← 論文一覧に戻る

水素および太陽光発電電気自動車ステーションにおけるバッテリ充電のためのLevenberg-Marquardt学習ベース人工ニューラルネットワークコントローラ

A Levenberg–Marquardt Learning‐Based Artificial Neural Network Controller for Battery Charging in Hydrogen and Solar‐Powered Electric Vehicle Stations (原題)

Mustafa Özden, Davut Ertekin

Fuel Cells📚 査読済 / ジャーナル2026-01-13#EV・輸送Origin: Global
DOI: 10.1002/fuce.70043
原典: https://doi.org/10.1002/fuce.70043

🤖 gxceed AI 要約

日本語

本論文は、水素燃料電池または太陽光発電を用いた電気自動車（EV）充電ステーション向けに、低入力電流・低電圧ストレスのDC-DCコンバータを提案する。スイッチドインダクタとスイッチドキャパシタ回路を組み合わせることで、電圧リプルと半導体素子のストレスを低減。さらに、3層人工ニューラルネットワークを用いた制御器を設計し、学習回帰値0.9827を達成した。200Wの実験結果により、提案手法の有効性を確認している。

English

This paper proposes a DC-DC converter topology for EV charging stations powered by hydrogen fuel cells or solar arrays, featuring low input current ripple and reduced voltage stress. The converter uses switched inductor and switched capacitor circuits to achieve high voltage gain (7x to 19x) and minimize device stress. A three-layer artificial neural network controller is trained with regression values above 0.982, demonstrating accurate control. Experimental results at 200W validate the design.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

本論文は直接的なGX開示や政策に関わるものではないが、水素・太陽光発電のEV充電ステーションにおける電力変換効率向上に貢献する。日本のグリーン成長戦略や水素社会実現に向けた技術的基盤として位置づけられる。

In the global GX context

While not directly about GX disclosure frameworks, this paper addresses technical barriers in integrating renewable hydrogen and solar power into EV charging infrastructure, which is critical for the global energy transition. Efficient power converters are enablers for scaling up clean transport.

👥 読者別の含意

🔬研究者:Power electronics and EV charging researchers can evaluate the proposed converter topology and ANN controller design for further optimization.

🏢実務担当者:EV charging station developers may consider the converter's low ripple and high voltage gain for efficient battery charging.

📄 抄録（日本語訳）

グリーンエネルギーと再生可能エネルギー源（RES）は、電力、エネルギー、輸送において最も重要なテーマの一つであり、次世代の持続可能性にとって極めて重要である。水素燃料電池または太陽光アレイが電気自動車（EV）に使用される場合、次のステップは、これらのRESのエネルギーをバッテリーパックに蓄電するために、高効率、高出力、かつ単純な構造に基づくパワーエレクトロニクス変換器を使用することである。DC–DCパワーコンバータの制御と最適化への人工知能の統合は、EV分野におけるエネルギー管理と効率の向上において有望な機会を提示する。本研究は、EVにおける燃料電池からバッテリーへの充電システムへの応用のための、低入力電流かつ低電圧ストレスのトポロジーを提示する。コンバータの入力側にスイッチドインダクタセルを形成することによる電流フィルタは、入力源に対する小さなリップルを保証し、FCスタックまたは太陽光パネルの寿命と長期使用を向上させる。コンバータの入力側と終端側でのスイッチドキャパシタ回路の適用は、半導体デバイスにかかる電圧ストレスを低減し、コンバータの最も重要な特徴の一つである平均故障時間を向上させる。提示されたトポロジーは、デューティ比0.5および0.8に対して、入力電圧をそれぞれ7倍および19倍に昇圧する一方、スイッチは同じデューティ比で入力電圧の3倍および9倍を経験し、これは顕著である。スイッチドキャパシタにおけるダイオードとキャパシタの構成は、総電圧ストレスを分割することにより、非常に低い電圧リップルをもたらす。このコンバータは単一のパワースイッチを含み、これによりコントローラの複雑さが最小限に抑えられ、実現可能性が向上する。コンバータ設計には、3層・3入力の人工ニューラルネットワーク構造が組み込まれている。回帰値は、トレーニングで0.982、テストで0.983、全体で0.9827であり、予測誤差が最小限であることを示し、ニューラルネットワークモデルの効果的なトレーニングを確認している。約200Wの電力レベルでの実験室試験結果が提示されており、提案されたアルゴリズムと提案されたコンバータの適用の正確性を確認している。350VDCの出力電圧下で負荷に0.5Aを得るために、入力源は平均電流8Aを供給し、スイッチはドレイン–ソース端子間で約160Vの電圧ストレスを経験する。結果は、インダクタL2がインダクタL1よりも低い電流ストレスを有することを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

Green energy and renewable energy sources (RESs) are between the most important topics in power, energy, and transportation and are crucial for sustainability for next generations. When a hydrogen fuel cell or solar array is used for the electric vehicle (EV), the next step is using an efficient, high power, and simple structure based power electronics converter to storage the energy of these RESs into the battery pack. The integration of artificial intelligence into the control and optimization of DC–DC power converters presents promising opportunities in improving energy management and efficiency in EV sector. This study presents a low‐input current and low voltage stress topology for application in fuel cell to battery charging systems in EVs. A current filter by forming a switched inductor cell at the input side of the converter guarantees a small ripple for input sources that enhances the longevity and long‐life of the FC stacks or solar panels. The application of the switched capacitor circuits at the input and end sides of the converter decreases the voltage stress across the semiconductor devices and enhances the mean time to failure rate of the converter that is between the most important features of a converter. The presented topology enhances the input voltage to 7 and 19 times for duty ratios equal to 0.5 and 0.8, respectively, while the switch experiences three and nine times the input voltage for the same duty ratios, which is considerable. The configuration of the diodes and capacitors in the switched capacitor, by dividing the total voltage stress, results in impressively low voltage ripples. This converter includes one power switch, which minimizes the complexity of the controller and enhances the feasibility. The converter design incorporates a three‐layer, three‐input artificial neural network structure. The regression values were 0.982 for training, 0.983 for testing, and 0.9827 overall, indicating minimal prediction error and confirming the effective training of the neural network model. The laboratory test results for power levels around 200 W have been presented and confirm the correctness of the proposed algorithm and the application of the proposed converter. To obtain 0.5 A for the load under a 350 VDC output voltage, the input source presents an average current equal to 8 A, and the switch experiences around 160 V voltage stress across the drain–source pins. Results show that Inductor L2 has lower current stress than Inductor L1.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。