Bu çalışma, çift yüzeyli bir fotovoltaik sistemle beslenen bağımsız bir elektrikli araç şarj istasyonu için batarya depolama destekli ANN tabanlı bir MPPT sistemi geliştirmektedir. Ek olarak, toplam harmonik distorsiyonu (THD) ve DC-bara voltaj sapmasını minimize etmek amacıyla DC-DC dönüştürücü, filtre ve PI kontrolör parametreleri Sekreter Kuş Optimizasyon Algoritması (SBOA) ile optimize edilmektedir.
Araştırma makalesi
Sekreter Kuşu Optimizasyon Algoritması Kullanılarak Çift Yüzeyli PV Güçlü Bağımsız Bir Elektrikli Araç Şarj İstasyonu İçin DC-DC Dönüştürücü Tasarımı
Bu makalede
Özet
Özet
Sürdürülebilir mobiliteye verilen önemin artmasıyla birlikte, bu çalışma, istasyon batarya enerji depolama (BES) sistemini içeren, yenilenebilir enerji tabanlı bir elektrikli araç (EV) şarj sistemini sunmaktadır. Sistem, yapay sinir ağı (ANN) destekli bir maksimum güç noktası izleme (MPPT) şemasına sahip çift yüzeyli bir fotovoltaik (PV) dizi kullanmaktadır. Ayrıca, sabit bir DC-bara voltajı sağlarken THD'yi minimize etmek amacıyla DC–DC konvertör, filtre ve PI kontrolör parametrelerini optimize etmek için Sekreter Kuşu Optimizasyon Algoritması (SBOA) kullanılmıştır. Bir kurşun-asit bataryalı model (BMW i3) ve dört lityum-iyon bataryalı model (Fiat 500e, Mercedes EQA 250, Volkswagen e-Golf ve Hyundai Kona Electric) olmak üzere beş EV modeli değerlendirilmiştir. Önerilen MPPT konfigürasyonu, değişken çevresel ve yükleme koşulları altında sabit bir DC-bara voltajı korurken çift yüzeyli PV sisteminden maksimum enerjiyi çekmektedir. Üç farklı çalışma senaryosu altında (irradiance = 800–1000 W/m2; sıcaklık = 20–25 °C) MATLAB/Simulink simülasyonları ile yapılan doğrulama; yüksek dönüştürme verimliliğini, %2,85, %2,26 ve %2,23'lük THD değerlerini ve şebekeden bağımsız EV şarj istasyonları için uygun, sağlam bir güç yönetimini ortaya koymaktadır.
Giriş
Günümüzde, başta güneş enerjisi olmak üzere yenilenebilir kaynakların ve EV şarj istasyonlarının dağıtım sistemine entegre edilmesi büyük önem taşımaktadır. Ancak bu entegrasyon, PQ sorunlarına ve yenilenebilir kaynaklardan güç elde etmek için gelişmiş MPPT yöntemlerine ihtiyaç duyulmasına yol açmaktadır. Öte yandan, EV kullanımının hızla artması nedeniyle hızlı ve güvenilir bir şarj altyapısına sahip olmak zorunlu hale gelmiştir. Geleneksel şebeke bağlantılı şarj istasyonlarının kullanımı; karbon emisyonlarına, stres faktörlerine ve güç kalitesi (PQ) sorunlarına neden olmaktadır. Ek olarak, güneş enerjisi gibi yenilenebilir enerji kaynaklarının EV'lerle entegre edilmesi, karbon emisyonlarının azaltılmasına yardımcı olabilir. Bununla birlikte, güneş enerjisi doğası gereği tutarsız olduğu için, güneş enerjisinin yanı sıra batarya depolama da dikkate alınmaktadır. Yapay zeka tabanlı MPPT teknikleri, geleneksel boz ve gözle (P & O) yönteminden daha yüksek güneş enerjisi çıktısı sağlamaktadır.
İnsan Psikolojisi optimizasyonu kullanarak güneş enerjisinin birlik PF ile şebekeye doğru bir şekilde aktarılması için şebekeye entegre PV sistemlerine yönelik yeni bir sönümlü beşinci dereceden genelleştirilmiş integratör kontrol algoritması önerilmiştir1. Ayrıca, PV sisteminden güç çıkarımını artırmak için adaptif optimal-M Kalman filtresi ile desteklenen, öğrenme tabanlı bir tepe tırmanma optimal kontrol stratejisi uygulanmıştır2. Öte yandan, mikroşebekeye entegre PV sistemi için gücü verimli bir şekilde yönetmek ve düzenlemek amacıyla kestirimci bir algoritma kullanılmıştır. Sistem, çift aşamalı 3φ kurulumuyla yapılandırılmıştır3.
Bu sırada, bir EV şarj istasyonuna bağlı bir güneş PV sisteminden maksimum çıkış gücünü elde etmek amacıyla, verimlilik ve hıza odaklanan, daha düşük güç tüketimli bir yaklaşıma sahip yeni bir voltaj sensörü geliştirilmiştir 4. Öte yandan, sistemin merkezi ekonomik dağıtım kontrol sinyallerini özellikle hedef alan hileli veri enjeksiyonu saldırılarını tespit etmek için özgün bir komut kimlik doğrulama yaklaşımı tasarlanmıştır5. Ayrıca, birbirine bağlı güneş paneli düzenlemelerinden belirginlik haritaları türetmek ve çevrede gölgelenme olup olmadığını değerlendirmek için gelişmiş bir yaklaşım sunulmuştur6. Süperiletken manyetik enerji depolama sistemine sahip bir UPQC'deki PQ sorunlarını, özellikle EV şarj istasyonlarından gelen yükle ilgili olarak başarılı bir şekilde yönetmek için bir kontrol stratejisi sunulmuştur7.
Ayrıca, çift yüzeyli PV modülü, PV'nin finansal uygulanabilirliği açısından önemli bir zorluk teşkil etmektedir. Tek yüzeyli PV performansı için öngörü yöntemleri iyi tanımlanmış olsa da, bu modellerin çift yüzeyli sistemlere uyarlanması hala devam etmektedir8,9. Dahası, birçok çalışma çift yüzeyli PV enerji üretiminin geometrik faktörlerden etkilendiğini göstermiştir. Çift yüzeyli teknolojilerin çalışmasını değerlendirirken bu unsurları göz önünde bulundurmak önemlidir10,11,12,13,14,15. Öte yandan, optimizasyon yöntemli kontrolcü tasarımlarına ek olarak, PV güç çıkarımı için P & O ve yapay zeka tabanlı MPPT'ler geliştirilmiştir16,17,18. Çift yüzeyli PV'nin tek yüzeyli PV ile modellemesi ve simülasyonu ayrıntılı olarak tartışılmıştır19. Bu sırada, PV sistemleri için P & O ve YSA tabanlı MPPT'ler, EV şarj istasyonu tasarımı için önerilmiştir20,21. PV gücüne dayalı EV şarj istasyonu, P & O MPPT ile çeşitli modelleri destekleyecek şekilde tasarlanmıştır22. Ardından, sekretari kuşunun av arama ve avlanma gibi hayatta kalma davranışları, SBOA için matematiksel olarak modellenmiştir23. Güneş destekli bir evin sabit şarjı için yeni bir bulanık mantık düzenlemeli DC-DC dönüştürücü sunulmuştur24. Doğrudan akış ve tork kontrol şeması, aracın tork talebini karşılamak ve eğitim performansını optimize etmek için bulanık mantığı tanıtmıştır25.
Ayrıca, araçtan şebekeye (V2G) teknolojisi ve yapay zeka kontrollü enerji yönetim sistemleri dahil olmak üzere gelişen trendlerin yanı sıra, şebekeye yanıt veren EV operasyonlarında yenilenebilir kaynakların rolüne ilişkin kapsamlı bir inceleme yapılmıştır26. Dahası, yenilenebilir güç üretimi, EV şarj davranışı ve piyasa fiyatlandırmasındaki belirsizlikleri gidermek için yeni bir yöntem geliştirilmiştir27. Bununla birlikte, SAEV'lerin belirgin özelliklere sahip yeni yöntemiyle birlikte, V2G teknolojisinde EV'ler ve SAEV'ler arasındaki temel farklar tartışılmış ve bu durum onların V2G entegrasyonundaki rollerini güçlendirmiştir28.
P & O (Tablo 1'de listelenmiştir), I & C, Fuzzy ve metaheuristik optimizasyon yöntemleri gibi geleneksel MPPT yöntemlerini kullanan monofasiyal PV destekli şebekeye bağlı EV şarj istasyonları üzerine çeşitli çalışmalar yürütülmüştür. Bu çalışmalar ya PV güç çıkarma sistemine ya da kontrolcü parametre seçimine odaklanmıştır. Bununla birlikte, DC bara voltaj stabilitesini korumak ve THD'yi azaltmak için DC-DC dönüştürücüler, filtreler ve PI kontrol kazançları için optimal parametre seçimi ve yapay zeka tabanlı MPPT içeren monofasiyal PV sistemleri tek bir çerçevede oldukça az sayıda mevcuttur. Bu nedenle, mevcut araştırma boşluğu, dinamik koşullar altında çalışan bağımsız bir EV şarj istasyonunda PQ'yu iyileştirmek için Bifasiyal PV için ANN tabanlı bir MPPT'nin ve dönüştürücüler ile filtreler için optimize edilmiş kontrolcülerin geliştirilmesini teşvik etmektedir. Bu çalışma, otoyol bazlı EV istasyonları için tasarlanmış, yapay sinir ağı güdümlü bir MPPT kontrolcüsü ile entegre edilmiş bağımsız bir bifasiyal PV şarj mimarisi sunmaktadır. Sistem; Hyundai Kona Electric, Volkswagen e-Golf, Fiat 500e, Mercedes EQA 250 ve BMW i3 olmak üzere dört lityum-iyon model ve bir kurşun-asit konfigürasyon dahil olmak üzere beş farklı EV batarya tipini22 şarj edecek şekilde yapılandırılmış olup, değişken güneş koşulları altında stabil çalışmayı sağlayan yardımcı bir batarya depolama modülü ile desteklenmektedir.
Önerilen çalışmanın temel katkıları şu şekilde belirtilebilir: (1) Birden fazla EV'ye ve istasyon düzeyindeki AC talebe, koordineli DC/AC arayüzleri aracılığıyla enerji sağlamak amacıyla izole modda çalışan BES destekli çift yüzeyli PV düzenlemesinin geliştirilmesi. Çift yüzeyli PV, hem ön hem de arka yüzeylerden tek yüzeyli PV'ye göre daha fazla enerji toplar. (2) Mevcut maksimum güneş gücünü çekmek için boost-konvertör görev oranını adaptif olarak düzenleyen ANN tabanlı bir MPPT algoritmasının uygulanması. (3) Işınım ve sıcaklık değişimleri sırasında düşük THD ve kararlı DC-bara gerilimi hedefleyerek, Sekreter Kuşu Optimizasyon Algoritması (SBOA) aracılığıyla DC-DC konvertör parametrelerinin, filtrenin R L değerlerinin ve PI-denetleyici kazançlarının optimizasyonu. (4) Denetleyici sağlamlığını ve sistem verimliliğini değerlendirmek için değişken çevresel ve yük koşullarını içeren üç işletim senaryosu ile doğrulama.
Protokol
Bu araştırmada, Şekil 1'de gösterildiği gibi, ANN kontrollü bir MPPT yöntemi kullanılarak bağımsız, bifasiyal PV ve batarya enerji depolama sistemli (BESS) beslemeli bir EV şarj sistemi geliştirilmiştir. Bifasiyal PV dizisini modellemek için sıcaklık, seri direnç, paralel direnç, güneş ışınımı ve arka yüzey ışınımını hesaba katan tek diyotlu eşdeğer devre kullanılmıştır. PV çıkışı, bir DC–DC yükseltici konvertör aracılığıyla EV şarj istasyonuna sağlanırken, BESS ise DC-bara voltaj regülasyonunu desteklemektedir. PI kontrolcü kazançlarını ve filtre parametrelerini optimize etmek için Sekreter Kuşu Optimizasyon Algoritması (SBOA) kullanılmıştır. Sistem bileşenlerinin modellenmesi ve önerilen metodoloji sonraki alt bölümlerde açıklanmıştır.
Bileşenlerin Modellenmesi
1. Bifacial PV sistemi
PV modülleri, gerekli akım ve voltaj çıkışının elde edilmesine yardımcı olur. Mevcut çalışmada, farklı yüzey albedosu koşulları altında bifasiyal dizilerin enerji üretim karakteristiklerini taklit etmek için iki adet monofasiyal PV modülü kullanılmıştır9. Işınım bifasiyal kazancı BGg, Denklem (1) ile belirlenir
(1)
Burada, ön ışınım Gf ve arka ışınım Gr olarak tanımlanmıştır. Maksimum çift yüzeyli PV akımı Imp ve voltaj Vmp'dir. Son olarak, seçilen seri modül sayısı Ns ve paralel modül sayısı Np ile çift yüzeyli sistem tarafından üretilen çıkış, Denklem (2) ile verilmiştir. PV kontrolü Şekil 2'de gösterilmektedir.
(2)
2. Batarya depolama sistemi (BSS)
Piller, elektrik enerjisinin depolanması için kritik bir araçtır18. Bu çalışmada enerji depolama sistemi olarak Li-ion piller kullanılmıştır. Mevcut şarj edilebilir pil seçenekleri arasında bu çalışma, verimlilikleri ve güç yoğunlukları nedeniyle elektrikli araçlar için optimal kabul edilen Li-ion pillere odaklanmaktadır. Denklem (3) ve (4), kısıtlamalarla birlikte Li-ion pili tanımlamaktadır.
(3)
PV, depolama bataryası ve dönüştürücünün özellikleri Tablo 2'de özetlenmiş; PV dizisi, enerji depolama ünitesi ve bağlı yükler arasındaki güç akışı tahsisi ise Tablo 3'te sunulmuştur.
(4)
3. DC –AC dönüştürücü
Nötr Noktası Kenetli (NPC) evirici, yenilenebilir enerji için modern güç dönüştürme sistemlerinde yaygın olarak benimsenmiştir. Geleneksel iki seviyeli yapı ile karşılaştırıldığında, NPC konfigürasyonu azaltılmış toplam harmonik distorsiyon (THD), daha düşük elektromanyetik girişim ve yarı iletken cihazlar üzerinde daha düşük voltaj stresi sunar. Bu topolojinin DC bağlantısı, nötr eklemini oluşturan eşleşmiş kapasitörler ve kenetleme diyotları aracılığıyla +Vdc/2, 0 ve -Vdc/2 olmak üzere üç potansiyel seviyeye bölünmüştür. Anahtarlama uygun şekilde kontrol edilerek, evirici çıkış terminallerinde üç ayrı voltaj durumu oluşturur ve böylece dalga formu kalitesini ve güç dönüştürme verimliliğini artırır. Bir NPC eviricideki DC veri yolunun nötr noktası, kapasitör voltajlarını dengelemede ve eviricinin düzgün çalışmasını sağlamada kilit bir rol oynar. Eviricinin kontrol şeması Şekil 3'te gösterilmiştir.
4. DC-DC Boost Dönüştürücü
DC-DC dönüştürücüler, verimliliği korurken yüksek frekanslı bir anahtarlama cihazının görev döngüsünü (duty cycle) kontrol ederek giriş DC gerilimini daha yüksek bir çıkış gerilimine yükseltirler. İki çalışma modu vardır. AÇIK (ON) durumu sırasında, diyot ters kutupludur ve giriş kaynağı enerjiyi bir manyetik alan olarak depolayan indüktöre sağlarken, çıkış kapasitörü yüke enerji sağlar. KAPALI (OFF) durumu sırasında, diyot iletim durumuna geçer. Burada, indüktörde depolanan enerji diyot üzerinden çıkışa bağlı kapasitöre ve yüke aktarılır; bu enerji giriş kaynağıyla birleşerek giriş geriliminden daha büyük bir çıkış üretir. PWM görev döngüsü değiştirilerek, dönüştürücünün çıkış gerilimi 
bağıntısına göre değişir; burada D görev döngüsünü temsil eder. Bu sistemler güneş enerjisi, yakıt hücresi, EV ve depolama sistemlerinde kullanılır.
MPPT için YSA kontrol şeması
Bu çalışmada, güneş sisteminden üretilen maksimum gücü toplamak için YSA tabanlı bir MPPT seçilmiştir17. YSA eğitimi için kullanılan ışınım ve sıcaklık veri setleri; 800–1000 W/m2 güneş ışınımı seviyeleri ve 20–25 °C sıcaklık aralıklarına karşılık gelen çeşitli çevresel çalışma koşulları altında, bir görev döngüsü (D) ile MATLAB/Simulink'te oluşturulmuştur. Bifacial PV sisteminden maksimum gücü çıkarmak için YSA, elde edilen ve gereken çıktılar arasındaki MSE'yi (Op, 
) minimize edecek şekilde eğitilmiştir. Burada, güneş ışınımı ve sıcaklık YSA'ya girdi olarak kullanılırken, boost konvertörü kontrol etmek için görev döngüsü çıktı olarak kullanılmıştır. Çalışmada, Şekil 4'te verildiği gibi MPPT için geliştirilen YSA modelinin yapısı ele alınmıştır. Ek Tablo 1, önerilen yöntemin diğer standart yöntemlerle karşılaştırıldığında avantajlarını ve dezavantajlarını sunmaktadır.
Bir YS Ağ (ANN), üç ana katmandan oluşur: bir çıktı katmanı (OPL), bir giriş katmanı (IPL) ve bir gizli katman (HIL). Bu yapı, verilerin IPL ile HIL arasında aktarılmasına yardımcı olur. Ardından, IPL ve HIL'yi birbirine bağlayan bağlantılardaki ağırlıklar tarafından işlem üretilir. Bu bağlamda, HL değişkenine belirli bir sapma (bias) uygulanarak hesaplamalar yürütülür ve elde edilen sonuçlar OPL değişkeninde biriktirilir. Burada, LMBP tipi YS Ağ [17] seçilmiştir. Hedef çıktıya ulaşmak için hata ölçülerek, eğitim boyunca bağlantı ağırlıkları optimize edilir. Burada, performans fonksiyonu olarak MSE kullanılarak YS Ağların eğitilmesi için LMBP kullanılır. LMBP algoritması, etkili öğrenme ve hızlandırılmış yakınsama özellikleri sergileyen ağırlıkları güncellemek için türetilmiş türevlerden yararlanır
Çok katmanlı bir algılayıcı ağdaki her nöronun bir toplama ve bir aktivasyon fonksiyonu vardır. Bununla birlikte, bu nöronları katmanlar arasında birbirine bağlayan belirli sayısal ağırlıklar (wpk) bulunur. Girişler, Denklem (5)'te belirtildiği gibi ağırlıklarla çarpıldığında; Denklem (6)'da verilen MSE minimizasyonu ile birlikte doğrusal olmayan sigmoid fonksiyonu değerlendirilir.
(5)
(6)
SBOA, önerilen sistemin filtre ve kontrol parametrelerini optimize etmiştir
Günümüzde meta-sezgisel algoritmalar, mühendislik problemlerinin çözümünde kilit bir rol oynamaktadır. Şekil 5, algoritmaların bir sınıflandırmasını sunmaktadır. SBOA algoritması23, sekreter kuşunun (SB) doğal habitatında hayatta kalma davranışını taklit eder. Sekreter kuşunun avlanma davranışının keşif ve sömürü aşamaları SBOA'da modellenmiştir. Algoritmanın keşif aşaması SB'nin yılan yakalama davranışını, sömürü aşaması ise kartal gibi yırtıcılardan kaçma davranışını taklit eder. Çözüm süreci, popülasyondaki her bir SB için kendi sınırları dahilinde rastgele değerler üretilmesiyle ve her SB'nin değerini bir tasarım parametresi olarak kabul ederek Simulink modelinin çalıştırılmasıyla amaç fonksiyonu değerinin hesaplanmasıyla başlar. Amaç değerine dayanarak, her SB daha iyi bir çözümü temsil etmek için konumunu değiştirir. SBOA'nın matematiksel modellemesi aşağıda tartışılmaktadır:
İlk hazırlık aşaması
Öncelikle, hedef fonksiyonun F(Y) tipik minimizasyonu için aramayı başlatmak amacıyla kullanılan başlangıç çözümlerinin belirlenmesi gerekir. Bu durumda, SB'lerden oluşan başlangıç rastgele popülasyonu Y = [Y1, Y2, ......YN], N adet başlangıç çözümü aracılığıyla oluşturulur. Denklem (7) popülasyonu başlatır ve Yi bir çözümü temsil eder.
(7)
Burada seçim değişkenlerinin alt ve üst sınırları lb ve ub ile gösterilmiştir. [0, 1] aralığında r rastgele bir sayıdır. N problemin boyutudur. Ayrıca, çözümün uygunluk değeri Fi = F(Yi), Yi'nin kalitesini belirlemek için kullanılır.
SB'lerin avlanma stratejisi
Avı bulma, yeme ve saldırı, SB avcılığının üç ana aşamasıdır. Tüm avlanma süreci üç eşit zaman aralığına bölünmüştür: t < 1/3T, 1/3T < t < 2/3T ve 2/3T < t < T. Burada t mevcut iterasyonu, T ise maksimum iterasyon sayısını temsil eder. Bu aralıklar, SB'nin avlanma sürecinin üç aşamasına karşılık gelir: avı arama, tüketme ve avl sayfası. Bu bölümler, kuşun avlanma aşamalarının biyolojik istatistiklerine ve her bir aşamanın sürelerine dayanmaktadır. Buna bağlı olarak, her bir SBOA aşaması şu şekilde modellenmiştir:
Av arama
SB'nin bu aşamada avını güvenli bir mesafeden takip etmesi gerekir. Tüm arama bölgesi boyunca yeterli veri toplamak için, optimizasyon algoritmalarındaki ilk adım daha güçlü bir keşif gerektirir. Diğer iki SB'nin konumlarını rehber olarak kullanan SB, ek olası bölgeleri araştırabilir. Algoritma çeşitliliğini daha da artırmak için diferansiyel mutasyon süreçleri tanıtılmıştır. t, T'nin 1/3'ünden küçük olduğunda, her bir bireyin konumunu güncellemek için Denklem (8) kullanılır. SB avı arayacak, tüketecek ve saldıracaktır. Sonuç olarak, her bir SBOA aşaması şu şekilde modellenmiştir:
(8)
Burada, Yi(t) i.ncil SB'nin mevcut konumunu, Ynewi(t) ise güncellenmiş çözümü temsil eder ve mevcut popülasyondan Yi(t) ile Yr2(t) şeklinde iki birey rastgele seçilmiştir. Parametre seçim stratejisi için kullanılan rastgele bir vektör olan R1, sömürü (exploitation) ve keşif (exploration) aşamaları arasında etkili bir denge sağlamak amacıyla [0, 1] aralığından rastgele seçilen 1 × N boyutundadır. Güncellenmiş çözüm, yalnızca daha önce elde edilen çözüme kıyasla iyileştirilmiş bir amaç fonksiyonu değeri sağladığı takdirde dikkate alınır.
Avın tüketilmesi
SB, olası avı tespit ettikten sonra çevik bir hareketlilik sergileyerek yılanın etrafında süzülür. Avın sabrı, rakipler etrafında dönerken onları gözlemleyip cezbederek savunmalarını düşürmek için kullanılır. Diğer SB'ler, avın yakınında duruşlarını ayarlar. Bu yaklaşımla avlanma başarısı önemli ölçüde artacaktır. Denklem (9), 1/3 T < t < 2/3 T olduğunda SB'nin rastgele hareketini simüle etmek için Brownian hareketinin (B) nasıl kullanıldığını göstermektedir.
(9)
Buradaki B, MATLAB'da rastgele oluşturulan r(1,M) vektörü kullanılarak standart normal dağılım ile uygulanır. SB'ler daha sonra konumlarını güncellemek için Denklem (10)'u kullanırlar.
(10)
Burada, Ybest(t) en iyi çözümü temsil eder ve üstel ölçekleme faktörü exp((t/T)4), her iterasyon için işletim kapasitesini artırmak amacıyla seçilmiştir.
Avına saldırma
Sürekli tüketimin ardından, kurbanın enerjisi tükenecektir. Sekreter kuşlar saldırıyı şimdi başlatmalıdır. Burada, Lévy uçuş tekniği kullanılarak kısa bir zaman dilimi boyunca aralıksız adımlar/sporadik uzun sıçramalar gibi farklı saldırı yöntemleri simüle edilir. Karakteristikler Denklem (11) ve (12) ile tanımlanır. SB'ler ava hızla yaklaştığı için aday seçenekler şu an optimal cevaba yakındır. Bu plan, t > 2/3T olduğunda uygulanacaktır.
(11)
(12)
Burada, LF Levy uçuş stratejisini ve 
, s= 0.01 ve φ = 1.5 sabit değerlerini temsil eder. μ ve υ, [0, 1] aralığında yer alan rastgele değerlerdir. Burada, τ gammayı ve η = 0.5'i ifade eder; adım boyutunu düzenlemek ve geniş keşif sıçramaları ile yerel iyileştirme arasında bir denge sağlamak için orijinal SBOA formülasyonunda önerildiği üzere 0.5 ağırlık faktörü benimsenmiştir. Tablo 4 , geliştirilen sistemdeki ANN ve SB algoritması için kullanılan değerleri sunmaktadır.
SB için kaçış stratejisi
Yaban hayatında diğer avların peşindeyken, SBs'ler avlanma riskiyle karşı karşıyadırlar. Kartallar, şahinler, tilkiler ve çakallar, mücadele etmeleri gereken temel rakiplerdir. Tehlikeyi sezdiklerinde, kendilerini veya avlarını korumak için çeşitli kaçınma teknikleri kullanmak zorundadırlar. Bu algoritma, koşu modlarını (D2) ve kamuflajı (D1) modelleyerek kaçış yöntemlerini simüle eder. Rakiplerle karşılaştıklarında, sekreter kuşları güvende kalmak için başlangıçta çevrelerine uyum sağlarlar. Burada sekreter kuşları, konumlarını avın (en iyi birey) etrafında güncelleyerek algoritmalardaki yerel optimumlardan kaçınmaya çalışırlar. Eğer düşmandan kaçamazlarsa, güvende kalmak için uçuş veya hızlı koşu taktiklerini kullanacaklardır. Referans olarak, bir yerel optimumla sınırlı kalmamak için rastgele bir birey Yrand lider olarak seçilir. Sekreter kuşları konumlarını güncellemek için Denklem (13) ve (14)'ü kullanırlar. SBOA akış şeması Şekil 6'da gösterilmiştir.
(13)
(14)
Tasarım değişkenlerinin temsili
Bu çalışmadaki problem değişkenleri; DC-DC dönüştürücülerin PI kontrolör kazançları gibi tasarım parametrelerinin yanı sıra filtrelerin ve dönüştürücülerin direnç ve endüktanslarını içermektedir. Denklem (15), kontrol değişkenlerinin temsilini vermektedir. Kontrol parametresi sınırları Ek Tablo 2'de listelenmiştir.
(15)
Uygunluk fonksiyonu (FF)
THD'nin minimize edilmesi, bu çalışmada amaç fonksiyonu (Obj) olarak seçilmiştir. FF'nin maksimum değeri, Denklem (16) ve (17)'de verilen Obj'nin minimum değeridir.
(16)
(17)
Sonuçlar
Önerilen, bir EV şarj istasyonu için ANNC tabanlı MPP izleme yöntemine sahip bağımsız Bifacial PV sistemi, Simulink/Matlab 2022b'de oluşturulmuş ve Intel Core i7 işlemcili, 16 GB RAM'e sahip bir sistemde çalıştırılmıştır. Seçilen sistem ve EV yük değerleri Tablo 2 ve Ek Tablo 3'te gösterilmiştir. Bu çalışmada, güneş ışınımı (G), sıcaklık (T), AC yükler ve farklı modellere ve güç değerlerine sahip beş elektrikli araç ile çeşitli kombinasyonlarda olan Tablo 5'te listelenen üç durum, sistemin performansını göstermek için kullanılmıştır. Bu çalışma, batarya depolamayla desteklenen bir PV sisteminden güç üretimini maksimize ederken toplam harmonik bozulmayı (THD) azaltmak amacıyla, şebekeye bağlı olmayan bağımsız bir EV sisteminin performansını iyileştirmeye öncelikle odaklanmaktadır.
1. durumda, geliştirilen sistem için, bifacial PV sisteminin ön ve arka uçlarında seçilen seri ve paralel bağlı modüllerin sayısı, EV arabaları ve istasyon tabanlı AC yükü için standart ışınım ve sıcaklıklar dikkate alınmıştır. Burada önerilen ANN eğitimi ile elde edilen MPP izleme sistemi tarafından üretilen güneş gerilimi, akımı ve gücü, yükü beslemek için kullanılır Şekil 7A. Ayrıca, PV, depolama pili, AC istasyon tabanlı yük ve EV yükleri arasında etkili güç dağılımı, Tablo 3 senaryosuna göre Şekil 7B'de gösterildiği gibi gerçekleştirilir. 0,7 saniyede EV arabaları şarj modunda olup, istasyon tabanlı aktif güç yüküyle birlikte yük olarak davranır. Burada PV gücü talebi karşılamak için yeterlidir; bu nedenle depolama pili ideal durumdadır. Bu arada, 1,2 saniyede EV ve AC yükleri yalnızca güneş gücü talebi karşılamadığı için hem PV hem de pil depolama sisteminden (deşarj) güç çeker. Daha sonra, 7(c)'de olduğu gibi EV arabalarının pillerinin şarj durumu (şarj modu) ve depolama pillerinin durumu (deşarj modu), pik talep anlarında depolama pili çalışmasının açık bir analizini verir. Sistemin 470 V'de düşük sapma ve aşım ile kararlı bir DA bara gerilimi koruduğu açıkça görülmektedir. Ek olarak, Şekil 7D, SBOA ile optimize edilmiş filtrenin PCC'deki dalga biçimindeki bozulmaları en aza indirdiğini ve EV ile aktif güç yükü varken akım THD değerini %2,85'e düşürdüğünü göstermektedir.
İkinci durumda, değişken ışınım altında belirtilen değerlere ve seçilen seri ve paralel dizi sayısına göre, PV gerilimi, akımı ve gücü Şekil 8A'da gösterilmiştir. Burada, EV yükleri, doğrusal olmayan bir doğrultucu köprü ile birlikte sistem yükü olarak kabul edilmiştir. Ayrıca, yükün karşılanmasından sonra Şekil 8B 'de üretilen fazla PV gücü, şarj için depolama pilleşine verilmektedir. Ancak, pil sistemlerinin ve EV'lerin SOCB'si Şekil 8C'de gösterilmiş ve güç yönetimine göre işletilmiştir. Yük ve ışınım değişimleri sırasında DC bara gerilimindeki sapmaların önerilen sistem tarafından etkili bir şekilde azaltıldığı da açıkça görülmektedir. SBOA ile optimize edilmiş filtre, akım kusurlarını azaltır ve toplam harmonik bozulmayı (THD) IEEE standartlarına indirir.
3. durumda, değişken ışınım ve sıcaklık için maksimum PV gerilimi, akımı ve gücü, 2. durumdakine benzer (Şekil 9A). EV yüklerine ek olarak, doğrultucu köprü ve aktif güç yükü, aynı anda etkili olacak şekilde, baz istasyonu yükü olarak dikkate alınmıştır. Ayrıca, Şekil 9B, PV sisteminin ürettiği gücün yük talebini aştığından dolayı depolama pili şarj olmaktadır. Şekil 9C, EV'lerdeki ve depolama sistemlerindeki pillerin şarj durumunu gösterir. Ayrıca önerilen sistemin, yük, ışınım ve sıcaklık değişimleri altında DC bara gerilimini dengelemede iyi performans sergilediği de açıkça görülmektedir. Literatürde mevcut diğer yöntemlere kıyasla önerilen yöntem, THD ve MSE açısından çok daha düşük olup, Tablo 6, hesaplama süresi de daha düşüktür. Geliştirilen yöntemin yüksek performans verimliliğe ve çok daha yüksek bir başarı oranına sahip olduğu da açıkça görülmektedir.
Veri Erişilebilirliği:
Mevcut çalışmada kullanılan ve/veya analiz edilen veri kümeleri, https://doi.org/10.6084/m9.figshare.32894939 adresinden ulaşılabilir.
Şekil 1. Bağımsız İkilik Yüzeyli PV ile Çalışan Elektrikli Araç Şarj İstasyonu. (A) Fotovoltaik (PV) üretim birimi, Batarya Enerji Depolama Sistemi (BESS), DA–DA dönüştürücüler, İnvertör, İstasyonun DA Yükü ve Elektrikli Araç Şarj Ünitelerini gösteren önerilen bağımsız ikilik yüzeyli fotovoltaik (PV) ile çalışan elektrikli araç (EV) şarj sisteminin blok şeması. (B) PV ile çalışan bir elektrikli araç şarj istasyonunun temsili görüntüsü. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 2. Çift Taraflı PV Dizisi ve Pil Enerji Depolama Sistemi için Kontrol Sistemi. Yapay sinir ağı (ANN) tabanlı maksimum güç noktası izleme (MPPT) ve Pil Enerji Depolama Sistemi (BESS) ile çift taraflı PV dizisinin kontrol mimarisi. Üst panel, PV güç çıkarımı için ANN ile kontrol edilen boost dönüştürücüyü gösterirken, alt panel DC-bus gerilim düzenlemesi için kullanılan buck-boost dönüştürücü ve pil denetleyicisini göstermektedir. Bu şeklin daha büyük halini görmek için lütfen buraya tıklayınız.
Şekil 3. İnvertör, İstasyon AC Yükü ve EV Şarj Üniteleri için Kontrol Sistemi. İstasyon AC yükünü ve birden fazla EV şarj ünitesini besleyen üç seviyeli nötr-nokta-kilitlemeli invertörün kontrol mimarisi. Şekil ayrıca invertör kontrol stratejisini, filtre konfigürasyonunu, faz kilitlemeli döngüyü (PLL) ve EV şarjı için bireysel DC–DC dönüştürücü kontrolünü göstermektedir. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 4. MPP izleme için yapay sinir ağı mimarisi. Maksimum Güç Noktası İzleme (MPPT) için bir yapay sinir ağı (YSA) mimarisi kullanılır. Güneş ışınımı (G) ve sıcaklık (T), gizli katmana giriş olarak verilir ve ağ, maksimum güç çıkarımı için çalışma noktasını belirlemek amacıyla kullanılan çıkışı üretir. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 5. Optimizasyon Algoritmalarının Sınıflandırılması. Optimizasyon algoritmalarının deterministik, metasezgisel ve diğer özel optimizasyon yaklaşımlarına sınıflandırılması ve her kategori içinde temsili örneklerin yer alması. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 6. Sekreter Kuşu Optimizasyon Algoritması'nın (SBOA) Akış Şeması. Sekreter kuşu optimizasyon algoritmasının (SBOA) popülasyonun başlatılması, uygunluk değerlendirmesi, avcı stratejisi (avı arama, tüketme ve avı vurma), kaçış stratejisi, çözümün güncellenmesi ve en iyi çözüme yakınsama gibi optimizasyon sürecini gösteren akış şeması. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 7. 1. Durum için simülasyon sonuçları. (A) Standart çalışma koşulları altında PV gerilimi, akımı ve çıkış gücü. (B) PV dizisi, istasyon AC yükü, batarya enerji depolama sistemi ve elektrikli araç (EV) yükleri arasındaki güç dağılımı. (C) Elektrikli araç bataryalarının ve depolama bataryasının şarj durumu (SOC), bunlara ek olarak çalışma döngüsü ve DC-bara gerilimi. (D) Ortak bağlantı noktasında (PCC) üç fazlı akım ve gerilim dalga formları. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 8. İkinci durum için simülasyon sonuçları. (A) Değişken ışınım koşulları altında PV voltajı, akımı ve çıkış gücü. (B) PV dizisi, istasyon AC yükü, batarya enerji depolama sistemi ve EV yükleri arasındaki güç dağılımı. (C) EV bataryalarının ve depolama bataryasının şarj durumu (SOC), duty cycle ve DC-bus voltajı ile birlikte. (D) Ortak bağlantı noktasında (PCC) üç fazlı akım ve voltaj dalgaları. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 9. 3. Durum için simülasyon sonuçları. (A) Değişken ışınım ve sıcaklık koşulları altında PV voltajı, akımı ve çıkış gücü. (B) PV dizisi, istasyon AC yükü, batarya enerji depolama sistemi ve EV yükleri arasındaki güç dağılımı. (C) EV bataryalarının ve depolama bataryasının şarj durumu (SOC), duty cycle ve DC-bus voltajı ile birlikte. (D) Ortak bağlantı noktasında (PCC) üç fazlı akım ve voltaj dalgaları. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 10. Yapay sinir ağı regresyon performansı. Eğitim, doğrulama, test ve birleştirilmiş veri kümeleri için yapay sinir ağı modelinin regresyon analizi; tahmin edilen ve hedef değerler arasındaki uyumun gösterimi. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 11. YSA doğrulama performansı. Yapay sinir ağı (YSA) eğitim, doğrulama ve test aşamaları boyunca Ortalama Kare Hata (OKH) performansı, ardışık eğitim dönemleri boyunca yakınsamayı göstermektedir. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 12. Sekreter Kuşu Optimizasyon Algoritması'nın yakınsama özellikleri. 1. Durum için optimizasyon yinelemeleri arttıkça toplam harmonik bozulmanın (THD) azalmasını gösteren SBOA'nın yakınsama profili. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
Şekil 13. Akım harmoniklerinin hızlı Fourier dönüşümü analizi. Çıkış akımının hızlı Fourier dönüşümü (FFT) spektrumları üç simülasyon durumu için gösterilmiştir. Paneller, her bir çalışma koşulu altında elde edilen toplam harmonik bozulmayı (THD) gösteren Durum 1 (sol üst), Durum 2 (sağ üst) ve Durum 3 (alt) için elde edilen harmonik spektrumlarına karşılık gelir. Lütfen bu şeklin daha büyük halini görmek için buraya tıklayınız.
| Entegre Edilen Kaynak | THD (%) | Verimlilik (%) | MPPT/ | DC bara gerilim dengeleme | Optimizasyon algoritması | Şebeke / Ada koşulu | Karbon emisyonları | Kaynak |
| Kontrol Tekniği | ||||||||
| PD & Pil | iyi | Orta | P&O | İyi | Futbol ligi | Şebeke | Yüksek | Srilakshmi ve diğ.16 |
| PD | Orta | İyi | Bulanık-SMC | Orta | -- | Şebeke | Yüksek | Srilakshmi ve diğ.17 |
| PD & Pil | iyi | Orta | P&O | İyi | Futbol ligi | Şebeke | Yüksek | Srilakshmi ve diğ.18 |
| PD | - | - | P&O | - | - | ada | Düşük | Dineshraj ve diğ.20 |
| PD | - | - | YSA | - | - | şebeke | Yüksek | Rashid ve diğ.21 |
| İkiz Taraflı PD & Pil | Mükemmel | Mükemmel | YSA | Mükemmel | Sekreter kuşu | Ada | Düşük | Önerilen |
Tablo 1: Önceki PV ile çalışan elektrikli araç şarj yöntemlerinin karşılaştırılması. Entegre enerji kaynaklarına, MPPB/kontrol tekniklerine, optimizasyon yöntemlerine, güç kalitesine, çalışma moduna ve karbon emisyonlarına göre önceki çalışmaların karşılaştırılması.
| Sistem | Parametre/Değer |
| PV | Anma Gücü = 228,735 W |
| Maksimum Gerilim = 29,9 V | |
| Kısa Devre Akımı = 8,18 A | |
| Açık Devre Gerilimi = 37,1 V, Gerilim sıcaklık katsayısı β = -0,361 | |
| Maksimum Akım = 7,65 A, Akım sıcaklık katsayısı α = 0,102 | |
| Albedo katsayıları = 0,2, bifacial faktör = 0,1, Eğim açısı = 120c | |
| Standart Işınım W/m2 = Gs= 1000 W/m2; Gr = 100 | |
| Standart Sıcaklık dereceleri Ts = 25 | |
| Seri/Paralel dizi Ns = 10/7, yerden yükseklik = 1 m | |
| Kurşun-asit depolama pili | Anma kapasitesi = 400 Ah |
| Anma gerilimi = 300 V | |
| SOHB başlangıç değeri = %30, Şarj/deşarj sınırları = 30, 70 | |
| Kesme gerilimi = 225 V | |
| Tam şarj gerilimi = -326 V | |
| DC-DC dönüştürücü | Güç = 3,202e4, Gerilim = 476 V |
| Giriş gerilimi = 299 V | |
| İletim frekansı = 10 kH | |
| Çıkış gerilimi = 479 V | |
| Duty oranı = 0,375 | |
| DC-AC dönüştürücü Değerlendirmesi | PWM stratejisi = Sinüs PWM |
| Optimize edilmiş Filtre parametreleri; R = 0,002789 ohm, L = 88706 mH | |
| Modülasyon indeksi = 0,8 | |
| Simülasyonda kullanılan örnekleme zamanı = 100 µs | |
| DC Kapasitans: 524,43 μF; DC gerilimi = 470 V |
Tablo 2: Çift taraflı PV sisteminin, batarya enerji depolama sisteminin ve güç dönüştürücülerinin elektriksel özellikleri. Önerilen modelde kullanılan PV dizisi, batarya enerji depolama sistemi (BESS), DA–DA dönüştürücü ve DA–AA inverterinin elektriksel değerleri ve çalışma parametreleri
| Eğer koşul | O zaman eylem |
| Senaryo-1: PV çıkışı Yok | Depolama pili, elektrikli araç (EV) ve AC yüküne güç sağlayacak. |
| Senaryo-2: PV gücü ile yük talebi dengeli | PV, elektrikli araç (EV) ve AC yükünü besleyecek |
| Senaryo-3: PV çıkışı, elektrikli araç (EV) ve AC yük talebinden daha düşük | Fark gücü, batarya SOCOB min alt sınırına ulaşana kadar bataryadan sağlanacaktır. |
| Senaryo-4: PV tarafından üretilen güç, elektrikli araç (EV) ve AC için gerekli olan yük gücünden daha yüksek | Fazla PV gücü, batarya SOCOB maksimum sınırına ulaşana kadar bataryayı şarj etmek için kullanılacaktır. |
Tablo 3: Önerilen EV şarj sistemi için güç yönetimi stratejisi. Farklı çalışma koşullarında PV dizisi, batarya enerji depolama sistemi, EV yükleri ve istasyon AC yükü arasındaki güç akışını tanımlayan çalışma senaryoları.
| Sistem | Parametre/Değer |
| ANN | Girdi nöronlarının sayısı= 2, çıktı nöronlarının sayısı=1, gizli katman=1, gizli katman nöronları=10 |
| Aktivasyon fonksiyonu= Sigmoid | |
| Öğrenme oranı=0.001, Epoklar=1000, Örnekler=1000 | |
| Eğitim-doğrulama ayrımı= eğitim %70, doğrulama %15 ve test %15 | |
| Yakınsama kriteri=kararlı, MSE=1.091e-09 | |
| Normalizasyon=min–maks aralığı 0 ile 1 arasında normalizasyon | |
| SBOA | Popülasyon boyutu = 30 arama ajanı |
| En fazla yineleme sayısı = 150 | |
| Arama uzayı başlatması = Parametrelerin rastgele başlatılması (akış şeması) | |
| Boyut = Seçilen parametrelere göre tanımlanır. | |
| Brown hareketi = Standart normal dağılım | |
| Durma kriteri = En fazla yineleme |
Tablo 4: Yapay Sinir Ağı (YSA) ve Sekreter Kuşu Optimizasyon Algoritması (SBOA) parametreleri. Maksimum güç noktası takibi (MPPT) ve kontrolör optimizasyonu için kullanılan yapay sinir ağı (YSA) ve SBOA'nın yapılandırma parametreleri.
| Koşullar | Durum 1 | Durum 2 | Durum 3 |
| Standart Işınlama 1000W/m2 ve 25 oC sıcaklık | ✓ | ||
| 1000W/m2 ve 800W/m2 iki farklı ışınlamada değişiklik ve 25 oC sıcaklık | ✓ | ||
| 1000W/m2 ve 800W/m2 iki farklı ışınlamada değişiklik ve 20 oC sıcaklık | ✓ | ||
| Np/Ns (45/10) | ✓ | ✓ | |
| Np/Ns (7/10) | ✓ | ||
| DC Bar voltaj regülasyonu | ✓ | ✓ | ✓ |
| Güç yönetimi | ✓ | ✓ | ✓ |
| THD azaltımı | ✓ | ✓ | ✓ |
| İstasyona dayalı AC Yük 1: Aktif güç yükü | ✓ | ✓ | |
| İstasyona dayalı AC Yük 2: Doğrultucu köprü yükü | ✓ | ✓ | |
| Yük 3: EV1'den EV5'e (Arabalar) | ✓ | ✓ | ✓ |
Tablo 5: Çalışmada değerlendirilen simülasyon durumları. Işınlanma, sıcaklık, yük koşulları ve değerlendirme kriterlerini içeren üç simülasyon senaryosunun özeti.
| THD (%) | Verim (%) | MSE | Hesaplama Süresi (sn) | Başarı Oranı | Kaynak |
| 3.33 | 96–98 | -- | 190 | -- | Srilakshmi ve ark.16 |
| 3.72 | 92-96 | -- | 130 | -- | Srilakshmi ve ark.17 |
| 3.43 | 96–98 | -- | 112 | -- | Srilakshmi ve ark.18 |
| - | - | -- | -- | -- | Dineshraj ve ark.20 |
| - | - | 2.07E-03 | -- | -- | Rashid ve ark.21 |
| 2.85 | >95 | 1.09E-09 | 92 | %97 | Önerilen |
Tablo 6: Daha önce bildirilen yöntemlerle performans karşılaştırması. Önerilen yöntemin toplam harmonik bozulma (THD), verim, ortalama kare hatası (MSE), hesaplama süresi ve başarı oranı açısından yayınlanmış yaklaşımlarla karşılaştırılması.
Ek Tablo 1. MPP izleme yöntemlerinin karşılaştırılması. Geleneksel MPP izleme yöntemlerinin avantajları ve sınırlamaları ile önerilen YSA tabanlı MPP izleme yaklaşımı.Lütfen bu dosyayı indirmek için buraya tıklayınız.
Ek Tablo 2. Optimizasyon değişkenlerinin sınırları. SBOA optimizasyon sürecinde kullanılan optimizasyon değişkenlerinin alt ve üst sınırları.Lütfen bu dosyayı indirmek için buraya tıklayınız.
Ek Tablo 3. MATLAB/Simulink ayarları ve elektrikli araç yükü özellikleri. Simülasyon ortamı, çözücü ayarları, yürütme parametreleri ve elektrikli araç yüklerinin elektriksel özellikleri.Lütfen bu dosyayı indirmek için buraya tıklayınız.
Ek Tablo 4. SBOA ile optimize edilmiş parametre değerleri. Her bir simülasyon durumu için Sekreter Kuşu Optimizasyon Algoritması kullanılarak elde edilen optimize edilmiş denetleyici, filtre ve dönüştürücü parametreleri.Lütfen bu dosyayı indirmek için buraya tıklayınız.
Ek Tablo 5. Önerilen ANN–SBOA kontrolcüsünün üç simülasyon durumu altında dinamik DC bara gerilimi regülasyonunu değerlendirmek için kullanılan performans göstergeleri. Daha düşük oturma süresi, daha düşük aşım, yakınsamaya kadar daha az yineleme ve daha kısa hesaplama süresi, kontrolcü performansının geliştiğini gösterir.Lütfen bu dosyayı indirmek için buraya tıklayınız.
Tartışma
Genel olarak sonuçlar, bu araştırma çalışmasının güneş enerjisi çıkışını artıran, PQ'yu iyileştiren ve otoyollar için uygun sürdürülebilir bir EV şarj altyapısını destekleyen yeni ve optimize edilmiş bir kontrol stratejisi sunarak bilimsel alana katkıda bulunduğunu göstermektedir. SBOA ile optimize edilmiş filtre, konvertörler ve kontrolöre sahip geliştirilen ANN tabanlı MPPT, PV ve BES destekli bağımsız EV şarj istasyonu için stabil bir DC veri yolu voltajı sağlarken daha düşük THD değerleri elde etmektedir17.
Literatür çalışmaları, geleneksel MPPT yöntemlerini kullanan tek yüzeyli PV destekli şebekeye bağlı EV şarj istasyonlarına odaklanmıştır. Ancak, DC bara voltaj stabilitesini korumak ve THD'yi azaltmak amacıyla; yapay zeka tabanlı MPPT ile DC-DC dönüştürücüler, filtreler ve PI kontrol kazançları için optimal parametre seçimini tek bir çerçevede sunan çift yüzeyli PV sistemleri üzerinde çok az geliştirme yapılmıştır. İlk olarak, bir YSA, hem ön hem de arka ışınımı kullanarak çift yüzeyli PV'den maksimum gücü toplar. Ardından, ışınım ve sıcaklığı girdi olarak alarak görev döngüsü kestirimini gerçekleştirir. Bu durum, çift yüzeyli PV ile DC bağlantı arasında daha düşük bozulmalarla daha pürüzsüz bir güç akışına yardımcı olur.
Ardından, THD'yi minimize etmek amacıyla, Ek Tablo 4'te listelenen L parametrelerinin seçimiyle birlikte, PI kontrolör kazanç parametrelerini ayarlamak için SBOA kullanılır. SBOA'nın bir sınırlaması, bazı optimizasyon algoritmalarına kıyasla nispeten yavaş yakınsamasıdır; ancak yerel optimumlardan kaçınmaya yardımcı olan dengeli bir keşif-istifade stratejisi sunar. Bununla birlikte, daha yavaş yakınsama gibi kendi dezavantajları bulunmaktadır. Son olarak, BES, yük ve ışınımdaki hızlı değişimler sırasında güç için bir tampon görevi görür. Öte yandan batarya, PV gücü ile yük talebi arasındaki güç uyumsuzluklarını telafi eder.
Şekil 10, Şekil 11, Şekil 12 regresyon grafiğini, doğrulama grafiğini, 1000 epoch ile elde edilen daha düşük MSE değerini ve küresel yakınsama için 28 iterasyonla THD hedefi için SBOA yakınsamasını göstermektedir. Önerilen sistemin üç vaka çalışması için FFT analizi Şekil 13'te gösterilmiştir; bu analiz, önerilen kontrolcünün doğrultucu, aktif güç ve EV yükü ile THD'yi %2,23'e düşürdüğünü göstermektedir. Temel hedef THD olsa da, Ek Tablo 5'te detaylandırıldığı üzere SBOA, şarj boyunca dc bara voltaj regülasyonunu ve kararlılığını iyileştirmek için ANN tabanlı MPPT kullanarak konvertör parametrelerini optimize etmiştir. Önerilen sistem, ışınım, sıcaklık ve yük gibi dinamik olarak değişen ortamlarda çalışan daha büyük EV şarj istasyonları için ölçeklenebilirliği güçlü bir şekilde desteklemektedir. Şarj portlarının sayısı arttıkça, geliştirilen sistemde büyük değişiklikler yapmadan genişletme için ek bifacial PV dizileri ve BES dahil edilebilir. Bununla birlikte, optimize edilmiş filtreler ve konvertörler ile SBOA kontrollü sistemler PQ'yu etkili bir şekilde korumaktadır.
Öte yandan, SBOA THD'yi başarıyla azaltsa da hesaplama karmaşıklığı konusunda zorluklar yaşamaktadır. Teşvik edici sonuçlara rağmen, bu çalışmanın bazı kısıtlamaları bulunmaktadır: güneş sistemlerinin aşırı iklim koşulları veya hızla dalgalanan güneş radyasyonu altındaki performansı incelenmelidir; ayrıca sensör gürültüsü, konvertör kayıpları vb. gibi gerçek dünya zorlukları simülasyon ortamında tam olarak ele alınmamıştır. Bu nedenle, sonuçlar önerilen yöntemin, PV ve BES ile beslenen bağımsız EV şarj istasyonu için teknik olarak etkili bir çözüm olduğunu açıkça göstermektedir.
Bu makale, batarya depolama desteğiyle beş farklı EV modelini (dörtü Lityum-iyon bataryalı ve biri kurşun-asit bataryalı) şarj etmek için ANN tabanlı MPPT çift yüzeyli bağımsız bir PV sistemi önermektedir. Çift yüzeyli bir PV modeli için ANN tabanlı MPPT uygulanarak, PV'lerden maksimum güç elde edilir. Ayrıca, THD'yi minimize etmek için PI kontrolör ve DC-DC konvertör kazanç değerlerinin yanı sıra filtre ve DC-DC konvertör tasarım parametrelerinin seçimini optimize etmek amacıyla SBOA uyarlanmıştır. Önerilen sistemin performansını analiz etmek için, istasyon bazlı AC yüklerin yanı sıra 800 W/m2 ile 1000 W/m2 arasında değişen standart ve değişken ışınım seviyeleri ile 20 °C ve 25 °C arasındaki sıcaklıkların kombinasyonlarından oluşan üç test vakası seçilmiştir. Vaka çalışmaları için THD değerleri sırasıyla %2,85, %2,26 ve %2,23 olup, bu değerler mevcut yöntemlerden çok daha düşüktür. Sonuçlar, önerilen PV sisteminin, kararlı bir DC veri yolu voltajını korurken EV'leri şarj etmek için bağımsız modda verimli olduğunu göstermektedir. Ancak, önerilen yöntem henüz donanım uygulamasıyla doğrulanmamıştır. Bu nedenle; anahtarlama kayıpları, iletişim gecikmeleri, ölçüm hataları, batarya yaşlanması ve sıcaklık etkileri gibi donanım performansını etkileyen faktörler simülasyon modeline dahil edilmemiştir. Gelecekte, önerilen sistemin güvenilirliğini, sağlamlığını ve ölçeklenebilirliğini daha da artırmak için çalışma, deneysel doğrulamaya odaklanacaktır.
Açıklamalar
Yazarların beyan edilecek herhangi bir çıkar çatışması yoktur.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| DC–AC dönüştürücü | MathWorks | Simscape Electrical Three-Level Converter dokümantasyonu: https://www.mathworks.com/help/sps/ref/threelevelconverterthreephase.html | Üç fazlı, üç seviyeli nötr noktası kenetli DC–AC dönüştürücü modeli. |
| DC–DC dönüştürücü | MathWorks | Simscape Electrical Boost Converter dokümantasyonu: https://www.mathworks.com/help/sps/ref/boostconverter.html | PV çıkış voltajını düzenlemek için kullanılan Boost DC–DC dönüştürücü modeli. |
| EV1 bataryası | MathWorks | Batarya modeli dokümantasyonu: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | EV1'i temsil eden simüle edilmiş kurşun-asit batarya. |
| EV2–EV5 bataryaları | MathWorks | Batarya modeli dokümantasyonu: https://www.mathworks.com/help/autoblks/ref/datasheetbattery.html | EV2, EV3, EV4 ve EV5'i temsil eden simüle edilmiş lityum-iyon batarya modelleri. |
| MATLAB/Simulink | MathWorks | Yazılım; https://www.mathworks.com/products/simulink.html | PV destekli elektrikli araç şarj istasyonunu modellemek ve simüle etmek için kullanılan yazılım ortamı. |
| Simscape Electrical | MathWorks | Yazılım; https://www.mathworks.com/products/simscape-electrical.html | Güç dönüştürücülerini, elektrik şebekesini ve ilgili kontrol sistemini modellemek için kullanılan bileşen kütüphanesi. |
| Güneş paneli | Waaree Energies Ltd.; MATLAB/Simulink'te modellenmiştir | Model WSM-315. Waaree ürün bilgileri: https://www.waaree.com/solar-pv-modules/; System Advisor Model: https://sam.nrel.gov/ | WSM-315 güneş paneli parametreleri, Waaree veri sayfası ve NREL System Advisor Model'den alınan veriler kullanılarak kullanıcı tanımlı bir PV modülü olarak girilmiştir. |
| Depolama bataryası | MathWorks | Kurşun-asit batarya modeli dokümantasyonu: https://www.mathworks.com/help/simscape/ug/lead-acid-battery.html | Sabit enerji depolama sistemi olarak kullanılan simüle edilmiş kurşun-asit batarya. |
Kaynaklar
- 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.