電気技術の大幅な革新と進歩に伴い、化石燃料からクリーンエネルギーへの移行が加速し、あらゆるものの電動化が実現可能になっています。電力の密度と効率の技術革新、信頼性の向上、電気コンポーネントのサイズとコストの削減により、エンジニアは、以前には得られなかったレベルの設計の柔軟性を得られるようになりました。
同時に、再生可能エネルギーの導入拡大、エネルギー インフラストラクチャの分散化、輸送システムの電動化の拡大、気候変動による停電の脅威の増大は、電気システムの設計と運用において対応が必要な新たな関心事となっています。
エンジニアがこれらの課題に対処するための新たな方法として、AI (人工知能) 手法の適用があります。
電気自動車のモーター制御やバッテリーマネジメントから電力網への再生可能エネルギーの統合に至るまで、電気技術の開発と運用に AI を組み込んで、信頼性を高め、効率化を図ることができます。AI ベースの手法の使用例は、以下の分野に及んでいます。
- 低次元化モデリング (ROM)
- 制御手法
- バーチャルセンサー
- エネルギー需要予測
- 予知保全
AI は以下の領域で大きな可能性を示しています。
- シミュレーションにおける計算時間の短縮。
- 従来の手法ではモデル化が困難な独自のコンポーネントの特性評価。
- 物理センサーの有効な代替手段
- 複雑な非線形システムの高性能な制御の構築
低次元化モデリング
負荷の高い計算を必要とする設計調査などのワークフローでは、AI を使用して、ブラシレスモーターなど、オリジナルの物理システムの高忠実度モデルに代わる、低次元化モデル (ROM) を作成できます。電力システム機器などの一部の電気コンポーネントには、従来の手法ではモデル化が困難な独自性や新規性を持つものがあります。AI ベースの ROM は、シミュレーショを大幅に高速化しながら、これらのコンポーネントとシステムの本質的な動作を捉えるのに役立ちます。
MATLAB® と Simulink® を使用すれば、Simscape™ で構築した第一原理の物理ベースモデルまたはサードパーティの FEM/FEA シミュレーションを使用して、AI ベースの低次元化モデルの学習用に合成データを生成できます。Simscape を使用することで、電気、機械、油圧などのドメインを含む物理システムのモデルを Simulink 内に作成できます。Simscape Electrical™ には、電子、メカトロニクス、電力システムをモデル化してシミュレーションするためのコンポーネント ライブラリが用意されています。
シミュレーション結果により、システムの物理的相互作用が捕捉されます。これらの結果を使用して学習した AI ベースの ROM は、システムダイナミクスも反映します。学習済みの ROM が用意できたら、その ROM をシステムレベルのモデルに統合し、シミュレーションで、より精度は高いが処理速度は遅い物理モデルを置き換えるための代替手段として使用できます。
たとえば、Simscape を使用すれば、モーターとモーター軸荷重をモデル化し、その第一原理の物理ベースモデルを使用してシミュレーションを実行することで合成データを生成できます。学習データの取得後は、MATLAB のさまざまな AI アルゴリズムから選択して ROM の学習を行うことができます。
モデル化の要件に応じて、従来型の機械学習モデル (サポート ベクター マシン、回帰木、浅いニューラル ネットワークなど) またはディープ ラーニング モデル (ディープ ニューラル ネットワークなど) から選択して、精度、学習速度、推論速度、説明可能性をバランスよく調整することが可能です。
学習が完了したら、学習済みの AI モデルを MATLAB からインポートして Simulink で使用できます。物理ベースのシミュレーションから生成されたテストデータや、運用環境から収集された実データに対して AI モデルの出力を比較することで、AI モデルのパフォーマンスを検証できます。
Simulink で荷重モデルに対して AI ベースの低次元化モデルを作成。この AI モデルは、長・短期記憶 (LSTM) ディープ ニューラル ネットワークに基づいています。
関連情報
バーチャル センサー モデリング
電気デバイスまたはシステムの制御を実装する際には、対象の信号を物理センサーで測定するのが不可能であったり、現実的でなかったりすることがあります。そのような状況では、AI モデルを使用して バーチャルセンサー を作成し、重要な信号を推定します。
たとえば、AI ベースのバーチャルセンサーを使用してモーターの位置、速度、温度を推定できます。これにより、モーターエンコーダーや温度センサーなどの物理センサーが不要になります。
MATLAB と Simulink により、Simulink モデル内で AI アルゴリズムを使用して、電気システムの主要な動作特性を予測できます。たとえば、バッテリーシステムの 充電状態 (SoC) と健全性状態 (SoH) を推定できます。バッテリーの SoC はバッテリー マネジメント システムの制御にとって重要な情報であり、信頼性が高く効率的なバッテリーシステムの動作を確保するために正確に推定する必要があります。
Simulink でバッテリーの充電状態 (SoC) を推定するためのディープ ラーニング ベースのバーチャルセンサーを作成。
拡張カルマンフィルター (EKF) アルゴリズムに基づいた従来型の手法には、通常、正確なパラメーターと物理的特性の知識が必要になります。対照的に、ニューラル ネットワークの使用 などの AI 手法は、データ駆動型アプローチであり、詳細な物理法則の知識は最小限しか必要ありません。また、AI ベースの手法は、繰り返しのコストがかからず、非侵襲的で、メンテナンス不要のソリューションを提供します。
AI ベースのバーチャル センサー モデルのモデル化と妥当性確認が完了した後は、Embedded Coder® を使用して AI モデルからすぐに運用可能な最適化された C/C++ コードを生成し、アルゴリズムをマイクロコントローラーに展開 できます。
関連情報
制御手法
AI ベースの制御、特に強化学習 (RL) の手法を使用した制御には、従来の手法よりも大きな利点がいくつかあります。AI ベースの手法については、以下が挙げられます。
- 複雑な非線形の多入力多出力 (MIMO) システムに対する高性能な制御が期待される。
- プラントの物理法則に関する予備知識をほとんど必要としない。
- エネルギー貯蔵システム制御や電力システム制御など、他の複雑な電気システムに広く適用される。
「Reinforcement Learning Toolbox を使用したことで、開発期間が大幅に短縮されました。強化学習エージェントを迅速にプロトタイピングし、生成することができたのは、このツールボックスのおかげです。」
Simulink と Simscape でプラントのダイナミクスをモデル化し、そのモデルを使用して強化学習エージェントの学習を行うことができます。強化学習デザイナーアプリには、Reinforcement Learning Toolbox™ を使用してエージェントの作成および環境の設計を開始できるようにする、直感的な対話形式の方法が用意されています。エージェントの動作をオーバーライドし、アクション、観測、報酬、環境のダイナミクスをカスタマイズすることで、独自のカスタム強化学習エージェントおよび強化学習環境を指定することもできます。
たとえば、MATLAB と Simulink により、強化学習エージェントの学習を行って PI コントローラーの代わりに強化学習制御を使用することで、永久磁石同期モーターのベクトル制御の実装が可能 " data-title="永久磁石同期モーターのベクトル制御の実装が可能 となります。線形コントローラーの追跡性能は、通常、線形性のある領域の外ではあまり期待できません。そのような場合、強化学習では、優れた非線形制御を代わりに提供します。
Simulink で永久磁石同期モーターの強化学習ベースのベクトル制御を作成し、リアルタイムテスト用に展開。
関連情報
AI 手法は、以下を実現することで電気システムの運用を改善しています。
- 信頼性の高いエネルギー需要予測
- 電気コンポーネントおよびシステムの予知保全
エネルギー需要予測
AI ベースのエネルギー需要予測 では、電力システムの運用における不確かさを軽減するための有用なインプットが得られます。AI 手法を使用して、電気負荷、需要、価格を予測し、電力システムの運用におけるリスクの解析と管理のために情報を提供できます。
「風力発電量の予測値と実発電量の偏差に起因するコストを大幅に削減できました。結果として、年間数百万ユーロの削減となりました。」
MATLAB と Simulink は、AI モデルを活用した物理システムモデルへのデータ入力を行い、インテリジェントなシステム運用を実現します。エネルギーマネジメントシステムでは、エネルギー需要予測は、システム運用を最適化するために重要な技術経済学的要因や環境的要因の信頼できる推定を行う上で主要な役割を果たします。これらの要因には、電力需要と発電量、電力価格、気象条件 (温度や湿度など) などがあります。
MATLAB でエネルギー需要予測を実行するには、以下の 4 つのステップがあります。
- 単一のデータソースまたはデータソースの組み合わせからエネルギーデータまたは気象データをインポートします。MATLAB を使用して、ファイル、Web、データウェアハウスに保存されているエネルギーデータにアクセスし、そのデータを探索したりインポートしたりできます。
- データを前処理して、モデル化のためにクリーンで一貫性があり、可読性に優れた形式にします。MATLAB には、複雑な多変量データセットのクリーニング、探索、可視化、結合のための対話型ツールが用意されています。
- MATLAB で機械学習の手法を使用して、予測モデルをプロトタイピング、テスト、調整します。たとえば、長期的なエネルギー需要を予測するための動的な自己調整モデルを作成できます。
- エンタープライズ ビジネス システム内で、または対話型 Web アプリケーションとして、エネルギー需要予測システムを統合、実行、拡張します。
Simulink では、以下を行うことができます。
- エネルギーマネジメントシステムに AI ベースのエネルギー需要予測モデルを統合して、住宅用ビルや商業ビルのスマートな運用のための重要なインプットを提供する。
- 電気システムに対して予測アルゴリズムおよびエネルギー管理手法の妥当性を確認する。
- ハードウェアインザループ (HIL) シミュレーションを実行する。
- 組み込みプロセッサなどのエッジデバイスに展開するための可読性に優れた効率的な C/C++ コードを Simulink でエネルギーマネジメントシステム モデルから生成する。
機械学習を使用してエネルギー需要予測システムを作成し、Web アプリケーションとして展開。
関連情報
予知保全
信頼性を確保し、ダウンタイムを削減するために、電力システムを扱う組織では AI ベースの予知保全の導入を開始しています。予知保全により、エンジニアは障害と異常の検出および分類、診断、故障の予測、主要な電気コンポーネントとシステム ( 電力網 や地下ユーティリティ配電ケーブルシステム など) の残存耐用時間 (RUL) の推定を行うことができます。
電気システムからの過去のセンサーデータを使用して予知保全アルゴリズムの学習を行うことも、Simulink と Simscape を使用して物理ベースのモデルから合成データを生成することもできます。
障害の発生はまれであり、通常は機器の損傷などの重大な結果を伴うため、障害データを入手するのは困難です。そのため、障害データは、予知保全のための AI モデルの学習を行う際には特に貴重です。MATLAB と Simulink を使用すれば、障害をシステムモデルに注入し、正常な状態と障害状態の両方でモデルからデータを生成できます。
障害データまたはセンサーデータ (あるいは両方の組み合わせ) で AI アルゴリズムの学習を行った後は、リアルタイムのエッジ処理用にアルゴリズムから C/C++ コードを直接生成できます。あるいは、クラウドのエンタープライズ IT/OT システムに統合して拡張することもできます。
「AI の経験がほとんどなかったにもかかわらず、限られた予算と厳しい納期の中、MATLAB を使用して、風力タービン コンポーネントの故障を 90% 以上の精度で検出する診断モデルを完成させることができました。」
