For nylig udsendte National Development and Reform Commission og National Energy Administration i fællesskab implementeringsudtalelser om fremme af høj-kvalitetsudvikling af "kunstig intelligens+"-energi. Udtalelserne nævnte specifikt ét punkt: statusevaluering af strømudstyr og intelligent drift og vedligeholdelse. Byg applikationer såsom intelligent perception og advarsel om udstyrsstatus, intelligent positionering og diagnosticering af udstyrsfejl, intelligent beslutningstagning- for vedligeholdelse af udstyrsstatus, intelligent forudsigelse af udstyrskatastroferisici og intelligent generering af vedligeholdelsesarbejdsbilletter for at øge niveauet af lean management af udstyr.
I solcelleindustrien udvikler kunstig intelligens stille og roligt.
I de senere år har solenergien udviklet sig hurtigt. I 2024 vil solcelleanlæggets globale installerede kapacitet nå et rekordhøjt niveau på 597 gigawatt, en stigning på 33 % fra 449 gigawatt i 2023. Denne vækst vil føre til en global installeret solcellekapacitet på over 2,2 terawatt, sammenlignet med ca. 1,6 terawatt af solenergi installeret før solenergi22 i Europa. Kapaciteten vil stige med yderligere 10 % til 655 gigawatt i 2025. I øjeblikket tegner solenergi sig for ca. 6,9 % af den globale elforsyning, op fra omkring 5,6 % i 2023. På trods af solenergiens hurtige vækst og enorme potentiale er mange virksomheder, organisationer og industrier stadig uvillige til at begrænse produktionen og effektiviteten fuldt ud.
Ydeevnen af solpaneler er påvirket af forskellige faktorer, herunder skiftende vejrforhold, varierende sollysintensitet og systemets evne til at styre strømtransmission. Hvis den genererede elektricitet ikke er korrekt reguleret, kan det føre til energispild, lav effektivitet eller upålidelige strømforsyningsproblemer -, som brugere og virksomheder, der er afhængige af stabil energi, ikke har råd til. I dette tilfælde er finjustering af driftscyklussen (dvs. forholdet mellem solcellepanelets tænd- og slukketid) afgørende for at maksimere udnyttelsen af solpanelsystemets energi.
På den anden side ændrer maskinlæring (ML) og kunstig kunstig intelligens (Edge AI) grundlæggende effektiviteten af forskellige industrier ved at muliggøre smartere,-datadrevet beslutningstagning-. For eksempel inden for vedvarende energi optimerer maskinlæring ydeevnen af solpaneler ved at analysere miljøforhold, forudsige energiudbytte og implementere forudsigelig vedligeholdelse for at minimere nedetid. Ud over solenergi kan maskinlæring også forbedre produktionseffektiviteten gennem forudsigelig vedligeholdelse og procesautomatisering, reducere energispild i smarte net gennem realtidsbelastningsprognoser- og forbedre landbrugets produktivitet ved at understøtte præcisionslandbrugsteknologier. I disse forskellige anvendelsessager driver maskinlæring kontinuerlige forbedringer ved at transformere komplekse data til handlingsorienteret indsigt, hvilket i sidste ende sparer tid, reducerer omkostninger og forbedrer bæredygtighed. Som svar på denne tendens har forskellige controllerproducenter integreret AI-teknologi i MCU/MPU for at imødekomme de nye krav fra den fotovoltaiske inverter-industri.
Infineon
HTEC-teamet brugte Infineons PSoC Edge-processor til at undersøge, hvordan man bruger deep neurale netværk (DNN'er) til at forudsige den optimale driftscyklus for DC-DC-konvertere med fokus på at identificere de mest relevante inputfunktioner for at forbedre ydeevne og pålidelighed.
Mange af disse metoder er afhængige af måledata såsom solindstråling og omgivelsestemperatur, da disse parametre er tæt forbundet med solpanelernes effekt. Integrationen af irradianssensorer medfører dog også nogle ulemper, herunder ekstra omkostninger og risikoen for unøjagtige målinger på grund af faktorer som støvophobning eller sensorplaceringsforskelle. For at løse dette problem har nogle forskere foreslået indirekte estimering af infrarøde irradiansværdier, men dette øger modelleringskompleksiteten og kan introducere fejlkilder, der kan spredes gennem MPPT-algoritmer.
Derudover er der foreslået sensorløse eller lavsensormetoder, som kun bruger spændings- og strømmålingsdata direkte leveret af solpaneler. Disse interne signaler er lette at få adgang til, i det væsentlige synkroniserede med solpanelets driftsbetingelser og undgår mange komplekse problemer relateret til strålingsføling.
Softwaren til implementering af MPPT-algoritmen (maximum power point tracking) baseret på kunstig intelligens er blevet implementeret på en tilpasset hardwareplatform udviklet af HTEC. Platformen forbinder solpanelets output sikkert til en DC-DC-konverter og inkluderer alle nødvendige sensorkomponenter til overvågning af spænding, strøm og omgivende temperatur. Disse signaler tjener som input til DNN, som beregner den passende driftscyklus i realtid.- Platformen har også Bluetooth-kommunikationsfunktion og understøtter menneskelig-maskinegrænsefladefunktion (HMI), som kan give brugere-realtidsfeedback om energiproduktion og systemstatus. På denne måde kan systemet styre driftscyklussen for DC-DC-konvertere, samtidig med at det giver information, der kan bruges til forudsigelig vedligeholdelse.
Strømstyringsmodul: Tildel strøm til PSOC Edge- og Bluetooth-moduler.
Bluetooth kommunikationsmodul: håndterer trådløs dataoverførsel til HMI-funktioner.
Sensormodul: måler spænding og strøm i realtid- genereret af solpaneler.
Processormodul: PSOC Edge System Level Module (SOM): udfører alle computeropgaver, inklusive AI-inferens og kontrollogik.
PSOC Edge E84-serien Arm Cortex-M mikrocontroller er en høj-ydeevne, lav-styrke og sikker MCU udstyret med ML-acceleration. Den er baseret på den høje-højtydende Cortex-M55-kerne, understøtter Helium DSP og er parret med Arm Ethos-U55 NPU og lav-Cortex-M33-kerne. Den bruges sammen med Infineon ultra-laveffekt NNLite hardwareaccelerationsplatform. PSOC Edge kan kontinuerligt analysere sensordata fra overvågning af sollysintensitet, paneltemperatur og effekt. Dette gør det muligt for den dynamisk at justere retningen af solpaneler, spore MPPT og optimere inverterdrift uden forsinkelsen forårsaget af cloud-behandling. Derudover kan AI detektere energiforbrugsmønstre og forudsige efterspørgsel eller skyggebegivenheder og derved yderligere optimere energilagring og -allokeringsstrategier. Datasæt af høj kvalitet er afgørende for udviklingen og valideringen af kunstig intelligens-baserede MPPT-løsninger (maximum power point tracking). Artiklen bruger det offentligt tilgængelige datasæt for fotovoltaiske kraftværker ved kysten fra Humboldt State University i USA, udvælger højfrekvente samplingsdata med ét minuts intervaller over tre år, simulerer spændingen og strømudgangen fra fotovoltaiske paneler baseret på parametre såsom solindstråling og temperatur, og genererer det maksimale strømforbrug til træningsmærket. Samtidig udtrækkes hjælpefunktioner såsom spændings- og strømændringer, og efter forbehandling såsom normalisering og fjernelse af nattedata leveres pålidelig dataunderstøttelse til træning. I konstruktionen af AI-modeller anvendes en flerlags perceptron (MLP)-arkitektur for at afhjælpe manglerne ved traditionelle perturbationsobservationsmetoder (P&O), såsom langsom konvergens og effektoscillationer. Modellens ydeevne er optimeret gennem en to-tilgang af trin-for-trinstræning og-realtidstræning. Trin-for-trin-træning giver modellen mulighed for at forudsige de optimale elektriske parametre baseret på øjeblikkelige måleværdier, mens realtidstræning introducerer en feedbackmekanisme, der tager den tidligere forudsigelse som efterfølgende input, iterativt korrigerer den for at simulere virkelige scenarier og i sidste ende opnår et MPPT-skema med lav latens og høj robusthed, der er tilpasset til at implementere den indlejrede energieffektivitetsplatform i den integrerede fotoeffektivitetsplatform. dynamiske miljøer.
For at implementere AI-modellen på PSOC Edge-platformen er det nødvendigt at konvertere modellen fra 32-bit flydende-punktformat til 8-bit format. I betragtning af den relativt kompakte neurale netværksarkitektur designet til MPPT-opgaver, bruges modelkvantisering hovedsageligt som en optimeringsteknik, og mere avancerede kompressionsstrategier såsom modeldestillation anvendes ikke, da det ikke væsentligt forbedrer effektiviteten af den i forvejen ekstremt lille modelstørrelse. Modelkvantisering konverterer modelparametre fra 32-bit eller 64-bit flydende komma-repræsentationer til lavpræcisionsformater såsom 8-bit-heltal, hvilket reducerer hukommelsesfodaftrykket og beregningskravene til modellen betydeligt, hvilket gør den mere velegnet til udrulning af edge-enheder. På samme tid, ved at bruge kvantiseringsbevidst træning (QAT) til at simulere kvantiseringsmiljøer under træningsfasen, kan den negative indvirkning af reduceret nøjagtighed på modelnøjagtigheden afhjælpes, og endda generaliseringsevnen kan forbedres.
Efter modeloptimeringen er fuldført, implementeres AI-algoritmen til Infineon PSOC Edge-platformen ved hjælp af ModusToolbox-udviklingsrammerne. Rammen understøtter implementering af 8-bit kvantiseringsmodel, og brugere behøver kun at eksportere modellen i TensorFlow Lite (TFLite)-format for problemfrit at integrere den i platformens AI-accelerator. Flydende komma Keras-modeller kan også implementeres direkte til at håndtere kvantiseringsoptimering inden for rammerne. Den konverterede AI-model vil blive konverteret til et C-kompatibelt format, med vægte og parametre gemt som uint8-værdier for at matche AI-acceleratorens 8-bit-arkitektur, hvilket giver hurtigere inferens og lavere hukommelsesforbrug. Ydeevneevaluering viser, at selvom kvantiseringsmodellens effektforudsigelsesfejl steg fra 0,0109 % til 0,6145 %, faldt inferensforsinkelsen fra 3 millisekunder til 0,3 millisekunder, og energiforbruget pr. inferens faldt fra 68,904 mikrojoule til 2,592 mikrojoule. Ydeevnen på PSOC Edge er desuden mere end 23 gange lavere end den, der er baseret på Arm Cortex-M4-løsningen, med en forsinkelsesreduktion på mere end 23 gange og energiforbrugsreduktion på mere end 42 gange, hvilket fuldt ud demonstrerer fordelene ved at implementere realtids- og effektive AI-løsninger på kanten af MPPT-applikationen af denne platform.
Ud over at optimere MPPT giver realtidsindsigt i-AI også yderligere fordele med - forudsigelig vedligeholdelse. HTEC-teamet har udviklet en dedikeret brugergrænseflade, der kan forudsige kontinuerlig indsigt i systemets ydeevne baseret på AI-modeller. Disse forudsigelser kan krydsreferences med faktisk strømproduktion for at identificere væsentlige forskelle, der kan være forårsaget af forringelse af komponentydelse, hvilket gør det muligt for interessenter at proaktivt arrangere vedligeholdelse. HTEC påpeger, at fremtidigt arbejde kan udforske yderligere optimeringsteknikker, såsom at integrere flere sensordata eller bruge avancerede modelkomprimeringsmetoder for yderligere at forbedre systemets nøjagtighed og ydeevne. Ikke desto mindre fremhæver den nuværende tilgang potentialet ved AI-drevet MPPT i indlejrede solcelleløsninger, og giver vejledning til mere effektiv og bæredygtig energistyring og smartere praksis for vedligeholdelse af enheder.
STMicroelectronics
STMicroelectronics har lanceret en edge AI arc fault circuit breaker (AFCI) løsning baseret på STM32.
Inden for elektrisk sikkerhed tegner brande forårsaget af lysbuefejl sig for op til en fjerdedel, og den kontinuerlige fremkomst af nye anvendelsesscenarier såsom solpaneler, strømbatterier, elektrisk værktøj og elektriske cykler har stillet højere innovative krav til lysbuebeskyttelsesteknologi. Selvom regel-baserede algoritmer kan forbedre sikkerheden for elektriske enheder, er deres miljøtilpasningsevne begrænset, og antallet af falske alarmer er høj. Cloudbaserede AI-løsninger, selvom de er meget nøjagtige, står over for latens- og privatlivsrisici.
I denne sammenhæng er edge AI-løsninger blevet et ideelt balancepunkt - de kræver ikke netværksforbindelser og ekstern behandling og kan fuldføre databehandling lokalt på enheden i realtid, hvilket opnår øjeblikkelig registrering og respons af lysbuer, samtidig med at privatlivs- og sikkerhedsrisici elimineres. Samtidig reducerer de antallet af falske alarmer betydeligt gennem kontinuerlig læring i at tilpasse sig forskellige miljøer og forbedrer systemets effektivitet. Ved at vælge NanoEdge AI Studio-værktøjet som udviklingskernen, med dens bruger-venlige grænseflade og brugervenlighed, kan den automatisk filtrere og generere den optimale model baseret på brugerdata; Hvis forudtrænede neurale netværk er tilgængelige, kan STM32Cube.AI også bruges til kompressionsoptimering for at tilpasse sig indlejrede miljøer.
I den specifikke implementering bruges et tilpasset AFCI-kort med STM32G4 som kernen som hardwarebærer. Omkring 1000 sæt normale driftssignaler indsamles først, og derefter indsamles et lige så stort antal lysbuefejlsignaler. De to typer data importeres til klassificeringsprojektet i NanoEdge AI Studio, og værktøjet genererer automatisk et tilpasset AI-bibliotek og integrerer det i koden for at opnå realtidsovervågning af strøm- og lysbueudløsende alarmer. Dette skema bruger en 150 kHz samplingshastighedsstrømsensor til at behandle to typer data (buefejl og ingen lysbue) for 2048 × 1 akse, hvilket i sidste ende opnår 100 % detektionsnøjagtighed, der kun optager 16,7KB RAM og 0,5KB Flash-lagerplads.
NXP
Buedetekteringsteknologien i NXP MCX N-seriens NPU er meget udbredt i forskellige lejligheder, der kræver buedetektering, såsom:
Strømsystem: bruges til at overvåge og detektere lysbuefejl i strømsystemet og træffe rettidige foranstaltninger for at forhindre udvidelse af fejl.
Industriel kontrol: bruges i industriel automation og robotkontrolsystemer til at detektere potentielle lysbuerisici og sikre produktionssikkerhed.
Smart Home: I smart home-systemer bruges det til at overvåge lysbuesituationen i kredsløbet og forbedre sikkerheden ved husholdningernes elforbrug.
NXP har lanceret lysbuedetekteringssoftware og -hardwareløsninger samt træningssoftware til dataopsamling, som i høj grad kan accelerere udviklingshastigheden af brugerbuedetektionsprodukter. MCX N-seriens MCU integrerer NPU internt, hvilket kan opnå en brancheførende-inferenshastighed på 4,8 Gops og accelerere driften af foldede neurale netværk. Forbedre realtidsydelsen af lysbuefejlsdetektion.
Implementeringsprocessen for AI-baseret fejlbuedetektion omfatter fem trin: dataopsamling, datatræning, modelkvantificering, modelvalidering og implementering, som alle kan fuldføres gennem den-et-stop-uper-computersoftware, der leveres af NXP.
Som vist i figuren nedenfor er en testplatform bygget i henhold til UL1699B krav. PV-simuleringskildens output er input til DC PV-indgangsterminalen på den fotovoltaiske inverter efter at have passeret gennem den lysbuegenererende enhed. Ved at forbinde transformatorerne i serie, detekter AC-signalet genereret af fejlbuen. Gennem optagelseskortet har ADC integreret i MCXN947 en 16 bit opløsning og kan understøtte en samplinghastighed på op til 2Mbps ved 16 bit opløsning, hvilket gør den meget velegnet til buesignalopsamling. Signalet samples af ADC'en og behandles af MCU'en.
Takkvisitionskortet leveret af NXP understøtter i øjeblikket samtidig detektering af to lysbuesignaler, og akkvisitionskortet er tilsluttet FRDM-MXN947-kortet som et datterkort.
Med hensyn til udformningen af akkvisitionskredsløbet, i teoretisk forskning, ved at analysere frekvensdomænets karakteristika, er det normalt konstateret, at når der opstår en DC-fejlbue, vil den harmoniske energi af DC-strømmen i frekvensområdet 10KHz-100kHz stige betydeligt. Så det designede kredsløb bruger båndpasfiltrering til at behandle inputsignalet. Frekvensbåndets karakteristika er vist i følgende figur:
På samme tid, i anvendelsen af frekvensdomænedetektionsmetoder, for at undgå gensidig kobling og interferens mellem det karakteristiske frekvensbånd af DC-fejlbuer og det harmoniske forvrængningsfrekvensbånd forårsaget af selvkontrol af fotovoltaiske systemer, blev 10kHz-100kHz frekvensbåndet valgt som det karakteristiske frekvensbånd for DC- og fejldetektionsfrekvenser.
I princippet bruges FFT til harmonisk beregning, idet der tages 2048 punkter som segmenter for FFT-drift. MCXN947 har et PowerQuad-modul indeni, som kan accelerere FFT-drift. De beregnede resultater kvantiseres og føres til NPU'en båret af MCXN947 til behandling. Få det endelige klassifikationsresultat. Således effektivt identificere scener med elektriske lysbuer.
Under drift i realtid-udskrives registreringsresultaterne gennem den serielle port. I øjeblikket, når en lysbue detekteres, er outputgenkendelsesmatchningsgraden 99 %.
Renesas Electronics
Fuchang Electronics har lanceret et edge artificial intelligence (AI) lysbue-fejldetektionssystem ved hjælp af Renesas Electronics' RA6M4 MCU, som kan opnå hurtig og effektiv detektering. Dette system er særdeles velegnet til solenergi, smart energi og DC-systemer, hvilket giver real-sikkerhedsovervågning med minimale ressourcer. AFCI-løsningen anvender AI Plus-løsningen fra Future Design Center (FDC), som integrerer FDC AI- og Reality AI-løsninger.
Med den globale promovering af NEC, IEC 60364-4-42 og UL 1699B standarder forventes det, at AFCI's årlige forsendelser vil overstige 40 millioner enheder i 2030. Fuchang Electronics anvender Renesas RA6M4 MCU og Reality AI Tools ®. næsten perfekt detektion på mindre end 4ms, hvilket næsten eliminerer falske alarmer og identificerer farlige DC- og AC-buer, som andre enheder ikke kan genkende.
Hovedfordel: Tidsseriegenkendelse baseret på kunstig intelligens, understøttet af Renesas Reality AI
Registrering: Buefejl (små og store buer), manipulation med åbent kredsløb og lukket kredsløb og unormale strømkurver
Ultrahurtig detektion: inferenstid så lav som 10-250 millisekunder, inklusive forbehandling og multi-vindue-validering.
Læring med ét klik: Den indbyggede knap kan hjælpe med automatisk at kalibrere printkortet i henhold til kundens designmiljø. I stand til at kopiere kalibrerede data til andre printkort. Intet behov for cloud-baseret AI/ML-træning
Målmarkeder og applikationer: Solcelle-invertere, strømafbrydere, batterienergilagringssystemer (BESS), invertere, DC-opladere til elektriske køretøjer, industrielt koblingsudstyr, PDU høj-batteriværktøjer til kunstig intelligens-datacentre, elektriske køretøjer
Renesas Electronics' RA6M4 mikrocontroller (MCU) produktgruppe bruger TrustZone support ® Den høje-arm Cortex-M33 kerne. Når den bruges sammen med Secure Crypto Engine (SCE) i chippen, kan den levere funktionaliteten som en sikker chip. Integreret Ethernet MAC med dedikeret DMA sikrer høj datagennemstrømning. RA6M4 anvender en effektiv 40nm-proces, understøttet af det åbne og fleksible økosystemkoncept af FreeRTOS-baseret Flexible Configuration Package (FSP), og kan udvides til at bruge andre{11}}realtidsoperativsystemer (RTOS) og middleware. RA6M4 er velegnet til behovene for IoT-applikationer såsom Ethernet, sikkerhedsfunktioner til fremtidige applikationer, indlejret RAM med stor kapacitet og lavt strømforbrug (kører CoreMark-algoritmen fra flash-hukommelse, så lavt som 99 µ A/MHz).
Texas Instruments
Selvom anvendelsen af AI i-realtidsstyringssystemer såsom motordrev, solenergi og batteristyring ikke ofte har fanget overskrifterne som de nye store sprogmodeller, kan anvendelsen af edge AI i fejldetektion effektivt forbedre systemets effektivitet, sikkerhed og produktivitet.
MCU kan forbedre fejldetektionsevnen i høj-realtidsstyringssystemer-. Sådanne MCU'er bruger integrerede neurale netværksbehandlingsenheder (NPU'er) til at køre CNN-modeller (convolutional neural network), som effektivt kan reducere latens og strømforbrug ved overvågning af systemfejl. Integrering af edge AI-funktioner i den samme MCU, der styrer realtidsstyring, kan hjælpe med at optimere systemdesign og forbedre den overordnede ydeevne. Nøglen til pålidelig drift i motordrev og solenergisystemer ligger i hurtig og forudsigelig fejldetektion, som ikke kun reducerer falske alarmer, men også overvåger unormale motorlejer og faktiske fejl i realtid.
MCU'er med edge AI-funktioner kan overvåge to typer fejl: Den ene er motorlejefejl. Når unormale forhold eller ydeevneforringelse forekommer i motorlejer, er rettidig detektering af sådanne fejl afgørende for at forhindre uventede nedlukninger, forkorte nedetid og reducere vedligeholdelsesomkostninger; Den anden er solbuefejl, som refererer til fænomenet bueudladning forårsaget af uventede veje, såsom strøm, der passerer gennem luften. Det er ofte forårsaget af isoleringsfejl, løse forbindelser og andre problemer i solenergisystemer. Den høje temperatur, der genereres af denne fejl, kan føre til brand eller beskadigelse af det elektriske system. Derfor er overvågning og detektering af denne fejl et nødvendigt middel til at sikre sikker og pålidelig drift af solenergisystemer.
Traditionelle fejldetekteringsmetoder, såsom overvågning af motorlejefejl, er afhængige af diskret detektering og regelbaseret analyse- af flere enheder, mens solbuefejldetektion bruger frekvensdomænestrømsignalanalyse og tærskelvurdering. Disse metoder kræver ikke kun dyb faglig viden, men har også begrænset tilpasningsevne og følsomhed, hvilket gør det vanskeligt at garantere detektionsnøjagtighed og øge systemets kompleksitet.
Baseret på integreret edge AI til fejldetektion, ved at bruge realtids-MCU'er såsom TMS320F28P550SJ som transportører, kan kørsel af CNN-modeller lokalt effektivt forbedre fejldetektionsraterne, reducere falske alarmer og opnå mere præcis forudsigelig vedligeholdelse. CNN-modellen, med dens evne til autonomt at lære komplekse mønstre fra rå sensordata, kan direkte udtrække funktioner fra vibrationssignaler, DC-strømme og andre data. Ved at kombinere forskellige driftsforhold, hardwareforskelle og forbehandlingsalgoritmer kan modellens tilpasningsevne og pålidelighed forbedres, og detektionsforsinkelsen kan reduceres. I scenarier som motordrev, solenergi og batteristyring kan CNN-modeller nøjagtigt identificere fejltilstande og opnå realtid og effektiv detektering i dynamiske miljøer.
Oversigt
I applikationsscenarier som motordrev og solenergi er fejldetektion i realtid-hjørnestenen i at sikre driftssikkerhed og langsigtet-pålidelighed. Edge AI har med dens lokale-realtidsdatabehandlingsfunktioner revolutioneret fejldetektionsmetoderne, forbedret detektionsnøjagtigheden betydeligt og reduceret latens, hvilket giver stærk støtte til effektiv og stabil systemdrift.