1 представлены преимущества и недостатки предлагаемого метода по сравнению с другими стандартными методами.

Искусственная нейронная сеть (ИНС) состоит из трех основных слоев: выходного слоя (OPL), входного слоя (IPL) и скрытого слоя (HIL). Это способствует передаче данных между IPL и HIL. Впоследствии данные обрабатываются весами связей, соединяющих IPL и HIL. В данном контексте вычисления выполняются с применением определенного смещения к переменной HL, а полученные результаты накапливаются в переменной OPL. В данной работе выбрана ИНС типа LMBP [17]. Веса соединений настраиваются в процессе обучения путем измерения ошибки для достижения целевого выходного значения. Здесь LMBP используется для обучения ИНС с использованием MSE в качестве функции эффективности. Алгоритм LMBP использует вычисленные производные для обновления весов, что обеспечивает эффективное обучение и ускоренную сходимость

Каждый нейрон в сети многослойного перцептрона имеет функцию суммирования и функцию активации. Кроме того, существуют определенные числовые веса (w_pk), которые соединяют эти нейроны на разных уровнях. Входные данные умножаются на веса, как указано в уравнении (5). Рассматривается нелинейная сигмоидная функция с минимизацией MSE, приведенной в уравнении (6).

Математическая формула для аппроксимации данных; суммы взвешенных переменных; статистический анализ. (5)

Уравнение среднеквадратичной ошибки для анализа погрешностей; статистическая диаграмма, формула MSE. (6)

SBOA оптимизировал параметры фильтра и управления предлагаемой системы

В настоящее время метаэвристические алгоритмы играют ключевую роль в решении инженерных задач. На рисунке 5 представлена классификация алгоритмов. Алгоритм SBOA²³ имитирует поведение секретаря для выживания в его естественной среде обитания. В SBOA моделируются стадии исследования и эксплуатации, характерные для охотничьего поведения секретаря. Фаза исследования алгоритма имитирует поведение секретаря при ловле змей, а фаза эксплуатации — его поведение при уклонении от таких хищников, как орлы. Процесс поиска решения начинается с генерации случайных значений в пределах соответствующих ограничений для каждой особи секретаря в популяции и расчета значения целевой функции путем запуска модели Simulink, где значение каждой особи рассматривается как параметр проектирования. В зависимости от целевого значения каждая особь секретаря изменяет свое положение для представления более оптимального решения. Математическое моделирование SBOA обсуждается ниже:

Начальный этап подготовки

Сначала необходимо определить исходные решения, которые использовались для начала поиска типичного минимума целевой функции F(Y). В данном случае начальная случайная популяция Y = [Y₁, Y₂, ......Y_N] из SB формируется посредством N начальных решений. Уравнение (7) инициализирует популяцию, где Y_i представляет собой решение.

Уравнение случайной выборки, формула Y_i=lb+r.(ub-lb), метод математического анализа. (7)

Здесь нижняя и верхняя границы переменных выбора обозначаются как lb и ub. r — случайное число в диапазоне [0, 1]. N — размерность задачи. Кроме того, значение приспособленности решения F_i = F(Y_i) используется для количественной оценки качества Y_i.

Стратегия охоты SB

Поиск, поедание и нападение на добычу представляют собой три основные фазы охоты SB. Весь процесс охоты разделен на три равных временных интервала: t < 1/3T, 1/3T < t < 2/3T и 2/3T < t < T. Здесь t — текущая итерация, а T — максимальное количество итераций. Эти интервалы соответствуют трем фазам хищничества SB: поиску, потреблению и нападению на добычу. Данное разделение основано на биологической статистике фаз охоты птицы и продолжительности каждой фазы. Соответственно, каждая фаза SBOA моделируется следующим образом:

Поиск добычи

На этом этапе SB должен охотиться на добычу с безопасного расстояния. Чтобы собрать достаточный объем данных по всему региону поиска, первый шаг алгоритмов оптимизации требует более интенсивного исследования. Используя местоположение двух других SB в качестве ориентира, SB может изучить дополнительные возможные области. Для дальнейшего повышения разнообразия алгоритма вводятся процессы дифференциальной мутации. Когда t составляет менее 1/3 от T, для обновления положения каждой особи используется уравнение (8). Она будет искать, поглощать и атаковать добычу. Таким образом, каждая фаза SBOA моделируется следующим образом:

$Уравнения динамической балансировки при статистическом анализе; математическое выражение; формула Y_{new}(t).$ (8)

Здесь Y_i(t) — текущее положение i^го SB, Y^new_i(t) представляет собой обновленное решение; две особи Y_i(t), Y_r2(t) были случайным образом выбраны из существующей популяции. Для стратегии выбора параметров используется случайный вектор R₁ размером 1 × N, значения которого случайным образом выбираются из интервала [0, 1] для обеспечения эффективного баланса между фазами эксплуатации и исследования. Обновленное решение рассматривается только в том случае, если оно приводит к улучшению значения целевой функции по сравнению с ранее полученным решением.

Потребление добычи

SB использует высокую маневренность и начинает зависать вокруг змеи после обнаружения возможной добычи. Терпение добычи будет использовано для снижения её защиты путем наблюдения за противниками и приманивания их в то время, как они кружат вокруг. Другие SB корректируют свое положение рядом с добычей. При таком подходе успех охоты значительно возрастает. Уравнение (9) иллюстрирует, как броуновское движение (B) используется для имитации случайного перемещения SB, когда 1/3 T < t < 2/3 T.

Уравнение, показывающее определение матрицы: B=r(1,M). (9)

Здесь B реализовано в MATLAB с использованием стандартного нормального распределения с помощью случайно сгенерированного вектора r(1,M). Затем SB используют уравнение (10) для обновления своих позиций.

Уравнение, иллюстрирующее динамический анализ; математическая формула с экспоненциальной функцией в прогнозировании модели. (10)

Где Y_best(t) — наилучшее решение, а экспоненциальный коэффициент масштабирования exp((t/T)⁴) выбран для увеличения способности к эксплуатации на каждой итерации.

Атака на добычу

После непрерывного потребления ресурсов жертва истощит запас энергии. В этот момент секретари должны начать атаку. Здесь с помощью метода полета Леви моделируются различные способы нападения, такие как непрерывные шаги / спорадические длинные прыжки за короткий промежуток времени. Характеристики описываются уравнениями (11) и (12). На данном этапе возможные варианты близки к оптимальному ответу, поскольку секретари стремительно приближаются к добыче. Этот план будет реализован при t > 2/3T.

Уравнение, описывающее процесс математической интерполяции с использованием временных переменных. (11)

$Формула полета Леви: $LF = 0.5 \times Levy(M)$, математическое уравнение.$ (12)

Здесь LF представляет стратегию леви-полета и Уравнение, символизирующее процесс Леви, Levy(M)=s×(μ×σ/|v|^(1/φ)), относящееся к стохастическому анализу. , s= 0.01 и φ = 1.5 являются фиксированными значениями. μ и υ — произвольные значения в диапазоне [0, 1]. Где τ обозначает гамма, а η = 0.5; весовой коэффициент 0.5 был принят, как предложено в исходной формулировке SBOA, для регулирования размера шага и поддержания баланса между крупными исследовательскими скачками и локальным уточнением. В таблице 4 представлены значения, использованные для ANN и алгоритма SB в разработанной системе.

Стратегия выхода для SB

Охотясь на другую добычу в дикой природе, секретари рискуют сами стать объектом охоты. Основными противниками, с которыми им приходится сталкиваться, являются орлы, ястребы, лисы и шакалы. Чтобы обезопасить себя или свою добычу при возникновении опасности, они используют различные методы уклонения. Данный алгоритм имитирует способы спасения, моделируя режимы бега (D₂) и камуфляжа (D₁). При встрече с противниками секретари сначала сливаются с окружающей средой, чтобы остаться в безопасности. В данном контексте секретари стремятся избежать локальных оптимумов в алгоритмах, обновляя свои позиции вокруг добычи (лучшей особи). Если им не удается уклониться от врага, они прибегают к тактике полета или быстрого бега для обеспечения безопасности. Для справки, в качестве лидера выбирается случайная особь Y_rand, чтобы избежать ограничения локальным оптимумом. Для обновления своих позиций секретари используют уравнения (13) и (14). Блок-схема SBOA представлена на Рисунке 6.

Формула статического равновесия; диаграмма уравнения; ΣFx=0, MA=0; образовательная математическая концепция. (13)

Уравнение поведения динамической системы, содержащее переменные и константы в математической формуле. (14)

Представление переменных проектирования

Переменные задачи в данном исследовании включают параметры проектирования, такие как коэффициенты ПИ-регуляторов DC-DC преобразователей, а также сопротивления и индуктивности фильтров и преобразователей. Уравнение (15) представляет собой выражение переменных управления. Границы параметров управления приведены в Дополнительной таблице 2.

Уравнение статического равновесия, ΣFx=0, формула параметров электрической цепи, исследовательская диаграмма. (15)

Функция приспособленности (FF)

В данном исследовании в качестве целевой функции (Obj) выбрана минимизация THD. Максимальное значение FF соответствует минимальному значению Obj, что приведено в уравнениях (16) и (17).

Формула MaxFF; уравнение статического равновесия; научные расчеты; диаграмма для образовательных целей. (16)

Формула THD, уравнение общего коэффициента гармонических искажений, используемое при анализе электрических систем. (17)

Результаты

Предлагаемая автономная двухсторонняя фотоэлектрическая (PV) система с MPPT на базе ИНС для зарядной станции электромобилей (EV) была смоделирована в Simulink/Matlab 2022b и протестирована на компьютере Intel Core i7 с 16 ГБ ОЗУ. Параметры выбранной системы и нагрузки электромобилей представлены в Таблице 2 и Дополнительной таблице 3. В данной работе для демонстрации эффективности системы используются три сценария, перечисленные в Таблице 5, с различными комбинациями уровней солнечной инсоляции (G), температуры (T), нагрузок переменного тока (AC) и пяти электромобилей разных моделей и с разными характеристиками. Основное внимание в данной работе уделено повышению эффективности автономной системы зарядки электромобилей без подключения к сети с использованием ИНС для максимизации извлечения энергии из фотоэлектрической системы с аккумуляторным накопителем при одновременном снижении коэффициента гармонических искажений (THD).

В случае 1 для разработанной системы были рассмотрены стандартные значения облучения и температуры для выбранного количества последовательно и параллельно соединенных модулей на передней и задней сторонах двусторонней (Bifacial) фотоэлектрической (PV) системы с электромобилями (EV) и стационарной нагрузкой переменного тока (AC). Здесь напряжение, ток и мощность солнечной энергии, вырабатываемые предложенной системой MPPT с обученной ИНС, используются для питания нагрузки Рисунок 7A. Кроме того, эффективное распределение мощности между PV-системой, накопительным аккумулятором, стационарной нагрузкой AC и нагрузками EV, как показано на Рисунке 7B, осуществляется в соответствии со сценарием Таблицы 3. В момент времени 0,7 с электромобили находятся в режиме зарядки, выступая в качестве нагрузки совместно с активной нагрузкой стационарной базы. В данном случае мощности PV-системы достаточно для удовлетворения спроса, поэтому накопительный аккумулятор находится в идеальном состоянии. В то же время при 1,2 с нагрузки EV и AC потребляют энергию как от PV-системы, так и от системы аккумуляторного хранения (разряд), поскольку одной солнечной энергии недостаточно для удовлетворения спроса. Далее, степень заряда аккумуляторов электромобилей (режим зарядки) и накопительных аккумуляторов (режим разряда), как показано на 7(c), дает четкий анализ работы накопительного аккумулятора в периоды пикового спроса. Очевидно, что система успешно поддерживает стабильное напряжение шины DC на уровне 470V с минимальным отклонением и перерегулированием. Кроме того, на Рисунке 7D показано, что фильтр, оптимизированный с помощью SBOA, минимизирует несовершенства формы сигнала в точке общего подключения (PCC) и снижает коэффициент гармоник (THD) тока до 2,85% при наличии электромобиля и активной нагрузки.

В случае 2 для выбранного количества последовательно и параллельно соединенных цепочек и для заданных номинальных характеристик при переменном облучении значения напряжения, тока и мощности ФЭ-панелей показаны на рисунке 8A. Здесь нагрузки электромобилей в сочетании с нелинейным выпрямительным мостом рассматриваются как общая нагрузка системы. Кроме того, избыточная мощность ФЭ-панелей, представленная на рисунке 8B , которая вырабатывается после удовлетворения потребностей нагрузки, подается на аккумуляторную батарею для зарядки. При этом степень заряда (SOCB) аккумуляторных систем и электромобилей показана на рисунке 8C; их работа осуществляется в соответствии с системой управления электропитанием. Также очевидно, что предлагаемая система эффективно снижает отклонение напряжения на шине постоянного тока при изменениях нагрузки и интенсивности облучения. Фильтр, оптимизированный с помощью SBOA, уменьшает искажения тока и снижает коэффициент гармонических искажений (THD) до стандартов IEEE.

В случае 3, при переменных значениях облучения и температуры, максимальное напряжение, ток и мощность фотоэлектрической панели были аналогичны показателям в случае 2 (Рисунок 9A). Помимо нагрузок электромобилей, в качестве нагрузки базовой станции рассматривались выпрямительный мост и активная нагрузка, действующие одновременно. Кроме того, Рисунок 9B свидетельствует о том, что аккумулятор заряжается, так как мощность фотоэлектрической системы превышает потребность нагрузки. Рисунок 9C отображает состояние заряда аккумуляторных систем в электромобилях и накопителях энергии. Также очевидно, что предлагаемая система эффективно балансирует напряжение шины постоянного тока при изменениях нагрузки, интенсивности облучения и температуры. Предлагаемый метод обеспечивает значительно более низкие значения КНИ (THD) и MSE по сравнению с другими методами, описанными в литературе, Таблица 6с меньшим временем вычислений. Также очевидно, что разработанный метод обладает высокой эффективностью с гораздо более высоким процентом успеха.

Доступность данных:

Наборы данных, использованные и/или проанализированные в ходе настоящего исследования, доступны по адресу https://doi.org/10.6084/m9.figshare.32894939

Схема фотоэлектрической системы с преобразователями и установка зарядной станции для солнечного электромобиля.
Рисунок 1. Автономная зарядная станция для электромобилей на базе двусторонних фотоэлектрических панелей. (A) Блок-схема предлагаемой автономной системы зарядки электромобилей (EV) на базе двусторонних фотоэлектрических (PV) панелей, включающая блок генерации PV, систему накопления энергии на аккумуляторах (BESS), DC–DC преобразователи, инвертор, переменный ток нагрузки станции и блоки зарядки электромобилей. (B) Репрезентативное изображение зарядной станции для электромобилей на базе фотоэлектрических панелей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Схема контроллера солнечных батарей и системы аккумуляторов, алгоритм MPPT, схема понижающе-повышающего преобразователя.
Рисунок 2. Система управления для двухсторонней фотоэлектрической матрицы и системы накопления энергии на аккумуляторных батареях. Архитектура управления двухсторонней фотоэлектрической матрицей с отслеживанием точки максимальной мощности (MPPT) на основе искусственных нейронных сетей (ANN) и системой накопления энергии на аккумуляторных батареях (BESS). На верхней панели показан управляемый ANN повышающий преобразователь для извлечения мощности фотоэлектрического модуля, а на нижней панели — понижающе-повышающий преобразователь и контроллер аккумулятора, используемые для регулирования напряжения шины постоянного тока. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Схема трех livello инвертора с NPC с установкой управления электромобилем для преобразования и управления переменной нагрузкой сети с помощью ШИМ.
Рисунок 3. Система управления инвертором, переменной нагрузкой станции и блоками зарядки электромобилей. Архитектура управления трехступенчатым инвертором с зафиксированной нейтральной точкой (NPC), питающим переменную нагрузку станции и несколько блоков зарядки электромобилей. На рисунке также показаны стратегия управления инвертором, конфигурация фильтра, система фазовой синхронизации (PLL) и индивидуальное управление DC–DC преобразователем для зарядки электромобилей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Схема нейронной сети, символ Σ, путь ввода-вывода, изображающий прямые связи.
Рисунок 4. Архитектура искусственной нейронной сети для MPPT. Для отслеживания точки максимальной мощности (MPPT) используется архитектура искусственной нейронной сети (ИНС). Интенсивность солнечного излучения (G) и температура (T) подаются на вход скрытого слоя, и сеть формирует выходной сигнал, который используется для определения рабочей точки с целью извлечения максимальной мощности. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Схема алгоритмов оптимизации: детерминированные, эвристические, специальные алгоритмы; метаэвристика, локальный поиск.
Рисунок 5. Классификация алгоритмов оптимизации. Классификация алгоритмов оптимизации на детерминированные, метаэвристические и другие специализированные подходы к оптимизации с представительными примерами для каждой категории. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Процесс оптимизации со стратегией охоты; уравнения (Σ), блок-схема, диаграмма стратегии.
Рисунок 6. Блок-схема алгоритма оптимизации секретаря (SBOA). Блок-схема, иллюстрирующая процедуру оптимизации SBOA, включая инициализацию популяции, оценку приспособленности, стратегию охоты (поиск, поедание и нападение на добычу), стратегию побега, обновление решения и сходимость к оптимальному решению. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики анализа временных рядов, показывающие изменения напряжения и частоты с течением времени; исследование данных диаграмм.
Рисунок 7. Результаты моделирования для случая 1. (A) Напряжение, ток и выходная мощность фотоэлектрической (PV) системы при стандартных условиях эксплуатации. (B) Распределение мощности между PV-массивом, переменным током (AC) нагрузки станции, системой аккумуляторного накопления энергии и нагрузками электромобилей (EV). (C) Степень заряда (SOC) аккумуляторов электромобилей и накопительного аккумулятора вместе с рабочим циклом и напряжением шины постоянного тока (DC). (D) Формы трехфазного тока и напряжения в точке общего подключения (PCC). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики, отображающие временные ряды данных со спектральной аппроксимацией и анализом переходных процессов.
Рисунок 8. Результаты моделирования для случая 2. (A) Напряжение, ток и выходная мощность фотоэлектрической (PV) системы в условиях переменной облученности. (B) Распределение мощности между PV-массивом, переменным током (AC) нагрузки станции, системой накопления энергии на аккумуляторах и нагрузками электромобилей (EV). (C) Степень заряда (SOC) аккумуляторов электромобилей и накопительного аккумулятора, а также рабочий цикл и напряжение шины постоянного тока (DC). (D) Формы трехфазного тока и напряжения в точке общего подключения (PCC). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики спектроскопии с временным разрешением, показывающие результаты анализа данных переходного поглощения с течением времени.
Рисунок 9. Результаты моделирования для случая 3. (A) Напряжение, ток и выходная мощность фотоэлектрической (PV) системы при переменных условиях облученности и температуры. (B) Распределение мощности между PV-массивом, переменным током (AC) нагрузки станции, системой накопления энергии на аккумуляторах и нагрузками электромобилей (EV). (C) Степень заряженности (SOC) аккумуляторов электромобилей и накопительного аккумулятора, а также рабочий цикл и напряжение шины постоянного тока (DC). (D) Формы трехфазного тока и напряжения в точке общего сопряжения (PCC). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики эффективности нейронной сети; значения корреляции R для обучающей, валидационной, тестовой и объединенной выборок.
Рисунок 10. Эффективность регрессии ИНС. Регрессионный анализ модели ИНС для обучающей, валидационной, тестовой и объединенных выборок, демонстрирующий соответствие между прогнозируемыми и целевыми значениями. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

График обучения нейронной сети, показывающий среднеквадратичную ошибку в зависимости от эпох с наилучшей валидацией на 1000-й эпохе.
Рисунок 11. Показатели валидации ИНС. Значения среднеквадратичной ошибки (MSE) ИНС в процессе обучения, валидации и тестирования, демонстрирующие сходимость на протяжении последовательных эпох обучения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Тенденция снижения THD, SBOA, линейный график, итерации по отношению к THD, результат метода оптимизации.
Рисунок 12. Характеристики сходимости алгоритма оптимизации Secretary Bird Optimization Algorithm. Профиль сходимости SBOA, демонстрирующий снижение суммарного коэффициента гармоник (THD) с увеличением количества итераций оптимизации для случая 1. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики БПФ-анализа и диаграмма сравнения настроек; спектральные данные и параметры для трех случаев.
Рисунок 13. Анализ гармоник тока с помощью быстрого преобразования Фурье. Спектры быстрого преобразования Фурье (БПФ) выходного тока для трех случаев моделирования. Панели соответствуют гармоническим спектрам, полученным для случая 1 (слева вверху), случая 2 (справа вверху) и случая 3 (внизу), что иллюстрирует достигнутый уровень THD при каждом режиме работы. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Интегрированный источник	КНИ (%)	Эффективность (%)	MPPT (отслеживание точки максимальной мощности)	Балансировка напряжения шины постоянного тока	Алгоритм оптимизации	Режим работы в сети / в автономном режиме (островной режим)	Выбросы углерода	Список литературы
Интегрированный источник	КНИ (%)	Эффективность (%)	Метод контроля	Балансировка напряжения шины постоянного тока	Алгоритм оптимизации		Выбросы углерода	Список литературы
PV & Батарея	хорошо	Умеренный	P&О	Хорошо	Футбольная лига	Сетка	Высокий	Srilakshmi и др.¹⁶
PV	Умеренный	Хорошо	Нечеткий SMC (нечеткое скользящее режимное управление)	Умеренный	--	Сетка	Высокий	Срилакшми и др.¹⁷
PV & Аккумулятор	хорошо	Умеренный	P&О	Хорошо	Футбольная лига	Сетка	Высокий	Шрилакшми и др.¹⁸
PV	-	-	P&О	-	-	остров	Низкий	Динешрадж и соавт.²⁰
PV (пояснение: в зависимости от контекста может означать «площадь» (pressure-volume) в физиологии/физике или «поливирус»/«пик вируса» в вирусологии; без дополнительного контекста аббревиатура обычно оставляется как PV или расшифровывается согласно конкретной научной области)	-	-	Искусственная нейронная сеть	-	-	сетка	Высокий	Рашид и др.²¹
Двусторонние фотоэлектрические панели & Батарея	Отлично	Отлично	Искусственная нейронная сеть	Отлично	Секретарь	Остров	Низкий	Предлагаемый

Таблица 1: Сравнение предыдущих методов зарядки электромобилей с питанием от фотоэлектрических панелей. Сравнение предыдущих исследований на основе интегрированных источников энергии, методов MPPT/управления, методов оптимизации, качества электроэнергии, режима работы и выбросов углерода.

Система	Параметр/ Значение
PV	Номинальная мощность = 228.735W
	Максимальное напряжение = 29.9 V
	Ток короткого замыкания = 8.18A
	Напряжение холостого хода = 37.1V, температурный коэффициент напряжения β = -0.361
	Максимальный ток = 7.65A, температурный коэффициент тока α = 0.102
	Коэффициенты альбедо = 0.2, двусторонний коэффициент = 0.1, угол наклона = 12⁰c
	Стандартная облученность W/m²= G_s= 1000W/m²; G_r= 100
	Стандартная температура в градусах T_s= 25
	Последовательные/параллельные цепочки N_s= 10/7, дорожный просвет = 1 m
Свинцово-кислотный аккумулятор	Номинальная емкость = 400Ah
	Номинальное напряжение = 300V
	Начальное значение SOCB = 30%, пределы заряда/разряда = 30, 70
	Напряжение отсечки = 225V
	Напряжение полного заряда = -326V
DC-DC преобразователь	Мощность = 3.202e⁴, напряжение стресса = 476V
	Входное напряжение = 299V
	Частота переключения = 10kH
	Выходное напряжение = 479V
	Коэффициент заполнения = 0.375
Характеристики DC-AC преобразователя	Стратегия ШИМ = синусоидальная ШИМ
	Оптимизированные параметры фильтра; R = 0.002789ohm, L = 88706mH
	Индекс модуляции = 0.8
	Время дискретизации, используемое в моделировании = 100µs
	Емкость постоянного тока : 524.43μF; напряжение постоянного тока = 470v

Таблица 2: Электрические характеристики двухсторонней фотоэлектрической системы, системы накопления энергии на базе аккумуляторов и преобразователей мощности.Электрические номиналы и рабочие параметры фотоэлектрической матрицы, системы накопления энергии на базе аккумуляторов (BESS), DC–DC преобразователя и DC–AC инвертора, используемых в предлагаемой модели

Если условие выполняется	Затем следует действие
Сценарий 1: Выходная мощность ФЭП равна нулю	Аккумуляторная батарея обеспечит электромобилем питанием & Нагрузка переменного тока.
Сценарий -2: Баланс мощности ФЭП и спроса на нагрузку	Фотоэлектрический элемент (PV) будет питать электромобиль (EV) & нагрузка переменным током
Сценарий -3: Выходная мощность фотоэлектрической установки ниже энергопотребления электромобиля & Спрос на нагрузку переменного тока	Недостающая мощность будет подаваться от аккумулятора до тех пор, пока он не достигнет нижнего предела SOCOB min.
Сценарий -4: Мощность, вырабатываемая фотоэлектрическими панелями, превышает мощность электромобиля & Требуемая мощность нагрузки переменного тока	Избыточная мощность фотоэлектрических панелей используется для зарядки аккумулятора до достижения максимального предела SOCOB.

Таблица 3: Стратегия управления мощностью для предлагаемой системы зарядки электромобилей. Сценарии работы, описывающие потоки мощности между массивом фотоэлектрических панелей, системой накопления энергии на базе аккумуляторов, нагрузками электромобилей и переменным током нагрузки станции при различных условиях эксплуатации.

Система	Параметр/ Значение
Искусственная нейронная сеть (ИНС)	Кол-во входных нейронов = 2, выходных нейронов = 1, скрытых слоев = 1, нейронов скрытого слоя = 10
	Функция активации: сигмоида
	Скорость обучения = 0,001, Эпохи = 1000, Выборки = 1000
	Разделение на обучающую и валидационную выборки = обучение 70%, валидация 15% и тестирование 15%
	Критерии сходимости = стабильны, MSE = 1,091e-09
	Нормализовано = мин-макс нормализация в диапазоне от 0 до 1
SBOA	Размер популяции = 30 поисковых агентов
	Максимальное количество итераций = 150
	Инициализация пространства поиска = Случайная инициализация параметров (блок-схема)
	Размер = определяется выбранными параметрами.
	Броуновское движение = Стандартное нормальное распределение
	Критерий остановки = Максимальное количество итераций

Таблица 4: Параметры ИНС и алгоритма оптимизации secretary bird (SBOA).Конфигурационные параметры искусственной нейронной сети (ИНС) и SBOA, используемые для MPPT и оптимизации контроллера.

Условия	Случай 1	Случай 2	Случай 3
Стандартная облученность 1000 Вт/м² и 25 ^оТемпература C	✓
Изменение облученности с 1000 Вт/м² и 800 Вт/м² при 25 ^оТемпература в °C		✓
Изменение облученности с 1000 Вт/м² до 800 Вт/м² с 20 ^отемпература C			✓
N_p/N_s (45/10)		✓	✓
N_p/N_s (7/10)	✓
Регулирование напряжения шины постоянного тока	✓	✓	✓
Управление электропитанием	✓	✓	✓
Снижение THD	✓	✓	✓
Стационарная нагрузка переменного тока 1: Нагрузка активной мощности	✓		✓
Станционный нагрузочный модуль переменного тока 2: нагрузка с мостовым выпрямителем		✓	✓
Нагрузка 3: EV1–EV5 (автомобили)	✓	✓	✓

Таблица 5: Случаи моделирования, рассмотренные в исследовании. Краткое описание трех сценариев моделирования, включая облучение, температуру, условия нагрузки и критерии оценки.

THD (%)	Эффективность (%)	MSE	Время вычислений (сек)	Доля успешных результатов	Источник
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%	Предложенный метод

Таблица 6: Сравнение эффективности с ранее описанными методами. Сравнение предлагаемого метода с опубликованными подходами по показателям THD, эффективности, среднеквадратичной ошибки (MSE), времени вычисления и доли успешных результатов.

Дополнительная таблица 1. Сравнение методов MPPT. Преимущества и ограничения традиционных методов MPPT и предлагаемого подхода MPPT на основе ИНС.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2. Границы переменных оптимизации. Нижние и верхние границы переменных оптимизации, использованных в процессе оптимизации SBOA.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3. Настройки MATLAB/Simulink и спецификации нагрузки электромобиля (EV).Среда моделирования, настройки решателя, параметры выполнения и электрические характеристики нагрузок электромобиля.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 4. Оптимизированные значения параметров SBOA. Оптимизированные параметры контроллера, фильтра и преобразователя, полученные с помощью алгоритма оптимизации Secretary Bird Optimization Algorithm для каждого случая моделирования.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 5. Показатели эффективности, использованные для оценки динамического регулирования напряжения шины постоянного тока предлагаемого контроллера ANN–SBOA в трех случаях моделирования. Более короткое время установления, меньший перерегулирование, меньшее количество итераций до сходимости и меньшее время вычислений свидетельствуют об улучшении характеристик контроллера.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В целом, полученные результаты свидетельствуют о том, что данная исследовательская работа вносит вклад в науку, представляя новую оптимизированную стратегию управления, которая увеличивает выходную мощность солнечной энергии, улучшает PQ и поддерживает устойчивую инфраструктуру зарядки электромобилей, подходящую для автомагистралей. Разработанный MPPT на основе ANN с фильтром, преобразователями и контроллером, оптимизированными с помощью SBOA, обеспечивает более низкий THD при поддержании стабильного напряжения шины постоянного тока для автономной зарядной станции электромобилей с поддержкой PV и BES¹⁷.

Литературные исследования были сосредоточены на подключенных к сети зарядных станциях для электромобилей на базе односторонних фотоэлектрических (PV) панелей с использованием традиционных методов MPPT. Однако лишь в немногих работах были разработаны двусторонние PV-системы с MPPT на базе ИИ и оптимальным подбором параметров DC-DC преобразователей, фильтров и коэффициентов ПИ-регулятора в рамках единой структуры для поддержания стабильности напряжения шины постоянного тока и снижения коэффициента гармонических искажений (THD). Во-первых, искусственная нейронная сеть (ANN) обеспечивает получение максимальной мощности от двустороннего PV-модуля, используя как переднее, так и заднее облучение. Далее она осуществляет оценку рабочего цикла, принимая в качестве входных данных данные об облучении и температуре. Это способствует более плавному потоку энергии между двусторонним PV-модулем и звеном постоянного тока при меньшем уровне помех.

Далее SBOA используется для настройки параметров усиления ПИ-регулятора, а также для выбора параметров L, перечисленных в Дополнительной таблице 4, с целью минимизации THD. Ограничением SBOA является относительно медленная сходимость по сравнению с некоторыми алгоритмами оптимизации, хотя он и обеспечивает сбалансированную стратегию исследования-эксплуатации, которая помогает избежать локальных оптимумов. Тем не менее, он имеет свои недостатки, такие как более медленная сходимость. Наконец, BES служит буфером мощности при резких изменениях нагрузки и облучения. При этом аккумулятор компенсирует несоответствие между мощностью PV-системы и потребностями нагрузки.

Рисунок 10, Рисунок 11, Рисунок 12 представляют график регрессии, график валидации и более низкое значение MSE при 1000 эпохах, а также сходимость SBOA для целевой функции THD с 28 итерациями для глобальной сходимости. FFT-анализ предлагаемой системы для трех вариантов исследования показан на Рисунке 13, который демонстрирует, что предлагаемый контроллер снижает THD до 2.23% при использовании выпрямителя, активной мощности и нагрузки EV. Несмотря на то, что THD является основной целью, SBOA оптимизировал параметры преобразователя с использованием MPPT на базе ANN для улучшения регулирования и стабильности напряжения шины dc на протяжении всего процесса зарядки, как подробно описано в Дополнительной Таблице 5. Предлагаемая система обладает высокой масштабируемостью для еще более крупных зарядных станций EV, работающих в динамически изменяющихся условиях, таких как облучение, температура и нагрузка. По мере увеличения количества зарядных портов для расширения могут быть добавлены дополнительные двусторонние PV-массивы и BES без внесения значительных изменений в разработанную систему. При этом оптимизированные фильтры и преобразователи, а также контроллеры с SBOA эффективно поддерживают PQ.

С другой стороны, хотя SBOA успешно снижает THD, данный метод характеризуется высокой вычислительной сложностью. Несмотря на многообещающие результаты, настоящее исследование имеет свои ограничения: в частности, необходимо изучить работу солнечных систем в экстремальных климатических условиях или при резко меняющейся интенсивности солнечного излучения; кроме того, в среде моделирования не были полностью учтены такие реальные факторы, как шум датчиков, потери в преобразователе и т. д. Таким образом, полученные результаты наглядно демонстрируют, что предлагаемый метод является технически эффективным решением для автономной зарядной станции для электромобилей, питающейся от PV и BES.

В данной статье предлагается автономная двухсторонняя фотоэлектрическая (PV) система с MPPT на базе искусственных нейронных сетей (ANN) для зарядки пяти различных моделей электромобилей (EV): четырех с литий-ионными аккумуляторами и одного со свинцово-кислотным аккумулятором, при поддержке системы накопления энергии. Применение MPPT на базе ANN для двухсторонней PV-модели позволяет получить максимальную мощность от фотоэлектрических панелей. Кроме того, адаптирован алгоритм SBOA для оптимизации выбора коэффициентов усиления ПИ-регулятора и DC-DC преобразователя, а также параметров проектирования фильтра и DC-DC преобразователя с целью минимизации коэффициента гармонических искажений (THD). Для анализа эффективности предлагаемой системы были выбраны три тестовых сценария с комбинациями стандартных и переменных уровней облученности от 800 W/m2 до 1000 W/m2 и температур от 20 °C до 25 °C, а также с учетом переменных нагрузок переменного тока базовой станции. Значения THD для данных сценариев составили 2,85%, 2,26% и 2,23% соответственно, что значительно ниже показателей существующих методов. Результаты показывают, что предлагаемая PV-система эффективна в автономном режиме для зарядки электромобилей при поддержании стабильного напряжения на шине постоянного тока. Однако предложенный метод еще не был подтвержден аппаратной реализацией. Следовательно, факторы, влияющие на аппаратную производительность, такие как потери при переключении, задержки связи, ошибки измерения, старение аккумуляторов и температурные эффекты, не включены в имитационную модель. В будущем, для дальнейшего повышения надежности, устойчивости и масштабируемости предложенной системы, исследование будет сосредоточено на экспериментальной проверке.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Нет данных.

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
DC–AC преобразователь	MathWorks	Документация Simscape Electrical по трехступенчатым преобразователям: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.html	Модель трехфазного трехступенчатого DC–AC преобразователя с зажатой нейтралью.
DC–DC преобразователь	MathWorks	Документация Simscape Electrical по повышающим преобразователям: https://www.mathworks.com/help/sps/ref/boostconverter.html	Модель повышающего DC–DC преобразователя, используемая для регулирования выходного напряжения фотоэлектрической системы.
Аккумулятор EV1	MathWorks	Документация по модели аккумулятора: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html	Модель свинцово-кислотного аккумулятора, представляющая EV1.
Аккумуляторы EV2–EV5	MathWorks	Документация по модели аккумулятора: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html	Модели литий-ионных аккумуляторов, представляющие EV2, EV3, EV4 и EV5.
MATLAB/Simulink	MathWorks	Программное обеспечение; https://www.mathworks.com/products/simulink.html	Программная среда, используемая для моделирования и симуляции зарядной станции для электромобилей на фотоэлектрических элементах.
Simscape Electrical	MathWorks	Программное обеспечение; https://www.mathworks.com/products/simscape-electrical.html	Библиотека компонентов, используемая для моделирования силовых преобразователей, электрической сети и соответствующей системы управления.
Солнечная панель	Waaree Energies Ltd.; смоделирована в MATLAB/Simulink	Модель WSM-315. Информация о продукции Waaree: https://www.waaree.com/solar-pv-modules/; System Advisor Model: https://sam.nrel.gov/	Параметры солнечной панели WSM-315 были введены как пользовательский фотоэлектрический модуль с использованием данных из технического паспорта Waaree и модели NREL System Advisor Model.
Накопительный аккумулятор	MathWorks	Документация по модели свинцово-кислотного аккумулятора: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.html	Модель свинцово-кислотного аккумулятора, используемая в качестве стационарной системы хранения энергии.

Ссылки

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.