ĐIỀU KHIỂN SẠC KHÔNG DÂY THÍCH ỨNG CHO XE ĐIỆN BẰNG HỌC TĂNG CƯỜNG PPO
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15522Tóm tắt
Truyền tải điện không dây đang nổi lên như một giải pháp đầy tiềm năng cho sạc xe điện nhờ tính thuận tiện, an toàn và khả năng tự động hóa cao. Tuy nhiên, hiệu suất truyền tải điện thường suy giảm đáng kể khi khoảng cách giữa cuộn phát và cuộn thu thay đổi. Bài báo đề xuất phương pháp điều khiển sạc không dây thích ứng cho xe điện dựa trên thuật toán học tăng cường Proximal Policy Optimization. Một mô hình hệ thống truyền tải điện không dây sử dụng cấu hình bù cộng hưởng nối tiếp - nối tiếp được xây dựng, trong khi bộ điều khiển Proximal Policy Optimization được thiết kế để điều chỉnh dòng điện sạc và tần số vận hành theo thời gian thực. Kết quả mô phỏng cho thấy thuật toán Proximal Policy Optimization hội tụ ổn định sau khoảng 1200 tập huấn luyện. Hiệu suất truyền tải điện đạt 92,1% tại khoảng cách 5 cm và vẫn duy trì 83,0% tại khoảng cách 15 cm, cao hơn so với phương pháp điều khiển truyền thống. Ngoài ra, hệ thống đạt thời gian xác lập 0,42 s và sai lệch xác lập nhỏ hơn 3%. Kết quả nghiên cứu khẳng định tính hiệu quả và tiềm năng ứng dụng của Proximal Policy Optimization trong các hệ thống sạc không dây thông minh cho xe điện.Lượt tải
Tài liệu tham khảo
S. A. Sagar, A. Kashyap, M. A. Nasab, S. Padmanaban, M. Bertoluzzo, and A. Kumar, “A Comprehensive Review of the Recent Development of Wireless Power Transfer Technologies for Electric Vehicle Charging Systems,” IEEE Access, vol. 11, pp. 83703–83751, 2023.
Z. Xue, W. Liu, C. Liu, and K. T. Chau, “Critical Review of Wireless Charging Technologies for Electric Vehicles,” World Electr. Veh. J, vol. 16, no. 2, 2025, Art. no. 65.
Z. Zhao, S. Tang, C. Chen, D. Zhao, and P. Deng, “Modeling and Control of the Wireless Power Transfer System Subject to Input Nonlinearity and Communication Delay,” IEEE Trans. Power Electron, vol. 38, no. 11, pp. 14776–14787, 2023.
S. Zhao, F. Chen, C. Tang, P. Deng, and C. Duan, “Modeling and Control of WPT Systems in the Presence of Load and Mutual Inductance Variations,” IEEE Trans. Power Electron, vol. 39, no. 11, pp. 15315–15328, 2024.
A. S. A. Benfadhel, A. J. M. Cardoso, and M. Trabelsi, “Intelligent Optimization and Real-Time Control of Wireless Power Transfer for Electric Vehicles,” IEEE Access, vol. 13, pp. 45872–45886, 2025.
F. Chen, H. Hu, L. Zhao, A. Padilla, and J. Hou, “A Linear Parameter-Varying Hammerstein Model for Dynamic Modeling of WPT Systems,” IEEE Trans. Power Electron, vol. 38, no. 12, pp. 16230–16244, 2023.
X. Xu, Y. Jia, Y. Xu, Z. Xu, and C. S. Lai, “Multi-Agent Reinforcement Learning-Based Data-Driven Energy Management for Electric Vehicle Charging Systems,” IEEE Trans. Smart Grid, vol. 15, no. 2, pp. 1324–1338, 2024.
P. Jamjuntr and P. Suanpang, “Adaptive Multi-Agent Reinforcement Learning for Electric Vehicle Charging Networks,” World Electr. Veh. J, vol. 15, no. 10, pp. 453–468, 2024.
K. Park and I. Moon, “Multi-Agent Deep Reinforcement Learning Approach for EV Charging Scheduling in a Smart Grid,” Appl. Energy, vol. 328, 2022, Art. no. 120111.
S. Zhang, R. Jia, H. Pan, and Y. Cao, “A Safe Reinforcement Learning-Based Charging Strategy for Electric Vehicles in Residential Microgrid,” Appl. Energy, vol. 348, 2023, Art. no. 121490.
Z. Zhang, W. Liu, and H. Sun, “Model-free Safe Deep Reinforcement Learning for Grid-to-Vehicle Charging Management,” Eng. Appl. Artif. Intell, vol. 145, 2025, Art. no. 112529.
L. Hao and Y. Xu, “Reinforcement Learning of Threshold Policy for Dynamic Wireless Charging with Distributed Energy Resources,” in Proc. IEEE PES General Meeting (PESGM), Seattle, WA, USA, 2024, pp. 1–5.
