Con MATLAB y Simulink, puede modelar comportamientos complejos de componentes eléctricos y acelerar simulaciones mediante la creación de modelos de orden reducido (ROM) basados en IA. Puede crear, entrenar y probar estrategias de control y sensores virtuales basados en IA para motores, baterías, convertidores de potencia, sistemas de gestión de energía, vehículos eléctricos y sistemas de red. MATLAB y Simulink ayudan a garantizar la seguridad y eficiencia del funcionamiento de sistemas eléctricos mediante la integración de predicción energética basada en IA y la adopción de mantenimiento predictivo basado en IA.
Modelado de orden reducido
Puede utilizar IA y métodos basados en datos a fin de crear modelos de orden reducido para sistemas o componentes físicos, tales como motores sin escobillas y cargas de motor, y utilizar estos modelos en un diseño. Estos métodos ayudan a acelerar significativamente las simulaciones, al tiempo que capturan el comportamiento esencial del sistema.
MATLAB, Simulink y Simscape permiten:
- Crear modelos de simulación basados en la física de sistemas, ejecutar simulaciones y generar datos sintéticos para entrenar modelos de IA
- Seleccionar modelos de IA prediseñados de una librería y evaluar el rendimiento de los modelos ejecutando múltiples experimentos
- Integrar modelos de IA directamente en Simulink para validar y probar modelos ejecutando simulaciones
Si implementa sistemas de control de electrónica de potencia, puede utilizar IA para desarrollar modelos de sensores virtuales a fin de proporcionar señales esenciales. Los sensores virtuales no conllevan costes recurrentes asociados con la lista de materiales, no son invasivos, ni necesitan mantenimiento.
Con MATLAB, Simulink y Simscape, puede:
- Crear modelos basados en la física de sistemas, ejecutar simulaciones y generar datos sintéticos para entrenar sensores virtuales basados en IA
- Seleccionar modelos de IA prediseñados de una librería y evaluar el rendimiento de los modelos ejecutando múltiples experimentos
- Integrar directamente modelos de sensores virtuales en Simulink dentro de modelos de sistemas físicos para realizar validación
- Generar código C/C++ legible y eficiente para dispositivos integrados
Pruebe estos ejemplos
Vídeos
- Flujos de trabajo de IA para la estimación del estado de baterías (15:36)
- Estimación de SOH y SOC de baterías utilizando un enfoque de Machine Learning híbrido (13:38)
- Estimación del estado de carga de paquetes de baterías integradas utilizando una red neuronal entrenada (15:02)
- Integración de un modelo de TensorFlow en Simulink para simular y generar código (5:47)
- Uso de IA para estimar el estado de carga (SOC) de una batería (19:48)
MATLAB y Simulink ayudan a adoptar sistemas de control de alto rendimiento basados en IA para sistemas de múltiples entradas y múltiples salidas, no lineales y complejos que requieren poco conocimiento previo de la física de la planta. Puede hacer lo siguiente:
- Entrenar algoritmos de control basados en IA a partir de entornos de simulación en Simulink
- Acelerar el entrenamiento ejecutando simulaciones en paralelo
- Consultar ejemplos de toolboxes para realizar un ajuste iterativo de los parámetros de diseño
- Integrar directamente los modelos entrenados en Simulink para realizar verificaciones basadas en simulación
Pruebe estos ejemplos
Vídeos
- Pruebas en tiempo real: Despliegue de un agente de Reinforcement Learning para control de campo orientado (4:51)
- Reinforcement learning motiva a ingenieros de control de sistemas de propulsión (21:26)
- MathWorks Energy Speaker Series - módulo 3: Control de sistemas de energía y almacenamiento de energía con IA (1:11:47)
Predicción energética
MATLAB y Simulink pueden ayudar a reducir los esfuerzos necesarios para implementar un sistema de predicción energética basado en IA con el que predecir la oferta, la demanda y los precios de la electricidad y mitigar las incertidumbres y los riesgos del funcionamiento de sistemas de energía. Puede hacer lo siguiente:
- Automatizar el preprocesamiento de datos con la app Data Cleaner y tareas de Live Editor
- Seleccionar entre una variedad de modelos integrados de Machine Learning y Deep Learning con poca o sin codificación manual
- Diseñar redes neuronales profundas interactivamente con la app Deep Network Designer y gestionar experimentos de Deep Learning con la app Experiment Manager
- Utilizar cálculo paralelo para acelerar el proceso de entrenamiento de IA
- Desplegar y poner en funcionamiento el modelo en entornos de producción con MATLAB y Simulink en la nube
Pruebe estos ejemplos
Vídeos
- Predicción de la carga y precio de la electricidad con MATLAB (47:43)
- Uso de Machine Learning y Deep Learning para predicción energética con MATLAB (39:29)
- Caso práctico de predicción de la carga energética: cómo convertir una idea en un sistema de producción basado en datos (42:53)
- Uso de MATLAB para potenciar las predicciones meteorológicas numéricas (22:31)
- Predicción de la carga eléctrica con MATLAB (1:37)
Con MATLAB, Simulink y Simscape, puede supervisar el estado de los activos y estimar su vida útil restante para disminuir el tiempo de inactividad no planificado, reducir los costes operativos y garantizar la fiabilidad y seguridad de los sistemas de energía.
- Desarrolle modelos basados en la física de sistemas eléctricos con Simscape Electrical, introduzca fallos y ejecute simulaciones para generar datos sintéticos con los que entrenar modelos de mantenimiento predictivo.
- Extraiga, visualice y clasifique características para diseñar indicadores de estado con los que supervisar el estado de los sistemas de energía con la app Diagnostic Feature Designer
- Identifique la causa raíz de los fallos y realice una predicción del tiempo hasta el fallo con modelos de IA prediseñados, tales como modelos de clasificación, regresión y series temporales