提升电动汽车中电池储能系统的充电性能

《Journal of Energy Storage》：Improving the charging performance of battery energy storage systems in electric vehicles

　　T. Porselvi|Sanepalle Gopal Reddy|A. Srujana|Bapayya Naidu Kommula印度金奈斯里赛拉姆工程学院电气与电子工程系摘要随着电动汽车的日益普及，对充电基础设施的需求也在不断增加。然而，现有的充电系统依赖电网电力，因此用于为电动汽车充电的大部分能量来自化石燃料的燃烧，这会导致碳排放和环境恶化。因此，将可再生能源引入充电基础设施能够显著减轻这些影响。本文提出了一种基于光伏供电的电动汽车充电系统，该系统采用了二次级联耦合电感高增益升压转换器以及基于Piranha觅食优化循环神经网络的最大功率点跟踪算法。选择HyperBoost-Q转换器是因为它具有出色的电压提升能力，且应力较小、电流纹波低，非常适合用于光伏驱动的电动汽车充电系统。由于环境条件可能突然且快速变化，因此采用PFO-RNN MPPT控制器来提升最大功率点跟踪精度，并具备时间学习能力和全局优化功能。该系统还配备了双向DC-DC转换器、无刷电机驱动装置以及与电网同步的电压源逆变器，从而能够有效管理能量流动、保持电池充放电稳定以及确保电机正常运行。通过MATLAB/Simulink仿真计算和实验结果可知，所提出的HyperBoost-Q转换器的效率为94.5%，而PFO-RNN MPPT的跟踪效率高达99.97%，响应时间仅为0.1秒。引言电动汽车在应对环境问题以及减少对化石燃料的依赖方面发挥着重要作用[1]。但随着电动汽车数量的增加，就需要高效且无污染的充电系统。在这种情况下，引入可再生能源[2]使得电动汽车充电方式发生了变革，因为可再生能源不会产生排放物，还能减少温室气体排放，有助于创造更清洁的环境。已有许多研究致力于利用可再生能源发电，其中光伏技术因其较高的潜力与丰富性而被认为最为理想[3]。在发电机、负载以及主干电网中更大规模地应用光伏技术，使得能源转换变得更加重要，这就需要更为复杂的电气系统控制方案[4][5]。图1展示了所提出的电动汽车充电系统的基本结构模型。许多研究都采用了最大功率点跟踪算法，以更高效率地从光伏系统中获取最大功率。通常，人们会利用电流和电压等参数来确定最大功率点，进而调整转换器以实现最佳工作状态。传统的最大功率点跟踪方法[7][8]往往依赖于线性化模型，这在光伏系统处于动态变化时存在局限性，会导致转换效率下降。基于软计算的最大功率点跟踪方法虽然受到了关注，但它们往往受到规则驱动的限制，动态响应较慢，且对工况变化的适应能力较差。为了解决传统最大功率点跟踪方法存在的缺陷，基于人工智能的技术逐渐成为实现高效最大功率点跟踪的有效解决方案[10]。诸如人工神经网络[11]、循环神经网络[12]、径向基函数神经网络[13]等方法虽然计算量较大，需要大量数据集进行训练，还存在过拟合问题。近年来，有各种优化算法被用于最大功率点跟踪，具体如表1所示。不同算法的最大功率点跟踪性能取决于它们的探索能力、利用能力以及收敛特性。由于大多数最大功率点跟踪方法在跟踪光伏系统的最大功率点方面存在局限，本研究引入了一种基于人工智能的优化算法，以提高系统性能。尽管光伏具有巨大潜力，但其间歇性特点意味着在电动汽车应用中需要功率电子设备来确保系统正常运行。通常，升压转换器被用来提升光伏的电压水平，但这类转换器的电压提升效果有限，且不适用于高功率应用。此后，人们又开发出了多种基于升压原理的转换器，这些转换器采用了开关电容、开关电感以及主动箝位等技术[22][23]。不过，这些设计的工作占空比范围有限，导致电压提升效果不佳。最近有一些研究致力于提升升压转换器的性能，使其更适合用于光伏驱动的电动汽车应用。在参考文献[24]中，一种二次级联升压转换器被提出，它通过结合电压倍增电路以及两个电感器，实现了连续的输入电流。但这种转换器的效率较高，同时存在稳定性问题。参考文献[25]中的二次级联升压转换器则能提供三次方级的电压提升效果，且电流应力较低，其输入电感器采用共地配置。不过，电源电流的脉动特性会给其他半导体器件带来更大的开关应力。参考文献[26]中的开关电感电容拓扑结构则能提供更高的电压提升效果，且电流波动较小，非常适合高功率应用。不过，这种结构需要额外的控制开关，从而增加了系统的复杂性。参考文献[27]中的双开关转换器通过采用箝位电路，降低了应力并提升了电压提升效果。但由于输入电流不连续，电压应力又会增加，因此其转换比例也受到限制。在参考文献[28]中，一种单开关转换器被提出，它具有更高的电压提升效果，工作占空比得到改善，应力也有所降低，同时还通过开关电容消除了电压尖峰现象。不过，由于元件数量增加，该转换器的应力仍然较高，还存在反向恢复问题。参考文献[29]中的软开关箝位电路配合CI转换器，能够在较大工作占空比下降低电压应力、减少损耗并提升电压提升效果。不过，由于元件数量增多，该电路容易产生寄生振荡。参考文献[30]中提出的交叉耦合电感转换器结合电压倍增拓扑结构，能够降低导通损耗并减少电流纹波。不过，该转换器存在电压尖峰问题，且需要复杂的栅极驱动电路。为了解决现有转换器拓扑结构的局限性，本研究提出了一种具有先进设计的新类型转换器[31][32][33]。现有的二次级联电感转换器虽然能够实现较高的电压提升效果，但代价是元件数量增多、电压应力增大，且能量传输路径较为复杂。而所提出的Hyper Boost-Q转换器则采用了紧凑的级联耦合电感结构，能够在减少元件数量的同时实现二次方级的电压提升效果，还能改善能量分配情况。在利用可再生能源为电动汽车充电的过程中，备用电源对于满足电力需求至关重要。此外，配备电池还可以减少对电网的依赖。这种混合式设计不仅能够提升系统的动态性能，还能延长储能元件的使用寿命并提高其效率。这一集成框架为实现智能且环保的交通方式提供了可能。尽管目前已有许多基于混合优化的最大功率点跟踪技术被广泛应用，但大多数现有方法，如PSO-ANN[34]、ACO-ANN[35]、GWO-ANFIS[36]以及基于模糊逻辑的方法[37][38]，都存在静态学习能力有限、对动态环境条件的适应速度慢以及容易过早收敛等问题。这些方法主要依赖于瞬时的输入输出映射关系，无法准确捕捉在光照强度和温度迅速变化的情况下光伏系统的时变非线性特征。为了解决这些问题，本研究提出了一种基于Piranha觅食优化循环神经网络的最大功率点跟踪算法，该算法具有双重优势。首先，循环神经网络能够通过整合过去的系统状态来实现时间学习，从而提高在动态条件下的最大功率点预测精度。其次，Piranha觅食优化算法能够通过包含探索、利用以及生存策略的自适应多策略搜索机制，优化循环神经网络的权重和偏置参数，从而提升全局优化能力，避免陷入传统优化算法如PSO和GWO常见的局部最小值陷阱。与现有的混合方法不同，所提出的方法采用以功率为目标的直接优化方式，其训练目标是与光伏功率最大化紧密相关，而非一般的误差最小化。这样一来，该方法的收敛速度更快，稳态振荡更少，且在稳态以及环境条件迅速变化的情况下都能保持更高的跟踪效率。因此，所提出的PFO-RNN最大功率点跟踪算法并非简单地将优化算法与神经网络相结合，而是一种针对特定问题、以性能为导向的混合框架，相比现有方法，它能显著提升最大功率点跟踪的精度、收敛速度以及系统稳定性。尽管在基于可再生能源的电动汽车以及能源管理领域已经取得了诸多进展，但仍然存在一些技术和功能上的局限性尚未解决。现有的转换器拓扑结构存在器件应力过大、效率偏低、损耗增加以及在适度工作占空比下电压提升效果受限等问题。此外，传统的最大功率点跟踪方法也缺乏自调优能力。当前的能源管理方式也无法在能量流出现突然变化时实现动态平衡。为了解决这些难题，本研究提出了一种基于人工智能的全面框架，用于光伏动力电动汽车系统：•开发了一种采用级联耦合电感的Hyper Boost-Q高增益DC-DC转换器，该转换器能够实现较高的电压提升效果，同时降低器件应力并提高效率，效率可达94.5%。•提出了一种基于PFO-RNN的最大功率点跟踪控制器，该控制器将循环神经网络的时间学习能力与PFO的全局优化功能相结合，从而在动态环境条件下提升最大功率点跟踪精度。•设计了一种以功率为优化目标的函数，用于直接优化光伏功率的提取过程，从而实现更快的收敛速度（0.1秒）以及更高的跟踪效率（99.97%）。•设计了一种集成了光伏、电池以及电网的电动汽车充电系统，该系统通过双向能量流动以及模式切换控制，实现高效的能源管理。•通过仿真和硬件实验进行了全面验证，结果表明，与传统以及混合最大功率点跟踪方法相比，该系统的效率更高，谐波失真更低，系统稳定性也更好。本文的其余部分结构如下：第2节介绍所提出的系统，第3节进行建模分析。第4节则讨论使用MATLAB以及实验室原型对所开发系统进行的测试结果。最后，第5节对整个研究进行总结。章节要点所提出系统描述为了确保电动汽车的正常运行，本研究采用了一种基于光伏的创新型电力转换系统，并配套了能源管理装置，如图2所示。该系统以光伏作为主要能源，为电动汽车的无刷电机提供动力。光伏阵列产生的直流电经过HyperBoost-Q转换器处理后，可输出足够高的直流电压，既可用于驱动电机，也可用于给电池充电。该转换器由基于PFO-RNN的最大功率点跟踪算法进行控制，从而能够快速、有效地确定最大功率点。光伏系统光伏系统通过集成在其中的太阳能电池将阳光直接转换为电能。为描述其电气特性，该系统模型包含串联电阻Rs和并联电阻Rsh，如图3所示。由于一个光伏模块由多个太阳能电池组成，因此其端点的I?V特性可以通过公式（1）来表示：Ipv=Iph?IoeVpv+IpvRsqakTck?1?Vpv+IpvRsRsh其中，Ipv和Vpv分别表示光伏模块的输出电流和电压，Iph则表示光生电流。结果与讨论本节将根据表3中的测试参数，利用MATLAB仿真结果，对所提出的基于光伏的电动汽车充电系统进行性能分析。为了评估所开发的转换器及控制方案的效能，需要在不同条件下进行测试。此外，还会分析系统在断电情况下的反应情况。条件1：光伏系统的稳态运行为了验证所提出转换器的有效性，在条件1中，我们在光伏输出稳定的情况下对转换器进行了测试。结论本研究提出了一种创新且高效的设计方案，该方案结合了HyperBoost-Q转换器以及PFO-RNN最大功率点跟踪算法，用于光伏驱动的电动汽车充电系统。借助HyperBoost-Q转换器，该系统能够将电压从较低水平提升到较高水平，同时实现了94.5%的转换效率，电压应力较低，电流纹波较小，且在适度工作占空比下仍能保持良好的电压提升效果。而PFO-RNN最大功率点跟踪控制器的最大功率点跟踪效率高达99.97%，响应时间仅为0.1秒，远优于传统方法的性能表现。双向电池贡献作者贡献说明T. Porselvi：撰写原文初稿、数据整理、概念构思。Sanepalle Gopal Reddy：撰写文章的审阅与编辑工作、结果验证、项目监督及项目管理。A. Srujana：撰写文章的审阅与编辑工作、结果验证、项目监督及项目管理。Bapayya Naidu Kommula：撰写文章的审阅与编辑工作、结果验证、项目监督及项目管理。伦理审批无需审批。资金支持作者们未获得任何特定资金支持用于这项研究。利益冲突声明作者声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。