Il futuro dell'elettronica è simulare il cervello umano: si studia come replicare il funzionamento dei neuroni biologici

Autoapprendimento, autoadattamento e autoorganizzazione: queste sono le caratteristiche chiave mancanti nelle attuali tecnologie informatiche ma presenti nel sistema neurale umano. Questa riflessione ha segnato il nuovo inizio da cui sono partite le tecniche di intelligenza artificiale, come i sistemi esperti, la logica fuzzy, le reti neurali artificiali (ANN) e gli algoritmi genetici, recentemente ampiamente applicate nell'elettronica di potenza e negli azionamenti motori, con l'obbiettivo di costruire un sistema di controllo, nelle macchine, dotato di un'intelligenza simile a quella umana. Mentre i sistemi esperti e la logica fuzzy sono perlopiù basati su regole e procedure standard, le ANN, nate negli anni '40, sono di natura più generica e tendono a emulare direttamente la rete neurale biologica, caratteristica che negli anni 2000 ha portato il settore dell'intelligenza artificiale a vederle con rinnovato interesse.

L'ANN possono essere viste come una copia automatica di un neurone biologico, un sistema autonomo capace di svolgere contemporaneamente diverse funzioni, delegandole alle parti che lo compongono, e sono di due tipi: feedforward e feedback. La maggior parte delle applicazioni nell'elettronica di potenza ha adottato un ANN feedforward, ma per controllare e monitorare con precisione i motori che utilizzano azionamenti motore, viene utilizzata l'ANN di feedback. I campi di applicazione delle ANN, secondo quanto riferito da Powerelectronicnews, spaziano dal settore delle energie rinnovabili, come inverter collegati alla rete e inverter solari fotovoltaici, ai sistemi di ricarica intelligenti per veicoli elettrici. Nel primo caso le reti ANN vengono utilizzate per migliorare la progettazione, il funzionamento e la manutenzione delle celle fotovoltaiche. I controller FV tradizionali utilizzano controller PI o algoritmi PR, che a volte sono lenti nella loro risposta a disturbi improvvisi. Nelle operazioni grid-tied, queste interferenze sono abbastanza frequenti e i controller mostrano il loro punto debole non essendo in grado di gestire questi imprevisti e causando perdita di efficienza e precisione di funzionamento. Quando però gli algoritmi AI vengono aggiunti al centro di controllo, il tempo di risposta ai disturbi e la precisione del convertitore vengono notevolmente migliorati.

Nelle stazioni di ricarica dei veicoli elettrici le reti neurali artificiali ottimizzano la ricarica monitorando in modo efficiente il flusso di corrente, il tipo di batteria e altri parametri di ricarica per velocizzare i tempi dell'operazione; il monitoraggio continuo, inoltre, aiuterà anche a monitorare lo stato di degrado delle celle e a prevenire guasti.