IA para sistemas de electrificación
Aplique técnicas de inteligencia artificial al desarrollo y las operaciones de tecnologías eléctricas
Con MATLAB y Simulink, puede modelar comportamientos complejos de componentes eléctricos y acelerar simulaciones mediante la creación de modelos de orden reducido (ROM) basados en IA. Puede crear, entrenar y probar estrategias de control y sensores virtuales basados en IA para motores, baterías, convertidores de potencia, sistemas de gestión de energía, vehículos eléctricos y sistemas de red. MATLAB y Simulink ayudan a garantizar la seguridad y eficiencia del funcionamiento de sistemas eléctricos mediante la integración de predicción energética basada en IA y la adopción de mantenimiento predictivo basado en IA.
Puede utilizar IA y métodos basados en datos a fin de crear modelos de orden reducido para sistemas o componentes físicos, tales como motores sin escobillas y cargas de motor, y utilizar estos modelos en un diseño. Estos métodos ayudan a acelerar significativamente las simulaciones, al tiempo que capturan el comportamiento esencial del sistema.
MATLAB, Simulink y Simscape permiten:
- Crear modelos de simulación basados en la física de sistemas, ejecutar simulaciones y generar datos sintéticos para entrenar modelos de IA
- Seleccionar modelos de IA prediseñados de una librería y evaluar el rendimiento de los modelos ejecutando múltiples experimentos
- Integrar modelos de IA directamente en Simulink para validar y probar modelos ejecutando simulaciones
Con MATLAB, Simulink y Simscape, puede supervisar el estado de los activos y estimar su vida útil restante para disminuir el tiempo de inactividad no planificado, reducir los costes operativos y garantizar la fiabilidad y seguridad de los sistemas de energía.
- Desarrolle modelos basados en la física de sistemas eléctricos con Simscape Electrical, introduzca fallos y ejecute simulaciones para generar datos sintéticos con los que entrenar modelos de mantenimiento predictivo.
- Extraiga, visualice y clasifique características para diseñar indicadores de estado con los que supervisar el estado de los sistemas de energía con la app Diagnostic Feature Designer
- Identifique la causa raíz de los fallos y realice una predicción del tiempo hasta el fallo con modelos de IA prediseñados, tales como modelos de clasificación, regresión y series temporales
Pruebe estos ejemplos
Casos prácticos
Ejemplos
- Detección de fallos de un cargador de vehículos eléctricos
- Prognosis en rodamientos de alta velocidad de turbinas eólicas
- Detección de fallos de ruptura de rotores en motores de inducción de CA utilizando señales eléctricas y de vibración
- Análisis de la firma de corriente de un motor para detectar fallos en un tren de engranajes
Si implementa sistemas de control de electrónica de potencia, puede utilizar IA para desarrollar modelos de sensores virtuales a fin de proporcionar señales esenciales. Los sensores virtuales no conllevan costes recurrentes asociados con la lista de materiales, no son invasivos, ni necesitan mantenimiento.
Con MATLAB, Simulink y Simscape, puede:
- Crear modelos basados en la física de sistemas, ejecutar simulaciones y generar datos sintéticos para entrenar sensores virtuales basados en IA
- Seleccionar modelos de IA prediseñados de una librería y evaluar el rendimiento de los modelos ejecutando múltiples experimentos
- Integrar directamente modelos de sensores virtuales en Simulink dentro de modelos de sistemas físicos para realizar validación
- Generar código C/C++ legible y eficiente para dispositivos integrados
Pruebe estos ejemplos
Vídeos
- Flujos de trabajo de IA para la estimación del estado de baterías (15:36)
- Estimación de SOH y SOC de baterías utilizando un enfoque de Machine Learning híbrido (13:38)
- Estimación del estado de carga de paquetes de baterías integradas utilizando una red neuronal entrenada (15:02)
- Integración de un modelo de TensorFlow en Simulink para simular y generar código (5:47)
- Uso de IA para estimar el estado de carga (SOC) de una batería (19:48)
MATLAB y Simulink pueden ayudar a reducir los esfuerzos necesarios para implementar un sistema de predicción energética basado en IA con el que predecir la oferta, la demanda y los precios de la electricidad y mitigar las incertidumbres y los riesgos del funcionamiento de sistemas de energía. Puede hacer lo siguiente:
- Automatizar el preprocesamiento de datos con la app Data Cleaner y tareas de Live Editor
- Seleccionar entre una variedad de modelos integrados de Machine Learning y Deep Learning con poca o sin codificación manual
- Diseñar redes neuronales profundas interactivamente con la app Deep Network Designer y gestionar experimentos de Deep Learning con la app Experiment Manager
- Utilizar cálculo paralelo para acelerar el proceso de entrenamiento de IA
- Desplegar y poner en funcionamiento el modelo en entornos de producción con MATLAB y Simulink en la nube
Pruebe estos ejemplos
Vídeos
- Predicción de la carga y precio de la electricidad con MATLAB (47:43)
- Uso de Machine Learning y Deep Learning para predicción del consumo energético con MATLAB (39:29)
- Caso práctico de predicción de la carga energética: cómo convertir una idea en un sistema de producción basado en datos (42:53)
- Uso de MATLAB para potenciar las predicciones meteorológicas numéricas (22:31)
- Predicción de la carga eléctrica con MATLAB (1:37)
MATLAB y Simulink ayudan a adoptar sistemas de control de alto rendimiento basados en IA para sistemas de múltiples entradas y múltiples salidas, no lineales y complejos que requieren poco conocimiento previo de la física de la planta. Puede hacer lo siguiente:
- Entrenar algoritmos de control basados en IA a partir de entornos de simulación en Simulink
- Acelerar el entrenamiento ejecutando simulaciones en paralelo
- Consultar ejemplos de toolboxes para realizar un ajuste iterativo de los parámetros de diseño
- Integrar directamente los modelos entrenados en Simulink para realizar verificaciones basadas en simulación
Pruebe estos ejemplos
Vídeos
- Pruebas en tiempo real: Despliegue de un agente de Reinforcement Learning para control de campo orientado (4:51)
- Reinforcement learning motiva a ingenieros de control de sistemas de propulsión (21:26)
- MathWorks Energy Speaker Series - módulo 3: Control de sistemas de energía y almacenamiento de energía con IA (1:11:47)
