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

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

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

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

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

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

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

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）