本研究提出了一种新型光伏辅助电动汽车（EV）系统，整合了可再生能源转换、智能能源管理和预测电池健康监测，以提升整体性能和可持续性。该系统结合了太阳能发电、电池储能和主动控制智能开关（ACSS）双向转换器，配合深度神经网络（DNN），确保电池单元与无刷直流（BLDC）电机之间的高效能量传输，提供了独特贡献。三相电压源逆变器（VSI）支持平稳电机运行，而比例积分（PI）控制器则在动态条件下优化电压、电流和速度调节。基于DNN的电池监测系统（BMS）能够准确估计充电状态（SOC）和健康状态（SOH），从而实现预测性维护并延长电池寿命。系统功能通过MATLAB模拟和硬件实验在不同温度、辐照度和光伏停机条件下得到确认。结果显示电力交换稳定，能源利用率提升，峰值效率达96.5%，证实了拟议变流器和智能BMS集成在下一代高性能电动车应用中的有效性。

简介

由于环境问题加剧、温室气体排放和化石燃料枯竭，减少对可消耗碳氢化合物燃料的依赖并拥抱绿色能源解决方案已成为全球的必要。在应对这些问题的解决方案中，电动汽车在转型交通行业中发挥着关键作用[1,2]。电动汽车有望实现出行脱碳、减少空气污染并促进能源独立。然而，要实现其全部潜力，电动汽车必须不断发展，不仅实现零排放，还要实现节能和经济可行[3]。这需要引入绿色能源、先进的电力电子设备和智能电池管理系统。基于光伏的电动汽车作为提升电动汽车可持续性和效率的可行途径，已获得广泛关注[4,5]。光伏能源清洁、丰富且成本效益日益高，是与电动汽车系统集成的理想候选[6]。通过收集太阳能，配备光伏的电动汽车减少了对公用电网和化石燃料充电基础设施的依赖，从而降低环境影响和运营成本。在当前太阳能装置以前所未有的速度增长的能源格局中，将光伏纳入电动汽车支持去中心化的绿色能源生产，并符合全球净零排放目标[7]。尽管基于光伏的电动汽车具有潜力，直接集成仍存在技术挑战。光伏电池板通常以低电压运行（低于50伏），而电动牵引系统和直流母线则需要更高的电压（380伏或更高）。弥合这一差距需要实现高阶升压转换器[8,9]，能够高效提升电压并最小化功率损失。传统升压变换器在此情境下不适用，因其增益有限且在高占空周期时损耗过大。为了应对电压放大和能效的双重挑战，研究人员创新了多种变流器结构[10]。
采用多种技术，如开关电感（SI）、电压倍增器（VM）、开关电容（SC）和耦合电感（CI）等，用于提升传统变换器的电压增益[11,12]。虽然基于SC和VM的设计提供了额外的静态增益，但它们需要更多的单元数量以实现高输出电压，从而增加电路复杂度和元件数量。基于SC和VM的转换器虽然能够实现更高的静态增益，但需要大量电容、二极管和开关，导致电路复杂度增加、成本增加和功率密度降低。大量增放电元件还引入电压不平衡和瞬态应力，影响可靠性。基于国际单位制的拓扑结构存在高电流纹波和导电损耗增加，在高负载条件下降低效率。而基于CI的转换器虽然能量传输效率高，但容易出现漏电感和磁饱和问题，需要精心设计耦合系数和额外的缓冲电路以抑制电压尖峰[13]。国际单位制转换器能高效提高电压水平，但由于包含多个磁芯，其功率密度受限。基于CI的转换器，尤其是采用阻抗源结构的转换器，在增益、效率和紧凑性方面提供了有利的权衡。这些设计允许在中等占空比下实现高电压转换，同时降低开关电压应力，进一步提升转换效率[14,15]。然而，基于CI的转换器面临着高匝率引起的大漏电感挑战，这可能在开关事件中引入电压尖峰。采用包括主动和被动类型的夹紧机制，以利用和重复利用泄漏电感能量。尤其是有源钳位转换器，通过支持软切换技术，降低开关损耗和电磁干扰，提供了更好的性能。近年来，采用三绕组耦合电感的跨反向和Y源转换器的进步显示出更优异的增益性能和减少元件应力，尽管部分仍存在如占空比范围受限或输入电流纹波较大等缺点[[16]， [17]， [18]]。虽然有源钳位变换器实现软开关操作并最小化开关损耗，但它们需要额外的钳位电路和控制复杂度[19]。跨反向转换器虽然通过磁耦合实现了更高的电压增益，但常常会出现较大的纹波，导致效率和可靠性降低。同样，Y源变换器也存在磁性设计挑战和漏电感引起的电压尖峰，这需要复杂的缓冲或钳位电路[20,21]。在此背景下，拟议系统采用光伏供电的电动汽车架构，包括一个有源夹紧软开关变换器[22]。该转换器支持准谐振工作和两个开关的ZVS条件，确保最小的开关和导通损耗。
除了电力转换，有效的电池管理对于确保电动汽车安全和耐用性至关重要。电池管理系统（BMS）负责监控内部状态，管理充放电循环，估计关键健康指标，并防止过电压、过电流和热失控等故障[23,24]。准确的电池参数估计对于系统的最佳运行至关重要。传统的基于模型的估计技术通常依赖于等效电路模型或电化学表示。虽然理论上合理，但这些方法在现实世界中存在差异、非线性电池行为以及受环境条件、负载曲线和充电方式影响的劣化模式的挑战 [[25]， [26]， [27]， [28]]。此外，基于模型的方法要求精确的参数调优，且对噪声和传感器差异敏感，使其在动态环境中效果较差。在锂离子电池中实现人工神经网络（ANN）在温度预测中具有若干重要优点，但也存在一定局限性。人工神经网络模型的主要优势之一是能够准确捕捉电池参数间复杂的非线性关系，实现实时精确温度估计，无需详细热建模。然而，该技术也存在缺点：它需要大量且高质量的训练数据才能可靠表现，并且与基于物理的热模型相比，物理可解释性受限[29]。CNN实现电池SOH估计具有若干优势，但也有一定局限性。从优点角度看，CNN擅长自动从时间序列或电压-容量曲线数据中提取局部和层次特征。这使得即使在温度和负载波动等多变的操作条件下，也能实现高度准确且稳健的SOH预测。然而，它需要大量带标签的训练数据才能获得良好的准确性，且当数据分布发生变化时，其性能会下降。它们在训练过程中也需要大量计算资源，并且可能需要为嵌入式系统部署进行模型优化[30]。为了克服这些限制，人工智能（AI）特别是深度神经网络（DNN）的整合[31]已成为一种强大的替代方案。DNN擅长从大数据集中学习复杂且非线性的关系，即使在噪声或不完整输入下也能很好地泛化。在电池健康预测中，DNN从时间序列传感器数据中提取时间和空间模式，实现高精度的SOC和SOH实时估计。最新研究[32]强调了人工智能在提升电动汽车性能和可靠性方面日益重要的作用。特别是，他们证明了AI优化的非线性控制能够增强多源直流转换器的动态响应和稳定性，而基于AI的稳健控制策略[33]则支持插电式混合动力电动车的高效运行。同样，为感应电机驱动设计了先进的非线性控制器[34]。这些研究共同展示了电动汽车电力和能源管理中人工智能优化趋势的增长，为本研究提供了广泛的研究背景。
该系统采用基于DNN的BMS框架，始于系统性地从机载传感器采集电压、电流和温度数据。会采用去噪、归一化和时间分割等预处理步骤来准备数据进行训练。特征工程技术如主成分分析（PCA）被用于降低维度并强调信息型模式。DNN模型利用历史和实时数据训练，能够进行多输出回归，同时预测SOC和SOH。域知情变换应用于将输出映射到可解释的电池健康指标。此外，采用了退出、批次归一化和早期停止机制以确保模型的鲁棒性和泛化性。图1提供了拟议的基于光伏的电动车系统架构。
本研究的主要贡献包括，

• •
  开发了一种采用双绕组耦合电感（TWCI）的主动控制智能切换（ACSS）变换器，能够高效提升可变PV输出电压，以满足电动车牵引电池的需求，且损耗最小。
• •
  实现基于DNN的BMS，实现SOC和SOH的准确实时预测，提升可靠性和安全性。
• •
  采用双向转换器，在调节负载需求和持续变化的照明水平下实现平稳且自适应的能量传输。