《Scientific Reports》：Metaheuristic driven MPPT intelligence for unified PV battery EV energy convergence
编辑推荐：
本文探讨了太阳能光伏（PV）电池电动汽车（EV）充电系统中可靠的最大功率点跟踪（MPPT）所面临的挑战，该系统面临快速变化的太阳辐照度和温度。与仅关注独立光伏系统的标准MPPT研究不同，本研究考察了集成了光伏-电池-电网的电动汽车充电框架中的MPPT性能。研究
本文探讨了太阳能光伏（PV）电池电动汽车（EV）充电系统中可靠的最大功率点跟踪（MPPT）所面临的挑战，该系统面临快速变化的太阳辐照度和温度。与仅关注独立光伏系统的标准MPPT研究不同，本研究考察了集成了光伏-电池-电网的电动汽车充电框架中的MPPT性能。研究人员在相同的动态运行条件下，实现并评估了三种最新的元启发式算法：阿里巴巴与四十大盗优化算法（ABFT）、白鲸优化算法（BWO）和布谷鸟搜索优化算法（CSO）。基于MATLAB/Simulink的详细系统模型包含了光伏发电、DC-DC升压变换、双向能量流、电池管理和电网交互。该模型评估了收敛速度、稳态振荡、跟踪效率和能量输送稳定性。仿真结果表明，与BWO和CSO相比，基于ABFT的MPPT在辐照度和温度突变时实现了更快的收敛、更少的振荡和更高的能量提取效率。研究结果表明，ABFT是一种适用于实际电动汽车充电应用的强效MPPT策略。它在实际工况下提供了更好的能量利用、稳定的电池充电和改善的电网交互。ABFT实现了更快的收敛，大约2到3次迭代。与BWO和CSO在相同动态条件下的表现相比，它还减少了稳态振荡并提高了能量提取效率。
本研究围绕太阳能光伏（PV）电池电动汽车（EV）充电系统中最大功率点跟踪（MPPT）在快速变化辐照度和温度条件下的可靠性问题展开。与既有研究多集中于独立光伏系统或并网系统不同，研究者在统一的PV-电池-电网EV充电架构中考察MPPT的性能，填补了当前对新型元启发式算法在综合充电场景下应用评估的空白。研究人员将阿里巴巴与四十大盗优化算法（Alibaba Forty Thieves, ABFT）工程化应用于MPPT控制，以光伏输出功率为优化目标、DC-DC升压变换器占空比为决策变量，并与白鲸优化算法（Beluga Whale Optimization, BWO）和布谷鸟搜索优化算法（Cuckoo Search Optimization, CSO）在相同动态条件下进行公平对比。仿真结果表明，ABFT在收敛速度、稳态振荡抑制、跟踪效率及能量提取方面均优于对比算法，并在平均输出功率1434.19 W、跟踪效率99.50%、稳定时间15 ms、功率纹波9.52 W等指标上表现出显著优势。该研究为光伏供电的电动汽车充电基础设施提供了具有工程可行性的MPPT控制策略。
研究人员采用MATLAB/Simulink作为主要仿真环境，构建了包含光伏发电单元、DC-DC升压变换器、双向能量流动通路、电池管理系统和电网交互环节的统一仿真模型。系统包含36 V/230 W光伏板、48 V/65 Ah锂离子备用电池以及工作电压约250 V的电动汽车电池模型。MPPT控制器基于电流和电压实时测量值，通过PWM信号调节DC-DC变换器占空比。研究设置了多种工况：变辐照度情形、变温情形、光伏与备用电池联合供电情形以及夜间光伏功率为零时备用电池单独供电情形，用以全面评估算法性能。此外，研究还从计算复杂度角度分析了ABFT的可实现性，其渐近复杂度为O(N×T)（N为种群规模，T为最大迭代次数），与同类元启发式算法一致。
**变辐照度情形下的系统响应**。在2 s仿真窗口内设置阶梯状辐照度变化，对比了ABFT、BWO和CSO三种算法的跟踪行为。ABFT在每次辐照度阶跃后以更短时间收敛至新最大功率点，峰值功率和稳态功率均高于BWO与CSO，且功率纹波和暂态超调明显更低。定量分析表明，ABFT平均输出功率为1434.19 W，较BWO（976.93 W）提高46.81%，较CSO（745.11 W）提高92.48%；稳态功率纹波标准差为9.52 W，远低于BWO的35.99 W和CSO的40.42 W。该工况还记录了电网电流、电网电压和逆变器电流波形，显示ABFT控制下电网交互平稳，电压在约0.52 s时快速稳定至500 V，电流波形规则，验证了控制策略对光伏功率波动的有效调节能力。
**变温情形下的系统鲁棒性**。在辐照度和温度同时阶跃变化的环境中，ABFT和BWO均保持了较好的跟踪能力，CSO则表现出稍大的功率波动。整个测试期间，EV电池电压稳定维持在约250 V，充电电流保持在约20 A，未出现明显暂态尖峰，说明系统在温度变化条件下仍能对电池实施稳定的恒压恒流充电；电网电流和逆变器电流随环境变化呈阶梯状响应，体现出并网接口对能量流动态分配的适应性。
**光伏与备用电池联合供电性能**。在光伏出力充足时段，PV功率随辐照度增强而上升，并优先向EV电池和备用电池充电，电网在光伏不足时补足差额。备用电池荷电状态（State of Charge, SOC）在整个过程中保持约90%的高位，EV电池SOC随充电进程平稳上升，两条SOC曲线均无明显跳变，表明所提能量管理策略能够有效协调多种能源输入并维持电池组健康运行。
**夜间模式（PV功率为零）下的备用电池供电性能**。模拟夜间工况时，光伏电压、电流和功率均为零，备用电池单独承担EV充电任务。备用电池SOC从约80%持续下降至约55%，而EV电池SOC从约20%连续上升至约85%。该结果证明了系统在无光伏输入条件下仍能通过备用电池实现不间断的EV充电服务，突出了集成储能对保障全天候充电能力的关键作用。
**算法性能综合对比与计算复杂度分析**。雷达图对比了ABFT、BWO和CSO在精度、收敛速度、鲁棒性、效率和可扩展性五个维度的表现，ABFT在所有指标上均优于或持平于另外两种算法，尤其以精度、收敛速度和鲁棒性差距最为显著。与文献中PSO、ANFIS和RSA等MPPT方法相比，ABFT无需历史训练数据即可在动态条件下保持稳定跟踪，因而更适合光伏-电池-EV充电这一对实时响应要求较高的应用场景。
**讨论与结论**。ABFT的性能优势源于其均衡的探索-开发机制，能够在辐照度和温度快速变化背景下迅速收敛至全局最大功率点，同时有效抑制稳态振荡。从工程实施看，较快的收敛速度减少了辐照度过渡期间的能量损失，更低的稳态振荡降低了变换器开关应力和热损耗，有助于延长电池寿命。研究者指出，该研究目前仅在均匀辐照条件下验证了控制器性能，尚未涉及局部遮阴产生的多峰值P-V特性；未来将通过硬件在环（Hardware-in-the-Loop, HIL）平台和实验样机，对局部遮阴、传感器噪声、变换器开关损耗、电池老化及通信延迟等因素进行进一步验证。研究结论可概括为：将ABFT算法应用于MPPT控制，在集成光伏-电池-电网的电动汽车充电系统中取得了1434.19 W的平均输出功率、99.50%的跟踪效率、15 ms的稳定时间和9.52 W的功率纹波，优于BWO和CSO；ABFT具备成为实际EV充电场景中高效稳定MPPT策略的潜力。
