Inteligencia artificial en sistemas de gestión energética: ¿cuál es el plan B?

La inteligencia artificial (IA) se está abriendo camino en el proceso de toma de decisiones del sistema de control de energía para aplicaciones de gestión energética, como turbinas eólicas y sistemas de generación de energía solar.

Algunos diseñadores pueden encontrar este método de control aceptable y eficiente, pero aquellos que diseñan para aplicaciones de misión crítica aún no están listos para confiar completamente su diseño y la seguridad de sus usuarios a la IA. Para estas aplicaciones, se requieren uno o más niveles de redundancia y salvaguardas.

Este artículo analiza tres ejemplos que demuestran el uso de la IA en los sistemas de gestión energética. Luego, describe tres formas de proporcionar copias de seguridad en caso de que falle la función de la IA y muestra cómo usar soluciones de Texas Instruments, Monnit Corporation, EPC e Intersil para implementar estas alternativas de "plan B".

El papel de la IA en la energía

El uso de técnicas de IA comenzó con la transición a circuitos integrados de energía digital por parte de empresas como Texas Instruments a fines de los años 90.  Se podría argumentar que los circuitos integrados de energía digital aparecieron cuando los diseñadores comenzaron a usar DSP en sus arquitecturas de suministro de energía muchos años antes. Este fue en realidad el comienzo de lo que ahora se considera energía digital, y el nacimiento de una forma temprana de IA. A muchos diseñadores de circuitos de hoy en día les gusta usar soluciones de circuitos integrados de energía digital con el PMBus integrado en el circuito integrado en sus arquitecturas de diseño de energía. Un ejemplo de ello es el monitor de energía digital de precisión ISL28023-25 de Intersil.

Los diseñadores de energía originalmente eran reacios a usar la energía digital en sus diseños, pero ahora es bastante bien aceptado. La IA es el próximo gran salto y algunos de los primeros intentos de IA en la gestión energética se destacaron en APEC 2019. Sin embargo, esta tecnología es tan nueva que los diseñadores de energía deben desconfiar de que la IA se infiltre en su sistema de gestión energética demasiado pronto en su desarrollo. Aun así, el uso de AI en los sistemas de energía es inevitable, y los diseñadores de potencia deben prepararse para ello. La preocupación aquí es que algún día un suministro de energía pueda responder con el equivalente de "Lo siento, amigo, me temo que no puedo hacer eso". Es entonces cuando se necesita un “plan B”.

Para un plan B, los diseñadores deben pensar en la redundancia en sus diseños, o incluso mejor, tener un diseño de sistema alternativo seguro que pueda hacerse cargo de una función de IA que no se desempeña según lo planeado para que un sistema de misión crítica pueda seguir funcionando.

La IA en la red inteligente y en sistemas de energía renovable¹

El uso de sistemas expertos, lógica difusa y redes neuronales artificiales (ANN) son peldaños hacia la IA que ya están revolucionando la red inteligente (SG) y los sistemas de energía renovable (RES). Si bien la IA puede mejorar en gran medida el rendimiento y la adaptabilidad de la SG y de los RES, estos también son buenos ejemplos de sistemas de misión crítica que necesitan un plan B.

Las SG tienen la oportunidad única de emplear RES distribuidas en la arquitectura de la red y mejorar ese segmento de potencia con energía eólica, fotovoltaica (PV) y otras fuentes renovables.

Estas fuentes requieren el uso de sistemas de almacenamiento de energía a granel, como baterías, volantes de inercia, hidrógeno y otros, para proporcionar energía cuando las fuentes renovables caen, como en días tranquilos para turbinas y en la noche para energía fotovoltaica.

Debido a que admite tecnologías de energía renovable, la SG es única en comparación con las redes de energía que emplean solo suministros de energía convencionales, ya que hay muchas variables, como una oferta y demanda continuamente variables en el sistema de distribución eléctrica. La SG aborda esta variación con el uso de medidores inteligentes a lo largo de la red que ayudan a optimizar la generación de energía y suministrar energía a las áreas con mayor demanda, mientras mantienen las áreas de menor demanda funcionando de manera eficiente.

Esta es una tarea compleja, y la IA puede ayudar a optimizar la generación, el almacenamiento y la distribución de energía eólica de la manera más eficiente.

Generación de viento

Una de las aplicaciones clave que pueden beneficiarse de la IA en un sistema de generación de energía eólica es la función de seguimiento del punto de máxima potencia (MPPT) que se muestra en la Figura 1¹.

Figura 1: Un diagrama del sistema de generación de viento que muestra el flujo del sistema y donde funciona la IA en el MPPT-1 y MPPT-2. La arquitectura de este sistema se basa en un generador síncrono de imán permanente (IPM) interior. (Fuente de la imagen: artículo de IEEE, “Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications”)

En la Figura 1 hay dos controladores de MPPT: MPPT-1 y MPPT-2. Ambos MPPT utilizan un sistema de inferencia difuso (FIS) tipo Mamdani para crear un sistema de control. Mamdani es solo una de varias metodologías de lógica difusa que se pueden usar para un sistema de IA.

Dentro del MPPT-1, hay un controlador de lógica difusa (FLC) que se usa para ajustar la velocidad de la turbina a fin de determinar la potencia máxima a través de la optimización de la eficiencia aerodinámica de la turbina. El MPPT-2 también tiene un FLC, en este caso, para optimizar el flujo del estator del generador con el fin de obtener su potencia máxima con cargas ligeras.

Aun así, las funciones de MPPT son tales que definitivamente requieren un "plan B".

¿Cuál es el plan B?

No se equivoque, el uso de la IA conduce a mejores soluciones de MPPT para la energía eólica; en este momento, no hay mejores opciones en el mercado, si es que hay alguna.

Si bien las dos funciones de MPPT en este caso son, esencialmente, funciones de eficiencia y no necesariamente conducen a una falla catastrófica, sí mejoran la eficiencia de conversión de energía, que es un factor importante al generar energía.

Una solución lógica para un plan B sería insertar una solución de MPPT relativamente convencional, como la placa de evaluación de gestión energética del cargador de batería SM3320-BATT-EV/NOPB-ND de Texas Instruments, en el prototipo del sistema. La placa de demostración contiene el SM72442MTE/NOPB, un controlador IC MPPT programable para sistemas fotovoltaicos. Esta placa de demostración deberá adaptarse un poco para funcionar con un cargador de turbina eólica.

Este diseño funcionará si la batería puede absorber la energía total de la turbina, o si el diseñador establece una carga paralela a la batería que se puede conectar para descargar el exceso de energía cuando se percibe que la batería está llena. Es importante recordar que esta es solo una solución alternativa en caso de una falla de IA; la IA sigue siendo la solución principal aquí.

Generación de energía en una aeronave totalmente eléctrica

Generar y controlar energía en una aeronave totalmente eléctrica es una tarea desalentadora⁴. El objetivo aquí es generar energía eléctrica estable y regenerar la energía que ya circula por el sistema. La retroalimentación y los sistemas que optimizan el sistema de energía son imprescindibles y deben hacerse en tiempo real. Para lograr esto, es necesario el uso de sistemas de procesamiento y comunicaciones adicionales, así como la adición de más sensores y sistemas de actuadores.

El uso del control inteligente de un generador síncrono accionado por una unidad de control del generador (GCU) de IA proporciona un control de retroalimentación de la aeronave como se muestra en la Figura 2.

Figura 2: Un modelo de sistema de aeronave totalmente eléctrico muestra dónde reside la IA en el sistema de energía y cómo funciona el sistema en general. (Fuente de la imagen: “AI-based Power Control of an All-Electric Aircraft”, IEEE)

Esta adición de la IA permite que el sistema aprenda de las decisiones pasadas de gestión energética para adaptarse a las solicitudes de los usuarios en tiempo real.

La GCU de IA

La energía del avión generalmente se genera a partir de un motor mecánico o un sistema de almacenamiento, como una batería. La GCU comprende un regulador de voltaje, un excitador y un estabilizador. La retroalimentación a este sistema de control proviene de la unidad de distribución primaria (PDU).

Esta arquitectura simple de GCU de IA permite a los diseñadores emplear un "plan B" muy fácilmente con el uso de un regulador de voltaje, que es parte de la GCU, diseñado utilizando transistores de potencia GaN como el FET GaN EPC2001C de EPC. Los dispositivos GaN son ideales como el controlador de potencia en el regulador de la aeronave (un regulador de voltaje automático o AVR) debido a su capacidad de conmutación de alta velocidad. Esto permite el uso de imanes más pequeños, lo que reduce el peso de la aeronave. Los FET GaN también son altamente eficientes, lo que permite el uso de disipadores de calor más pequeños o ningún disipador de calor, lo cual a su vez reduce aún más el tamaño del sistema.

Para convertir el generador de CA a CC dentro de la GCU, los diseñadores deben agregar un excitador estático (esencialmente un inversor de voltaje) para proporcionar la generación de campo. El excitador estático, a través de un rectificador de puente de tiristores, rectifica parte de la salida del generador de CA para finalmente suministrar voltaje de CC para los sistemas de la aeronave. La parte estabilizadora de la GCU mide mejoras en la estabilidad del sistema.

Comunicaciones por Internet de las cosas con sensores remotos que funcionan con baterías³

Internet de las cosas (IoT) permite la conexión de cualquier dispositivo a Internet, a menudo a través de una interfaz de radio. La IA puede ayudar a reducir la complejidad de estos sistemas conectados mediante comunicaciones cognitivas donde las máquinas podrán comprender mejor a las personas.

Una fábrica típica puede usar miles de sensores de máquinas y procesos. Para tener éxito, el sistema necesita una comunicación confiable y baja latencia para tomar decisiones en tiempo real. Para hacer esto con éxito, la inteligencia debe integrarse directamente en la fuente de detección.

Para los diseñadores, esto requiere mover más inteligencia de la nube al borde de la red para permitir la toma de decisiones directamente en el nodo de IoT. El uso del aprendizaje automático (ML) y las técnicas de IA crearán inteligencia accionable en el borde (Figura 3).

Figura 3: Se muestra el proceso mediante el cual la IA realiza el aprendizaje por refuerzo (RL) para localizar frecuencias de transmisión óptimas y niveles de potencia máximos. Muestra el nodo inteligente (a); estados, acciones, recompensas del nodo inteligente con la IA (b). (Fuente de la imagen: “Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control”, IEEE)

Según la Figura 3, vemos que la IA usa el aprendizaje por refuerzo (RL) para ubicar las frecuencias óptimas de transmisión a los niveles máximos de potencia inalámbrica, y aprende a minimizar la colisión y la latencia de los paquetes en su comunicación inalámbrica en el borde de la red. De esta manera, la IA aprende por sí misma el mejor medio para determinar los canales de comunicación inalámbrica disponibles óptimos que permitirán comunicaciones de baja latencia, lo que a su vez proporciona una acción casi en tiempo real para permitir el mejor control de potencia de transmisión (TPC) posible.

El plan B puede implementarse aquí usando un kit de monitoreo de sensor remoto, como el MNK2-9-EG-PHL deMonnit Corp. Este kit puede cambiarse cuando sea necesario para mantener el sistema funcionando hasta que un técnico pueda llegar al sitio para evaluar el problema y reemplazar un componente, módulo o placa defectuosos para restablecer el funcionamiento completo.

Aunque el kit no podrá pensar ni aprender, el sistema continuará funcionando y no se perderán datos. Una vez que se evalúa el sistema y se aísla el error, se puede restaurar la funcionalidad completa sin perder ninguna transmisión de datos.

Conclusión

La IA mejorará las arquitecturas de diseño de energía electrónica en muchas aplicaciones, y eventualmente puede aprender y adaptarse tan bien o mejor que un ser humano. Por ahora, la tecnología está en pañales y necesita un "plan B", especialmente en aplicaciones de misión crítica.

Como se muestra, los diseñadores de energía tienen muchas opciones para implementar un "plan B" en sus diseños con sistemas paralelos que pueden funcionar cuando se detectan problemas en el sistema principal. Los proveedores han proporcionado kits de evaluación para un aprendizaje rápido, mientras que se pueden crear diseños discretos capaces de asumir funciones particulares en un sistema de IA cuando sea necesario.

Referencias

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.º 11, noviembre de 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, junio de 2019
4. AI-based Power Control of an All-Electric Aircraft, Brook W. Abegaz, IEEE 2019