¿Por qué la IA es importante para la electrificación?

Innovaciones y progreso significativo en las tecnologías eléctricas están acelerando la transición energética de combustibles fósiles a energía limpia, permitiendo así la electrificación generalizada. Los adelantos en densidad y eficiencia energética, las mejoras en fiabilidad y la reducción del tamaño y coste de los componentes eléctricos ofrecen a los equipos de ingeniería un nivel de flexibilidad de diseño que antes era inalcanzable.

Al mismo tiempo, la mayor adopción de las energías renovables, la descentralización de la infraestructura energética, los sistemas de transporte cada vez más electrificados y la creciente amenaza de interrupción del suministro energético debido al cambio climático son nuevas preocupaciones que deben abordarse en el diseño y operación de sistemas eléctricos.

La aplicación de técnicas de inteligencia artificial (IA) puede ayudar a hacer frente a estos desafíos.

Puede integrar IA en el desarrollo y las operaciones de tecnologías eléctricas para aumentar la fiabilidad y mejorar la eficiencia en aplicaciones que van desde control de motores y gestión de baterías para vehículos eléctricos hasta integración de energías renovables en la red eléctrica. El uso de técnicas basadas en IA se extiende a:

• Modelado de orden reducido (ROM)
• Estrategias de control
• Sensores virtuales
• Predicción energética
• Mantenimiento predictivo

IA para desarrollo

La IA está mostrando un potencial significativo para:

• Reducir el tiempo computacional de simulaciones
• Caracterizar componentes únicos, difíciles de modelar con técnicas tradicionales
• Actuar como una alternativa efectiva a los sensores físicos
• Desarrollar sistemas de control de alto rendimiento de sistemas complejos no lineales

Modelado de orden reducido

En flujos de trabajo que requieran cálculos intensivos, como exploración de diseños, puede utilizar AI para crear modelos de orden reducido (ROM) en lugar del modelo de alta fidelidad del sistema físico original de motores sin escobillas, por ejemplo. Algunos componentes eléctricos, tales como equipos de sistemas de energía, tienen características novedosas y únicas que son difíciles de modelar con técnicas tradicionales. Los ROM basados en IA ayudan a capturar el comportamiento esencial de estos componentes y sistemas, al tiempo que aceleran significativamente las simulaciones.

Con MATLAB^® y Simulink^®, puede utilizar un modelo de primeros principios basado en la física desarrollado con Simscape™ o simulaciones FEM/FEA de terceros a fin de generar datos sintéticos para entrenar un modelo de orden reducido basado en IA. Simscape permite crear modelos de sistemas físicos en Simulink que incluyen dominios tales como eléctrico, mecánico e hidráulico, entre otros. Simscape Electrical™ ofrece librerías de componentes para modelar y simular sistemas electrónicos, mecatrónicos y eléctricos.

Los resultados de simulación capturan las interacciones físicas del sistema. Los ROM basados en IA que se entrenan utilizando estos resultados también reflejan la dinámica del sistema. Una vez que haya entrenado el ROM, puede integrarlo en un modelo en el nivel de sistema y utilizarlo como alternativa para reemplazar un modelo físico más preciso, aunque también más lento, en la simulación. 

Por ejemplo, con Simscape, puede modelar un motor y una carga en el eje del motor, y generar datos sintéticos mediante la ejecución de simulaciones con el modelo de primeros principios basado en la física. Después de obtener los datos de entrenamiento, puede seleccionar entre diversos algoritmos de IA en MATLAB para entrenar un ROM.

En función de los requisitos de modelado, puede seleccionar entre modelos de Machine Learning tradicionales, tales como máquinas de vectores de soporte, árboles de regresión o redes neuronales superficiales, y modelos de Deep Learning, tales como redes neuronales profundas, para lograr un equilibrio entre precisión, velocidad de entrenamiento, velocidad de inferencia y explicabilidad.

Después de completar el entrenamiento, puede importar el modelo de IA entrenado desde MATLAB y utilizarlo en Simulink. Puede verificar el rendimiento del modelo de IA comparando sus resultados con datos de prueba generados a partir de la simulación basada en la física o datos del mundo real recopilados de producción.

Modelado de sensores virtuales

Cuando se implementan sistemas de control para dispositivos o sistemas eléctricos, a veces es imposible o poco práctico medir señales de interés con un sensor físico. En estos escenarios, se utilizan modelos de IA a fin de crear sensores virtuales para estimar señales críticas.

Por ejemplo, puede utilizar sensores virtuales basados en IA para estimar la posición, velocidad y temperatura de un motor, y eliminar la necesidad de utilizar sensores físicos, tales como un codificador de motor o un sensor de temperatura.

Con MATLAB y Simulink, puede utilizar algoritmos de IA dentro de un modelo de Simulink para predecir características operativas clave de sistemas eléctricos. Por ejemplo, puede estimar el estado de carga (SOC) y estado de salud (SOH) de un sistema de baterías. Estimar el SOC de las baterías es fundamental para controlar un sistema de gestión de baterías, y debe realizarse con precisión para garantizar un funcionamiento fiable y eficiente del sistema de baterías.

Los métodos tradicionales basados en el algoritmo del filtro de Kalman extendido (EKF) generalmente requieren parámetros precisos y conocimiento de las características físicas. Por el contrario, un método de IA, como utilizar una red neuronal, es un enfoque basado en datos que requiere un conocimiento mínimo de la física detallada. Además, los métodos basados en IA ofrecen una solución que no es invasiva, no necesita mantenimiento, ni conlleva costes extraordinarios asociados con la lista de materiales.

Después de completar la validación del modelo de sensor virtual basado en IA, puede generar código C/C++ optimizado y listo para producción con Embedded Coder^® a partir del modelo de IA y desplegar el algoritmo en un microcontrolador.

Estrategia de control

Los sistemas de control basados en IA, especialmente aquellos que utilizan técnicas de reinforcement learning (RL), ofrecen ciertas ventajas significativas respecto de los métodos tradicionales. Las estrategias basadas en IA:

• Ofrecen sistemas de control de alto rendimiento de sistemas multientrada y multisalida (MIMO) complejos no lineales.
• Requieren poco conocimiento previo de la física de la planta.
• Se aplican en gran medida a otros sistemas eléctricos complejos, tales como control de sistemas de almacenamiento de energía y control de sistemas de energía.

Puede modelar la dinámica de la planta en Simulink y Simscape, y utilizar el modelo para entrenar un agente de reinforcement learning. La app Reinforcement Learning Designer permite iniciarse de manera intuitiva e interactiva en la creación del agente y el diseño del entorno con Reinforcement Learning Toolbox™. También puede especificar su propio agente de RL personalizado, así como el entorno de RL, pasando por alto el comportamiento del agente y personalizando las acciones, observaciones, recompensas y dinámicas del entorno.

Por ejemplo, con MATLAB y Simulink, puede implementar control de campo orientado para un motor síncrono de imanes permanentes utilizando sistemas de control de reinforcement learning en lugar de los controladores de PI mediante el entrenamiento de un agente de reinforcement learning. Por lo general, los controladores lineales no producen un buen rendimiento fuera de sus regiones de linealidad. En esos casos, reinforcement learning ofrece una buena alternativa de control no lineal.

IA para operaciones

Los métodos de IA pueden mejorar las operaciones de sistemas eléctricos, ya que permiten realizar:

• Predicciones energéticas fiables
• Mantenimiento predictivo de componentes y sistemas eléctricos

Predicción energética

La predicción energética basada en IA consigue mitigar la incertidumbre respecto de las operaciones de sistemas de energía. Los métodos de IA se pueden utilizar para predecir demanda, tarifas y cargas de electricidad, y ofrecen datos para el análisis y gestión de riesgos en las operaciones de sistemas de energía.

MATLAB y Simulink ayudan a aprovechar modelos de IA para proporcionar datos al modelo del sistema físico y dotar de inteligencia a las operaciones de sistemas. En los sistemas de gestión de energía, la predicción energética desempeña un papel clave a la hora de proporcionar estimaciones fiables de factores técnicos, económicos y medioambientales, tales como tarifas, demanda y generación de electricidad, y condiciones meteorológicas, tales como temperatura y humedad, que son importantes para optimizar las operaciones de sistemas.

Existen cuatro pasos para realizar predicción energética en MATLAB:

1. Importar datos meteorológicos o de energía a partir de una o varias fuentes de datos. Con MATLAB, puede acceder, explorar e importar datos de energía almacenados en archivos, la web y almacenes de datos.
2. Preprocesar los datos para que tengan un formato limpio, congruente y legible con fines de modelado. MATLAB proporciona herramientas interactivas para limpiar, explorar, visualizar y combinar conjuntos de datos multivariantes complejos.
3. Realizar prototipado, probar y perfeccionar modelos predictivos en MATLAB con métodos de Machine Learning. Por ejemplo, puede crear un modelo dinámico autoajustable para predecir la carga energética a largo plazo.
4. Integrar, ejecutar y escalar el sistema de predicción energética dentro de sistemas comerciales empresariales o en forma de aplicaciones web interactivas.

Con Simulink, puede:

• Integrar el modelo de predicción energética basado en IA en un sistema de gestión de energía a fin de obtener datos clave para operaciones inteligentes de edificios residenciales o comerciales.
• Validar el algoritmo de predicción y las estrategias de gestión de energía con respecto al sistema eléctrico.
• Ejecutar simulaciones de hardware-in-the-loop (HIL).
• Generar código C/C++ legible y eficiente a partir del modelo del sistema de gestión de energía en Simulink para desplegarlo en dispositivos edge, tal como un procesador integrado.

Mantenimiento predictivo

Para garantizar la fiabilidad y reducir el tiempo de inactividad, las organizaciones proveedoras de sistemas de energía están comenzando a adoptar el mantenimiento predictivo basado en IA. El mantenimiento predictivo permite detectar y clasificar fallos y anomalías, diagnosticar y predecir fallos, y estimar la vida útil restante (RUL) de componentes y sistemas eléctricos clave, tales como la red eléctrica y los sistemas de cable de distribución de servicios públicos subterráneos.

Puede entrenar algoritmos de mantenimiento predictivo utilizando datos de sensores históricos de sistemas eléctricos, o generar datos sintéticos a partir de modelos basados en la física con Simulink y Simscape.

Los datos de fallos son especialmente valiosos para entrenar modelos de IA destinados a mantenimiento predictivo. Sin embargo, son difíciles de obtener, debido a que los escenarios de fallos no son frecuentes y generalmente están asociados con daños en equipos u otras consecuencias catastróficas.Con MATLAB y Simulink, puede inyectar fallos en el modelo del sistema y generar datos a partir del modelo en condiciones normales y de fallo.

Después de haber entrenado el algoritmo de IA con datos de fallos, de sensores, o de ambos, puede generar código C/C++ directamente desde el algoritmo para realizar procesamiento edge en tiempo real, o bien escalar mediante integración con sistemas empresariales de TI/TO en la nube.