電源管理系統中的人工智慧：何謂 B 計畫？

風力渦輪機和太陽能發電系統等電源管理應用，目前紛紛將人工智慧 (AI) 引入電源控制系統的決策流程中。

雖然有些設計人員可能覺得這種控制方法能夠接受，而且非常高效，但對任務關鍵型應用的設計人員來說，他們可能還不放心將設計和使用者的人身安全，完全交託給人工智慧。這些應用就需要採取一個或多個層面的備援及防護措施。

本文會介紹三個範例，說明 AI 在電源管理系統中的運用。然後會介紹 AI 功能故障時的三種備份方法，並展示如何使用 Texas Instruments、Monnit Corporation、EPC 和 Intersil 的解決方案，來實作這些「B 計畫」。

AI 在電源中扮演的角色

AI 技術的使用始於 90 年代末，當時 Texas Instruments 等企業利用該技術過渡到數位電源 IC。有人可能會爭辯說，多年以前當設計人員開始在電源供應器架構中使用 DSP 時，數位電源 IC 就出現了。這實際上是當今數位電源的起源，也是 AI 早期形式的誕生。現在，許多電路設計人員都喜歡在電源設計架構中使用數位電源 IC 解決方案，並將 PMBus 整合在 IC 之中。其中一個例子便是 Intersil 的 ISL28023-25 精密數位電源監視器。

電源設計人員最初不願在設計中使用數位電源，但如今卻已欣然接受。AI 將是下一個大飛躍，AI 在電源管理領域的一些早期產品已在 APEC 2019 會議上精彩亮相。然而，由於這項技術實在太新，電源設計人員應避免在 AI 開發期間過早將其用於電源管理系統。不過，在電源系統中使用 AI 已是大勢所趨，電源設計人員需要早做準備。而讓人擔心的是，也許電源供應器哪天就像電影《2001 太空漫遊》的橋段一樣，對您回答：「很抱歉，戴維，我恐怕不能這麼做。」此時便需要「B 計畫」。

對於 B 計畫，設計人員需要考慮其設計中的備援，最好是有一個可靠的替代系統設計，能接管未按照計畫運作的 AI 功能，確保任務關鍵型系統可以繼續運作。

AI 在智慧電網以及再生能源系統中的運用 ¹

專家系統、模糊邏輯以及人工神經網路 (ANN) 的使用，正成為人工智慧 (AI) 的墊腳石，令智慧電網 (SG) 和再生能源系統 (RES) 改頭換面。雖然 SG 和 RES 能藉由 AI 大大提高效能與適應性，但它們也是需要 B 計畫的典型任務關鍵型系統。

智慧電網存在獨特的機會，能將分散式再生能源系統部署到電網架構中，並藉著風力、太陽光電 (PV) 和其他再生能源強化該電源領域。

這些能源需要使用電池、飛輪、蓄氫等大容量儲能系統，才能在再生能源驟降時供電，例如在無風的日子 (對於風力渦輪機) 和夜晚時分 (對於太陽光電)。

由於支援再生能源技術，因此與只使用常規電源的電網相比，智慧電網的獨特之處在於，其存在太多變數，例如配電系統的供需會不斷變化。智慧電網透過在整個電網上使用智慧電表來應對這種變化，藉此最佳化發電量，並將能源供應給需求最高的區域，同時讓需求較低的區域持續有效率地運作。

這是個複雜的任務，而 AI 可協助以最有效的方式，最佳化風力發電、儲存及配電。

風力發電

在風力發電系統中，最大功率點追蹤 (MPPT) 功能是其中一個能從 AI 獲益的關鍵應用，如圖 1¹ 所示。

圖 1：此風力發電系統示意圖顯示系統流程以及 AI 在 MPPT-1 和 MPPT-2 中的執行位置。此系統架構以內部永磁 (IPM) 同步發電機為基礎。(圖片來源：IEEE 文章《智慧電網和再生能源系統運用的人工智慧技術—實例與應用 (Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems—Some Example Applications)》)

圖 1 裡有兩個 MPPT 控制器，即 MPPT-1 和 MPPT-2。這兩個 MPPT 皆採用 Mamdani 型模糊推論系統 (FIS) 來建立控制系統。有許多模糊邏輯方法論可用於 AI 系統，Mamdani 只是其中之一。

MPPT-1 內部有一個模糊邏輯控制器 (FLC)，可用於調整渦輪的速度，以便確定透過最佳化渦輪的空氣動力學效率獲取的最大功率。在此例中，MPPT-2 也有一個 FLC，可最佳化發電機定子通量，在輕負載下獲取最大的功率。

不過，MPPT 功能也絕對需要「B 計畫」。

何謂 B 計畫？

毫無疑問，使用 AI 可以為風力發電提供更棒的 MPPT 解決方案，目前市面上還沒幾個解決方案 (若有的話) 比這更好。

在本例中，雖然這兩個 MPPT 功能屬於效率功能，而且也不一定會導致災難性故障，但確實會強化功率轉換效率，而這是發電時的一項重要因素。

對於 B 計畫而言，合乎邏輯的解決方案便是在系統原型中插入相對常規的 MPPT 解決方案，例如 Texas Instruments 的 SM3320-BATT-EV/NOPB-ND 電池充電器電源管理評估板。此展示板內含 SM72442MTE/NOPB，這是一款用於 PV 系統的可編程式 MPPT 控制器 IC。此展示板需要進行一些客製化，才能搭配風力渦輪機充電器使用。

此設計奏效的前提是電池能從渦輪機吸收全部的電力，或者設計人員為電池並聯負載，能在感測到電池充滿時接通負載，釋放多餘電力。請謹記，這只是預防 AI 故障的備援方案；AI 依然是主要的解決方案。

在全電動飛機中實現發電

在全電動飛機中實現發電和電力控制，是一項非常艱鉅的任務⁴。其目標是產生穩定的電力，並重新產生已經過系統循環的電力。這就要求有能最佳化電源系統的回授與系統，而且還必須是即時完成。要達到此目的，則須使用額外的處理與通訊系統，以及更多的感測器和致動器系統。

如圖 2 所示，以智慧的方式控制 AI 發電機控制單元 (GCU) 所驅動的同步發電機，可為飛機提供回授控制。

圖 2：全電動飛機系統模型展示 AI 在電源系統內的位置，以及整個系統的運作方式。(圖片來源：《全電動飛機的 AI 架構電源控制 (AI-based Power Control of an All-Electric Aircraft)》，IEEE)

這個新增的 AI 讓系統能從過去的電源管理決策中學習，以即時適應使用者的請求。

AI GCU

飛機電力通常都是產生自機械引擎，或電池等儲能系統。發電機控制單元 (GCU) 由穩壓器、勵磁機與穩定器構成。此控制系統從主要配電單元 (PDU) 獲得回授。

有了這個簡單的 AI GCU 架構，設計人員能藉由穩壓器十分輕鬆地使用「B 計畫」，穩壓器是 GCU 的一部分，是利用 EPC 的 EPC2001C GaN FET 等 GaN 功率電晶體設計而成。GaN 元件擁有高速切換能力，因此十分適合用作飛機穩壓器 (一種自動穩壓器，AVR) 的電源驅動器。這樣便可使用較小的磁性元件，減輕飛機的重量。此外，GaN FET 也很高效，因此可使用更小的散熱片 (或完全不用散熱片)，進一步縮小系統的尺寸。

若想在 GCU 內將發電機的 AC 轉換成 DC，設計人員需要添加一個靜態勵磁機 (其實就是電壓逆變器) 來產生磁場。靜態勵磁機透過閘流管橋式整流器，整流部分的 AC 發電機輸出，最終為飛機系統供應 DC 電壓。GCU 的穩定器部分可測量系統穩定性的改善情況。

使用電池供電的遠端感測器實現物聯網通訊³

物聯網 (IoT) 使任何元件都能連至網際網路，而且常常是透過無線電介面進行。AI 可以利用認知通訊來幫助降低這些連網系統的複雜性，從而使機器能夠更好地理解人類。

在典型的工廠中，機器與製程使用的感測器可能達上千個。為了成功運作，系統需要可靠的通訊及低延遲，才能即時做出決策。若想順利做到這點，則須直接在感測源嵌入智慧。

對於設計人員來說，這需要將更多智慧從雲端轉移到網路邊緣，從而在 IoT 節點直接做出決策。使用機器學習 (ML) 和 AI 技術，即可在邊緣建立具有可操作性的智慧 (圖 3)。

圖 3：圖中顯示 AI 執行強化學習 (RL)，以找出最佳發射頻率和最大功率水平的過程。該圖顯示智慧節點 (a)；以及 AI 型智慧節點的狀態、動作和反饋 (b)。(圖片來源：《複雜網路邊緣的智慧：認知發射功率控制案例 (Intelligence at the Edge of Complex Networks: The Case of Cognitive Transmission Power Control)》，IEEE)

在圖 3 中，我們看到 AI 使用強化學習 (RL) 找出最大無線功率水平下的最佳發射頻率，並學習在網路邊緣的無線通訊中，最小化封包衝突和延遲。AI 以這種方式自我學習最佳的方法，確定能實現低延遲通訊的最佳可用無線通訊通道，而這又可提供近乎即時的動作，達到最佳的發射功率控制 (TPC)。

這裡可使用遠端感測器監測套件 (如 Monnit Corp. 的 MNK2-9-EG-PHL)，來實作 B 計畫。此套件會在需要時接通，確保系統持續運作，直到技術人員到場評估問題並更換故障元件、模組或板件，以恢復全面運作。

雖然此套件無法思考和學習，但系統將繼續運作，並且資料也不會遺失。在完成系統評估並隔離錯誤後，即可恢復完整功能，而不會遺失任何資料傳輸。

結論

人工智慧 (AI) 將在很多應用中增強電能設計架構，其學習能力和適應能力最終可能會和人類並駕齊驅，甚至更出色。目前，此技術尚處於起步階段，需要備有「B 計畫」，特別是任務關鍵型的應用。

如本文所述，電源設計人員可以使用並行系統，以多種方式在其設計中實作「B 計畫」，這些並行系統會在主系統偵測到問題時啟動。各個廠商提供了有助快速學習的評估套件，同時您也可建立離散設計，在必要時接管 AI 系統中的特定功能。

參考資料

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, and 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