شناسایی بار شبکه هوشمند با فناوری متر هوشمند

مقدمه

از قرن بیست و یکم، برق به یک عامل کلیدی در حمایت از توسعه اقتصادی ملی کشور من تبدیل شده است و نقشی بی بدیل در بقا و توسعه بشر ایفا می کند. شبکه‌های هوشمند از فناوری‌های مدرن برای استفاده کامل از انرژی‌های تجدیدپذیر بهره می‌برند و در عین حال برق دستگاه‌های پایانی را تأمین می‌کنند و برنامه‌ریزی انعطاف‌پذیر و مدیریت هوشمند برق را ممکن می‌سازند. با ادامه گسترش شبکه‌های هوشمند، تعداد دستگاه‌های پرمصرف-انرژی-در سمت کاربر در حال افزایش است که منجر به الزامات سختگیرانه‌تر فزاینده‌ای برای خدمات برق تصفیه شده می‌شود. شناسایی بار کاربر برای طراحی استراتژی‌های صرفه‌جویی انرژی برای شبکه‌های هوشمند بسیار مهم است. شناسایی بار اساساً شامل نمونه‌برداری و تجزیه و تحلیل داده‌های مصرف برق جانبی کاربر برای شناسایی دستگاه‌های پرمصرف-انرژی{10} می‌شود و در نتیجه به کاربران کمک می‌کند الگوهای مصرف برق موجود خود را بهبود بخشند. در حال حاضر، اکثر شبکه‌های هوشمند در کشور من از فناوری شناسایی بار نفوذی استفاده می‌کنند، و برای جمع‌آوری اطلاعات مصرف انرژی برای هر بار کاربر{12}از یک حسگر استفاده می‌کنند. با این حال، این فناوری شناسایی نه‌تنها{14}}زمان‌گیر و کار{15}}فشار است، بلکه برای اطمینان از جمع‌آوری اطلاعات انرژی کارآمد تلاش می‌کند و مانع از توسعه سالم شبکه‌های هوشمند می‌شود. بنابراین، این مقاله از فناوری متر هوشمند برای مطالعه یک روش شناسایی بار شبکه هوشمند غیرتهاجمی- برای ترویج توسعه کار شناسایی بار شبکه هوشمند در جهت هوشمندی استفاده می‌کند.

طراحی شناسایی بار شبکه هوشمند بر اساس فناوری کنتور هوشمند

جمع آوری داده های شبکه هوشمند بر اساس کنتورهای هوشمند

در حال حاضر، تعداد فزاینده‌ای از دستگاه‌های الکتریکی پرمصرف-که نیازهای سبک زندگی متنوع افراد را برآورده می‌کنند، توجه گسترده‌ای را به خود جلب می‌کنند. در سمت کاربر یک شبکه هوشمند، هر خانواده ممکن است چندین یا حتی ده ها دستگاه الکتریکی داشته باشد. با توجه به اصول مختلف عملیات و ویژگی های الکتریکی این دستگاه ها، شناسایی بار نیازمند زمان و تلاش قابل توجهی برای جمع آوری داده های قدرت از این دستگاه ها است که تا حدی توسعه شبکه های هوشمند را محدود می کند. برای این منظور، این مقاله فناوری متر هوشمند را برای طراحی یک تکنیک شناسایی بار غیرتهاجمی معرفی می‌کند. ابتدا، کنتورهای هوشمند برای جمع‌آوری داده‌های مصرف برق در سمت کاربر شبکه هوشمند استفاده می‌شوند. کنتورهای هوشمند نیازی به نصب در منزل کاربر ندارند. آنها را می توان به سادگی بر روی گذرگاه جانبی کاربر شبکه هوشمند- نصب کرد. تراشه اندازه گیری در کنتور هوشمند داده های برق مانند ولتاژ، جریان و برق را از دستگاه های خانگی کاربر جمع آوری می کند و این داده ها را از طریق رابط SPI منتقل می کند. هنگام استفاده از کنتورهای هوشمند برای جمع‌آوری داده‌های مصرف برق در سمت کاربر شبکه هوشمند، ویژگی‌های{11}حالت ثابت در این دستگاه‌ها در طول عملکرد پایدار مشاهده می‌شود. بنابراین، لازم است مقادیر موثر ولتاژ و جریان این دستگاه‌ها که نشان دهنده این ویژگی‌های حالت پایدار است، تعیین شود:

در فرمول، I₀مقدار مؤثر جریان در سمت کاربر شبکه هوشمند است. U₀مقدار مؤثر ولتاژ در سمت کاربر شبکه هوشمند است. N دوره نمونه برداری از کنتور هوشمند است. I(t) سیگنال فعلی جانبی کاربر است که توسط متر هوشمند جمع آوری می شود. U(t) سیگنال ولتاژ جانبی کاربر است که توسط کنتور هوشمند جمع آوری می شود.

توان تجهیزات الکتریکی در سمت کاربر شبکه هوشمند را نمی توان مستقیماً توسط کنتور هوشمند جمع آوری کرد. باید طبق فرمول (1) و فرمول (2) محاسبه شود. فرمول محاسبه به صورت زیر است:

در فرمول، P₀مقدار موثر توان فعال در سمت کاربر شبکه هوشمند است. f فرکانس نمونه برداری کنتور هوشمند است. و M فرکانس نمونه برداری کنتور هوشمند است. در طول کارکرد تجهیزات الکتریکی جانبی کاربر شبکه هوشمند، ویژگی‌های توان تجهیزات الکتریکی مختلف شکل‌های متفاوتی دارند و به طور قابل‌توجهی از یکدیگر متفاوت هستند. بنابراین، این مقاله از مقدار موثر توان بدست آمده با فرمول (3) به عنوان یکی از داده های معتبر برای شناسایی بار شبکه هوشمند استفاده می کند.

کنتورهای هوشمند می توانند با دستگاه های الکتریکی مختلف در خانواده های کاربر مختلف سازگار شوند. بار توان جمع‌آوری‌شده دقت و پایداری بالایی دارد و آن‌ها را برای شناسایی هوشمند بار شبکه مناسب می‌کند.

پیش پردازش داده های شبکه هوشمند

هنگام استفاده از کنتورهای هوشمند برای جمع‌آوری داده‌های برق جانبی کاربر برای شبکه‌های هوشمند، تداخل عوامل محیطی خارجی اجتناب‌ناپذیر است و منجر به ایجاد نویز و ناهنجاری در داده‌های جمع‌آوری‌شده می‌شود. بنابراین، پیش پردازش داده های جمع آوری شده قبل از شناسایی بار برای بهبود اثربخشی آن ضروری است. علاوه بر این، برای اطمینان از تعمیم‌پذیری فناوری شناسایی بار شبکه هوشمند، مجموعه داده بار مورد استفاده برای شناسایی باید در حالت ایده‌آل از انواع مختلف دستگاه‌های الکتریکی تشکیل شده باشد که از دو یا چند خانوار کاربر منشا می‌گیرند. این تضمین می کند که مجموعه داده بار مورد استفاده برای شناسایی مجموعه جامع تری از داده های بار را در بر می گیرد و شناسایی را تسهیل می کند.

ابتدا، یک فیلتر S{0}G برای حذف صدای کاربر{1}}داده‌های برق جانبی شبکه هوشمند استفاده می‌شود. فیلتر S-G یک فیلتر پایین- است که با سیگنال داده قدرت در حوزه زمان از طریق یک پنجره کشویی مطابقت دارد و در نتیجه سیگنال داده قدرت را صاف و حذف می‌کند. با فرض اینکه مجموعه داده‌های قدرت جانبی کاربر جمع‌آوری‌شده توسط متر هوشمند X=(x1, x2, …, xi, …, xn) باشد، این مقاله چند جمله‌ای ak-1 مرتبه‌ای را برای تناسب با مجموعه داده‌های جمع‌آوری‌شده می‌سازد. عبارت حذف نویز فیلتر SG به صورت زیر است:

در فرمول، Y_iداده های برق جانبی کاربر شبکه هوشمند پس از فیلتر کردن و صاف کردن است. a0, a1, a2,…, ak-1 ضرایب چند جمله ای هستند. پس از پردازش با فرمول (4)، پالس داده بار تا حد معینی صاف می شود و در نتیجه تداخل نویز را به طور موثر کاهش می دهد. سپس داده ها فیلتر و پردازش می شوند. هنگامی که متر هوشمند داده های بار سمت کاربر را جمع آوری می کند، خرابی های ناگهانی تجهیزات و سایر عوامل باعث ایجاد مقادیر غیرعادی در داده های جمع آوری شده می شود. این مقادیر غیرعادی تا حدی بر اثر شناسایی بار تأثیر می گذارد. بنابراین، قبل از انجام شناسایی بار شبکه هوشمند، لازم است مقادیر غیرعادی در داده های نمونه جمع آوری شده حذف شود. این مقاله از روش آستانه برای حذف داده های غیرعادی استفاده می کند. به بیان ساده، یک آستانه معقول از قبل تعیین می شود و داده های بار جمع آوری شده عبور می کنند. در طی فرآیند پیمایش، باری که از آستانه تعیین شده فراتر می رود حفظ می شود و باری که از آستانه تجاوز نمی کند حذف می شود و داده های حفظ شده استاندارد می شوند. فرمول محاسبه استاندارد به صورت زیر است:

جایی که Y' استاندارد شده شبکه هوشمند کاربر{0}}داده برق جانبی است. Y میانگین داده‌های برق جانبی کاربر شبکه هوشمند اصلی است. و Y₀انحراف استاندارد داده‌های برق جانبی کاربر شبکه هوشمند اولیه- است. در نهایت، داده‌های انرژی جانبی کاربر{2}}شبکه هوشمند که توسط فرآیند فوق از قبل پردازش شده‌اند، ترکیب می‌شوند تا یک مجموعه داده بار با کیفیت بالا برای شناسایی بار بعدی تشکیل شود.

ساخت یک مدل شبکه کانولوشنال موقت برای شناسایی بار

به طور کلی، داده‌های برق جانبی کاربر شبکه هوشمند جمع‌آوری‌شده توسط کنتورهای هوشمند همبستگی زمانی قوی را نشان می‌دهد. بنابراین، این مقاله یک مدل شبکه کانولوشنی موقت برای شناسایی بار شبکه هوشمند می سازد. شبکه کانولوشن موقت پیشرفتی در شبکه کانولوشن پایه است که عمدتاً از دو جزء تشکیل شده است: پیچیدگی گشاد شده علّی و اتصالات باقیمانده. پیچیدگی اتساع علّی یک ساختار یک طرفه است. به بیان ساده، سیگنال زمانی در لایه بعدی تنها با تکیه بر سیگنال زمان در لایه قبلی، بدون نشت داده های بار در زمان های دیگر، به دست می آید. بنابراین، مدل شناسایی ساخته شده با استفاده از شبکه کانولوشنال زمانی نیز یک مدل محدود اطلاعات{6}} است. علاوه بر این، خروجی لایه‌های کانولوشنال مدل تحت تأثیر عمق شبکه قرار می‌گیرد. بنابراین، در شناسایی بار عملی، برای جلوگیری از انفجار گرادیان ناشی از شبکه‌های عمیق‌تر، لازم است تعداد لایه‌های پیچیدگی علّی کاهش یا اندازه گام نمونه‌برداری پیچش گشاد شده افزایش یابد. با توجه به اتصالات باقی مانده در مدل، این مقاله از اتصالات پرش برای جلوگیری از عملکرد ضعیف آموزش مدل استفاده می کند. با فرض اینکه ورودی مدل شبکه کانولوشن موقت a و خروجی لایه اول f(a) باشد، شبکه عصبی رو به جلو بلوک باقیمانده از مدل شبکه کانولوشن زمانی را می توان به صورت زیر توصیف کرد:

جایی که ω1 و ω2 به ترتیب وزن لایه‌های کانولوشنی اول و دوم در مدل تشخیص شبکه کانولوشنال زمانی هستند. δ تابع فعال سازی است. سپس با توجه به فرمول (6) خروجی لایه کانولوشن دوم مدل بدست می آید:

جایی که g(a) خروجی دومین لایه کانولوشنال مدل تشخیص شبکه کانولوشنال زمانی است. فرآیند دستیابی به شناسایی بار شبکه هوشمند با استفاده از یک مدل شبکه کانولوشنی موقت در این مقاله به شرح زیر است: ابتدا، داده‌های جانبی کاربر شبکه هوشمند جمع‌آوری‌شده توسط کنتورهای هوشمند به مدل وارد می‌شود و ماژول استخراج ویژگی مدل ویژگی‌های داده‌های مصرف برق را استخراج می‌کند. سپس، مرحله آموزش مدل آغاز می شود و پارامترهایی مانند وزن ها و سوگیری ها را تنظیم می کند. به طور همزمان، انتشار به جلو و عقب داده ها با استفاده از یک تابع ضرر برای خروجی برچسب شناسایی بار هدف انجام می شود. به طور خلاصه، این مقاله با استفاده از فن‌آوری متر هوشمند، بارهای جانبی کاربر شبکه هوشمند-را شناسایی غیر مزاحم می‌کند.

تجزیه و تحلیل تجربی

آماده سازی تجربی

برای تأیید اثربخشی فناوری متر هوشمند در شبکه های هوشمند، یک آزمایش شبیه سازی با استفاده از مجموعه داده REDDD انجام شد. از آنجایی که آمار مصرف برق هر کاربر در مجموعه داده متفاوت است، مجموعه داده غربالگری و تقسیم بندی شد تا مجموعه داده آزمایشی نشان داده شده در جدول 1 به دست آید.

جدول 1 مجموعه داده های تجربی

همانطور که در جدول 1 نشان داده شده است، این آزمایش شناسایی بار از شش نوع بار تجهیزات الکتریکی در مجموعه داده REDD به عنوان داده های تجربی، با مجموع 1064 نمونه استفاده می کند. شکل موج جریان گذرا بارهای الکتریکی تجربی مختلف در شکل 1 نشان داده شده است.

图１ 实验电器负荷暂态电流波形

در این آزمایش، جریان گذرای هر بار تجهیزات الکتریکی توسط ویژگی‌های شکل موج چند بعدی استخراج شد و سپس از روش شناسایی بار طراحی‌شده در این مقاله برای طبقه‌بندی و شناسایی استفاده شد. در همان زمان، فناوری شناسایی بار شبکه هوشمند مبتنی بر LSTM و فناوری شناسایی بار شبکه هوشمند مبتنی بر شبکه عصبی به‌عنوان گروه‌های کنترل برای انجام آزمایش‌های شناسایی بر روی مجموعه داده‌های یکسان انتخاب شدند و نتایج شناسایی به‌دست آمد و سپس مقایسه و تجزیه و تحلیل شد.

تجزیه و تحلیل نتایج

برای مقایسه طبقه بندی بار و عملکرد شناسایی هر فناوری، میانگین خطای مطلق (MAE) به عنوان معیار ارزیابی استفاده شد و بیان آن عبارت است از:

جایی که MAE میانگین خطای مطلق (MAE) نتایج شناسایی بار برای شبکه های هوشمند است. T زمان تشخیص است. y_iمقدار بار واقعی در زمان i است. و x نتیجه شناسایی بار در زمان i است. این متریک در درجه اول خطای بین نتیجه شناسایی و بار واقعی را در یک لحظه خاص در یک دوره تشخیص خاص منعکس می کند و می تواند برای اندازه گیری دقت فناوری شناسایی بار شبکه هوشمند استفاده شود.

جدول 2 نشان می دهد که در مقایسه با فناوری شناسایی بار گروه کنترل، فناوری پیشنهادی به درجه خاصی از بهبود در شناسایی بارهای هر شش نوع تجهیزات الکتریکی دست می یابد. فناوری شناسایی بار پیشنهادی به میانگین خطای مطلق 1.135 کیلووات ساعت دست می یابد که در مقایسه با فناوری گروه کنترل به ترتیب 0.793 کیلووات ساعت و 1.435 کیلووات ساعت کاهش می یابد. این نشان می‌دهد که فناوری کنتور هوشمند مورد مطالعه در این مقاله برای شناسایی بار غیر نفوذی در شبکه‌های هوشمند مناسب است و دارای قابلیت جمع‌آوری اطلاعات و کاربرد برتر است. در مقایسه با سایر فناوری‌های شناسایی بار، فناوری مورد مطالعه در این مقاله می‌تواند به طور موثر داده‌های توان را از سمت کاربر شبکه هوشمند استخراج کند و اطلاعات دقیق مانند جریان گذرا را در داده‌های قدرت حفظ کند. در نهایت به مدل شبکه کانولوشنال موقت برای طبقه بندی اعمال می شود و در نتیجه قابلیت شناسایی بار را بهبود می بخشد.