DOI: https://doi.org/10.1038/s41598-025-34894-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41501379
تاريخ النشر: 2026-01-07
المؤلف: Vineet Kumar Tiwari وآخرون
الموضوع الرئيسي: المركبات الكهربائية والبنية التحتية
نظرة عامة
تقدم البحث إطارًا مبتكرًا لبنية تحتية لشحن المركبات الكهربائية (EV) يدمج الألواح الشمسية الكهروضوئية ثنائية الوجه مع أنظمة تخزين الطاقة بالبطاريات (BESS). يتميز النظام بوحدة تحكم تعتمد على الذكاء الاصطناعي القابل للتفسير (XAI) مع تحكم فازي تكيفي لتعقب النقطة القصوى للطاقة (MPPT) ونظام إدارة الطاقة (EMS) القائم على القواعد الهرمية، المصمم لمحطة شحن EV تعمل بالطاقة الشمسية بقدرة 10 كيلو وات في جامعة مادان موهان مالافيا للتكنولوجيا في غوراخر، الهند. تشمل المكونات الرئيسية حزمة بطارية فوسفات الحديد الليثيوم (LiFePO4) بجهد 400 فولت و50 أمبير وسخان ثنائي الاتجاه بقدرة 10 كيلو فولت أمبير. يظهر جهاز التحكم XAI-Fuzzy كفاءة تتبع تبلغ 80.9% تحت ظروف التظليل الجزئي، متفوقًا بشكل كبير على خوارزمية الاضطراب والمراقبة التقليدية (P&O) بعامل 4.5.
على الرغم من هذه التقدمات، يعترف البحث بالقيود، والتي تعتمد أساسًا على بيانات المحاكاة، مما يتطلب اختبار الأجهزة في الحلقة (HIL) واختبار الميدان للتحقق من الأداء في ظل ظروف العالم الحقيقي. قد تعيق المتطلبات الحسابية لنهج XAI أيضًا التطبيق في الوقت الفعلي على وحدات التحكم المدمجة ذات الطاقة المنخفضة. تشمل اتجاهات البحث المستقبلية اختبار HIL، ودمج التعلم الآلي للتحكم التنبؤي، وقدرات المركبة إلى الشبكة (V2G)، واستكشاف طرق XAI البديلة، والتقييمات الاقتصادية للتوسع. يضع هذا العمل أساسًا قويًا للجيل القادم من حلول شحن المركبات الكهربائية النظيفة والذكية والصديقة للشبكة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للمركبات الكهربائية (EVs) في تعزيز النقل المستدام، مشددة على ضرورة وجود أنظمة شحن متقدمة لدعم نموها. تسهم طرق الشحن التقليدية، التي تعتمد أساسًا على الشبكة، في ارتفاع استهلاك الطاقة وانبعاثات غازات الدفيئة. استجابةً لذلك، يظهر نموذج جديد يدمج مصادر الطاقة المتجددة، وخاصة أنظمة الطاقة الشمسية الكهروضوئية (PV) المدمجة مع أنظمة تخزين الطاقة بالبطاريات (BESS)، كحل منخفض الانبعاثات قابل للتطبيق. تظهر وحدات PV ثنائية الوجه، التي تستفيد من الطاقة الشمسية من كلا السطحين الأمامي والخلفي، وعدًا كبيرًا في تعزيز إنتاج الطاقة، خاصة تحت ظروف بيئية متغيرة.
على الرغم من دعم الحكومة الهندية من خلال مبادرات مثل برنامج FAME-II، لا تزال بنية شحن المركبات الكهربائية غير متطورة، وتعتمد بشكل أساسي على الألواح الشمسية التقليدية أحادية الوجه ووحدات التحكم القياسية لتعقب النقطة القصوى للطاقة (MPPT). تكافح هذه الأنظمة التقليدية مع ظروف التظليل الجزئي، وغالبًا ما تفشل في تحقيق النقطة القصوى للطاقة العالمية (GMPP) بسبب ميلها للاستقرار على القيم القصوى المحلية. تهدف إدخال الذكاء الاصطناعي (AI) وتقنيات التعلم الآلي، مثل وحدات التحكم المنطقية الفازية (FLCs) والشبكات العصبية الاصطناعية (ANNs)، إلى تحسين كفاءة MPPT. بينما تقدم FLCs مزايا في التعامل مع الأنظمة غير الخطية والتكيف مع الظروف المتغيرة، تتطلب ANNs بيانات تدريب واسعة وقد تفتقر إلى القوة في السيناريوهات غير المألوفة. يناقش البحث أيضًا إمكانية الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز قابلية تفسير هذه النماذج المتقدمة، مما يعالج المخاوف المتعلقة بالسلامة في تطبيقات أنظمة الطاقة.
طرق
يصف قسم المنهجية تنفيذ نظام تعقب النقطة القصوى للطاقة (MPPT) الفازي التكيفي ونظام إدارة الطاقة (EMS) القائم على القواعد الهرمية باستخدام الذكاء الاصطناعي القابل للتفسير (XAI) لتقييم الاستقرار، وتدفق الطاقة، وخصائص الاستجابة. تم إجراء المقارنة ضد الطرق التقليدية باستخدام MATLAB/Simulink R2023a. يتميز هيكل النظام بمصفوفة شمسية كهروضوئية (PV) ثنائية الوجه بقدرة 10 كيلو وات متصلة بمحول رفع DC-DC، والذي يعمل بتردد تبديل يبلغ 20 كيلو هرتز ويستخدم ملفًا حثيًا بقدرة 5 مللي هنري، يتم إدارته بواسطة خوارزمية MPPT الفازي XAI.
يتضمن التصميم حافلة DC بجهد 400-650 فولت، مما يضمن جهدًا كافيًا لإنتاج خرج AC بجهد 415 فولت من خط إلى خط عبر تعديل عرض النبض الجيبي (SPWM) مع مؤشر تعديل يبلغ 0.9. يتم دمج نظام تخزين الطاقة بالبطارية (BESS) فوسفات الحديد الليثيوم (LiFePO4) بجهد 400 فولت و50 أمبير (20 كيلو وات ساعة) مع حافلة DC من خلال محول DC-DC ثنائي الاتجاه. تم تصميم المحول للحد من تموج التيار إلى أقل من 10% لعملية MPPT فعالة، مع الحفاظ على تموج جهد حافلة DC أقل من 1% من خلال مكثف خرج. يستخدم النظام ترانزستور ثنائي القطب معزول البوابة (IGBT) بجهد 1200 فولت ودايود شوتكي من كربيد السيليكون (SiC) لتقليل خسائر التبديل. تغذي حافلة DC محول DC-AC ثنائي الاتجاه بقدرة 10 كيلو فولت أمبير مع فلتر LCL، يتصل بكل من شاحن المركبات الكهربائية بقدرة 7 كيلو وات والشبكة الكهربائية بجهد 415 فولت، 3 مراحل، 50 هرتز. يقوم وحدة التحكم EMS بمعالجة المدخلات من مكونات مختلفة، وتوليد إشارات التحكم للمحولين والمحولات، كما هو موضح في الجدول 2.
مناقشة
تؤكد قسم المناقشة في الورقة على تطوير إطار عمل للذكاء الاصطناعي القابل للتفسير (XAI) لوحدة تحكم تعقب النقطة القصوى للطاقة (MPPT) المعتمدة على المنطق الفازي، بهدف تعزيز كفاءة وشفافية أنظمة إدارة الطاقة (EMS) في تطبيقات الطاقة الشمسية الكهروضوئية (PV). تحقق وحدة التحكم XAI-Fuzzy MPPT كفاءة تتبع مثيرة للإعجاب تبلغ 80.9% تحت ظروف التظليل الجزئي، متفوقة على الخوارزميات التقليدية مثل الاضطراب والمراقبة (P&O) بنسبة 4.5% وتظهر وقت تقارب سريع يبلغ 0.18 ثانية. يعد هذا التقدم حاسمًا لدمج مصادر الطاقة المتجددة في البنى التحتية الحرجة للسلامة، حيث يعالج الحاجة إلى قابلية التفسير في الأنظمة المدفوعة بالذكاء الاصطناعي.
تحدد الورقة فجوات بحثية كبيرة في خوارزميات MPPT الحالية، لا سيما تركيزها على مقاييس الأداء على حساب قابلية التفسير وعدم كفايتها في معالجة تعقيدات أنظمة PV ثنائية الوجه. تعطي EMS القائم على القواعد الهرمية الأولوية لشحن المركبات الكهربائية (EV) ودعم الشبكة مع ضمان جودة الطاقة والاستقرار. تشير النتائج إلى أن المعلمات الرئيسية مثل عامل ثنائية الوجه، وسعة البطارية، والألبيدو تؤثر بشكل كبير على كفاءة النظام، مما يتطلب معايرة تكيفية لتحقيق الأداء الأمثل. تشمل اتجاهات البحث المستقبلية اختبار الأجهزة في الحلقة، وتعزيزات التحكم التنبؤي، واستكشاف منهجيات XAI إضافية لتحسين كفاءة النظام وقابلية تفسيره بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-025-34894-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41501379
Publication Date: 2026-01-07
Author(s): Vineet Kumar Tiwari et al.
Primary Topic: Electric Vehicles and Infrastructure
Overview
The research presents an innovative framework for electric vehicle (EV) charging infrastructure that integrates bifacial photovoltaic (PV) panels with battery energy storage systems (BESS). The system features an Explainable Artificial Intelligence (XAI)-enabled adaptive fuzzy Maximum Power Point Tracking (MPPT) controller and a hierarchical rule-based Energy Management System (EMS) tailored for a 10-kW solar-driven EV charging station at Madan Mohan Malaviya University of Technology in Gorakhpur, India. Key components include a 400 V, 50 Ah Lithium Iron Phosphate (LiFePO4) battery pack and a 10 kVA two-way inverter. The XAI-Fuzzy controller demonstrates a tracking efficiency of 80.9% under partial shading, significantly outperforming the traditional Perturb and Observe (P&O) algorithm by a factor of 4.5.
Despite these advancements, the study acknowledges limitations, primarily its reliance on simulation data, necessitating hardware-in-the-loop (HIL) and field testing to validate performance under real-world conditions. The computational demands of the XAI approach may also hinder real-time application on low-power embedded controllers. Future research directions include HIL testing, the incorporation of machine learning for predictive control, Vehicle-to-Grid (V2G) capabilities, exploration of alternative XAI methods, and economic assessments for scalability. This work lays a strong foundation for the next generation of clean, smart, and grid-friendly EV charging solutions.
Introduction
The introduction highlights the critical role of electric vehicles (EVs) in promoting sustainable transportation, emphasizing the necessity for advanced charging systems to support their growth. Traditional charging methods, which primarily depend on the grid, contribute to high energy consumption and greenhouse gas emissions. In response, a new paradigm integrating renewable energy sources, particularly solar photovoltaic (PV) systems coupled with battery energy storage systems (BESS), is emerging as a viable low-emission solution. Bifacial PV modules, which harness solar energy from both their front and rear surfaces, show significant promise in enhancing energy production, especially under varying environmental conditions.
Despite the Indian government’s support through initiatives like the FAME-II program, the EV charging infrastructure remains underdeveloped, relying predominantly on conventional monofacial solar panels and standard Maximum Power Point Tracking (MPPT) controllers. These traditional systems struggle with partial shading conditions, often failing to achieve the global maximum power point (GMPP) due to their tendency to settle on local maxima. The introduction of artificial intelligence (AI) and machine learning techniques, such as Fuzzy Logic Controllers (FLCs) and Artificial Neural Networks (ANNs), aims to improve MPPT efficiency. While FLCs offer advantages in handling nonlinear systems and adapting to changing conditions, ANNs require extensive training data and may lack robustness in unfamiliar scenarios. The paper also discusses the potential of explainable artificial intelligence (XAI) to enhance the interpretability of these advanced models, thereby addressing safety concerns in power system applications.
Methods
The methodology section describes the implementation of an adaptive fuzzy Maximum Power Point Tracking (MPPT) system and a hierarchical rule-based Energy Management System (EMS) utilizing Explainable Artificial Intelligence (XAI) to evaluate stability, power flow, and response characteristics. The comparison was conducted against conventional methods using MATLAB/Simulink R2023a. The system architecture features a 10-kW bifacial photovoltaic (PV) array connected to a DC-DC boost converter, which operates at a switching frequency of 20 kHz and employs a 5 mH inductor, managed by the XAI-fuzzy MPPT algorithm.
The design includes a 400-650 V DC bus, ensuring adequate voltage for producing a 415 V line-to-line AC output via Sinusoidal Pulse Width Modulation (SPWM) with a modulation index of 0.9. A 400 V, 50 Ah (20 kWh) Lithium Iron Phosphate (LiFePO4) Battery Energy Storage System (BESS) is integrated with the DC bus through a bidirectional DC-DC converter. The converter is engineered to limit current ripple to less than 10% for effective MPPT operation, while maintaining DC bus voltage ripple below 1% through an output capacitor. The system employs a 1200 V Insulated Gate Bipolar Transistor (IGBT) and a Silicon Carbide (SiC) Schottky diode to minimize switching losses. The DC bus powers a 10 kVA bidirectional DC-AC inverter with an LCL filter, interfacing with both a 7 kW electric vehicle charger and the 415 V, 3-phase, 50 Hz utility grid. The EMS controller processes inputs from various components, generating control signals for the converters and inverters, as detailed in Table 2.
Discussion
The discussion section of the paper emphasizes the development of an explainable artificial intelligence (XAI) framework for a fuzzy logic-based maximum power point tracking (MPPT) controller, aimed at enhancing the efficiency and transparency of energy management systems (EMS) in solar photovoltaic (PV) applications. The proposed XAI-Fuzzy MPPT controller achieves an impressive tracking efficiency of 80.9% under partial shading conditions, outperforming traditional algorithms such as Perturb and Observe (P&O) by 4.5% and demonstrating a rapid convergence time of 0.18 seconds. This advancement is crucial for integrating renewable energy sources into safety-critical infrastructures, as it addresses the need for interpretability in AI-driven systems.
The paper identifies significant research gaps in existing MPPT algorithms, particularly their focus on performance metrics at the expense of interpretability and their inadequacy in addressing the complexities of bifacial PV systems. The proposed hierarchical rule-based EMS prioritizes electric vehicle (EV) charging and grid support while ensuring power quality and stability. The findings indicate that key parameters such as bifaciality factor, battery capacity, and albedo significantly influence system efficiency, necessitating adaptive calibration for optimal performance. Future research directions include hardware-in-the-loop testing, predictive control enhancements, and exploring additional XAI methodologies to further improve the system’s efficiency and interpretability.