光伏逆變器，要被AI MCU/MPU顛覆了

日前，國家發(fā)展改革委、國家能源局聯(lián)合發(fā)布了關(guān)于推進“人工智能+”能源高質(zhì)量發(fā)展的實施意見，意見中特別提到了一點：電力設(shè)備狀態(tài)評價與智能運維。構(gòu)建設(shè)備狀態(tài)智能感知與預(yù)警、設(shè)備故障智能定位與診斷、設(shè)備狀態(tài)檢修智能決策、設(shè)備災(zāi)害風險智能預(yù)測、檢修工作票智能生成等應(yīng)用，提升設(shè)備精益化管理水平。

在太陽能光伏行業(yè)，AI正在靜悄悄的開展過程中。

近年來，太陽能發(fā)展迅猛。2024年，全球光伏裝機容量將達到創(chuàng)紀錄的597吉瓦，比2023年的449吉瓦增長33%。這一增長將使全球太陽能總裝機容量突破2.2兆瓦，而2022年底約為1.6兆瓦。SolarPower Europe預(yù)測，到2025年，太陽能裝機容量將再增長10%，達到655吉瓦。目前，太陽能約占全球電力供應(yīng)的6.9%，高于2023年的5.6%左右。盡管太陽能增長迅速且潛力巨大，但由于其間歇性輸出和效率限制，許多公司、組織和行業(yè)仍不愿完全采用太陽能。

太陽能電池板的性能受多種因素影響，包括變化的天氣條件、變化的日照強度以及系統(tǒng)對電力輸送的管理能力。如果產(chǎn)生的電能沒有得到適當?shù)恼{(diào)節(jié)，可能會導(dǎo)致能源浪費、效率低下或電力供應(yīng)不可靠——這些都是依賴穩(wěn)定能源的用戶和企業(yè)無法承受的擔憂。在這種情況下，微調(diào)占空比（即電池板的開啟時間與關(guān)閉時間之比）對于最大限度地利用太陽能電池板系統(tǒng)的能量至關(guān)重要。

另一方面，機器學(xué)習(xí) (ML) 和邊緣人工智能 (Edge AI) 正在通過實現(xiàn)更智能、數(shù)據(jù)驅(qū)動的決策，徹底改變各行各業(yè)的效率。例如，在可再生能源領(lǐng)域，機器學(xué)習(xí)通過分析環(huán)境條件、預(yù)測能量輸出和實現(xiàn)預(yù)測性維護以最大限度地減少停機時間來優(yōu)化太陽能電池板的性能。除了太陽能之外，機器學(xué)習(xí)還能通過預(yù)測性維護和流程自動化提高制造效率，通過實時負荷預(yù)測減少智能電網(wǎng)的能源浪費，并通過支持精準農(nóng)業(yè)技術(shù)提高農(nóng)業(yè)生產(chǎn)力。在這些多樣化的用例中，機器學(xué)習(xí)通過將復(fù)雜數(shù)據(jù)轉(zhuǎn)化為可操作的洞察來推動持續(xù)改進，最終節(jié)省時間、降低成本并增強可持續(xù)性。

為了應(yīng)對這一趨勢，各控制器廠商都將AI技術(shù)集成進MCU/MPU內(nèi)部，以滿足光伏逆變行業(yè)的新需求。

英飛凌

HTEC團隊利用英飛凌的PSoC Edge處理器，研究探討了如何使用深度神經(jīng)網(wǎng)絡(luò) (DNN) 預(yù)測 DC-DC 轉(zhuǎn)換器的最佳占空比，重點在于識別最相關(guān)的輸入特征，以提高性能和可靠性。

許多此類方法依賴于太陽輻照度和環(huán)境溫度等測量數(shù)據(jù)，因為這些參數(shù)與太陽能電池板的功率輸出密切相關(guān)。然而，輻照度傳感器的集成也帶來了一些缺點，包括額外的成本以及由于灰塵積聚或傳感器位置差異等因素導(dǎo)致測量不準確的風險。為了解決這個問題，一些研究人員提出了間接估算紅外輻照度值，但這會增加建模復(fù)雜性，并可能引入可能通過 MPPT 算法傳播的誤差源。

此外，也提出了無傳感器或低傳感器方法，僅使用太陽能電池板直接提供的電壓和電流測量數(shù)據(jù)。這些內(nèi)部信號易于訪問，本質(zhì)上與太陽能電池板的運行條件同步，并且避免了與輻照度感測相關(guān)的許多復(fù)雜問題。

實現(xiàn)基于人工智能跟蹤最大功率點 （MPPT） 算法的軟件已部署在 HTEC 開發(fā)的定制硬件平臺上。該平臺將太陽能電池板輸出安全地連接到 DC-DC 轉(zhuǎn)換器，并包含所有必要的傳感組件，用于監(jiān)測電壓、電流和環(huán)境溫度。這些信號作為DNN的輸入，DNN 實時計算合適的占空比。該平臺還具有藍牙通信功能，支持人機界面 (HMI) 功能，可為用戶提供有關(guān)能源生產(chǎn)和系統(tǒng)狀態(tài)的實時反饋。這樣，系統(tǒng)在管理 DC-DC 轉(zhuǎn)換器占空比的同時，還能提供可用于預(yù)測性維護的信息。

• 電源管理模塊：為 PSOC Edge 和藍牙模塊分配電源。

• 藍牙通信模塊：處理 HMI 功能的無線數(shù)據(jù)傳輸。

• 傳感模塊：測量太陽能電池板產(chǎn)生的實時電壓和電流。

• 處理器模塊：PSOC Edge系統(tǒng)級模塊 (SOM)：執(zhí)行所有計算任務(wù)，包括 AI 推理和控制邏輯。

PSOC Edge E84 系列 Arm Cortex-M 微控制器是一款高性能、低功耗、安全的 MCU，并配備ML加速功能，基于高性能 Cortex-M55 內(nèi)核，支持 Helium DSP，并搭配 Arm Ethos-U55 NPU以及低功耗 Cortex - M33 內(nèi)核，與英飛凌超低功耗 NNLite 硬件加速平臺搭配使用。

PSOC Edge 可以持續(xù)分析來自監(jiān)測日照強度、電池板溫度和功率輸出的傳感器數(shù)據(jù)。這使得它能夠動態(tài)調(diào)整太陽能電池板方向、跟蹤MPPT并優(yōu)化逆變器運行，而無需云端處理帶來的延遲。此外，AI 還可以檢測能耗模式并預(yù)測需求或遮光事件，從而進一步優(yōu)化能源存儲和分配策略。

為開發(fā)和驗證所提出的基于人工智能的最大功率點跟蹤（MPPT）解決方案，高質(zhì)量數(shù)據(jù)集不可或缺。文中使用美國洪堡州立大學(xué)公開的沿海地區(qū)光伏電站數(shù)據(jù)集，選取三年間一分鐘間隔的高頻采樣數(shù)據(jù)，基于太陽輻照度、溫度等參數(shù)模擬光伏板電壓電流輸出，生成對應(yīng)最大功率點的占空比作為訓(xùn)練標簽。同時提取電壓電流變化量等輔助特征，經(jīng)歸一化和剔除夜間數(shù)據(jù)等預(yù)處理后，為訓(xùn)練提供可靠數(shù)據(jù)支撐。

在 AI 模型構(gòu)建上，針對傳統(tǒng)擾動觀察法（P&O）收斂慢、功率振蕩等缺陷，采用多層感知機（MLP）架構(gòu)，通過分步訓(xùn)練與實時訓(xùn)練兩階段優(yōu)化模型性能。分步訓(xùn)練讓模型基于瞬時測量值預(yù)測最優(yōu)電氣參數(shù)，實時訓(xùn)練則引入反饋機制，將前次預(yù)測作為后續(xù)輸入，迭代修正以模擬真實場景，最終實現(xiàn)低延遲、高魯棒性的 MPPT 方案，適配嵌入式平臺部署，提升光伏系統(tǒng)在動態(tài)環(huán)境下的能量利用效率。

為了將AI模型部署到 PSOC Edge平臺上，需將模型從 32 位浮點格式轉(zhuǎn)換為 8 位格式，鑒于為 MPPT 任務(wù)設(shè)計的神經(jīng)網(wǎng)絡(luò)架構(gòu)相對緊湊，主要采用模型量化作為優(yōu)化技術(shù)，未應(yīng)用模型蒸餾等更高級的壓縮策略，因其對本就極小的模型尺寸提升效益不顯著。模型量化通過將模型參數(shù)從 32 位或 64 位浮點表示轉(zhuǎn)換為 8 位整數(shù)等低精度格式，大幅降低模型的內(nèi)存占用和計算需求，使其更適合邊緣設(shè)備部署，同時借助量化感知訓(xùn)練（QAT）在訓(xùn)練階段模擬量化環(huán)境，減輕精度降低對模型準確性的負面影響，甚至可能提升泛化能力。

模型優(yōu)化完成后，借助 ModusToolbox開發(fā)框架將 AI 算法部署到英飛凌 PSOC Edge 平臺，該框架支持 8 位量化模型部署，用戶只需將模型以 TensorFlow Lite（TFLite）格式導(dǎo)出，即可無縫集成到平臺 AI 加速器中，也可直接部署浮點 Keras 模型，由框架內(nèi)部處理量化優(yōu)化。轉(zhuǎn)換后的 AI 模型會被轉(zhuǎn)成 C 兼容格式，權(quán)重和參數(shù)存儲為 uint8 值以匹配 AI 加速器的 8 位架構(gòu)，實現(xiàn)更快推理和更低內(nèi)存使用。性能評估顯示，量化模型雖功率預(yù)測誤差從 0.0109% 增至 0.6145%，但推理延遲從 3 毫秒降至 0.3 毫秒，每次推理能耗從 68.904 微焦降至 2.592 微焦，且在 PSOC Edge 上的性能較基于 Arm Cortex-M4 的方案，延遲降低超 23 倍，能耗減少超 42 倍，充分體現(xiàn)該平臺在邊緣 MPPT 應(yīng)用中部署實時高效 AI 方案的優(yōu)勢。

除了優(yōu)化MPPT之外，實時AI洞察還帶來了額外的好處——預(yù)測性維護。HTEC團隊開發(fā)了一個專用用戶界面，可根據(jù)AI模型預(yù)測持續(xù)洞察系統(tǒng)性能。這些預(yù)測可以與實際發(fā)電量進行交叉比對，以發(fā)現(xiàn)可能由組件性能下降導(dǎo)致的顯著差異，從而使利益相關(guān)者能夠主動安排維護。

HTEC指出，未來的工作可以探索進一步的優(yōu)化技術(shù)，例如整合更多傳感器數(shù)據(jù)或利用先進的模型壓縮方法，以進一步提高系統(tǒng)的準確性和性能。盡管如此，當前的方法凸顯了AI驅(qū)動的MPPT在嵌入式太陽能解決方案中的潛力，為更高效、可持續(xù)的能源管理和更智能的邊緣設(shè)備維護實踐提供了指引。

意法半導(dǎo)體

意法半導(dǎo)體推出了基于STM32的邊緣AI電弧故障電路斷路器（AFCI）解決方案。

在電氣安全領(lǐng)域，電弧故障引發(fā)的火災(zāi)占比高達四分之一，而新型應(yīng)用場景如太陽能電池板、動力電池、電動工具及電動自行車等的不斷涌現(xiàn)，對電弧防護技術(shù)提出了更高創(chuàng)新要求。當前基于規(guī)則的算法雖能提升電氣裝置安全性，但其環(huán)境適應(yīng)性有限且誤報率高，而云端 AI 方案雖精度可觀，卻面臨延遲與隱私風險。

在此背景下，邊緣 AI 解決方案成為理想平衡點 —— 其無需網(wǎng)絡(luò)連接與外部處理，可在設(shè)備本地實時完成數(shù)據(jù)處理，既實現(xiàn)電弧的即時檢測與響應(yīng)，又消除隱私安全隱患，同時通過持續(xù)學(xué)習(xí)適應(yīng)不同環(huán)境，顯著降低誤報率并提升系統(tǒng)效率。

選擇 NanoEdge AI Studio 工具作為開發(fā)核心，其憑借用戶友好的界面與易用性，可基于用戶數(shù)據(jù)自動篩選并生成最優(yōu)模型；若具備預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，亦可通過 STM32Cube.AI 進行壓縮優(yōu)化以適配嵌入式環(huán)境。

具體實施中，以 STM32G4 為核心的定制 AFCI 板為硬件載體，先采集約 1000 組正常運行信號，再收集同等數(shù)量的電弧故障信號，將兩類數(shù)據(jù)導(dǎo)入 NanoEdge AI Studio 的分類項目，工具自動生成適配的 AI 庫并集成至代碼，實現(xiàn)對電流的實時監(jiān)測與電弧觸發(fā)警報。

該方案采用 150kHz 采樣率的電流傳感器，處理 2048×1 軸的兩類數(shù)據(jù)（電弧故障與無電弧），最終達成 100% 檢測準確率，僅占用 16.7KB RAM 與 0.5KB Flash 存儲空間。

恩智浦

恩智浦MCX N系列NPU的電弧檢測技術(shù)廣泛應(yīng)用于各種需要電弧檢測的場合，如：

電力系統(tǒng)：用于監(jiān)測和檢測電力系統(tǒng)中的電弧故障，及時采取措施防止故障擴大。

工業(yè)控制：在工業(yè)自動化和機器人控制系統(tǒng)中，用于檢測潛在的電弧風險，確保生產(chǎn)安全。

智能家居：在智能家居系統(tǒng)中，用于監(jiān)測電路中的電弧情況，提高家庭用電的安全性。

恩智浦推出電弧檢測軟硬件方案及數(shù)據(jù)采集訓(xùn)練軟件可大大加速用戶電弧檢測產(chǎn)品的開發(fā)速度。其中MCX N系列MCU內(nèi)部集成了NPU，可達到業(yè)界領(lǐng)先的4.8Gops的推理速度，可加速卷積神經(jīng)網(wǎng)絡(luò)的運算。提高電弧故障檢測的實時性。

基于AI的故障電弧檢測實現(xiàn)過程分為數(shù)據(jù)采集，數(shù)據(jù)訓(xùn)練，模型量化，模型的驗證及部署五個過程，均可以通過NXP所搭配的一站式上位機軟件來完成。

如下圖所示，根據(jù)UL1699B要求搭建測試平臺，PV模擬源輸出經(jīng)過電弧發(fā)生裝置后，輸入到光伏逆變器的直流PV輸入端。通過串聯(lián)其中的互感器，檢測故障電弧產(chǎn)生的交流信號。通過采集板采集，MCXN947所集成的ADC，具備16bit 分辨率，同時在16bit分辨率下可支持高達2Mbps的采樣速率，使其非常適合電弧信號的采集，信號通過ADC采樣進入MCU進行處理。

NXP提供的采集板目前支持兩路電弧信號的同時檢測，采集板作為子卡插接在FRDM-MCXN947板子上。

關(guān)于采集電路設(shè)計，在理論研究中，通過分析頻域特性，通常直流故障電弧發(fā)生時，直流電流在10KHz-100kHz頻段范圍內(nèi)的諧波能量會明顯增大。所以所設(shè)計的電路使用帶通濾波處理輸入信號。其頻帶特性如下圖所示：

采樣板輸入的信號如下圖所示，所采集到的交流信號混雜了逆變器本身的諧波干擾及發(fā)生直流電弧信號。

同時，在頻域檢測方法的應(yīng)用中，為了盡量避免直流故障電弧特征頻段與光伏系統(tǒng)因自身控制等導(dǎo)致的諧波畸變頻段之間產(chǎn)生相互耦合、干擾，選取了10kHz-100kHz頻段作為直流故障電弧的特征頻段進行分析、檢測。

在原理上，利用FFT進行諧波計算，取2048點為分段，進行FFT運算，MCXN947內(nèi)部帶有PowerQuad模塊，可加速FFT的運算。其計算結(jié)果，量化后給到MCXN947所帶的NPU進行處理。得到最終的分類結(jié)果。從而有效辨識出有電弧的場景。

實時運行過程中，通過串口打印檢測結(jié)果，目前當檢測到電弧發(fā)生時，輸出識別匹配度為99%。

瑞薩電子

富昌電子推出了采用瑞薩電子 RA6M4 MCU 的邊緣人工智能 (AI) 電弧故障檢測系統(tǒng)，可實現(xiàn)快速高效的檢測。該系統(tǒng)非常適合太陽能、智能能源和直流系統(tǒng)，能夠以最少的資源提供實時安全監(jiān)控。AFCI 解決方案采用未來設(shè)計中心 (FDC) 的 AI Plus 解決方案，該方案融合了 FDC AI 和 Reality-AI 解決方案。

隨著 NEC、IEC 60364-4-42 和 UL 1699B 標準在全球范圍內(nèi)的推廣，預(yù)計到 2030 年，AFCI 的年出貨量將超過 4000 萬臺。富昌電子利用瑞薩電子 RA6M4 MCU 和 Reality AI Tools?，打造了一款突破性的終端 AI 系統(tǒng)，該系統(tǒng)利用小于 100kB 的閃存/RAM，在不到 4ms 的時間內(nèi)實現(xiàn)近乎完美的檢測，幾乎消除了誤報，同時識別出其他設(shè)備無法識別的危險直流和交流電弧。

主要優(yōu)勢：

• 基于人工智能的時間序列識別，由瑞薩 Reality-AI 提供支持

檢測：

• 電弧故障（小電弧和大電?。?/p>

• 斷路和閉路

• 篡改和異常電流曲線

超快速檢測

• 推理時間低至 10-250 毫秒，包括預(yù)處理和多窗口驗證。

一鍵學(xué)習(xí)

• 板載按鈕可幫助根據(jù)客戶的設(shè)計環(huán)境自動校準電路板。

• 能夠?qū)⑿屎蟮臄?shù)據(jù)復(fù)制到其他電路板。

• 無需云端 AI/ML 訓(xùn)練

目標市場和應(yīng)用

• 太陽能逆變器

• 斷路器

• 電池儲能系統(tǒng) (BESS) 逆變器

• 電動汽車直流充電器

• 工業(yè)開關(guān)設(shè)備

• 用于人工智能數(shù)據(jù)中心的 PDU

• 大功率電池工具、電動汽車

瑞薩電子 RA6M4 微控制器 (MCU) 產(chǎn)品群使用了支持 TrustZone? 的高性能 Arm Cortex-M33 內(nèi)核。與片內(nèi)的 Secure Crypto Engine（SCE） 配合使用，可提供安全芯片的功能。集成帶有專用 DMA 的以太網(wǎng) MAC，可確保高數(shù)據(jù)吞吐率。RA6M4 采用高效的 40nm 工藝，由基于 FreeRTOS 的靈活配置軟件包 (FSP) 這一開放且靈活的生態(tài)系統(tǒng)概念提供支持，并能夠擴展以使用其他實時操作系統(tǒng)（RTOS）和中間件。RA6M4 適用于物聯(lián)網(wǎng)應(yīng)用的需求，如以太網(wǎng)、面向未來應(yīng)用的安全功能、大容量嵌入式 RAM 和較低功耗（從閃存運行 CoreMark 算法，低至 99μA/MHz）。

德州儀器

盡管 AI 在電機驅(qū)動、太陽能及電池管理等實時控制系統(tǒng)中的應(yīng)用，未能像新型大語言模型那樣頻繁占據(jù)新聞頭條，但邊緣 AI 在故障檢測方面的應(yīng)用，卻能切實提升系統(tǒng)效率、安全性與生產(chǎn)力。

MCU可以增強高壓實時控制系統(tǒng)中的故障檢測能力，此類 MCU 借助集成的神經(jīng)網(wǎng)絡(luò)處理單元（NPU）運行卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，在監(jiān)測系統(tǒng)故障時，可有效降低延遲并減少功耗，將邊緣 AI 功能集成至管理實時控制的同一 MCU 中，有助于優(yōu)化系統(tǒng)設(shè)計并提升整體性能。在電機驅(qū)動與太陽能系統(tǒng)中，可靠運行的關(guān)鍵在于快速且可預(yù)測的故障檢測，這不僅能減少誤報，還能實時監(jiān)測電機軸承異常與實際故障。

具備邊緣 AI 功能的 MCU 可監(jiān)測兩類故障：一是電機軸承故障，當電機軸承出現(xiàn)異常狀況或性能劣化時，及時檢測此類故障對預(yù)防意外停機、縮短停機時間、降低維護成本至關(guān)重要；二是太陽能電弧故障，即電流通過空氣等非預(yù)期路徑產(chǎn)生的電弧放電現(xiàn)象，多由太陽能系統(tǒng)中的絕緣失效、連接松動等問題引發(fā)，其產(chǎn)生的高溫可能導(dǎo)致火災(zāi)或電氣系統(tǒng)損壞，因此對該故障的監(jiān)測與檢測是保障太陽能系統(tǒng)安全可靠運行的必要手段。

傳統(tǒng)的故障檢測方法，如電機軸承故障監(jiān)測依賴多設(shè)備離散檢測與基于規(guī)則的分析，太陽能電弧故障檢測采用頻域電流信號分析與閾值判斷，這些方法不僅需要深厚的專業(yè)知識，而且適應(yīng)性與靈敏度有限，檢測精度難以保證，同時還會增加系統(tǒng)復(fù)雜性。

而基于集成邊緣 AI 的故障檢測，以 TMS320F28P550SJ 等實時 MCU 為載體，通過本地運行 CNN 模型，可有效提高故障檢測率，減少誤報，實現(xiàn)更精準的預(yù)測性維護。CNN 模型憑借其從原始傳感器數(shù)據(jù)中自主學(xué)習(xí)復(fù)雜模式的能力，可從振動信號、直流電流等數(shù)據(jù)中直接提取特征，結(jié)合不同工況、硬件差異及預(yù)處理算法，提升模型適應(yīng)性與可靠性，降低檢測延遲。在電機驅(qū)動、太陽能及電池管理等場景中，CNN 模型均能精準識別故障模式，實現(xiàn)動態(tài)環(huán)境下的實時高效檢測。

總結(jié)

在電機驅(qū)動與太陽能等應(yīng)用場景中，實時故障檢測是保障運行安全與長期可靠性的基石，邊緣 AI 憑借本地實時數(shù)據(jù)處理能力，革新了故障檢測方式，顯著提升檢測精度、降低延遲，為系統(tǒng)高效穩(wěn)定運行提供了強有力的支持。

歡迎將我們設(shè)為“星標”，這樣才能第一時間收到推送消息。

關(guān)注EEWorld旗下訂閱號：“機器人開發(fā)圈”

回復(fù)“DS”領(lǐng)取《DeepSeek:從入門到精通》完整版

掃碼添加小助手回復(fù)“機器人”

進群和電子工程師們面對面交流經(jīng)驗

*封面圖由AI生成