Нещодавно Національна комісія з питань розвитку та реформ і Національна енергетична адміністрація спільно опублікували висновки про впровадження щодо сприяння високо{0}}розробці енергії «штучного інтелекту+». У висновках конкретно згадується один момент: оцінка стану енергетичного обладнання та розумна експлуатація та обслуговування. Створюйте такі додатки, як інтелектуальне сприйняття та попередження про стан обладнання, інтелектуальне позиціонування та діагностика несправностей обладнання, інтелектуальне прийняття-рішень щодо підтримки стану обладнання, інтелектуальне прогнозування ризиків аварійного стану обладнання та інтелектуальне створення заявок на технічне обслуговування для підвищення рівня економічного керування обладнанням.
ШІ тихо розвивається в сонячній фотоелектричній промисловості.
В останні роки сонячна енергетика стрімко розвивається. У 2024 році глобальна встановлена потужність фотоелектричної енергії досягне рекордного рівня в 597 гігават, що на 33% більше, ніж у 2023 році, коли вона становила 449 гігават. Це зростання призведе до того, що глобальна загальна встановлена потужність сонячних батарей перевищить 2,2 терават, порівняно з приблизно 1,6 терават до кінця 2022 року. SolarPower Europe прогнозує, що встановлена потужність сонячних батарей зросте ще раз. 10% до 655 гігават до 2025 року. Наразі сонячна енергія становить приблизно 6,9% світового постачання електроенергії, порівняно з приблизно 5,6% у 2023 році. Незважаючи на швидке зростання та величезний потенціал сонячної енергії, багато компаній, організацій і галузей все ще не бажають повністю її використовувати через періодичні обмеження виробництва та ефективності.
На продуктивність сонячних панелей впливають різні фактори, зокрема зміна погодних умов, різна інтенсивність сонячного світла та здатність системи керувати передачею електроенергії. Якщо вироблена електроенергія не регулюється належним чином, це може призвести до марнування енергії, низької ефективності або ненадійного електропостачання -, що не можуть собі дозволити користувачі та компанії, які покладаються на стабільну енергію. У цьому випадку точне -налаштування робочого циклу (тобто співвідношення часу увімкнення та часу вимкнення сонячної панелі) має вирішальне значення для максимального використання енергії системи сонячних панелей.
З іншого боку, машинне навчання (ML) і граничний штучний інтелект (Edge AI) докорінно змінюють ефективність різних галузей, забезпечуючи розумніші-прийняття рішень-на основі даних. Наприклад, у сфері відновлюваних джерел енергії машинне навчання оптимізує продуктивність сонячних панелей, аналізуючи умови навколишнього середовища, прогнозуючи вихід енергії та впроваджуючи прогнозне технічне обслуговування, щоб мінімізувати час простою. Окрім сонячної енергії, машинне навчання також може підвищити ефективність виробництва за рахунок прогнозованого технічного обслуговування та автоматизації процесів, зменшити втрати енергії в розумних мережах за допомогою-прогнозування навантаження в реальному часі та підвищити продуктивність сільського господарства за рахунок підтримки технологій точного землеробства. У цих різноманітних випадках використання машинне навчання стимулює безперервне вдосконалення, перетворюючи складні дані на ефективні ідеї, що зрештою економить час, знижує витрати та підвищує стійкість. У відповідь на цю тенденцію різні виробники контролерів інтегрували технологію ШІ в MCU/MPU, щоб задовольнити нові вимоги індустрії фотоелектричних інверторів.
Infineon
Команда HTEC використала процесор PSoC Edge від Infineon, щоб дослідити, як використовувати глибокі нейронні мережі (DNN) для прогнозування оптимального робочого циклу перетворювачів постійного струму-постійного струму, зосередившись на визначенні найбільш відповідних функцій входу для покращення продуктивності та надійності.
Багато з цих методів ґрунтуються на даних вимірювань, таких як сонячне опромінення та температура навколишнього середовища, оскільки ці параметри тісно пов’язані з вихідною потужністю сонячних панелей. Однак інтеграція датчиків освітленості також приносить деякі недоліки, включаючи додаткові витрати та ризик неточних вимірювань через такі фактори, як накопичення пилу або відмінності в розташуванні датчиків. Щоб вирішити цю проблему, деякі дослідники запропонували непряму оцінку значень інфрачервоного випромінювання, але це збільшує складність моделювання та може ввести джерела помилок, які можуть поширюватися через алгоритми MPPT.
Крім того, були запропоновані методи без сенсорів або з низьким сенсором, які використовують лише дані вимірювання напруги та струму, що надаються безпосередньо сонячними панелями. До цих внутрішніх сигналів легко отримати доступ, вони, по суті, синхронізовані з умовами роботи сонячної панелі, і дозволяють уникнути багатьох складних проблем, пов’язаних із зондуванням освітленості.
Програмне забезпечення для реалізації алгоритму відстеження точки максимальної потужності (MPPT) на основі штучного інтелекту було розгорнуто на спеціалізованій апаратній платформі, розробленій HTEC. Платформа надійно з’єднує вихід сонячної панелі з перетворювачем постійного -постійного струму та містить усі необхідні датчики для контролю напруги, струму та температури навколишнього середовища. Ці сигнали служать входами для DNN, який обчислює відповідний робочий цикл у реальному-часі. Платформа також має функцію зв’язку Bluetooth і підтримує функцію людино-інтерфейсу (HMI), яка може надавати користувачам-зворотний зв’язок у реальному часі щодо виробництва енергії та стану системи. Таким чином система може керувати робочим циклом перетворювачів DC-DC, а також надаючи інформацію, яку можна використовувати для прогнозного обслуговування.
Модуль керування живленням: розподіляйте живлення для модулів PSOC Edge і Bluetooth.
Модуль зв'язку Bluetooth: забезпечує бездротову передачу даних для функцій HMI.
Сенсорний модуль: вимірює-напругу та струм у реальному часі, які генерують сонячні панелі.
Процесорний модуль: PSOC Edge System Level Module (SOM): виконує всі обчислювальні завдання, включаючи логіку штучного інтелекту та управління.
Мікроконтролер Arm Cortex-M серії PSOC Edge E84 — це високо-продуктивний, мало-потужний і безпечний мікроконтролер із прискоренням ML. Він базується на високо-продуктивному ядрі Cortex-M55, підтримує Helium DSP і працює в парі з Arm Ethos-U55 NPU та низько{10}}потужним ядром Cortex-M33. Він використовується в поєднанні з платформою апаратного прискорення Infineon ультра-з низьким енергоспоживанням NNLite. PSOC Edge може безперервно аналізувати дані датчиків, відстежуючи інтенсивність сонячного світла, температуру панелі та вихідну потужність. Це дозволяє йому динамічно регулювати напрямок сонячних панелей, відстежувати MPPT і оптимізувати роботу інвертора без затримок, викликаних обробкою хмари. Крім того, штучний інтелект може виявляти моделі споживання енергії та прогнозувати попит або події затінення, тим самим додатково оптимізуючи стратегії зберігання та розподілу енергії. Високоякісні набори даних є важливими для розробки та перевірки рішень на основі штучного інтелекту для відстеження точки максимальної потужності (MPPT). У статті використовується загальнодоступний набір даних про прибережну фотоелектричну електростанцію з Державного університету імені Гумбольдта в Сполучених Штатах, вибираються високочастотні дані з інтервалом в одну хвилину протягом трьох років, моделюється вихідна напруга та струм фотоелектричних панелей на основі таких параметрів, як сонячне опромінення та температура, і генерується робочий цикл, що відповідає максимальній точці потужності як навчальна мітка. У той же час витягуються допоміжні функції, такі як зміни напруги та струму, а після попередньої обробки, наприклад нормалізації та видалення нічних даних, забезпечується надійна підтримка даних для навчання. Під час створення моделей штучного інтелекту використовується багато{23}}архітектура багаторівневого персептрона (MLP), щоб усунути недоліки традиційних методів спостереження збурень (P&O), таких як повільна конвергенція та коливання потужності. Продуктивність моделі оптимізовано за допомогою дво-етапного підходу покрокового-за-навчання та-навчання в реальному часі. Покрокове навчання дозволяє моделі передбачати оптимальні електричні параметри на основі миттєвих значень вимірювань, тоді як навчання-в реальному часі запроваджує механізм зворотного зв’язку, який приймає попередній прогноз як наступні вхідні дані, ітеративно коригує його, щоб імітувати реальні сценарії, і в кінцевому підсумку досягає низької затримки, високонадійної схеми MPPT, яка адаптована до розгортання вбудованої платформи, покращуючи ефективність використання енергії фотоелектричними системами в динамічне середовище.
Щоб розгорнути модель ШІ на платформі PSOC Edge, необхідно перетворити модель із 32-формату з плаваючою точкою-на 8-бітний формат. Враховуючи відносно компактну архітектуру нейронної мережі, розроблену для завдань MPPT, квантування моделі в основному використовується як техніка оптимізації, а більш просунуті стратегії стиснення, такі як дистиляція моделі, не застосовуються, оскільки це суттєво не покращує ефективність і без того надзвичайно малого розміру моделі. Квантування моделі перетворює параметри моделі з 32-розрядних або 64-розрядних представлень із плаваючою комою у формати низької точності, такі як 8-розрядні цілі числа, значно зменшуючи обсяг пам’яті та обчислювальні вимоги моделі, роблячи її більш придатною для розгортання крайніх пристроїв. У той же час, використовуючи навчання з урахуванням квантування (QAT) для моделювання середовищ квантування під час фази навчання, можна зменшити негативний вплив зниження точності на точність моделі та навіть покращити здатність до узагальнення.
Після завершення оптимізації моделі алгоритм ШІ розгортається на платформі Infineon PSOC Edge за допомогою фреймворку розробки ModusToolbox. Фреймворк підтримує розгортання 8-бітної моделі квантування, і користувачам потрібно лише експортувати модель у форматі TensorFlow Lite (TFLite), щоб легко інтегрувати її в прискорювач AI платформи. Моделі Keras із плаваючою комою також можна безпосередньо розгортати для обробки оптимізації квантування в межах інфраструктури. Перетворену модель штучного інтелекту буде перетворено у формат, сумісний із C, із вагами та параметрами, збереженими як значення uint8, щоб відповідати 8-бітній архітектурі прискорювача штучного інтелекту, досягаючи швидшого висновку та меншого використання пам’яті. Оцінка продуктивності показує, що хоча помилка прогнозування потужності моделі квантування зросла з 0,0109% до 0,6145%, затримка висновку зменшилася з 3 мілісекунд до 0,3 мілісекунди, а споживання енергії на висновок зменшилося з 68,904 мікроджоуля до 2,592 мікроджоуля. Крім того, продуктивність на PSOC Edge більш ніж у 23 рази нижча, ніж на основі рішення Arm Cortex-M4, із зменшенням затримки більш ніж у 23 рази та зменшенням споживання енергії більш ніж у 42 рази, що повністю демонструє переваги розгортання ефективних рішень ШІ в режимі реального часу на периферійній програмі MPPT цієї платформи.
Окрім оптимізації MPPT,-аналіз штучного інтелекту в реальному часі також приносить додаткові переваги - прогнозне обслуговування. Команда HTEC розробила спеціальний користувальницький інтерфейс, який може передбачати постійну інформацію про продуктивність системи на основі моделей AI. Ці прогнози можна порівняти з фактичним виробництвом електроенергії, щоб визначити значні відмінності, які можуть бути спричинені погіршенням продуктивності компонентів, що дозволить зацікавленим сторонам завчасно організувати технічне обслуговування. HTEC зазначає, що в подальшій роботі можна досліджувати додаткові методи оптимізації, такі як інтеграція більшої кількості даних датчиків або використання передових методів стиснення моделі, щоб ще більше підвищити точність і продуктивність системи. Тим не менш, поточний підхід підкреслює потенціал MPPT на основі штучного інтелекту у вбудованих сонячних рішеннях, надаючи вказівки для більш ефективного та сталого управління енергією та розумніших методів обслуговування крайніх пристроїв.
STMicroelectronics
Компанія STMicroelectronics запустила рішення для автоматичного вимикача з дуговим замиканням (AFCI) на базі STM32.
У сфері електробезпеки пожежі, викликані дуговими замиканнями, становлять до чверті, а постійна поява нових сценаріїв застосування, таких як сонячні батареї, батареї живлення, електроінструменти та електричні велосипеди, висуває більш високі інноваційні вимоги до технологій дугового захисту. Хоча алгоритми-на основі правил можуть покращити безпеку електричних пристроїв, їх адаптивність до навколишнього середовища обмежена, а частота помилкових тривог висока. Хмарні рішення штучного інтелекту, незважаючи на високу точність, стикаються з ризиками затримки та конфіденційності.
У цьому контексті рішення граничного штучного інтелекту стали ідеальною точкою балансу - вони не потребують мережевих з’єднань і зовнішньої обробки та можуть завершувати обробку даних локально на пристрої в режимі реального часу, досягаючи миттєвого виявлення та реагування на дуги, усуваючи ризики конфіденційності та безпеки. У той же час, завдяки постійному навчанню адаптації до різних середовищ, вони значно зменшують частоту помилкових тривог і підвищують ефективність системи. Вибір інструменту NanoEdge AI Studio як ядра розробки з його-дружнім інтерфейсом і простотою використання, він може автоматично фільтрувати та генерувати оптимальну модель на основі даних користувача; Якщо доступні попередньо навчені нейронні мережі, STM32Cube.AI також можна використовувати для оптимізації стиснення для адаптації до вбудованих середовищ.
У конкретній реалізації в якості апаратного носія використовується налаштована плата AFCI із STM32G4 як ядро. Спочатку збирається приблизно 1000 комплектів сигналів нормальної роботи, а потім стільки ж сигналів про дугові замикання. Два типи даних імпортуються в класифікаційний проект NanoEdge AI Studio, і інструмент автоматично генерує адаптовану бібліотеку штучного інтелекту та інтегрує її в код, щоб досягти-моніторингу в реальному часі струму та тривоги, що викликають дугу. У цій схемі використовується датчик струму з частотою дискретизації 150 кГц для обробки двох типів даних (замикання дуги та відсутність дуги) для осі 2048 × 1, зрештою досягаючи 100% точності виявлення, займаючи лише 16,7 КБ оперативної пам’яті та 0,5 КБ флеш-пам’яті.
NXP
Технологія виявлення дуги NPU серії NXP MCX N широко використовується в різних випадках, які вимагають виявлення дуги, наприклад:
Система живлення: використовується для моніторингу та виявлення дугових несправностей в системі живлення та вжиття своєчасних заходів для запобігання поширенню несправностей.
Промисловий контроль: використовується в промисловій автоматизації та системах керування роботами для виявлення потенційних ризиків дугового розряду та забезпечення безпеки виробництва.
Розумний дім: у системах розумного будинку він використовується для моніторингу дугового розряду в ланцюзі та підвищення безпеки споживання електроенергії домогосподарствами.
Компанія NXP запустила програмне забезпечення та апаратні рішення для виявлення дуги, а також програмне забезпечення для навчання збору даних, яке може значно прискорити швидкість розробки продуктів для виявлення дуги. MCU серії MCX N інтегрує NPU, що дозволяє досягти найкращої в галузі-швидкості логічного висновку 4,8 Gops і прискорити роботу згорткових нейронних мереж. Покращте-продуктивність виявлення дугового замикання в реальному часі.
Процес впровадження виявлення несправності на основі штучного інтелекту включає п’ять етапів: збір даних, навчання даних, кількісна оцінка моделі, перевірка моделі та розгортання, і всі вони можуть бути завершені за допомогою універсального комп’ютерного програмного забезпечення, наданого NXP.
Як показано на малюнку нижче, тестова платформа створена відповідно до вимог UL1699B. Вихідний сигнал фотоелектричного джерела моделювання надходить на вхідний термінал фотоелектричного струму постійного струму фотоелектричного інвертора після проходження через пристрій, що генерує дугу. З’єднавши трансформатори послідовно, виявляйте сигнал змінного струму, який генерується дугою замикання. Через плату збору АЦП, інтегрований у MCXN947, має роздільну здатність 16 біт і може підтримувати частоту дискретизації до 2 Мбіт/с при роздільній здатності 16 біт, що робить його дуже придатним для отримання сигналу дуги. Сигнал дискретизується АЦП і обробляється мікроконтролером.
Tплата збору, надана компанією NXP, наразі підтримує одночасне виявлення двох сигналів дуги, і плата збору підключена до плати FRDM-MXN947 як дочірня карта.
Що стосується конструкції схеми збору даних, у теоретичних дослідженнях, аналізуючи характеристики частотної області, зазвичай виявляється, що коли виникає дуга замикання постійного струму, гармонічна енергія постійного струму в діапазоні частот 10 кГц-100 кГц значно зростає. Отже, розроблена схема використовує смугову фільтрацію для обробки вхідного сигналу. Характеристики діапазону частот показано на наступному малюнку:
У той же час, у застосуванні методів виявлення в частотній області, щоб уникнути взаємного зв’язку та інтерференції між характерною смугою частот дуг замикань постійного струму та смугою частот гармонійних спотворень, спричинених саморегулюванням фотоелектричних систем, смуга частот 10 кГц-100 кГц була обрана як смуга характеристичних частот дуг замикань постійного струму для аналізу та виявлення.
В принципі, ШПФ використовується для обчислення гармоній, беручи 2048 точок як сегменти для роботи ШПФ. MCXN947 має всередині модуль PowerQuad, який може прискорити роботу ШПФ. Обчислені результати квантуються та передаються в NPU, який передається MCXN947 для обробки. Отримайте остаточний результат класифікації. Таким чином ефективно ідентифікувати сцени з електричними дугами.
Під час роботи-в режимі реального часу результати виявлення друкуються через послідовний порт. Наразі при виявленні дуги ступінь збігу вихідного розпізнавання становить 99%.
Renesas Electronics
Fuchang Electronics запустила систему виявлення дугового замикання на основі штучного інтелекту (AI) з використанням мікроконтролера RA6M4 Renesas Electronics, яка може досягти швидкого та ефективного виявлення. Ця система дуже підходить для сонячної енергії, інтелектуальної енергії та систем постійного струму, забезпечуючи-моніторинг безпеки в реальному часі з мінімальними ресурсами. Рішення AFCI використовує рішення AI Plus від Future Design Center (FDC), яке об’єднує рішення FDC AI і Reality AI.
Завдяки глобальному просуванню стандартів NEC, IEC 60364-4-42 і UL 1699B очікується, що щорічні поставки AFCI перевищать 40 мільйонів одиниць до 2030 року. Fuchang Electronics використовує Renesas RA6M4 MCU та Reality AI Tools ®. Ми розробили революційну термінальну систему AI, яка використовує менше 100 КБ даних. flash/RAM для досягнення майже ідеального виявлення менш ніж за 4 мс, майже усуваючи помилкові тривоги та ідентифікуючи небезпечні дуги постійного та змінного струму, які інші пристрої не можуть розпізнати.
Основна перевага: розпізнавання часових рядів на основі штучного інтелекту за підтримки Renesas Reality AI
Виявлення: дугові замикання (малі та великі дуги), втручання в відкрите та замкнуте ланцюги, аномальні криві струму
Надшвидке виявлення: час висновку всього 10-250 мілісекунд, включаючи попередню обробку та багатовіконну перевірку.
Навчання одним натисканням кнопки: вбудована кнопка може допомогти автоматично відкалібрувати друковану плату відповідно до середовища проектування замовника. Можливість копіювання каліброваних даних на інші друковані плати. Немає потреби в навчанні AI/ML на основі хмари
Цільові ринки та застосування: сонячні інвертори, автоматичні вимикачі, системи накопичення енергії акумуляторів (BESS), інвертори, зарядні пристрої постійного струму для електромобілів, промислові розподільні пристрої, акумуляторні інструменти високої-потужності PDU для центрів обробки даних зі штучним інтелектом, електромобілі
Група продуктів мікроконтролерів (MCU) RA6M4 від Renesas Electronics використовує підтримку TrustZone ® високо-продуктивне ядро Arm Cortex-M33. При використанні в поєднанні з Secure Crypto Engine (SCE) у чіпі він може забезпечити функціональність захищеного чіпа. Інтегрований Ethernet MAC із виділеним DMA забезпечує високу пропускну здатність даних. RA6M4 використовує ефективний 40-нанометровий процес, який підтримується концепцією відкритої та гнучкої екосистеми гнучкого конфігураційного пакета (FSP) на основі FreeRTOS і може бути розширений для використання інших-операційних систем реального часу (RTOS) і проміжного ПЗ. RA6M4 підходить для потреб додатків Інтернету речей, таких як Ethernet, функції безпеки для майбутніх додатків, вбудована оперативна пам’ять великої ємності та низьке енергоспоживання (запуск алгоритму CoreMark із флеш-пам’яті, лише 99 мкА/МГц).
Texas Instruments
Хоча застосування штучного інтелекту в-системах керування в режимі реального часу, таких як електропривод, сонячна енергія та керування батареєю, не часто потрапляло в заголовки газет, як нові великі мовні моделі, застосування периферійного штучного інтелекту для виявлення несправностей може ефективно підвищити ефективність, безпеку та продуктивність системи.
MCU може покращити здатність виявлення несправностей у системах керування високою-напругою-в реальному часі. Такі мікроконтролери використовують інтегровані модулі обробки нейронної мережі (NPU) для запуску моделей згорткової нейронної мережі (CNN), які можуть ефективно зменшити затримку та енергоспоживання під час моніторингу збоїв системи. Інтеграція периферійних функцій штучного інтелекту в той самий MCU, який керує -контролем у реальному часі, може допомогти оптимізувати дизайн системи та покращити загальну продуктивність. Ключ до надійної роботи моторних приводів і систем сонячної енергії полягає в швидкому та передбачуваному виявленні несправностей, яке не тільки зменшує помилкові тривоги, але й відстежує аномалії підшипників двигуна та фактичні несправності в режимі реального часу.
MCU з можливостями периферійного штучного інтелекту можуть відстежувати два типи несправностей: одна — несправність підшипників двигуна. Коли в підшипниках двигуна виникають ненормальні умови або погіршення продуктивності, своєчасне виявлення таких несправностей має вирішальне значення для запобігання несподіваним зупинкам, скорочення часу простою та зниження витрат на обслуговування; Другий — сонячна дугова несправність, яка відноситься до явища дугового розряду, спричиненого неочікуваними шляхами, такими як струм, що проходить через повітря. Це часто спричинено несправністю ізоляції, ослабленим з’єднанням та іншими проблемами в системах сонячної енергії. Висока температура, що виникає внаслідок цієї несправності, може призвести до пожежі або пошкодження електричної системи. Тому моніторинг і виявлення цієї несправності є необхідним засобом для забезпечення безпечної та надійної роботи систем сонячної енергії.
Традиційні методи виявлення несправностей, як-от моніторинг несправності підшипників двигуна, покладаються на дискретне виявлення кількох пристроїв і аналіз-на основі правил, тоді як виявлення несправностей сонячної дуги використовує аналіз сигналу струму в частотній області та визначення порогового значення. Ці методи не тільки вимагають глибоких професійних знань, але також мають обмежену адаптивність і чутливість, що ускладнює гарантування точності виявлення та підвищує складність системи.
Базуючись на інтегрованому периферійному штучному інтелекті для виявлення несправностей, використовуючи -модулі мікроконтролера в режимі реального часу, такі як TMS320F28P550SJ, як носії, запуск моделей CNN локально може ефективно підвищити рівень виявлення несправностей, зменшити помилкові тривоги та досягти більш точного прогнозованого технічного обслуговування. Модель CNN, завдяки своїй здатності автономно вивчати складні шаблони з необроблених даних датчиків, може безпосередньо витягувати ознаки з вібраційних сигналів, постійних струмів та інших даних. Поєднуючи різні робочі умови, відмінності в апаратному забезпеченні та алгоритми попередньої обробки, адаптивність і надійність моделі можна покращити, а затримку виявлення можна зменшити. У таких сценаріях, як електропривод, сонячна енергія та керування батареєю, моделі CNN можуть точно визначати режими несправностей і досягати ефективного-виявлення в реальному часі в динамічних середовищах.
Резюме
У прикладних сценаріях, таких як електроприводи та сонячна енергія,-виявлення несправностей у реальному часі є наріжним каменем забезпечення робочої безпеки та-тривалої надійності. Edge AI з його можливостями локальної-обробки даних у реальному часі революціонізував методи виявлення несправностей, значно підвищивши точність виявлення та зменшивши затримку, забезпечуючи потужну підтримку для ефективної та стабільної роботи системи.