Recentemente, a Comissão Nacional de Desenvolvimento e Reforma e a Administração Nacional de Energia emitiram conjuntamente pareceres de implementação sobre a promoção do desenvolvimento de alta-qualidade da energia de "inteligência artificial+". Os pareceres mencionaram especificamente um ponto: avaliação do estado dos equipamentos de energia e operação e manutenção inteligentes. Crie aplicativos como percepção inteligente e aviso de status de equipamentos, posicionamento inteligente e diagnóstico de falhas de equipamentos, tomada de decisão inteligente-para manutenção de status de equipamentos, previsão inteligente de riscos de desastres de equipamentos e geração inteligente de tíquetes de trabalho de manutenção para aprimorar o nível de gerenciamento enxuto de equipamentos.
Na indústria solar fotovoltaica, a IA está se desenvolvendo silenciosamente.
Nos últimos anos, a energia solar desenvolveu-se rapidamente. Em 2024, a capacidade instalada global de energia fotovoltaica atingirá um recorde de 597 gigawatts, um aumento de 33% em relação aos 449 gigawatts em 2023. Este crescimento levará a uma capacidade solar instalada total global superior a 2,2 terawatts, em comparação com aproximadamente 1,6 terawatts no final de 2022. A SolarPower Europe prevê que a capacidade solar instalada aumentará mais 10%, para 655 gigawatts até 2025. Atualmente, a energia solar representa aproximadamente 6,9% do fornecimento global de eletricidade, acima dos cerca de 5,6% em 2023. Apesar do rápido crescimento e do enorme potencial da energia solar, muitas empresas, organizações e indústrias ainda não estão dispostas a adotá-la totalmente devido à produção intermitente e às limitações de eficiência.
O desempenho dos painéis solares é influenciado por vários fatores, incluindo mudanças nas condições climáticas, variação na intensidade da luz solar e a capacidade do sistema de gerenciar a transmissão de energia. Se a eletricidade gerada não for devidamente regulamentada, poderá levar ao desperdício de energia, à baixa eficiência ou ao fornecimento de energia não confiável - preocupações que os usuários e as empresas que dependem de energia estável não podem arcar. Neste caso, o-ajuste fino do ciclo de trabalho (ou seja, a relação entre o tempo ligado e o tempo desligado do painel solar) é crucial para maximizar a utilização da energia do sistema de painel solar.
Por outro lado, o aprendizado de máquina (ML) e a inteligência artificial de ponta (Edge AI) estão mudando fundamentalmente a eficiência de vários setores, permitindo tomadas de decisões mais inteligentes-orientadas-por dados. Por exemplo, no campo das energias renováveis, a aprendizagem automática otimiza o desempenho dos painéis solares através da análise das condições ambientais, da previsão da produção de energia e da implementação de manutenção preditiva para minimizar o tempo de inatividade. Além da energia solar, o aprendizado de máquina também pode melhorar a eficiência da fabricação por meio de manutenção preditiva e automação de processos, reduzir o desperdício de energia em redes inteligentes por meio de previsão de carga-em tempo real e aumentar a produtividade agrícola ao apoiar tecnologias de agricultura de precisão. Nestes diversos casos de utilização, a aprendizagem automática impulsiona a melhoria contínua ao transformar dados complexos em insights acionáveis, poupando tempo, reduzindo custos e melhorando a sustentabilidade. Em resposta a esta tendência, vários fabricantes de controladores integraram a tecnologia de IA em MCU/MPU para atender às novas demandas da indústria de inversores fotovoltaicos.
Infineon
A equipe HTEC utilizou o processador PSoC Edge da Infineon para investigar como usar redes neurais profundas (DNNs) para prever o ciclo de trabalho ideal de conversores CC-CC, com foco na identificação dos recursos de entrada mais relevantes para melhorar o desempenho e a confiabilidade.
Muitos destes métodos baseiam-se em dados de medição, tais como irradiância solar e temperatura ambiente, uma vez que estes parâmetros estão intimamente relacionados com a produção de energia dos painéis solares. No entanto, a integração de sensores de irradiância também traz algumas desvantagens, incluindo custos adicionais e o risco de medições imprecisas devido a fatores como acumulação de poeira ou diferenças de localização dos sensores. Para resolver esse problema, alguns pesquisadores propuseram a estimativa indireta dos valores de irradiância infravermelha, mas isso aumenta a complexidade da modelagem e pode introduzir fontes de erro que podem se propagar através de algoritmos MPPT.
Além disso, foram propostos métodos sem sensor ou com sensor baixo, que utilizam apenas dados de medição de tensão e corrente fornecidos diretamente por painéis solares. Esses sinais internos são de fácil acesso, essencialmente sincronizados com as condições de operação do painel solar, e evitam muitos problemas complexos relacionados à detecção de irradiância.
O software para implementação do algoritmo de rastreamento de ponto de potência máxima (MPPT) baseado em inteligência artificial foi implantado em uma plataforma de hardware customizada desenvolvida pela HTEC. A plataforma conecta com segurança a saída do painel solar a um conversor CC-CC e inclui todos os componentes de detecção necessários para monitorar tensão, corrente e temperatura ambiente. Esses sinais servem como entradas para DNN, que calcula o ciclo de trabalho apropriado em tempo-real. A plataforma também possui função de comunicação Bluetooth e suporta função de interface homem-máquina (HMI), que pode fornecer aos usuários feedback-em tempo real sobre a produção de energia e o status do sistema. Dessa forma, o sistema pode gerenciar o ciclo de trabalho dos conversores CC-CC e, ao mesmo tempo, fornecer informações que podem ser usadas para manutenção preditiva.
Módulo de gerenciamento de energia: Aloque energia para módulos PSOC Edge e Bluetooth.
Módulo de comunicação Bluetooth: lida com a transmissão de dados sem fio para funções HMI.
Módulo de detecção: mede tensão e corrente-em tempo real geradas por painéis solares.
Módulo processador: PSOC Edge System Level Module (SOM): executa todas as tarefas de computação, incluindo inferência de IA e lógica de controle.
O microcontrolador Arm Cortex-M da série PSOC Edge E84 é um MCU de alto-desempenho, baixo- consumo de energia e seguro equipado com aceleração de ML. Ele é baseado no núcleo Cortex-M55 de alto-desempenho, suporta Helium DSP e é emparelhado com o NPU Arm Ethos-U55 e o núcleo-Cortex-M33 de baixo consumo de energia. Ele é usado em conjunto com a plataforma de aceleração de hardware NNLite de ultra{14}}consumo de energia ultrabaixo da Infineon. O PSOC Edge pode analisar continuamente os dados do sensor monitorando a intensidade da luz solar, a temperatura do painel e a saída de energia. Isso permite ajustar dinamicamente a direção dos painéis solares, rastrear MPPT e otimizar a operação do inversor sem o atraso causado pelo processamento em nuvem. Além disso, a IA pode detectar padrões de consumo de energia e prever eventos de demanda ou sombreamento, otimizando ainda mais o armazenamento de energia e as estratégias de alocação. Conjuntos de dados de alta qualidade são essenciais para o desenvolvimento e validação de soluções de rastreamento de ponto de potência máximo (MPPT) baseadas em inteligência artificial. O artigo usa o conjunto de dados de usinas fotovoltaicas costeiras disponíveis publicamente da Universidade Estadual de Humboldt, nos Estados Unidos, seleciona dados de amostragem de alta-frequência com intervalos de um minuto ao longo de três anos, simula a saída de tensão e corrente de painéis fotovoltaicos com base em parâmetros como irradiância solar e temperatura e gera o ciclo de trabalho correspondente ao ponto de potência máxima como rótulo de treinamento. Ao mesmo tempo, recursos auxiliares, como alterações de tensão e corrente, são extraídos e, após pré-processamento, como normalização e remoção de dados noturnos, é fornecido suporte confiável de dados para treinamento. Na construção de modelos de IA, uma arquitetura perceptron multicamadas (MLP) é adotada para resolver as deficiências dos métodos tradicionais de observação de perturbações (P&O), como convergência lenta e oscilações de potência. O desempenho do modelo é otimizado por meio de uma abordagem de dois-estágios de treinamento-passo a-passo e treinamento-em tempo real. O treinamento passo a passo permite que o modelo preveja os parâmetros elétricos ideais com base em valores de medição instantâneos, enquanto o treinamento{30}}em tempo real introduz um mecanismo de feedback que toma a previsão anterior como entrada subsequente, corrige-a iterativamente para simular cenários reais e, por fim, atinge um esquema MPPT de baixa latência e alta robustez que é adaptado à implantação de plataforma incorporada, melhorando a eficiência de utilização de energia de sistemas fotovoltaicos em ambientes dinâmicos.
Para implantar o modelo de IA na plataforma PSOC Edge, é necessário converter o modelo do formato de ponto flutuante-de 32-bits para o formato de 8 bits. Considerando a arquitetura de rede neural relativamente compacta projetada para tarefas MPPT, a quantização do modelo é usada principalmente como uma técnica de otimização, e estratégias de compressão mais avançadas, como a destilação do modelo, não são aplicadas, pois não melhoram significativamente a eficiência do tamanho do modelo já extremamente pequeno. A quantização do modelo converte os parâmetros do modelo de representações de ponto flutuante de 32 ou 64 bits em formatos de baixa precisão, como números inteiros de 8 bits, reduzindo significativamente o consumo de memória e os requisitos computacionais do modelo, tornando-o mais adequado para implantação de dispositivos de borda. Ao mesmo tempo, ao usar o treinamento consciente de quantização (QAT) para simular ambientes de quantização durante a fase de treinamento, o impacto negativo da precisão reduzida na precisão do modelo pode ser aliviado e até mesmo a capacidade de generalização pode ser melhorada.
Após a conclusão da otimização do modelo, o algoritmo de IA é implantado na plataforma Infineon PSOC Edge usando a estrutura de desenvolvimento ModusToolbox. A estrutura oferece suporte à implantação do modelo de quantização de 8 bits, e os usuários só precisam exportar o modelo no formato TensorFlow Lite (TFLite) para integrá-lo perfeitamente ao acelerador de IA da plataforma. Os modelos Keras de ponto flutuante também podem ser implantados diretamente para lidar com a otimização de quantização dentro da estrutura. O modelo de IA convertido será convertido para um formato compatível com C, com pesos e parâmetros armazenados como valores uint8 para corresponder à arquitetura de 8{19}}bits do acelerador de IA, obtendo inferência mais rápida e menor uso de memória. A avaliação de desempenho mostra que embora o erro de previsão de potência do modelo de quantização tenha aumentado de 0,0109% para 0,6145%, o atraso de inferência diminuiu de 3 milissegundos para 0,3 milissegundos, e o consumo de energia por inferência diminuiu de 68,904 microjoules para 2,592 microjoules. Além disso, o desempenho no PSOC Edge é mais de 23 vezes inferior ao baseado na solução Arm Cortex-M4, com uma redução de atraso de mais de 23 vezes e redução de consumo de energia de mais de 42 vezes, demonstrando plenamente as vantagens de implantar soluções de IA eficientes e em tempo real na aplicação MPPT de borda desta plataforma.
Além de otimizar o MPPT,-os insights de IA em tempo real também trazem benefícios adicionais - manutenção preditiva. A equipe HTEC desenvolveu uma interface de usuário dedicada que pode prever insights contínuos sobre o desempenho do sistema com base em modelos de IA. Estas previsões podem ser cruzadas com a geração de energia real para identificar diferenças significativas que podem ser causadas pela degradação do desempenho dos componentes, permitindo que as partes interessadas organizem a manutenção de forma proativa. A HTEC destaca que trabalhos futuros podem explorar outras técnicas de otimização, como a integração de mais dados de sensores ou a utilização de métodos avançados de compressão de modelos, para melhorar ainda mais a precisão e o desempenho do sistema. No entanto, a abordagem atual destaca o potencial do MPPT baseado em IA em soluções solares incorporadas, fornecendo orientação para uma gestão de energia mais eficiente e sustentável e práticas de manutenção de dispositivos de ponta mais inteligentes.
STMicroeletrônica
A STMicroelectronics lançou uma solução de disjuntor de falha de arco (AFCI) de IA de ponta baseada em STM32.
No campo da segurança elétrica, os incêndios causados por falhas de arco representam até um quarto, e o surgimento contínuo de novos cenários de aplicação, como painéis solares, baterias de energia, ferramentas elétricas e bicicletas elétricas, apresentou requisitos inovadores mais elevados para a tecnologia de proteção contra arco. Embora algoritmos-baseados em regras possam melhorar a segurança de dispositivos elétricos, sua adaptabilidade ambiental é limitada e a taxa de falsos alarmes é alta. As soluções de IA baseadas na nuvem, embora altamente precisas, enfrentam riscos de latência e privacidade.
Nesse contexto, as soluções de IA de ponta se tornaram um ponto de equilíbrio ideal - elas não exigem conexões de rede e processamento externo e podem concluir o processamento de dados localmente no dispositivo em tempo real, alcançando detecção e resposta instantâneas de arcos e eliminando riscos de privacidade e segurança. Ao mesmo tempo, através da aprendizagem contínua para se adaptarem a diferentes ambientes, reduzem significativamente as taxas de falsos alarmes e melhoram a eficiência do sistema. Escolhendo a ferramenta NanoEdge AI Studio como núcleo de desenvolvimento, com sua interface-amigável e fácil de usar, ela pode filtrar e gerar automaticamente o modelo ideal com base nos dados do usuário; Se redes neurais pré-treinadas estiverem disponíveis, o STM32Cube.AI também pode ser usado para otimização de compressão para adaptação a ambientes incorporados.
Na implementação específica, uma placa AFCI customizada com STM32G4 como núcleo é usada como portadora de hardware. Cerca de 1.000 conjuntos de sinais de operação normal são coletados primeiro e, em seguida, um número igual de sinais de falha de arco é coletado. Os dois tipos de dados são importados para o projeto de classificação do NanoEdge AI Studio, e a ferramenta gera automaticamente uma biblioteca de IA adaptada e a integra ao código para obter monitoramento-em tempo real de alarmes de corrente e de disparo de arco. Este esquema usa um sensor de corrente com taxa de amostragem de 150 kHz para processar dois tipos de dados (falha de arco e sem arco) para o eixo 2048 × 1, alcançando, em última análise, 100% de precisão de detecção, ocupando apenas 16,7 KB de RAM e 0,5 KB de espaço de armazenamento Flash.
NXP
A tecnologia de detecção de arco da NPU da série NXP MCX N é amplamente utilizada em diversas ocasiões que exigem detecção de arco, como:
Sistema de energia: usado para monitorar e detectar falhas de arco no sistema de energia e tomar medidas oportunas para evitar a expansão de falhas.
Controle industrial: utilizado em automação industrial e sistemas de controle de robôs para detectar potenciais riscos de arco e garantir a segurança da produção.
Casa Inteligente: Em sistemas domésticos inteligentes, é usado para monitorar a situação do arco no circuito e melhorar a segurança do consumo doméstico de eletricidade.
A NXP lançou soluções de software e hardware para detecção de arco, bem como software de treinamento para aquisição de dados, que podem acelerar significativamente a velocidade de desenvolvimento de produtos de detecção de arco para usuários. O MCU da série MCX N integra NPU internamente, o que pode atingir uma velocidade de inferência-líder do setor de 4,8 Gops e acelerar a operação de redes neurais convolucionais. Melhore o desempenho-em tempo real da detecção de falhas de arco.
O processo de implementação da detecção de arco de falha baseado em IA inclui cinco etapas: aquisição de dados, treinamento de dados, quantificação de modelo, validação de modelo e implantação, todas as quais podem ser concluídas por meio do -software de computador superior fornecido pela NXP.
Conforme mostrado na figura abaixo, uma plataforma de teste é construída de acordo com os requisitos UL1699B. A saída da fonte de simulação fotovoltaica é inserida no terminal de entrada CC fotovoltaico do inversor fotovoltaico após passar pelo dispositivo gerador de arco. Ao conectar os transformadores em série, detecte o sinal AC gerado pelo arco de falta. Através da placa de aquisição, o ADC integrado no MCXN947 possui resolução de 16 bits e pode suportar uma taxa de amostragem de até 2Mbps na resolução de 16 bits, tornando-o muito adequado para aquisição de sinal de arco. O sinal é amostrado pelo ADC e processado pelo MCU.
TA placa de aquisição fornecida pela NXP atualmente suporta a detecção simultânea de dois sinais de arco, e a placa de aquisição é conectada à placa FRDM-MXN947 como uma placa filha.
Em relação ao projeto do circuito de aquisição, em pesquisas teóricas, ao analisar as características do domínio da frequência, geralmente verifica-se que quando ocorre um arco de falta CC, a energia harmônica da corrente CC na faixa de frequência de 10KHz-100kHz aumentará significativamente. Portanto, o circuito projetado usa filtragem passa-banda para processar o sinal de entrada. As características da banda de frequência são mostradas na figura a seguir:
Ao mesmo tempo, na aplicação de métodos de detecção no domínio da frequência, a fim de evitar acoplamento mútuo e interferência entre a banda de frequência característica dos arcos de falha DC e a banda de frequência de distorção harmônica causada pelo autocontrole de sistemas fotovoltaicos, a faixa de frequência de 10kHz-100kHz foi selecionada como a banda de frequência característica dos arcos de falha DC para análise e detecção.
Em princípio, a FFT é usada para cálculo harmônico, tomando 2.048 pontos como segmentos para operação da FFT. O MCXN947 possui um módulo PowerQuad interno, que pode acelerar a operação FFT. Os resultados calculados são quantizados e alimentados no NPU transportado pelo MCXN947 para processamento. Obtenha o resultado da classificação final. Identificando assim efetivamente cenas com arcos elétricos.
Durante a operação-em tempo real, os resultados da detecção são impressos por meio da porta serial. Atualmente, quando um arco é detectado, o grau de correspondência do reconhecimento de saída é de 99%.
Eletrônica Renesas
A Fuchang Electronics lançou um sistema de detecção de falhas de arco de inteligência artificial (IA) de ponta usando MCU RA6M4 da Renesas Electronics, que pode alcançar detecção rápida e eficiente. Esse sistema é altamente adequado para sistemas de energia solar, energia inteligente e CC, fornecendo monitoramento de segurança-em tempo real com recursos mínimos. A solução AFCI adota a solução AI Plus do Future Design Center (FDC), que integra as soluções FDC AI e Reality AI.
Com a promoção global dos padrões NEC, IEC 60364-4-42 e UL 1699B, espera-se que as remessas anuais da AFCI excedam 40 milhões de unidades até 2030. A Fuchang Electronics utiliza Renesas RA6M4 MCU e Reality AI Tools ®. Desenvolvemos um sistema de terminal AI inovador que utiliza menos de 100kB de flash/RAM para obter detecção quase perfeita em menos de 4 ms, quase eliminando alarmes falsos e identificando arcos CC e CA perigosos que outros dispositivos não conseguem reconhecer.
Principal vantagem: Reconhecimento de séries temporais baseado em inteligência artificial, apoiado por Renesas Reality AI
Detecção: Falhas de arco (arcos pequenos e grandes), violação de circuito aberto e circuito fechado e curvas de corrente anormais
Detecção ultrarrápida: tempo de inferência tão baixo quanto 10-250 milissegundos, incluindo pré-processamento e validação de múltiplas janelas.
Aprendizagem com um clique: O botão integrado pode ajudar a calibrar automaticamente a placa de circuito de acordo com o ambiente de design do cliente. Capaz de copiar dados calibrados para outras placas de circuito. Não há necessidade de treinamento de IA/ML baseado em nuvem
Mercados-alvo e aplicações: inversores solares, disjuntores, sistemas de armazenamento de energia de bateria (BESS), inversores, carregadores CC para veículos elétricos, comutadores industriais, ferramentas de bateria de alta potência PDU-para data centers de inteligência artificial, veículos elétricos
O grupo de produtos de microcontrolador (MCU) RA6M4 da Renesas Electronics usa suporte TrustZone ® O núcleo M33 de-arm Cortex-de alto desempenho. Quando usado em conjunto com o Secure Crypto Engine (SCE) dentro do chip, ele pode fornecer a funcionalidade de um chip seguro. Ethernet MAC integrado com DMA dedicado garante alto rendimento de dados. O RA6M4 adota um processo eficiente de 40 nm, compatível com o conceito de ecossistema aberto e flexível do pacote de configuração flexível (FSP) baseado em FreeRTOS, e pode ser estendido para usar outros-sistemas operacionais em tempo real (RTOS) e middleware. RA6M4 é adequado para as necessidades de aplicações IoT, como Ethernet, recursos de segurança para aplicações futuras, RAM incorporada de grande capacidade e baixo consumo de energia (executando algoritmo CoreMark a partir de memória flash, tão baixo quanto 99 µ A/MHz).
Instrumentos Texas
Embora a aplicação de IA em sistemas de controle{0}}em tempo real, como acionamento de motores, energia solar e gerenciamento de baterias, não tenha conquistado as manchetes com frequência como os novos modelos de grande linguagem, a aplicação de IA de ponta na detecção de falhas pode efetivamente melhorar a eficiência, a segurança e a produtividade do sistema.
O MCU pode aprimorar a capacidade de detecção de falhas em sistemas de controle de alta-tensão em tempo real-. Esses MCUs usam unidades de processamento de redes neurais integradas (NPUs) para executar modelos de redes neurais convolucionais (CNN), que podem reduzir efetivamente a latência e o consumo de energia ao monitorar falhas do sistema. A integração de funções de IA de ponta no mesmo MCU que gerencia o controle-em tempo real pode ajudar a otimizar o design do sistema e melhorar o desempenho geral. A chave para uma operação confiável em sistemas de acionamento motorizado e de energia solar reside na detecção rápida e previsível de falhas, que não apenas reduz alarmes falsos, mas também monitora anormalidades nos rolamentos do motor e falhas reais em tempo real.
MCUs com recursos de IA de ponta podem monitorar dois tipos de falhas: uma é a falha nos rolamentos do motor. Quando ocorrem condições anormais ou degradação de desempenho nos rolamentos do motor, a detecção oportuna de tais falhas é crucial para evitar paradas inesperadas, reduzir o tempo de inatividade e reduzir os custos de manutenção; A segunda é a falha do arco solar, que se refere ao fenômeno de descarga de arco causado por caminhos inesperados, como a corrente que passa pelo ar. Muitas vezes é causado por falha de isolamento, conexões soltas e outros problemas em sistemas de energia solar. A alta temperatura gerada por esta falha pode causar incêndio ou danos ao sistema elétrico. Portanto, monitorar e detectar esta falha é um meio necessário para garantir a operação segura e confiável dos sistemas de energia solar.
Os métodos tradicionais de detecção de falhas, como o monitoramento de falhas em rolamentos de motores, dependem de detecção discreta de vários dispositivos e análise{0}}baseada em regras, enquanto a detecção de falhas por arco solar usa análise de sinal de corrente no domínio da frequência e julgamento de limite. Esses métodos não apenas exigem profundo conhecimento profissional, mas também possuem adaptabilidade e sensibilidade limitadas, dificultando a garantia da precisão da detecção e aumentando a complexidade do sistema.
Com base na IA de borda integrada para detecção de falhas, usando MCUs{0}}em tempo real, como TMS320F28P550SJ, como operadoras, a execução de modelos CNN localmente pode melhorar efetivamente as taxas de detecção de falhas, reduzir alarmes falsos e obter manutenção preditiva mais precisa. O modelo CNN, com sua capacidade de aprender padrões complexos de forma autônoma a partir de dados brutos de sensores, pode extrair diretamente recursos de sinais de vibração, correntes CC e outros dados. Ao combinar diferentes condições operacionais, diferenças de hardware e algoritmos de pré-processamento, a adaptabilidade e a confiabilidade do modelo podem ser melhoradas e a latência de detecção pode ser reduzida. Em cenários como acionamento de motor, energia solar e gerenciamento de bateria, os modelos CNN podem identificar com precisão os modos de falha e obter detecção eficiente-em tempo real em ambientes dinâmicos.
Resumo
Em cenários de aplicação como acionamento de motor e energia solar, a detecção-de falhas em tempo real é a base para garantir a segurança operacional e a confiabilidade-de longo prazo. A Edge AI, com seus recursos locais de processamento de dados-em tempo real, revolucionou os métodos de detecção de falhas, melhorando significativamente a precisão da detecção e reduzindo a latência, fornecendo forte suporte para uma operação eficiente e estável do sistema.