White paper

Tecniche di IA per le tecnologie elettriche

Perché l’IA è importante per l’elettrificazione?

I notevoli progressi e le innovazioni nel campo delle tecnologie elettriche stanno accelerando la transizione energetica dai combustibili fossili all’energia pulita, oltre a consentire l’elettrificazione in qualsiasi settore. Le scoperte nel campo dell’efficienza e della densità di potenza, l’affidabilità aumentata e la riduzione dei costi e delle dimensioni dei componenti elettrici offrono alla comunità ingegneristica un livello di flessibilità di progettazione senza precedenti.

Al contempo, una maggiore adozione delle rinnovabili, la decentralizzazione delle infrastrutture dell’energia, la maggiore elettrificazione dei sistemi di trasporto e la crescente minaccia dell’interruzione dell’alimentazione dovuta al cambiamento climatico sono aspetti nuovi che vanno tenuti in considerazione in fase di progettazione e utilizzo dei sistemi elettrici.

Adottare tecniche di intelligenza artificiale (IA) è un nuovo modo per aiutare la comunità ingegneristica ad affrontare queste sfide.

È possibile integrare l’IA nello sviluppo e nelle operazioni delle tecnologie elettriche per aumentare l’affidabilità e migliorare l’efficienza di applicazioni che vanno dal controllo motori e la gestione delle batterie dei veicoli elettrici all’integrazione dell’energia rinnovabile nelle reti elettriche. Esempi di utilizzo delle tecniche basate sull’IA comprendono:

  • Modellazione di ordine ridotto (ROM)
  • Strategie di controllo
  • Sensori virtuali
  • Previsioni energetiche
  • Manutenzione predittiva
sezione

L’IA per lo sviluppo

L’IA sta dimostrando di avere un enorme potenziale per:

  • Ridurre il tempo di calcolo nelle simulazioni.
  • Caratterizzare componenti unici che sono difficili da modellare con le tecniche tradizionali.
  • Fungere da alternativa efficace ai sensori fisici.
  • Realizzare controlli ad altre prestazioni per sistemi complessi e non lineari.

Modellazione di ordine ridotto

Per i workflow che richiedono molti calcoli, come l’esplorazione dei progetti, è possibile utilizzare l’IA per creare modelli di ordine ridotto (ROM) al posto del modello ad alta fedeltà del sistema fisico originale, come i motori brushless. Alcuni componenti elettrici, come le apparecchiature per gli impianti energetici, hanno caratteristiche uniche e innovative, difficili da modellare con le tecniche tradizionali. I ROM basati sull’IA aiutano ad acquisire il comportamento essenziale di questi componenti e sistemi, con una notevole accelerazione delle simulazioni.

Con MATLAB® e Simulink®, è possibile utilizzare un modello basato sui principi primi e sulla fisica, realizzato con Simscape™ o con simulazioni FEM/FEA di terze parti, per generare dati sintetici con cui addestrare un modello di ordine ridotto basato sull’IA. Simscape consente di creare modelli di sistemi fisici in Simulink, comprensivi di domini quali quello elettrico, meccanico, idraulico e molti altri. Simscape Electrical™ fornisce librerie di componenti per la modellazione e la simulazione di sistemi elettronici, meccatronici e di alimentazione elettrica.

I risultati della simulazione rappresentano le interazioni fisiche dei sistemi. Il ROM basato sull’IA, addestrato con questi risultati, rappresenta altresì la dinamica dei sistemi. Una volta ottenuto un ROM addestrato, è possibile integrarlo in un modello a livello di sistema e utilizzare il ROM come alternativa per sostituire un modello fisico più preciso ma più lento nella simulazione. 

Ad esempio, con Simscape è possibile modellare il carico di un albero del motore e un motore e generare dati sintetici eseguendo simulazioni con il modello basato sui principi primi e sulla fisica. Dopo aver ottenuto i dati di addestramento, è possibile scegliere tra svariati algoritmi di IA in MATLAB per addestrare un ROM.

A seconda dei propri requisiti di modellazione, è possibile scegliere tra i tradizionali modelli di Machine Learning (come le macchine a vettori di supporto, gli alberi di regressione o le reti neurali superficiali) e i modelli di Deep Learning (come le reti neurali profonde) per trovare un equilibrio tra precisione, velocità di addestramento, velocità di inferenza e spiegabilità.

Al termine dell’addestramento sarà possibile importare il modello di IA addestrato da MATLAB e utilizzarlo in Simulink. Le prestazioni del modello di IA possono essere verificate confrontando i risultati di questo modello con i dati di test generati dalla simulazione basata sulla fisica o con i dati del mondo reale raccolti in produzione.

Due diagrammi di sistema di carico e motore, di cui uno include un modello basato sulla fisica e l’altro include un modello di ordine ridotto basato sull’IA.

Creazione di un modello di ordine ridotto basato sull’IA per un modello di carico in Simulink. Il modello di IA si basa su una rete neurale profonda Long Short-Term Memory (LSTM).

Modellazione di sensori virtuali

Quando si implementano dei controlli per i sistemi o i dispositivi elettrici, la misurazione dei segnali di interesse per mezzo di un sensore fisico talvolta è impossibile o non funzionale. In questi scenari, i modelli di IA vengono utilizzati per creare dei sensori virtuali con cui stimare i segnali critici.

Ad esempio, è possibile utilizzare i sensori virtuali basati sull’IA per stimare la posizione, la velocità e la temperatura di un motore, eliminando così la necessità di sensori fisici, come gli encoder per il motore o i sensori di temperatura.

Con MATLAB e Simulink, è possibile utilizzare gli algoritmi di IA all’interno di un modello Simulink per prevedere le caratteristiche operative principali dei sistemi elettrici. Ad esempio, è possibile stimare lo stato di carica (SOC) e lo stato di salute (SoH) di un sistema di batterie. Il valore SOC di una batteria è fondamentale per i controlli di un sistema di gestione delle batterie e deve essere stimato con precisione affinché il sistema di batterie funzioni in modo efficiente e affidabile.

Diagramma si uno stimatore dello stato di carica per batterie basato sull’IA.

Creazione di un sensore virtuale basato sul Deep Learning per stimare lo stato di carica (SOC) delle batterie in Simulink.

I metodi tradizionali basati sull’algoritmo del filtro di Kalman esteso (EKF) in genere richiedono parametri precisi e una conoscenza delle caratteristiche fisiche. Al contrario, un metodo di IA, come l’uso di una rete neurale, è un approccio basato sui dati che necessita di conoscenze minime della fisica dettagliata. In più, i metodi basati sull’IA offrono una soluzione che non prevede costi ricorrenti della distinta dei materiali, non invasiva e che non richiede manutenzione.

Una volta terminata la modellazione e la convalida del modello di sensore virtuale basato sull’IA, è possibile generare codice C/C++ ottimizzato e pronto per la produzione con Embedded Coder® dal modello di IA e distribuire l’algoritmo su un microcontroller.

Strategia di controllo

I controlli basati sull’IA, soprattutto quelli che sfruttano le tecniche del Reinforcement Learning (RL), hanno alcuni vantaggi significativi rispetto ai metodi tradizionali. Le strategie basate sull’IA:

  • Promettono controlli ad alte prestazioni di sistemi Multiple-Input Multiple-Output (MIMO) complessi e non lineari.
  • Richiedono conoscenze pregresse minime della fisica dell’impianto.
  • Si applicano ampiamente ad altri sistemi elettrici complessi, come al controllo dei sistemi di accumulo dell’energia e dei sistemi di alimentazione.

“Grazie a Reinforcement Learning Toolbox abbiamo notevolmente ridotto i tempi di sviluppo. Il toolbox ci ha dato una grande mano nell’accelerare le fasi di prototipazione e generazione degli agenti del Reinforcement Learning.”

Vivek Venkobarao, Vitesco

È possibile modellare la dinamica dell’impianto in Simulink e in Simscape e usare il modello per addestrare un agente di Reinforcement Learning. L’app Reinforcement Learning Designer offre un modo interattivo e intuitivo per muovere i primi passi con la creazione degli agenti e la progettazione dell’ambiente con Reinforcement Learning Toolbox™. È possibile specificare anche il proprio agente RL personalizzato oltre all’ambiente RL ignorando il comportamento dell’agente e personalizzando le azioni, le osservazioni, le ricompense e la dinamica dell’ambiente.

Ad esempio, con MATLAB e Simulink, è possibile implementare il controllo Field-Oriented di un motore sincrono a magneti permanenti utilizzando i controlli del Reinforcement Learning al posto dei controller PI tramite l’addestramento di un agente di Reinforcement Learning. I controller lineari spesso non producono buoni risultati di tracking al di fuori delle loro regioni di linearità. In questi casi, il Reinforcement Learning offre una buona alternativa per il controllo non lineare.

Diagramma Simulink per i test di sistema in tempo reale.

Creazione di un controllo Field-Oriented basato sul Reinforcement Learning di un motore sincrono a magneti permanenti in Simulink e relativa distribuzione per l’esecuzione di test in tempo reale.

sezione

L’IA per le operazioni

I metodi di IA stanno migliorando le operazioni dei sistemi elettrici consentendo di svolgere le seguenti attività:

  • Previsioni energetiche affidabili
  • Manutenzione predittiva di componenti e sistemi elettrici

Previsioni energetiche

La previsione energetica basata sull’IA offre degli input preziosi per mitigare l’incertezza nelle operazioni dei sistemi di alimentazione. I metodi di IA possono essere utilizzati per prevedere i carichi, la domanda e le tariffe dell’energia elettrica, oltre che per ricavare informazioni utili da usare per la gestione e l’analisi dei rischi nelle operazioni dei sistemi di alimentazione.

“Siamo riusciti a ridurre notevolmente i costi di scostamento tra le previsioni dell’energia eolica e la produzione reale, con un risparmio annuo di milioni di euro.”

Daniel Cabezón, EDP Renováveis

MATLAB e Simulink aiutano a sfruttare i modelli di IA per fornire input di dati al modello di sistema fisico e consentire l’esecuzione di operazioni di sistema intelligenti. Per quanto riguarda i sistemi di gestione dell’energia, la previsione energetica svolge un ruolo fondamentale in quanto fornisce stime affidabili dei fattori tecno-economici ed ambientali, come la domanda e la generazione dell’energia elettrica, il prezzo dell’energia elettrica e le condizioni atmosferiche (quali temperatura e umidità), importanti per ottimizzare le operazioni dei sistemi.

Sono quattro i passaggi per effettuare le previsioni energetiche in MATLAB:

  1. Importare i dati su energia o condizioni meteorologiche da una o una combinazione di fonti di dati. Con MATLAB è possibile accedere a, esplorare e importare i dati sull’energia salvati nei file, sul web e nei data warehouse.
  2. Pre-elaborare i dati in modo che abbiano un formato pulito, coerente e leggibile per la modellazione. MATLAB mette a disposizione degli strumenti interattivi per pulire, esplorare, visualizzare e combinare set di dati multivariati complessi.
  3. Prototipare, testare e affinare dei modelli predittivi in MATLAB utilizzando i metodi di Machine Learning. Ad esempio, è possibile creare un modello dinamico ad autoregolazione per prevedere il carico energetico a lungo termine.
  4. Integrare, eseguire e scalare il sistema di previsione energetica all’interno di sistemi aziendali enterprise o sotto forma di applicazioni web interattive.

In Simulink, sarai in grado di:

  • Integrare il modello di previsione energetica basato sull’IA nel tuo sistema di gestione dell’energia per fornire input essenziali per le operazioni smart negli edifici residenziali o commerciali.
  • Convalidare l’algoritmo di previsione e le strategie di gestione dell’energia rispetto al sistema elettrico.
  • Eseguire simulazioni Hardware-In-the-Loop (HIL).
  • Generare codice C/C++ leggibile ed efficiente dal modello di sistema di gestione dell’energia in Simulink da distribuire su dispositivi edge, come un processore embedded.
Mappa dello stato di New York con grafici relativi ai dati di previsione energetica.

Creazione di un sistema di previsione energetica con il Machine Learning e relativa distribuzione sotto forma di applicazione web.

Manutenzione predittiva

A garanzia di affidabilità e per ridurre i tempi di fermo, le organizzazioni che si occupano di sistemi di alimentazione stanno iniziando ad adottare la manutenzione predittiva basata sull’IA. Con la manutenzione predittiva, gli ingegneri riescono a rilevare e a classificare guasti e anomalie, a diagnosticare e a prevedere i guasti e a stimare la vita utile residua (RUL) dei sistemi e dei componenti elettrici chiave, come la rete elettrica e i sistemi di cavi di distribuzione dell’energia interrati.

È possibile addestrare gli algoritmi di manutenzione predittiva utilizzando i dati di sensori storici provenienti dai sistemi elettrici oppure generare dati sintetici a partire da modelli basati sulla fisica usando Simulink e Simscape.

I dati sui guasti sono difficili da ottenere in quanto gli scenari di guasto sono rari e in genere sono associati a danni alle attrezzature o ad altre conseguenze catastrofiche, per cui i dati sui guasti sono particolarmente preziosi per addestrare i modelli di IA per la manutenzione predittiva. Con MATLAB e Simulink, è possibile inserire i guasti nel modello di sistema e generare dati dal modello sia in condizioni normali che in condizioni di guasto.

Una volta addestrato l’algoritmo di IA sui dati di guasto o i dati dei sensori (o una combinazione di entrambi), è possibile generare codice C/C++ direttamente dall’algoritmo per l’elaborazione edge in tempo reale, oppure scalare tramite l’integrazione con sistemi IT/OT enterprise nel Cloud.

“Nonostante la nostra scarsa esperienza pregressa nel campo dell’IA, un budget limitato e una scadenza ravvicinata, abbiamo completato un modello diagnostico in MATLAB in grado di rilevare i guasti ai componenti delle turbine eoliche con una precisione superiore al 90%.”

Jung Chul Choi, Korea Institute of Energy Research