Nyligen utfärdade National Development and Reform Commission och National Energy Administration tillsammans implementeringsutlåtanden om att främja hög-kvalitetsutveckling av "artificiell intelligens+"-energi. Åsikterna nämnde specifikt en punkt: utvärdering av kraftutrustningens status och intelligent drift och underhåll. Bygg applikationer som intelligent uppfattning och varning för utrustningsstatus, intelligent positionering och diagnos av utrustningsfel, intelligent beslutsfattande- för underhåll av utrustningsstatus, intelligent förutsägelse av utrustningens katastrofrisker och intelligent generering av underhållsarbetsbiljetter för att förbättra nivån på smidig hantering av utrustning.
Inom solcellsindustrin utvecklas AI tyst.
De senaste åren har solenergin utvecklats snabbt. År 2024 kommer den globala installerade kapaciteten för solceller att nå rekordhöga 597 gigawatt, en ökning med 33 % från 449 gigawatt 2023. Denna tillväxt kommer att leda till att en global total installerad solenergikapacitet överstiger 2,2 terawatt, jämfört med cirka 1,6 terawatt av solenergi installerad före solenergi02 i Europa vid slutet av solenergi02. Kapaciteten kommer att öka med ytterligare 10 % till 655 gigawatt till 2025. För närvarande står solenergi för cirka 6,9 % av den globala elförsörjningen, upp från cirka 5,6 % 2023. Trots den snabba tillväxten och den enorma potentialen för solenergi är många företag, organisationer och industrier fortfarande ovilliga att helt och hållet begränsa effektiviteten på grund av den.
Prestandan hos solpaneler påverkas av olika faktorer, inklusive ändrade väderförhållanden, varierande solljusintensitet och systemets förmåga att hantera kraftöverföring. Om den genererade elen inte är korrekt reglerad kan det leda till energislöseri, låg effektivitet eller otillförlitlig strömförsörjning - som användare och företag som förlitar sig på stabil energi inte har råd med. I det här fallet är finjustering av driftcykeln (dvs. förhållandet mellan på- och avstängningstiden för solpanelen) avgörande för att maximera utnyttjandet av energin i solpanelsystemet.
Å andra sidan förändrar maskininlärning (ML) och edge artificiell intelligens (Edge AI) effektiviteten i olika branscher i grunden genom att möjliggöra smartare, -datadrivet beslutsfattande-. Till exempel, inom området förnybar energi, optimerar maskininlärning prestandan hos solpaneler genom att analysera miljöförhållanden, förutsäga energiproduktion och implementera prediktivt underhåll för att minimera stilleståndstiden. Förutom solenergi kan maskininlärning också förbättra tillverkningseffektiviteten genom prediktivt underhåll och processautomation, minska energislöseriet i smarta nät genom belastningsprognoser i realtid och förbättra jordbrukets produktivitet genom att stödja precisionsjordbrukstekniker. I dessa olika användningsfall driver maskininlärning kontinuerliga förbättringar genom att omvandla komplexa data till handlingsbara insikter, vilket i slutändan sparar tid, minskar kostnaderna och förbättrar hållbarheten. Som svar på denna trend har olika styrenhetstillverkare integrerat AI-teknik i MCU/MPU för att möta de nya kraven från fotovoltaisk inverterindustri.
Infineon
HTEC-teamet använde Infineons PSoC Edge-processor för att undersöka hur man använder djupa neurala nätverk (DNN) för att förutsäga den optimala arbetscykeln för DC-DC-omvandlare, med fokus på att identifiera de mest relevanta ingångsfunktionerna för att förbättra prestanda och tillförlitlighet.
Många av dessa metoder förlitar sig på mätdata som solinstrålning och omgivningstemperatur, eftersom dessa parametrar är nära relaterade till uteffekten från solpaneler. Integreringen av irradianssensorer medför dock också vissa nackdelar, inklusive extra kostnader och risken för felaktiga mätningar på grund av faktorer som dammansamling eller sensorplaceringsskillnader. För att lösa detta problem har vissa forskare föreslagit indirekt uppskattning av infraröda irradiansvärden, men detta ökar modelleringskomplexiteten och kan introducera felkällor som kan spridas genom MPPT-algoritmer.
Dessutom har sensorlösa eller lågsensormetoder föreslagits, som endast använder spännings- och strömmätdata direkt från solpaneler. Dessa interna signaler är lätta att komma åt, huvudsakligen synkroniserade med solpanelens driftsförhållanden och undviker många komplexa problem relaterade till bestrålningsavkänning.
Mjukvaran för implementering av MPPT-algoritmen (maximal power point tracking) baserad på artificiell intelligens har distribuerats på en anpassad hårdvaruplattform utvecklad av HTEC. Plattformen ansluter solpanelens utgång till en DC-DC-omvandlare och inkluderar alla nödvändiga avkänningskomponenter för övervakning av spänning, ström och omgivningstemperatur. Dessa signaler fungerar som insignaler för DNN, som beräknar lämplig arbetscykel i realtid-. Plattformen har också Bluetooth-kommunikationsfunktion och stöder funktionen för mänskligt-maskingränssnitt (HMI), som kan ge användare-realtidsfeedback om energiproduktion och systemstatus. På så sätt kan systemet hantera driftcykeln för DC-DC-omvandlare samtidigt som det tillhandahåller information som kan användas för prediktivt underhåll.
Strömhanteringsmodul: Tilldela ström till PSOC Edge- och Bluetooth-moduler.
Bluetooth kommunikationsmodul: hanterar trådlös dataöverföring för HMI-funktioner.
Avkänningsmodul: mäter-realtidsspänning och ström som genereras av solpaneler.
Processormodul: PSOC Edge System Level Module (SOM): utför alla beräkningsuppgifter, inklusive AI-inferens och kontrolllogik.
PSOC Edge E84-serien Arm Cortex-M mikrokontroller är en hög-prestanda, låg-och säker MCU utrustad med ML-acceleration. Den är baserad på den högpresterande Cortex-M55-kärnan, stöder Helium DSP och är ihopkopplad med Arm Ethos-U55 NPU och låg-Cortex-M33-kärna. Den används i kombination med Infineon ultra-lågeffekt NNLite hårdvaruaccelerationsplattform. PSOC Edge kan kontinuerligt analysera sensordata från övervakning av solljusintensitet, paneltemperatur och uteffekt. Detta gör det möjligt för den att dynamiskt justera riktningen för solpaneler, spåra MPPT och optimera växelriktarens drift utan fördröjning som orsakas av molnbearbetning. Dessutom kan AI upptäcka energiförbrukningsmönster och förutsäga efterfrågan eller skugghändelser, och därigenom optimera energilagrings- och allokeringsstrategier ytterligare. Datauppsättningar av hög kvalitet är avgörande för utveckling och validering av artificiell intelligens baserade MPPT-lösningar (maximal power point tracking). Artikeln använder den allmänt tillgängliga datauppsättningen för solcellskraftverk vid kusten från Humboldt State University i USA, väljer hög-samplingsdata med en minuts intervall över tre år, simulerar spänningen och strömutmatningen från solcellspaneler baserat på parametrar som solinstrålning och temperatur, och genererar den maximala effektnivån för träningscykeln. Samtidigt extraheras hjälpfunktioner som spännings- och strömförändringar, och efter förbearbetning som normalisering och borttagning av nattdata tillhandahålls tillförlitligt datastöd för utbildning. Vid konstruktionen av AI-modeller används en fler-lagerperceptron-arkitektur (MLP) för att åtgärda bristerna hos traditionella störningsobservationsmetoder (P&O), som långsam konvergens och effektsvängningar. Modellens prestanda optimeras genom en två-metod av steg-för-träning och träning i realtid-. Steg-för-steg-träning gör det möjligt för modellen att förutsäga de optimala elektriska parametrarna baserat på momentana mätvärden, medan realtidsträning introducerar en återkopplingsmekanism som tar den tidigare förutsägelsen som efterföljande indata, iterativt korrigerar den för att simulera verkliga scenarier och i slutändan uppnår ett MPPT-schema med låg latens och hög robusthet som är anpassat för att implementera energieffektivitetssystem för inbäddade fotosystem, förbättrad fotoeffektivitet. dynamiska miljöer.
För att kunna distribuera AI-modellen på PSOC Edge-plattformen är det nödvändigt att konvertera modellen från 32-bitars flytande-punktsformat till 8-bitarsformat. Med tanke på den relativt kompakta neurala nätverksarkitekturen designad för MPPT-uppgifter, används modellkvantisering främst som en optimeringsteknik, och mer avancerade kompressionsstrategier som modelldestillation tillämpas inte, eftersom det inte avsevärt förbättrar effektiviteten hos den redan extremt lilla modellstorleken. Modellkvantisering konverterar modellparametrar från 32-bitars eller 64-bitars flyttalsrepresentationer till lågprecisionsformat som 8-bitars heltal, vilket avsevärt minskar minnesfotavtrycket och beräkningskraven för modellen, vilket gör den mer lämpad för edge-enhetsutbyggnad. Samtidigt, genom att använda kvantiseringsmedveten träning (QAT) för att simulera kvantiseringsmiljöer under träningsfasen, kan den negativa effekten av minskad noggrannhet på modellnoggrannheten mildras, och till och med generaliseringsförmågan kan förbättras.
Efter att modelloptimeringen är klar, distribueras AI-algoritmen till Infineon PSOC Edge-plattformen med hjälp av ModusToolbox-utvecklingsramverket. Ramverket stöder implementering av 8-bitars kvantiseringsmodell, och användare behöver bara exportera modellen i TensorFlow Lite-format (TFLite) för att sömlöst integrera den i plattformens AI-accelerator. Flytande komma Keras-modeller kan också distribueras direkt för att hantera kvantiseringsoptimering inom ramverket. Den konverterade AI-modellen kommer att konverteras till ett C-kompatibelt format, med vikter och parametrar lagrade som uint8-värden för att matcha AI-acceleratorns 8-bitarsarkitektur, vilket ger snabbare slutledning och lägre minnesanvändning. Prestandautvärdering visar att även om effektförutsägelsefelet för kvantiseringsmodellen ökade från 0,0109 % till 0,6145 %, minskade slutledningsfördröjningen från 3 millisekunder till 0,3 millisekunder, och energiförbrukningen per slutledning minskade från 68,904 mikrojoule till 2,592 mikrojoule. Dessutom är prestandan på PSOC Edge mer än 23 gånger lägre än den som är baserad på Arm Cortex-M4-lösningen, med en fördröjningsreduktion på mer än 23 gånger och en minskning av energiförbrukningen på mer än 42 gånger, vilket fullt ut visar fördelarna med att implementera realtids- och effektiva AI-lösningar på kanten av MPPT-applikationen av denna plattform.
Förutom att optimera MPPT, ger AI-insikter i realtid även- ytterligare fördelar med - prediktivt underhåll. HTEC-teamet har utvecklat ett dedikerat användargränssnitt som kan förutsäga kontinuerliga insikter om systemprestanda baserat på AI-modeller. Dessa förutsägelser kan korsreferens med faktisk kraftgenerering för att identifiera betydande skillnader som kan orsakas av försämrad komponentprestanda, vilket gör det möjligt för intressenter att proaktivt ordna underhåll. HTEC påpekar att framtida arbete kan utforska ytterligare optimeringstekniker, som att integrera mer sensordata eller använda avancerade modellkomprimeringsmetoder, för att ytterligare förbättra systemets noggrannhet och prestanda. Ändå belyser det nuvarande tillvägagångssättet potentialen hos AI-driven MPPT i inbyggda solenergilösningar, vilket ger vägledning för mer effektiv och hållbar energihantering och smartare metoder för underhåll av enheter.
STMicroelectronics
STMicroelectronics har lanserat en edge AI arc fault circuit breaker (AFCI) lösning baserad på STM32.
Inom området elsäkerhet står bränder orsakade av ljusbågsfel för upp till en fjärdedel, och den kontinuerliga uppkomsten av nya tillämpningsscenarier som solpaneler, kraftbatterier, elverktyg och elcyklar har ställt högre innovativa krav på ljusbågsskyddsteknik. Även om regel-baserade algoritmer kan förbättra säkerheten för elektriska enheter är deras miljöanpassning begränsad och antalet falska larm är hög. Molnbaserade AI-lösningar, även om de är mycket exakta, möter latens- och integritetsrisker.
I det här sammanhanget har Edge AI-lösningar blivit en idealisk balanspunkt - de kräver inga nätverksanslutningar och extern bearbetning, och kan slutföra databearbetning lokalt på enheten i realtid, vilket uppnår omedelbar upptäckt och svar av bågar samtidigt som integritets- och säkerhetsrisker elimineras. Samtidigt, genom att kontinuerligt lära sig att anpassa sig till olika miljöer, minskar de avsevärt antalet falsklarm och förbättrar systemets effektivitet. Genom att välja verktyget NanoEdge AI Studio som utvecklingskärnan, med sitt användarvänliga gränssnitt och användarvänlighet, kan den automatiskt filtrera och generera den optimala modellen baserat på användardata; Om förtränade neurala nätverk är tillgängliga kan STM32Cube.AI också användas för komprimeringsoptimering för att anpassa sig till inbäddade miljöer.
I den specifika implementeringen används ett anpassat AFCI-kort med STM32G4 som kärna som hårdvarubärare. Cirka 1000 uppsättningar normala driftsignaler samlas först in, och sedan samlas lika många ljusbågsfelssignaler in. De två typerna av data importeras till klassificeringsprojektet för NanoEdge AI Studio, och verktyget genererar automatiskt ett anpassat AI-bibliotek och integrerar det i koden för att uppnå realtidsövervakning av ström- och bågutlösande larm. Detta schema använder en 150 kHz samplingshastighetsströmsensor för att bearbeta två typer av data (bågfel och ingen båge) för 2048 × 1 axel, vilket slutligen uppnår 100 % detekteringsnoggrannhet och upptar endast 16,7 kB RAM och 0,5 kB Flash-lagringsutrymme.
NXP
Bågdetekteringstekniken i NXP MCX N-seriens NPU används i stor utsträckning vid olika tillfällen som kräver bågdetektering, såsom:
Kraftsystem: används för att övervaka och upptäcka ljusbågsfel i kraftsystemet och vidta åtgärder i tid för att förhindra expansion av fel.
Industriell kontroll: används i industriell automation och robotstyrsystem för att upptäcka potentiella ljusbågarisker och säkerställa produktionssäkerhet.
Smart Home: I smarta hemsystem används det för att övervaka ljusbågssituationen i kretsen och förbättra säkerheten för hushållens elförbrukning.
NXP har lanserat mjukvara och hårdvarulösningar för ljusbågsdetektering, samt träningsprogram för datainsamling, som avsevärt kan påskynda utvecklingshastigheten för användarprodukter för ljusbågsdetektering. MCX N-seriens MCU integrerar NPU internt, vilket kan uppnå en branschledande-inferenshastighet på 4,8 Gops och påskynda driften av konvolutionella neurala nätverk. Förbättra realtidsprestandan för bågfelsdetektering.-
Implementeringsprocessen för AI-baserad detektering av felbågar inkluderar fem steg: datainsamling, dataträning, modellkvantifiering, modellvalidering och implementering, som alla kan slutföras genom den-övergripande datormjukvara som tillhandahålls av NXP.
Som visas i figuren nedan är en testplattform byggd enligt UL1699B krav. PV-simuleringskällans utgång matas in till DC PV-ingången på den fotovoltaiska växelriktaren efter att ha passerat genom den ljusbågsgenererande enheten. Detektera AC-signalen som genereras av felbågen genom att seriekoppla transformatorerna. Genom insamlingskortet har ADC:n integrerad i MCXN947 en 16-bitars upplösning och kan stödja en samplingshastighet på upp till 2Mbps vid 16-bitars upplösning, vilket gör den mycket lämplig för bågsignalinsamling. Signalen samplas av ADC:n och bearbetas av MCU:n.
TInsamlingskortet som tillhandahålls av NXP stöder för närvarande samtidig detektering av två bågsignaler, och insamlingskortet är anslutet till FRDM-MXN947-kortet som ett dotterkort.
När det gäller konstruktionen av förvärvskretsen, i teoretisk forskning, genom att analysera frekvensdomänens egenskaper, finner man vanligtvis att när en likströmsfelbåge uppstår kommer den harmoniska energin hos likströmmen i frekvensområdet 10KHz-100kHz att öka avsevärt. Så den designade kretsen använder bandpassfiltrering för att behandla insignalen. Frekvensbandsegenskaperna visas i följande figur:
Samtidigt, vid tillämpningen av frekvensdomändetektionsmetoder, för att undvika ömsesidig koppling och interferens mellan det karakteristiska frekvensbandet för DC-felbågar och det harmoniska distorsionsfrekvensbandet orsakat av självkontroll av fotovoltaiska system, valdes frekvensbandet 10kHz-100kHz som det karakteristiska feldetekteringsbandet för DC- och feldetekteringsbandet.
I princip används FFT för harmonisk beräkning och tar 2048 punkter som segment för FFT-drift. MCXN947 har en PowerQuad-modul inuti, som kan påskynda FFT-drift. De beräknade resultaten kvantiseras och matas till NPU:n som bärs av MCXN947 för bearbetning. Få det slutliga klassificeringsresultatet. På så sätt identifieras scener med ljusbågar effektivt.
Under drift i realtid-skrivs detekteringsresultaten ut via den seriella porten. För närvarande, när en båge detekteras, är matchningsgraden för utsignaligenkänning 99 %.
Renesas Electronics
Fuchang Electronics har lanserat ett edge artificiell intelligens (AI) bågfelsdetekteringssystem med hjälp av Renesas Electronics RA6M4 MCU, som kan uppnå snabb och effektiv detektering. Det här systemet är mycket lämpligt för solenergi, smart energi och DC-system, vilket ger real-säkerhetsövervakning med minimala resurser. AFCI-lösningen använder AI Plus-lösningen från Future Design Center (FDC), som integrerar FDC AI- och Reality AI-lösningar.
Med den globala marknadsföringen av NEC-, IEC 60364-4-42- och UL 1699B-standarderna förväntas AFCI:s årliga leveranser överstiga 40 miljoner enheter år 2030. Fuchang Electronics använder Renesas RA6M4 MCU och Reality AI Tools ®. Vi har utvecklat ett banbrytande system som utnyttjar 0k RAM-terminaler för att uppnå färre än 0K RAM-terminaler. nästan perfekt detektering på mindre än 4ms, vilket nästan eliminerar falsklarm och identifierar farliga DC- och AC-bågar som andra enheter inte kan känna igen.
Huvudfördel: Tidsserieigenkänning baserad på artificiell intelligens, stödd av Renesas Reality AI
Detektering: Ljusbågsfel (små och stora ljusbågar), manipulering av öppen krets och sluten krets och onormala strömkurvor
Ultrasnabb detektering: slutledningstid så låg som 10-250 millisekunder, inklusive förbearbetning och multifönstervalidering.
Inlärning med ett klick: Den inbyggda knappen kan hjälpa till att automatiskt kalibrera kretskortet enligt kundens designmiljö. Kan kopiera kalibrerad data till andra kretskort. Inget behov av molnbaserad AI/ML-träning
Målmarknader och applikationer: Solcellsväxelriktare, strömbrytare, batterienergilagringssystem (BESS), växelriktare, DC-laddare för elfordon, industriella ställverk, PDU-hög-batteriverktyg för artificiell intelligens datacenter, elfordon
Renesas Electronics produktgrupp RA6M4 mikrokontroller (MCU) använder TrustZone-stöd ® Den högpresterande Arm Cortex-M33-kärnan. När den används tillsammans med Secure Crypto Engine (SCE) i chippet, kan den tillhandahålla funktionen hos ett säkert chip. Integrerad Ethernet MAC med dedikerad DMA säkerställer hög datagenomströmning. RA6M4 använder en effektiv 40nm-process, som stöds av det öppna och flexibla ekosystemkonceptet med FreeRTOS-baserat Flexible Configuration Package (FSP), och kan utökas till att använda andra{11}}realtidsoperativsystem (RTOS) och mellanprogram. RA6M4 är lämplig för behoven hos IoT-applikationer som Ethernet, säkerhetsfunktioner för framtida applikationer, inbyggt RAM med stor kapacitet och låg strömförbrukning (kör CoreMark-algoritmen från flashminne, så lågt som 99 µ A/MHz).
Texas Instruments
Även om tillämpningen av AI i-realtidskontrollsystem som motordrift, solenergi och batterihantering inte ofta har fångat rubrikerna som de nya stora språkmodellerna, kan tillämpningen av edge AI i feldetektering effektivt förbättra systemets effektivitet, säkerhet och produktivitet.
MCU kan förbättra feldetekteringsförmågan i hög-realtidsstyrningssystem för- högspänning. Sådana MCU:er använder integrerade neurala nätverksbehandlingsenheter (NPU) för att köra CNN-modeller (convolutional neural network), vilket effektivt kan minska latens och strömförbrukning vid övervakning av systemfel. Att integrera edge AI-funktioner i samma MCU som hanterar realtidskontroll kan hjälpa till att optimera systemdesignen och förbättra den övergripande prestandan. Nyckeln till tillförlitlig drift i motordrift och solenergisystem ligger i snabb och förutsägbar feldetektering, som inte bara minskar falsklarm utan också övervakar motorlageravvikelser och faktiska fel i realtid.
MCU: er med edge AI-kapacitet kan övervaka två typer av fel: en är motorlagerfel. När onormala förhållanden eller prestandaförsämring inträffar i motorlager, är snabb upptäckt av sådana fel avgörande för att förhindra oväntade avstängningar, förkorta stilleståndstiden och minska underhållskostnaderna; Det andra är solbågsfel, som hänvisar till fenomenet med ljusbågsurladdning som orsakas av oväntade vägar som ström som passerar genom luften. Det orsakas ofta av isoleringsfel, lösa anslutningar och andra problem i solenergisystem. Den höga temperaturen som genereras av detta fel kan leda till brand eller skada på elsystemet. Därför är övervakning och detektering av detta fel ett nödvändigt medel för att säkerställa säker och tillförlitlig drift av solenergisystem.
Traditionella feldetekteringsmetoder, som övervakning av motorlagerfel, förlitar sig på diskret detektering av flera enheter och regel-baserad analys, medan solbågsfeldetektering använder frekvensdomänens aktuella signalanalys och tröskelbedömning. Dessa metoder kräver inte bara djup professionell kunskap, utan har också begränsad anpassningsförmåga och känslighet, vilket gör det svårt att garantera detekteringsnoggrannhet och ökar systemets komplexitet.
Baserat på integrerad edge AI för feldetektering, med användning av MCU:er i realtid som TMS320F28P550SJ som bärare, kan körning av CNN-modeller lokalt effektivt förbättra feldetekteringsfrekvensen, minska falsklarm och uppnå mer exakt prediktivt underhåll. CNN-modellen, med sin förmåga att autonomt lära sig komplexa mönster från rå sensordata, kan direkt extrahera funktioner från vibrationssignaler, likströmmar och andra data. Genom att kombinera olika driftsförhållanden, hårdvaru-skillnader och förbearbetningsalgoritmer kan modellens anpassningsförmåga och tillförlitlighet förbättras, och detektionslatens kan minskas. I scenarier som motordrift, solenergi och batterihantering kan CNN-modeller exakt identifiera fellägen och uppnå realtid och effektiv upptäckt i dynamiska miljöer.
Sammanfattning
I tillämpningsscenarier som motordrift och solenergi är-feldetektering i realtid hörnstenen för att säkerställa driftsäkerhet och långsiktig-tillförlitlighet. Edge AI, med sina lokala databehandlingsmöjligheter- i realtid, har revolutionerat feldetekteringsmetoderna, avsevärt förbättrat detekteringsnoggrannheten och minskat latensen, vilket ger starkt stöd för effektiv och stabil systemdrift.