En quoi l’IA est-elle importante pour l’électrification ?

L'innovation et les progrès considérables des technologies électriques accélèrent la transition énergétique des combustibles fossiles vers les énergies propres et permettent d'intégrer l'électrification dans tous les domaines. Les avancées importantes en matière de densité de puissance et d'efficience, les améliorations de la fiabilité et la réduction de la taille et du coût des composants électriques offrent aux ingénieurs un niveau de flexibilité de design auparavant inaccessible.

En parallèle, l'augmentation de l'adoption des énergies renouvelables, la décentralisation des infrastructures énergétiques, l’électrification croissante des systèmes de transport et la menace grandissante de perturbations électriques dues au changement climatique sont autant de nouvelles préoccupations à prendre en compte dans le design et l'exploitation des systèmes électriques.

La mise en œuvre de techniques d'intelligence artificielle (IA) constitue une nouvelle façon d'aider les ingénieurs à relever ces défis.

Vous pouvez exploiter l'IA dans le développement et l'exploitation des technologies électriques afin d'augmenter la fiabilité et l'efficacité d'applications allant du contrôle moteur et de la gestion de batteries pour les véhicules électriques à l'intégration des énergies renouvelables dans le réseau électrique. Voici quelques exemples d'utilisation de techniques basées sur l’IA :

• Modèles d'ordre réduit
• Stratégies de contrôle
• Capteurs virtuels
• Prévisions énergétiques
• Maintenance prédictive

L’IA pour le développement

L'IA démontre un grand potentiel pour les usages suivants :

• Réduire le temps de calcul en simulation
• Caractériser des composants uniques difficilement modélisables à l'aide de techniques traditionnelles
• Offrir une alternative efficace aux capteurs physiques
• Construire des contrôles performants de systèmes complexes et non linéaires

Modèles d'ordre réduit

Pour les workflows qui nécessitent une grande quantité de calculs, comme l'exploration du design, vous pouvez utiliser l'IA pour créer des modèles d'ordre réduit à la place du modèle haute-fidélité du système physique original, comme les moteurs brushless. Certains composants électriques, tels que les équipements de systèmes d'alimentation, présentent des caractéristiques novatrices et spécifiques qui sont difficiles à modéliser avec les techniques traditionnelles. Les modèles d'ordre réduit basés sur l'IA permettent de capturer le comportement de base de ces composants et systèmes tout en accélérant considérablement les simulations.

Avec MATLAB^® et Simulink^®, vous pouvez utiliser un modèle basé sur la physique et les principes fondamentaux créé avec Simscape™ ou des simulations FEM/FEA tierces pour générer des données synthétiques afin d'entraîner un modèle d'ordre réduit basé sur l'IA. Simscape vous permet de créer des modèles de systèmes physiques dans Simulink qui incluent des domaines tels que l'électricité, la mécanique ou encore l'hydraulique. Simscape Electrical™ propose des bibliothèques de composants pour la modélisation et la simulation de systèmes électroniques, mécatroniques et électriques.

Les résultats de la simulation rendent compte des interactions physiques du système. Le modèle d'ordre réduit basé sur l’IA que vous entraînez à l’aide de ces résultats tiendra également compte de la dynamique du système. Une fois votre modèle d'ordre réduit entraîné, vous pouvez l’intégrer à un modèle au niveau système et l'utiliser comme alternative à un modèle physique plus précis mais plus lent dans la simulation. 

Par exemple, avec Simscape, vous pouvez modéliser un moteur et la charge sur l'arbre du moteur et générer des données synthétiques en exécutant des simulations avec le modèle basé sur la physique et les premiers principes. Après avoir obtenu des données d’apprentissage, vous pouvez choisir parmi une variété d'algorithmes d’IA dans MATLAB pour entraîner un modèle d'ordre réduit.

En fonction de vos exigences de modélisation, vous pouvez choisir entre des modèles de Machine Learning traditionnels (tels que des machines à vecteurs de support, des arbres de régression ou des réseaux de neurones peu profond) et des modèles de Deep Learning (tels que des réseaux de neurones profond) pour trouver un équilibre entre précision, vitesse d’apprentissage, vitesse d'inférence et explicabilité.

Une fois l'apprentissage terminé, vous pouvez ensuite importer le modèle d'IA entraîné depuis MATLAB et l'utiliser dans Simulink. Vous pouvez également vérifier les performances du modèle d'IA en comparant ses sorties aux données de test générées par la simulation basée sur la physique ou aux données réelles collectées lors de la phase de production.

Modélisation de capteurs virtuels

Lors de l'implémentation de contrôles pour des dispositifs ou des systèmes électriques, il est parfois impossible ou peu pratique de mesurer les signaux d'intérêt au moyen d’un capteur physique. Dans ces scénarios, les modèles d'IA sont utilisés pour créer des capteurs virtuels permettant de mesurer les signaux critiques.

Par exemple, vous pouvez utiliser des capteurs virtuels basés sur l'IA pour estimer la position, la vitesse et la température d'un moteur et ainsi éliminer le besoin de capteurs physiques, tels qu'un encodeur de moteur ou un capteur de température.

Avec MATLAB et Simulink, vous pouvez utiliser des algorithmes d'IA dans un modèle Simulink pour prédire les principales caractéristiques de fonctionnement de systèmes électriques. Vous pouvez par exemple estimer l'état de charge (SOC) et l'état de santé (SOH) d’un système de batterie. L’état de charge de la batterie est une information critique pour les contrôles d'un système de gestion de batterie et doit être mesurée avec précision pour assurer un fonctionnement fiable et efficace du système.

Les méthodes traditionnelles basées sur l'algorithme du filtre de Kalman étendu (EKF) nécessitent généralement des paramètres précis ainsi que la connaissance des caractéristiques physiques. En revanche, une méthode d'IA telle que l'utilisation d’un réseau de neurones constitue une approche axée sur les données nécessitant une connaissance minimale des propriétés physiques. De plus, les méthodes basées sur l'IA offrent une solution qui n'a pas de coûts de matériaux récurrents, qui est non invasive et qui n'a pas besoin de maintenance.

Une fois que vous avez terminé la modélisation et la validation de votre modèle de capteur virtuel basé sur l'IA, vous pouvez générer du code C/C++ optimisé et prêt pour la production avec Embedded Coder^® à partir du modèle d’IA et déployer l'algorithme sur un microcontrôleur.

Stratégie de contrôle

Les contrôles basés sur l'IA, en particulier ceux qui utilisent des techniques de Reinforcement Learning (RL), présentent des avantages substantiels par rapport aux méthodes traditionnelles. Les stratégies basées sur l’IA :

• Offrent des contrôles performants pour les systèmes MIMO complexes, non linéaires.
• Nécessitent peu de connaissances préalables de la physique du système.
• S'appliquent facilement à d'autres systèmes électriques complexes, tels que le contrôle de systèmes de stockage d'énergie et le contrôle de systèmes d'alimentation.

Vous pouvez modéliser la dynamique d'un système physique dans Simulink et Simscape puis utiliser votre modèle pour entraîner un agent de Reinforcement Learning. L’application Reinforcement Learning Designer offre un moyen intuitif et interactif de vous lancer dans la création d'agents et le design d'environnements avec Reinforcement Learning Toolbox™. Vous pouvez également définir votre propre agent de RL personnalisé ainsi que l'environnement de RL en remplaçant le comportement de l'agent et en personnalisant les actions, les observations, les récompenses et la dynamique de l'environnement.

Par exemple, avec MATLAB et Simulink, vous pouvez implémenter une commande vectorielle pour un moteur synchrone à aimants permanents avec des contrôles de Reinforcement Learning à la place de contrôleurs PI en entraînant un agent de Reinforcement Learning. Généralement, les contrôleurs linéaires ne produisent pas de bonnes performances de suivi en dehors de leurs régions de linéarité. Dans de tels cas, le Reinforcement Learning constitue une bonne alternative de contrôle non linéaire.

L’IA pour les processus opérationnels

Les méthodes d'IA améliorent les processus opérationnels des systèmes électriques en rendant possible les applications suivantes :

• Prévisions énergétiques fiables
• Maintenance prédictive des systèmes et des composants électriques

Prévisions énergétiques

Les prévisions énergétiques basées sur l’IA offrent de précieuses données permettant de minimiser l'incertitude des opérations des systèmes d'alimentation. Les méthodes d'IA peuvent être utilisées pour prédire la consommation, la demande et la tarification de l'électricité et contribuer à l'analyse et à la gestion des risques dans le cadre du fonctionnement des systèmes d'alimentation électrique.

MATLAB et Simulink vous aident à tirer parti des modèles d'IA pour fournir des données au modèle du système physique et permettre un fonctionnement intelligent du système. Pour les systèmes de gestion de l'énergie, les prévisions énergétiques jouent un rôle clé. Elles proposent en effet des estimations fiables des facteurs technico-économiques et environnementaux, tels que la demande, la production et la tarification de l'électricité, ainsi que les conditions météorologiques (comme la température et l'humidité), qui sont des éléments déterminants pour l'optimisation du fonctionnement des systèmes.

Quatre étapes sont nécessaires pour réaliser des prévisions énergétiques dans MATLAB:

1. Importer des données énergétiques ou météorologiques à partir d'une ou plusieurs sources de données. Avec MATLAB, vous pouvez accéder, explorer et importer des données énergétiques stockées dans des fichiers, sur le web et dans des entrepôts de données.
2. Prétraiter les données afin qu'elles se présentent dans un format propre, cohérent et lisible à des fins de modélisation. MATLAB offre des outils interactifs pour nettoyer, explorer, visualiser et combiner des jeux de données multivariés complexes.
3. Prototyper, tester et affiner des modèles prédictifs dans MATLAB avec des méthodes de Machine Learning. Par exemple, vous pouvez créer un modèle dynamique et auto-optimisé afin de prédire la consommation énergétique à long terme.
4. Intégrer, exécuter et mettre à l'échelle le système de prévision énergétique au sein des systèmes d’entreprises ou en tant qu’applications web interactives.

Dans Simulink, vous pouvez effectuer les opérations suivantes :

• Intégrer le modèle de prévision énergétique basé sur l'IA à votre système de gestion de l'énergie afin de fournir des données clés pour le fonctionnement intelligent des bâtiments résidentiels ou commerciaux.
• Valider l'algorithme de prévision et les stratégies de gestion de l'énergie par rapport au système électrique.
• Exécuter des simulations Hardware-in-the-Loop (HIL).
• Générer du code C/C++ lisible et efficace à partir du modèle du système de gestion de l'énergie dans Simulink pour le déployer sur des dispositifs périphériques tels qu’un processeur embarqué.

Maintenance prédictive

Pour garantir un haut niveau de fiabilité et réduire les temps d'arrêt, les organisations exploitant les systèmes d’alimentation commencent à adopter la maintenance prédictive basée sur l'IA. Grâce à cette approche, les ingénieurs peuvent détecter et classer les défauts et les anomalies, diagnostiquer et prédire les défaillances, et estimer la durée de vie utile restante (RUL) des composants et systèmes électriques clés, tels que le réseau électrique et les systèmes de câbles souterrains de distribution de l'électricité.

Vous pouvez entraîner des algorithmes de maintenance prédictive avec des données historiques de capteurs provenant de systèmes électriques ou générer des données synthétiques à partir de modèles basés sur la physique à l'aide de Simulink et Simscape.

Les données de défaillance sont difficiles à obtenir car les scénarios de défaillance sont rares et généralement associés à des dommages matériels ou à d'autres conséquences catastrophiques. Par conséquent, ces données sont particulièrement précieuses pour l’apprentissage des modèles d'IA pour la maintenance prédictive. Avec MATLAB et Simulink, vous pouvez injecter des défaillances dans le modèle du système et générer des données à partir du modèle dans des conditions de fonctionnement normal et lors de défaillances.

Après avoir entraîné l'algorithme d'IA sur des données de défaillance ou des données de capteur (ou une combinaison des deux), vous pouvez générer du code C/C++ directement à partir de l'algorithme pour le traitement temps réel en périphérie, ou passer à l'échelle en l’intégrant à des systèmes IT/OT d’entreprise dans le cloud.