Artificial Intelligence in Power Management Systems: What’s Plan B?

L'intelligenza artificiale (IA) sta entrando a far parte del processo decisionale di un sistema di controllo dell'alimentazione per applicazioni di gestione energetica come le turbine eoliche e i sistemi di generazione di energia solare.

Alcuni progettisti potrebbero trovare questo metodo di controllo accettabile ed efficiente, ma chi realizza progetti per applicazioni mission-critical potrebbe non essere ancora pronto ad affidarsi completamente all'intelligenza artificiale per il proprio progetto e per la sicurezza degli utenti. Per queste applicazioni sono necessari uno o più livelli di ridondanza e di sicurezza.

Questo articolo prende in esame tre esempi che dimostrano l'uso dell'IA nei sistemi di gestione energetica. Descrive quindi tre modi per fornire un supporto nel caso in cui l'intelligenza artificiale non funzioni e mostra come utilizzare le soluzioni di Texas Instruments, Monnit Corporation, EPC e Intersil per mettere in atto queste alternative da "Piano B".

Il ruolo dell'intelligenza artificiale nell'alimentazione

L'uso delle tecniche di IA è iniziato alla fine degli anni '90 con il passaggio a circuiti integrati di controllo digitale dell'alimentazione da parte di aziende come Texas Instruments. Si potrebbe asserire che i circuiti integrati di controllo digitale dell'alimentazione sono apparsi molti anni prima, quando i progettisti hanno iniziato a utilizzare i DSP nelle architetture di alimentazione. Questo ha segnato di fatto l'inizio di quello che oggi è considerato il controllo digitale dell'alimentazione e la nascita delle prime forme di IA. Oggi molti progettisti di circuiti preferiscono usare soluzioni CI di controllo digitale dell'alimentazione, integrando il PMBus nel CI delle proprie architetture. Ne è un esempio il monitor di controllo digitale dell'alimentazione di precisione ISL28023-25 di Intersil.

Inizialmente i progettisti erano restii a usare il controllo digitale dell'alimentazione nei progetti, ma nel tempo se ne sono fatti una ragione. L'intelligenza artificiale rappresenta il prossimo grande balzo in avanti e in occasione di APEC 2019 è stato dato risalto ad alcune delle sue prime applicazioni per la gestione energetica. Tuttavia, questa tecnologia è talmente nuova che i progettisti non devono avere troppa fretta di inserirla nello sviluppo di un sistema di gestione energetica. L'uso dell'intelligenza artificiale nei sistemi di alimentazione è però inevitabile e i progettisti devono farsi trovare pronti. La preoccupazione è che un bel giorno un alimentatore non riesca più a reggere alla domanda. Ed è per questi casi che serve un "Piano B".

Per un Piano B i progettisti devono pensare a introdurre la ridondanza nei progetti o, meglio ancora, devono avere un sistema alternativo sicuro che possa farsi carico della funzione IA che non risponde più come pianificato, per evitare l'interruzione di un sistema mission-critical.

L'intelligenza artificiale nella smart grid e nei sistemi di energia rinnovabile¹

I sistemi esperti, la logica fuzzy e le reti neurali artificiali (ANN) sono gli snodi che portano all'intelligenza artificiale e che stanno già rivoluzionando la smart grid (SG) e i sistemi di energia rinnovabile (RES). Anche se l'intelligenza artificiale può migliorare moltissimo le prestazioni e l'adattabilità delle SG e dei RES, smart grid e sistemi di energia rinnovabili sono anch'essi buoni esempi di sistemi mission-critical che richiedono un Piano B.

Le SG hanno la straordinaria opportunità di utilizzare RES distribuiti nell'architettura della rete e potenziare quel segmento di alimentazione con l'eolico, il fotovoltaico e altre fonti rinnovabili.

Queste fonti richiedono l'uso di sistemi di accumulo di massa dell'energia come batterie, volani, idrogeno e altri mezzi per fornire alimentazione quando le fonti rinnovabili scendono, come nei giorni senza vento per le turbine e durante la notte per il fotovoltaico.

Dato che supporta le tecnologie di energie rinnovabili, l'SG si differenzia dalle reti elettriche che utilizzano solo fonti di energia convenzionali che sono soggette a moltissime variabili, come ad esempio l'oscillazione continua della domanda e dell'offerta nel sistema di distribuzione elettrica. L'SG affronta questa variazione utilizzando contatori intelligenti lungo tutta la rete che aiutano a ottimizzare la produzione di energia elettrica e a fornirla alle aree con la domanda maggiore, assicurando al contempo il funzionamento efficiente di quelle con una domanda più bassa.

Si tratta di un compito complesso e l'intelligenza artificiale può contribuire a ottimizzare nel modo più efficiente la generazione, l'accumulo e la distribuzione dell'energia eolica.

Generazione di energia eolica

Una delle applicazioni chiave che possono trarre benefici dall'intelligenza artificiale in un sistema di generazione di energia eolica è la funzione di inseguimento del punto di massima potenza (MPPT) mostrata nella Figura 1¹.

Figura 1: Schema di un sistema di generazione di energia eolica che mostra il flusso del sistema e dove interviene l'intelligenza artificiale in MPPT-1 e MPPT-2. L'architettura di questo sistema si basa su un generatore sincrono a magnete permanente interno (IPM). (Immagine per gentile concessione di IEEE, tratta da "Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications")

Nella Figura 1 sono rappresentati due controller MPPT: MPPT-1 e MPPT-2. Entrambi gli MPPT utilizzano un sistema di inferenza fuzzy (FIS) di tipo Mamdani per creare un sistema di controllo. Mamdani è solo una delle numerose metodologie di logica fuzzy che possono essere utilizzate per un sistema di intelligenza artificiale.

All'interno di MPPT-1 vi è un controller a logica fuzzy (FLC) che viene utilizzato per regolare la velocità della turbina al fine di determinare la potenza massima tramite l'ottimizzazione dell'efficienza aerodinamica della turbina. Anche MPPT-2 ha un FLC, in questo caso, per ottimizzare il flusso dello statore del generatore così da ottenere la massima potenza a bassi carichi.

Ciononostante, le funzioni MPPT sono tali da richiedere assolutamente un "Piano B".

Cos'è un Piano B?

Va detto chiaramente che l'uso dell'intelligenza artificiale porta a migliori soluzioni MPPT per l'energia eolica generata. Al momento pare che non esistano soluzioni più valide.

Anche se in questo caso le due funzioni MPPT sono essenzialmente funzioni di efficienza e non portano necessariamente a un guasto catastrofico, migliorano l'efficienza di conversione della potenza, che è un fattore importante per produrre energia.

Una soluzione logica per un Piano B sarebbe quella di inserire nel prototipo del sistema una soluzione MPPT relativamente convenzionale, come la scheda di valutazione della gestione energetica del caricabatterie SM3320-BATT-EV/NOPB-ND di Texas Instruments. La scheda dimostrativa contiene SM72442MTE/NOPB, un CI per controller MPPT programmabile per sistemi fotovoltaici. Per poter funzionare con un caricatore di turbina eolica, questa scheda va leggermente modificata.

Questo progetto avrà successo se la batteria riesce ad assorbire tutta la potenza della turbina. In alternativa, il progettista imposta un carico parallelo alla batteria su cui poter commutare per scaricare la potenza in eccesso quando viene rilevato che la batteria è completamente carica. È importante ricordare che questa è solo una soluzione di ripiego qualora l'intelligenza artificiale abbia un guasto. Qui, l'IA si conferma come soluzione primaria.

Generazione di energia in un aeromobile completamente elettrico

Generare e controllare l'energia in un aeromobile completamente elettrico è un compito veramente arduo⁴. In questo caso l'obiettivo è generare energia elettrica stabile e rigenerare quella già in circolo nel sistema. È indispensabile la presenza di retroazione e di sistemi che ottimizzano il sistema di alimentazione e che il tutto avvenga in tempo reale. A tal fine servono ulteriori sistemi di elaborazione e comunicazione, nonché altri sensori e sistemi di attuatori.

L'uso del controllo intelligente di un generatore sincrono azionato da un'unità di controllo del generatore (GCU) basata su IA fornisce il controllo di retroazione dell'aeromobile, come mostrato nella Figura 2.

Figura 2: Un modello di sistema per aeromobile completamente elettrico mostra dove si trova l'intelligenza artificiale nel sistema di alimentazione e come funziona il sistema complessivo. (Immagine per gentile concessione di IEEE tratta da "AI-based Power Control of an All-Electric Aircraft")

Questa aggiunta di intelligenza artificiale consente al sistema di imparare dalle passate decisioni di gestione energetica per adattarsi in tempo reale alle richieste degli utenti.

La GCU basata su IA

La potenza dell'aereo viene tipicamente generata da un motore meccanico o da un sistema di accumulo come una batteria. La GCU comprende un regolatore di tensione, un eccitatore e uno stabilizzatore. La retroazione a questo sistema di controllo proviene dall'unità di distribuzione primaria (PDU).

Questa semplice architettura della GCU basata su IA permette ai progettisti di ricorrere molto facilmente al "Piano B" usando un regolatore di tensione, che fa parte della GCU, progettato con transistor di potenza GaN come il FET GaN EPC2001C di EPC. Grazie alla loro capacità di commutazione ad alta velocità, i dispositivi GaN sono ideali come driver di potenza nel regolatore dell'aereo (un regolatore di tensione automatico o AVR). Si possono così usare componenti elettromagnetici più piccoli, riducendo il peso dell'aereo. I FET GaN sono anche estremamente efficienti, consentendo, se necessario, l'uso di dissipatori di calore più piccoli, con un'ulteriore riduzione delle dimensioni del sistema.

Per convertire la corrente alternata del generatore in corrente continua all'interno della GCU, i progettisti devono aggiungere un eccitatore statico (essenzialmente un inverter di tensione) per garantire la generazione di campo. L'eccitatore statico, tramite un raddrizzatore a ponte a tiristori, raddrizza parte dell'uscita del generatore c.a. per fornire tensione c.c. per i sistemi dell'aeromobile. La parte stabilizzatore della GCU misura i miglioramenti della stabilità del sistema.

Comunicazioni Internet delle cose con sensori remoti alimentati a batteria³

L'Internet delle cose (IoT) permette di collegare qualsiasi dispositivo a Internet, spesso tramite un'interfaccia radio. L'intelligenza artificiale può contribuire a ridurre la complessità di questi sistemi collegati utilizzando comunicazioni cognitive in cui le macchine riusciranno a comprendere meglio le persone.

Una fabbrica tipica può utilizzare migliaia di sensori nelle macchine e nei processi. Per funzionare correttamente, il sistema ha bisogno di una comunicazione affidabile e di una bassa latenza per prendere decisioni in tempo reale. A questo fine, occorre incorporare l'intelligenza direttamente nella sorgente di rilevamento.

I progettisti devono quindi spostare più intelligenza dal cloud ai margini della rete per consentire che le decisioni vengano prese esattamente nel nodo IoT. L'uso di tecniche di apprendimento automatico (ML) e di IA creerà un'intelligenza utilizzabile ai margini della rete (Figura 3).

Figura 3: Processo con cui l'intelligenza artificiale esegue l'apprendimento per rinforzo (RL) per individuare le frequenze ottimali per la trasmissione e i livelli di massima potenza. Mostra il nodo intelligente (a), gli stati, le azioni, le "ricompense" del nodo intelligente con IA (b). (Immagine per gentile concessione di IEEE tratta da "Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control")

Nella Figura 3 è possibile vedere che l'IA utilizza l'apprendimento per rinforzo (RL) per localizzare le frequenze di trasmissione ottimali ai massimi livelli di potenza wireless e impara a minimizzare la collisione e la latenza dei pacchetti nella sua comunicazione wireless ai margini della rete. In questo modo, l'IA apprende autonomamente il modo migliore per determinare i canali di comunicazione wireless ottimali disponibili che consentiranno comunicazioni a bassa latenza. A sua volta, questo permette un'azione quasi in tempo reale per abilitare il miglior controllo della potenza di trasmissione (TPC) possibile.

In questo caso, il Piano B può essere implementato utilizzando un kit di monitoraggio dei sensori remoti, come MNK2-9-EG-PHL di Monnit Corp. Questo kit può essere attivato quando serve per mantenere il sistema in funzione fino all'arrivo di un tecnico che valuti il problema e sostituisca un componente, un modulo o una scheda difettosi per ripristinare il pieno funzionamento.

Anche se il kit non sarà in grado di pensare e imparare, il sistema continuerà a funzionare e i dati non andranno persi. Una volta valutato il sistema e isolato l'errore, è possibile ripristinare la piena funzionalità senza perdere nulla nella trasmissione dati.

Conclusione

L'intelligenza artificiale migliorerà le architetture dei progetti di alimentazione elettronica in moltissime applicazioni, e potrebbe anche arrivare a imparare e ad adattarsi come o meglio di un essere umano. Per il momento, la tecnologia sta ancora muovendo i primi passi e ha bisogno di un "Piano B", specie nelle applicazioni mission-critical.

Come è stato dimostrato, i progettisti dispongono di molte opzioni per implementare un "Piano B" nei progetti di alimentazione e, quando vengono rilevati problemi nel sistema principale, possono subentrare dei sistemi paralleli. I fornitori hanno realizzato dei kit di valutazione per un rapido apprendimento, ed è possibile creare dei progetti discreti che, quando serve, possono farsi carico di determinate funzioni in un sistema IA.

Riferimenti

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