Älykäs verkkokuormituksen tunnistus Smart Meter -tekniikalla

Johdanto

Sähköstä on 2000-luvulta lähtien tullut avaintekijä, joka tukee maani kansantaloudellista kehitystä, ja sillä on korvaamaton rooli ihmisten selviytymisessä ja kehityksessä. Älykkäät verkot hyödyntävät nykyaikaisia ​​tekniikoita uusiutuvan energian täysimääräiseen hyödyntämiseen ja tarjoavat samalla virtaa päätelaitteille, mikä mahdollistaa joustavan ajoituksen ja älykkään sähkönhallinnan. Älykkäiden verkkojen laajentuessa yhä enemmän-energiaa-kuluttavien laitteiden määrä käyttäjäpuolella kasvaa, mikä johtaa yhä tiukempiin vaatimuksiin jalostetuille sähköpalveluille. Käyttäjien kuormituksen tunnistaminen on ratkaisevan tärkeää älykkäiden verkkojen{6}energiansäästöstrategioiden suunnittelussa. Kuorman tunnistamiseen kuuluu ensisijaisesti näytteenotto ja käyttäjän -puolen sähkönkäyttötietojen analysointi, jotta voidaan tunnistaa paljon-energiaa-kuluttavat laitteet, mikä auttaa käyttäjiä parantamaan nykyisiä sähkönkäyttötottumuksiaan. Tällä hetkellä useimmat maani älykkäät verkot käyttävät tunkeilevaa kuormantunnistustekniikkaa ja ottavat käyttöön tunnistimen jokaista käyttäjän{12}sivukuormaa varten virrankäyttötietojen keräämiseksi. Tämä tunnistustekniikka ei kuitenkaan ole vain aikaa{14}}ja työvoimavaltainen-, vaan sillä on myös vaikeuksia varmistaa tehokkaan tehotietojen kerääminen, mikä estää älykkäiden verkkojen terveen kehityksen. Siksi tässä artikkelissa tutkitaan ei-invasiivista älykkään verkon kuormituksen tunnistusmenetelmää älykkäiden mittarien teknologian avulla, mikä edistää älykkään verkon kuormituksen tunnistustyön kehitystä älykkyyden suuntaan.

Smart Grid -kuormituksen tunnistussuunnittelu, joka perustuu Smart Meter -tekniikkaan

Kerää älykkäisiin mittareihin perustuvia älyverkkotietoja

Tällä hetkellä kasvava määrä paljon{0}}energiaa-kuluttavia sähkölaitteita, jotka vastaavat ihmisten erilaisiin elämäntapatarpeisiin, herättävät laajaa huomiota. Älyverkon käyttäjäpuolella jokainen kotitalous voi omistaa useita tai jopa kymmeniä sähkölaitteita. Näiden laitteiden monipuolisista toimintaperiaatteista ja sähköisistä ominaisuuksista johtuen kuormituksen tunnistaminen vaatii huomattavasti aikaa ja vaivaa näiden laitteiden tehotietojen keräämiseen, mikä jossain määrin rajoittaa älykkäiden verkkojen kehitystä. Tätä tarkoitusta varten tässä artikkelissa esitellään älymittaritekniikkaa ei-invasiivisen kuormantunnistustekniikan suunnittelemiseksi. Ensinnäkin älymittareiden avulla kerätään virrankulutustietoja älyverkon käyttäjäpuolelta. Älykkäitä mittareita ei tarvitse asentaa käyttäjän kotiin; ne voidaan yksinkertaisesti asentaa älyverkon käyttäjän-puolen väylään. Älymittarin mittaussiru kerää tehotietoja, kuten jännitteen, virran ja tehon, käyttäjän kodin laitteista ja välittää nämä tiedot SPI-rajapinnan kautta. Kun älymittareita käytetään virrankulutustietojen keräämiseen älyverkon käyttäjäpuolella, näissä laitteissa havaitaan vakaan tilan ominaisuuksia vakaan toiminnan aikana. Siksi on tarpeen määrittää näiden laitteiden jännitteen ja virran teholliset arvot, jotka edustavat näitä vakaan tilan ominaisuuksia:

Kaavassa I₀on virran tehollinen arvo älyverkon käyttäjäpuolella; U₀on jännitteen tehollinen arvo älyverkon käyttäjäpuolella; N on älymittarin näytteenottojakso; I(t) on älymittarin keräämä -käyttäjäpuolen virtasignaali; U(t) on älymittarin keräämä käyttäjän-puolen jännitesignaali.

Älyverkon käyttäjäpuolen sähkölaitteiden tehoa ei voi suoraan kerätä älymittarilla. Se on laskettava kaavan (1) ja kaavan (2) mukaisesti. Laskentakaava on:

Kaavassa P₀on pätötehon tehollinen arvo älyverkon käyttäjäpuolella; f on älymittarin näytteenottotaajuus; ja M on älymittarin näytteenottotaajuus. Älyverkkokäyttäjän-puolen sähkölaitteiden käytön aikana eri sähkölaitteiden tehoominaisuudet ovat eri muotoisia ja vaihtelevat merkittävästi toisistaan. Siksi tässä artikkelissa käytetään kaavalla (3) saatua tehollista arvoa yhtenä kelvollisista tiedoista älyverkon kuormituksen tunnistamiseen.

Älykkäät mittarit voivat mukautua erilaisiin sähkölaitteisiin eri käyttäjäkotitalouksissa. Kerätty tehokuorma on erittäin tarkka ja vakaa, joten ne soveltuvat älykkään verkon kuormituksen tunnistamiseen.

Älyverkkotietojen esikäsittely

Kun käytät älymittareita keräämään käyttäjän{0}}sähkötietoja älykkäitä verkkoja varten, ulkoisten ympäristötekijöiden aiheuttamat häiriöt ovat väistämättömiä, mikä aiheuttaa kohinaa ja poikkeavuuksia kerätyissä tiedoissa. Siksi kerättyjen tietojen esikäsittely on välttämätöntä ennen kuorman tunnistamista sen tehokkuuden parantamiseksi. Lisäksi älykkään sähköverkon kuormantunnistustekniikan yleistettävyyden varmistamiseksi tunnistamiseen käytettävä kuormitustietokanta tulisi mieluiten koostua erityyppisistä sähkölaitteista, jotka ovat peräisin kahdesta tai useammasta käyttäjätaloudesta. Näin varmistetaan, että tunnistamiseen käytettävä kuormatietojoukko kattaa kattavamman kuormatietojoukon, mikä helpottaa tunnistamista.

Ensinnäkin S-G-suodatinta käytetään vaimentamaan älyverkon käyttäjäpuolen-tehotietoja. S-G-suodatin on alipäästösuodatin-, joka sovittaa tehodatasignaalin aika-alueelle liukuvan ikkunan läpi, jolloin tehodatasignaalin tasoitus ja kohinan poisto saadaan aikaan. Olettaen, että älymittarin keräämä käyttäjäpuolen-tehotietojoukko on X=(x1, x2, …, xi, …, xn), tämä artikkeli muodostaa ak-1-kertaluvun polynomin, joka sopii kerättyyn tietojoukoon. SG-suodattimen kohinanpoistolauseke on:

Kaavassa Y_ion älyverkon käyttäjän{0}puolen tehotiedot suodatuksen ja tasoituksen jälkeen; a0, a1, a2, …, ak-1 ovat polynomikertoimia. Kaavan (4) mukaisen käsittelyn jälkeen kuormitusdatapulssi tasoittuu jossain määrin, mikä vähentää tehokkaasti kohinahäiriöitä. Sitten tiedot suodatetaan ja käsitellään. Kun älymittari kerää käyttäjäpuolen kuormitustietoja, äkilliset laitehäiriöt ja muut tekijät aiheuttavat poikkeavia arvoja kerättyihin tietoihin. Nämä epänormaalit arvot vaikuttavat jossain määrin kuorman tunnistusvaikutukseen. Siksi ennen älykkään verkon kuormituksen tunnistamista on tarpeen poistaa poikkeavat arvot kerätyistä näytetiedoista. Tässä paperissa käytetään kynnysmenetelmää epänormaalien tietojen poistamiseen. Yksinkertaisesti sanottuna kohtuullinen kynnys asetetaan etukäteen ja kerätyt kuormitustiedot käydään läpi. Läpikulkuprosessin aikana asetetun kynnyksen ylittävä kuorma säilytetään, kynnystä ylittävä kuorma poistetaan ja säilytettävät tiedot standardoidaan. Standardoinnin laskentakaava on:

missä Y' on standardoitu älyverkon käyttäjän -puolen tehodata; Y on alkuperäisen älyverkon käyttäjän-tehotietojen keskiarvo; ja Y₀on alkuperäisen älykkään verkon käyttäjän{0}}puolen tehotietojen keskihajonta. Lopuksi yllä olevalla prosessilla esikäsitellyt älyverkon käyttäjän{2}}puolen tehotiedot yhdistetään korkealaatuiseksi-kuormitustietojoukoksi myöhempää kuormituksen tunnistamista varten.

Temporaalisen konvoluutioverkkomallin rakentaminen kuorman tunnistamiseen

Yleisesti ottaen älykkäiden sähköverkkojen käyttäjän{0}}puolen tehotiedoilla, jotka on kerätty älykkäillä mittareilla, on vahva ajallinen korrelaatio. Siksi tämä artikkeli rakentaa ajallisen konvoluutioverkkomallin älykkään verkon kuormituksen tunnistamiseen. Ajallinen konvoluutioverkko on parannus peruskonvoluutioverkkoon, joka koostuu pääasiassa kahdesta komponentista: kausaalisesta laajentuneesta konvoluutiosta ja jäännösyhteyksistä. Kausaalinen laajentunut konvoluutio on yksisuuntainen rakenne. Yksinkertaisesti sanottuna seuraavan kerroksen aikasignaali voidaan saada vain luottamalla edellisen kerroksen aikasignaaliin ilman, että kuormitustietoja vuotaa muina aikoina. Siksi ajallisen konvoluutioverkon avulla muodostettu tunnistusmalli on myös informaatiorajoitettu{6}}malli. Lisäksi verkon syvyys vaikuttaa mallin konvoluutiokerrosten lähtöön. Siksi käytännön kuormantunnistuksessa on välttämätöntä vähentää kausaalikonvoluutiokerrosten määrää tai suurentaa laajentuneen konvoluution näytteenottoaskelkokoa, jotta vältetään syvemmistä verkostoista aiheutuva gradienttiräjähdys. Mitä tulee mallin jäännösliitäntöihin, tässä artikkelissa käytetään ohitusliitäntöjä estämään mallin huonon harjoittelun suorituskyvyn. Olettaen, että temporaalisen konvoluutioverkkomallin syöte on a ja ensimmäisen kerroksen lähtö on f(a), voidaan temporaalisen konvoluutioverkkomallin jäännöslohkon eteenpäin suuntautuvaa neuroverkkoa kuvata seuraavasti:

missä ω1 ja ω2 ovat ensimmäisen ja toisen konvoluutiokerroksen painotukset ajallisen konvoluutioverkon tunnistusmallissa, vastaavasti; δ on aktivointifunktio. Sitten kaavan (6) mukaisesti voidaan saada mallin toisen konvoluutiokerroksen lähtö:

Missä g(a) on temporaalisen konvoluutioverkon tunnistusmallin toisen konvoluutiokerroksen lähtö. Prosessi älykkään verkon kuormituksen tunnistamiseksi käyttämällä ajallista konvoluutioverkkomallia tässä artikkelissa on seuraava: Ensinnäkin älykkäiden mittareiden keräämät älyverkon käyttäjän-puolen tiedot syötetään malliin ja mallin ominaisuuden erotusmoduuli poimii sähkönkäyttötietojen ominaisuudet. Sitten alkaa mallin koulutusvaihe, jossa asetetaan parametrit, kuten painot ja poikkeamat. Samanaikaisesti datan eteneminen eteenpäin ja taaksepäin suoritetaan käyttämällä häviöfunktiota kohdekuorman tunnistemerkinnän tulostamiseksi. Yhteenvetona voidaan todeta, että tässä artikkelissa tunnistetaan ei--tunkeileva älykkään verkon käyttäjän-puolen kuormitus käyttämällä älymittaritekniikkaa.

Kokeellinen analyysi

Kokeellinen valmistelu

Älykkäiden mittarien tekniikan tehokkuuden varmistamiseksi älyverkoissa suoritettiin simulaatiokoe REDDD-tietojoukolla. Koska tietojoukon jokaisen käyttäjän sähkönkäyttötilastot vaihtelevat, tietojoukko seulottiin ja osioitiin taulukossa 1 esitetyn kokeellisen tietojoukon saamiseksi.

Taulukko 1 Kokeellinen tietojoukko

Kuten taulukosta 1 näkyy, tässä kuormantunnistuskokeessa käytetään kokeellisena datana kuutta erilaista sähkölaitteiden kuormitusta REDD-tietojoukossa, yhteensä 1064 näytettä. Erilaisten kokeellisten sähkökuormien transienttivirran aaltomuodot on esitetty kuvassa 1.

图１ 实验电器负荷暂态电流波形

Tässä kokeessa kunkin sähkölaitteen kuorman transienttivirta erotettiin moniulotteisten aaltomuotoominaisuuksien avulla, minkä jälkeen tässä artikkelissa suunniteltua kuormantunnistusmenetelmää käytettiin luokitteluun ja tunnistamiseen. Samanaikaisesti LSTM-pohjainen älyverkkokuormituksen tunnistustekniikka ja hermoverkkoon perustuva älyverkkokuormantunnistustekniikka valittiin kontrolliryhmiksi suorittamaan tunnistustestejä samalle tietojoukolle, ja tunnistustulokset hankittiin ja sitten verrattiin ja analysoitiin.

Tulosten analyysi

Kunkin tekniikan kuormitusluokituksen ja tunnistussuorituskyvyn vertaamiseksi arvioinnin metriikkana käytettiin keskimääräistä absoluuttista virhettä (MAE), jonka lauseke on:

missä MAE on älyverkkojen kuormantunnistustulosten keskimääräinen absoluuttinen virhe (MAE); T on havaitsemisaika; y_ion todellinen kuormitusarvo hetkellä i; ja x on kuorman tunnistustulos hetkellä i. Tämä mittari heijastaa ensisijaisesti tunnistustuloksen ja todellisen kuorman välistä virhettä tietyllä hetkellä tietyn havaintojakson sisällä, ja sitä voidaan käyttää älykkään verkon kuormantunnistustekniikan tarkkuuden mittaamiseen.

Taulukko 2 osoittaa, että vertailuryhmän kuormantunnistustekniikkaan verrattuna ehdotetulla tekniikalla saavutetaan tietty parannus kaikkien kuuden sähkölaitteen kuormien tunnistamisessa. Ehdotetulla kuormantunnistustekniikalla saavutetaan keskimääräinen absoluuttinen virhe 1,135 kWh, mikä on vastaavasti 0,793 kWh ja 1,435 kWh pienempi vertailuryhmätekniikkaan verrattuna. Tämä osoittaa, että tässä artikkelissa tutkittu älymittaritekniikka soveltuu ei--tunkeilevan kuorman tunnistamiseen älyverkoissa ja sillä on erinomaiset tiedonkeruu- ja sovellusominaisuudet. Verrattuna muihin kuormantunnistusteknologioihin tässä artikkelissa tutkitulla tekniikalla voidaan tehokkaasti poimia tehotietoja älyverkon käyttäjäpuolelta ja säilyttää tehotiedoissa yksityiskohtaisia ​​tietoja, kuten transienttivirta. Lopuksi sitä sovelletaan temporaaliseen konvoluutioverkkomalliin luokittelua varten, mikä parantaa kuorman tunnistamiskykyä.