电源管理系统中的人工智能:什么是 B 计划?

作者:Steve Taranovich

投稿人:DigiKey 北美编辑

在风轮机、太阳能发电系统等电源管理应用中,人工智能 (AI) 正在逐渐应用于电源控制系统决策流程。

有些设计人员可能认为这种控制方法是可取和高效的,但那些任务关键型应用的设计人员仍然不会将他们的设计和用户安全完全托付给人工智能。在这些应用中,他们需要一个或多个级别的冗余和安全防护。

本文将提供三个示例,展示人工智能在电源管理系统中的使用。然后,本文还介绍了三种提供备用方案的方法,以防人工智能功能出现故障,并且展示了如何使用来自 Texas InstrumentsMonnit CorporationEPCIntersil 的解决方案来实施“B 计划”备用方案。

人工智能在电源中的角色

上世纪 90 年代末,在 Texas Instruments 等公司向数字电源 IC 过渡的过程中,人工智能技术开始得到应用。有人可能认为,许多年前当设计人员开始在电源架构中使用 DSP 时,数字电源 IC 便已出现。这实际上是现代数字电源的雏形,也宣告了早期形态人工智能的问世。当今很多电路设计人员喜欢在电源设计架构中采用数字电源 IC 解决方案,并且将 PMBus 集成在 IC 中。Intersil 的 ISL28023-25 精密数字电源监视器就是这样一个例子。

电源设计人员最初不愿意在设计中使用数字电源,但现在数字电源却得到了广泛接受。人工智能当前迎来又一次大飞跃,人工智能在电源管理中的初步应用已在 APEC 2019 大会上崭露头角。但是,这种技术非常新颖,以至电源设计人员必须警惕人工智能在开发过程中过早地渗透到电源管理系统。尽管如此,人工智能在电源系统中的使用仍然是不可避免的,电源设计人员必须未雨绸缪,提前做好准备。目前的问题在于,电源系统某一天可能会出现故障;就像那句台词“我很抱歉,戴伍。我恐怕我不能那么做”。这种情况下,“B 计划”便能派上用场了。

要实施 B 计划,设计人员必须在设计中考虑冗余,最好提供万无一失的备用系统设计,在人工智能无法按计划工作时予以接管,从而确保任务关键型系统的持续运行。

人工智能在智能电网和可再生能源系统中的应用1

专家系统、模糊逻辑、人工神经网络 (ANN) 等技术的使用为人工智能铺平了道路,并已掀起智能电网 (SG) 和可再生能源系统 (RES) 领域的一场革命。虽然人工智能可以显著提升智能电网和可再生能源系统的性能及适应性,但这些系统也是需要“B 计划”的典型任务关键型系统。

智能电网面临独特的机遇,将分布式可再生能源系统应用到电网架构中,并借助风能、光伏技术 (PV) 以及其他可再生能源来强化电源领域。

这些能源需要采用大容量储能系统,例如电池、飞轮、氢等,在可再生能源停止供应时提供电力,例如在涡轮的维修期间,或在光伏系统夜间无法发电时。

由于智能电网支持可再生能源技术,与仅使用传统电源的电网相比具有非常独特的优势,因为传统电源存在很多变数,例如配电系统的供需不断发生变化等。智能电网解决了这一差异化问题,它在整个电网中使用智能电表来帮助优化发电,将电能供应到需求最高的区域,同时让低需求的区域保持高效运行。

这是一项非常复杂的任务,而人工智能有助于通过最高效的方式优化风力发电、储能和配电。

风力发电

在风力发电系统中,可从人工智能中受益的关键应用之一是最大功率点跟踪 (MPPT) 功能,如图 11 所示。

显示系统流程以及人工智能执行位置的风力发电系统示意图(点击放大)图 1:风力发电系统示意图显示了系统流程以及人工智能在 MPPT-1 和 MPPT-2 中的执行位置。该系统架构基于内置式永磁 (IPM) 同步发电机。(图片来源:IEEE 论文“Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications”)

在图 1 中,有两个 MPPT 控制器:MPPT-1 和 MPPT-2。这两个 MPPT 均使用 Mamdani 型模糊推理系统 (FIS) 来创建控制系统。Mamdani 是可用于人工智能系统的几种模糊逻辑方法之一。

MPPT-1 内部采用一个模糊逻辑控制器 (FLC) 来调节涡轮速度,以便确定通过优化涡轮的气动效率能够实现的最大功率。MPPT-2 也有一个模糊逻辑控制器,用于优化发电机定子磁链,以便获取轻负载条件下的最大功率。

同样,这些 MPPT 功能必定需要“B 计划”。

什么是 B 计划?

毫无疑问,人工智能的使用能够优化面向风力发电的 MPPT 解决方案;当前市场中更为出色的解决方案屈指可数。

本例中的这两种 MPPT 功能实质都是能效功能,未必会导致灾难性故障,但确实能够提高电源转换效率,这在发电时是一个重要因素。

合理的 B 计划解决方案是在系统原型中嵌入一个相对传统的 MPPT 解决方案,例如 Texas Instruments 的 SM3320-BATT-EV/NOPB-ND 电池充电器电源管理评估板。该演示板包含 SM72442MTE/NOPB,这是一个适用于 PV 系统的可编程 MPPT 控制器 IC。该演示板需要进行少量定制,以用于风轮机充电器。

此设计能够奏效的条件是,电池能够吸收涡轮机的所有电能,或者设计人员设置一个与电池并联的负载,在感应到电池电量充满时能够介入以倾卸多余的电能。需要记住的是,这只是在人工智能出现故障时的后备解决方案,人工智能仍然是主要解决方案。

全电力飞行器中的发电

在全电力飞行器中产生和控制电能是一项非常棘手的任务4。目标是生成稳定的电能,并让已在系统内流通的电能实现再生。这就要求具备用于优化电源系统的反馈和系统,而且必须实时完成。为了达到这个目标,必须使用其他的处理和通信系统,还要增加更多的传感器和致动器系统。

由人工智能发电机控制单元 (GCU) 驱动的同步发电机使用智能控制提供对飞行器的反馈控制,如图 2 所示。

全电力飞行器系统模型示意图图 2:全电力飞行器系统模型显示了人工智能在电源系统中所在的位置,以及整体系统如何运行。(图片来源:“AI-based Power Control of an All-Electric Aircraft”,IEEE)

借助人工智能技术,系统能够从过去的电源管理决策中学习,从而适应来自用户的实时请求。

人工智能 GCU

飞行器电力通常来自于机械引擎或类似于电池的储能系统。GCU 包括稳压器、激励器和稳定器。此控制系统的反馈来自主配电单元 (PDU)。

借助这种简单的人工智能 GCU 架构,设计人员可以非常轻松地使用稳压器实现“B 计划”,其中稳压器作为 GCU 的一部分,采用了 GaN 功率晶体管,例如 EPC 的 EPC2001C GaN FET。GaN 器件由于具备高速开关能力,非常适合作为飞行器稳压器(自动稳压器,即 AVR)的功率驱动器。设计人员因而可以使用更小的磁性元件,减轻了飞行器的重量。而且 GaN FET 还非常高效,允许使用更小的散热器,甚至根本不使用散热器,从而进一步减小系统尺寸。

为了在 GCU 内部将发电机交流电转换为直流电,设计人员需要添加一个静态激励器(实质是电压逆变器),用于产生电场。该静态激励器通过晶闸管桥式整流器,对部分交流发电机输出进行整流,最终为飞行器系统提供直流电压。GCU 的稳定器可测量系统稳定性的改进。

采用电池供电的远程传感器的物联网通信3

物联网 (IoT) 支持任何设备连接到互联网(通常通过无线电接口)。人工智能可利用认知通信帮助降低这些互连系统的复杂性,让机器能够更好地理解人的想法。

从机器到流程,普通工厂可能会使用数以千计的传感器。成功的系统需要可靠的通信和较低的延迟,以便做出实时决策。要想成功进行实时决策,必须在感测源位置嵌入智能。

对于设计人员而言,这需要将更多智能从云迁移到网络边缘,以支持在物联网节点处做出决策。使用机器学习 (ML) 和人工智能技术,可在网络边缘建立可操作的智能(图 3)。

人工智能执行强化学习 (RL) 以确定最佳传输频率的流程示意图图 3:所示为人工智能执行强化学习 (RL) 以确定最佳传输频率和最大功率水平的流程。图中显示了智能节点 (a);使用人工智能的智能节点的状态、操作、回报 (b)。(图片来源:“Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control”,IEEE)

在图 3 中,我们看到人工智能使用强化学习 (RL) 来确定最大无线功率水平下的最佳传输频率,并学习最大程度减少其在网络边缘的无线通信中的数据包冲突和延迟。通过这种方式,人工智能可以自我学习最佳方法,确定能够实现低延迟通信的最优可用无线通信通道,进而提供近乎实时的操作,实现可能的最佳传输功率控制 (TPC)。

这里的 B 计划可以使用远程传感器监控套件来实现,例如 Monnit Corp. 的 MNK2-9-EG-PHL。该套件可在需要时介入,让系统保持工作状态,直至技术人员到达现场评估问题,并更换出现故障的元器件、模块和电路板,从而完全恢复正常工作。

虽然该套件无法思考和学习,但系统将会继续工作,数据也不会丢失。在评估系统并隔离错误之后,即可完全恢复正常工作,而不会遗漏任何数据传输。

总结

在很多应用中,人工智能可以增强电力电子设计架构,最终获得跟人一样甚至比人更优的学习和适应能力。目前,人工智能技术尚处于发展初期,仍然需要“B 计划”,特别是在任务关键型应用中。

如上文所述,电源设计人员可采用多种方案,借助并行系统在其设计中实现“B 计划”,从而在主系统检测到问题时让并行系统能够接管工作。供应商提供了用于快速学习的评估套件,同时还能创建分立设计,在需要时接管人工智能系统的特定功能。

参考资料

  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, No. 11, November 2017
  2. MPPT Control Methods in Wind Energy Conversion Systems, Jogendra Singh Thongam, and Mohand Ouhrouche
  3. 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
  4. AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019

免责声明:各个作者和/或论坛参与者在本网站发表的观点、看法和意见不代表 DigiKey 的观点、看法和意见,也不代表 DigiKey 官方政策。

关于此作者

Steve Taranovich

Steve Taranovich 是一位在电子行业浸淫了 47 年的自由技术作家。他获得了纽约布鲁克林理工大学的电子工程学硕士学位,以及纽约布朗克斯的纽约大学的电子工程学士学位。他还是 IEEE 长岛教育活动委员会主席,目前是 Eta Kappa Nu 会员和 IEEE Life 高级会员。他曾在 Burr-Brown 和 Texas Instruments 多年从事与模拟设计相关的工作,因此在模拟、射频和电源管理方面拥有丰富的专业知识。

关于此出版商

DigiKey 北美编辑