Наскоро Националната комисия за развитие и реформи и Националната енергийна администрация издадоха съвместно становища за прилагане относно насърчаването на високо-качественото развитие на енергията с „изкуствен интелект+“. Становищата конкретно споменаха една точка: оценка на състоянието на енергийното оборудване и интелигентна работа и поддръжка. Изградете приложения като интелигентно възприемане и предупреждение за състоянието на оборудването, интелигентно позициониране и диагностика на неизправности в оборудването, интелигентно вземане на-решения за поддръжка на състоянието на оборудването, интелигентно прогнозиране на рискове от бедствия на оборудването и интелигентно генериране на билети за работа по поддръжката, за да подобрите нивото на икономично управление на оборудването.
В слънчевата фотоволтаична индустрия AI се развива тихо.
През последните години слънчевата енергия се развива бързо. През 2024 г. глобалната инсталирана мощност на фотоволтаиците ще достигне рекордно високо ниво от 597 гигавата, което е увеличение от 33% от 449 гигавата през 2023 г. Този ръст ще доведе до общ инсталиран слънчев капацитет над 2,2 теравата в сравнение с приблизително 1,6 теравата до края на 2022 г. SolarPower Europe прогнозира, че инсталираната слънчева мощност ще се увеличи с още един 10% до 655 гигавата до 2025 г. Понастоящем слънчевата енергия представлява приблизително 6,9% от глобалното снабдяване с електроенергия, спрямо около 5,6% през 2023 г. Въпреки бързия растеж и огромния потенциал на слънчевата енергия, много компании, организации и индустрии все още не желаят да я възприемат напълно поради периодични ограничения на мощността и ефективността.
Ефективността на слънчевите панели се влияе от различни фактори, включително променящи се метеорологични условия, различна интензивност на слънчевата светлина и способността на системата да управлява предаването на енергия. Ако генерираната електроенергия не е правилно регулирана, това може да доведе до загуба на енергия, ниска ефективност или ненадеждно електрозахранване - опасения, които потребителите и фирмите, които разчитат на стабилна енергия, не могат да си позволят. В този случай фината{3}}настройка на работния цикъл (т.е. съотношението между времето за включване и изключване на слънчевия панел) е от решаващо значение за максимизирането на използването на енергията на системата от слънчеви панели.
От друга страна, машинното обучение (ML) и крайният изкуствен интелект (Edge AI) фундаментално променят ефективността на различни индустрии, като позволяват по-интелигентно,-управлявано от данни{1}}вземане на решения. Например, в областта на възобновяемата енергия, машинното обучение оптимизира работата на слънчевите панели чрез анализиране на условията на околната среда, прогнозиране на добива на енергия и прилагане на предсказуема поддръжка, за да се сведе до минимум времето за престой. В допълнение към слънчевата енергия, машинното обучение може също така да подобри ефективността на производството чрез предсказуема поддръжка и автоматизация на процесите, да намали загубата на енергия в интелигентните мрежи чрез-прогнозиране на натоварването в реално време и да подобри селскостопанската производителност чрез поддържане на технологии за прецизно земеделие. В тези разнообразни случаи на употреба машинното обучение води до непрекъснато усъвършенстване чрез трансформиране на сложни данни в прозрения, които в крайна сметка спестяват време, намаляват разходите и повишават устойчивостта. В отговор на тази тенденция различни производители на контролери са интегрирали AI технология в MCU/MPU, за да отговорят на новите изисквания на фотоволтаичната инверторна индустрия.
Infineon
Екипът на HTEC използва процесора PSoC Edge на Infineon, за да проучи как да използва дълбоки невронни мрежи (DNN) за прогнозиране на оптималния работен цикъл на DC-DC преобразуватели, с фокус върху идентифицирането на най-подходящите входни характеристики за подобряване на производителността и надеждността.
Много от тези методи разчитат на данни от измервания като слънчево излъчване и околна температура, тъй като тези параметри са тясно свързани с изходната мощност на слънчевите панели. Интегрирането на сензори за излъчване обаче носи и някои недостатъци, включително допълнителни разходи и риск от неточни измервания поради фактори като натрупване на прах или разлики в местоположението на сензора. За да се справят с този проблем, някои изследователи са предложили индиректна оценка на стойностите на инфрачервеното излъчване, но това увеличава сложността на моделирането и може да въведе източници на грешки, които могат да се разпространяват чрез MPPT алгоритми.
Освен това са предложени методи без сензор или с ниско ниво на сензор, които използват само данни за измерване на напрежение и ток, директно предоставени от слънчеви панели. Тези вътрешни сигнали са лесни за достъп, по същество са синхронизирани с работните условия на слънчевия панел и избягват много сложни проблеми, свързани със засичането на излъчване.
Софтуерът за прилагане на алгоритъма за проследяване на максимална мощност (MPPT), базиран на изкуствен интелект, е внедрен на персонализирана хардуерна платформа, разработена от HTEC. Платформата сигурно свързва изхода на соларния панел към DC-DC преобразувател и включва всички необходими сензорни компоненти за наблюдение на напрежение, ток и околна температура. Тези сигнали служат като входове за DNN, който изчислява подходящия работен цикъл в реално-време. Платформата също така има Bluetooth комуникационна функция и поддържа функция за интерфейс човек-машина (HMI), която може да предостави на потребителите обратна информация-в реално време за производството на енергия и състоянието на системата. По този начин системата може да управлява работния цикъл на DC-DC преобразуватели, като същевременно предоставя информация, която може да се използва за прогнозна поддръжка.
Модул за управление на захранването: Разпределете захранването към модулите PSOC Edge и Bluetooth.
Bluetooth комуникационен модул: управлява безжично предаване на данни за HMI функции.
Сензорен модул: измерва-напрежение и ток в реално време, генерирани от слънчеви панели.
Процесорен модул: PSOC Edge System Level Module (SOM): изпълнява всички изчислителни задачи, включително AI извод и контролна логика.
Микроконтролерът Arm Cortex-M от серията PSOC Edge E84 е високо-производително, ниско-енергийно и сигурно MCU, оборудвано с ML ускорение. Базиран е на високо-ядрото Cortex-M55, поддържа Helium DSP и е съчетан с Arm Ethos-U55 NPU и ядрото Cortex-M33 с ниска{10}}мощност. Използва се във връзка с платформата за хардуерно ускорение Infineon с ултра-ниска мощност NNLite. PSOC Edge може непрекъснато да анализира данни от сензори чрез наблюдение на интензитета на слънчевата светлина, температурата на панела и изходната мощност. Това му позволява динамично да регулира посоката на слънчевите панели, да проследява MPPT и да оптимизира работата на инвертора без забавяне, причинено от обработката в облак. В допълнение, AI може да открие модели на потребление на енергия и да предвиди търсене или засенчване, като по този начин допълнително оптимизира стратегиите за съхранение и разпределение на енергия. Висококачествените набори от данни са от съществено значение за разработването и валидирането на базирани на изкуствен интелект решения за проследяване на максимална мощност (MPPT). Статията използва публично достъпния набор от данни за крайбрежни фотоволтаични електроцентрали от Humboldt State University в Съединените щати, избира високо-честотни данни за вземане на проби с интервали от една минута за три години, симулира напрежението и тока на фотоволтаичните панели въз основа на параметри като слънчево излъчване и температура и генерира работен цикъл, съответстващ на максималната точка на мощност като етикет за обучение. В същото време се извличат спомагателни характеристики като промени в напрежението и тока и след предварителна обработка като нормализиране и премахване на нощни данни се осигурява надеждна поддръжка на данни за обучение. При конструирането на AI модели е възприета много-архитектура на персептрон (MLP), за да се преодолеят недостатъците на традиционните методи за наблюдение на смущения (P&O), като бавна конвергенция и осцилации на мощността. Ефективността на модела е оптимизирана чрез дву-етапен подход на стъпка-по-обучение и-обучение в реално време. Обучението стъпка по стъпка позволява на модела да предвиди оптималните електрически параметри въз основа на моментни стойности на измерване, докато обучението в реално{30}}време въвежда механизъм за обратна връзка, който приема предишното прогнозиране като последващ вход, итеративно го коригира, за да симулира реални сценарии, и в крайна сметка постига MPPT схема с ниска латентност и висока устойчивост, която е адаптирана към внедряване на вградена платформа, подобрявайки ефективността на използване на енергията на фотоволтаичните системи в динамични среди.
За да разгърнете AI модела на платформата PSOC Edge, е необходимо да преобразувате модела от 32-битов формат с плаваща точка-в 8-битов формат. Като се има предвид сравнително компактната архитектура на невронната мрежа, предназначена за MPPT задачи, квантуването на модела се използва главно като техника за оптимизация и не се прилагат по-усъвършенствани стратегии за компресиране като дестилация на модела, тъй като не подобрява значително ефективността на вече изключително малкия размер на модела. Квантуването на модела преобразува параметрите на модела от 32-битови или 64-битови представяния с плаваща запетая във формати с ниска точност, като 8-битови цели числа, значително намалявайки отпечатъка на паметта и изчислителните изисквания на модела, което го прави по-подходящ за внедряване на крайни устройства. В същото време, чрез използване на обучение с осведоменост за квантуване (QAT) за симулиране на среди за квантуване по време на фазата на обучение, отрицателното въздействие на намалената точност върху точността на модела може да бъде облекчено и дори способността за генерализиране може да бъде подобрена.
След завършване на оптимизацията на модела алгоритъмът за изкуствен интелект се внедрява в платформата Infineon PSOC Edge с помощта на рамката за разработка на ModusToolbox. Рамката поддържа 8-разгръщане на модел за квантуване и потребителите трябва само да експортират модела във формат TensorFlow Lite (TFLite), за да го интегрират безпроблемно в AI ускорителя на платформата. Моделите Keras с плаваща запетая също могат да бъдат директно разгърнати, за да се справят с оптимизацията на квантуване в рамката. Конвертираният AI модел ще бъде преобразуван във формат, съвместим със C, с тегла и параметри, съхранени като uint8 стойности, за да съответства на 8-битовата архитектура на AI ускорителя, постигайки по-бързи изводи и по-малко използване на паметта. Оценката на производителността показва, че въпреки че грешката при прогнозиране на мощността на модела за квантуване се е увеличила от 0,0109% на 0,6145%, забавянето на извода е намаляло от 3 милисекунди на 0,3 милисекунди, а консумацията на енергия на извод е намаляла от 68,904 микроджаула на 2,592 микроджаула. Освен това производителността на PSOC Edge е повече от 23 пъти по-ниска от тази, базирана на решението Arm Cortex-M4, с намаление на забавянето над 23 пъти и намаление на потреблението на енергия над 42 пъти, демонстрирайки напълно предимствата на внедряването на ефективни AI решения в реално време в крайното MPPT приложение на тази платформа.
В допълнение към оптимизирането на MPPT, прозренията на AI в реално-време също носят допълнителни предимства - предсказуема поддръжка. Екипът на HTEC е разработил специален потребителски интерфейс, който може да предвиди непрекъсната информация за производителността на системата въз основа на AI модели. Тези прогнози могат да бъдат кръстосани с действителното генериране на електроенергия, за да се идентифицират значителни разлики, които могат да бъдат причинени от влошаване на производителността на компонентите, което позволява на заинтересованите страни да организират проактивно поддръжка. HTEC посочва, че бъдещата работа може да проучи допълнителни техники за оптимизация, като интегриране на повече сензорни данни или използване на усъвършенствани методи за компресиране на модела, за допълнително подобряване на точността и производителността на системата. Независимо от това, настоящият подход подчертава потенциала на MPPT, управляван от изкуствен интелект, във вградени слънчеви решения, предоставяйки насоки за по-ефективно и устойчиво управление на енергията и по-интелигентни практики за поддръжка на периферни устройства.
STMicroelectronics
STMicroelectronics пусна крайно решение за автоматичен прекъсвач с дъгова повреда с изкуствен интелект (AFCI), базирано на STM32.
В областта на електрическата безопасност пожарите, причинени от дъгови повреди, представляват до една четвърт, а непрекъснатото появяване на нови сценарии за приложение като слънчеви панели, захранващи батерии, електрически инструменти и електрически велосипеди постави по-високи иновативни изисквания към технологията за дъгова защита. Въпреки че базираните на правила-алгоритми могат да подобрят безопасността на електрическите устройства, тяхната адаптивност към околната среда е ограничена и процентът на фалшиви аларми е висок. Базираните в облак AI решения, макар и много точни, са изправени пред рискове за забавяне и поверителност.
В този контекст крайните AI решения се превърнаха в идеална точка за баланс - те не изискват мрежови връзки и външна обработка и могат да завършат обработката на данни локално на устройството в реално време, като постигат незабавно откриване и реакция на дъги, като същевременно елиминират рисковете за поверителността и сигурността. В същото време, чрез непрекъснато обучение за адаптиране към различни среди, те значително намаляват процента на фалшиви аларми и подобряват ефективността на системата. Избирайки инструмента NanoEdge AI Studio като ядро за разработка, с неговия-удобен за потребителя интерфейс и лекота на използване, той може автоматично да филтрира и генерира оптималния модел въз основа на потребителски данни; Ако са налични предварително обучени невронни мрежи, STM32Cube.AI може да се използва и за оптимизиране на компресията, за да се адаптира към вградени среди.
В конкретното изпълнение, персонализирана AFCI платка със STM32G4 като ядро се използва като хардуерен носител. Първо се събират около 1000 комплекта сигнали за нормална работа, а след това се събират равен брой сигнали за повреда на дъгата. Двата типа данни се импортират в класификационния проект на NanoEdge AI Studio и инструментът автоматично генерира адаптирана AI библиотека и я интегрира в кода, за да постигне-наблюдение в реално време на аларми за ток и задействане на дъга. Тази схема използва токов сензор с честота на дискретизация от 150 kHz за обработка на два типа данни (дъгова грешка и без дъга) за 2048 × 1 ос, като в крайна сметка постига 100% точност на откриване, заемайки само 16,7 KB RAM и 0,5 KB флаш памет.
NXP
Технологията за откриване на дъга на NPU от серията NXP MCX N се използва широко в различни случаи, които изискват откриване на дъга, като например:
Електрическа система: използва се за наблюдение и откриване на дъгови повреди в електрическата система и предприемане на навременни мерки за предотвратяване на разширяването на повреди.
Индустриален контрол: използва се в индустриална автоматизация и системи за управление на роботи за откриване на потенциални рискове от дъга и гарантиране на безопасността на производството.
Интелигентен дом: В системите за интелигентен дом се използва за наблюдение на ситуацията с дъгата във веригата и подобряване на безопасността на потреблението на електроенергия в домакинството.
NXP стартира софтуерни и хардуерни решения за откриване на дъгова дъга, както и обучителен софтуер за събиране на данни, който може значително да ускори скоростта на разработка на потребителски продукти за откриване на дъга. MCU от серията MCX N интегрира вътрешно NPU, което може да постигне-водеща в индустрията скорост на извод от 4,8 Gops и да ускори работата на конволюционните невронни мрежи. Подобрете-производителността в реално време на откриването на повреда в дъгата.
Процесът на внедряване на базирано на изкуствен интелект откриване на дъга на повреда включва пет стъпки: събиране на данни, обучение на данни, количествено определяне на модела, валидиране на модела и внедряване, всички от които могат да бъдат завършени чрез-компютърен софтуер на едно гише, предоставен от NXP.
Както е показано на фигурата по-долу, платформата за тестване е изградена съгласно изискванията на UL1699B. Изходът на източника на фотоволтаична симулация се въвежда към DC PV входния терминал на фотоволтаичния инвертор след преминаване през устройството за генериране на дъга. Като свържете трансформаторите последователно, открийте AC сигнала, генериран от дъгата на повреда. Чрез платката за придобиване, ADC, интегриран в MCXN947, има 16-битова разделителна способност и може да поддържа честота на дискретизация до 2Mbps при 16-битова разделителна способност, което го прави много подходящ за получаване на дъгов сигнал. Сигналът се взема от ADC и се обработва от MCU.
TПлатката за придобиване, предоставена от NXP, понастоящем поддържа едновременно откриване на два дъгови сигнала и платката за получаване е включена в платката FRDM-MXN947 като дъщерна карта.
По отношение на дизайна на веригата за събиране, в теоретичните изследвания, чрез анализиране на характеристиките на честотната област, обикновено се установява, че когато възникне дъга на повреда с постоянен ток, хармоничната енергия на постоянния ток в честотния диапазон от 10KHz-100kHz ще се увеличи значително. Така че проектираната схема използва лентово филтриране за обработка на входния сигнал. Характеристиките на честотната лента са показани на следната фигура:
В същото време, при прилагането на методи за откриване на честотен домейн, за да се избегне взаимно свързване и смущения между характеристичната честотна лента на дъгите на повреда с постоянен ток и честотната лента на хармонично изкривяване, причинена от самоконтрол на фотоволтаичните системи, честотната лента 10kHz-100kHz беше избрана като характерна честотна лента на дъгите на повреда с постоянен ток за анализ и откриване.
По принцип FFT се използва за хармонично изчисление, като се вземат 2048 точки като сегменти за FFT операция. MCXN947 има вътре PowerQuad модул, който може да ускори FFT работата. Изчислените резултати се квантуват и подават към NPU, носен от MCXN947 за обработка. Получете крайния резултат от класификацията. По този начин ефективно идентифициране на сцени с електрически дъги.
По време на-работа в реално време резултатите от откриването се отпечатват през серийния порт. Понастоящем, когато се открие дъга, степента на съвпадение на изходното разпознаване е 99%.
Renesas Electronics
Fuchang Electronics пусна на пазара система за откриване на повреда с изкуствен интелект (AI), използваща RA6M4 MCU на Renesas Electronics, която може да постигне бързо и ефективно откриване. Тази система е изключително подходяща за слънчева енергия, интелигентна енергия и системи за постоянен ток, като осигурява-наблюдение на сигурността в реално време с минимални ресурси. Решението AFCI възприема решението AI Plus от Future Design Center (FDC), което интегрира решенията FDC AI и Reality AI.
С глобалното популяризиране на стандартите NEC, IEC 60364-4-42 и UL 1699B се очаква годишните доставки на AFCI да надхвърлят 40 милиона единици до 2030 г. Fuchang Electronics използва Renesas RA6M4 MCU и Reality AI Tools ®, Ние разработихме революционна терминална AI система, която използва по-малко от 100kB от флаш/RAM за постигане на почти перфектно откриване за по-малко от 4ms, почти елиминирайки фалшивите аларми и идентифицирайки опасни DC и AC дъги, които други устройства не могат да разпознаят.
Основно предимство: Разпознаване на времеви серии, базирано на изкуствен интелект, поддържано от Renesas Reality AI
Откриване: Грешки на дъгата (малки и големи дъги), отваряне на отворена и затворена верига и ненормални криви на тока
Изключително бързо откриване: време за извод от едва 10-250 милисекунди, включително предварителна обработка и многопрозоречно валидиране.
Обучение с едно кликване: Вграденият бутон може да помогне за автоматичното калибриране на платката според дизайнерската среда на клиента. Възможност за копиране на калибрирани данни към други печатни платки. Няма нужда от базирано на облак AI/ML обучение
Целеви пазари и приложения: слънчеви инвертори, прекъсвачи, системи за съхранение на енергия от батерии (BESS), инвертори, зарядни устройства за постоянен ток за електрически превозни средства, индустриални разпределителни уреди, PDU батерийни инструменти с висока-мощност за центрове за данни с изкуствен интелект, електрически превозни средства
Продуктовата група RA6M4 микроконтролери (MCU) на Renesas Electronics използва поддръжка на TrustZone ® Високо-ядрото Arm Cortex-M33. Когато се използва заедно със Secure Crypto Engine (SCE) в рамките на чипа, той може да осигури функционалността на защитен чип. Интегрираният Ethernet MAC със специален DMA осигурява висока пропускателна способност на данните. RA6M4 използва ефективен 40nm процес, поддържан от концепцията за отворена и гъвкава екосистема на FreeRTOS базиран гъвкав конфигурационен пакет (FSP), и може да бъде разширен за използване на други-операционни системи в реално време (RTOS) и междинен софтуер. RA6M4 е подходящ за нуждите на IoT приложения като Ethernet, функции за сигурност за бъдещи приложения, вградена RAM с голям капацитет и ниска консумация на енергия (изпълняващ алгоритъм CoreMark от флаш памет, до 99 µ A/MHz).
Texas Instruments
Въпреки че прилагането на AI в-системи за контрол в реално време, като моторно задвижване, слънчева енергия и управление на батерията, не е често завладявало заглавията като новите големи езикови модели, прилагането на крайния AI при откриване на грешки може ефективно да подобри ефективността, безопасността и производителността на системата.
MCU може да подобри способността за откриване на грешки в системи за управление в реално време с високо-напрежение-. Такива MCU използват интегрирани модули за обработка на невронни мрежи (NPU), за да изпълняват модели на конволюционни невронни мрежи (CNN), които могат ефективно да намалят латентността и консумацията на енергия при наблюдение на грешки в системата. Интегрирането на крайни AI функции в същия MCU, който управлява-контрол в реално време, може да помогне за оптимизиране на дизайна на системата и подобряване на цялостната производителност. Ключът към надеждната работа в системите за моторно задвижване и слънчева енергия се крие в бързото и предвидимо откриване на неизправности, което не само намалява фалшивите аларми, но също така наблюдава аномалиите на лагерите на двигателя и действителните неизправности в реално време.
MCU с периферни възможности за изкуствен интелект могат да наблюдават два вида неизправности: едната е повреда в лагера на двигателя. Когато възникнат необичайни условия или влошаване на производителността в лагерите на двигателя, навременното откриване на такива неизправности е от решаващо значение за предотвратяване на неочаквани спирания, съкращаване на времето за престой и намаляване на разходите за поддръжка; Втората е повреда на слънчевата дъга, която се отнася до феномена на дъговия разряд, причинен от неочаквани пътища, като например преминаване на ток през въздуха. Често се причинява от повреда на изолацията, разхлабени връзки и други проблеми в слънчевите енергийни системи. Високата температура, генерирана от тази повреда, може да доведе до пожар или повреда на електрическата система. Следователно наблюдението и откриването на тази повреда е необходимо средство за осигуряване на безопасна и надеждна работа на слънчевите енергийни системи.
Традиционните методи за откриване на неизправности, като например наблюдение на неизправности в лагерите на двигателя, разчитат на дискретно откриване на множество устройства и-анализ, базиран на правила, докато откриването на неизправности чрез слънчева дъга използва анализ на токовия сигнал в честотната област и преценка на прага. Тези методи не само изискват дълбоки професионални познания, но също така имат ограничена адаптивност и чувствителност, което затруднява гарантирането на точността на откриване и увеличава сложността на системата.
Въз основа на интегриран периферен AI за откриване на неизправности, използвайки MCU в реално-време като TMS320F28P550SJ като носители, стартирането на модели на CNN локално може ефективно да подобри честотата на откриване на неизправности, да намали фалшивите аларми и да постигне по-точна прогнозна поддръжка. Моделът на CNN, със способността си да научава автономно сложни модели от необработени сензорни данни, може директно да извлича характеристики от вибрационни сигнали, постоянни токове и други данни. Чрез комбиниране на различни работни условия, разлики в хардуера и алгоритми за предварителна обработка, адаптивността и надеждността на модела могат да бъдат подобрени и латентността на откриване може да бъде намалена. В сценарии като моторно задвижване, слънчева енергия и управление на батерията, моделите на CNN могат точно да идентифицират режимите на повреда и да постигнат-ефективно откриване в реално време в динамични среди.
Резюме
В сценарии на приложение като моторно задвижване и слънчева енергия,-откриването на грешки в реално време е крайъгълният камък за осигуряване на оперативна безопасност и дългосрочна-надеждност. Edge AI, със своите възможности за локална-обработка на данни в реално време, направи революция в методите за откриване на грешки, значително подобрявайки точността на откриване и намалявайки латентността, осигурявайки силна подкрепа за ефективна и стабилна работа на системата.