藉由這篇文章，我（編按：在此指作者AlexMiller11）將分享如何運用TinyML防止電網過載。

在這項專案中，我們會用到以下的硬體、軟體及服務：

1.Particle Argon開發板 x 1

2.Neuton Tiny ML

3.Particle Build Web IDE

第一步：為什麼想運用TinyML，防止電網過載？

電力是現代社會經濟發展的核心。愈來愈多國家致力於轉換成永續能源系統，但這是一個相當具挑戰性的過程，因它會導致發電不穩定及電網過載。電網不穩定會危及人們的生命財產安全，這意味著電力系統應進行即時監控與最佳化，而人工智慧與機器學習可輕鬆處理這方面的需求。

事實上，人工智慧已成為電力產業的重要工具，它為動態變化環境下的能源消耗分析及電網監控，提供特有的自我學習解決方案。在這項專案中，我們將探索如何運用機器學習模型有效監控電網。

第二步：再生能源的來源與智慧經濟

針對傳統、有限且對氣候不友善的化石燃料，再生能源的崛起為國際社會提供了急需的能源替代品。然而，採用再生能源引發了一系列新的典範，其中兩項值得特別關注：

● 在再生能源興起前，傳統生態系統很少涉及透過單向流動，向消費者提供能源的生產實體（來源）。隨著再生能源出現，最終用戶（家庭與企業）現在不僅消耗能源，並且有能力生產及供應能源。此外，為建立可靠的生態系統，人們需要確保能源網更加智慧化，並能準確檢測威脅和故障。

● 儘管再生能源的靈活性有所提高，但在更複雜的發電/配電/消費環境中的供需管理，以及相關的經濟影響（例如，決定是否以給定價格購買能源）變得更具挑戰性。

第三步：對電網穩定性的需求

智慧電網會收集消費者需求資訊，並根據當前供應狀況進行集中評估。由此產生的建議價格資訊將發送回客戶，以便他們作出進一步使用的決定。由於整個過程取決於時間，因此，電網穩定性的動態估計，不僅成為一項關切點，更成為主要要求。

簡而言之，這項專案的目標，在針對被系統參與者，以動態方式採用的能源生產和/或消耗的干擾及波動，進行了解並規劃。不僅考慮技術層面，更考慮系統參與者如何應對相關經濟方面的變遷（能源成本）。

第四步：將AI應用到智慧電網的挑戰

● 數據積累不足：沒有足夠的數據樣本，以滿足多樣化的 AI 技術應用需求，並且樣本採集過程十分耗時。

● 可靠性：應用於電力系統的人工智慧技術，雖然表現出較高的問題辨識水準，但並不總能滿足實際應用需求。

● 基礎建設：運用人工智慧必須基於豐富的數據樣本、先進的運算能力及分佈式通信協作。然而，快速生產型的人工智慧演算法、分佈式協作平台等相關基礎建設資源的支撐能力及水平，仍有待改善。

● 缺乏電力產業的專用演算法：與感知、預測、安全維護相較，在電力系統中的人工智慧演算法，其適應性仍然偏弱。

第五步：解決方案

在這項專案中，我們將運用一個免費平台「Neuton Tiny ML」，以及一項整合的 IoT 平台即服務「 Particle IoT 」，來探索如何預測電網的穩定性。此外，針對智慧電網的運作，我們將探索相關的通訊基礎建設；同時，我們將運用人工智慧與物聯網的知識，嘗試解決上述某些挑戰。

第六步：資料集

原始資料集包含10, 000個觀測值，也包含12項主要預測特徵及兩個應變數。

預測特徵：

● 「tau1」到「tau4」：每位網絡參與者的反應時間，5 至 10 範圍內的真實值（「tau1」對應供應商節點，「tau2」至「tau4」則對應消費者節點）；

● 「p1」到「p4」：每位網絡參與者產生（正）或消耗（負）的標稱輸出功率，對消費者來說，實際值在 -2.0 至 -0.5 範圍內（「p2」到「p4」）。由於消耗的總功率等於產生的總功率，p1（供應商節點）= —（p2 + p3 + p4）。

● 「g1」到「g4」：每個網絡參與者的價格彈性係數，05 到 1.00 範圍內的實際值（「g1」對應供應商節點，「g2」到「g4」對應消費者節點；「g」 代表「gamma」）；

應變數：

● stab：特徵微分方程根的最大實部（若為正值，代表系統線性不穩定；若為負值，則代表系統線性穩定）；

● stabf：分類（二元）標籤（「穩定」或「不穩定」）。

由於「stab」和「stabf」之間存在直接關係，因此「stab」將被刪除，「stabf」將被保留為唯一的應變數。若想下載資料集，請點擊。這裡

第七步：匯入資料集並選擇目標變數

在 Neuton 平台上，我們將上傳資料集，並選擇「stabf」作為目標變數。

圖1

在訓練參數中，設定輸入資料類型為「 FLOAT32 」，以及標準化類型「每個特徵的唯一尺度」，然後進行模型訓練。

圖2

第八步：訓練與探索式資料分析

一旦訓練展開後，我們會看到模型資料分析，這有助於我們理解原始應變數與自變數間的密切關係。

圖3

第九步：關聯

驗證每項數值特徵與應變數間的相關性，以及導致潛在不良共線性的數值特徵間的相關性非常重要。下方的熱圖，概述了應變數（「 stabf 」或「 target 」），與目標二元相關性最高的前10項數值特徵間的關聯。

圖4

第十步：模型準確率

在訓練結束後，我們可以來看模型的指標：模型準確率為 0.921435 。

圖5

第十一步：分類性能

我們還可使用生成的混淆矩陣，來查看分類性能。

圖6

第十二步：下載訓練好的模型

現在，讓我們把訓練完成的模型下載，好進一步佈署到我們的 IoT 裝置上。

第十三步：設定硬體，然後將模型嵌入

針對這項專案，我們選擇了 Particle Argon 開發板（您也可以使用任何Particle 推出的開發板，並且不用為每塊開發板重新編寫程式）。 Particle Argon 是一款功能強大的 Wi-Fi 開發套件，您可以在 Wi-Fi 網絡上使用。

Argon 配備 Nordic nRF52840 與 Espressif ESP32 處理器，具備內建的電池充電電路，讓您可更輕鬆連接「鋰聚合物電池」和「 20 個混合信號的通用型輸入輸出（GPIO）」，好與感測器、執行器及其它電子設備接連。

Particle 物聯網開發板，不僅安全且裝備齊全，使智慧型電網基礎設施，能以更快及更便宜的費率，提供有關電網故障的資料及更新。

第十四步：將 Particle IDE 與工作台設定好

將下載的 Neuton 模型添加到 Particle Workbench 專案資料夾中。 您的資料夾結構將如後所示：（ checksum 、 parser 、 protocol 、 application 和 StatFunctions ）。當您使用「 CSV 上傳工具」，針對透過序列通訊所接收的資料進行預測時，會需要這些檔案。

圖7

圖8

以下則是最重要的函數：