Недавно Национальная комиссия по развитию и реформам и Национальная энергетическая администрация совместно опубликовали заключения по содействию-высококачественному развитию энергетики «искусственный интеллект+». В заключениях особо упоминался один момент: оценка состояния энергетического оборудования и разумная эксплуатация и обслуживание. Создавайте такие приложения, как интеллектуальное восприятие и предупреждение о состоянии оборудования, интеллектуальное позиционирование и диагностика неисправностей оборудования, интеллектуальное принятие решений-по обслуживанию состояния оборудования, интеллектуальное прогнозирование рисков стихийных бедствий для оборудования и интеллектуальное составление заявок на работы по техническому обслуживанию, чтобы повысить уровень экономичного управления оборудованием.
В солнечной фотоэлектрической отрасли постепенно развивается искусственный интеллект.
В последние годы солнечная энергетика бурно развивается. В 2024 году глобальная установленная мощность фотоэлектрических систем достигнет рекордного уровня в 597 гигаватт, увеличившись на 33% по сравнению с 449 гигаваттами в 2023 году. Этот рост приведет к тому, что глобальная установленная мощность солнечной энергии превысит 2,2 тераватт по сравнению с примерно 1,6 тераваттами к концу 2022 года. SolarPower Europe прогнозирует, что установленная мощность солнечной энергии увеличится еще на 10% до 655 гигаватт к 2025 году. В настоящее время на солнечную энергию приходится около 6,9% мирового производства электроэнергии по сравнению с примерно 5,6% в 2023 году. Несмотря на быстрый рост и огромный потенциал солнечной энергии, многие компании, организации и отрасли по-прежнему не желают полностью внедрять ее из-за непостоянной выработки и ограничений эффективности.
На производительность солнечных панелей влияют различные факторы, включая изменение погодных условий, различную интенсивность солнечного света и способность системы управлять передачей энергии. Если выработка электроэнергии не регулируется должным образом, это может привести к перерасходу энергии, низкой эффективности или ненадежному электроснабжению -, что пользователи и предприятия, которые полагаются на стабильную энергию, не могут себе позволить. В этом случае точная-настройка рабочего цикла (т. е. соотношения времени включения и времени выключения солнечной панели) имеет решающее значение для максимального использования энергии системы солнечных панелей.
С другой стороны, машинное обучение (ML) и передовой искусственный интеллект (Edge AI) фундаментально меняют эффективность различных отраслей, позволяя принимать более разумные решения,-на основе данных-. Например, в области возобновляемых источников энергии машинное обучение оптимизирует производительность солнечных панелей путем анализа условий окружающей среды, прогнозирования выработки энергии и внедрения профилактического обслуживания для минимизации времени простоя. Помимо солнечной энергии, машинное обучение также может повысить эффективность производства за счет профилактического обслуживания и автоматизации процессов, сократить потери энергии в интеллектуальных сетях за счет-прогнозирования нагрузки в реальном времени, а также повысить продуктивность сельского хозяйства за счет поддержки технологий точного земледелия. В этих разнообразных вариантах использования машинное обучение способствует постоянному совершенствованию, превращая сложные данные в практические идеи, что в конечном итоге экономит время, снижает затраты и повышает устойчивость. В ответ на эту тенденцию различные производители контроллеров интегрировали технологию искусственного интеллекта в MCU/MPU, чтобы удовлетворить новые требования индустрии фотоэлектрических инверторов.
Инфинеон
Команда HTEC использовала процессор PSoC Edge компании Infineon, чтобы изучить, как использовать глубокие нейронные сети (DNN) для прогнозирования оптимального рабочего цикла преобразователей постоянного тока-DC, уделяя особое внимание выявлению наиболее важных входных функций для повышения производительности и надежности.
Многие из этих методов основаны на данных измерений, таких как солнечное излучение и температура окружающей среды, поскольку эти параметры тесно связаны с выходной мощностью солнечных панелей. Однако интеграция датчиков освещенности также имеет некоторые недостатки, в том числе дополнительные затраты и риск неточных измерений из-за таких факторов, как накопление пыли или различия в расположении датчиков. Чтобы решить эту проблему, некоторые исследователи предложили косвенную оценку значений инфракрасного излучения, но это увеличивает сложность моделирования и может привести к появлению источников ошибок, которые могут распространяться через алгоритмы MPPT.
Кроме того, были предложены методы без датчиков или с низким уровнем датчиков, которые используют только данные измерения напряжения и тока, непосредственно предоставляемые солнечными панелями. Эти внутренние сигналы легко доступны, они по существу синхронизированы с условиями работы солнечной панели и позволяют избежать многих сложных проблем, связанных с измерением освещенности.
Программное обеспечение для реализации алгоритма отслеживания точки максимальной мощности (MPPT) на основе искусственного интеллекта развернуто на специализированной аппаратной платформе, разработанной HTEC. Платформа надежно подключает выход солнечной панели к преобразователю постоянного-постоянного тока и включает в себя все необходимые чувствительные компоненты для мониторинга напряжения, тока и температуры окружающей среды. Эти сигналы служат входными данными для DNN, которая рассчитывает соответствующий рабочий цикл в-реальном времени. Платформа также имеет функцию связи Bluetooth и поддерживает функцию человеко--машинного интерфейса (HMI), которая может предоставлять пользователям-обратную связь в режиме реального времени о производстве энергии и состоянии системы. Таким образом, система может управлять рабочим циклом преобразователей постоянного тока-DC, а также предоставляет информацию, которую можно использовать для профилактического обслуживания.
Модуль управления питанием. Распределите питание для модулей PSOC Edge и Bluetooth.
Модуль связи Bluetooth: обеспечивает беспроводную передачу данных для функций HMI.
Сенсорный модуль: измеряет в реальном времени-напряжение и ток, генерируемые солнечными панелями.
Модуль процессора: Модуль системного уровня PSOC Edge (SOM): выполняет все вычислительные задачи, включая логические выводы искусственного интеллекта и логику управления.
Микроконтроллер Arm Cortex-M серии PSOC Edge E84 — это высоко-производительный, малопотребляющий-и безопасный микроконтроллер, оснащенный ускорением ML. Он основан на высокопроизводительном-ядре Cortex-M55, поддерживает Helium DSP и работает в паре с процессором Arm Ethos-U55 и ядром Cortex-M33 с низким энергопотреблением. Он используется в сочетании с платформой аппаратного ускорения Infineon со сверх-низким энергопотреблением NNLite. PSOC Edge может непрерывно анализировать данные датчиков, отслеживая интенсивность солнечного света, температуру панели и выходную мощность. Это позволяет ему динамически регулировать направление солнечных панелей, отслеживать MPPT и оптимизировать работу инвертора без задержек, вызванных облачной обработкой. Кроме того, ИИ может обнаруживать закономерности потребления энергии и прогнозировать события спроса или затенения, тем самым дополнительно оптимизируя стратегии хранения и распределения энергии. Высококачественные наборы данных необходимы для разработки и проверки решений отслеживания максимальной мощности (MPPT) на основе искусственного интеллекта. В статье используется общедоступный набор данных о прибрежных фотоэлектрических электростанциях из Государственного университета имени Гумбольдта в США, выбираются данные высокочастотной выборки с интервалом в одну минуту в течение трех лет, моделируется выходное напряжение и ток фотоэлектрических панелей на основе таких параметров, как солнечное излучение и температура, и генерируется рабочий цикл, соответствующий точке максимальной мощности, в качестве обучающей метки. В то же время извлекаются вспомогательные функции, такие как изменения напряжения и тока, и после предварительной обработки, такой как нормализация и удаление ночных данных, обеспечивается надежная поддержка данных для обучения. При построении моделей ИИ используется архитектура многоуровневого перцептрона (MLP) для устранения недостатков традиционных методов наблюдения возмущений (P&O), таких как медленная сходимость и колебания мощности. Производительность модели оптимизируется с помощью двух-этапного подхода: пошагового--обучения и обучения в-реальном времени. Пошаговое обучение позволяет модели прогнозировать оптимальные электрические параметры на основе мгновенных значений измерений, в то время как обучение в реальном времени вводит механизм обратной связи, который принимает предыдущий прогноз в качестве последующих входных данных, итеративно корректирует его для моделирования реальных сценариев и в конечном итоге обеспечивает низкую задержку и высокую надежность схемы MPPT, адаптированной к развертыванию встроенной платформы, что повышает эффективность использования энергии фотоэлектрических систем в динамических средах.
Чтобы развернуть модель ИИ на платформе PSOC Edge, необходимо преобразовать модель из 32-формата с плавающей-точкой в 8-битный формат. Учитывая относительно компактную архитектуру нейронной сети, предназначенную для задач MPPT, квантование модели в основном используется в качестве метода оптимизации, а более продвинутые стратегии сжатия, такие как дистилляция модели, не применяются, поскольку это не повышает существенно эффективность и без того чрезвычайно малого размера модели. Квантование модели преобразует параметры модели из 32-битных или 64-битных представлений с плавающей запятой в форматы низкой точности, такие как 8-битные целые числа, что значительно снижает объем памяти и вычислительные требования модели, что делает ее более подходящей для развертывания периферийных устройств. В то же время, используя обучение с учетом квантования (QAT) для моделирования сред квантования на этапе обучения, можно смягчить негативное влияние снижения точности на точность модели и даже улучшить способность к обобщению.
После завершения оптимизации модели алгоритм искусственного интеллекта развертывается на платформе Infineon PSOC Edge с помощью среды разработки ModusToolbox. Платформа поддерживает развертывание модели 8-битного квантования, и пользователям нужно только экспортировать модель в формат TensorFlow Lite (TFLite), чтобы легко интегрировать ее в ускоритель искусственного интеллекта платформы. Модели Keras с плавающей запятой также можно напрямую использовать для оптимизации квантования в рамках платформы. Преобразованная модель искусственного интеллекта будет преобразована в формат, совместимый с C, при этом веса и параметры будут сохранены в виде значений uint8, что соответствует 8-битной архитектуре ускорителя искусственного интеллекта, обеспечивая более быстрый вывод и меньшее использование памяти. Оценка производительности показывает, что, хотя ошибка прогнозирования мощности модели квантования увеличилась с 0,0109% до 0,6145%, задержка вывода уменьшилась с 3 миллисекунд до 0,3 миллисекунды, а потребление энергии на вывод уменьшилось с 68,904 микроджоулей до 2,592 микроджоулей. Более того, производительность PSOC Edge более чем в 23 раза ниже, чем на базе решения Arm Cortex-M4, с сокращением задержки более чем в 23 раза и снижением энергопотребления более чем в 42 раза, что полностью демонстрирует преимущества развертывания эффективных решений искусственного интеллекта в реальном времени в периферийном MPPT-приложении этой платформы.
Помимо оптимизации MPPT, анализ-ИИ в режиме реального времени также дает дополнительные преимущества - профилактического обслуживания. Команда HTEC разработала специальный пользовательский интерфейс, который может постоянно прогнозировать производительность системы на основе моделей искусственного интеллекта. Эти прогнозы можно сопоставить с фактической выработкой электроэнергии, чтобы выявить существенные различия, которые могут быть вызваны ухудшением производительности компонентов, что позволяет заинтересованным сторонам заранее организовать техническое обслуживание. HTEC отмечает, что в будущей работе могут быть изучены дополнительные методы оптимизации, такие как интеграция большего количества данных датчиков или использование передовых методов сжатия моделей, чтобы еще больше повысить точность и производительность системы. Тем не менее, нынешний подход подчеркивает потенциал MPPT, управляемого искусственным интеллектом, во встраиваемых солнечных решениях, предоставляя рекомендации по более эффективному и устойчивому управлению энергопотреблением и более разумным методам обслуживания периферийных устройств.
СТМикроэлектроника
Компания STMicroelectronics выпустила решение для автоматического выключателя дугового замыкания (AFCI) с искусственным интеллектом на базе STM32.
В области электробезопасности пожары, вызванные дуговыми замыканиями, составляют до четверти, а постоянное появление новых сценариев применения, таких как солнечные панели, аккумуляторы, электроинструменты и электрические велосипеды, выдвинуло более высокие инновационные требования к технологиям дуговой защиты. Хотя алгоритмы,-основанные на правилах, могут повысить безопасность электрических устройств, их адаптируемость к окружающей среде ограничена, а уровень ложных срабатываний высок. Облачные решения искусственного интеллекта, хотя и обладают высокой точностью, сталкиваются с рисками задержек и конфиденциальности.
В этом контексте периферийные решения искусственного интеллекта стали идеальной точкой баланса -, они не требуют сетевых подключений и внешней обработки и могут выполнять обработку данных локально на устройстве в режиме реального времени, обеспечивая мгновенное обнаружение и реагирование на дуги, одновременно устраняя риски конфиденциальности и безопасности. В то же время, благодаря непрерывному обучению адаптации к различным условиям, они значительно снижают количество ложных тревог и повышают эффективность системы. Выбрав в качестве ядра разработки инструмент NanoEdge AI Studio с его-дружественным интерфейсом и простотой использования, он может автоматически фильтровать и генерировать оптимальную модель на основе пользовательских данных; Если доступны предварительно обученные нейронные сети, STM32Cube.AI также можно использовать для оптимизации сжатия для адаптации к встроенным средам.
В конкретной реализации в качестве аппаратного носителя используется настроенная плата AFCI с ядром STM32G4. Сначала собирается около 1000 наборов сигналов нормальной работы, а затем такое же количество сигналов дугового замыкания. Эти два типа данных импортируются в проект классификации NanoEdge AI Studio, и инструмент автоматически генерирует адаптированную библиотеку искусственного интеллекта и интегрирует ее в код для обеспечения мониторинга в-времени сигналов тревоги, вызывающих ток и дугу. В этой схеме используется датчик тока с частотой дискретизации 150 кГц для обработки двух типов данных (дуговое замыкание и отсутствие дуги) для оси 2048 × 1, что в конечном итоге обеспечивает 100% точность обнаружения, занимая всего 16,7 КБ ОЗУ и 0,5 КБ флэш-памяти.
НХП
Технология обнаружения дуги NPU NXP MCX серии N широко используется в различных случаях, когда требуется обнаружение дуги, например:
Энергосистема: используется для мониторинга и обнаружения дуговых замыканий в энергосистеме и принятия своевременных мер для предотвращения распространения неисправностей.
Промышленный контроль: используется в системах промышленной автоматизации и управления роботами для обнаружения потенциальных рисков возникновения дуги и обеспечения безопасности производства.
Умный дом: В системах умного дома он используется для контроля дуговой ситуации в цепи и повышения безопасности потребления электроэнергии в домашних условиях.
Компания NXP выпустила программное обеспечение и аппаратные решения для обнаружения дуги, а также программное обеспечение для обучения сбору данных, которые могут значительно ускорить разработку пользовательских продуктов для обнаружения дуги. Микроконтроллер MCX серии N имеет внутреннюю интеграцию NPU, что обеспечивает-ведущую в отрасли скорость вывода 4,8 Gops и ускоряет работу сверточных нейронных сетей. Повысьте эффективность-обнаружения дуговых замыканий в реальном времени.
Процесс внедрения обнаружения дуги повреждения на основе искусственного интеллекта включает пять этапов: сбор данных, обучение данных, количественную оценку модели, ее проверку и развертывание. Все эти этапы можно выполнить с помощью универсального компьютерного программного обеспечения-верхнего уровня, предоставляемого NXP.
Как показано на рисунке ниже, испытательная платформа построена в соответствии с требованиями UL1699B. Выход источника фотоэлектрической модели подается на входную клемму постоянного тока фотогальванического инвертора после прохождения через устройство, генерирующее дугу. Соединив трансформаторы последовательно, определите сигнал переменного тока, генерируемый дугой замыкания. Благодаря плате сбора данных встроенный в MCXN947 АЦП имеет 16-битное разрешение и может поддерживать частоту дискретизации до 2 Мбит/с при 16-битном разрешении, что делает его очень подходящим для сбора сигналов дуги. Сигнал дискретизируется АЦП и обрабатывается микроконтроллером.
TПлата сбора данных, предоставляемая NXP, в настоящее время поддерживает одновременное обнаружение двух сигналов дуги и подключается к плате FRDM-MXN947 в качестве дочерней карты.
Что касается конструкции схемы сбора данных, то в теоретических исследованиях путем анализа характеристик частотной области обычно обнаруживается, что при возникновении дуги замыкания постоянного тока гармоническая энергия постоянного тока в диапазоне частот 10–100 кГц значительно возрастает. Таким образом, разработанная схема использует полосовую фильтрацию для обработки входного сигнала. Характеристики полосы частот показаны на следующем рисунке:
В то же время, при применении методов обнаружения в частотной области, чтобы избежать взаимной связи и помех между характерным диапазоном частот дуг повреждения постоянного тока и полосой частот гармонических искажений, вызванных самоконтролем фотоэлектрических систем, полоса частот 10–100 кГц была выбрана в качестве характерного диапазона частот дуг повреждения постоянного тока для анализа и обнаружения.
В принципе, БПФ используется для расчета гармоник, при этом в качестве сегментов для операции БПФ используется 2048 точек. MCXN947 имеет внутри модуль PowerQuad, который может ускорить операцию БПФ. Результаты вычислений квантуются и передаются в NPU, находящийся в MCXN947, для обработки. Получите окончательный результат классификации. Таким образом, эффективно выявляются сцены с электрическими дугами.
Во время работы-в режиме реального времени результаты обнаружения распечатываются через последовательный порт. В настоящее время при обнаружении дуги степень совпадения выходного распознавания составляет 99%.
Ренесас Электроникс
Fuchang Electronics выпустила систему обнаружения дуговых замыканий с использованием искусственного интеллекта (ИИ) с использованием микроконтроллера RA6M4 компании Renesas Electronics, которая обеспечивает быстрое и эффективное обнаружение. Эта система идеально подходит для солнечной энергетики, интеллектуальной энергетики и систем постоянного тока, обеспечивая мониторинг безопасности в-режиме реального времени с минимальными ресурсами. Решение AFCI использует решение AI Plus от Центра будущего проектирования (FDC), которое объединяет решения FDC AI и Reality AI.
Ожидается, что с глобальным продвижением стандартов NEC, IEC 60364-4-42 и UL 1699B ежегодные поставки AFCI превысят 40 миллионов единиц к 2030 году. Fuchang Electronics использует микроконтроллер Renesas RA6M4 и Reality AI Tools ®. Мы разработали революционную систему искусственного интеллекта для терминалов, которая использует менее 100 КБ флэш-памяти/ОЗУ для достижения почти идеального обнаружения менее чем за 4 мс, что практически исключает ложные срабатывания сигнализации и выявляет опасные дуги постоянного и переменного тока, которые другие устройства не могут распознать.
Основное преимущество: распознавание временных рядов на основе искусственного интеллекта при поддержке Renesas Reality AI.
Обнаружение: Дуговые замыкания (маленькие и большие дуги), вмешательство в разомкнутую и замкнутую цепь, а также аномальные кривые тока.
Сверхбыстрое обнаружение: время вывода составляет всего 10–250 миллисекунд, включая предварительную обработку и многооконную проверку.
Обучение в один клик: встроенная кнопка может помочь автоматически откалибровать печатную плату в соответствии с проектной средой заказчика. Возможность копирования калиброванных данных на другие платы. Нет необходимости в облачном обучении AI/ML
Целевые рынки и области применения: солнечные инверторы, автоматические выключатели, аккумуляторные системы накопления энергии (BESS), инверторы, зарядные устройства постоянного тока для электромобилей, промышленные распределительные устройства, аккумуляторные инструменты PDU высокой-мощности для центров обработки данных искусственного интеллекта, электромобили.
В группе микроконтроллеров (MCU) RA6M4 компании Renesas Electronics используется поддержка TrustZone® Высокопроизводительное-ядро Arm Cortex-M33. При использовании в сочетании с Secure Crypto Engine (SCE) внутри чипа он может обеспечить функциональность безопасного чипа. Встроенный Ethernet MAC с выделенным DMA обеспечивает высокую пропускную способность данных. RA6M4 использует эффективный 40-нм техпроцесс, поддерживаемый концепцией открытой и гибкой экосистемы пакета гибкой конфигурации (FSP) на базе FreeRTOS, и может быть расширен для использования других-операционных систем реального времени (RTOS) и промежуточного программного обеспечения. RA6M4 подходит для нужд приложений Интернета вещей, таких как Ethernet, функций безопасности для будущих приложений, встроенной оперативной памяти большой емкости и низкого энергопотребления (запуск алгоритма CoreMark из флэш-памяти, всего 99 мкА/МГц).
Техасские инструменты
Хотя применение ИИ в системах управления-в режиме реального времени, таких как привод двигателя, солнечная энергия и управление батареями, не так часто попадает в заголовки газет, как новые большие языковые модели, применение периферийного ИИ для обнаружения неисправностей может эффективно повысить эффективность, безопасность и производительность системы.
MCU может улучшить возможности обнаружения неисправностей в высоковольтных системах управления-в реальном времени-. Такие микроконтроллеры используют интегрированные блоки обработки нейронных сетей (NPU) для запуска моделей сверточных нейронных сетей (CNN), которые могут эффективно снизить задержку и энергопотребление при мониторинге сбоев системы. Интеграция периферийных функций искусственного интеллекта в один и тот же микроконтроллер, который управляет управлением в реальном времени,-может помочь оптимизировать конструкцию системы и повысить общую производительность. Ключом к надежной работе моторных приводов и систем солнечной энергии является быстрое и предсказуемое обнаружение неисправностей, которое не только снижает количество ложных сигналов тревоги, но также отслеживает неисправности подшипников двигателя и фактические неисправности в режиме реального времени.
Микроконтроллеры с возможностями периферийного искусственного интеллекта могут отслеживать два типа неисправностей: один — неисправности подшипников двигателя. Когда в подшипниках двигателя возникают аномальные условия или ухудшаются характеристики, своевременное обнаружение таких неисправностей имеет решающее значение для предотвращения неожиданных остановов, сокращения времени простоя и снижения затрат на техническое обслуживание; Второе — это солнечная дуга, которая относится к явлению дугового разряда, вызванного неожиданными путями, например, прохождением тока через воздух. Это часто вызвано повреждением изоляции, ослаблением соединений и другими проблемами в системах солнечной энергии. Высокая температура, вызванная этой неисправностью, может привести к возгоранию или повреждению электрической системы. Поэтому мониторинг и обнаружение этой неисправности является необходимым средством обеспечения безопасной и надежной работы солнечных энергетических систем.
Традиционные методы обнаружения неисправностей, такие как мониторинг неисправностей подшипников двигателя, основаны на дискретном обнаружении нескольких устройств и анализе-на основе правил, тогда как обнаружение неисправностей солнечной дуги использует анализ сигнала тока в частотной области и определение порога. Эти методы не только требуют глубоких профессиональных знаний, но также имеют ограниченную адаптируемость и чувствительность, что затрудняет гарантию точности обнаружения и увеличивает сложность системы.
Благодаря интегрированному периферийному искусственному интеллекту для обнаружения неисправностей и использованию микроконтроллеров реального времени, таких как TMS320F28P550SJ, в качестве операторов связи, локальное выполнение моделей CNN может эффективно повысить уровень обнаружения неисправностей, уменьшить количество ложных сигналов тревоги и обеспечить более точное профилактическое обслуживание. Модель CNN, обладающая способностью автономно изучать сложные закономерности на основе необработанных данных датчиков, может напрямую извлекать характеристики из сигналов вибрации, постоянных токов и других данных. Комбинируя различные условия эксплуатации, различия в аппаратном обеспечении и алгоритмы предварительной обработки, можно повысить адаптивность и надежность модели, а также сократить задержку обнаружения. В таких сценариях, как привод двигателя, солнечная энергия и управление батареями, модели CNN могут точно определять режимы неисправностей и обеспечивать эффективное-обнаружение в реальном времени в динамичных средах.
Краткое содержание
В таких сценариях применения, как привод двигателя и солнечная энергия, обнаружение неисправностей-в режиме реального времени является краеугольным камнем обеспечения эксплуатационной безопасности и долгосрочной-надежности. Edge AI с возможностями локальной-обработки данных в реальном времени произвел революцию в методах обнаружения неисправностей, значительно повысив точность обнаружения и сократив задержку, обеспечив надежную поддержку эффективной и стабильной работы системы.