账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
运用AI人工智慧与IoT物联网,侦测电网稳定性
【TinyML专案】

【作者: 編譯:江宗諭】2023年07月31日 星期一

浏览人次:【12710】

藉由这篇文章,我(编按:在此指作者https://www.instructables.com/member/AlexMiller11/">AlexMiller11)将分享如何运用TinyML防止电网过载。Particle Argon开发板 x 1


2.Neuton Tiny ML


3.Particle Build Web IDE


第一步:为什麽想运用TinyML,防止电网过载?

电力是现代社会经济发展的核心。愈来愈多国家致力於转换成永续能源系统,但这是一个相当具挑战性的过程,因它会导致发电不稳定及电网过载。电网不稳定会危及人们的生命财产安全,这意味着电力系统应进行即时监控与最隹化,而人工智慧与机器学习可轻松处理这方面的需求。


事实上,人工智慧已成为电力产业的重要工具,它为动态变化环境下的能源消耗分析及电网监控,提供特有的自我学习解决方案。在这项专案中,我们将探索如何运用机器学习模型有效监控电网。


第二步:再生能源的来源与智慧经济

针对传统、有限且对气候不友善的化石燃料,再生能源的崛起为国际社会提供了急需的能源替代品。然而,采用再生能源引发了一系列新的典范,其中两项值得特别关注:


● 在再生能源兴起前,传统生态系统很少涉及透过单向流动,向消费者提供能源的生产实体(来源)。随着再生能源出现,最终用户(家庭与企业)现在不仅消耗能源,并且有能力生产及供应能源。此外,为建立可靠的生态系统,人们需要确保能源网更加智慧化,并能准确检测威胁和故障。


● 尽管再生能源的灵活性有所提高,但在更复杂的发电/配电/消费环境中的供需管理,以及相关的经济影响(例如,决定是否以给定价格购买能源)变得更具挑战性。


第三步:对电网稳定性的需求

智慧电网会收集消费者需求资讯,并根据当前供应状况进行集中评估。由此产生的建议价格资讯将发送回客户,以便他们作出进一步使用的决定。由於整个过程取决於时间,因此,电网稳定性的动态估计,不仅成为一项关切点,更成为主要要求。


简而言之,这项专案的目标,在针对被系统叁与者,以动态方式采用的能源生产和/或消耗的干扰及波动,进行了解并规划。不仅考虑技术层面,更考虑系统叁与者如何应对相关经济方面的变迁(能源成本)。


第四步:将AI应用到智慧电网的挑战

● 数据积累不足:没有足够的数据样本,以满足多样化的 AI 技术应用需求,并且样本采集过程十分耗时。


● 可靠性:应用於电力系统的人工智慧技术,虽然表现出较高的问题辨识水准,但并不总能满足实际应用需求。


● 基础建设:运用人工智慧必须基於丰富的数据样本、先进的运算能力及分布式通信协作。然而,快速生产型的人工智慧演算法、分布式协作平台等相关基础建设资源的支撑能力及水平,仍有待改善。


● 缺乏电力产业的专用演算法:与感知、预测、安全维护相较,在电力系统中的人工智慧演算法,其适应性仍然偏弱。


第五步:解决方案

在这项专案中,我们将运用一个免费平台「Neuton Tiny ML」,以及一项整合的 IoT 平台即服务「 Particle IoT 」,来探索如何预测电网的稳定性。此外,针对智慧电网的运作,我们将探索相关的通讯基础建设;同时,我们将运用人工智慧与物联网的知识,尝试解决上述某些挑战。


第六步:资料集

原始资料集包含10, 000个观测值,也包含12项主要预测特徵及两个应变数。


预测特徵:


● 「tau1」到「tau4」:每位网络叁与者的反应时间,5 至 10 范围内的真实值(「tau1」对应供应商节点,「tau2」至「tau4」则对应消费者节点);


● 「p1」到「p4」:每位网络叁与者产生(正)或消耗(负)的标称输出功率,对消费者来说,实际值在 -2.0 至 -0.5 范围内(「p2」到「p4」)。由於消耗的总功率等於产生的总功率,p1(供应商节点)= (p2 + p3 + p4)。


● 「g1」到「g4」:每个网络叁与者的价格弹性系数,05 到 1.00 范围内的实际值(「g1」对应供应商节点,「g2」到「g4」对应消费者节点;「g」 代表「gamma」);


应变数:


● stab:特徵微分方程根的最大实部(若为正值,代表系统线性不稳定;若为负值,则代表系统线性稳定);


● stabf:分类(二元)标签(「稳定」或「不稳定」)。


由於「stab」和「stabf」之间存在直接关系,因此「stab」将被删除,「stabf」将被保留为唯一的应变数。若想下载资料集,请点击。这里


第七步:汇入资料集并选择目标变数

在 Neuton 平台上,我们将上传资料集,并选择「stabf」作为目标变数。



图1
图1

在训练叁数中,设定输入资料类型为「 FLOAT32 」,以及标准化类型「每个特徵的唯一尺度」,然後进行模型训练。



图2
图2

第八步:训练与探索式资料分析

一旦训练展开後,我们会看到模型资料分析,这有助於我们理解原始应变数与自变数间的密切关系。



图3
图3

第九步:关联

验证每项数值特徵与应变数间的相关性,以及导致潜在不良共线性的数值特徵间的相关性非常重要。下方的热图,概述了应变数(「 stabf 」或「 target 」),与目标二元相关性最高的前10项数值特徵间的关联。



图4
图4

第十步:模型准确率

在训练结束後,我们可以来看模型的指标:模型准确率为 0.921435 。



图5
图5

第十一步:分类性能

我们还可使用生成的混淆矩阵,来查看分类性能。



图6
图6

第十二步:下载训练好的模型

现在,让我们把训练完成的模型下载,好进一步布署到我们的 IoT 装置上。


第十三步:设定硬体,然後将模型嵌入

针对这项专案,我们选择了 Particle Argon 开发板(您也可以使用任何Particle 推出的开发板,并且不用为每块开发板重新编写程式)。 Particle Argon 是一款功能强大的 Wi-Fi 开发套件,您可以在 Wi-Fi 网络上使用。


Argon 配备 Nordic nRF52840 与 Espressif ESP32 处理器,具备内建的电池充电电路,让您可更轻松连接「锂聚合物电池」和「 20 个混合信号的通用型输入输出(GPIO)」,好与感测器、执行器及其它电子设备接连。


Particle 物联网开发板,不仅安全且装备齐全,使智慧型电网基础设施,能以更快及更便宜的费率,提供有关电网故障的资料及更新。


第十四步:将 Particle IDE 与工作台设定好

将下载的 Neuton 模型添加到 Particle Workbench 专案资料夹中。 您的资料夹结构将如後所示:( checksum 、 parser 、 protocol 、 application 和 StatFunctions )。当您使用「 CSV 上传工具」,针对透过序列通讯所接收的资料进行预测时,会需要这些档案。



图7
图7

图8
图8

以下则是最重要的函数:



static float* on_dataset_sample(float* inputs)


{


if (neuton_model_set_inputs(inputs) == 0)


{


uint16_t index;


float* outputs;


uint64_t start = micros();


if (neuton_model_run_inference(&index, &outputs) == 0)


{


uint64_t stop = micros();


uint64_t inference_time = stop - start;


if (inference_time > max_time)


max_time = inference_time;


if (inference_time < min_time)


min_time = inference_time;


static uint64_t nInferences = 0;


if (nInferences++ == 0)


{


avg_time = inference_time;


}


else


{


avg_time = (avg_time * nInferences + inference_time) / (nInferences + 1);


}


RGB.control(true);


RGB.color(255, 255, 255); // white


switch (index)


{


case 0:


Particle.publish("Prediction: Stable Grid", String(index));


RGB.color(0, 255, 0);


break;


case 1:


Particle.publish("Prediction: Unstable Grid", String(index));


RGB.color(255, 0, 0);


break;


default:


break;


}


return outputs;


}


}


return NULL;


}



在云端或本地端编译应用程式。一旦编译完成後,您就可以将其闪存到您的装置上了。但请确保您已为您的装置,选择正确的 Particle OS 。


第十五步:CSV资料上传工具程式

我们将透过USB序列埠,传送测试数据集CSV档案中的测试数据特徵,好测试我们的预测。


● 安装dependencies


# For Ubuntu



$ sudo apt install libuv1-dev gengetopt



# For macOS



$ brew install libuv gengetopt[/cc]



● 运用Clone指令,复制repo



$ git clone https://github.com/Neuton-tinyML/dataset-uploader.git



$ cd dataset-uploader


● 使用make建构二进制文件



$ make



● 完成後,您便可透过USB传送CSV档案。



$./uploader -s /dev/ttyACM0 -b 230400 -d /home/vil/Desktop/electric_grid_test.csv



第十六步:预测

预测结果显示在 Particle 的物联网云上。请叁考下图。


图9
图9

第十七步:结语

监测电网的稳定性,有助於发现「不可靠」的能源来源,并且避免电网严重损坏。而针对这类型的人工智慧搭配物联网专案,最隹策略不仅仅是作出预测,同时也应收集并回报资料,好为了将来会推出的装置,例如Particle,改善模型,并使OTA(Over-The-Air)更新更加容易。


(感谢原文作者AlexMiller11开放授权,使我们得以翻译本篇文章,特此致上谢意!若读者想进一步阅读原文,请点击:阅读原文网址。)


注一:配图都翻摄自AUTODESK Instructables网站,感谢作者AlexMiller11开放授权,特此致谢!


注二:主图由DALL.E生成。


(本文由VMAKER授权转载;连结原文网址


相关文章
用ESP32实现可携式户外导航装置与室内空气监测仪
学童定位的平价机器人教材Arduino Alvik
【Maker玩AI】用Roboflow + Ultralytics HUB训练与管理 YOLO模型
Arduino推出支援Elastic的函式库
从台湾智慧农业周2023 看边缘智慧最新趋势
comments powered by Disqus
相关讨论
  相关新闻
» 益华电脑与达梭首度支援云平台方案 加速机电系统开发转型
» 2023年制造业产值减11.27% 电电光学、汽车零件减缓连5季负成长
» 资策会与巴西Sergipe科技科学园区签署MOU 再拓国际合作版图
» VicOne xNexus推出新VSOC平台 结合情境加固汽车资安防御
» Fortinet混合网状防火墙 全面革新混合网路环境安全


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK8322VL19GSTACUKG
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw