DOI: https://doi.org/10.1038/s41598-026-41938-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41764251
تاريخ النشر: 2026-02-28
المؤلف: D. Karthikeyan وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه الورقة البحثية نهجًا جديدًا لتعزيز كفاءة المركبات الكهربائية (EVs) من خلال دمج محول DC-DC مزدوج ممتد رباعي (QDE) مع وحدة تحكم متقدمة تعتمد على التعلم الآلي (ML) لتتبع نقطة الطاقة القصوى (MPPT). يستخدم النظام المقترح إعدادًا شمسيًا ضوئيًا (PV) لتشغيل محرك تيار مستمر بدون فرش (BLDC)، مما يلبي الحاجة إلى وسائل النقل الخالية من الانبعاثات مع تقليل تلوث الهواء وانبعاثات غازات الدفيئة. تم تصميم محول QDE لتحسين خرج الجهد من نظام PV، مما يقلل من إجهاد الجهد ويعزز الكسب. بالإضافة إلى ذلك، يتم استخدام شبكة عصبية تعتمد على دالة الأساس الشعاعي (RBFNN) المحسّنة بواسطة خوارزمية بحث السلاحف البحرية (STFO-RBFNN) لتتبع الطاقة بشكل فعال، مما يضمن حصاد الطاقة الأمثل تحت ظروف بيئية متغيرة.
تظهر نتائج المحاكاة باستخدام MATLAB/Simulink أن المنهجية المقترحة تحقق كفاءة محول تبلغ 95.43% وتشويه توافقي إجمالي (THD) يبلغ 1.14%، متفوقة بشكل كبير على التوبولوجيات الحالية. يتضمن النظام أيضًا محولًا ثنائي الاتجاه يسهل إدارة الطاقة المرنة من خلال دمج البطارية والشبكة، مما يسمح بتوزيع الطاقة بكفاءة إلى محرك EV خلال ذروة الطلب. بينما تشير النتائج إلى تحسينات كبيرة في الأداء، تعترف الدراسة بالقيود المتعلقة بأداء المحول تحت ظروف التشغيل القصوى والحاجة إلى تعزيز آليات الحماية والتعامل مع الأعطال، والتي يُقترح البحث فيها في المستقبل.
طرق
تستعرض هذه القسم طرقًا مختلفة لتحسين تتبع نقطة الطاقة القصوى (MPPT) في أنظمة الطاقة الشمسية (PV)، مع تسليط الضوء على المزايا والقيود للنهج الحالية بينما تقترح تحسينات من خلال نموذج STFO-RBFNN. أشار كولاسيكاران وآخرون إلى أنه بينما يعمل التوصيل التكيفي المتزايد (INC) بشكل جيد في الظروف الثابتة، فإنه يواجه صعوبة مع تقلبات الطاقة السريعة. يعالج نموذج STFO-RBFNN هذا من خلال دمج محول مطور للتحكم في الجهد، مما يعزز القدرة على التكيف وميزات التعلم. وبالمثل، تُظهر خوارزمية HHO لإبراهيم وآخرين سرعة تقارب عالية ولكنها تفتقر إلى التكيف في الوقت الحقيقي؛ يحسن STFO-RBFNN هذا من خلال الاستجابة بسرعة للتغيرات في درجة الحرارة والإشعاع.
يناقش القسم أيضًا قيود الطرق الأخرى، مثل أنظمة الضبابية من النوع 2، التي تواجه صعوبة مع التغيرات المناخية الكبيرة، وقطيع الكريل مع SMC، الذي يواجه مشاكل في الزيادة. يعزز نموذج STFO-RBFNN المرونة والكفاءة في إدارة MPPT الديناميكية من خلال التعلم التكيفي، مما يقلل من الاعتماد على الضبط اليدوي. بالإضافة إلى ذلك، يستخدم محول QDE DC-DC جديد لتحسين جهد خرج PV ونظام إدارة الطاقة الذي يوازن الطاقة لتطبيقات المركبات الكهربائية (EV). يضمن دمج وحدة تحكم PI للتحكم في سرعة محرك BLDC تشغيلًا دقيقًا عبر الأحمال وظروف البيئة المتغيرة، مما يحسن الأداء العام للنظام.
نتائج
في هذا القسم، يتم تقديم تحليل أداء النموذج المقترح، الذي تم تقييمه من خلال محاكاة MATLAB/Simulink وتحليل الأجهزة. تظهر النتائج فعالية النموذج، الذي تمت مقارنته بعد ذلك مع نماذج حديثة أخرى للتحقق من النتائج.
يوفر الجدول 3 مواصفات تفصيلية لمكونات النظام المقترح، بما في ذلك نظام الطاقة الشمسية الضوئية (PV)، المحول، محرك التيار المستمر بدون فرش (BLDC)، ونموذج البطارية. تشمل المعلمات الرئيسية تكوين نظام الطاقة الشمسية PV، الذي يتكون من 4 ألواح متصلة على التوالي و11 لوحًا متصلًا بالتوازي، مما ينتج عنه جهد أقصى يبلغ 29.95 فولت وتصنيف طاقة يبلغ 10 كيلو واط. كما تم توضيح مواصفات محول QDE، الذي يتميز بسعة تبلغ 2200 ميكروفاراد وتردد تبديل يبلغ 10 كيلو هرتز، من بين معلمات أخرى. يبرز هذا التحليل الشامل أداء النموذج ومزاياه المحتملة مقارنة بالأنظمة الحالية.
مناقشة
يوفر قسم المناقشة في الورقة البحثية نظرة شاملة على التقدم في محولات DC-DC واستراتيجيات تتبع نقطة الطاقة القصوى (MPPT) لتطبيقات المركبات الكهربائية (EV)، وخاصة تلك التي تعمل بالطاقة الشمسية. يسلط الضوء على قيود المحولات التقليدية، مثل محولات التخفيض والتعزيز، في تحقيق مكاسب جهد عالية عند دورات عمل منخفضة، خاصة تحت ظروف الطاقة العالية. يؤكد البحث على إمكانيات محولات التعزيز الرباعية (QBCs)، التي يمكن أن تحقق مكاسب جهد كبيرة تتناسب مع مربع دورة العمل، مما يجعلها مناسبة لمصادر الطاقة المتجددة ذات الجهد المنخفض مثل أنظمة الطاقة الشمسية الضوئية (PV). ومع ذلك، يشير إلى أنه بينما تحسن QBCs وغيرها من التوبولوجيات المتقدمة من مكسب الجهد، فإنها غالبًا ما تعاني من كفاءة منخفضة بسبب مشاكل مثل تسرب الحث وزيادة حجم المكونات.
يقترح المؤلفون محولًا مزدوجًا ممتدًا رباعيًا جديدًا يعزز مكسب الجهد من خلال مرحلتين من التعزيز مع تقليل عدد المكونات. يتم دمج هذا المحول مع استراتيجية MPPT ذكية تعتمد على شبكة عصبية دالة الأساس الشعاعي (RBFNN) المحسّنة بواسطة خوارزمية بحث السلاحف البحرية (STFA)، تهدف إلى تعظيم استخراج الطاقة من وحدات PV. تم تصميم النظام المقترح لتشغيل محرك تيار مستمر بدون فرش (BLDC)، مما يسهل تدفق الطاقة الثنائي الاتجاه وتفاعل الشبكة من خلال محول مصدر جهد ثلاثي الطور (VSI). تختتم الورقة بأن دمج محول DC-DC فعال مع استراتيجية MPPT قوية أمر ضروري للتغلب على التحديات التي تواجهها الأنظمة الحالية، مما يعزز الأداء العام وموثوقية المركبات الكهربائية التي تعمل بالطاقة الشمسية.
DOI: https://doi.org/10.1038/s41598-026-41938-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41764251
Publication Date: 2026-02-28
Author(s): D. Karthikeyan et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
This research paper presents a novel approach to enhancing the efficiency of Electric Vehicles (EVs) by integrating a Quadratic Double Extended (QDE) DC-DC converter with an advanced Machine Learning (ML) based Maximum Power Point Tracking (MPPT) controller. The proposed system utilizes a solar Photovoltaic (PV) setup to power a Brushless Direct Current (BLDC) motor, addressing the need for emission-free transportation while reducing air pollution and greenhouse gas emissions. The QDE converter is designed to improve the voltage output from the PV system, thereby minimizing voltage stress and enhancing gain. Additionally, the Sea Turtle Foraging optimized Radial Basis Function Neural Network (STFO-RBFNN) is employed for effective power tracking, ensuring optimal energy harvesting under varying environmental conditions.
Simulation results using MATLAB/Simulink demonstrate that the proposed methodology achieves a converter efficiency of 95.43% and a Total Harmonic Distortion (THD) of 1.14%, significantly outperforming existing topologies. The system also incorporates a bidirectional converter that facilitates flexible energy management through battery and grid integration, allowing for efficient energy distribution to the EV motor during peak demand. While the findings indicate substantial improvements in performance, the study acknowledges limitations regarding the converter’s performance under extreme operating conditions and the need for enhanced protection and fault-handling mechanisms, which are suggested for future research.
Methods
The section outlines various methods for optimizing maximum power point tracking (MPPT) in photovoltaic (PV) systems, highlighting the advantages and limitations of existing approaches while proposing enhancements through the STFO-RBFNN model. Kulasekaran et al. noted that while adaptive incremental conductance (INC) performs well under steady conditions, it struggles with rapid power fluctuations. The STFO-RBFNN model addresses this by integrating an upgraded converter for voltage control, enhancing adaptability and learning capabilities. Similarly, Ibrahim et al.’s HHO algorithm shows high convergence speed but lacks real-time adaptation; the STFO-RBFNN improves this by quickly responding to changes in temperature and irradiance.
The section further discusses the limitations of other methods, such as Type 2 Fuzzy systems, which struggle with large-scale climatic changes, and the Krill Herd with SMC, which faces overshoot issues. The STFO-RBFNN model enhances flexibility and efficiency in dynamic MPPT management through adaptive learning, reducing reliance on manual tuning. Additionally, it employs a novel QDE DC-DC converter to optimize PV output voltage and an energy management system that balances power for electric vehicle (EV) applications. The integration of a PI controller for BLDC motor speed control ensures accurate operation across varying loads and environmental conditions, thereby improving overall system performance.
Results
In this section, the performance analysis of the proposed model is presented, evaluated through MATLAB/Simulink simulations and hardware analysis. The results demonstrate the effectiveness of the model, which is subsequently compared with other recent models to validate the findings.
Table 3 provides detailed specifications for the components of the proposed system, including the solar photovoltaic (PV) system, converter, brushless DC (BLDC) motor, and battery model. Key parameters include the configuration of the solar PV system, which consists of 4 panels connected in series and 11 panels in parallel, yielding a maximum voltage of 29.95 V and a power rating of 10 kW. The QDE converter specifications are also outlined, featuring a capacitance of 2200 µF and a switching frequency of 10 kHz, among other parameters. This comprehensive analysis underscores the model’s performance and its potential advantages over existing systems.
Discussion
The discussion section of the research paper provides a comprehensive overview of the advancements in DC-DC converters and Maximum Power Point Tracking (MPPT) strategies for electric vehicle (EV) applications, particularly those powered by solar energy. It highlights the limitations of conventional converters, such as buck and boost converters, in achieving high voltage gains at low duty cycles, especially under high-power conditions. The paper emphasizes the potential of Quadratic Boost Converters (QBCs), which can achieve significant voltage gains proportional to the square of the duty cycle, making them suitable for low-voltage renewable sources like photovoltaic (PV) systems. However, it notes that while QBCs and other advanced topologies improve voltage gain, they often suffer from low efficiency due to issues like leakage inductance and increased component volume.
The authors propose a novel quadratic double extended converter that enhances voltage gain through dual boosting stages while minimizing component count. This converter is integrated with an intelligent MPPT strategy based on a Radial Basis Function Neural Network (RBFNN) optimized by a Sea Turtle Foraging Algorithm (STFA), aimed at maximizing energy extraction from PV modules. The proposed system is designed to power a Brushless DC (BLDC) motor, facilitating bidirectional power flow and grid interaction through a three-phase Voltage Source Inverter (VSI). The paper concludes that the integration of an efficient DC-DC converter with a robust MPPT strategy is essential for overcoming the challenges faced by existing systems, thereby enhancing the overall performance and reliability of solar-powered EVs.