Zavedení
Od 21. století se elektřina stala klíčovým faktorem podporujícím národní ekonomický rozvoj mé země a hraje nezastupitelnou roli v přežití a rozvoji lidstva. Chytré sítě využívají moderní technologie k plnému využití obnovitelné energie a zároveň poskytují energii koncovým zařízením, což umožňuje flexibilní plánování a inteligentní řízení elektřiny. Jak se inteligentní sítě neustále rozšiřují, počet zařízení s vysokou -energetickou-spotřebou na straně uživatelů roste, což vede ke stále přísnějším požadavkům na služby rafinované elektřiny. Identifikace zátěže uživatele je zásadní pro navrhování strategií-úspor energie pro chytré sítě. Identifikace zátěže primárně zahrnuje vzorkování a analýzu uživatelských-údajů o spotřebě elektřiny na straně uživatele, aby bylo možné identifikovat zařízení s vysokou-spotřebou energie{10}}, a tím uživatelům pomoci zlepšit jejich stávající vzorce spotřeby elektřiny. V současné době většina chytrých sítí v mé zemi používá technologii identifikace rušivé zátěže, která využívá senzor pro každou uživatelskou-stranu zátěže ke shromažďování informací o spotřebě energie. Tato technologie identifikace je však nejen časově -náročná a pracná{15}}, ale také se snaží zajistit efektivní sběr informací o energii, což brání zdravému rozvoji chytrých sítí. Tento dokument proto využívá technologii inteligentních měřičů ke studiu neinvazivní metody identifikace zátěže inteligentní sítě, aby podpořil rozvoj práce na identifikaci zátěže inteligentní sítě ve směru inteligence.
Návrh identifikace zatížení sítě Smart Grid založený na technologii Smart Meter
Sběr dat inteligentní sítě na základě inteligentních měřičů
V současné době přitahuje širokou pozornost rostoucí počet elektrických zařízení s vysokou{0}}spotřebou energie-, která vyhovují různým životním potřebám lidí. Na uživatelské straně chytré sítě může každá domácnost vlastnit několik nebo i desítky elektrických zařízení. Vzhledem k různorodým principům fungování a elektrickým charakteristikám těchto zařízení vyžaduje identifikace zátěže značný čas a úsilí ke sběru dat o výkonu z těchto zařízení, což do určité míry omezuje rozvoj chytrých sítí. Za tímto účelem tento dokument představuje technologii inteligentních měřičů pro návrh -invazivní techniky identifikace zátěže. Za prvé, inteligentní měřiče se používají ke sběru údajů o spotřebě energie na uživatelské straně inteligentní sítě. Inteligentní měřiče nemusí být instalovány v domácnosti uživatele; lze je jednoduše nainstalovat na sběrnici-na straně uživatele inteligentní sítě. Měřicí čip v inteligentním elektroměru shromažďuje údaje o energii, jako je napětí, proud a výkon, z domácích zařízení uživatele a přenáší tato data přes rozhraní SPI. Při použití chytrých měřičů ke sběru údajů o spotřebě energie na uživatelské straně chytré sítě jsou v těchto zařízeních během stabilního provozu pozorovány charakteristiky ustáleného stavu. Proto je nutné určit efektivní hodnoty napětí a proudu těchto zařízení, které představují tyto ustálené{13}}charakteristiky:

Ve vzorci I0je efektivní hodnota proudu na uživatelské straně chytré sítě; U0je efektivní hodnota napětí na uživatelské straně chytré sítě; N je perioda vzorkování inteligentního měřiče; I(t) je aktuální-signál na straně uživatele shromážděný inteligentním měřičem; U(t) je napěťový signál na straně uživatele-shromážděný inteligentním měřičem.
Výkon elektrického zařízení na uživatelské straně inteligentní sítě nemůže být přímo shromažďován inteligentním měřičem. Je třeba jej vypočítat podle vzorce (1) a vzorce (2). Výpočtový vzorec je:

Ve vzorci P0je efektivní hodnota činného výkonu na straně uživatele inteligentní sítě; f je vzorkovací frekvence inteligentního měřiče; a M je vzorkovací frekvence inteligentního měřiče. Během provozu elektrických zařízení-na straně uživatele inteligentní sítě mají výkonové charakteristiky různých elektrických zařízení různé formy a navzájem se výrazně liší. Proto tento článek používá efektivní hodnotu výkonu získanou vzorcem (3) jako jeden z platných dat pro identifikaci zatížení inteligentní sítě.
Inteligentní měřiče se mohou přizpůsobit různým elektrickým zařízením v domácnostech různých uživatelů. Shromážděné výkonové zatížení má vysokou přesnost a stabilitu, díky čemuž je vhodné pro identifikaci zatížení inteligentní sítě.
Předzpracování dat inteligentní sítě
Při používání chytrých měřičů ke shromažďování údajů o elektřině na straně uživatele pro chytré sítě- je nevyhnutelné rušení vnějšími faktory prostředí, které má za následek šum a anomálie ve shromažďovaných datech. Proto je před identifikací zátěže nutné předzpracování shromážděných dat, aby se zlepšila její účinnost. Kromě toho, aby byla zajištěna zobecnitelnost technologie identifikace zatížení inteligentní sítě, soubor údajů o zatížení používaný k identifikaci by měl v ideálním případě sestávat z různých typů elektrických zařízení pocházejících ze dvou nebo více uživatelských domácností. Tím je zajištěno, že soubor dat o zátěži používaný k identifikaci zahrnuje komplexnější soubor dat o zatížení, což usnadňuje identifikaci.
Za prvé, S-G filtr se používá k potlačení šumu na uživatelských-údajích o výkonu chytré sítě. Filtr S-G je nízko{4}}propustný filtr, který přizpůsobuje datový signál výkonu v časové doméně pomocí posuvného okna, čímž dosahuje vyhlazení a potlačení šumu datového signálu výkonu. Za předpokladu, že uživatelská-sada údajů o spotřebě energie shromážděná inteligentním měřičem je X=(x1, x2, …, xi, …, xn), tento článek sestrojí ak-polynom 1 řádu, aby se vešel do shromážděné datové sady. Výraz pro odšumování SG filtru je:

Ve vzorci Yijsou údaje o výkonu-na straně uživatele inteligentní sítě po filtrování a vyhlazení; a0, a1, a2, …, ak-1 jsou polynomiální koeficienty. Po zpracování podle vzorce (4) se zátěžový datový impuls do určité míry vyhlazuje, čímž se účinně snižuje rušení šumem. Poté jsou data filtrována a zpracovávána. Když inteligentní měřič shromažďuje data o zatížení na straně uživatele, náhlé poruchy zařízení a další faktory způsobí abnormální hodnoty ve shromážděných datech. Tyto abnormální hodnoty do určité míry ovlivní efekt identifikace zátěže. Před provedením identifikace zatížení inteligentní sítě je proto nutné vymazat abnormální hodnoty ve shromážděných vzorových datech. Tento dokument používá metodu prahu k odstranění abnormálních dat. Jednoduše řečeno, předem se nastaví rozumný práh a nasbíraná data o zatížení se projdou. Během procesu procházení je zatížení, které překračuje nastavenou prahovou hodnotu, zachováno a zatížení, které prahovou hodnotu nepřekračuje, je vymazáno a uchovávaná data jsou standardizována. Vzorec pro výpočet standardizace je:

kde Y′ jsou standardizované údaje o výkonu{0}}na straně uživatele inteligentní sítě; Y je průměr původních dat o výkonu-na straně uživatele inteligentní sítě; a Y0je standardní odchylka původních{0}}údajů o výkonu na straně uživatele inteligentní sítě. Nakonec jsou data o napájení na straně uživatele inteligentní sítě-předzpracovaná výše uvedeným procesem zkombinována tak, aby vytvořila vysoce kvalitní soubor dat o zátěži pro následnou identifikaci zátěže.
Sestavení modelu dočasné konvoluční sítě pro identifikaci zátěže
Obecně řečeno, údaje o spotřebě energie na straně uživatele inteligentní sítě-vykazují silnou časovou korelaci. Proto tento článek konstruuje model časové konvoluční sítě pro identifikaci zatížení inteligentní sítě. Časová konvoluční síť je vylepšením základní konvoluční sítě, která se primárně skládá ze dvou složek: kauzální dilatované konvoluce a reziduálních spojení. Kauzální dilatovaná konvoluce je jednosměrná struktura. Jednoduše řečeno, časový signál v další vrstvě lze získat pouze spoléháním se na časový signál v předchozí vrstvě, aniž by došlo k úniku dat o zatížení v jiných časech. Proto je model rozpoznávání vytvořený pomocí časové konvoluční sítě také modelem s omezením informací-. Kromě toho je výstup konvolučních vrstev modelu ovlivněn hloubkou sítě. Proto je při praktické identifikaci zátěže nutné snížit počet vrstev kauzální konvoluce nebo zvětšit velikost kroku vzorkování dilatované konvoluce, aby se předešlo gradientní explozi způsobené hlubšími sítěmi. Pokud jde o zbytková spojení v modelu, tento článek používá přeskočená spojení, aby se zabránilo špatnému výkonu trénování modelu. Za předpokladu, že vstupem modelu časové konvoluční sítě je a a výstupem první vrstvy je f(a), lze dopřednou neuronovou síť zbytkového bloku modelu časové konvoluční sítě popsat jako:

Kde ω1 a ω2 jsou váhy první a druhé konvoluční vrstvy v modelu rozpoznávání časové konvoluční sítě; δ je aktivační funkce. Poté lze podle vzorce (6) získat výstup druhé konvoluční vrstvy modelu:

Kde g(a) je výstupem druhé konvoluční vrstvy modelu rozpoznávání časové konvoluční sítě. Proces identifikace zatížení inteligentní sítě pomocí modelu dočasné konvoluční sítě v tomto dokumentu je následující: Nejprve se do modelu vloží uživatelská-data inteligentní sítě a modul pro extrakci prvků modelu extrahuje vlastnosti údajů o spotřebě elektřiny. Poté začíná fáze modelového tréninku, kde se nastavují parametry, jako jsou váhy a odchylky. Současně se provádí dopředné a zpětné šíření dat pomocí funkce ztráty pro výstup identifikačního štítku cílové zátěže. Stručně řečeno, tento dokument dosahuje -nedotěrné identifikace vedlejších zátěží uživatelů inteligentní sítě-pomocí technologie inteligentních měřičů.
Experimentální analýza
Experimentální příprava
Pro ověření účinnosti technologie inteligentních měřičů v inteligentních sítích byl proveden simulační experiment s použitím datové sady REDDD. Protože se statistiky spotřeby elektřiny každého uživatele v datové sadě liší, byla datová sada prověřena a rozdělena, aby se získala experimentální datová sada uvedená v tabulce 1.
Tabulka 1 Experimentální datový soubor
| Typ spotřebiče | Školicí datová sada | Testovací datový soubor | ||
|---|---|---|---|---|
| ID uživatele | Velikost vzorku | ID uživatele | Velikost vzorku | |
| Lednička | 1, 6, 7 | 128 | 5, 8 | 52 |
| Pračka | 2, 5, 9 | 131 | 4, 10 | 56 |
| Mikrovlnná trouba | 1, 3, 4, 10, 12 | 157 | 5, 11 | 83 |
| Klimatizace | 2, 3, 5, 6, 10 | 109 | 6, 12 | 43 |
| Ohřívač vody | 4, 9, 11, 12 | 113 | 7, 10 | 44 |
| Počítač | 2, 4, 10, 12 | 102 | 8, 9 | 46 |
Jak je uvedeno v tabulce 1, tento experiment identifikace zátěže používá šest typů zátěží elektrických zařízení v datovém souboru REDD jako experimentální data s celkovým počtem 1064 vzorků. Průběhy přechodových proudů různých experimentálních elektrických zátěží jsou znázorněny na obrázku 1.

图1 实验电器负荷暂态电流波形
V tomto experimentu byl přechodový proud každé zátěže elektrického zařízení extrahován pomocí vícerozměrných prvků tvaru vlny a poté byla pro klasifikaci a identifikaci použita metoda identifikace zátěže navržená v tomto článku. Současně byly vybrány technologie identifikace zátěže inteligentní sítě založené na LSTM a technologie identifikace zátěže inteligentní sítě založené na neuronové síti jako kontrolní skupiny pro provádění identifikačních testů na stejném souboru dat a výsledky identifikace byly získány a poté porovnány a analyzovány.
Analýza výsledků
Pro srovnání klasifikace zátěže a identifikační výkonnosti každé technologie byla jako hodnotící metrika použita střední absolutní chyba (MAE) a její vyjádření je:

Kde MAE je střední absolutní chyba (MAE) výsledků identifikace zátěže pro inteligentní sítě; T je doba detekce; yije skutečná hodnota zatížení v čase i; a x je výsledek identifikace zátěže v čase i. Tato metrika primárně odráží chybu mezi výsledkem identifikace a skutečným zatížením v konkrétním okamžiku v rámci konkrétní detekční periody a lze ji použít k měření přesnosti technologie identifikace zatížení inteligentní sítě.
Tabulka 2 ukazuje, že oproti technologii identifikace zátěže kontrolní skupiny dosahuje navržená technologie určitého stupně zlepšení v identifikaci zátěží všech šesti typů elektrických zařízení. Navržená technologie identifikace zátěže dosahuje střední absolutní chyby 1,135 kWh, což je snížení o 0,793 kWh, respektive 1,435 kWh oproti technologii kontrolní skupiny. To ukazuje, že technologie inteligentních měřičů studovaná v tomto dokumentu je vhodná pro -nedotěrnou identifikaci zátěže v inteligentních sítích a má vynikající možnosti sběru informací a aplikací. Ve srovnání s jinými technologiemi identifikace zátěže dokáže technologie studovaná v tomto dokumentu efektivně extrahovat výkonová data z uživatelské strany inteligentní sítě a uchovávat podrobné informace, jako je přechodový proud v energetických datech. Nakonec je aplikován na model časové konvoluční sítě pro klasifikaci, čímž se zlepšuje schopnost identifikace zátěže.





