發布日期：2022-10-09 點擊率：141
在風輪機、太陽能發電系統等電源管理應用中，人工智能 (AI) 正在逐漸應用于電源控制系統決策流程。
有些設計人員可能認為這種控制方法是可取和高效的，但那些任務關鍵型應用的設計人員仍然不會將他們的設計和用戶安全完全托付給人工智能。在這些應用中，他們需要一個或多個級別的冗余和安全防護。
本文將提供三個示例，展示人工智能在電源管理系統中的使用。然后，本文還介紹了三種提供備用方案的方法，以防人工智能功能出現故障，并且展示了如何使用來自 Texas Instruments、Monnit Corporation、EPC 和 Intersil 的解決方案來實施“B 計劃”備用方案。
上世紀 90 年代末，在 Texas Instruments 等公司向數字電源 IC 過渡的過程中，人工智能技術開始得到應用。有人可能認為，許多年前當設計人員開始在電源架構中使用 DSP 時，數字電源 IC 便已出現。這實際上是現代數字電源的雛形，也宣告了早期形態人工智能的問世。當今很多電路設計人員喜歡在電源設計架構中采用數字電源 IC 解決方案，并且將 PMBus 集成在 IC 中。Intersil 的 ISL28023-25 精密數字電源監視器就是這樣一個例子。
電源設計人員最初不愿意在設計中使用數字電源，但現在數字電源卻得到了廣泛接受。人工智能當前迎來又一次大飛躍，人工智能在電源管理中的初步應用已在 APEC 2019 大會上嶄露頭角。但是，這種技術非常新穎，以至電源設計人員必須警惕人工智能在開發過程中過早地滲透到電源管理系統。盡管如此，人工智能在電源系統中的使用仍然是不可避免的，電源設計人員必須未雨綢繆，提前做好準備。目前的問題在于，電源系統某一天可能會出現故障；就像那句臺詞“我很抱歉，戴伍。我恐怕我不能那么做”。這種情況下，“B 計劃”便能派上用場了。
要實施 B 計劃，設計人員必須在設計中考慮冗余，最好提供萬無一失的備用系統設計，在人工智能無法按計劃工作時予以接管，從而確保任務關鍵型系統的持續運行。
專家系統、模糊邏輯、人工神經網絡 (ANN) 等技術的使用為人工智能鋪平了道路，并已掀起智能電網 (SG) 和可再生能源系統 (RES) 領域的一場革命。雖然人工智能可以顯著提升智能電網和可再生能源系統的性能及適應性，但這些系統也是需要“B 計劃”的典型任務關鍵型系統。
智能電網面臨獨特的機遇，將分布式可再生能源系統應用到電網架構中，并借助風能、光伏技術 (PV) 以及其他可再生能源來強化電源領域。
這些能源需要采用大容量儲能系統，例如電池、飛輪、氫等，在可再生能源停止供應時提供電力，例如在渦輪的維修期間，或在光伏系統夜間無法發電時。
由于智能電網支持可再生能源技術，與僅使用傳統電源的電網相比具有非常獨特的優勢，因為傳統電源存在很多變數，例如配電系統的供需不斷發生變化等。智能電網解決了這一差異化問題，它在整個電網中使用智能電表來幫助優化發電，將電能供應到需求最高的區域，同時讓低需求的區域保持高效運行。
這是一項非常復雜的任務，而人工智能有助于通過最高效的方式優化風力發電、儲能和配電。
在風力發電系統中，可從人工智能中受益的關鍵應用之一是最大功率點跟蹤 (MPPT) 功能，如圖 11 所示。
圖 1：風力發電系統示意圖顯示了系統流程以及人工智能在 MPPT-1 和 MPPT-2 中的執行位置。該系統架構基于內置式永磁 (IPM) 同步發電機。（圖片來源：IEEE 論文“Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications”）
在圖 1 中，有兩個 MPPT 控制器：MPPT-1 和 MPPT-2。這兩個 MPPT 均使用 Mamdani 型模糊推理系統 (FIS) 來創建控制系統。Mamdani 是可用于人工智能系統的幾種模糊邏輯方法之一。
MPPT-1 內部采用一個模糊邏輯控制器 (FLC) 來調節渦輪速度，以便確定通過優化渦輪的氣動效率能夠實現的最大功率。MPPT-2 也有一個模糊邏輯控制器，用于優化發電機定子磁鏈，以便獲取輕負載條件下的最大功率。
同樣，這些 MPPT 功能必定需要“B 計劃”。
毫無疑問，人工智能的使用能夠優化面向風力發電的 MPPT 解決方案；當前市場中更為出色的解決方案屈指可數。
本例中的這兩種 MPPT 功能實質都是能效功能，未必會導致災難性故障，但確實能夠提高電源轉換效率，這在發電時是一個重要因素。
合理的 B 計劃解決方案是在系統原型中嵌入一個相對傳統的 MPPT 解決方案，例如 Texas Instruments 的 SM3320-BATT-EV/NOPB-ND 電池充電器電源管理評估板。該演示板包含 SM72442MTE/NOPB，這是一個適用于 PV 系統的可編程 MPPT 控制器 IC。該演示板需要進行少量定制，以用于風輪機充電器。
此設計能夠奏效的條件是，電池能夠吸收渦輪機的所有電能，或者設計人員設置一個與電池并聯的負載，在感應到電池電量充滿時能夠介入以傾卸多余的電能。需要記住的是，這只是在人工智能出現故障時的后備解決方案，人工智能仍然是主要解決方案。
在全電力飛行器中產生和控制電能是一項非常棘手的任務4。目標是生成穩定的電能，并讓已在系統內流通的電能實現再生。這就要求具備用于優化電源系統的反饋和系統，而且必須實時完成。為了達到這個目標，必須使用其他的處理和通信系統，還要增加更多的傳感器和致動器系統。
由人工智能發電機控制單元 (GCU) 驅動的同步發電機使用智能控制提供對飛行器的反饋控制，如圖 2 所示。
圖 2：全電力飛行器系統模型顯示了人工智能在電源系統中所在的位置，以及整體系統如何運行。（圖片來源：“AI-based Power Control of an All-Electric Aircraft”，IEEE）
借助人工智能技術，系統能夠從過去的電源管理決策中學習，從而適應來自用戶的實時請求。
飛行器電力通常來自于機械引擎或類似于電池的儲能系統。GCU 包括穩壓器、激勵器和穩定器。此控制系統的反饋來自主配電單元 (PDU)。
借助這種簡單的人工智能 GCU 架構，設計人員可以非常輕松地使用穩壓器實現“B 計劃”，其中穩壓器作為 GCU 的一部分，采用了 GaN 功率晶體管，例如 EPC 的 EPC2001C GaN FET。GaN 器件由于具備高速開關能力，非常適合作為飛行器穩壓器（自動穩壓器，即 AVR）的功率驅動器。設計人員因而可以使用更小的磁性元件，減輕了飛行器的重量。而且 GaN FET 還非常高效，允許使用更小的散熱器，甚至根本不使用散熱器，從而進一步減小系統尺寸。
為了在 GCU 內部將發電機交流電轉換為直流電，設計人員需要添加一個靜態激勵器（實質是電壓逆變器），用于產生電場。該靜態激勵器通過晶閘管橋式整流器，對部分交流發電機輸出進行整流，最終為飛行器系統提供直流電壓。GCU 的穩定器可測量系統穩定性的改進。
物聯網 (IoT) 支持任何設備連接到互聯網（通常通過無線電接口）。人工智能可利用認知通信幫助降低這些互連系統的復雜性，讓機器能夠更好地理解人的想法。
從機器到流程，普通工廠可能會使用數以千計的傳感器。成功的系統需要可靠的通信和較低的延遲，以便做出實時決策。要想成功進行實時決策，必須在感測源位置嵌入智能。
對于設計人員而言，這需要將更多智能從云遷移到網絡邊緣，以支持在物聯網節點處做出決策。使用機器學習 (ML) 和人工智能技術，可在網絡邊緣建立可操作的智能（圖 3）。
圖 3：所示為人工智能執行強化學習 (RL) 以確定最佳傳輸頻率和最大功率水平的流程。圖中顯示了智能節點 (a)；使用人工智能的智能節點的狀態、操作、回報 (b)。（圖片來源：“Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control”，IEEE）
在圖 3 中，我們看到人工智能使用強化學習 (RL) 來確定最大無線功率水平下的最佳傳輸頻率，并學習最大程度減少其在網絡邊緣的無線通信中的數據包沖突和延遲。通過這種方式，人工智能可以自我學習最佳方法，確定能夠實現低延遲通信的最優可用無線通信通道，進而提供近乎實時的操作，實現可能的最佳傳輸功率控制 (TPC)。
這里的 B 計劃可以使用遠程傳感器監控套件來實現，例如 Monnit Corp. 的 MNK2-9-EG-PHL。該套件可在需要時介入，讓系統保持工作狀態，直至技術人員到達現場評估問題，并更換出現故障的元器件、模塊和電路板，從而完全恢復正常工作。
雖然該套件無法思考和學習，但系統將會繼續工作，數據也不會丟失。在評估系統并隔離錯誤之后，即可完全恢復正常工作，而不會遺漏任何數據傳輸。
在很多應用中，人工智能可以增強電力電子設計架構，最終獲得跟人一樣甚至比人更優的學習和適應能力。目前，人工智能技術尚處于發展初期，仍然需要“B 計劃”，特別是在任務關鍵型應用中。
如上文所述，電源設計人員可采用多種方案，借助并行系統在其設計中實現“B 計劃”，從而在主系統檢測到問題時讓并行系統能夠接管工作。供應商提供了用于快速學習的評估套件，同時還能創建分立設計，在需要時接管人工智能系統的特定功能。
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, No. 11, November 2017
MPPT Control Methods in Wind Energy Conversion Systems, Jogendra Singh Thongam, and Mohand Ouhrouche
Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control, Pasquale Pace, Giancarlo Fortino, Yin Zhang, and Antonio Liotta, ARTIFICIAL INTELLIGENCE FOR COGNITIVE WIRELESS COMMUNICATIONS, IEEE Wireless Communications, June 2019
AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019
下一篇： PLC、DCS、FCS三大控
上一篇： 射頻定向耦合器的基本
