Nutikas võrgu koormuse tuvastamine nutika arvesti tehnoloogiaga

Sissejuhatus

Alates 21. sajandist on elektrist saanud minu riigi majanduse arengut toetav võtmetegur ning sellel on asendamatu roll inimeste ellujäämises ja arengus. Nutikad võrgud võimendavad kaasaegseid tehnoloogiaid taastuvenergia täielikuks ärakasutamiseks, pakkudes samal ajal lõppseadmetele toidet, võimaldades paindlikku ajakava ja elektri intelligentset haldamist. Kuna nutikad võrgud laienevad jätkuvalt, suureneb kasutaja poolel palju energiat -tarbivate-seadmete arv, mis toob kaasa üha karmimad nõuded täiustatud elektriteenustele. Kasutaja koormuse tuvastamine on nutikate võrkude{6}energiasäästustrateegiate kavandamisel ülioluline. Koormuse tuvastamine hõlmab peamiselt proovide võtmist ja kasutajapoolsete{8}}elektrikasutuse andmete analüüsimist, et tuvastada-energiat{10}}tarbivad seadmed, aidates seeläbi kasutajatel oma olemasolevaid elektrikasutuse mustreid parandada. Praegu kasutab enamik minu riigi nutikaid võrke pealetükkivat koormuse tuvastamise tehnoloogiat, mis kasutab iga kasutaja{12}}külgkoormuse jaoks andurit, et koguda energiakasutusteavet. Kuid see identifitseerimistehnoloogia ei ole mitte ainult aega{14}}- ja töömahukas-, vaid sellel on ka raskusi tõhusa energiateabe kogumise tagamisega, mis takistab nutikate võrkude tervislikku arengut. Seetõttu kasutatakse selles artiklis nutikate arvestite tehnoloogiat, et uurida mitteinvasiivset nutika võrgu koormuse tuvastamise meetodit, et edendada nutika võrgu koormuse tuvastamise töö arendamist intelligentsuse suunas.

Nutivõrgu koormuse tuvastamise disain, mis põhineb nutika arvesti tehnoloogial

Nutivõrgu andmete kogumine arukate arvestite põhjal

Praegu tõmbab laialdast tähelepanu üha suurem hulk-energiat-tarbivaid elektriseadmeid, mis vastavad inimeste erinevatele elustiilivajadustele. Nutivõrgu kasutaja poolel võib iga leibkond omada mitut või isegi kümneid elektriseadmeid. Nende seadmete mitmekesiste tööpõhimõtete ja elektriliste omaduste tõttu nõuab koormuse tuvastamine nendelt seadmetelt võimsusandmete kogumiseks märkimisväärset aega ja vaeva, mis teatud määral piirab nutikate võrkude arengut. Sel eesmärgil tutvustatakse selles artiklis nutikate arvestite tehnoloogiat, et luua mitteinvasiivne koormuse tuvastamise tehnika. Esiteks kasutatakse nutikaid arvestiid elektritarbimise andmete kogumiseks nutika võrgu kasutaja poolel. Targad arvestid ei pea olema kasutaja koju paigaldatud; neid saab lihtsalt installida nutika võrgu kasutaja-poolsesse siini. Nutiarvestis olev mõõtekiip kogub kasutaja koduseadmetest võimsusandmeid, nagu pinge, vool ja võimsus, ning edastab need andmed SPI-liidese kaudu. Kui kasutate nutikaid arvestiid energiatarbimise andmete kogumiseks nutika võrgu kasutaja poolel, siis stabiilse töötamise ajal täheldatakse nendes seadmetes püsiseisundi omadusi. Seetõttu on vaja kindlaks määrata nende seadmete pinge ja voolu efektiivsed väärtused, mis esindavad neid püsiseisundi omadusi:

Valemis I₀on nutivõrgu kasutajapoolse voolu efektiivne väärtus; U₀on nutivõrgu kasutajapoolse pinge efektiivne väärtus; N on nutika arvesti proovivõtuperiood; I(t) on nutika arvesti kogutud kasutajapoolne{0}}voolusignaal; U(t) on nutika arvesti kogutud kasutajapoolne{1}}pingesignaal.

Nutivõrgu kasutajapoolsete elektriseadmete võimsust nutiarvestiga otseselt koguda ei saa. See tuleb arvutada valemi (1) ja valemi (2) järgi. Arvutusvalem on järgmine:

Valemis on P₀on aktiivvõimsuse efektiivne väärtus nutika võrgu kasutaja poolel; f on nutika arvesti diskreetimissagedus; ja M on nutika arvesti diskreetimissagedus. Nutivõrgu kasutajapoolsete{1}}poolsete elektriseadmete töötamise ajal on erinevate elektriseadmete võimsusomadused erineva kujuga ja erinevad üksteisest oluliselt. Seetõttu kasutatakse käesolevas artiklis valemiga (3) saadud võimsuse efektiivset väärtust ühe kehtiva teabena nutika võrgu koormuse tuvastamiseks.

Nutikad arvestid võivad kohaneda erinevate elektriseadmetega erinevates kasutajate leibkondades. Kogutud võimsuskoormusel on suur täpsus ja stabiilsus, mistõttu need sobivad nutika võrgukoormuse tuvastamiseks.

Nutivõrgu andmete eeltöötlus

Nutikate arvestite kasutamisel nutikate võrkude{0}}kasutajapoolse elektriandmete kogumiseks on väliste keskkonnategurite häired vältimatud, mille tulemuseks on kogutud andmetes müra ja kõrvalekalded. Seetõttu on kogutud andmete eeltöötlemine vajalik enne koormuse tuvastamist selle tõhususe suurendamiseks. Lisaks peaks nutika võrgu koormuse tuvastamise tehnoloogia üldistavuse tagamiseks ideaaljuhul identifitseerimiseks kasutatav koormuse andmestik koosnema erinevat tüüpi elektriseadmetest, mis pärinevad kahest või enamast kasutajaleibkonnast. See tagab, et identifitseerimiseks kasutatav koormuse andmekogum hõlmab ulatuslikumat koormusandmete kogumit, mis hõlbustab tuvastamist.

Esiteks kasutatakse S-G-filtrit nutivõrgu kasutajapoolsete-toiteandmete summutamiseks. S-G-filter on madalpääsfilter-, mis mahutab toiteandmesignaali ajapiirkonnas läbi libiseva akna, saavutades seeläbi toiteandmesignaali silumise ja müra vähendamise. Eeldades, et nutika arvesti kogutud kasutajapoolne-võimsusandmete kogum on X=(x1, x2, …, xi, …, xn), konstrueerib käesolev artikkel ak-ühe järgu polünoomi, mis sobib kogutud andmekogumiga. SG-filtri müra summutamise avaldis on:

Valemis Y_ion nutika võrgu kasutajapoolsed toiteandmed- pärast filtreerimist ja silumist; a0, a1, a2, …, ak-1 on polünoomkoefitsiendid. Pärast töötlemist valemiga (4) tasandatakse koormusandmete impulss teatud määral, vähendades seeläbi tõhusalt mürahäireid. Seejärel andmed filtreeritakse ja töödeldakse. Kui nutikas arvesti kogub kasutajapoolseid koormusandmeid, põhjustavad äkilised seadmerikked ja muud tegurid kogutud andmetes ebanormaalseid väärtusi. Need ebanormaalsed väärtused mõjutavad teatud määral koormuse tuvastamise efekti. Seetõttu tuleb enne nutivõrgu koormuse tuvastamist kustutada kogutud näidisandmetest ebanormaalsed väärtused. Selles artiklis kasutatakse ebanormaalsete andmete kustutamiseks läve meetodit. Lihtsamalt öeldes määratakse eelnevalt mõistlik lävi ja kogutud koormusandmed läbitakse. Läbimise käigus säilitatakse seatud läve ületav koormus, läve ületav koormus kustutatakse ning säilitatud andmed standardiseeritakse. Standardi arvutamise valem on järgmine:

kus Y′ on standardiseeritud nutika võrgu kasutaja{0}}poolsed toiteandmed; Y on algsete nutika võrgu kasutaja{1}}poolsete toiteandmete keskmine; ja Y₀on algsete nutika võrgu kasutaja{0}}poolsete toiteandmete standardhälve. Lõpuks kombineeritakse ülaltoodud protsessiga eeltöödeldud nutika võrgu kasutajapoolsed toiteandmed, et moodustada kvaliteetse-koormusandmekogum, mis võimaldab järgnevat koormust tuvastada.

Ajalise konvolutsioonilise võrgumudeli koostamine koormuse tuvastamiseks

Üldiselt on nutikate arvestite kogutud nutika võrgu kasutaja{0}}poolse võimsuse andmetel tugev ajaline korrelatsioon. Seetõttu konstrueeritakse selles artiklis ajaline konvolutsiooniline võrgumudel nutika võrgu koormuse tuvastamiseks. Ajaline konvolutsioonivõrk on põhikonvolutsioonivõrgu täiustus, mis koosneb peamiselt kahest komponendist: põhjuslik laienenud konvolutsioon ja jääkühendused. Põhjuslik laienenud konvolutsioon on ühesuunaline struktuur. Lihtsamalt öeldes saab järgmise kihi ajasignaali saada ainult eelmise kihi ajasignaalile tuginedes, ilma et muul ajal lekitaks koormusandmeid. Seetõttu on ajalise konvolutsioonivõrgu abil konstrueeritud tuvastusmudel ka teabega{6}}piiratud mudel. Lisaks mõjutab mudeli konvolutsioonikihtide väljundit võrgu sügavus. Seetõttu on praktilisel koormuse tuvastamisel vaja vähendada põhjuslike konvolutsioonikihtide arvu või suurendada laienenud konvolutsiooni valimi võtmise sammu suurust, et vältida sügavamate võrkude põhjustatud gradiendi plahvatust. Mudeli jääkühenduste osas kasutatakse käesolevas artiklis vahelejätmise ühendusi, et vältida mudeli halba treeningut. Eeldades, et ajalise konvolutsionaalvõrgu mudeli sisendiks on a ja esimese kihi väljundiks f(a), saab ajalise konvolutseeriva võrgu mudeli jääkploki pärisuunalist närvivõrku kirjeldada järgmiselt:

kus ω1 ja ω2 on vastavalt esimese ja teise konvolutsioonilise kihi kaalud ajalise konvolutsioonilise võrgutuvastuse mudelis; δ on aktiveerimisfunktsioon. Seejärel saab vastavalt valemile (6) saada mudeli teise konvolutsioonikihi väljundi:

Kus g(a) on ajalise konvolutsioonilise võrgutuvastusmudeli teise konvolutsioonikihi väljund. Protsess nutika võrgu koormuse tuvastamiseks ajalise konvolutsioonilise võrgumudeli abil selles artiklis on järgmine: esiteks sisestatakse mudelisse nutikate arvestite kogutud nutika võrgu kasutaja -poolsed andmed ja mudeli funktsioonide eraldamise moodul eraldab elektrikasutuse andmete funktsioonid. Seejärel algab mudelitreeningu faas, millega määratakse sellised parameetrid nagu kaalud ja kalded. Samal ajal toimub andmete edasi- ja tagasiliikumine, kasutades sihtkoormuse identifitseerimissildi väljastamiseks kadufunktsiooni. Kokkuvõttes saavutab see artikkel nutikate arvestite tehnoloogia abil -nutivõrgu kasutaja-külgkoormuse mittepealttungi tuvastamise.

Eksperimentaalne analüüs

Eksperimentaalne ettevalmistus

Arukate arvestite tehnoloogia tõhususe kontrollimiseks nutivõrkudes viidi läbi REDDD andmestiku abil simulatsioonikatse. Kuna andmestiku iga kasutaja elektrikasutuse statistika on erinev, sõeluti andmestik läbi ja jagati tabelis 1 näidatud eksperimentaalse andmestiku saamiseks.

Tabel 1 Eksperimentaalne andmestik

Nagu on näidatud tabelis 1, kasutatakse selles koormuse tuvastamise katses katseandmetena REDD-andmestiku kuut tüüpi elektriseadmete koormusi, kokku 1064 prooviga. Erinevate eksperimentaalsete elektriliste koormuste siirdevoolu lainekujud on näidatud joonisel 1.

图１ 实验电器负荷暂态电流波形

Selles katses eraldati iga elektriseadme koormuse siirdevool mitmemõõtmeliste lainekuju tunnuste abil ning seejärel kasutati klassifitseerimiseks ja tuvastamiseks käesolevas artiklis kavandatud koormuse tuvastamise meetodit. Samas valiti LSTM-il põhinev nutika võrgu koormuse identifitseerimise tehnoloogia ja närvivõrgul põhinev nutika võrgu koormuse tuvastamise tehnoloogia kontrollrühmadeks, et viia läbi sama andmestikuga identifitseerimiskatseid ning identifitseerimise tulemused saadi ning seejärel võrreldi ja analüüsiti.

Tulemuste analüüs

Iga tehnoloogia koormuse klassifikatsiooni ja identifitseerimise jõudluse võrdlemiseks kasutati hindamismõõdikuna keskmist absoluutset viga (MAE) ja selle väljend on:

kus MAE on arukate võrkude koormuse tuvastamise tulemuste keskmine absoluutviga (MAE); T on avastamise aeg; y_ion tegelik koormuse väärtus ajahetkel i; ja x on koormuse tuvastamise tulemus ajahetkel i. See mõõdik kajastab peamiselt viga identifitseerimise tulemuse ja tegeliku koormuse vahel konkreetsel tuvastusperioodi konkreetsel hetkel ning seda saab kasutada nutika võrgu koormuse tuvastamise tehnoloogia täpsuse mõõtmiseks.

Tabelist 2 on näha, et võrreldes kontrollrühma koormuse tuvastamise tehnoloogiaga saavutab pakutud tehnoloogia kõigi kuue elektriseadme tüübi koormuste tuvastamisel teatud paranemise. Kavandatav koormuse tuvastamise tehnoloogia saavutab keskmise absoluutvea 1,135 kWh, mis on vastavalt 0,793 kWh ja 1,435 kWh vähem võrreldes kontrollrühma tehnoloogiaga. See näitab, et käesolevas artiklis uuritud nutikate arvestite tehnoloogia sobib nutikate võrkude mittesissetungivaks koormuse tuvastamiseks{6}} ning sellel on suurepärased teabe kogumise ja rakenduse võimalused. Võrreldes muude koormuse tuvastamise tehnoloogiatega suudab käesolevas artiklis uuritud tehnoloogia tõhusalt eraldada nutika võrgu kasutajapoolsest võimsusandmeid ja säilitada toiteandmetes üksikasjalikku teavet, näiteks siirdevoolu. Lõpuks rakendatakse seda klassifitseerimiseks ajalise konvolutsioonilise võrgu mudelile, parandades seeläbi koormuse tuvastamise võimet.