Green ICT @ FMD Reference DataOptimierung eines Leistungselektroniksystems
- Sensor edge cloud systems
Technologiebeschreibung:
Die Entwurfsphase von leistungselektronischen Systemen erfordert sehr viele Simulationen. Effiziente, robuste und energieffiziente Optimierer sparen Rechenzeit, Kosten und CO2. In diesem Validierungsprojekt wurde die Optimierungskompetenz des Fraunhofer IISB (inkl. CARS) mit den Multi‑Physics‑Simulatoren von PE‑Systems per API kombiniert. Zwei Optimierer – NGOpt und CARS – lieferten viele diverse, gültige Lösungen bei niedrigen CO2‑Emissionen. Einführung: Fokus auf Effizienz und Nachhaltigkeit statt bloßem Skalieren der Rechenressourcen; Vergleich von Optimierern für den digitalen Zwilling eines Inverters mit LC‑Filter. Work Plan: (1) Framework: Optimierer schlagen Parameter vor → PE‑Systems‑API simuliert → Optimierer aktualisieren Zustand; (2) Benchmark verschiedener Optimierer und Parameter; (3) Qualitative Bewertung inkl. CO2‑Emissionen. Problemformulierung: System „Inverter + LC‑Filter“. Variablen mit Suchräumen: Schaltfrequenz 1–20 kHz; Anzahl Trägerwellen {1,2}; Kondensatoranzahl 1–10; Induktivität 100–700 μH; Leistungshalbleiter aus Liste von 23 MOSFET/IGBT. Ziele (gleich gewichtet, min‑max normiert): Konformität (VDE‑AR4100, IEC 61000‑2‑2), Thermik (T_C < 85 °C), Stabilität (R_th > 0). Optimizer: Aus Nevergrad (NGOpt, NGIohTuned, PSO, TwoPointsDE, CMA), dazu CARS (gitterbasiert, batch‑fähig) sowie Random.
Bezugsgröße:
pro Optimierungslauf (5000 Simulationen über PE‑Systems‑API)
Copyright:
Fraunhofer IISB – Datensatz entstand im öffentlich geförderten Projekt Green ICT @ FMD, zu 100 % vom BMFTR gefördert. mehr InformationenSystemgrenzen:
Prozessbilanz des Rechenlaufs (Simulation/Optimierung) – cradle‑to‑gate für den digitalen Zwilling; keine reale Fertigung/Nutzungsphase enthalten. Keine Hardware-/Materialflüsse im Datensatz; nur RechenaufwandMethodische Aspekte:
Fitness = gewichtete Summe der drei Ziele (gleich gewichtet), kontinuierliche min‑max‑Normalisierung auf [0,1]. Gültig ist nur eine Lösung, die alle drei Anforderungen erfüllt. 5000 Kandidaten pro Lauf; Vergleich mehrerer Optimierer. Bei zukünftigen realen Optimierungsprobleme kann von 2-3 Größenordnungen größeren Verbräuchen aber auch Einsparungen ausgegangen werden.
Datenqualität, -herkunft:
Simulationsdaten aus der PE‑Systems‑API; Algorithmen aus Nevergrad sowie CARS. CO2‑Werte aus Emissionsschätzung der Rechenläufe; Genauigkeit hängt von Modellannahmen, Laufzeit und zugrundegelegtem Strommix ab.
Datenübersicht:
| Wert | Einheit | |
|---|---|---|
| Einsparung (prozentual)* | NGOpt: 26,2; CARS: 7,6 | % |
*im Vergleich zu TwoPointsDE | ||
| Einsparung (absolut)* | NGOpt: 0,038; CARS: 0,011 | kg CO2e |
*im Vergleich zu TwoPointsDE | ||
| Global Warming Potential (GWP, absolut) | NGOpt: 0,107; CARS: 0,134; TwoPointsDE: 0,145 | kg CO2e |
Szenario für ein skaliertes Potanzial: Bei 1 % von 343 Mio. Konvertern, 20 Wiederholungen je Design und realistischen Optimierungsproblemen mit zusätzlichen 2-3 Optimierungsparametern, die eine Weitere Verbesserung um Faktor 100 ermöglichen, sind ≈ >260.000 t CO2 Einsparung/Jahr (NGOpt vs. TwoPointsDE) möglich. | ||