Pametna identifikacija opterećenja mreže s tehnologijom pametnog mjerača

Uvod

Od 21. stoljeća električna energija je postala ključni čimbenik koji podupire nacionalni gospodarski razvoj moje zemlje i igra nezamjenjivu ulogu u ljudskom opstanku i razvoju. Pametne mreže iskorištavaju moderne tehnologije za potpuno iskorištavanje obnovljive energije dok istovremeno osiguravaju napajanje krajnjim uređajima, omogućujući fleksibilno planiranje i inteligentno upravljanje električnom energijom. Kako se pametne mreže nastavljaju širiti, povećava se broj-energetskih-uređaja na strani korisnika, što dovodi do sve strožih zahtjeva za rafiniranim uslugama električne energije. Identifikacija korisničkog opterećenja ključna je za dizajniranje-strategija uštede energije za pametne mreže. Identifikacija opterećenja primarno uključuje uzorkovanje i analizu korisničkih-podataka o korištenju električne energije kako bi se identificirali uređaji koji-troše-energiju, čime se pomaže korisnicima da poboljšaju svoje postojeće obrasce potrošnje električne energije. Trenutačno većina pametnih mreža u mojoj zemlji koristi tehnologiju intruzivne identifikacije opterećenja, postavljajući senzor za svako opterećenje na -korisničkoj strani za prikupljanje informacija o potrošnji energije. Međutim, ova tehnologija identifikacije ne zahtijeva samo-vrijeme-i rad-već se također bori da osigura učinkovito prikupljanje informacija o snazi, sprječavajući zdrav razvoj pametnih mreža. Stoga ovaj rad koristi tehnologiju pametnog brojila za proučavanje ne-invazivne metode identifikacije opterećenja pametne mreže za promicanje razvoja rada na identifikaciji opterećenja pametne mreže u smjeru inteligencije.

Dizajn identifikacije opterećenja pametne mreže temeljen na tehnologiji pametnog mjerača

Prikupljanje podataka pametne mreže na temelju pametnih brojila

Trenutačno sve veći broj-energetskih-električnih uređaja koji zadovoljavaju različite životne potrebe ljudi privlači široku pozornost. S korisničke strane pametne mreže, svako kućanstvo može posjedovati nekoliko ili čak desetke električnih uređaja. Zbog različitih principa rada i električnih karakteristika ovih uređaja, identifikacija opterećenja zahtijeva značajno vrijeme i trud za prikupljanje podataka o snazi ​​od ovih uređaja, što u određenoj mjeri ograničava razvoj pametnih mreža. U tu svrhu, ovaj dokument uvodi tehnologiju pametnog brojila za dizajn ne-invazivne tehnike identifikacije opterećenja. Prvo, pametna brojila koriste se za prikupljanje podataka o potrošnji energije na korisničkoj strani pametne mreže. Pametna brojila ne moraju biti instalirana u domu korisnika; mogu se jednostavno instalirati na korisničku-sabirnicu pametne mreže. Mjerni čip u pametnom brojilu prikuplja podatke o snazi, kao što su napon, struja i snaga, s korisničkih kućnih uređaja i prenosi te podatke putem SPI sučelja. Kada koristite pametna brojila za prikupljanje podataka o potrošnji energije na korisničkoj strani pametne mreže, u ovim se uređajima tijekom stabilnog rada promatraju karakteristike stabilnog-stanja. Stoga je potrebno odrediti efektivne vrijednosti napona i struje ovih uređaja, koje predstavljaju ove karakteristike stabilnog-stanja:

U formuli, I₀je efektivna vrijednost struje na korisničkoj strani pametne mreže; U₀je efektivna vrijednost napona na korisničkoj strani pametne mreže; N je period uzorkovanja pametnog brojila; I(t) je strujni signal-korisničke strane prikupljen pametnim mjeračem; U(t) je signal napona-korisničke strane koji prikuplja pametni mjerač.

Snaga električne opreme na korisničkoj strani pametne mreže ne može se izravno prikupljati putem pametnog brojila. Potrebno ga je izračunati prema formuli (1) i formuli (2). Formula za izračun je:

U formuli, P₀je efektivna vrijednost djelatne snage na strani korisnika pametne mreže; f je frekvencija uzorkovanja pametnog brojila; a M je frekvencija uzorkovanja pametnog brojila. Tijekom rada električne opreme-korisničke strane pametne mreže, karakteristike snage različite električne opreme imaju različite oblike i značajno se razlikuju jedna od druge. Stoga ovaj rad koristi efektivnu vrijednost snage dobivenu formulom (3) kao jedan od valjanih podataka za identifikaciju opterećenja pametne mreže.

Pametna brojila mogu se prilagoditi različitim električnim uređajima u različitim kućanstvima korisnika. Prikupljeno opterećenje električne energije ima visoku točnost i stabilnost, što ih čini prikladnim za identifikaciju opterećenja pametne mreže.

Predobrada podataka pametne mreže

Kada koristite pametna brojila za prikupljanje korisničkih-podataka o električnoj energiji za pametne mreže, smetnje vanjskih čimbenika okoline su neizbježne, što rezultira šumom i anomalijama u prikupljenim podacima. Stoga je pretprocesiranje prikupljenih podataka potrebno prije identifikacije opterećenja kako bi se poboljšala njegova učinkovitost. Nadalje, kako bi se osigurala mogućnost generalizacije tehnologije identifikacije opterećenja pametne mreže, skup podataka o opterećenju koji se koristi za identifikaciju trebao bi se idealno sastojati od različitih vrsta električnih uređaja koji potječu iz dva ili više korisničkih kućanstava. Time se osigurava da skup podataka o opterećenju koji se koristi za identifikaciju obuhvaća sveobuhvatniji skup podataka o opterećenju, olakšavajući identifikaciju.

Prvo, S-G filtar koristi se za uklanjanje buke s korisničke-podataka o snazi ​​pametne mreže. S-G filtar je nisko-filtar koji uklapa signal podataka o snazi ​​u vremenskoj domeni kroz klizni prozor, čime se postiže izglađivanje i uklanjanje šuma signala podataka o snazi. Pod pretpostavkom da je skup podataka o snazi ​​na korisničkoj-strani prikupljen pametnim mjeračem X=(x1, x2, …, xi, …, xn), ovaj rad konstruira ak-polinom 1. reda koji odgovara skupu prikupljenih podataka. Izraz za uklanjanje buke filtra SG je:

U formuli, Y_isu korisni{0}}podaci o snazi ​​pametne mreže nakon filtriranja i izravnavanja; a0, a1, a2, …, ak-1 su koeficijenti polinoma. Nakon što se obradi formulom (4), puls podataka o učitavanju je izglađen do određene mjere, čime se učinkovito smanjuju smetnje buke. Zatim se podaci filtriraju i obrađuju. Kada pametno brojilo prikuplja podatke o opterećenju s korisničke strane, iznenadni kvarovi opreme i drugi čimbenici uzrokovat će abnormalne vrijednosti u prikupljenim podacima. Ove abnormalne vrijednosti u određenoj će mjeri utjecati na učinak identifikacije opterećenja. Stoga, prije izvođenja identifikacije opterećenja pametne mreže, potrebno je izbrisati abnormalne vrijednosti u prikupljenim uzorcima podataka. Ovaj rad koristi metodu praga za brisanje abnormalnih podataka. Jednostavno rečeno, razumni prag se postavlja unaprijed, a prikupljeni podaci o opterećenju se prelaze. Tijekom procesa prolaska, opterećenje koje premašuje postavljeni prag se zadržava, a opterećenje koje ne prelazi prag se briše, a zadržani podaci se standardiziraju. Formula za izračun standardizacije je:

Gdje je Y′ standardizirani podaci o snazi-korisničke strane pametne mreže; Y je srednja vrijednost izvornih podataka o snazi ​​korisničke-strane pametne mreže; i Y₀standardna je devijacija izvornih podataka o snazi ​​s korisničke-strane pametne mreže. Naposljetku, podaci o snazi ​​s korisničke-strane pametne mreže prethodno obrađeni gornjim postupkom kombiniraju se kako bi se formirao visoko{3}}kvalitetni skup podataka o opterećenju za kasniju identifikaciju opterećenja.

Konstruiranje modela vremenske konvolucijske mreže za identifikaciju opterećenja

Općenito govoreći, podaci o snazi ​​korisnika-strane pametne mreže prikupljeni pametnim mjeračima pokazuju jaku vremensku korelaciju. Stoga ovaj rad konstruira vremenski model konvolucijske mreže za identifikaciju opterećenja pametne mreže. Vremenska konvolucijska mreža je poboljšanje osnovne konvolucijske mreže, prvenstveno se sastoji od dvije komponente: uzročno proširene konvolucije i rezidualnih veza. Kauzalna dilatirana vijuga je jednosmjerna struktura. Jednostavno rečeno, vremenski signal u sljedećem sloju može se dobiti samo oslanjanjem na vremenski signal u prethodnom sloju, bez curenja podataka o opterećenju u drugim vremenima. Stoga je model prepoznavanja konstruiran korištenjem vremenske konvolucijske mreže također informacijski-ograničeni model. Nadalje, na izlaz konvolucijskih slojeva modela utječe dubina mreže. Stoga je u praktičnoj identifikaciji opterećenja potrebno smanjiti broj uzročnih slojeva zavoja ili povećati veličinu koraka uzorkovanja dilatirane zavoja kako bi se izbjegla eksplozija gradijenta uzrokovana dubljim mrežama. Što se tiče preostalih veza u modelu, ovaj rad koristi veze za preskakanje kako bi se spriječila loša izvedba obuke modela. Pod pretpostavkom da je ulaz modela vremenske konvolucijske mreže a, a izlaz prvog sloja f(a), prednja neuronska mreža rezidualnog bloka modela vremenske konvolucijske mreže može se opisati kao:

Gdje su ω1 i ω2 težine prvog i drugog konvolucijskog sloja u modelu prepoznavanja vremenske konvolucijske mreže; δ je aktivacijska funkcija. Tada se prema formuli (6) može dobiti izlaz drugog konvolucijskog sloja modela:

Gdje je g(a) izlaz drugog konvolucijskog sloja modela vremenskog konvolucijskog prepoznavanja mreže. Proces za postizanje identifikacije opterećenja pametne mreže korištenjem modela vremenske konvolucijske mreže u ovom radu je sljedeći: Prvo, podaci s korisničke-strane pametne mreže prikupljeni pametnim brojilima unose se u model, a modul za ekstrakciju značajki modela izdvaja značajke podataka o potrošnji električne energije. Zatim počinje faza obuke modela, postavljanje parametara kao što su težine i pristranosti. Istovremeno, propagacija podataka naprijed i natrag izvodi se pomoću funkcije gubitka za izlaz identifikacijske oznake ciljnog opterećenja. Ukratko, ovaj rad postiže ne-nametljivu identifikaciju opterećenja korisničke-strane pametne mreže pomoću tehnologije pametnih brojila.

Eksperimentalna analiza

Eksperimentalna priprema

Kako bi se potvrdila učinkovitost tehnologije pametnih brojila u pametnim mrežama, proveden je simulacijski eksperiment korištenjem skupa podataka REDDD. Budući da se statistika potrošnje električne energije za svakog korisnika u skupu podataka razlikuje, skup podataka je pregledan i podijeljen kako bi se dobio eksperimentalni skup podataka prikazan u tablici 1.

Tablica 1 Eksperimentalni skup podataka

Kao što je prikazano u tablici 1, ovaj eksperiment identifikacije opterećenja koristi šest tipova opterećenja električne opreme u skupu podataka REDD kao eksperimentalne podatke, s ukupno 1064 uzorka. Valni oblici prijelazne struje različitih eksperimentalnih električnih opterećenja prikazani su na slici 1.

图１ 实验电器负荷暂态电流波形

U ovom eksperimentu, prijelazna struja svakog opterećenja električne opreme izdvojena je pomoću značajki više-dimenzionalnog valnog oblika, a zatim je metoda identifikacije opterećenja dizajnirana u ovom radu korištena za klasifikaciju i identifikaciju. Istodobno, tehnologija identifikacije opterećenja pametne mreže temeljena na LSTM-u i tehnologija identifikacije opterećenja pametne mreže temeljena na neuronskoj mreži odabrane su kao kontrolne skupine za provedbu testova identifikacije na istom skupu podataka, a rezultati identifikacije su dobiveni te uspoređeni i analizirani.

Analiza rezultata

Za usporedbu klasifikacije opterećenja i izvedbe identifikacije svake tehnologije, srednja apsolutna pogreška (MAE) korištena je kao metrika procjene, a njen izraz je:

Gdje je MAE srednja apsolutna pogreška (MAE) rezultata identifikacije opterećenja za pametne mreže; T je vrijeme detekcije; g_ije stvarna vrijednost opterećenja u trenutku i; a x je rezultat identifikacije opterećenja u trenutku i. Ova metrika prvenstveno odražava pogrešku između rezultata identifikacije i stvarnog opterećenja u određenom trenutku unutar određenog razdoblja detekcije i može se koristiti za mjerenje točnosti tehnologije identifikacije opterećenja pametne mreže.

Iz tablice 2. vidljivo je da predložena tehnologija u usporedbi s tehnologijom identifikacije opterećenja kontrolne skupine postiže određeni stupanj poboljšanja u identifikaciji opterećenja svih šest vrsta električne opreme. Predložena tehnologija identifikacije opterećenja postiže srednju apsolutnu pogrešku od 1,135 kWh, što je smanjenje od 0,793 kWh odnosno 1,435 kWh u usporedbi s tehnologijom kontrolne skupine. Ovo pokazuje da je tehnologija pametnih brojila koja se proučava u ovom radu prikladna za ne-intruzivnu identifikaciju opterećenja u pametnim mrežama i da posjeduje superiorne mogućnosti prikupljanja informacija i primjene. U usporedbi s drugim tehnologijama identifikacije opterećenja, tehnologija proučavana u ovom radu može učinkovito izvući podatke o snazi ​​s korisničke strane pametne mreže i zadržati detaljne informacije kao što je prijelazna struja u podacima o snazi. Konačno se primjenjuje na model vremenske konvolucijske mreže za klasifikaciju, čime se poboljšava sposobnost identifikacije opterećenja.