为什么 AI 对电气化很重要？

电气技术的重大创新和进步正在加速从化石燃料向清洁能源的转变，并推动了全面电气化。功率密度和效率的突破、可靠性的提高，以及电气组件尺寸的减小和成本的降低，所有这一切都为工程师们提供了以前无法获得的设计灵活性。

与此同时，可再生能源使用率的提高、能源基础设施的去中心化、交通系统的日益电气化，以及气候变化导致的电力中断威胁的不断上升，都是电力系统的设计和运行中需要解决的新问题。

应用人工智能 (AI) 方法便是帮助工程师应对这些挑战的一个新途径。

您可以将 AI 集成到电气技术的开发和运行中，以提高从电动汽车的电机控制和电池管理到将可再生能源纳入现有电网等一系列应用的可靠性和效率。以下是已应用了基于 AI 的方法的几个示例：

• 降阶建模 (ROM)
• 控制策略
• 虚拟传感器
• 能源预测
• 预测性维护

AI 在开发中的应用

AI 正在以下方面展现出巨大的潜力：

• 减少仿真计算时间
• 表征难以用传统方法建模的独特组件
• 用作物理传感器的有效替代品
• 构建复杂非线性系统的高性能控制

降阶建模

对于需要大量计算的工作流，例如设计探索，您可以使用 AI 创建降阶模型 (ROM) 来代替原物理系统（例如无刷电机）的高保真模型，。有些电气组件（如电力系统设备）具有新颖、独特的特性，很难用传统方法建模。基于 AI 的 ROM 可以在帮助捕获这些组件和系统的基本行为的同时显著加快仿真速度。

通过 MATLAB^® 和 Simulink^®，您可以使用 Simscape™ 或第三方 FEM/FEA 仿真构建基于物理的第一性原理模型来生成合成数据，用于训练基于 AI 的降阶模型。Simscape 可用于在 Simulink 中创建电气、机械、液压等领域的物理系统模型。Simscape Electrical™ 提供了用于电子、机电与电力系统建模及仿真的组件库。

仿真结果捕获了系统的物理交互。使用这些结果训练的基于 AI 的 ROM 也会反映系统动态。训练好 ROM 以后，您便可以将其集成到系统级模型中，并使用它取代仿真中更精确但同时也更慢的物理模型。

例如，您可以使用 Simscape 对电机和电机轴负载进行建模，并通过对该基于物理的第一性原理模型运行仿真来生成合成数据。获得训练数据后，您可以选择 MATLAB 中的各种 AI 算法来训练 ROM。

根据建模需求，您可以在传统机器学习模型（如支持向量机、回归树或浅神经网络）和深度学习模型（如深度神经网络）之间进行选择，以在准确度、训练速度、推断速度和可解释性之间取得平衡。

训练完成后，您就可以从 MATLAB 中将训练好的 AI 模型导入 Simulink 并开始使用了。您可以将 AI 模型输出与基于物理的仿真生成的测试数据或从生产环境收集的真实数据进行比较，来验证 AI 模型的性能。

虚拟传感器建模

在实现电气设备或系统控制时，有时无法使用物理传感器测量感兴趣的信号，或者说这样做不切实际。在这些情况下，可以使用 AI 模型创建虚拟传感器　来估计关键信号。

例如，可以使用基于 AI 的虚拟传感器来估计电机的位置、速度和温度，从而替代例如电机编码器或温度传感器等物理传感器的使用。

通过 MATLAB 和 Simulink，您可以在 Simulink 模型中使用 AI 算法来预测电气系统的关键工作特征。例如，可以估计电池系统的荷电状态 (SOC) 和健康状态 (SoH) 。电池 SOC 是控制电池管理系统的关键信息，必须准确估计才能确保电池系统可靠、高效地运行。

基于扩展卡尔曼滤波器 (EKF) 算法的传统方法通常需要精确的参数和对物理特征的了解。相比之下，诸如使用神经网络 等 AI 方法则是一种数据驱动的方法，只需要稍微了解详细的物理特性即可。此外，基于 AI 的方法提供的解决方案没有重复的材料成本，是非侵入性的，并且没有维护需求。

完成基于 AI 的虚拟传感器模型的建模和验证后，您可以使用 Embedded Coder^® 从 AI 模型生成经过优化且可以用于生产环境的 C/C++ 代码，并将算法部署到微控制器。

控制策略

基于 AI 的控制，尤其是那些使用强化学习 (RL) 方法的控制，对比传统方法显现出一些明显的优势。基于 AI 的策略：

• 为复杂的非线性多输入多输出 (MIMO) 系统带来高性能控制保证。
• 不要求非常了解被控对象的物理特性。
• 广泛应用于其他复杂电气系统，例如储能系统控制和电力系统控制。

您可以在 Simulink 和 Simscape 中对被控对象的动态特性进行建模，并使用您的模型来训练强化学习智能体。强化学习设计器提供了直观的交互式方式来开始使用 Reinforcement Learning Toolbox™ 进行智能体创建和环境设计。另外，您还可以通过覆盖智能体行为和自定义环境的动作、观测值、奖励和动态特性来指定自定义强化学习智能体以及强化学习环境。

例如，借助 MATLAB 和 Simulink，您可以通过训练强化学习智能体来使用强化学习控制替代 PI 控制器完成永磁同步电机磁场定向控制的实现 。线性控制器在其线性区域以外通常不会产生良好的跟踪性能。在这些情况下，强化学习是个很好的非线性控制选择。

AI 在运行中的应用

AI 方法通过以下方式改善电气系统的运行：

• 可靠的能源预测
• 电气组件的预测性维护

能源预测

基于 AI 的能源预测 为缓解电力系统运行中的不确定性提供了宝贵的信息。AI 方法可用于预测电力负荷、需求和定价，并且有助于为电力系统运行中的风险分析和管理提供信息。

MATLAB 和 Simulink 帮助您利用 AI 模型为物理系统模型提供数据输入，并实现智能化的系统运行。对于能源管理系统，能源预测在对技术经济和环境因素的估计的可靠性方面发挥着关键作用。这些因素包括电力需求和发电量、电价以及温度和湿度等天气条件，它们对优化系统运行非常重要。

在 MATLAB 中执行能源预测 有四个步骤：

1. 从一个或多个数据源导入能源或天气数据。使用 MATLAB，您可以访问、探索和导入存储在文件、Web 和数据仓库中的能源数据。
2. 对数据进行预处理，使其格式清晰、一致且可读，以用于建模。MATLAB 提供了用于清理、探索、可视化和组合复杂多元数据集的交互式工具。
3. 在 MATLAB 中使用机器学习方法对预测模型进行原型设计、测试和完善。例如，您可以创建一个动态的自调整模型来预测长期能源负荷。
4. 在企业业务系统中或以交互式 Web 应用程序的形式集成、运行和扩展能源预测系统。

在 Simulink 中，您能够：

• 将基于 AI 的能源预测模型集成到能源管理系统中，为住宅或商业建筑的智能运行提供关键信息。
• 针对电力系统验证预测算法和能源管理策略。
• 运行硬件在环 (HIL) 仿真。
• 在 Simulink 中从能源管理系统模型生成可读、高效的 C/C++ 代码，以部署到边缘设备，例如嵌入式处理器。

预测性维护

为了确保可靠性并减少停机时间，电力系统组织正在开始采用基于 AI 的预测性维护。通过预测性维护，工程师可以检测故障和异常并对其进行分类，诊断并预测故障，并估计关键电气组件和系统（如电网 和地下配电电缆系统）的剩余使用寿命 (RUL)，。

您可以使用电气系统的传感器历史数据来训练预测性维护算法，或者使用 Simulink 和 Simscape 从基于物理的模型生成合成数据。

故障数据很难获得，因为故障场景很少，并且通常涉及设备损坏或其他灾难性后果，因此故障数据对于训练 AI 模型进行预测性维护尤其珍贵。借助 MATLAB 和 Simulink，您可以将故障注入系统模型中，然后在正常和故障条件下从模型生成数据。

通过故障数据或传感器数据（或两者的组合）训练 AI 算法后，您可以直接从算法为实时边缘处理生成 C/C++ 代码，或通过与云中的企业 IT/OT 系统集成进行扩展。