최근 국가발전개혁위원회와 국가에너지국은 '인공지능+' 에너지의 고품질 개발을 촉진하기 위한{0}}시행 의견을 공동으로 발표했습니다. 의견에서는 전력 설비 상태 평가와 지능형 운영 및 유지 보수라는 한 가지 사항을 구체적으로 언급했습니다. 장비 상태에 대한 지능적인 인식 및 경고, 장비 결함에 대한 지능적인 위치 지정 및 진단, 장비 상태 유지 관리를 위한 지능적인 의사 결정{4}}, 장비 재해 위험에 대한 지능적인 예측, 유지 관리 작업 티켓의 지능적인 생성과 같은 애플리케이션을 구축하여 장비의 린 관리 수준을 향상시킵니다.
태양광산업에서는 AI가 조용히 발전하고 있다.
최근 몇 년 동안 태양 에너지는 급속도로 발전했습니다. 2024년 전 세계 태양광 설치 용량은 2023년 449기가와트에서 33% 증가한 597기가와트라는 사상 최고치를 기록할 것입니다. 이러한 성장으로 인해 전 세계 총 태양광 설치 용량은 2.2테라와트를 초과하게 될 것입니다. 이는 2022년 말까지 약 1.6테라와트였던 것과 비교됩니다. SolarPower Europe은 태양광 설치 용량이 2023년 말까지 10% 더 증가할 것으로 예측합니다. 2025년까지 655기가와트. 현재 태양 에너지는 전 세계 전력 공급의 약 6.9%를 차지하며, 이는 2023년 약 5.6%에서 증가한 것입니다. 태양 에너지의 급속한 성장과 막대한 잠재력에도 불구하고 많은 기업, 조직 및 산업에서는 간헐적인 출력 및 효율성 제한으로 인해 여전히 이를 완전히 채택하지 못하고 있습니다.
태양광 패널의 성능은 날씨 변화, 햇빛 강도 변화, 시스템의 전력 전송 관리 능력 등 다양한 요인의 영향을 받습니다. 생성된 전기를 적절하게 규제하지 않으면 에너지 낭비, 낮은 효율 또는 신뢰할 수 없는 전원 공급 장치로 이어질 수 있습니다-. 이는 안정적인 에너지에 의존하는 사용자와 기업이 감당할 수 없는 문제입니다. 이 경우,-듀티 사이클(즉, 태양광 패널의 켜짐 시간과 꺼짐 시간의 비율)을 미세 조정하는 것은 태양광 패널 시스템의 에너지 활용을 극대화하는 데 중요합니다.
반면, 머신러닝(ML)과 엣지 인공지능(Edge AI)은 더욱 스마트한 -데이터 중심 의사결정-을 가능하게 하여 다양한 산업의 효율성을 근본적으로 변화시키고 있습니다. 예를 들어 재생 에너지 분야에서 기계 학습은 환경 조건을 분석하고, 에너지 출력을 예측하고, 예측 유지 관리를 구현하여 가동 중지 시간을 최소화함으로써 태양광 패널의 성능을 최적화합니다. 태양 에너지 외에도 기계 학습은 예측 유지 관리 및 프로세스 자동화를 통해 제조 효율성을 향상시키고, 실시간 부하 예측을 통해 스마트 그리드에서 에너지 낭비를 줄이고, 정밀 농업 기술을 지원하여 농업 생산성을 향상시킬 수 있습니다. 이러한 다양한 사용 사례에서 기계 학습은 복잡한 데이터를 실행 가능한 통찰력으로 변환하여 궁극적으로 시간을 절약하고 비용을 절감하며 지속 가능성을 향상함으로써 지속적인 개선을 주도합니다. 이러한 추세에 맞춰 다양한 컨트롤러 제조업체에서는 태양광 인버터 산업의 새로운 요구 사항을 충족하기 위해 AI 기술을 MCU/MPU에 통합했습니다.
인피니언
HTEC 팀은 Infineon의 PSoC Edge 프로세서를 활용하여 심층신경망(DNN)을 사용하여 DC{0}}DC 컨버터의 최적 듀티 사이클을 예측하는 방법을 조사했으며, 성능과 신뢰성을 향상시키기 위해 가장 관련성이 높은 입력 기능을 식별하는 데 중점을 두었습니다.
이러한 방법 중 다수는 태양광 조도 및 주변 온도와 같은 측정 데이터에 의존합니다. 이러한 매개변수는 태양광 패널의 전력 출력과 밀접하게 관련되어 있기 때문입니다. 그러나 조도 센서를 통합하면 추가 비용이 발생하고 먼지 축적이나 센서 위치 차이 등의 요인으로 인해 부정확한 측정이 발생할 위험이 있다는 등 몇 가지 단점도 발생합니다. 이 문제를 해결하기 위해 일부 연구자들은 적외선 복사 조도 값의 간접적인 추정을 제안했지만 이로 인해 모델링 복잡성이 증가하고 MPPT 알고리즘을 통해 전파될 수 있는 오류 소스가 발생할 수 있습니다.
또한 태양광 패널에서 직접 제공하는 전압 및 전류 측정 데이터만 사용하는 센서리스 또는 로우 센서 방식이 제안되었습니다. 이러한 내부 신호는 접근하기 쉽고 기본적으로 태양광 패널의 작동 조건과 동기화되며 조도 감지와 관련된 여러 복잡한 문제를 방지합니다.
인공지능 기반 MPPT(Maximum Power Point Tracking) 알고리즘을 구현하기 위한 소프트웨어는 HTEC가 개발한 맞춤형 하드웨어 플랫폼에 탑재됐다. 이 플랫폼은 태양광 패널 출력을 DC-DC 변환기에 안전하게 연결하고 전압, 전류 및 주변 온도를 모니터링하는 데 필요한 모든 감지 구성 요소를 포함합니다. 이러한 신호는 실시간으로 적절한 듀티 사이클을 계산하는 DNN의 입력 역할을 합니다.- 플랫폼에는 블루투스 통신 기능도 있고 인간-기계 인터페이스(HMI) 기능을 지원하여 사용자에게 에너지 생산 및 시스템 상태에 대한 실시간 피드백을-제공할 수 있습니다. 이러한 방식으로 시스템은 예측 유지 관리에 사용할 수 있는 정보를 제공하는 동시에 DC-DC 컨버터의 듀티 사이클을 관리할 수 있습니다.
전원 관리 모듈: PSOC Edge 및 Bluetooth 모듈에 전원을 할당합니다.
Bluetooth 통신 모듈: HMI 기능을 위한 무선 데이터 전송을 처리합니다.
감지 모듈: 태양광 패널에서 생성된{0}}실시간 전압과 전류를 측정합니다.
프로세서 모듈: PSOC Edge 시스템 레벨 모듈(SOM): AI 추론 및 제어 로직을 포함한 모든 컴퓨팅 작업을 실행합니다.
PSOC Edge E84 시리즈 Arm Cortex-M 마이크로 컨트롤러는 ML 가속 기능을 갖춘 고성능, 저전력, 보안 MCU인-보안 MCU입니다. 고성능-Cortex-M55 코어를 기반으로 하고 Helium DSP를 지원하며 Arm Ethos-U55 NPU 및 저전력 Cortex-M33 코어와 쌍을 이룹니다. Infineon 초-전력 NNLite 하드웨어 가속 플랫폼과 함께 사용됩니다. PSOC Edge는 일사량, 패널 온도, 전력 출력을 모니터링하여 센서 데이터를 지속적으로 분석할 수 있습니다. 이를 통해 태양광 패널의 방향을 동적으로 조정하고, MPPT를 추적하고, 클라우드 처리로 인한 지연 없이 인버터 작동을 최적화할 수 있습니다. 또한 AI는 에너지 소비 패턴을 감지하고 수요 또는 음영 이벤트를 예측하여 에너지 저장 및 할당 전략을 더욱 최적화할 수 있습니다. 인공지능 기반 최대전력점추적(MPPT) 솔루션을 개발하고 검증하려면 고품질 데이터 세트가 필수적입니다. 이 기사에서는 미국 Humboldt State University에서 공개적으로 사용 가능한 연안 태양광 발전소 데이터 세트를 사용하고{20}3년에 걸쳐 1분 간격으로 고주파 샘플링 데이터를 선택하고, 일사량 및 온도와 같은 매개변수를 기반으로 태양광 패널의 전압 및 전류 출력을 시뮬레이션하고, 최대 전력점에 해당하는 듀티 사이클을 훈련 라벨로 생성합니다. 동시에 전압, 전류 변화 등의 보조적인 특징을 추출하고, 야간 데이터의 정규화, 제거 등의 전처리 과정을 거쳐 훈련을 위한 안정적인 데이터 지원을 제공합니다. AI 모델 구축에는 느린 수렴 및 전력 진동과 같은 기존 P&O(섭동 관찰) 방법의 단점을 해결하기 위해 다-층 퍼셉트론(MLP) 아키텍처가 채택되었습니다. 모델 성능은 단계별 학습과 실시간 학습이라는-2단계 접근 방식을 통해-최적화됩니다. 단계별 학습을 통해 모델은 즉각적인 측정 값을 기반으로 최적의 전기 매개변수를 예측할 수 있으며, 실시간 학습에서는 이전 예측을 후속 입력으로 사용하고 이를 반복적으로 수정하여 실제 시나리오를 시뮬레이션하고 궁극적으로 내장형 플랫폼 배포에 적용되는 낮은 지연 시간과 높은 견고성 MPPT 체계를 달성하여 동적 환경에서 태양광 발전 시스템의 에너지 활용 효율성을 향상시키는 피드백 메커니즘을 도입합니다.
PSOC Edge 플랫폼에 AI 모델을 배포하려면 모델을 32-비트 부동-소수점 형식에서 8비트 형식으로 변환해야 합니다. MPPT 작업을 위해 설계된 상대적으로 컴팩트한 신경망 아키텍처를 고려할 때 모델 양자화는 최적화 기술로 주로 사용되며, 모델 증류와 같은 고급 압축 전략은 이미 매우 작은 모델 크기의 효율성을 크게 향상시키지 못하기 때문에 적용되지 않습니다. 모델 양자화는 모델 매개변수를 32비트 또는 64비트 부동 소수점 표현에서 8비트 정수와 같은 낮은 정밀도 형식으로 변환하여 모델의 메모리 공간과 계산 요구 사항을 크게 줄여 엣지 장치 배포에 더 적합하게 만듭니다. 동시에, 훈련 단계에서 양자화 환경을 시뮬레이션하기 위해 QAT(양자화 인식 훈련)를 사용하면 정확도 감소가 모델 정확도에 미치는 부정적인 영향을 완화할 수 있으며 일반화 능력도 향상시킬 수 있습니다.
모델 최적화가 완료된 후 AI 알고리즘은 ModusToolbox 개발 프레임워크를 사용하여 Infineon PSOC Edge 플랫폼에 배포됩니다. 프레임워크는 8-비트 양자화 모델 배포를 지원하며 사용자는 모델을 TensorFlow Lite(TFLite) 형식으로 내보내어 플랫폼의 AI 가속기에 원활하게 통합하기만 하면 됩니다. 부동 소수점 Keras 모델을 직접 배포하여 프레임워크 내에서 양자화 최적화를 처리할 수도 있습니다. 변환된 AI 모델은 AI 가속기의 8{19}}비트 아키텍처와 일치하도록 uint8 값으로 저장된 가중치와 매개변수를 사용하여 C 호환 형식으로 변환되어 더 빠른 추론과 더 낮은 메모리 사용량을 달성합니다. 성능 평가에 따르면 양자화 모델의 전력 예측 오차는 0.0109%에서 0.6145%로 증가했지만 추론 지연은 3밀리초에서 0.3밀리초로 감소했으며 추론당 에너지 소비는 68.904마이크로줄에서 2.592마이크로줄로 감소한 것으로 나타났습니다. 또한 PSOC Edge의 성능은 Arm Cortex-M4 솔루션 기반 성능보다 23배 이상 낮고 지연은 23배 이상 감소하고 에너지 소비는 42배 이상 감소하여 이 플랫폼의 엣지 MPPT 애플리케이션에 효율적인 실시간 AI 솔루션을 배포하는 이점을 충분히 보여줍니다.
MPPT 최적화 외에도 실시간{0}}AI 통찰력은 예측 유지 관리에 대한 추가적인 이점도 제공합니다. HTEC 팀은 AI 모델을 기반으로 시스템 성능에 대한 지속적인 통찰력을 예측할 수 있는 전용 사용자 인터페이스를 개발했습니다. 이러한 예측은 실제 발전량과 상호 참조되어 구성 요소 성능 저하로 인해 발생할 수 있는 중요한 차이를 식별할 수 있으므로 이해 관계자가 사전에 유지 관리를 준비할 수 있습니다. HTEC는 향후 작업에서 더 많은 센서 데이터를 통합하거나 고급 모델 압축 방법을 활용하는 등 추가 최적화 기술을 탐색하여 시스템의 정확성과 성능을 더욱 향상시킬 수 있다고 지적합니다. 그럼에도 불구하고 현재 접근 방식은 내장형 태양광 솔루션에서 AI 기반 MPPT의 잠재력을 강조하여 보다 효율적이고 지속 가능한 에너지 관리와 보다 스마트한 엣지 장치 유지 관리 관행에 대한 지침을 제공합니다.
ST마이크로일렉트로닉스
STMicroelectronics가 STM32를 기반으로 하는 엣지 AI AFCI(아크 결함 회로 차단기) 솔루션을 출시했습니다.
전기 안전 분야에서는 아크 결함으로 인한 화재가 최대 4분의 1을 차지하며, 태양 전지판, 전원 배터리, 전동 공구, 전기 자전거 등 새로운 응용 시나리오가 지속적으로 등장하면서 아크 보호 기술에 대한 더 높은 혁신적인 요구 사항이 제시되었습니다. 규칙- 기반 알고리즘은 전기 장치의 안전성을 향상시킬 수 있지만 환경 적응성은 제한적이고 잘못된 경보 비율이 높습니다. 클라우드 기반 AI 솔루션은 매우 정확하지만 지연 시간과 개인정보 보호 위험에 직면해 있습니다.
이러한 맥락에서 엣지 AI 솔루션은 네트워크 연결 및 외부 처리가 필요하지 않고 실시간으로 기기에서 로컬로 데이터 처리를 완료할 수 있어 개인 정보 보호 및 보안 위험을 제거하는 동시에 아크를 즉시 감지하고 대응할 수 있는 이상적인 균형점이 되었습니다. 동시에 다양한 환경에 적응하기 위한 지속적인 학습을 통해 잘못된 경보 비율을 크게 줄이고 시스템 효율성을 향상시킵니다. 사용자 친화적인 인터페이스와 사용 편의성을 갖춘 NanoEdge AI Studio 도구를 개발 코어로 선택하면{3}}사용자 데이터를 기반으로 최적의 모델을 자동으로 필터링하고 생성할 수 있습니다. 사전 훈련된 신경망을 사용할 수 있는 경우 STM32Cube.AI를 압축 최적화에 사용하여 임베디드 환경에 적응할 수도 있습니다.
특정 구현에서는 STM32G4를 코어로 하는 맞춤형 AFCI 보드가 하드웨어 캐리어로 사용됩니다. 약 1000 세트의 정상 작동 신호가 먼저 수집된 다음 동일한 수의 아크 결함 신호가 수집됩니다. 두 가지 유형의 데이터를 NanoEdge AI Studio의 분류 프로젝트로 가져오며, 도구는 자동으로 조정된 AI 라이브러리를 생성하고 이를 코드에 통합하여 전류 및 아크 트리거 경보를 실시간으로 모니터링합니다.{5}} 이 방식은 150kHz 샘플링 속도 전류 센서를 사용하여 2048×1 축에 대해 두 가지 유형의 데이터(아크 결함 및 아크 없음)를 처리하여 궁극적으로 100% 감지 정확도를 달성하며 단 16.7KB RAM 및 0.5KB 플래시 저장 공간만 차지합니다.
NXP
NXP MCX N 시리즈 NPU의 아크 검출 기술은 다음과 같이 아크 검출이 필요한 다양한 경우에 널리 사용됩니다.
전력 시스템: 전력 시스템의 아크 결함을 모니터링 및 감지하고 결함 확장을 방지하기 위해 적시에 조치를 취하는 데 사용됩니다.
산업 제어: 산업 자동화 및 로봇 제어 시스템에 사용되어 잠재적인 아크 위험을 감지하고 생산 안전을 보장합니다.
스마트 홈: 스마트 홈 시스템에서는 회로의 아크 상황을 모니터링하고 가정용 전기 소비의 안전성을 향상시키는 데 사용됩니다.
NXP는 사용자 아크 감지 제품의 개발 속도를 크게 가속화할 수 있는 데이터 수집 교육 소프트웨어뿐만 아니라 아크 감지 소프트웨어 및 하드웨어 솔루션을 출시했습니다. MCX N 시리즈 MCU는 NPU를 내부적으로 통합하여{1}}업계 최고의 4.8Gops 추론 속도를 달성하고 컨볼루셔널 신경망의 작동을 가속화할 수 있습니다. 아크 결함 감지의 실시간-성능을 향상시킵니다.
AI 기반 결함 아크 감지 구현 프로세스에는 데이터 수집, 데이터 교육, 모델 정량화, 모델 검증, 배포의 5단계가 포함되며, 이 모든 과정은 NXP에서 제공하는 원스톱 상위 컴퓨터 소프트웨어를 통해 완료할 수 있습니다-.
아래 그림과 같이 테스트 플랫폼은 UL1699B 요구 사항에 따라 구축되었습니다. PV 시뮬레이션 소스 출력은 아크 발생 장치를 통과한 후 태양광 인버터의 DC PV 입력 단자에 입력됩니다. 변압기를 직렬로 연결하여 결함 아크에 의해 생성된 AC 신호를 감지합니다. MCXN947에 통합된 ADC는 획득 보드를 통해 16비트 해상도를 가지며 16비트 해상도에서 최대 2Mbps의 샘플링 속도를 지원할 수 있어 아크 신호 획득에 매우 적합합니다. 신호는 ADC에 의해 샘플링되고 MCU에 의해 처리됩니다.
TNXP에서 제공하는 획득 보드는 현재 두 개의 아크 신호 동시 감지를 지원하며, 획득 보드는 FRDM{0}}MXN947 보드에 도터 카드로 연결됩니다.
획득 회로 설계와 관련하여 이론적 연구에서는 주파수 영역 특성을 분석하여 DC 오류 아크가 발생할 때 10KHz-100kHz 주파수 범위에서 DC 전류의 고조파 에너지가 크게 증가한다는 것이 일반적으로 발견되었습니다. 따라서 설계된 회로는 대역 통과 필터링을 사용하여 입력 신호를 처리합니다. 주파수 대역 특성은 다음 그림에 나와 있습니다.
동시에 주파수 영역 검출 방법을 적용할 때 DC 결함 아크의 특성 주파수 대역과 광전지 시스템의 자체 제어로 인한 고조파 왜곡 주파수 대역 간의 상호 결합 및 간섭을 피하기 위해 분석 및 검출을 위한 DC 결함 아크의 특성 주파수 대역으로 10kHz~100kHz 주파수 대역을 선택했습니다.
원칙적으로 FFT는 고조파 계산에 사용되며 FFT 연산을 위한 세그먼트로 2048개 지점을 사용합니다. MCXN947에는 내부에 FFT 작동을 가속화할 수 있는 PowerQuad 모듈이 있습니다. 계산된 결과는 양자화되어 처리를 위해 MCXN947에 의해 전달되는 NPU에 공급됩니다. 최종 분류 결과를 얻습니다. 따라서 전기 아크가 있는 장면을 효과적으로 식별할 수 있습니다.
실시간 작동 중에는 감지 결과가 직렬 포트를 통해 인쇄됩니다.- 현재 아크 감지 시 출력 인식 일치도는 99%입니다.
르네사스 전자
Fuchang Electronics는 Renesas Electronics의 RA6M4 MCU를 사용하여 빠르고 효율적인 감지를 달성할 수 있는 엣지 인공지능(AI) 아크 결함 감지 시스템을 출시했습니다. 이 시스템은 태양광 에너지, 스마트 에너지, DC 시스템에 매우 적합하며 최소한의 리소스로 실시간 보안 모니터링을 제공합니다.- AFCI 솔루션은 FDC AI와 Reality AI 솔루션을 통합한 FDC(Future Design Center)의 AI Plus 솔루션을 채택했습니다.
NEC, IEC 60364-4-42 및 UL 1699B 표준의 전 세계적 추진으로 AFCI의 연간 출하량은 2030년까지 4천만 개를 초과할 것으로 예상됩니다. Fuchang Electronics는 Renesas RA6M4 MCU 및 Reality AI Tools®를 활용하여 100kB 미만의 플래시/RAM을 활용하여 거의 4ms 이내에 거의 완벽한 감지를 달성하는 획기적인 터미널 AI 시스템을 개발했습니다. 잘못된 경보를 제거하고 다른 장치가 인식할 수 없는 위험한 DC 및 AC 아크를 식별합니다.
주요 장점: Renesas Reality AI가 지원하는 인공지능 기반 시계열 인식
감지: 아크 결함(소형 및 대형 아크), 개방 회로 및 폐쇄 회로 변조, 비정상적인 전류 곡선
초고속 감지: 전처리 및 다중 창 검증을 포함하여 추론 시간이 10~250밀리초 정도로 낮습니다.
원클릭 학습: 온보드 버튼은 고객의 설계 환경에 따라 회로 기판을 자동으로 교정하는 데 도움이 될 수 있습니다. 교정된 데이터를 다른 회로 기판에 복사할 수 있습니다. 클라우드 기반 AI/ML 교육이 필요하지 않습니다.
대상 시장 및 애플리케이션: 태양광 인버터, 회로 차단기, 배터리 에너지 저장 시스템(BESS), 인버터, 전기 자동차 DC 충전기, 산업용 스위치기어, 인공 지능 데이터 센터용 PDU 고전력 배터리 도구, 전기 자동차
Renesas Electronics의 RA6M4 마이크로 컨트롤러(MCU) 제품 그룹은 TrustZone 지원 ® 고성능-Arm Cortex-M33 코어를 사용합니다. 칩 내 SCE(Secure Crypto Engine)와 함께 사용하면 보안 칩의 기능을 제공할 수 있습니다. 전용 DMA가 포함된 통합 이더넷 MAC은 높은 데이터 처리량을 보장합니다. RA6M4는 FreeRTOS 기반 유연한 구성 패키지(FSP)의 개방적이고 유연한 생태계 개념으로 지원되는 효율적인 40nm 프로세스를 채택하고 다른 실시간 운영체제(RTOS) 및 미들웨어를 사용하도록 확장될 수 있습니다. RA6M4는 이더넷, 미래 애플리케이션을 위한 보안 기능, 대용량 내장 RAM 및 저전력 소비(99μA/MHz만큼 낮은 플래시 메모리에서 CoreMark 알고리즘 실행)와 같은 IoT 애플리케이션의 요구 사항에 적합합니다.
텍사스 인스트루먼트
모터 구동, 태양 에너지, 배터리 관리와 같은 실시간 제어 시스템에 AI를 적용하는 것은{0}}새로운 대형 언어 모델처럼 헤드라인을 장식하는 경우가 많지 않지만 오류 감지에 에지 AI를 적용하면 시스템 효율성, 안전성, 생산성을 효과적으로 향상시킬 수 있습니다.
MCU는 고{0}}전압 실시간-제어 시스템의 오류 감지 기능을 향상시킬 수 있습니다. 이러한 MCU는 통합 신경망 처리 장치(NPU)를 사용하여 CNN(컨볼루션 신경망) 모델을 실행하므로 시스템 오류를 모니터링할 때 대기 시간과 전력 소비를 효과적으로 줄일 수 있습니다. 실시간 제어를 관리하는 동일한 MCU에 에지 AI 기능을 통합하면{4}}시스템 설계를 최적화하고 전반적인 성능을 향상시키는 데 도움이 될 수 있습니다. 모터 구동 및 태양 에너지 시스템의 안정적인 작동의 핵심은 잘못된 경보를 줄일 뿐만 아니라 모터 베어링 이상 및 실제 결함을 실시간으로 모니터링하는 빠르고 예측 가능한 결함 감지에 있습니다.
엣지 AI 기능을 갖춘 MCU는 두 가지 유형의 오류를 모니터링할 수 있습니다. 하나는 모터 베어링 오류입니다. 모터 베어링에 비정상적인 조건이나 성능 저하가 발생하는 경우 이러한 결함을 시기적절하게 감지하는 것은 예상치 못한 가동 중단을 방지하고 가동 중지 시간을 단축하며 유지 관리 비용을 줄이는 데 중요합니다. 두 번째는 태양아크 결함으로, 공기를 통과하는 전류 등 예상치 못한 경로로 인해 아크가 방전되는 현상을 말한다. 이는 절연 실패, 느슨한 연결 및 태양 에너지 시스템의 기타 문제로 인해 발생하는 경우가 많습니다. 이 결함으로 인해 발생하는 고온으로 인해 화재가 발생하거나 전기 시스템이 손상될 수 있습니다. 따라서 이 결함을 모니터링하고 감지하는 것은 태양 에너지 시스템의 안전하고 안정적인 작동을 보장하는 데 필요한 수단입니다.
모터 베어링 결함 모니터링과 같은 기존 결함 감지 방법은 다중 장치 개별 감지 및 규칙{0} 기반 분석에 의존하는 반면, 태양 아크 결함 감지는 주파수 영역 전류 신호 분석 및 임계값 판단을 사용합니다. 이러한 방법은 깊은 전문 지식이 필요할 뿐만 아니라 적응성과 민감도가 제한되어 감지 정확도를 보장하기 어렵고 시스템 복잡성이 증가합니다.
오류 감지를 위한 통합 에지 AI를 기반으로{0}}TMS320F28P550SJ와 같은 실시간 MCU를 캐리어로 사용하여 CNN 모델을 로컬에서 실행하면 오류 감지율을 효과적으로 향상시키고 잘못된 경보를 줄이며 보다 정확한 예측 유지 관리를 달성할 수 있습니다. 원시 센서 데이터에서 복잡한 패턴을 자율적으로 학습하는 기능을 갖춘 CNN 모델은 진동 신호, DC 전류 및 기타 데이터에서 특징을 직접 추출할 수 있습니다. 다양한 작동 조건, 하드웨어 차이, 전처리 알고리즘을 결합하여 모델의 적응성과 신뢰성을 향상하고 감지 대기 시간을 줄일 수 있습니다. 모터 구동, 태양 에너지, 배터리 관리와 같은 시나리오에서 CNN 모델은 오류 모드를 정확하게 식별하고 동적 환경에서 실시간으로 효율적인 감지를 달성할 수 있습니다.{7}}
요약
모터 드라이브 및 태양 에너지와 같은 애플리케이션 시나리오에서 실시간{0}}오류 감지는 작동 안전과 장기적인 신뢰성을 보장하는 초석입니다.- 로컬 실시간 데이터 처리 기능을 갖춘 Edge AI는{3}}오류 감지 방법을 혁신하여 감지 정확도를 크게 향상시키고 지연 시간을 줄여 효율적이고 안정적인 시스템 운영을 강력하게 지원합니다.