Kunstmatige intelligentie in energiebeheersystemen: Wat is Plan B?

Kunstmatige intelligentie (AI) vindt zijn weg in besluitvormingsprocessen voor energiebeheer bij toepassingen als windturbines en systemen voor het opwekken van zonne-energie.

Er zijn ontwerpers van zulke systemen die een degelijke regelmethode aanvaardbaar en efficiënt vinden, maar de ontwerpers van bedrijfskritische toepassingen zijn er mogelijk nog niet aan toe hun ontwerp en de veiligheid van de gebruikers ervan volledig aan AI toe te vertrouwen. Voor dergelijke toepassingen zijn een of meer niveaus van redundantie en veiligheidsmaatregelen nodig.

In dit artikel bekijken we drie voorbeelden van het gebruik van AI in systemen voor energiebeheer. Vervolgens worden drie manieren besproken om in een back-up te voorzien wanneer de AI-functie faalt en wordt aangegeven hoe oplossingen van Texas Instruments, Monnit Corporation, EPC en Intersil worden gebruikt om zulke 'Plan B'-alternatieven te implementeren.

De rol van AI in de energievoorziening

Het gebruik van AI-technieken begon eind jaren 90 met de overgang naar digitale vermogens-ic's van bedrijven als Texas Instruments. Er is wat voor te zeggen dat digitale vermogens-ic's ten tonele verschenen toen vele jaren eerder ontwerpers DSP's in hun energievoorzieningsarchitecturen begonnen toe te passen. Dit was in feite het begin van wat nu onder de noemer digitale energievoorziening valt, en de geboorte van een vroege vorm van AI. Veel ontwerpers gebruiken nu oplossingen met digitale vermogens-ic's waarin de PMBus in de ic van hun energievoorzieningsarchitecturen is geïntegreerd. Eén zo'n voorbeeld is de Intersil ISL28023-25 digitale vermogensmonitor met hoge nauwkeurigheid.

Ontwerpers van energiesystemen schrokken er aanvankelijk voor terug digitaal energiebeheer in hun ontwerpen toe te passen, maar dit gebruik is tegenwoordig vrij algemeen aanvaard. AI is de volgende belangrijke stap en op de APEC 2019 waren enkele van de vroege implementaties van AI in energiebeheer te zien. Deze technologie is echter zo nieuw, dat ontwerpers van energiesystemen ervoor moeten waken dat AI niet te vroeg in de ontwikkeling van energiebeheersystemen om de hoek komt kijken. Het gebruik van AI in energiesystemen is echter onvermijdbaar en ontwerpers van zulke systemen moeten zorgen er klaar voor te zijn. De vrees is dat een elektriciteitsnet ooit een reactie zal geven in de trant van "Helaas, ik ben bang dat ik dat niet kan." En dan is er een 'Plan B' nodig.

Bij het ontwikkelen van een Plan B moeten ontwerpers redundantie in hun ontwerp inbouwen of, nog beter, een robuust ontwerp voor een alternatief systeem hebben dat de AI-functies kan overnemen als die niet werken zoals bedoeld, zodat het bedrijfskritische systeem gewoon kan blijven werken.

AI in een slim elektriciteitsnet en in systemen voor herbruikbare energie¹

Het gebruik van expert systemen, fuzzy logic (vage logica) en kunstmatige neurale netwerken (ANN's) zijn opstapjes naar AI die al voor revolutionaire veranderingen in slimme elektriciteitsnetten (SG's) en systemen voor hernieuwbare energie (RES's) zorgen. Hoewel AI de prestaties en aanpasbaarheid van SG's en RES's aanzienlijk kunnen worden verbetered, zijn dit tevens goede voorbeelden van bedrijfskritische systemen waar een Plan B voor nodig is.

SG's hebben de unieke mogelijkheid om gedistribueerde RES's in de netwerkarchitectuur te implementeren en om het elektriciteitsnet met wind- en zonne-energie en andere hernieuwbare energiebronnen uit te breiden.

Voor dergelijke bronnen zijn enorme energieopslagsystemen nodig zoals accu's, vliegwielen en waterstof om de energie te kunnen leveren wanneer de bronnen weinig energie leveren, zoals op windstille dagen bij windturbines of 's nachts bij zonnepanelen.

Omdat een SG ondersteuning voor hernieuwbare energie biedt, is een dergelijk net uniek in vergeleking tot elektriciteitsnetten met uitsluitend conventionele energiebronnen omdat er zoveel variabelen zijn, zoals de continu variabele productie van en vraag naar elektriciteit. Een SG speelt hierop in met het gebruik van slimme meters in het gehele net, om de productie en levering van elektriciteit aan de gebieden waar deze het hardst nodig is te optimaliseren, terwijl de gebieden met weinig vraag naar elektriciteit ook efficiënt kunnen worden bediend.

AI kan bij deze complexe taak helpen om de productie, opslag en distributie van windenergie zo efficiënt mogelijk te maken.

Windenergie

Eén van de belangrijkste toepassingen bij windenergie waar AI voordeel kan opleveren, is de maximum power point tracking (MPPT) functie, zie Afbeelding 1¹.

Afbeelding 1: Een stroomschema van een windturbinesysteem met AI toegepast in MPPT-1 en MPPT-2. De systeemarchitectuur is op basis van een synchrone generator met interne permanente magneet (IPM). (Bron afbeelding: IEEE paper, "Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications")

In Afbeelding 1 staan twee MPPT-controllers: MPPT-1 en MPPT-2. Beide MPPT's gebruiken een regelsysteem op basis van een fuzzy interferentiesysteem (FIS) van het Mamdani type. Mamdani is één van een aantal fuzzy logic-methodologieën die voor een AI-systeem kunnen worden gebruikt.

MPPT-1 bevat een fuzzy logic controller (FLC) die wordt gebruikt om het toerental van de turbine te regelen om door optimaliseren van de aerodynamische efficiëntie van de turbine het maximale vermogen te bepalen. Ook MPPT-2 bevat een FLC, die in dit geval de statorflux van de generator optimaliseert om bij lage belastingen het maximale vermogen te leveren.

Maar de MPPT-functies zijn zodanig dat er echt een 'Plan B' voor nodig is.

Wat is Plan B?

Vergis u niet, AI levert betere MPPT-oplossingen voor windenergie. Er zijn momenteel weinig of geen betere oplossingen beschikbaar.

Hoewel de twee MPPT-functies in dit geval feitelijk over efficiëntie gaan en niet noodzakelijkerwijs tot catastrofale uitval kunnen leiden, verbeteren ze de efficiëntie van de vermogensomzetting, een belangrijke factor bij het opwekken van energie.

Een logische invulling van een Plan B zou het gebruik van een relatief conventionele MPPT-oplossing zijn, zoals de Texas Instruments SM3320-BATT-EV/NOPB-ND evaluatiekaart voor energiebeheer bij het opladen van accu's in een prototypesysteem. De demonstratiekaart bevat de SM72442MTE/NOPB, een programmeerbare MPPT-regel-ic voor zonnepanelen. De demonstratiekaart moet iets worden aangepast voor gebruik met een windturbine.

Het ontwerp functioneert als de accu het volle vermogen van de turbine kan opnemen, of als de ontwerper een parallelle belasting aan de accu hangt die kan worden ingeschakeld om de overtollige energie te verbruiken als de accu geheel geladen is. Bedenk wel dat dit een back-up-oplossing is voor het geval de AI niet meer functioneert: AI is hier nog altijd de primaire oplossing.

Energieopwekking in een geheel elektrisch vliegtuig

Energie opwekken en regelen in een geheel elektrisch vliegtuig is een lastige klus⁴. Het doel is hier om een stabiele elektrische voeding te krijgen en de al door het systeem gecirculeerde energie te regenereren. Feedback en systemen om de energievoorziening te optimaliseren zijn broodnodig en ze moeten in realtime werken. Hiervoor zijn extra verwerkings- en communicatiesystemen nodig, plus eventueel het toevoegen van meer sensor- en actuatorsystemen.

Het gebruik van intelligente regeling van een synchrone generator die door een generatorregeleenheid (GCU) met Ai wordt aangestuurd, geeft een feedbackregeling van het vliegtuig, zie Afbeelding 2.

Afbeelding 2: Een model voor een geheel elektrisch vliegtuig met AI in de energievoorziening en de algehele functionaliteit van het systeem. (Bron afbeelding: “AI-based Power Control of an All-Electric Aircraft,” IEEE)

Door AI toe te voegen kan het systeem van eerder genomen beslissingen in het energiebeheer leren om zich aan de vragen van gebruikers in realtime aan te kunnen passen.

De GCU met AI

Het vermogen in het vliegtuig is meestal van een mechanische motor of een opslagsysteem als een accu afkomstig. De GCU bevat een spanningsregelaar, een bekrachtiger en een stabilisatie-inrichting. De feedback naar dit regelsysteem is van de primaire distributie-eenheid (PDU) afkomstig.

Met deze eenvoudige op AI gebaseerde GCU-architectuur kunnen ontwerpers bijzonder eenvoudig een 'Plan B' implementeren. Hiervoor wordt dan als onderdeel van de GCU een spanningsregelaar gebruikt met GaN-vermogenstransistoren als de EPC2001C GaN FET van EPC. GaN is het ideale materiaal voor vermogenstransistoren in de regeleenheid in het vliegtuig (automatische spanningsregelaar AVR) omdat ze op hoge snelheid kunnen schakelen. Hierdoor kunnen de magneten kleiner zijn, wat tot een lager gewicht leidt. GaN-FET's zijn verder bijzonder efficiënt, zodat kleinere koellichamen kunnen worden gebruikt waardoor het systeem nog kleiner kan blijven.

Ontwikkelaars moeten een statische bekrachtiger (in feite een spanningsomvormer) opnemen om in de GCU de gegenereerde wisselspanning in gelijkspanning om te zetten om het veld op te wekken. De statische bekrachtiger zet, via een gelijkrichterbrug met thyristors, een deel van de door de generator opgewekte wisselspanning uiteindelijk in gelijkspanning om voor de verschillende systemen in het vliegtuig. De stabilisatie-inrichting in de GCU meet de verbeteringen in de stabiliteit van het systeem.

Internet of Things communicatie met externe sensoren op batterij ³

Willekeurige apparaten kunnen via het Internet of Things (IoT) met het internet communiceren, vaak via een radiografisch communicatiekanaal. AI kan via cognitieve communicatie de complexiteit van dergelijke connected systemen verkleinen zodat machines de mensen beter kunnen begrijpen.

Een fabriek kan met duizenden sensoren machines en processen bewaken. Het systeem kan alleen succesvol zijn met betrouwbare communicatie en weinig vertraging om beslissingen in realtime te kunnen maken. En dit kan alleen goed werken als de intelligentie in de sensoren ingebouwd is.

Dit betekent dat ontwerpers meer intelligentie vanuit de cloud naar de randen van het netwerk moeten verplaatsen om beslissingen in de eindpunten van het netwerk te nemen. Door technieken als Machine Learning (ML, machine-leren) en AI te gebruiken kan uitvoerbare intelligentie aan de netwerkuiteinden worden ingebouwd (Afbeelding 3).

Afbeelding 3: Het proces is afgebeeld waar AI van Reinforcement Learning (RL) gebruik maakt om optimale transmissiefrequenties en maximale energieniveaus te bepalen. Afgebeeld zijn de Intelligent Node (a): statussen, acties, beloningen van de Intelligent Node met AI (b). (Bron afbeelding: “Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control,” IEEE)

We zien in Afbeelding 3 dat AI gebruik maakt van Reinforcement Learning (RL) om optimale transmissiefrequenties bij maximale draadloze vermogens te lokaliseren. Tevens leert het systeem pakketconflicten en de vertraging in de draadloze communicatie aan de rand van het netwerk te optimaliseren. Op deze manierleer het AI systeem zelf de beste manieren om de optimale beschikbare draadloze communicatiekanalen te bepalen die communicatie met minimale vertraging ondersteunen om vervolgens vrijwel in realtime de beste regeling van het transmissievermogen (TPC) te verkrijgen.

Plan B kan hier worden geïmplementeerd met behulp van een set voor externe sensorbewaking, als de MNK2-9-EG-PHL van Monnit Corp. Deze set kan naar behoefte worden ingeschakeld om het systeem werkend te houden tot een monteur ter plaatse kan zijn om het probleem te beoordelen en een defecte component, module of printplaat weer werkend te krijgen.

Hoewel deze set niet kan denken en leren, blijft het systeem werken en gaan er geen gegevens verloren. Als het systeem eenmaal is geanalyseerd en de fout is geïsoleerd, kan de volledige functionaliteit worden hersteld zonder dat gegevens verloren zijn gegaan.

Conclusie

AI kan in een groot aantal toepassingen de architecturen van elektriciteitsnetten verbeteren en kan bovendien uiteindelijk net zo goed als of beter dan mensen leren en zichzelf aanpassen. Momenteel staat de technologie nog in de kinderschoenen en is een 'Plan B' nodig, vooral bij bedrijfskritische toepassingen.

We hebben laten zien dat ontwerpers van elektrivoteotsnetten veel opties hebben om een 'Plan B' in hun ontwerp in te bouwen door middel van parallelle systemen die actief worden wanneer er in het hoofdsysteem problemen worden gedetecteerd. Leveranciers bieden evaluatiesets voor snel leren aan, daarnaast kunnen ontwerpen worden gemaakt die, wanneer nodig, bepaalde functies van een AI-systeem over kunnen nemen.

Referenties

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 en 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