Išmanusis tinklo apkrovos identifikavimas naudojant išmaniojo skaitiklio technologiją

Įvadas

Nuo XXI amžiaus elektra tapo pagrindiniu veiksniu, palaikančiu mano šalies nacionalinę ekonominę plėtrą, ir atlieka nepakeičiamą vaidmenį žmonių išlikimui ir vystymuisi. Išmanieji tinklai naudoja šiuolaikines technologijas, kad būtų galima visiškai panaudoti atsinaujinančią energiją, tuo pačiu tiekiant energiją galutiniams įrenginiams, todėl galima lanksčiai planuoti ir protingai valdyti elektros energiją. Kadangi išmanieji tinklai ir toliau plečiasi, daugėja -energijos- suvartojančių įrenginių naudotojų pusėje, todėl rafinuotoms elektros paslaugoms keliami vis griežtesni reikalavimai. Naudotojų apkrovos nustatymas yra labai svarbus kuriant{6}}išmaniųjų tinklų energijos taupymo strategijas. Apkrovos atpažinimas visų pirma apima naudotojo -elektros suvartojimo duomenų atranką ir analizę, kad būtų galima nustatyti daug-energijos-naudojančius įrenginius ir taip padėti naudotojams pagerinti esamus elektros energijos naudojimo įpročius. Šiuo metu daugumoje mano šalies išmaniųjų tinklų naudojama įsilaužimo apkrovos identifikavimo technologija, kiekvienam naudotojo{12}}šoninės apkrovos jutiklis renkamas energijos naudojimo informacijai. Tačiau ši atpažinimo technologija ne tik reikalauja daug laiko{14}}ir daug darbo{15}}, bet ir stengiasi užtikrinti veiksmingą energijos informacijos rinkimą, trukdant sveikai plėtoti išmaniuosius tinklus. Todėl šiame darbe naudojama išmaniųjų skaitiklių technologija, siekiant ištirti ne-invazinį išmaniojo tinklo apkrovos identifikavimo metodą, kad būtų skatinamas išmaniojo tinklo apkrovos identifikavimo darbo plėtojimas žvalgybos kryptimi.

Išmaniojo tinklo apkrovos identifikavimo dizainas, pagrįstas išmaniojo skaitiklio technologija

Išmaniojo tinklo duomenų rinkimas remiantis išmaniaisiais skaitikliais

Šiuo metu vis daugiau{0}}energijos-naudojančių elektros prietaisų, atitinkančių įvairius žmonių gyvenimo būdo poreikius, sulaukia didelio dėmesio. Išmaniojo tinklo vartotojo pusėje kiekvienam namų ūkiui gali priklausyti keli ar net dešimtys elektros prietaisų. Dėl skirtingų šių įrenginių veikimo principų ir elektrinių charakteristikų apkrovos atpažinimas reikalauja daug laiko ir pastangų surinkti iš šių įrenginių galios duomenis, o tai tam tikru mastu riboja išmaniųjų tinklų plėtrą. Šiuo tikslu šiame darbe pristatoma išmaniųjų skaitiklių technologija, skirta sukurti ne-invazinę apkrovos identifikavimo techniką. Pirma, išmanieji skaitikliai naudojami energijos suvartojimo duomenims rinkti išmaniojo tinklo vartotojo pusėje. Išmaniųjų skaitiklių nereikia montuoti vartotojo namuose; juos galima tiesiog įdiegti išmaniojo tinklo naudotojo -šalinėje magistralėje. Išmaniajame skaitiklyje esantis matavimo lustas renka galios duomenis, tokius kaip įtampa, srovė ir galia, iš vartotojo namų įrenginių ir perduoda šiuos duomenis per SPI sąsają. Naudojant išmaniuosius skaitiklius energijos suvartojimo duomenims rinkti išmaniojo tinklo naudotojo pusėje, stabiliai veikiant šiuose įrenginiuose stebimos pastovios būsenos charakteristikos. Todėl būtina nustatyti efektyvias šių įrenginių įtampos ir srovės vertes, atspindinčias šias pastovios būsenos charakteristikas:

Formulėje I₀yra efektyvioji srovės vertė išmaniojo tinklo vartotojo pusėje; U₀yra efektyvioji įtampos vertė išmaniojo tinklo vartotojo pusėje; N – išmaniojo skaitiklio atrankos laikotarpis; I(t) yra vartotojo pusės srovės signalas, kurį renka išmanusis skaitiklis; U(t) yra naudotojo-šalutinio įtampos signalas, kurį renka išmanusis skaitiklis.

Išmaniojo tinklo vartotojo pusėje esančios elektros įrangos galios išmanusis skaitiklis tiesiogiai surinkti negali. Jį reikia apskaičiuoti pagal (1) ir (2) formules. Skaičiavimo formulė yra tokia:

Formulėje P₀yra efektyvioji aktyviosios galios vertė išmaniojo tinklo vartotojo pusėje; f – išmaniojo skaitiklio atrankos dažnis; ir M yra išmaniojo skaitiklio atrankos dažnis. Eksploatuojant išmaniojo tinklo naudotojo{1}}elektros įrangą, įvairių elektros įrenginių galios charakteristikos yra skirtingos formos ir labai skiriasi viena nuo kitos. Todėl šiame darbe naudojama efektyvioji galios vertė, gauta pagal (3) formulę, kaip vienas iš galiojančių duomenų išmaniojo tinklo apkrovai identifikuoti.

Išmanieji skaitikliai gali prisitaikyti prie skirtingų elektros prietaisų skirtinguose vartotojų namų ūkiuose. Surinkta galios apkrova pasižymi dideliu tikslumu ir stabilumu, todėl jos tinka išmaniojo tinklo apkrovai identifikuoti.

Išankstinis išmaniojo tinklo duomenų apdorojimas

Naudojant išmaniuosius skaitiklius naudotojo{0}}išmaniųjų tinklų elektros duomenims rinkti, išorinių aplinkos veiksnių trikdžių neišvengiama, todėl renkami duomenys sukelia triukšmą ir nukrypimų. Todėl prieš identifikuojant apkrovą būtinas išankstinis surinktų duomenų apdorojimas, siekiant pagerinti jo efektyvumą. Be to, siekiant užtikrinti išmaniojo tinklo apkrovos identifikavimo technologijos apibendrinimą, identifikavimui naudojamą apkrovos duomenų rinkinį idealiu atveju turėtų sudaryti įvairių tipų elektros prietaisai, kilę iš dviejų ar daugiau vartotojų namų ūkių. Taip užtikrinama, kad identifikavimui naudojamas apkrovos duomenų rinkinys apimtų išsamesnį apkrovos duomenų rinkinį, palengvinantį identifikavimą.

Pirma, S-G filtras naudojamas išmaniojo tinklo naudotojo-galios duomenims panaikinti. S-G filtras yra žemo dažnio Darant prielaidą, kad išmaniojo skaitiklio surinktas naudotojo-pusės galios duomenų rinkinys yra X=(x1, x2, …, xi, …, xn), šiame darbe sudaromas ak-1 eilės polinomas, kad tilptų surinktas duomenų rinkinys. SG filtro triukšmo slopinimo išraiška yra tokia:

Formulėje Y_iyra naudotojo-išmaniojo tinklo galios duomenys po filtravimo ir išlyginimo; a0, a1, a2, …, ak-1 yra daugianario koeficientai. Apdorojus pagal formulę (4), apkrovos duomenų impulsas tam tikru mastu išlyginamas, taip efektyviai sumažinant triukšmo trukdžius. Tada duomenys filtruojami ir apdorojami. Kai išmanusis skaitiklis renka vartotojo pusės apkrovos duomenis, staigūs įrangos gedimai ir kiti veiksniai sukels nenormalias renkamų duomenų vertes. Šios nenormalios vertės tam tikru mastu turės įtakos apkrovos identifikavimo efektui. Todėl prieš atliekant išmaniojo tinklo apkrovos identifikavimą, surinktų imties duomenų nenormalias vertes būtina ištrinti. Šiame dokumente neįprastiems duomenims ištrinti naudojamas slenksčio metodas. Paprasčiau tariant, iš anksto nustatoma pagrįsta riba ir perkeliami surinkti apkrovos duomenys. Perėjimo proceso metu apkrova, viršijanti nustatytą slenkstį, išlaikoma, o neviršijanti slenksčio ištrinama, o išsaugoti duomenys standartizuojami. Standartizacijos skaičiavimo formulė yra tokia:

kur Y′ yra standartizuoti išmaniojo tinklo naudotojo -pusės galios duomenys; Y yra pradinių išmaniojo tinklo naudotojo{1}}pusės galios duomenų vidurkis; ir Y₀yra standartinis pradinių išmaniojo tinklo naudotojo{0}}pusės galios duomenų nuokrypis. Galiausiai išmaniojo tinklo naudotojo -pusės galios duomenys, iš anksto apdoroti pirmiau nurodytu procesu, sujungiami, kad būtų sudarytas aukštos-kokybės apkrovos duomenų rinkinys, skirtas vėliau apkrovai identifikuoti.

Laikinojo konvoliucinio tinklo modelio kūrimas apkrovos identifikavimui

Paprastai tariant, išmaniųjų skaitiklių surinkti išmaniojo tinklo naudotojo{0}}pusės galios duomenys rodo stiprią laiko koreliaciją. Todėl šiame darbe sukuriamas laiko konvoliucinis tinklo modelis, skirtas išmaniojo tinklo apkrovai identifikuoti. Laikinasis konvoliucinis tinklas yra pagrindinio konvoliucinio tinklo patobulinimas, pirmiausia susidedantis iš dviejų komponentų: priežastinės išsiplėtusios konvoliucijos ir liekamųjų jungčių. Priežastinė išsiplėtusi konvoliucija yra vienakryptė struktūra. Paprasčiau tariant, laiko signalą kitame sluoksnyje galima gauti tik pasikliaujant ankstesnio sluoksnio laiko signalu, kitu metu nepraleidžiant apkrovos duomenų. Todėl atpažinimo modelis, sukurtas naudojant laiko konvoliucinį tinklą, taip pat yra informacijos{6}}apribotas modelis. Be to, modelio konvoliucinių sluoksnių išvestį veikia tinklo gylis. Todėl praktikoje identifikuojant apkrovą, būtina sumažinti priežastinių konvoliucijos sluoksnių skaičių arba padidinti išsiplėtusios konvoliucijos atrankos žingsnio dydį, kad būtų išvengta gradiento sprogimo, kurį sukelia gilesni tinklai. Kalbant apie likusias modelio jungtis, šiame dokumente naudojamos praleidžiamosios jungtys, kad būtų išvengta prastų modelio mokymo rezultatų. Darant prielaidą, kad laikinojo konvoliucinio tinklo modelio įvestis yra a, o pirmojo sluoksnio išvestis yra f(a), laikinojo konvoliucinio tinklo modelio liekamojo bloko priekinį neuroninį tinklą galima apibūdinti taip:

Kur ω1 ir ω2 yra atitinkamai pirmojo ir antrojo konvoliucinio sluoksnių svoriai laikinojo konvoliucinio tinklo atpažinimo modelyje; δ yra aktyvinimo funkcija. Tada pagal (6) formulę galima gauti antrojo modelio konvoliucinio sluoksnio išvestį:

Kur g(a) yra antrojo laikinojo konvoliucinio tinklo atpažinimo modelio konvoliucinio sluoksnio išvestis. Šiame dokumente išmaniojo tinklo apkrovos identifikavimo procesas naudojant laikinojo konvoliucinio tinklo modelį yra toks: Pirma, išmaniųjų skaitiklių surinkti išmaniojo tinklo naudotojo{1}}pusiniai duomenys įvedami į modelį, o modelio funkcijų ištraukimo modulis išskiria elektros energijos naudojimo duomenų ypatybes. Tada prasideda modelio mokymo fazė, nustatant tokius parametrus kaip svoris ir paklaidos. Tuo pačiu metu duomenų perdavimas pirmyn ir atgal atliekamas naudojant praradimo funkciją, kad būtų išvesta tikslinės apkrovos identifikavimo etiketė. Apibendrinant galima pasakyti, kad naudojant išmaniųjų skaitiklių technologiją šiame dokumente pasiekiamas ne-įkyrus išmaniojo tinklo naudotojo-apkrovų identifikavimas.

Eksperimentinė analizė

Eksperimentinis paruošimas

Siekiant patikrinti išmaniųjų skaitiklių technologijos efektyvumą išmaniuosiuose tinkluose, buvo atliktas modeliavimo eksperimentas naudojant REDDD duomenų rinkinį. Kadangi kiekvieno duomenų rinkinio naudotojo elektros energijos suvartojimo statistika skiriasi, duomenų rinkinys buvo patikrintas ir padalintas, kad būtų gautas eksperimentinis duomenų rinkinys, parodytas 1 lentelėje.

1 lentelė Eksperimentinis duomenų rinkinys

Kaip parodyta 1 lentelėje, šiame apkrovos identifikavimo eksperimente kaip eksperimentiniai duomenys naudojami šešių tipų elektros įrangos apkrovos REDD duomenų rinkinyje, iš viso 1064 pavyzdžiai. Įvairių eksperimentinių elektrinių apkrovų pereinamosios srovės bangos pavaizduotos 1 pav.

图１ 实验电器负荷暂态电流波形

Šiame eksperimente kiekvienos elektros įrangos apkrovos pereinamoji srovė buvo išgauta naudojant daugiamates bangos formos savybes, o tada klasifikuojant ir identifikuojant buvo naudojamas šiame darbe sukurtas apkrovos identifikavimo metodas. Tuo pačiu metu išmaniojo tinklo apkrovos identifikavimo technologija, pagrįsta LSTM, ir išmaniojo tinklo apkrovos identifikavimo technologija, pagrįsta neuroniniu tinklu, buvo pasirinktos kaip kontrolinės grupės, atliekančios identifikavimo testus su tuo pačiu duomenų rinkiniu, o identifikavimo rezultatai buvo gauti, palyginti ir analizuoti.

Rezultatų analizė

Norint palyginti kiekvienos technologijos apkrovos klasifikaciją ir identifikavimo efektyvumą, kaip vertinimo metrika buvo naudojama vidutinė absoliuti paklaida (MAE), o jos išraiška yra tokia:

kur MAE yra pažangiųjų tinklų apkrovos identifikavimo rezultatų vidutinė absoliuti paklaida (MAE); T yra aptikimo laikas; y_iyra tikroji apkrovos vertė momentu i; ir x yra apkrovos identifikavimo rezultatas momentu i. Ši metrika pirmiausia atspindi paklaidą tarp identifikavimo rezultato ir faktinės apkrovos tam tikru momentu per tam tikrą aptikimo laikotarpį ir gali būti naudojama išmaniojo tinklo apkrovos identifikavimo technologijos tikslumui matuoti.

Iš 2 lentelės matyti, kad, palyginti su kontrolinės grupės apkrovų identifikavimo technologija, siūloma technologija pasiekia tam tikrą pagerėjimą visų šešių tipų elektros įrenginių apkrovų identifikavime. Siūloma apkrovos identifikavimo technologija pasiekia vidutinę absoliučią 1,135 kWh paklaidą, tai yra atitinkamai 0,793 kWh ir 1,435 kWh mažesnė, palyginti su kontrolinės grupės technologija. Tai rodo, kad šiame darbe išnagrinėta išmaniųjų skaitiklių technologija yra tinkama ne-įkyriam apkrovos identifikavimui išmaniuosiuose tinkluose ir turi puikias informacijos rinkimo ir taikymo galimybes. Palyginti su kitomis apkrovos identifikavimo technologijomis, šiame darbe išnagrinėta technologija gali efektyviai išgauti galios duomenis iš išmaniojo tinklo vartotojo pusės ir išsaugoti išsamią informaciją, pvz., pereinamąją srovę galios duomenyse. Galiausiai jis taikomas laiko konvoliucinio tinklo modeliui klasifikuoti, taip pagerinant apkrovos identifikavimo galimybes.