Pengenalan Beban Grid Pintar dengan Teknologi Meter Pintar

Pengenalan

Sejak abad ke -21, elektrik telah menjadi faktor utama yang menyokong pembangunan ekonomi negara saya dan memainkan peranan yang tidak dapat digantikan dalam kelangsungan hidup dan pembangunan manusia. Grid pintar memanfaatkan teknologi moden untuk menggunakan tenaga boleh diperbaharui sepenuhnya sambil menyediakan kuasa untuk mengakhiri peranti, membolehkan penjadualan fleksibel dan pengurusan pintar elektrik. Apabila grid pintar terus berkembang, bilangan tinggi - tenaga - peranti memakan pada sisi pengguna semakin meningkat, yang membawa kepada keperluan yang semakin ketat untuk perkhidmatan elektrik halus. Pengenalpastian beban pengguna adalah penting untuk mereka bentuk tenaga - strategi penjimatan untuk grid pintar. Pengenalpastian beban terutamanya melibatkan pensampelan dan menganalisis data penggunaan elektrik- untuk mengenal pasti peranti - - yang tinggi, dengan itu membantu pengguna meningkatkan corak penggunaan elektrik sedia ada mereka. Pada masa ini, kebanyakan grid pintar di negara saya menggunakan teknologi pengenalan beban mengganggu, menggunakan sensor untuk setiap pengguna - beban sampingan untuk mengumpul maklumat penggunaan kuasa. Walau bagaimanapun, teknologi pengenalan ini bukan sahaja masa - memakan dan buruh - intensif, tetapi juga berjuang untuk memastikan pengumpulan maklumat kuasa yang cekap, menghalang perkembangan sihat grid pintar. Oleh itu, makalah ini menggunakan teknologi meter pintar untuk mengkaji kaedah pengenalan beban grid pintar bukan invasif untuk mempromosikan pembangunan kerja pengenalan beban grid pintar ke arah kecerdasan.

Reka bentuk pengenalan beban grid pintar berdasarkan teknologi meter pintar

Mengumpulkan data grid pintar berdasarkan meter pintar

Pada masa ini, semakin banyak tenaga tinggi - - memakan peranti elektrik yang memenuhi keperluan gaya hidup yang pelbagai orang menarik perhatian yang meluas. Di sisi pengguna grid pintar, setiap isi rumah boleh memiliki beberapa atau bahkan berpuluh -puluh peranti elektrik. Oleh kerana prinsip -prinsip operasi yang pelbagai dan ciri -ciri elektrik peranti ini, pengenalan beban memerlukan masa dan usaha yang penting untuk mengumpul data kuasa dari peranti ini, yang, pada tahap tertentu, menghadkan pembangunan grid pintar. Untuk tujuan ini, kertas ini memperkenalkan teknologi meter pintar untuk merekabentuk teknik pengenalan beban invasif yang tidak -. Pertama, meter pintar digunakan untuk mengumpul data penggunaan kuasa pada sisi pengguna grid pintar. Meter pintar tidak perlu dipasang di rumah pengguna; Mereka hanya boleh dipasang pada pengguna grid pintar - bas sampingan. Cip pemeteran dalam meter pintar mengumpul data kuasa, seperti voltan, arus, dan kuasa, dari peranti rumah pengguna dan menghantar data ini melalui antara muka SPI. Apabila menggunakan meter pintar untuk mengumpul data penggunaan kuasa pada sisi pengguna grid pintar, ciri -ciri keadaan mantap - diperhatikan dalam peranti ini semasa operasi yang stabil. Oleh itu, adalah perlu untuk menentukan nilai berkesan voltan dan arus peranti ini, yang mewakili ciri -ciri keadaan - yang mantap:

Dalam formula, i₀adalah nilai berkesan arus di sisi pengguna grid pintar; U₀adalah nilai berkesan voltan di sisi pengguna grid pintar; N ialah tempoh persampelan meter pintar; I (t) adalah pengguna - isyarat semasa sampingan yang dikumpulkan oleh meter pintar; U (t) ialah pengguna - isyarat voltan sampingan yang dikumpulkan oleh meter pintar.

Kuasa peralatan elektrik di sisi pengguna grid pintar tidak dapat dikumpulkan secara langsung oleh meter pintar. Ia perlu dikira mengikut formula (1) dan formula (2). Formula pengiraan adalah:

Dalam formula, p₀adalah nilai berkesan kuasa aktif pada sisi pengguna grid pintar; F ialah kekerapan sampel meter pintar; dan M adalah kekerapan persampelan meter pintar. Semasa operasi pengguna grid pintar - peralatan elektrik sampingan, ciri -ciri kuasa pelbagai peralatan elektrik mempunyai bentuk yang berbeza dan berbeza -beza dari satu sama lain. Oleh itu, makalah ini menggunakan nilai berkesan kuasa yang diperolehi oleh formula (3) sebagai salah satu data yang sah untuk pengenalan beban grid pintar.

Meter pintar boleh menyesuaikan diri dengan peranti elektrik yang berbeza dalam isi rumah pengguna yang berbeza. Beban kuasa yang dikumpulkan mempunyai ketepatan dan kestabilan yang tinggi, menjadikannya sesuai untuk pengenalan beban grid pintar.

Data grid pintar preprocessing

Apabila menggunakan meter pintar untuk mengumpul data - data elektrik sampingan untuk grid pintar, gangguan dari faktor persekitaran luaran tidak dapat dielakkan, mengakibatkan bunyi dan anomali dalam data yang dikumpulkan. Oleh itu, pra -proses data yang dikumpulkan diperlukan sebelum pengenalan beban untuk meningkatkan keberkesanannya. Selain itu, untuk memastikan kebolehpercayaan teknologi pengenalan beban grid pintar, dataset beban yang digunakan untuk pengenalan harus idealnya terdiri daripada pelbagai jenis peranti elektrik, yang berasal dari dua atau lebih isi rumah pengguna. Ini memastikan bahawa dataset beban yang digunakan untuk pengenalan merangkumi satu set data beban yang lebih komprehensif, memudahkan pengenalan.

Pertama, penapis S - g digunakan untuk menghilangkan data kuasa pengguna - grid pintar. Penapis S - g adalah penapis lulus - yang sesuai dengan isyarat data kuasa dalam domain masa melalui tetingkap gelongsor, dengan itu mencapai pelicinan dan menghilangkan isyarat data kuasa. Dengan mengandaikan bahawa set data kuasa pengguna - yang dikumpulkan oleh meter pintar adalah x=(x1, x2, ..., xi, ..., xn), kertas ini membina Ak - 1-order polynomial untuk menyesuaikan set data yang dikumpul. Ekspresi Denoising Penapis SG adalah:

Dalam formula, y_iadalah pengguna - data kuasa sampingan grid pintar selepas penapisan dan pelicinan; A0, A1, A2, ..., Ak - 1 adalah pekali polinomial. Selepas diproses oleh formula (4), denyutan data beban diletakkan pada tahap tertentu, dengan itu dengan berkesan mengurangkan gangguan bunyi. Maka data ditapis dan diproses. Apabila meter pintar mengumpul data beban sampingan pengguna, kegagalan peralatan tiba-tiba dan faktor lain akan menyebabkan nilai yang tidak normal dalam data yang dikumpulkan. Nilai -nilai yang tidak normal ini akan menjejaskan kesan pengenalan beban ke tahap tertentu. Oleh itu, sebelum melakukan pengenalan beban grid pintar, adalah perlu untuk memadamkan nilai yang tidak normal dalam data sampel yang dikumpulkan. Makalah ini menggunakan kaedah ambang untuk memadam data yang tidak normal. Ringkasnya, ambang yang munasabah ditetapkan terlebih dahulu, dan data beban yang dikumpulkan dilalui. Semasa proses traversal, beban yang melebihi ambang set dikekalkan, dan beban yang tidak melebihi ambang dipadam, dan data yang disimpan diseragamkan. Formula pengiraan standardisasi adalah:

Di mana y 'adalah pengguna grid pintar standard - data kuasa sampingan; Y ialah min pengguna grid pintar asal - data kuasa sampingan; dan y₀adalah sisihan piawai pengguna grid pintar asal - data kuasa sampingan. Akhirnya, pengguna grid pintar - data kuasa sampingan yang diproses oleh proses di atas digabungkan untuk membentuk dataset beban kualiti - yang tinggi untuk pengenalan beban berikutnya.

Membina model rangkaian konvensional temporal untuk pengenalan beban

Secara umumnya, pengguna grid pintar - data kuasa sampingan yang dikumpulkan oleh meter pintar mempamerkan korelasi temporal yang kuat. Oleh itu, makalah ini membina model rangkaian konvensional temporal untuk pengenalan beban grid pintar. Rangkaian convolutional temporal adalah peningkatan pada rangkaian convolutional asas, terutamanya yang terdiri daripada dua komponen: konvensional yang diluaskan kausal dan sambungan sisa. Convolution yang diluaskan kausal adalah struktur satu arah. Ringkasnya, isyarat masa di lapisan seterusnya hanya boleh diperolehi dengan bergantung pada isyarat masa di lapisan sebelumnya, tanpa bocor data beban pada masa lain. Oleh itu, model pengiktirafan yang dibina menggunakan rangkaian convolutional temporal juga merupakan maklumat yang terkawal -. Selain itu, output lapisan konvolusi model dipengaruhi oleh kedalaman rangkaian. Oleh itu, dalam pengenalan beban praktikal, adalah perlu untuk mengurangkan bilangan lapisan konvolusi kausal atau meningkatkan saiz langkah persampelan konvolusi yang diluaskan untuk mengelakkan letupan kecerunan yang disebabkan oleh rangkaian yang lebih mendalam. Mengenai sambungan sisa dalam model, kertas ini menggunakan sambungan melangkau untuk mencegah prestasi latihan model yang lemah. Dengan mengandaikan bahawa input model rangkaian konvolusi temporal adalah A dan output lapisan pertama adalah f (a), rangkaian saraf ke hadapan blok sisa model rangkaian konvensional temporal boleh digambarkan sebagai:

Di mana ω1 dan ω2 adalah berat lapisan konvolusi pertama dan kedua dalam model pengiktirafan rangkaian konvensional temporal, masing -masing; δ ialah fungsi pengaktifan. Kemudian, menurut Formula (6), output lapisan convolutional kedua model boleh diperolehi:

Di mana g (a) adalah output lapisan konvolusi kedua model pengiktirafan rangkaian konvensional temporal. Proses untuk mencapai pengenalan beban grid pintar menggunakan model rangkaian konvolusi temporal dalam kertas ini adalah seperti berikut: Pertama, pengguna grid pintar - data sampingan yang dikumpulkan oleh meter pintar adalah input ke dalam model, dan modul pengekstrakan ciri model mengekstrak ciri -ciri data penggunaan elektrik. Kemudian, fasa latihan model bermula, menetapkan parameter seperti berat dan bias. Secara serentak, penyebaran data ke hadapan dan ke belakang dilakukan menggunakan fungsi kerugian untuk mengeluarkan label pengenalan beban sasaran. Ringkasnya, kertas ini mencapai - Pengenalpastian mengganggu pengguna grid pintar - beban sampingan menggunakan teknologi meter pintar.

Analisis eksperimen

Penyediaan eksperimen

Untuk mengesahkan keberkesanan teknologi meter pintar dalam grid pintar, percubaan simulasi dijalankan menggunakan dataset REDDD. Kerana statistik penggunaan elektrik setiap pengguna dalam dataset berbeza -beza, dataset telah ditayangkan dan dibahagikan untuk mendapatkan dataset eksperimen yang ditunjukkan dalam Jadual 1.

Jadual 1 dataset eksperimen

Seperti yang ditunjukkan dalam Jadual 1, eksperimen pengenalan beban ini menggunakan enam jenis beban peralatan elektrik dalam dataset REDD sebagai data eksperimen, dengan jumlah 1064 sampel. Gelombang arus sementara bagi pelbagai beban elektrik eksperimen ditunjukkan dalam Rajah 1.

图１ 实验电器负荷暂态电流波形

Dalam eksperimen ini, arus sementara setiap beban peralatan elektrik diekstrak oleh ciri -ciri bentuk gelombang dimensi multi -, dan kemudian kaedah pengenalan beban yang direka dalam kertas ini digunakan untuk klasifikasi dan pengenalan. Pada masa yang sama, teknologi pengenalan beban grid pintar berdasarkan LSTM dan teknologi pengenalan beban grid pintar berdasarkan rangkaian saraf dipilih sebagai kumpulan kawalan untuk menjalankan ujian pengenalan pada set data yang sama, dan hasil pengenalan diperoleh dan kemudian dibandingkan dan dianalisis.

Analisis Keputusan

Untuk membandingkan klasifikasi beban dan prestasi pengenalan setiap teknologi, kesilapan mutlak min (MAE) digunakan sebagai metrik penilaian, dan ekspresinya adalah:

Di mana MAE adalah kesilapan mutlak min (MAE) hasil pengenalan beban untuk grid pintar; T ialah masa pengesanan; y_iadalah nilai beban sebenar pada masa saya; dan x adalah hasil pengenalan beban pada masa i. Metrik ini terutamanya mencerminkan kesilapan antara hasil pengenalan dan beban sebenar pada saat tertentu dalam tempoh pengesanan tertentu dan boleh digunakan untuk mengukur ketepatan teknologi pengenalan beban grid pintar.

Jadual 2 menunjukkan bahawa berbanding dengan teknologi pengenalan beban kumpulan kawalan, teknologi yang dicadangkan mencapai tahap peningkatan tertentu dalam mengenal pasti beban semua enam jenis peralatan elektrik. Teknologi pengenalan beban yang dicadangkan mencapai kesilapan mutlak sebanyak 1.135 kWh, yang merupakan pengurangan 0.793 kWh dan 1.435 kWh, masing -masing, berbanding dengan teknologi kumpulan kawalan. Ini menunjukkan bahawa teknologi meter pintar yang dikaji dalam makalah ini sesuai untuk pengenalan beban yang tidak - dalam grid pintar dan mempunyai pengumpulan maklumat dan keupayaan aplikasi yang unggul. Berbanding dengan teknologi pengenalan beban lain, teknologi yang dikaji dalam kertas ini dapat mengekstrak data kuasa secara efisien dari sisi pengguna grid pintar dan mengekalkan maklumat terperinci seperti arus sementara dalam data kuasa. Ia akhirnya digunakan untuk model rangkaian konvensional temporal untuk klasifikasi, dengan itu meningkatkan keupayaan pengenalan beban.