在風(fēng)輪機(jī)、太陽能發(fā)電系統(tǒng)等電源管理應(yīng)用中，人工智能 (AI) 正在逐漸應(yīng)用于電源控制系統(tǒng)決策流程。
有些設(shè)計人員可能認(rèn)為這種控制方法是可取和高效的，但那些任務(wù)關(guān)鍵型應(yīng)用的設(shè)計人員仍然不會將他們的設(shè)計和用戶安全完全托付給人工智能。在這些應(yīng)用中，他們需要一個或多個級別的冗余和安全防護(hù)。
本文將提供三個示例，展示人工智能在電源管理系統(tǒng)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(xiàn)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。
人工智能在電源中的角色
上世紀(jì) 90 年代末，在 Texas Instruments 等公司向數(shù)字電源 IC 過渡的過程中，人工智能技術(shù)開始得到應(yīng)用。有人可能認(rèn)為，許多年前當(dāng)設(shè)計人員開始在電源架構(gòu)中使用 DSP 時，數(shù)字電源 IC 便已出現(xiàn)。這實際上是現(xiàn)代數(shù)字電源的雛形，也宣告了早期形態(tài)人工智能的問世。當(dāng)今很多電路設(shè)計人員喜歡在電源設(shè)計架構(gòu)中采用數(shù)字電源 IC 解決方案，并且將 PMBus 集成在 IC 中。Intersil 的 ISL28023-25 精密數(shù)字電源監(jiān)視器就是這樣一個例子。
電源設(shè)計人員最初不愿意在設(shè)計中使用數(shù)字電源，但現(xiàn)在數(shù)字電源卻得到了廣泛接受。人工智能當(dāng)前迎來又一次大飛躍，人工智能在電源管理中的初步應(yīng)用已在 APEC 2019 大會上嶄露頭角。但是，這種技術(shù)非常新穎，以至電源設(shè)計人員必須警惕人工智能在開發(fā)過程中過早地滲透到電源管理系統(tǒng)。盡管如此，人工智能在電源系統(tǒng)中的使用仍然是不可避免的，電源設(shè)計人員必須未雨綢繆，提前做好準(zhǔn)備。目前的問題在于，電源系統(tǒng)某一天可能會出現(xiàn)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(shè)計人員必須在設(shè)計中考慮冗余，最好提供萬無一失的備用系統(tǒng)設(shè)計，在人工智能無法按計劃工作時予以接管，從而確保任務(wù)關(guān)鍵型系統(tǒng)的持續(xù)運行。
人工智能在智能電網(wǎng)和可再生能源系統(tǒng)中的應(yīng)用1
專家系統(tǒng)、模糊邏輯、人工神經(jīng)網(wǎng)絡(luò) (ANN) 等技術(shù)的使用為人工智能鋪平了道路，并已掀起智能電網(wǎng) (SG) 和可再生能源系統(tǒng) (RES) 領(lǐng)域的一場革命。雖然人工智能可以顯著提升智能電網(wǎng)和可再生能源系統(tǒng)的性能及適應(yīng)性，但這些系統(tǒng)也是需要“B 計劃”的典型任務(wù)關(guān)鍵型系統(tǒng)。
智能電網(wǎng)面臨獨特的機(jī)遇，將分布式可再生能源系統(tǒng)應(yīng)用到電網(wǎng)架構(gòu)中，并借助風(fēng)能、光伏技術(shù) (PV) 以及其他可再生能源來強化電源領(lǐng)域。
這些能源需要采用大容量儲能系統(tǒng)，例如電池、飛輪、氫等，在可再生能源停止供應(yīng)時提供電力，例如在渦輪的維修期間，或在光伏系統(tǒng)夜間無法發(fā)電時。
由于智能電網(wǎng)支持可再生能源技術(shù)，與僅使用傳統(tǒng)電源的電網(wǎng)相比具有非常獨特的優(yōu)勢，因為傳統(tǒng)電源存在很多變數(shù)，例如配電系統(tǒng)的供需不斷發(fā)生變化等。智能電網(wǎng)解決了這一差異化問題，它在整個電網(wǎng)中使用智能電表來幫助優(yōu)化發(fā)電，將電能供應(yīng)到需求最高的區(qū)域，同時讓低需求的區(qū)域保持高效運行。
這是一項非常復(fù)雜的任務(wù)，而人工智能有助于通過最高效的方式優(yōu)化風(fēng)力發(fā)電、儲能和配電。
風(fēng)力發(fā)電
在風(fēng)力發(fā)電系統(tǒng)中，可從人工智能中受益的關(guān)鍵應(yīng)用之一是最大功率點跟蹤 (MPPT) 功能，如圖 11 所示。
圖 1：風(fēng)力發(fā)電系統(tǒng)示意圖顯示了系統(tǒng)流程以及人工智能在 MPPT-1 和 MPPT-2 中的執(zhí)行位置。該系統(tǒng)架構(gòu)基于內(nèi)置式永磁 (IPM) 同步發(fā)電機(jī)。（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(tǒng) (FIS) 來創(chuàng)建控制系統(tǒng)。Mamdani 是可用于人工智能系統(tǒng)的幾種模糊邏輯方法之一。
MPPT-1 內(nèi)部采用一個模糊邏輯控制器 (FLC) 來調(diào)節(jié)渦輪速度，以便確定通過優(yōu)化渦輪的氣動效率能夠?qū)崿F(xiàn)的最大功率。MPPT-2 也有一個模糊邏輯控制器，用于優(yōu)化發(fā)電機(jī)定子磁鏈，以便獲取輕負(fù)載條件下的最大功率。
同樣，這些 MPPT 功能必定需要“B 計劃”。
什么是 B 計劃？
毫無疑問，人工智能的使用能夠優(yōu)化面向風(fēng)力發(fā)電的 MPPT 解決方案；當(dāng)前市場中更為出色的解決方案屈指可數(shù)。
本例中的這兩種 MPPT 功能實質(zhì)都是能效功能，未必會導(dǎo)致災(zāi)難性故障，但確實能夠提高電源轉(zhuǎn)換效率，這在發(fā)電時是一個重要因素。
合理的 B 計劃解決方案是在系統(tǒng)原型中嵌入一個相對傳統(tǒng)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(tǒng)的可編程 MPPT 控制器 IC。該演示板需要進(jìn)行少量定制，以用于風(fēng)輪機(jī)充電器。
此設(shè)計能夠奏效的條件是，電池能夠吸收渦輪機(jī)的所有電能，或者設(shè)計人員設(shè)置一個與電池并聯(lián)的負(fù)載，在感應(yīng)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(xiàn)故障時的后備解決方案，人工智能仍然是主要解決方案。
全電力飛行器中的發(fā)電
在全電力飛行器中產(chǎn)生和控制電能是一項非常棘手的任務(wù)4。目標(biāo)是生成穩(wěn)定的電能，并讓已在系統(tǒng)內(nèi)流通的電能實現(xiàn)再生。這就要求具備用于優(yōu)化電源系統(tǒng)的反饋和系統(tǒng)，而且必須實時完成。為了達(dá)到這個目標(biāo)，必須使用其他的處理和通信系統(tǒng)，還要增加更多的傳感器和致動器系統(tǒng)。
由人工智能發(fā)電機(jī)控制單元 (GCU) 驅(qū)動的同步發(fā)電機(jī)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(tǒng)模型顯示了人工智能在電源系統(tǒng)中所在的位置，以及整體系統(tǒng)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(shù)，系統(tǒng)能夠從過去的電源管理決策中學(xué)習(xí)，從而適應(yīng)來自用戶的實時請求。
人工智能 GCU
飛行器電力通常來自于機(jī)械引擎或類似于電池的儲能系統(tǒng)。GCU 包括穩(wěn)壓器、激勵器和穩(wěn)定器。此控制系統(tǒng)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(gòu)，設(shè)計人員可以非常輕松地使用穩(wěn)壓器實現(xiàn)“B 計劃”，其中穩(wěn)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(guān)能力，非常適合作為飛行器穩(wěn)壓器（自動穩(wěn)壓器，即 AVR）的功率驅(qū)動器。設(shè)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(jìn)一步減小系統(tǒng)尺寸。
為了在 GCU 內(nèi)部將發(fā)電機(jī)交流電轉(zhuǎn)換為直流電，設(shè)計人員需要添加一個靜態(tài)激勵器（實質(zhì)是電壓逆變器），用于產(chǎn)生電場。該靜態(tài)激勵器通過晶閘管橋式整流器，對部分交流發(fā)電機(jī)輸出進(jìn)行整流，最終為飛行器系統(tǒng)提供直流電壓。GCU 的穩(wěn)定器可測量系統(tǒng)穩(wěn)定性的改進(jìn)。
采用電池供電的遠(yuǎn)程傳感器的物聯(lián)網(wǎng)通信3
物聯(lián)網(wǎng) (IoT) 支持任何設(shè)備連接到互聯(lián)網(wǎng)（通常通過無線電接口）。人工智能可利用認(rèn)知通信幫助降低這些互連系統(tǒng)的復(fù)雜性，讓機(jī)器能夠更好地理解人的想法。
從機(jī)器到流程，普通工廠可能會使用數(shù)以千計的傳感器。成功的系統(tǒng)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(jìn)行實時決策，必須在感測源位置嵌入智能。
對于設(shè)計人員而言，這需要將更多智能從云遷移到網(wǎng)絡(luò)邊緣，以支持在物聯(lián)網(wǎng)節(jié)點處做出決策。使用機(jī)器學(xué)習(xí) (ML) 和人工智能技術(shù)，可在網(wǎng)絡(luò)邊緣建立可操作的智能（圖 3）。
圖 3：所示為人工智能執(zhí)行強化學(xué)習(xí) (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(jié)點 (a)；使用人工智能的智能節(jié)點的狀態(tài)、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(xué)習(xí) (RL) 來確定最大無線功率水平下的最佳傳輸頻率，并學(xué)習(xí)最大程度減少其在網(wǎng)絡(luò)邊緣的無線通信中的數(shù)據(jù)包沖突和延遲。通過這種方式，人工智能可以自我學(xué)習(xí)最佳方法，確定能夠?qū)崿F(xiàn)低延遲通信的最優(yōu)可用無線通信通道，進(jìn)而提供近乎實時的操作，實現(xiàn)可能的最佳傳輸功率控制 (TPC)。
這里的 B 計劃可以使用遠(yuǎn)程傳感器監(jiān)控套件來實現(xiàn)，例如 Monnit Corp. 的 MNK2-9-EG-PHL。該套件可在需要時介入，讓系統(tǒng)保持工作狀態(tài)，直至技術(shù)人員到達(dá)現(xiàn)場評估問題，并更換出現(xiàn)故障的元器件、模塊和電路板，從而完全恢復(fù)正常工作。
雖然該套件無法思考和學(xué)習(xí)，但系統(tǒng)將會繼續(xù)工作，數(shù)據(jù)也不會丟失。在評估系統(tǒng)并隔離錯誤之后，即可完全恢復(fù)正常工作，而不會遺漏任何數(shù)據(jù)傳輸。
總結(jié)
在很多應(yīng)用中，人工智能可以增強電力電子設(shè)計架構(gòu)，最終獲得跟人一樣甚至比人更優(yōu)的學(xué)習(xí)和適應(yīng)能力。目前，人工智能技術(shù)尚處于發(fā)展初期，仍然需要“B 計劃”，特別是在任務(wù)關(guān)鍵型應(yīng)用中。
如上文所述，電源設(shè)計人員可采用多種方案，借助并行系統(tǒng)在其設(shè)計中實現(xiàn)“B 計劃”，從而在主系統(tǒng)檢測到問題時讓并行系統(tǒng)能夠接管工作。供應(yīng)商提供了用于快速學(xué)習(xí)的評估套件，同時還能創(chuàng)建分立設(shè)計，在需要時接管人工智能系統(tǒng)的特定功能。
參考資料
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
