การระบุโหลดกริดอัจฉริยะด้วยเทคโนโลยีมิเตอร์อัจฉริยะ

การแนะนำ

นับตั้งแต่ศตวรรษที่ 21 ไฟฟ้ากลายเป็นปัจจัยสำคัญที่สนับสนุนการพัฒนาเศรษฐกิจของประเทศของฉัน และมีบทบาทที่ไม่อาจทดแทนได้ในการอยู่รอดและการพัฒนาของมนุษย์ กริดอัจฉริยะใช้ประโยชน์จากเทคโนโลยีสมัยใหม่เพื่อใช้พลังงานหมุนเวียนอย่างเต็มที่ ขณะเดียวกันก็จ่ายพลังงานให้กับอุปกรณ์ปลายทาง ช่วยให้กำหนดเวลาที่ยืดหยุ่นและการจัดการไฟฟ้าอัจฉริยะ ในขณะที่กริดอัจฉริยะยังคงขยายตัวอย่างต่อเนื่อง จำนวนอุปกรณ์-ที่ใช้พลังงานสูง-ในฝั่งผู้ใช้ก็เพิ่มขึ้น ซึ่งนำไปสู่ข้อกำหนดที่เข้มงวดมากขึ้นสำหรับบริการไฟฟ้าที่ผ่านการกลั่นแล้ว การระบุภาระงานของผู้ใช้เป็นสิ่งสำคัญสำหรับการออกแบบ-กลยุทธ์การประหยัดพลังงานสำหรับโครงข่ายอัจฉริยะ การระบุโหลดเกี่ยวข้องกับการสุ่มตัวอย่างและการวิเคราะห์ข้อมูลการใช้ไฟฟ้าฝั่งผู้ใช้-เป็นหลัก เพื่อระบุอุปกรณ์ที่ใช้-พลังงานสูง- ซึ่งจะช่วยผู้ใช้ในการปรับปรุงรูปแบบการใช้ไฟฟ้าที่มีอยู่ ปัจจุบัน กริดอัจฉริยะส่วนใหญ่ในประเทศของฉันใช้เทคโนโลยีระบุโหลดที่รบกวน โดยติดตั้งเซ็นเซอร์สำหรับผู้ใช้แต่ละราย-โหลดด้านข้างเพื่อรวบรวมข้อมูลการใช้พลังงาน อย่างไรก็ตาม เทคโนโลยีการระบุตัวตนนี้ไม่เพียงแต่ใช้เวลา-และใช้แรงงาน-มากเท่านั้น แต่ยังต้องดิ้นรนเพื่อให้แน่ใจว่าการรวบรวมข้อมูลพลังงานมีประสิทธิภาพ ซึ่งเป็นอุปสรรคต่อการพัฒนากริดอัจฉริยะที่ดี ดังนั้น บทความนี้จึงใช้เทคโนโลยีมิเตอร์อัจฉริยะเพื่อศึกษา-วิธีการระบุโหลดกริดอัจฉริยะที่ไม่รุกราน เพื่อส่งเสริมการพัฒนางานระบุโหลดกริดอัจฉริยะในทิศทางของสติปัญญา

การออกแบบการระบุโหลดกริดอัจฉริยะที่ใช้เทคโนโลยีมิเตอร์อัจฉริยะ

การรวบรวมข้อมูลกริดอัจฉริยะตามมิเตอร์อัจฉริยะ

ในปัจจุบัน อุปกรณ์ไฟฟ้าที่ใช้-พลังงานสูง-จำนวนมากขึ้นเรื่อยๆ ซึ่งตอบสนองความต้องการด้านไลฟ์สไตล์ที่หลากหลายของผู้คนกำลังดึงดูดความสนใจอย่างกว้างขวาง ในด้านผู้ใช้กริดอัจฉริยะ แต่ละครัวเรือนอาจมีอุปกรณ์ไฟฟ้าหลายสิบชิ้นหรือหลายสิบชิ้น เนื่องจากหลักการทำงานและคุณลักษณะทางไฟฟ้าที่หลากหลายของอุปกรณ์เหล่านี้ การระบุโหลดจึงต้องใช้เวลาและความพยายามอย่างมากในการรวบรวมข้อมูลพลังงานจากอุปกรณ์เหล่านี้ ซึ่งจำกัดการพัฒนากริดอัจฉริยะในระดับหนึ่ง ด้วยเหตุนี้ บทความนี้จึงแนะนำเทคโนโลยีมิเตอร์อัจฉริยะเพื่อออกแบบเทคนิคการระบุโหลดแบบไม่รุกราน- ประการแรก มิเตอร์อัจฉริยะจะถูกใช้เพื่อรวบรวมข้อมูลการใช้พลังงานจากฝั่งผู้ใช้ของโครงข่ายอัจฉริยะ ไม่จำเป็นต้องติดตั้งมิเตอร์อัจฉริยะในบ้านของผู้ใช้ สามารถติดตั้งได้บนไซด์บัสผู้ใช้สมาร์ทกริด- ชิปวัดแสงในมิเตอร์อัจฉริยะจะรวบรวมข้อมูลพลังงาน เช่น แรงดัน กระแส และพลังงาน จากอุปกรณ์ในบ้านของผู้ใช้ และส่งข้อมูลนี้ผ่านอินเทอร์เฟซ SPI เมื่อใช้มิเตอร์อัจฉริยะเพื่อรวบรวมข้อมูลการใช้พลังงานที่ฝั่งผู้ใช้ของกริดอัจฉริยะ จะสังเกตลักษณะ-สถานะคงที่ในอุปกรณ์เหล่านี้ระหว่างการทำงานที่เสถียร ดังนั้นจึงจำเป็นต้องกำหนดค่าประสิทธิผลของแรงดันและกระแสของอุปกรณ์เหล่านี้ ซึ่งแสดงถึงลักษณะเฉพาะของสถานะคงที่-เหล่านี้:

ในสูตร I₀คือค่าประสิทธิผลของกระแสไฟฟ้าที่ฝั่งผู้ใช้ของโครงข่ายอัจฉริยะ คุณ₀คือค่าประสิทธิผลของแรงดันไฟฟ้าที่ฝั่งผู้ใช้ของโครงข่ายอัจฉริยะ N คือระยะเวลาสุ่มตัวอย่างของมิเตอร์อัจฉริยะ I(t) คือสัญญาณกระแสด้านข้างของผู้ใช้-ที่รวบรวมโดยมิเตอร์อัจฉริยะ U(t) คือสัญญาณแรงดันไฟฟ้าฝั่งผู้ใช้-ที่มิเตอร์อัจฉริยะรวบรวมไว้

มิเตอร์อัจฉริยะไม่สามารถรวบรวมกำลังของอุปกรณ์ไฟฟ้าฝั่งผู้ใช้กริดอัจฉริยะได้โดยตรง จะต้องคำนวณตามสูตร (1) และสูตร (2) สูตรการคำนวณคือ:

ในสูตร P₀คือค่าประสิทธิผลของกำลังไฟฟ้าที่ใช้งานอยู่ฝั่งผู้ใช้โครงข่ายอัจฉริยะ f คือความถี่สุ่มตัวอย่างของมิเตอร์อัจฉริยะ และ M คือความถี่สุ่มตัวอย่างของมิเตอร์อัจฉริยะ ในระหว่างการทำงานของอุปกรณ์ไฟฟ้าด้านข้างของผู้ใช้กริดอัจฉริยะ- คุณลักษณะด้านพลังงานของอุปกรณ์ไฟฟ้าต่างๆ มีรูปแบบที่แตกต่างกันและแตกต่างกันอย่างมีนัยสำคัญ ดังนั้นบทความนี้จึงใช้ค่าประสิทธิผลของพลังงานที่ได้รับจากสูตร (3) เป็นหนึ่งในข้อมูลที่ถูกต้องสำหรับการระบุโหลดกริดอัจฉริยะ

มิเตอร์อัจฉริยะสามารถปรับให้เข้ากับอุปกรณ์ไฟฟ้าต่างๆ ในครัวเรือนของผู้ใช้ที่แตกต่างกัน โหลดไฟฟ้าที่รวบรวมได้มีความแม่นยำและความเสถียรสูง ทำให้เหมาะสำหรับการระบุโหลดกริดอัจฉริยะ

กำลังประมวลผลข้อมูลกริดอัจฉริยะล่วงหน้า

เมื่อใช้มิเตอร์อัจฉริยะเพื่อเก็บรวบรวม-ข้อมูลไฟฟ้าฝั่งผู้ใช้สำหรับโครงข่ายอัจฉริยะ การรบกวนจากปัจจัยด้านสิ่งแวดล้อมภายนอกเป็นสิ่งที่หลีกเลี่ยงไม่ได้ ส่งผลให้เกิดเสียงรบกวนและความผิดปกติในข้อมูลที่รวบรวม ดังนั้น การประมวลผลข้อมูลที่รวบรวมไว้ล่วงหน้าจึงมีความจำเป็นก่อนการระบุปริมาณงานเพื่อปรับปรุงประสิทธิภาพ นอกจากนี้ เพื่อให้มั่นใจว่าเทคโนโลยีระบุโหลดกริดอัจฉริยะสามารถใช้งานทั่วไปได้ ชุดข้อมูลโหลดที่ใช้เพื่อระบุตัวตนควรประกอบด้วยอุปกรณ์ไฟฟ้าประเภทต่างๆ ที่มาจากครัวเรือนผู้ใช้ตั้งแต่สองครัวเรือนขึ้นไป เพื่อให้แน่ใจว่าชุดข้อมูลโหลดที่ใช้ในการระบุตัวตนจะครอบคลุมชุดข้อมูลโหลดที่ครอบคลุมมากขึ้น ซึ่งช่วยอำนวยความสะดวกในการระบุตัวตน

ขั้นแรก ตัวกรอง S-G ใช้เพื่อปฏิเสธข้อมูลพลังงานด้านผู้ใช้-ของโครงข่ายอัจฉริยะ ตัวกรอง S-G เป็นตัวกรองความถี่ต่ำ-ที่เหมาะกับสัญญาณข้อมูลกำลังในโดเมนเวลาผ่านหน้าต่างแบบเลื่อน ดังนั้นจึงทำให้สัญญาณข้อมูลกำลังมีความราบรื่นและลดลง สมมติว่าชุดข้อมูลกำลังด้านข้างของผู้ใช้-ที่รวบรวมโดยมิเตอร์อัจฉริยะคือ X=(x1, x2, …, xi, …, xn) บทความนี้จะสร้างพหุนาม AK-1 ลำดับเพื่อให้พอดีกับชุดข้อมูลที่รวบรวม การแสดงออกในการลดสัญญาณรบกวนของตัวกรอง SG คือ:

ในสูตร Y_iเป็นข้อมูลด้านพลังงานของผู้ใช้-ของโครงข่ายอัจฉริยะหลังจากการกรองและปรับให้เรียบ a0, a1, a2, …, ak-1 คือสัมประสิทธิ์พหุนาม หลังจากประมวลผลด้วยสูตร (4) แล้ว พัลส์ข้อมูลโหลดจะถูกปรับให้เรียบในระดับหนึ่ง ซึ่งช่วยลดสัญญาณรบกวนได้อย่างมีประสิทธิภาพ จากนั้นข้อมูลจะถูกกรองและประมวลผล เมื่อสมาร์ทมิเตอร์รวบรวมข้อมูลโหลดฝั่งผู้ใช้ ความล้มเหลวของอุปกรณ์กะทันหันและปัจจัยอื่นๆ จะทำให้เกิดค่าผิดปกติในข้อมูลที่รวบรวม ค่าที่ผิดปกติเหล่านี้จะส่งผลต่อเอฟเฟกต์การระบุโหลดในระดับหนึ่ง ดังนั้น ก่อนที่จะดำเนินการระบุโหลดกริดอัจฉริยะ จำเป็นต้องลบค่าที่ผิดปกติในข้อมูลตัวอย่างที่รวบรวมไว้ บทความนี้ใช้วิธีการเกณฑ์เพื่อลบข้อมูลที่ผิดปกติ พูดง่ายๆ ก็คือ มีการตั้งค่าเกณฑ์ที่เหมาะสมไว้ล่วงหน้า และข้อมูลโหลดที่รวบรวมไว้จะถูกข้ามไป ในระหว่างกระบวนการแวะผ่าน โหลดที่เกินขีดจำกัดที่ตั้งไว้จะถูกเก็บไว้ และโหลดที่ไม่เกินขีดจำกัดจะถูกลบออก และข้อมูลที่เก็บไว้จะเป็นมาตรฐาน สูตรการคำนวณมาตรฐานคือ:

โดยที่ Y′ คือข้อมูลด้านพลังงานของผู้ใช้โครงข่ายอัจฉริยะ-ที่เป็นมาตรฐาน Y คือค่าเฉลี่ยของข้อมูลพลังงานด้านข้างของผู้ใช้กริดอัจฉริยะ- และ Y₀คือค่าเบี่ยงเบนมาตรฐานของข้อมูลพลังงานด้านข้างของผู้ใช้สมาร์ทกริดดั้งเดิม- สุดท้ายนี้ ข้อมูลพลังงานด้านข้างของผู้ใช้กริดอัจฉริยะ-ที่ประมวลผลล่วงหน้าโดยกระบวนการข้างต้นจะถูกรวมเข้าด้วยกันเพื่อสร้างชุดข้อมูลโหลดคุณภาพสูง-สำหรับการระบุโหลดในภายหลัง

การสร้างแบบจำลองเครือข่าย Convolutional ชั่วคราวสำหรับการระบุโหลด

โดยทั่วไปแล้ว ข้อมูลพลังงานด้านข้างของผู้ใช้กริดอัจฉริยะ-ที่รวบรวมโดยมิเตอร์อัจฉริยะจะแสดงความสัมพันธ์ทางเวลาที่แข็งแกร่ง ดังนั้น บทความนี้จึงสร้างแบบจำลองเครือข่ายแบบหมุนวนชั่วคราวสำหรับการระบุโหลดกริดอัจฉริยะ โครงข่ายขดลวดชั่วคราวเป็นการปรับปรุงโครงข่ายขดลวดพื้นฐาน โดยส่วนใหญ่ประกอบด้วยสององค์ประกอบ: โครงข่ายเกลียวขยายเชิงสาเหตุ และการเชื่อมต่อที่เหลือ การบิดแบบขยายเชิงสาเหตุเป็นโครงสร้างแบบทิศทางเดียว พูดง่ายๆ ก็คือ สัญญาณเวลาในเลเยอร์ถัดไปสามารถรับได้โดยการอาศัยสัญญาณเวลาในเลเยอร์ก่อนหน้าเท่านั้น โดยไม่ทำให้ข้อมูลโหลดรั่วไหลในเวลาอื่น ดังนั้น โมเดลการรู้จำที่สร้างขึ้นโดยใช้เครือข่ายแบบหมุนวนชั่วคราวจึงเป็นโมเดลแบบจำกัดข้อมูล-เช่นกัน นอกจากนี้ ผลลัพธ์ของเลเยอร์การบิดเบี้ยวของโมเดลยังได้รับผลกระทบจากความลึกของเครือข่ายอีกด้วย ดังนั้น ในการระบุโหลดในทางปฏิบัติ จำเป็นต้องลดจำนวนชั้นของการบิดงอเชิงสาเหตุ หรือเพิ่มขนาดขั้นตอนการสุ่มตัวอย่างของการบิดแบบขยาย เพื่อหลีกเลี่ยงการระเบิดของการไล่ระดับสีที่เกิดจากเครือข่ายที่ลึกกว่า เกี่ยวกับการเชื่อมต่อที่เหลือในโมเดล เอกสารนี้ใช้การเชื่อมต่อแบบข้ามเพื่อป้องกันประสิทธิภาพการฝึกโมเดลที่ไม่ดี สมมติว่าอินพุตของโมเดลเครือข่าย Convolutional ชั่วคราวคือ a และเอาต์พุตของเลเยอร์แรกคือ f (a) เครือข่ายประสาทไปข้างหน้าของบล็อกที่เหลือของโมเดลเครือข่าย Convolutional ชั่วคราวสามารถอธิบายได้เป็น:

โดยที่ ω1 และ ω2 คือน้ำหนักของเลเยอร์ convolutional ที่หนึ่งและที่สองในแบบจำลองการจดจำเครือข่าย convolutional ชั่วคราวตามลำดับ δ คือฟังก์ชันการเปิดใช้งาน จากนั้นตามสูตร (6) สามารถรับเอาต์พุตของเลเยอร์ convolutional ที่สองของแบบจำลองได้:

โดยที่ g (a) คือเอาต์พุตของเลเยอร์การบิดตัวที่สองของโมเดลการรู้จำเครือข่ายแบบหมุนวนชั่วคราว กระบวนการในการบรรลุการระบุโหลดกริดอัจฉริยะโดยใช้แบบจำลองเครือข่ายแบบหมุนวนชั่วคราวในบทความนี้มีดังต่อไปนี้: ขั้นแรก ข้อมูลด้านข้างของผู้ใช้กริดอัจฉริยะ-ที่รวบรวมโดยมิเตอร์อัจฉริยะจะถูกป้อนเข้าไปในแบบจำลอง และโมดูลการแยกคุณลักษณะของโมเดลจะแยกคุณลักษณะของข้อมูลการใช้ไฟฟ้า จากนั้น ระยะการฝึกโมเดลจะเริ่มต้นขึ้น โดยตั้งค่าพารามิเตอร์ เช่น น้ำหนักและอคติ การแพร่กระจายข้อมูลไปข้างหน้าและย้อนกลับพร้อมกันจะดำเนินการโดยใช้ฟังก์ชันการสูญเสียเพื่อส่งออกฉลากการระบุของโหลดเป้าหมาย โดยสรุป เอกสารนี้ช่วยให้สามารถระบุตัวตนของผู้ใช้กริดอัจฉริยะ-ได้โดยไม่รบกวนผู้ใช้กริดด้านข้างโดยใช้เทคโนโลยีมิเตอร์อัจฉริยะ

การวิเคราะห์เชิงทดลอง

การเตรียมการทดลอง

เพื่อตรวจสอบประสิทธิภาพของเทคโนโลยีมิเตอร์อัจฉริยะในกริดอัจฉริยะ จึงมีการทดลองจำลองโดยใช้ชุดข้อมูล REDDD เนื่องจากสถิติการใช้ไฟฟ้าของผู้ใช้แต่ละรายในชุดข้อมูลมีความแตกต่างกัน ชุดข้อมูลจึงถูกคัดกรองและแบ่งพาร์ติชันเพื่อให้ได้ชุดข้อมูลทดลองที่แสดงในตารางที่ 1

ตารางที่ 1 ชุดข้อมูลการทดลอง

ดังที่แสดงในตารางที่ 1 การทดลองระบุโหลดนี้ใช้โหลดอุปกรณ์ไฟฟ้า 6 ประเภทในชุดข้อมูล REDD เป็นข้อมูลการทดลอง โดยมีตัวอย่างทั้งหมด 1,064 ตัวอย่าง รูปคลื่นกระแสชั่วคราวของโหลดไฟฟ้าทดลองต่างๆ แสดงในรูปที่ 1

图１ 实验电器负荷暂态电流波形

ในการทดลองนี้ กระแสไฟฟ้าชั่วคราวของโหลดอุปกรณ์ไฟฟ้าแต่ละตัวถูกแยกออกมาโดยใช้คุณลักษณะรูปคลื่นหลาย- มิติ จากนั้นจึงใช้วิธีการระบุโหลดที่ออกแบบในบทความนี้เพื่อจำแนกประเภทและระบุตัวตน ในเวลาเดียวกัน เทคโนโลยีการระบุโหลดกริดอัจฉริยะที่ใช้ LSTM และเทคโนโลยีระบุโหลดกริดอัจฉริยะที่ใช้โครงข่ายประสาทเทียมได้รับเลือกเป็นกลุ่มควบคุมเพื่อทำการทดสอบการระบุตัวตนบนชุดข้อมูลเดียวกัน จากนั้นจึงรับผลลัพธ์การระบุตัวตน จากนั้นเปรียบเทียบและวิเคราะห์

การวิเคราะห์ผลลัพธ์

เพื่อเปรียบเทียบการจำแนกโหลดและประสิทธิภาพการระบุของแต่ละเทคโนโลยี ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) ถูกใช้เป็นตัวชี้วัดการประเมิน และการแสดงออกของมันคือ:

โดยที่ MAE คือค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ของผลลัพธ์การระบุโหลดสำหรับกริดอัจฉริยะ T คือเวลาในการตรวจจับ ย_iคือค่าโหลดจริง ณ เวลา i; และ x คือผลลัพธ์การระบุโหลด ณ เวลา i ตัวชี้วัดนี้สะท้อนถึงข้อผิดพลาดระหว่างผลลัพธ์การระบุและโหลดจริงในช่วงเวลาที่กำหนดภายในระยะเวลาการตรวจจับที่กำหนดเป็นหลัก และสามารถใช้เพื่อวัดความแม่นยำของเทคโนโลยีการระบุโหลดกริดอัจฉริยะ

ตารางที่ 2 แสดงให้เห็นว่าเมื่อเปรียบเทียบกับเทคโนโลยีการระบุโหลดของกลุ่มควบคุม เทคโนโลยีที่นำเสนอได้รับการปรับปรุงในระดับหนึ่งในการระบุโหลดของอุปกรณ์ไฟฟ้าทั้งหกประเภท เทคโนโลยีการระบุโหลดที่นำเสนอมีข้อผิดพลาดเฉลี่ยสัมบูรณ์ที่ 1.135 kWh ซึ่งลดลง 0.793 kWh และ 1.435 kWh ตามลำดับ เมื่อเปรียบเทียบกับเทคโนโลยีกลุ่มควบคุม นี่แสดงให้เห็นว่าเทคโนโลยีมิเตอร์อัจฉริยะที่ศึกษาในบทความนี้เหมาะสำหรับการระบุโหลดที่ไม่รบกวน-ในกริดอัจฉริยะ และมีความสามารถในการรวบรวมข้อมูลและการใช้งานที่เหนือกว่า เมื่อเปรียบเทียบกับเทคโนโลยีการระบุภาระอื่นๆ เทคโนโลยีที่ศึกษาในบทความนี้สามารถดึงข้อมูลพลังงานจากด้านผู้ใช้ของโครงข่ายอัจฉริยะได้อย่างมีประสิทธิภาพ และเก็บรักษาข้อมูลโดยละเอียด เช่น กระแสไฟฟ้าชั่วคราว ในข้อมูลพลังงาน ในที่สุดมันก็ถูกนำไปใช้กับโมเดลเครือข่าย convolutional ชั่วคราวสำหรับการจำแนกประเภท ซึ่งจะช่วยปรับปรุงความสามารถในการระบุโหลด