Elektrikli araçlardaki yüksek şarj süreleri ve menzil sorunları, bu araçların yaygınlaşmasını engelleyen önemli faktörler arasındadır. Şehirlerde ve yollarda şarj istasyonlarının yaygınlaşması, özellikle uzun yolculuklarda yaşanan menzil sorunlarını azaltmada etkili olacaktır. Bununla birlikte, elektrikli araçların cazibesini artırmak amacıyla şarj sürelerinin kısaltılması ve enerji verimliliğinin yükseltilmesi gerekmektedir. Bu doğrultuda, hızlı şarj cihazlarının geliştirilmesi hem araçların daha kısa sürede şarj edilmesini sağlamakta hem de şarj istasyonlarının etkinliğini arttırmaktadır. Literatürde, bu hedeflere ulaşmak için verimliliği arttırmayı amaçlayan farklı dönüştürücü topolojilerine dayalı çeşitli hızlı şarj istasyonu tasarımları incelenmiştir. Elektrikli araçların verimli kullanımını sağlamak için kritik konulardan biri de şarj işlemlerinde harmonik bozulmaların ve reaktif güç artışının kontrol altına alınmasıdır. Şebekeden sinüsoidal olmayan akımlar çekilmesi, harmonik bozulmalara ve reaktif gücün artmasına neden olarak güç kalitesini düşürmekte, enerji kayıplarına ve cihazların verimsiz çalışmasına yol açmaktadır. Bu nedenle, lineer olmayan yüklerin yönetimi ve etkilerinin sınırlandırılması, PFC (Power Factor Correction - Güç Faktörü Düzeltme) açısından büyük önem taşımaktadır. Bu makalede, elektrikli araç şarj istasyonlarında kullanılan AA-DA dönüştürücü topolojileri incelenmiş; geleneksel AA-DA dönüştürücüler ile PFC içeren topolojiler avantajları ve dezavantajları üzerinden karşılaştırılmıştır. Çalışmanın temel amacı, Totem-Kutuplu PFC Yükseltici topolojisinde toplam harmonik bozunum (THD) değerini yapay sinir ağı (YSA) kullanarak tahmin etmektir. Geliştirilen YSA tabanlı model, PFC topolojilerinde verimliliği artırmanın bir adımı olarak, THD değerini doğru bir şekilde tahmin edebilmekte ve böylece güç kalitesinin iyileştirilmesine katkı sunmaktadır. Modelin performansı MATLAB/Simulink ortamında test edilmiş ve başarılı sonuçlar elde edilmiştir. Bu çalışma, yapay sinir ağı tabanlı modelleme yaklaşımıyla güç dönüştürücülerde verimliliği artırma amacına yönelik bir katkı sunmaktadır.
The high charging times and range issues in electric vehicles are among the significant factors hindering their widespread adoption. The proliferation of charging stations in cities and along roads will effectively mitigate range issues, especially on long journeys. However, to increase the appeal of electric vehicles, it is necessary to shorten charging times and enhance energy efficiency. In this direction, the development of fast chargers not only enables quicker vehicle charging but also improves the efficiency of charging stations. In the literature, various fast charging station designs based on converter topologies aiming to improve efficiency have been examined to achieve these goals. One of the critical aspects for the efficient use of electric vehicles is controlling harmonic distortions and reactive power increases during charging processes. Drawing non-sinusoidal currents from the grid causes harmonic distortions and an increase in reactive power, thereby reducing power quality, leading to energy losses, and causing devices to operate inefficiently. Therefore, managing non-linear loads and limiting their effects is crucial in terms of Power Factor Correction (PFC). This paper examines AC-DC converter topologies used in electric vehicle charging stations, comparing traditional AC-DC converters with topologies that include PFC based on their advantages and disadvantages. The main goal of the study is to predict the Total Harmonic Distortion (THD) value using an Artificial Neural Network (ANN) in a Totem-Pole PFC Boost topology. The developed ANN-based model can accurately predict the THD value, which is a step toward improving efficiency in PFC topologies, thereby contributing to the improvement of power quality. The model's performance was tested in the MATLAB/Simulink environment, yielding successful results. This study presents a contribution toward the goal of enhancing efficiency in power converters through an ANN-based modeling approach.
