Estratégia de Controlo Otimizada Melhora Eficiência de Conversores DC-DC de Três Portas em Veículos Elétricos e Sistemas Renováveis
O impulso global para a eletrificação tem acelerado a integração de veículos elétricos (VE), fontes de energia renovável e sistemas de armazenamento de energia em redes inteligentes, tornando-se um foco central da investigação em eletrónica de potência. Entre os componentes mais críticos que permitem esta integração estão os conversores DC-DC avançados, que servem como a espinha dorsal para a transferência eficiente de energia entre diversas fontes e cargas. Um avanço recente nesta área vem de uma equipa de investigadores da Universidade de Tecnologia de Hunan e do Centro Nacional de Investigação em Engenharia de Conversão e Controlo de Energia Elétrica da Universidade de Hunan. O seu trabalho, publicado nas Transações da Sociedade Eletrotécnica da China, introduz uma nova estratégia de controlo que melhora significativamente a eficiência dos conversores DC-DC de tripla ponte ativa (TAB) — dispositivos cada vez mais vitais nos sistemas de propulsão de próxima geração de VE e em micro-redes renováveis.
A investigação, liderada por Zheng Lan, Xueli Wang, Xueping Yu, Bin Zou e Bei Liu, aborda um desafio de longa data na conversão de energia de alta eficiência: minimizar o stresse de corrente e as perdas de condução em sistemas multiporta. Os conversores TAB são particularmente promissores devido à sua capacidade de integrar múltiplas fontes de energia — como baterias, supercondensadores e painéis fotovoltaicos — numa única interface de energia compacta. Isto elimina a necessidade de múltiplos conversores independentes, reduzindo assim a complexidade do sistema, a sua pegada e custo. No entanto, alcançar alta eficiência em diversas condições operacionais tem-se mostrado difícil, principalmente devido às correntes elevadas de valor quadrático médio (RMS) nos componentes magnéticos, que impactam diretamente as perdas de condução e a gestão térmica.
Os métodos de controlo tradicionais, como o desfasamento de fase simples (SPS), oferecem simplicidade, mas sofrem de flexibilidade limitada de controlo e alta circulação de potência reativa. Isto resulta num aumento da corrente RMS, redução da eficiência e maior stresse térmico nos dispositivos semicondutores. Para superar estas limitações, esquemas de controlo mais sofisticados, como a modulação por desfasamento de fase mais largura de pulso (PS-PWM), têm sido explorados. Embora o PS-PWM forneça maiores graus de liberdade para otimizar o fluxo de energia e minimizar perdas, introduz uma complexidade matemática significativa, tornando desafiadora a implementação em tempo real e a modelação analítica.
A inovação da equipa reside numa abordagem híbrida que combina a teoria de decomposição de circuitos com algoritmos de otimização inteligente. Ao decompor o complexo sistema TAB controlado por PS-PWM em subcircuitos mais simples e analiticamente tratáveis, os investigadores conseguiram derivar expressões unificadas para a potência da porta e os valores RMS da corrente do indutor em vários modos operacionais. Esta decomposição não só simplifica o processo de modelação, como também permite uma compreensão mais intuitiva da dinâmica interna de energia no conversor.
No cerne da sua metodologia está o reconhecimento de que a perda total de condução num sistema TAB é proporcional à soma dos quadrados dos valores RMS da corrente do indutor em todas as portas. Isto inclui perdas nos dispositivos de comutação (MOSFETs ou IGBTs) e nos enrolamentos de cobre dos transformadores de alta frequência. Ao formular um problema de otimização que minimiza esta soma, os investigadores estabeleceram uma ligação direta entre os parâmetros de controlo e a eficiência do sistema.
No entanto, resolver este problema de otimização analiticamente é impraticável devido à não linearidade e natureza multivariável das restrições. Em vez de depender de métodos numéricos tradicionais, a equipa empregou um algoritmo genético (GA) — uma técnica de otimização inspirada na biologia que imita a seleção natural e a evolução. Esta abordagem permite uma pesquisa global do espaço de soluções, evitando mínimos locais que muitas vezes aprisionam os solucionadores baseados em gradientes.
O algoritmo genético foi configurado com um tamanho de população de 100, um máximo de 50 gerações, uma probabilidade de cruzamento de 0,6 e uma taxa de mutação de 0,01. Estes parâmetros foram cuidadosamente selecionados para equilibrar a eficiência computacional e a precisão da solução. O algoritmo evoluiu iterativamente uma população de soluções candidatas (representadas como combinações de ângulos de desfasamento e rácios de duty), avaliando cada uma com base numa função de aptidão ligada à soma da corrente RMS. Ao longo de gerações sucessivas, a população convergiu para parâmetros de controlo ótimos que minimizaram as perdas numa vasta gama de cenários de entrega de energia.
Uma das contribuições mais significativas deste trabalho é o desenvolvimento de uma estratégia de tabela de consulta pré-computada. Em vez de realizar a otimização em tempo real — uma tarefa computacionalmente intensiva inadequada para controladores embebidos — os investigadores usaram o algoritmo genético para gerar parâmetros de controlo ótimos offline. Estes parâmetros foram então armazenados numa tabela de consulta indexada por condições operacionais, como níveis de potência da porta e rácios de correspondência de tensão. Durante a operação real do sistema, o controlador simplesmente recupera as definições pré-otimizadas com base em medições em tempo real, permitindo um controlo rápido, eficiente e com perdas minimizadas sem o fardo da computação online.
Esta abordagem alinha-se bem com os requisitos de implementação prática em aplicações automóveis e industriais, onde tempos de resposta determinísticos e fiabilidade são primordiais. Por exemplo, num veículo elétrico, o conversor TAB pode interligar uma bateria de alta tensão, um sistema auxiliar de baixa tensão e um circuito de travagem regenerativa. A capacidade de ajustar dinamicamente os parâmetros de controlo com base nas condições de condução — como aceleração, cruzeiro ou carregamento — garante que o sistema opera com eficiência máxima em todos os modos.
Para validar a sua estratégia, a equipa realizou simulações extensivas usando MATLAB/Simulink, seguidas de testes experimentais numa plataforma de simulação em tempo real RT-Lab. A configuração experimental incluiu um protótipo TAB em escala real com uma porta de entrada de 120 V, uma porta de saída de 240 V e uma terceira porta configurável para armazenamento de energia. Os indutores de potência e o transformador foram cuidadosamente projetados para corresponder aos parâmetros de simulação, garantindo consistência entre os testes virtuais e físicos.
Os resultados da simulação demonstraram uma redução consistente na soma das correntes RMS quadradas sob a Estratégia Ótima de Algoritmo Genético (GAOS) proposta, em comparação com o controlo SPS convencional. Por exemplo, num rácio de correspondência de tensão (k21) de 1,2, com a porta 2 a fornecer 0,4 por unidade (pu) de potência e a porta 3 a fornecer 0,2 pu, a GAOS alcançou uma soma de corrente RMS de 0,777, comparado com 0,803 sob SPS — uma melhoria de 3,2%. Ganhos semelhantes foram observados em diferentes rácios de tensão e condições de carga, confirmando a robustez da abordagem.
A validação experimental corroborou ainda mais as conclusões da simulação. Num caso de teste com k21 = 1,4, porta 2 a fornecer 840 W e porta 3 a fornecer 288 W, a GAOS reduziu a soma das correntes RMS quadradas de 0,6 (SPS) para 0,428 — uma redução notável de 28,7%. Isto traduziu-se diretamente em menores perdas de condução e melhoria da eficiência geral do sistema. A imagem térmica do conversor durante a operação mostrou um aumento de temperatura visivelmente menor nos MOSFETs e no transformador sob GAOS, indicando redução do stresse térmico e maior lifespan dos componentes.
Os investigadores também avaliaram o desempenho dinâmico do sistema sob transitórios de carga. Quando a carga na porta 2 foi alterada abruptamente, a tensão de saída na porta 3 manteve-se estável a 240 V, e a corrente ajustou-se suavemente para manter a potência constante. Da mesma forma, quando a porta 3 experimentou um degrau de carga, a porta 2 manteve a sua tensão e corrente de saída dentro de tolerâncias apertadas. Isto demonstra a capacidade do sistema para desacoplar fluxos de energia entre portas, uma característica crítica para manter a estabilidade em ambientes multi-fonte e multi-carga.
Outra vantagem key do método proposto é a sua adaptabilidade a níveis de tensão variáveis. Em aplicações do mundo real, a tensão dos sistemas de armazenamento de energia — como baterias de ião-lítio — pode variar significativamente com o seu estado de carga. A estratégia GAOS, ao incorporar rácios de correspondência de tensão no framework de otimização, ajusta automaticamente os parâmetros de controlo para manter a eficiência em toda a gama operacional. Isto é particularmente benéfico em sistemas de armazenamento de energia híbridos onde baterias e supercondensadores operam a diferentes níveis de tensão.
Sob uma perspetiva de design do sistema, a redução na corrente RMS também permite a utilização de componentes magnéticos menores e semicondutores de menor rating, reduzindo ainda mais o custo e o volume. Em veículos elétricos, onde o espaço e o peso são premium, tais melhorias podem contribuir diretamente para um aumento da autonomia e redução dos custos de fabrico.
As implicações desta investigação estendem-se para além das aplicações automóveis. Em micro-redes de energia renovável, onde painéis solares, turbinas eólicas e bancos de baterias devem ser integrados eficientemente, o conversor TAB com controlo GAOS pode servir como um hub central de gestão de energia. A sua capacidade de minimizar perdas enquanto mantém alta qualidade de energia torna-o ideal para sistemas de energia distribuída, especialmente em configurações off-grid ou ilhas onde cada watt de eficiência conta.
Além disso, a metodologia não se limita a sistemas de três portas. A decomposição de circuitos e o framework de algoritmo genético podem ser estendidos a conversores de ponte multi-ativa de quatro portas ou de ordem superior, abrindo novas avenidas para arquiteturas de conversão de energia ultra-eficientes e multi-funcionais.
O trabalho também destaca a importância crescente do controlo inteligente em eletrónica de potência. À medida que os sistemas se tornam mais complexos e as exigências de desempenho aumentam, as estratégias de controlo tradicionais estão a atingir os seus limites. A aprendizagem automática, os algoritmos evolutivos e outras técnicas driven por IA estão a emergir como ferramentas essenciais para desbloquear todo o potencial dos sistemas eletrónicos de potência.
Em conclusão, a investigação de Zheng Lan e colegas representa um passo significativo em frente no design e controlo de conversores DC-DC multiporta. Ao combinar a teoria de circuitos com técnicas avançadas de otimização, desenvolveram uma solução prática e de alto desempenho que melhora a eficiência, reduz perdas e aumenta a fiabilidade do sistema. A sua abordagem não só avança o estado da arte em eletrónica de potência, como também fornece um blueprint para futuras inovações em sistemas de energia inteligentes.
À medida que o mundo transita para um futuro mais eletrificado e sustentável, tecnologias como o conversor TAB otimizado desempenharão um papel crucial em permitir uma infraestrutura energética mais limpa, eficiente e resiliente. Quer seja na próxima geração de veículos elétricos ou em micro-redes renováveis à escala comunitária, o impacto desta investigação provavelmente far-se-á sentir por muitos anos.
Zheng Lan, Xueli Wang, Xueping Yu, Bin Zou, Bei Liu, Universidade de Tecnologia de Hunan e Universidade de Hunan, Transações da Sociedade Eletrotécnica da China, DOI: 10.19595/j.cnki.1000-6753.tces.231541