非隔离双向双输入单输出变换器在电动汽车应用中的智能能量管理

《Frontiers in Artificial Intelligence》：Intelligent energy management of a novel non-isolated bidirectional dual-input single-output converter for electric vehicle applications

　　

针对电动汽车（EV）应用，本文提出一种非隔离双向双输入单输出（DISO）DC–DC变换器及智能能量管理方法。所提变换器将光伏（PV）与电池储能集成于单一功率变换结构，从而减少元器件数量、提高效率并具备双向功率流能力。该变换器基于两相交错并联升压拓扑设计，并引入继电器辅助重构级，以实现灵活的源选择、电池充电/放电及再生制动运行。研究提出基于改进深度神经网络（MODNN）的智能能量管理策略，以提升能量利用率与自适应功率分配能力。所提MODNN对传统单任务前馈DNN进行改进，引入共享主干、多头架构，通过复合分类-回归损失函数联合预测离散运行模式与连续变换器占空比，并在相同训练/测试条件下与近期机器学习基线（k-NN、袋装神经网络集成及LSTM）进行基准比较。在所提MODNN框架中，利用光伏电压、光伏电流、电池荷电状态（SoC）、电池电压及负载需求信息，在不同运行场景下决策最优运行模式与功率流状态。该变换器可在可用能源间实现灵活功率分配、有效利用再生制动能量、提供不间断负载供电并实现有效电池管理。所提变换器性能通过MATLAB/Simulink仿真验证，变换器拓扑以500 W实验室样机进行实验验证。实验结果表明，五种运行模式均成功运行，峰值效率达96.7%，验证了所提变换器在EV能量管理应用中的有效性。

研究背景方面，电动汽车（EV）作为传统化石燃料车辆的理想替代方案受到广泛关注，光伏（PV）电池可直接将太阳能转化为电能，但其出力受光照随机性影响，通常需借助电池储能系统（BESS）提升系统效率与电池寿命。传统基于规则控制、固定阈值逻辑及经典最大功率点跟踪（MPPT）算法的能量管理技术，在快速变化的运行工况下适应性较差。近年来，人工神经网络（ANN）、深度神经网络（DNN）、循环神经网络（RNN）及机器学习辅助预测控制器等人工智能（AI）技术被用于实时能量管理与功率分配。然而，现有研究多集中于能量预测、充电优化或电网级能量管理，针对紧凑多端口变换器拓扑、在统一变换器结构内同时支持光伏功率利用、电池充放电、再生制动及自适应源选择的智能决策研究较少；且许多现有方案需要更多元器件、多级变换器或计算量大的优化算法，可能不适用于实际EV应用。近期虽有基于双延迟深度确定性策略梯度（TD3）的深度强化学习控制器用于低功率EV双向双输入单输出变换器，但该无模型方法面向电池/电机驱动配置，未集成光伏混合与自适应源选择决策。为此，研究人员提出基于改进深度神经网络（MODNN）的智能能量管理方法，结合非隔离双向DISO变换器，以克服上述不足。
研究人员开展了变换器拓扑设计、工作模式分析、MODNN能量管理策略设计、仿真与实验验证等研究。所提变换器前端为交错并联升压变换器，包含三个可控功率半导体开关（S1、S2、S3）、三个继电器触点（RL1、RL2、RL3）、两个二极管（D1、D2）、两个电感（L1、L2）及一个电容（CO）。通过适当的开关序列与继电器配置实现五种运行模式：模式1为双源向负载供电；模式2为光伏单独向负载供电；模式3为电池单独向负载供电；模式4为光伏向电池充电；模式5为负载侧（再生制动或下坡发电机作用）向电池充电。模式1至模式3执行交错升压运行，模式4与模式5工作在降压模式。研究得出，所提变换器可在单一紧凑结构中实现光伏与电池混合、双向功率流、电池充放电及再生制动通道，且半导体器件数量少；MODNN可实现自适应运行模式选择与智能功率分配。其重要意义在于为下一代电动汽车提升可再生能源集成、电池利用率与整体能量管理提供了可行途径。
研究人员开展研究用到的主要关键技术方法包括：两相交错并联升压拓扑与继电器辅助源重构的电路设计；基于MATLAB/Simulink的仿真建模；改进深度神经网络（MODNN）的共享主干多头架构与复合分类-回归损失训练；以及基于TMS320F2812数字信号控制器和MOSFET IRF540、栅极驱动器TLP250H的500 W实验室样机实验验证。
研究结果如下。第一，变换器电路布局与运行：研究人员提出前端交错并联升压的DISO变换器，两相交错运行可降低输入电流应力、减小输入电流与输出电压纹波，并给出输出电压、临界电感、输出电容及降压模式电池电压的数学表达式，通过五种模式的等效电路与开关状态分析验证了拓扑运行机理。第二，基于MODNN的智能能量管理策略：研究人员提出MODNN架构，以光伏电压、光伏电流、电池电压、电池电流、荷电状态及负载需求为输入，经共享隐藏层分支为分类头（Softmax输出运行模式）与回归头（Sigmoid输出占空比D1、D2、D3），采用复合损失联合训练；消融研究表明增加回归头不降低模式分类精度，调优λ=2的完整MODNN将占空比RMSE由0.1098降至0.1078；与k-NN、袋装神经网络集成及LSTM在相同数据划分下比较，MODNN取得最高模式分类精度且是唯一能同时输出占空比的方法。第三，MATLAB仿真结果：研究人员通过单次运行依次切换五种模式，功率在光伏、电池与负载间快速跟随参考且无持续振荡，过渡超调小并在数毫秒内稳定；MODNN训练收敛稳定，训练集3500、测试集1500，准确率98.5%，验证准确率97.8%，最终损失0.05，训练时间92 s，运行模式选择平滑无突变。第四，实验结果：研究人员以500 W样机验证，五种模式均成功运行，动态测试显示瞬态响应小于2 ms、超调不超过8%，峰值效率96.7%（400 W时），100至500 W范围内效率大于92%，500 W时MOSFET壳温低于65 °C，按CISPR 25用LISN测试EMI在30 MHz以内合规；MODNN在实验工况下的模式预测验证与预期一致；与多种非隔离双向多端口变换器比较，所提变换器以较少元器件实现相近或更高的峰值效率。
讨论部分总结：所提变换器将光伏与电池能源有效集成于单一紧凑结构，除促进双向功率流、电池充放电与再生制动外，MODNN能量管理框架可基于当前系统状态实现自适应运行模式选择与智能功率分配决策，提升可用能源利用。仿真结果显示了MODNN框架在未来EV电力电子系统中智能能量管理的潜力，实验结果验证了所提变换器架构的可行性与有效性。研究结论翻译：本文提出了一种用于电动汽车应用的非隔离双向DISO变换器，具有继电器辅助源重构、交错并联升压运行及基于MODNN的智能能量管理方法。所提变换器有效将光伏与电池能源集成于单一紧凑结构，同时促进双向功率流、电池充放电与再生制动；基于MODNN的能量管理框架可基于当前系统状态实现自适应运行模式选择与智能功率分配决策，提升可用能源资源的利用。仿真结果显示了MODNN框架在未来EV电力电子系统中智能能量管理的潜力，实验结果验证了所提变换器架构的可行性与有效性。所提方法为提升下一代电动汽车的电池使用、可再生能源集成与整体能量管理提供了可行途径。