日前，国家发展改革委、国家能源局联合发布了关于推进“人工智能+”能源高质量发展的实施意见，意见中特别提到了一点：电力设备状态评价与智能运维。构建设备状态智能感知与预警、设备故障智能定位与诊断、设备状态检修智能决策、设备灾害风险智能预测、检修工作票智能生成等应用，提升设备精益化管理水平。
在太阳能光伏行业，AI正在静悄悄的开展过程中。
近年来，太阳能发展迅猛。2024年，全球光伏装机容量将达到创纪录的597吉瓦，比2023年的449吉瓦增长33%。这一增长将使全球太阳能总装机容量突破2.2太瓦，而2022年底约为1.6太瓦。SolarPower Europe预测，到2025年，太阳能装机容量将再增长10%，达到655吉瓦。目前，太阳能约占全球电力供应的6.9%，高于2023年的5.6%左右。尽管太阳能增长迅速且潜力巨大，但由于其间歇性输出和效率限制，许多公司、组织和行业仍不愿完全采用太阳能。
太阳能电池板的性能受多种因素影响，包括变化的天气条件、变化的日照强度以及系统对电力输送的管理能力。如果产生的电能没有得到适当的调节，可能会导致能源浪费、效率低下或电力供应不可靠——这些都是依赖稳定能源的用户和企业无法承受的担忧。在这种情况下，微调占空比(即电池板的开启时间与关闭时间之比)对于最大限度地利用太阳能电池板系统的能量至关重要。
另一方面，机器学习 (ML) 和边缘人工智能 (Edge AI) 正在通过实现更智能、数据驱动的决策，彻底改变各行各业的效率。例如，在可再生能源领域，机器学习通过分析环境条件、预测能量输出和实现预测性维护以最大限度地减少停机时间来优化太阳能电池板的性能。除了太阳能之外，机器学习还能通过预测性维护和流程自动化提高制造效率，通过实时负荷预测减少智能电网的能源浪费，并通过支持精准农业技术提高农业生产力。在这些多样化的用例中，机器学习通过将复杂数据转化为可操作的洞察来推动持续改进，最终节省时间、降低成本并增强可持续性。
为了应对这一趋势，各控制器厂商都将AI技术集成进MCU/MPU内部，以满足光伏逆变行业的新需求。
英飞凌
HTEC团队利用英飞凌的PSoC Edge处理器，研究探讨了如何使用深度神经网络 (DNN) 预测 DC-DC 转换器的最佳占空比，重点在于识别最相关的输入特征，以提高性能和可靠性。
许多此类方法依赖于太阳辐照度和环境温度等测量数据，因为这些参数与太阳能电池板的功率输出密切相关。然而，辐照度传感器的集成也带来了一些缺点，包括额外的成本以及由于灰尘积聚或传感器位置差异等因素导致测量不准确的风险。为了解决这个问题，一些研究人员提出了间接估算红外辐照度值，但这会增加建模复杂性，并可能引入可能通过 MPPT 算法传播的误差源。
此外，也提出了无传感器或低传感器方法，仅使用太阳能电池板直接提供的电压和电流测量数据。这些内部信号易于访问，本质上与太阳能电池板的运行条件同步，并且避免了与辐照度感测相关的许多复杂问题。
实现基于人工智能跟踪最大功率点 (MPPT) 算法的软件已部署在 HTEC 开发的定制硬件平台上。该平台将太阳能电池板输出安全地连接到 DC-DC 转换器，并包含所有必要的传感组件，用于监测电压、电流和环境温度。这些信号作为DNN的输入，DNN 实时计算合适的占空比。该平台还具有蓝牙通信功能，支持人机界面 (HMI) 功能，可为用户提供有关能源生产和系统状态的实时反馈。这样，系统在管理 DC-DC 转换器占空比的同时，还能提供可用于预测性维护的信息。
电源管理�？�：为 PSOC Edge 和蓝牙�？榉峙涞缭�。蓝牙通信�？�：处理 HMI 功能的无线数据传输。传感�？�：测量太阳能电池板产生的实时电压和电流。处理器�？�：PSOC Edge系统级�？� (SOM)：执行所有计算任务，包括 AI 推理和控制逻辑。PSOC Edge E84 系列 Arm Cortex-M 微控制器是一款高性能、低功耗、安全的 MCU，并配备ML加速功能，基于高性能 Cortex-M55 内核，支持 Helium DSP，并搭配 Arm Ethos-U55 NPU以及低功耗 Cortex - M33 内核，与英飞凌超低功耗 NNLite 硬件加速平台搭配使用。
PSOC Edge 可以持续分析来自监测日照强度、电池板温度和功率输出的传感器数据。这使得它能够动态调整太阳能电池板方向、跟踪MPPT并优化逆变器运行，而无需云端处理带来的延迟。此外，AI 还可以检测能耗模式并预测需求或遮光事件，从而进一步优化能源存储和分配策略。
为开发和验证所提出的基于人工智能的最大功率点跟踪(MPPT)解决方案，高质量数据集不可或缺。文中使用美国洪堡州立大学公开的沿海地区光伏电站数据集，选取三年间一分钟间隔的高频采样数据，基于太阳辐照度、温度等参数模拟光伏板电压电流输出，生成对应最大功率点的占空比作为训练标签。同时提取电压电流变化量等辅助特征，经归一化和剔除夜间数据等预处理后，为训练提供可靠数据支撑。
在 AI 模型构建上，针对传统扰动观察法(P&O)收敛慢、功率振荡等缺陷，采用多层感知机(MLP)架构，通过分步训练与实时训练两阶段优化模型性能。分步训练让模型基于瞬时测量值预测最优电气参数，实时训练则引入反馈机制，将前次预测作为后续输入，迭代修正以模拟真实场景，最终实现低延迟、高鲁棒性的 MPPT 方案，适配嵌入式平台部署，提升光伏系统在动态环境下的能量利用效率。
为了将AI模型部署到 PSOC Edge平台上，需将模型从 32 位浮点格式转换为 8 位格式，鉴于为 MPPT 任务设计的神经网络架构相对紧凑，主要采用模型量化作为优化技术，未应用模型蒸馏等更高级的压缩策略，因其对本就极小的模型尺寸提升效益不显著。模型量化通过将模型参数从 32 位或 64 位浮点表示转换为 8 位整数等低精度格式，大幅降低模型的内存占用和计算需求，使其更适合边缘设备部署，同时借助量化感知训练(QAT)在训练阶段模拟量化环境，减轻精度降低对模型准确性的负面影响，甚至可能提升泛化能力。
模型优化完成后，借助 ModusToolbox开发框架将 AI 算法部署到英飞凌 PSOC Edge 平台，该框架支持 8 位量化模型部署，用户只需将模型以 TensorFlow Lite(TFLite)格式导出，即可无缝集成到平台 AI 加速器中，也可直接部署浮点 Keras 模型，由框架内部处理量化优化。转换后的 AI 模型会被转成 C 兼容格式，权重和参数存储为 uint8 值以匹配 AI 加速器的 8 位架构，实现更快推理和更低内存使用。性能评估显示，量化模型虽功率预测误差从 0.0109% 增至 0.6145%，但推理延迟从 3 毫秒降至 0.3 毫秒，每次推理能耗从 68.904 微焦降至 2.592 微焦，且在 PSOC Edge 上的性能较基于 Arm Cortex-M4 的方案，延迟降低超 23 倍，能耗减少超 42 倍，充分体现该平台在边缘 MPPT 应用中部署实时高效 AI 方案的优势。
除了优化MPPT之外，实时AI洞察还带来了额外的好处——预测性维护。HTEC团队开发了一个专用用户界面，可根据AI模型预测持续洞察系统性能。这些预测可以与实际发电量进行交叉比对，以发现可能由组件性能下降导致的显著差异，从而使利益相关者能够主动安排维护。
HTEC指出，未来的工作可以探索进一步的优化技术，例如整合更多传感器数据或利用先进的模型压缩方法，以进一步提高系统的准确性和性能。尽管如此，当前的方法凸显了AI驱动的MPPT在嵌入式太阳能解决方案中的潜力，为更高效、可持续的能源管理和更智能的边缘设备维护实践提供了指引。
意法半导体
意法半导体推出了基于STM32的边缘AI电弧故障电路断路器(AFCI)解决方案。
在电气安全领域，电弧故障引发的火灾占比高达四分之一，而新型应用场景如太阳能电池板、动力电池、电动工具及电动自行车等的不断涌现，对电弧防护技术提出了更高创新要求。当前基于规则的算法虽能提升电气装置安全性，但其环境适应性有限且误报率高，而云端 AI 方案虽精度可观，却面临延迟与隐私风险。
在此背景下，边缘 AI 解决方案成为理想平衡点 —— 其无需网络连接与外部处理，可在设备本地实时完成数据处理，既实现电弧的即时检测与响应，又消除隐私安全隐患，同时通过持续学习适应不同环境，显著降低误报率并提升系统效率。
选择 NanoEdge AI Studio 工具作为开发核心，其凭借用户友好的界面与易用性，可基于用户数据自动筛选并生成最优模型;若具备预训练神经网络，亦可通过 STM32Cube.AI 进行压缩优化以适配嵌入式环境。
具体实施中，以 STM32G4 为核心的定制 AFCI 板为硬件载体，先采集约 1000 组正常运行信号，再收集同等数量的电弧故障信号，将两类数据导入 NanoEdge AI Studio 的分类项目，工具自动生成适配的 AI 库并集成至代码，实现对电流的实时监测与电弧触发警报。
该方案采用 150kHz 采样率的电流传感器，处理 2048×1 轴的两类数据(电弧故障与无电弧)，最终达成 100% 检测准确率，仅占用 16.7KB RAM 与 0.5KB Flash 存储空间。
恩智浦
恩智浦MCX N系列NPU的电弧检测技术广泛应用于各种需要电弧检测的场合，如：
电力系统：用于监测和检测电力系统中的电弧故障，及时采取措施防止故障扩大。
工业控制：在工业自动化和机器人控制系统中，用于检测潜在的电弧风险，确保生产安全。
智能家居：在智能家居系统中，用于监测电路中的电弧情况，提高家庭用电的安全性。
恩智浦推出电弧检测软硬件方案及数据采集训练软件可大大加速用户电弧检测产品的开发速度。其中MCX N系列MCU内部集成了NPU，可达到业界领先的4.8Gops的推理速度，可加速卷积神经网络的运算。提高电弧故障检测的实时性。
基于AI的故障电弧检测实现过程分为数据采集，数据训练，模型量化，模型的验证及部署五个过程，均可以通过NXP所搭配的一站式上位机软件来完成。
如下图所示，根据UL1699B要求搭建测试平台，PV模拟源输出经过电弧发生装置后，输入到光伏逆变器的直流PV输入端。通过串联其中的互感器，检测故障电弧产生的交流信号。通过采集板采集，MCXN947所集成的ADC，具备16bit 分辨率，同时在16bit分辨率下可支持高达2Mbps的采样速率，使其非常适合电弧信号的采集，信号通过ADC采样进入MCU进行处理。
NXP提供的采集板目前支持两路电弧信号的同时检测，采集板作为子卡插接在FRDM-MCXN947板子上。
关于采集电路设计，在理论研究中，通过分析频域特性，通常直流故障电弧发生时，直流电流在10KHz-100kHz频段范围内的谐波能量会明显增大。所以所设计的电路使用带通滤波处理输入信号。其频带特性如下图所示：
采样板输入的信号如下图所示，所采集到的交流信号混杂了逆变器本身的谐波干扰及发生直流电弧信号。
同时，在频域检测方法的应用中，为了尽量避免直流故障电弧特征频段与光伏系统因自身控制等导致的谐波畸变频段之间产生相互耦合、干扰，选取了10kHz-100kHz频段作为直流故障电弧的特征频段进行分析、检测。
在原理上，利用FFT进行谐波计算，取2048点为分段，进行FFT运算，MCXN947内部带有PowerQuad�？椋杉铀貴FT的运算。其计算结果，量化后给到MCXN947所带的NPU进行处理。得到最终的分类结果。从而有效辨识出有电弧的场景。
实时运行过程中，通过串口打印检测结果，目前当检测到电弧发生时，输出识别匹配度为99%。
瑞萨电子
富昌电子推出了采用瑞萨电子 RA6M4 MCU 的边缘人工智能 (AI) 电弧故障检测系统，可实现快速高效的检测。该系统非常适合太阳能、智能能源和直流系统，能够以最少的资源提供实时安全监控。AFCI 解决方案采用未来设计中心 (FDC) 的 AI Plus 解决方案，该方案融合了 FDC AI 和 Reality-AI 解决方案。
随着 NEC、IEC 60364-4-42 和 UL 1699B 标准在全球范围内的推广，预计到 2030 年，AFCI 的年出货量将超过 4000 万台。富昌电子利用瑞萨电子 RA6M4 MCU 和 Reality AI Tools?，打造了一款突破性的终端 AI 系统，该系统利用小于 100kB 的闪存/RAM，在不到 4ms 的时间内实现近乎完美的检测，几乎消除了误报，同时识别出其他设备无法识别的危险直流和交流电弧。
主要优势：
基于人工智能的时间序列识别，由瑞萨 Reality-AI 提供支持检测：
电弧故障(小电弧和大电弧)断路和闭路篡改和异常电流曲线超快速检测
推理时间低至 10-250 毫秒，包括预处理和多窗口验证。一键学习
板载按钮可帮助根据客户的设计环境自动校准电路板。能够将校准后的数据复制到其他电路板。无需云端 AI/ML 训练目标市场和应用
太阳能逆变器断路器电池储能系统 (BESS) 逆变器电动汽车直流充电器工业开关设备用于人工智能数据中心的 PDU大功率电池工具、电动汽车瑞萨电子 RA6M4 微控制器 (MCU) 产品群使用了支持 TrustZone? 的高性能 Arm Cortex-M33 内核。与片内的 Secure Crypto Engine(SCE) 配合使用，可提供安全芯片的功能。集成带有专用 DMA 的以太网 MAC，可确保高数据吞吐率。RA6M4 采用高效的 40nm 工艺，由基于 FreeRTOS 的灵活配置软件包 (FSP) 这一开放且灵活的生态系统概念提供支持，并能够扩展以使用其他实时操作系统(RTOS)和中间件。RA6M4 适用于物联网应用的需求，如以太网、面向未来应用的安全功能、大容量嵌入式 RAM 和较低功耗(从闪存运行 CoreMark 算法，低至 99?A/MHz)。
德州仪器
尽管 AI 在电机驱动、太阳能及电池管理等实时控制系统中的应用，未能像新型大语言模型那样频繁占据新闻头条，但边缘 AI 在故障检测方面的应用，却能切实提升系统效率、安全性与生产力。
MCU可以增强高压实时控制系统中的故障检测能力，此类 MCU 借助集成的神经网络处理单元(NPU)运行卷积神经网络(CNN)模型，在监测系统故障时，可有效降低延迟并减少功耗，将边缘 AI 功能集成至管理实时控制的同一 MCU 中，有助于优化系统设计并提升整体性能。在电机驱动与太阳能系统中，可靠运行的关键在于快速且可预测的故障检测，这不仅能减少误报，还能实时监测电机轴承异常与实际故障。
具备边缘 AI 功能的 MCU 可监测两类故障：一是电机轴承故障，当电机轴承出现异常状况或性能劣化时，及时检测此类故障对预防意外停机、缩短停机时间、降低维护成本至关重要;二是太阳能电弧故障，即电流通过空气等非预期路径产生的电弧放电现象，多由太阳能系统中的绝缘失效、连接松动等问题引发，其产生的高温可能导致火灾或电气系统损坏，因此对该故障的监测与检测是保障太阳能系统安全可靠运行的必要手段。
传统的故障检测方法，如电机轴承故障监测依赖多设备离散检测与基于规则的分析，太阳能电弧故障检测采用频域电流信号分析与阈值判断，这些方法不仅需要深厚的专业知识，而且适应性与灵敏度有限，检测精度难以保证，同时还会增加系统复杂性。
而基于集成边缘 AI 的故障检测，以 TMS320F28P550SJ 等实时 MCU 为载体，通过本地运行 CNN 模型，可有效提高故障检测率，减少误报，实现更精准的预测性维护。CNN 模型凭借其从原始传感器数据中自主学习复杂模式的能力，可从振动信号、直流电流等数据中直接提取特征，结合不同工况、硬件差异及预处理算法，提升模型适应性与可靠性，降低检测延迟。在电机驱动、太阳能及电池管理等场景中，CNN 模型均能精准识别故障模式，实现动态环境下的实时高效检测。
总结
在电机驱动与太阳能等应用场景中，实时故障检测是保障运行安全与长期可靠性的基石，边缘 AI 凭借本地实时数据处理能力，革新了故障检测方式，显著提升检测精度、降低延迟，为系统高效稳定运行提供了强有力的支持。
内容出处：光伏逆变器，要被AI MCU/MPU颠覆了
