Intelligence artificielle dans les systèmes de gestion de l'alimentation : quel plan B ?

L'intelligence artificielle (IA) se fraie un chemin dans le processus de prise de décisions quant aux systèmes de contrôle de l'alimentation pour les applications de gestion de l'alimentation, comme les éoliennes et les systèmes de production d'énergie solaire.

Certains concepteurs peuvent penser que cette méthode de contrôle est acceptable et efficace, mais ceux qui conçoivent des applications critiques ne sont peut-être pas encore prêts à baser entièrement leur conception et la sécurité des utilisateurs sur l'IA. Pour ces applications, un ou plusieurs niveaux de redondance et de protection sont requis.

Cet article étudie trois exemples d'utilisation de l'IA dans les systèmes de gestion de l'alimentation. Il décrit ensuite trois manières d'obtenir un système de secours en cas de défaillance de l'IA et montre comment utiliser des solutions de Texas Instruments, de Monnit Corporation, d'EPC et d'Intersil pour implémenter ces « plans B ».

Le rôle de l'IA dans l'alimentation

L'utilisation des techniques d'IA a commencé avec la transition vers les circuits intégrés d'alimentation numériques par des entreprises comme Texas Instruments à la fin des années 90. Certains disent que les circuits intégrés d'alimentation numériques sont apparus lorsque les concepteurs ont commencé à utiliser des DSP dans leurs architectures d'alimentation des années plus tôt. Ce fut en fait le début de ce qui est maintenant considéré comme une alimentation numérique et la naissance d'une forme précoce d'IA. Aujourd'hui, pour leurs architectures de conception d'alimentation, de nombreux concepteurs de circuits préfèrent utiliser des solutions de circuits intégrés d'alimentation numériques avec le PMBus embarqué dans le circuit intégré. Le moniteur de puissance numérique de précision ISL28023-25 d'Intersil en est un exemple.

À l'origine, les concepteurs de produits d'alimentation étaient réticents à l'idée d'utiliser l'alimentation numérique dans leurs conceptions, mais celle-ci est désormais assez bien acceptée. L'IA constitue le prochain grand pas en avant et quelques développements précoces de l'IA dans la gestion de l'alimentation ont été présentés lors de l'APEC 2019. Cependant, cette technologie est tellement récente que les concepteurs de produits d'alimentation doivent se méfier des systèmes d'IA qui pourraient venir se greffer au développement de leur système de gestion de l'alimentation un peu trop tôt. Cela dit, l'utilisation de l'IA dans les systèmes d'alimentation est inévitable et les concepteurs de produits d'alimentation doivent s'y préparer. Ce qui est préoccupant, c'est qu'un jour, une alimentation pourra peut-être répondre par l'équivalent de : « Je suis désolé Dave, j'ai bien peur de ne pas pouvoir faire ça ». Il est donc nécessaire d'avoir un « plan B ».

Pour leur plan B, les concepteurs doivent réfléchir à la redondance dans leurs conceptions ou, mieux encore, avoir un système de remplacement sûr capable de prendre le relais d'une fonction d'IA qui ne fonctionne pas comme prévu, pour permettre à un système critique de continuer à fonctionner.

L'IA dans le réseau électrique intelligent et dans les systèmes d'énergies renouvelables¹

L'utilisation de systèmes experts, de la logique floue et de réseau de neurones artificiels constitue un pas en avant vers l'IA et révolutionne déjà le réseau électrique intelligent (SG) et les systèmes d'énergies renouvelables (RES). L'IA peut considérablement améliorer les performances et l'adaptabilité du réseau électrique intelligent et des systèmes d'énergies renouvelables, mais il s'agit également d'excellents exemples de systèmes critiques nécessitant un plan B.

Les réseaux électriques intelligents ont la chance de pouvoir utiliser des systèmes d'énergies renouvelables distribués dans l'architecture réseau et d'améliorer ce segment de l'alimentation grâce à l'énergie éolienne, aux systèmes photovoltaïques (PV) et à d'autres sources renouvelables.

Ces sources nécessitent l'utilisation de systèmes de stockage d'énergie de masse comme les batteries, les volants d'inertie, l'hydrogène ou autres afin de fournir une alimentation lorsque les sources d'énergies renouvelables s'épuisent (par exemple les jours calmes pour les éoliennes et la nuit pour les systèmes photovoltaïques).

Étant donné qu'il prend en charge les technologies d'énergies renouvelables, le réseau électrique intelligent se démarque clairement des réseaux électriques qui n'utilisent que des sources d'énergie classiques, au sens où il existe de nombreuses variables, par exemple une offre et une demande en constante évolution dans le système de distribution électrique. Le réseau électrique intelligent répond à cette variation grâce à l'utilisation de compteurs intelligents sur tout le réseau. Ceux-ci permettent d'optimiser la production d'énergie et de fournir de l'énergie aux zones où la demande est la plus forte, tout en assurant le bon fonctionnement des zones où la demande est plus faible.

Il s'agit d'une tâche complexe et l'IA permet d'optimiser la production, le stockage et la distribution de l'énergie éolienne de la manière la plus efficace qui soit.

Production d'énergie éolienne

L'une des applications clés pouvant tirer parti de l'IA dans un système de production d'énergie éolienne est la fonction de recherche de point de puissance maximale (MPPT) illustrée à la Figure 1¹.

Figure 1 : Schéma d'un système de production d'énergie éolienne illustrant le processus et le rôle de l'IA au niveau de MPPT-1 et MPPT-2. Cette architecture système est basée sur un générateur synchrone à aimants permanents intérieurs (IPM). (Source de l'image : article IEEE relatif aux techniques d'intelligence artificielle dans les réseaux électriques intelligents et les systèmes d'énergies renouvelables avec des applications d'exemple)

La Figure 1 inclut deux contrôleurs MPPT : MPPT-1 et MPPT-2. Les deux contrôleurs MPPT utilisent un système d'inférence floue (FIS) de type Mamdani pour créer un système de contrôle. Mamdani n'est que l'une des nombreuses méthodologies de logique floue qu'il est possible d'utiliser pour un système d'IA.

Le contrôleur MPPT-1 contient un contrôleur à logique floue (FLC) permettant d'ajuster la vitesse de la turbine afin de déterminer la puissance maximale grâce à l'optimisation du rendement aérodynamique de la turbine. Ici, le contrôleur MPPT-2 intègre également un contrôleur FLC pour optimiser le flux de stator du générateur afin d'atteindre sa puissance maximale à faibles charges.

Néanmoins, les fonctions MPPT nécessitent absolument un « plan B ».

Quel plan B ?

Ne vous y trompez pas, l'utilisation de l'IA permet d'améliorer les solutions MPPT pour l'énergie éolienne. Il n'en existe pas beaucoup, sinon aucune, de meilleures sur le marché à l'heure actuelle.

Dans cet exemple, bien que les deux fonctions MPPT soient essentiellement des fonctions de rendement et n'entraîneront pas nécessairement de défaillance catastrophique, elles améliorent bel et bien le rendement de la conversion de puissance, ce qui est un facteur important lors de la production d'énergie.

Une solution logique pour un plan B consisterait à intégrer dans le prototype du système une solution MPPT relativement classique, comme la carte d'évaluation de gestion de l'alimentation pour chargeur de batterie SM3320-BATT-EV/NOPB-ND de Texas Instruments. La carte de démonstration contient le SM72442MTE/NOPB, un circuit intégré de contrôleur MPPT programmable pour les systèmes photovoltaïques. Il est nécessaire d'adapter légèrement cette carte de démonstration pour qu'elle fonctionne avec un chargeur d'éolienne.

Cette conception fonctionne si la batterie peut absorber toute la puissance de la turbine ou si le concepteur configure une charge parallèle à la batterie qui peut être utilisée pour décharger le surplus d'énergie lorsque la batterie est détectée comme étant pleine. Il ne faut pas oublier qu'il ne s'agit que d'une solution de secours en cas de défaillance de l'IA. L'IA reste la solution principale.

Production d'énergie dans un avion entièrement électrique

La production et le contrôle d'énergie dans un avion entièrement électrique sont deux tâches ardues⁴. Ici, l'objectif consiste à générer une puissance électrique stable et à renouveler l'énergie qui circule déjà dans le système. Les rétroactions et les systèmes optimisant le système d'alimentation sont indispensables et doivent être effectués en temps réel. Pour ce faire, il est nécessaire d'utiliser des systèmes de traitement et de communication supplémentaires, et d'ajouter davantage de capteurs et d'actionneurs.

Le contrôle intelligent d'un générateur synchrone entraîné par un régulateur d'alternateur (GCU) avec IA permet un contrôle à rétroaction de l'avion, comme illustré à la Figure 2.

Figure 2 : Un modèle de système d'avion entièrement électrique montre l'endroit où l'IA intervient dans le système d'alimentation et le fonctionnement de l'ensemble du système. (Source de l'image : article IEEE relatif au contrôle de l'alimentation d'un avion entièrement électrique basé sur l'IA)

Cet ajout de l'IA permet au système d'apprendre grâce aux décisions de gestion de l'alimentation antérieures afin de s'adapter aux demandes des utilisateurs en temps réel.

Le GCU avec IA

L'énergie à bord de l'avion est généralement générée par un moteur mécanique ou un système de stockage comme une batterie. Le GCU comprend un régulateur de tension, un excitateur et un stabilisateur. La rétroaction vers ce système de contrôle provient de l'unité de distribution principale (PDU).

Cette architecture simple basée sur GCU avec IA permet aux concepteurs d'utiliser très facilement un « plan B » grâce au régulateur de tension intégré au GCU, conçu à l'aide de transistors de puissance GaN comme le FET GaN EPC2001C d'EPC. Grâce à leur capacité de commutation à grande vitesse, les dispositifs GaN sont parfaits en tant que circuit d'attaque d'alimentation au sein du régulateur de l'avion (stabilisateur automatique de tension). Cela permet d'utiliser des aimants plus compacts, réduisant ainsi le poids de l'avion. Les FET GaN sont également très efficaces, car ils permettent d'utiliser des dissipateurs thermiques plus compacts ou de ne pas en utiliser du tout, pour réduire davantage la taille du système.

Pour convertir l'alimentation CA du générateur en CC dans le GCU, les concepteurs doivent ajouter un excitateur statique (qui est en fait un onduleur de tension) afin de permettre la génération de champs. L'excitateur statique, via un pont redresseur à thyristor, rectifie une partie de la sortie du générateur CA pour fournir une tension CC aux systèmes de l'avion. Le stabilisateur du GCU mesure les améliorations de la stabilité du système.

Communications IoT avec capteurs à distance alimentés par batterie³

L'Internet des objets (IoT) permet la connexion de tout dispositif à Internet, souvent via une interface radio. L'IA peut aider à réduire la complexité de ces systèmes connectés en utilisant des communications cognitives, permettant ainsi aux machines de mieux comprendre les humains.

Une usine typique peut utiliser plusieurs milliers de capteurs reliés aux machines et aux processus. Pour être efficace, le système requiert une communication fiable et une faible latence pour permettre des prises de décisions en temps réel. Pour y parvenir, il est impératif d'intégrer l'intelligence directement au niveau de la source de détection.

Les concepteurs doivent donc transférer davantage d'intelligence depuis le cloud vers la périphérie du réseau pour permettre la prise de décision directement au niveau du nœud IoT. L'utilisation de techniques d'apprentissage automatique et d'IA crée une intelligence exploitable à la périphérie (Figure 3).

Figure 3 : Processus d'apprentissage par renforcement de l'IA pour localiser les fréquences de transmission optimales et les niveaux de puissance maximale. Le schéma montre le nœud intelligent (a), ainsi que les états, les actions et les récompenses du nœud intelligent avec IA (b). (Source de l'image : article IEEE relatif à l'intelligence à la périphérie des réseaux complexes dans le cas du contrôle cognitif de la puissance de transmission)

Comme le montre la Figure 3, l'IA utilise l'apprentissage par renforcement pour localiser les fréquences de transmission optimales à des niveaux de puissance maximale sans fil et apprend à réduire les collisions de paquets et la latence dans la communication sans fil à la périphérie du réseau. De cette manière, l'IA apprend automatiquement le meilleur moyen de déterminer les meilleurs canaux de communication sans fil disponibles qui permettront des communications à faible latence. Ainsi, une action presque en temps réel sera possible pour obtenir le meilleur contrôle de puissance de transmission qui soit.

Ici, il est possible d'implémenter un plan B à l'aide d'un kit de surveillance de capteurs à distance, comme le MNK2-9-EG-PHL de Monnit Corp. Ce kit peut être mis en place lorsque cela s'avère nécessaire pour que le système continue à fonctionner jusqu'à ce qu'un technicien puisse se rendre sur place pour évaluer le problème et remplacer un composant, une carte ou un module défectueux afin de rétablir le fonctionnement complet.

Même si le kit ne pourra pas réfléchir ni apprendre, le système continuera à fonctionner et les données ne seront pas perdues. Une fois que le système est évalué et que l'erreur est isolée, toutes les fonctionnalités peuvent être restaurées sans rater aucune transmission de données.

Conclusion

L'IA va améliorer les architectures de conception d'alimentation électronique dans de nombreuses applications. Un jour ou l'autre, elle apprendra et s'adaptera aussi bien qu'un humain, voire mieux. Pour l'instant, la technologie n'en est qu'à ses débuts et nécessite un « plan B », en particulier pour les applications critiques.

Comme indiqué ici, les concepteurs de solutions d'alimentation disposent de nombreuses options pour implémenter un « plan B » dans leurs conceptions, avec des systèmes parallèles qui peuvent prendre le relais lorsque des problèmes sont détectés dans le système principal. Les fournisseurs proposent des kits d'évaluation pour un apprentissage rapide, tandis que des conceptions discrètes peuvent être créées pour prendre en charge des fonctions particulières dans un système d'IA si nécessaire.

Références

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, n°11, novembre 2017
2. MPPT Control Methods in Wind Energy Conversion Systems, Jogendra Singh Thongam et Mohand Ouhrouche
3. Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control, Pasquale Pace, Giancarlo Fortino, Yin Zhang et Antonio Liotta, ARTIFICIAL INTELLIGENCE FOR COGNITIVE WIRELESS COMMUNICATIONS, IEEE Wireless Communications, juin 2019
4. AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019