Artificiell intelligens i strömhanteringssystem: vad är plan B?

Artificiell intelligens (AI) spelar en allt större roll i beslutsprocessen när det gäller strömstyrsystem för strömhanteringstillämpningar som vindturbiner och solenergisystem.

Vissa konstruktörer kan tycka att den här styrmetoden är acceptabel och effektiv men de som utformar verksamhetskritiska tillämpningar kanske inte är redo att helt förlita sig på AI i designen och säkerheten för användarna. För dessa tillämpningar krävs en eller flera redundans- och skyddsnivåer.

Den här artikeln tar upp tre exempel på hur AI används i strömhanteringssystem. Därefter beskrivs tre sätt att backa upp systemet vid fel på AI-funktionen och hur lösningar från Texas Instruments, Monnit Corporation, EPC och Intersil används för att implementera dessa ”plan B”-alternativ.

AI:s roll i strömhantering

Användningen av AI-metoder började med övergången till digitala IC-kretsar hos företag som Texas Instruments i slutet av 1990-talet. Det kan hävdas att digitala IC-kretsar dök upp långt innan, när konstruktörer började använda signalprocessorer i strömförsörjningsarkitekturer. Det var faktiskt början på det som nu ses som digital kraft och begynnelsen av en tidig form av AI. Många av dagens kretskonstruktörer gillar att använda lösningar med digitala IC-kretsar med PMBus integrerad i IC-kretsen i strömdesignarkitekturerna. Ett sådant exempel är Intersils digitala effektomvandlare ISL28023-25 med hög precision.

Strömkonstruktörer tvekade till en början att använda digital kraft i sina konstruktioner, men i dag är det accepterat av de flesta. AI är nästa stora steg och några tidiga tecken på AI i strömhantering lyftes fram på APEC 2019. Men den här tekniken är så ny att strömkonstruktörer måste se upp med att AI letar sig in i strömhanteringssystemen för tidigt i utvecklingen. Å andra sidan är användningen av AI i strömsystem oundvikligt och konstruktörerna måste förbereda sig för det. Oron här är att strömförsörjningen en vacker dag kanske svarar något i stil med ”I’m sorry Dave, I’m afraid I can’t do that.” Då behövs en ”plan B”.

För en ”plan B” behöver konstruktörer tänka på redundans i konstruktionen eller, ännu hellre, ha ett bergsäkert reservsystem som kan ta över en AI-funktion som inte fungerar som planerat, så att ett verksamhetskritiskt system kan fortsätta köras.

AI i det smarta nätet och i system med förnybar energi¹

Användningen av expertsystem, fuzzy-logik och artificiella neurala nätverk (ANN) är språngbrädor mot AI som redan revolutionerar det smarta nätet och system med förnybar energi. AI kan ge stora prestandaförbättringar och anpassningsbarhet för de smarta näten och systemen med förnybar energi, men dessa är också bra exempel på verksamhetskritiska system som behöver en plan B.

Smarta nät har den unika möjligheten att använda distribuerade system med förnybar energi i nätarkitekturen och för att förbättra det kraftsegmentet med vind, solceller och andra förnybara källor.

Dessa källor kräver användning av massenergilagring som batterier, svänghjul, väte m.m. för att ge kraft vid en nedgång i de förnybara källorna, till exempel på vindstilla dagar för turbiner och på natten för solceller.

Eftersom det smarta nätet stöder tekniker för förnybar energi är det unikt jämfört med kraftnät som bara använder sig av konventionella energikällor i att det finns så många variabler, till exempel en ständigt varierande tillgång och efterfrågan i eldistributionssystemet. Det smarta nätet hanterar den här variationen genom användning av smarta mätare i hela nätet som hjälper till att optimera kraftgenereringen och leverera energi till områden med den största efterfrågan, och samtidigt se till att områden med lägre efterfrågan fungerar effektivt.

Det här är en komplex uppgift och AI kan hjälpa till att optimera generering, lagring och distribution av vindenergi på det effektivaste sättet.

Vindkraftgenerering

En av huvudtillämpningarna som kan tjäna på AI i ett vindkraftgenereringssystem är MPPT-funktionen (Maximum Power Point Tracking) som visas i figur 1¹.

Figur 1: Diagram över vindkraftgenereringssystem som visar systemflödet och där AI verkar i MPPT-1 och MPPT-2. Den här systemarkitekturen baseras på en synkrongenerator med invändig permanentmagnet (IPM). (Bildkälla: IEEE-rapport, ”Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications”

I figur 1 finns det två typer av MPPT-styrenheter: MPPT-1 och MPPT-2. Båda MPPT:erna använder fuzzy-slutledningssystem (FIS) av Mamdani-typ för att skapa ett styrsystem. Mamdani är bara en av ett flertal fuzzy-logikmetoder som kan användas för ett AI-system.

Inuti MPPT-1 finns en fuzzy-logikstyrenhet (FLC) som används till att justera turbinhastigheten för att fastställa maximal effekt genom optimering av turbinens aerodynamiska effektivitet. MPPT-2 har också en FLC, i det här fallet för att optimera generatorstatorflödet för att få dess maxeffekt vid låg last.

Men MPPT-funktionerna är fortfarande sådana att de definitivt kräver en ”plan B”.

Vad är plan B?

Användning av AI leder utan tvekan till bättre MPPT-lösningar för vindkraft. Det finns inte många bättre (kanske inga alls) på marknaden just nu.

De två MPPT-funktionerna i det här fallet är i stort sett effektivitetsfunktioner och kanske inte nödvändigtvis leder till ett katastrofalt fel, men de förbättrar effektomvandlingens effektivitet, vilket är en viktig faktor för att generera energi.

En logisk lösning för en plan B skulle vara att sätta in en relativt konventionell MPPT-lösning i systemprototypen, till exempel utvärderingskortet SM3320-BATT-EV/NOPB-ND för strömhantering i batteriladdare från Texas Instruments. Demokortet innehåller SM72442MTE/NOPB, en programmerbar IC-krets för MPPT-styrenheter för solcellssystem. Det här demokortet måste anpassas lite för att fungera med en turbinladdare.

Denna konstruktion fungerar om batteriet kan absorbera hela effekten från turbinen eller om konstruktören sätter upp en parallell last till batteriet som kan kopplas in för att dumpa den överflödiga effekten när det detekteras att batteriet är fullt. Det är viktigt att komma ihåg att det här bara är en reservlösning vid AI-fel. AI är fortfarande den primära lösningen här.

Kraftgenerering i ett helelektriskt flygplan

Att generera och styra energin i ett helelektriskt flygplan är en svindlande uppgift⁴. Målet här är att generera stabil elström och regenerera strömmen som redan cirkuleras genom systemet. Feedback och system som optimerar kraftsystemet är ett måste och behöver göras i realtid. För att kunna åstadkomma detta är det nödvändigt att använda ytterligare processnings- och kommunikationssystem samt lägga till fler sensorer och styrdonssystem.

Användningen av intelligent styrning av en synkrongenerator som drivs med en AI-generatorstyrenhet ger feedbackstyrning för flygplanet, enligt figur 2.

Figur 2: Systemmodell av helelektriskt flygplan där AI finns i kraftsystemet och hur det övergripande systemet fungerar. (Bildkälla: ”AI-based Power Control of an All-Electric Aircraft”, IEEE)

Det här AI-tillskottet gör att systemet kan lära sig av tidigare strömhanteringsbeslut för att kunna anpassa sig till förfrågningar från användare i realtid.

AI-generatorstyrning

Flygplanets kraft genereras normalt av en mekanisk motor eller ett lagringssystem som ett batteri. Generatorns styrenhet består av en spänningsregulator, en magnetiserare och en stabilisator. Feedback till styrsystemet kommer från den primära distributionsenheten (PDU).

Den här enkla AI-arkitekturen för generatorstyrning gör så att konstruktörer kan implementera en ”plan B” mycket enkelt genom att använda en spänningsregulator, som är en del av styrenheten, konstruerad med GaN-effekttransistorer som GaN-FET-enheten EPC2001C från EPC. GaN-enheter är idealiska som effektdrivenheter i flygplansregulatorn (en automatisk spänningsregulator eller AVR) tack vare deras kapacitet för höghastighetsomkoppling. Då kan mindre magnetiska medier användas, vilket ger en lägre flygplansvikt. GaN-FET-enheter är också mycket effektiva och möjliggör användning av mindre kylare eller inga kylare alls, vilket ytterligare minskar systemets storlek.

För att omvandla generatorns växelström till likström inuti styrenheten behöver konstruktörerna lägga till en statisk magnetiserare (i grunden en växelriktare) för att ge fältgenerering. Den statiska magnetiseraren likriktar, via en tyristorbrygglikriktare, delar av likspänningsgeneratorns utmatning för att i slutändan ge likspänning för flygplanssystem. Stabilisatordelen av generatorstyrningen mäter förbättringar i systemstabiliteten.

IoT-kommunikation med batteridrivna fjärrsensorer³

IoT (Internet of Things) möjliggör anslutning av valfri enhet till internet, ofta via ett radiogränssnitt. AI kan hjälpa till att göra dessa system mindre komplexa med hjälp av kognitiv kommunikation där maskiner blir bättre på att förstå människor.

En typisk fabrik kan använda många tusentals sensorer från maskiner och processer. För att lyckas behöver systemet pålitlig kommunikation och låg latens för fatta beslut i realtid. För att kunna göra detta framgångsrikt måste intelligens bäddas in direkt vid avkänningskällan.

För konstruktörer kräver det här att flytta mer intelligens från molnet till nätverksgränsen för att kunna fatta beslut direkt på IoT-noden. Med hjälp av maskinlärnings- (ML) och AI-metoder skapas användbar intelligens vid nätverksgränsen (figur 3).

Figur 3: Process där AI utför förstärkt inlärning (RL) för att hitta optimala sändningsfrekvenser och maximala effektnivåer. Här visas den intelligenta noden (a), tillstånd, åtgärder, belöningar för den intelligenta noden med AI (b). (Bildkälla: ”Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control”, IEEE)

Enligt figur 3 ser vi att AI använder förstärkt inlärning (RL – Reinforcement Learning) för att hitta optimala sändningsfrekvenser vid maximala trådlösa effektnivåer och lär sig att minimera paketkollision och latens i dess trådlösa kommunikation vid nätverksgränsen. På så sätt lär sig AI själv det bästa sättet att fastställa de optimala tillgängliga kanalerna för trådlös kommunikation som möjliggör kommunikation med låg latens, som i sin tur ger åtgärder nästan i realtid för att ge bästa möjliga sändningseffektstyrning (TPC).

Plan B kan implementeras här med hjälp av en fjärrsensorövervakningssats, som Monnits MNK2-9-EG-PHL. Den här satsen kan sättas in vid behov för att hålla igång systemet tills en tekniker kan komma till platsen för att bedöma problemet och ersätta felaktiga komponenter, moduler eller kort och återställa alla funktioner.

Satsen kan inte tänka eller lära sig men systemet fortsätter att fungera och inga data förloras. När systemet har utvärderats och felet isolerats kan alla funktioner återställas utan att några dataöverföringar saknas.

Slutsats

AI förbättrar elektroniska effektdesignarkitekturer i många tillämpningar och kan i slutänden lära sig och anpassa sig lika bra eller bättre än en människa. I nuläget är tekniken i sin linda och behöver en ”plan B”, särskilt i verksamhetskritiska tillämpningar.

Som beskrivs ovan har strömkonstruktörer många alternativ för implementering av en ”plan B” i sina konstruktioner med parallella system som kan sättas in när problem upptäcks i huvudsystemet. Leverantörer tillhandahåller utvärderingssatser för snabb inlärning, medan diskreta konstruktioner kan skapas och ta över vissa funktioner i ett AI-system vid behov.

Referenser

1. Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems— Some Example Applications, B.K. Bose, Life Fellow IEEE, Proceedings of the IEEE | Vol. 105, nr 11, november 2017
2. MPPT Control Methods in Wind Energy Conversion Systems, Jogendra Singh Thongam och Mohand Ouhrouche
3. Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control, Pasquale Pace, Giancarlo Fortino, Yin Zhang och Antonio Liotta, ARTIFICIAL INTELLIGENCE FOR COGNITIVE WIRELESS COMMUNICATIONS, IEEE Wireless Communications, juni 2019
4. AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019