Intelligens hálózati terhelés azonosítás Smart Meter technológiával

Sep 18, 2025 Hagyjon üzenetet

Bevezetés

 

A 21. század óta az elektromosság kulcsfontosságú tényezővé vált országom nemzetgazdasági fejlődésében, és pótolhatatlan szerepet játszik az emberi túlélésben és fejlődésben. Az intelligens hálózatok a modern technológiákat kihasználva teljes mértékben kihasználják a megújuló energiát, miközben áramellátást biztosítanak a végberendezéseknek, lehetővé téve az elektromos áram rugalmas ütemezését és intelligens kezelését. Az intelligens hálózatok továbbterjedésével a nagy-energiát-fogyasztó eszközök száma a felhasználói oldalon növekszik, ami egyre szigorúbb követelményeket támaszt a finomított villamosenergia-szolgáltatásokkal szemben. A felhasználói terhelés azonosítása kulcsfontosságú az intelligens hálózatok energiatakarékos{6}stratégiáinak megtervezéséhez. A terhelés azonosítása elsősorban a felhasználó oldali villamosenergia-felhasználási adatok-mintavételét és elemzését foglalja magában, hogy azonosítsa a nagy-energiát{10}}fogyasztó eszközöket, ezáltal segítve a felhasználókat meglévő áramfogyasztási szokásaik javításában. Jelenleg az országomban a legtöbb intelligens hálózat intruzív terhelés-azonosító technológiát használ, és minden felhasználó oldali terhelésénél egy-egy érzékelőt telepít az energiahasználati információk összegyűjtésére. Ez az azonosítási technológia azonban nem csak idő- és munkaigényes, Ezért ez a cikk intelligens mérőtechnológiát használ egy nem-invazív intelligens hálózat terhelés-azonosító módszerének tanulmányozására, amely elősegíti az intelligens hálózat terhelés-azonosító munka fejlesztését az intelligencia irányába.

 

Intelligens hálózati terhelésazonosító tervezés az intelligens mérőtechnológián alapul

 

Intelligens hálózati adatok gyűjtése okosmérők alapján

 

Jelenleg az emberek sokrétű életmódbeli igényeit kielégítő, nagy-energiát-fogyasztó elektromos készülékek egyre nagyobb száma vonzza a figyelmet. Az intelligens hálózat felhasználói oldalán minden háztartás több, de akár tucatnyi elektromos készülékkel is rendelkezhet. Ezen eszközök eltérő működési elvei és elektromos jellemzői miatt a terhelés azonosítása jelentős időt és erőfeszítést igényel ezen eszközök teljesítményadatainak gyűjtéséhez, ami bizonyos mértékig korlátozza az intelligens hálózatok fejlesztését. Ebből a célból ez a cikk bemutatja az intelligens mérőtechnológiát egy nem-invazív terhelés azonosítási technika megtervezéséhez. Először is, az intelligens mérőket arra használják, hogy az intelligens hálózat felhasználói oldalán gyűjtsenek áramfogyasztási adatokat. Az intelligens fogyasztásmérőket nem kell a felhasználó otthonában felszerelni; egyszerűen telepíthetők az intelligens hálózat felhasználói oldali buszára{8}}. Az intelligens mérőben lévő mérőchip gyűjti a teljesítményadatokat, például a feszültséget, az áramerősséget és a teljesítményt a felhasználó otthoni eszközeiről, és továbbítja ezeket az adatokat az SPI interfészen keresztül. Amikor intelligens mérőket használnak energiafogyasztási adatok gyűjtésére az intelligens hálózat felhasználói oldalán, ezekben az eszközökben a stabil működés során állandósult állapotú jellemzők figyelhetők meg. Ezért meg kell határozni ezen eszközök feszültségének és áramának effektív értékeit, amelyek ezek az állandósult állapotjellemzők:

 

info-806-181

 

A képletben az I0az áram effektív értéke az intelligens hálózat felhasználói oldalán; U0a feszültség effektív értéke az intelligens hálózat felhasználói oldalán; N az intelligens mérő mintavételi periódusa; I(t) az intelligens mérő által gyűjtött{0}}felhasználói oldali áramjel; U(t) az intelligens mérő által gyűjtött felhasználói oldali-feszültségjel.

 

Az intelligens hálózat felhasználói oldalán lévő elektromos berendezések teljesítményét az intelligens mérő közvetlenül nem tudja gyűjteni. Az (1) és (2) képlet alapján kell kiszámítani. A számítási képlet a következő:

 

info-1560-161

 

A képletben P0az aktív teljesítmény effektív értéke az intelligens hálózat felhasználói oldalon; f az intelligens mérő mintavételi frekvenciája; és M az intelligens mérő mintavételi frekvenciája. Az intelligens hálózat felhasználói oldali elektromos berendezések{1}}működése során a különböző elektromos berendezések teljesítményjellemzői eltérő formájúak és jelentősen eltérnek egymástól. Ezért ez a cikk a (3) képlettel kapott teljesítmény effektív értékét használja az intelligens hálózati terhelés azonosításának egyik érvényes adataként.

 

Az intelligens fogyasztásmérők alkalmazkodhatnak a különböző felhasználói háztartások különböző elektromos készülékeihez. Az összegyűjtött teljesítményterhelés nagy pontossággal és stabilitással rendelkezik, így alkalmas az intelligens hálózati terhelés azonosítására.

 

Intelligens hálózati adatok előfeldolgozása

 

Amikor intelligens mérőket használnak az intelligens hálózatok felhasználói oldali-oldali villamosenergia-adatainak gyűjtésére, elkerülhetetlen a külső környezeti tényezők okozta interferencia, ami zajt és anomáliákat eredményez az összegyűjtött adatokban. Ezért az összegyűjtött adatok előfeldolgozása szükséges a terhelés azonosítása előtt a hatékonyság javítása érdekében. Továbbá az intelligens hálózati terhelésazonosító technológia általánosíthatóságának biztosítása érdekében az azonosításra használt terhelési adatkészletnek ideális esetben különböző típusú, két vagy több felhasználói háztartásból származó elektromos készülékekből kell állnia. Ez biztosítja, hogy az azonosításra használt terhelési adatkészlet átfogóbb terhelési adatkészletet foglaljon magában, megkönnyítve az azonosítást.

 

Először is, egy S-G szűrőt használnak az intelligens hálózat felhasználói-oldali teljesítményadatainak zajtalanítására. Az S-G szűrő egy aluláteresztő-szűrő, amely egy csúszó ablakon keresztül illeszti a teljesítményadatjelet az időtartományban, ezáltal eléri a teljesítményadatjel simítását és zajtalanítását. Feltételezve, hogy az intelligens mérő által gyűjtött felhasználói oldali teljesítményadatkészlet X=(x1, x2, …, xi, …, xn), ez a cikk ak-1-rendű polinomot állít össze, hogy illeszkedjen az összegyűjtött adatkészlethez. Az SG szűrő zajtalanítási kifejezése a következő:

 

info-720-50

A képletben Yiaz intelligens hálózat felhasználói oldali teljesítményadatai-szűrés és simítás után; a0, a1, a2, …, ak-1 polinomiális együtthatók. A (4) képlettel történő feldolgozás után a terhelési adatimpulzus bizonyos mértékig kisimul, ezáltal hatékonyan csökkenti a zajinterferenciát. Ezután az adatokat szűrjük és feldolgozzuk. Amikor az intelligens mérő felhasználói oldali terhelési adatokat gyűjt, a hirtelen berendezéshibák és egyéb tényezők rendellenes értékeket okoznak az összegyűjtött adatokban. Ezek az abnormális értékek bizonyos mértékig befolyásolják a terhelésazonosító hatást. Ezért az intelligens hálózati terhelés azonosítása előtt törölni kell az összegyűjtött mintaadatokból az abnormális értékeket. Ez a cikk a küszöbérték módszert használja a rendellenes adatok törlésére. Egyszerűen fogalmazva, egy ésszerű küszöbértéket előre beállítanak, és az összegyűjtött terhelési adatokat bejárják. A bejárás során a beállított küszöböt meghaladó terhelés megmarad, a küszöböt nem meghaladó terhelés pedig törlésre kerül, a megőrzött adatok szabványosításra kerülnek. A szabványosítás számítási képlete a következő:

 

info-772-85

ahol Y′ a szabványosított intelligens hálózat felhasználói oldali teljesítményadatok; Y az intelligens hálózat eredeti felhasználói oldali{1}}oldali teljesítményadatainak átlaga; és Y0az eredeti intelligens hálózati{0}}felhasználói oldali teljesítményadatok szórása. Végül a fenti folyamat által előfeldolgozott intelligens hálózati{2}}oldali teljesítményadatokat egyesítjük, és jó minőségű terhelési adatkészletet alkotnak a későbbi terhelés azonosításához.

 

Időbeli konvolúciós hálózati modell készítése terhelés azonosításhoz

 

Általánosságban elmondható, hogy az intelligens hálózati{0}}felhasználói oldalon az intelligens mérők által gyűjtött teljesítményadatok erős időbeli korrelációt mutatnak. Ezért ez a cikk egy időbeli konvolúciós hálózati modellt készít az intelligens hálózati terhelés azonosítására. Az időbeli konvolúciós hálózat továbbfejlesztése az alapkonvolúciós hálózatnak, amely elsősorban két komponensből áll: az oksági dilatált konvolúcióból és a maradék kapcsolatokból. A kauzális dilatált konvolúció egyirányú szerkezet. Egyszerűen fogalmazva, a következő rétegben csak az előző réteg időjelére támaszkodva kaphatunk időjelet anélkül, hogy máskor terhelési adatok szivárognának. Ezért az időbeli konvolúciós hálózat felhasználásával megszerkesztett felismerési modell is információs-korlátozott modell. Továbbá a modell konvolúciós rétegeinek kimenetét befolyásolja a hálózat mélysége. Ezért a gyakorlati terhelésazonosítás során csökkenteni kell az ok-okozati konvolúciós rétegek számát, vagy növelni kell a tágított konvolúció mintavételi lépésszámát, hogy elkerüljük a mélyebb hálózatok okozta gradiensrobbanást. Ami a modellben lévő maradék kapcsolatokat illeti, ez a cikk átugrási kapcsolatokat használ, hogy megakadályozza a modell gyenge teljesítményét. Feltételezve, hogy az időbeli konvolúciós hálózati modell bemenete a, az első réteg kimenete pedig f(a), az időbeli konvolúciós hálózati modell maradék blokkjának előremenő neurális hálózata a következőképpen írható le:

 

info-1142-88

 

ahol ω1 és ω2 az első és a második konvolúciós réteg súlya az időbeli konvolúciós hálózatfelismerési modellben; δ az aktiválási függvény. Ekkor a (6) képlet szerint megkaphatjuk a modell második konvolúciós rétegének kimenetét:

 

info-1020-76

 

Ahol g(a) az időbeli konvolúciós hálózatfelismerési modell második konvolúciós rétegének kimenete. Az intelligens hálózati terhelés azonosításának folyamata időbeli konvolúciós hálózati modell segítségével ebben a cikkben a következő: Először is, az intelligens mérőeszközök által gyűjtött intelligens hálózat felhasználói oldali adatok bekerülnek a modellbe, a modell jellemzői kivonó modul pedig kivonja a villamosenergia-használati adatok jellemzőit. Ezután megkezdődik a modell betanítási fázisa, amelyben olyan paramétereket állítanak be, mint a súlyok és a torzítások. Ezzel egyidejűleg az adatok előre és hátra továbbítása veszteségfüggvény segítségével történik a célterhelés azonosító címkéjének kiadására. Összefoglalva, ez a cikk az intelligens hálózat felhasználói oldali terheléseinek nem-beavatkozó azonosítását{6}} éri el az intelligens mérőtechnológia segítségével.

 

Kísérleti elemzés

 

Kísérleti előkészítés

 

Az intelligens mérőtechnológia okos hálózatokban való hatékonyságának ellenőrzésére egy szimulációs kísérletet végeztek a REDDD adatkészlet felhasználásával. Mivel az adatkészletben szereplő egyes felhasználók villamosenergia-használati statisztikái eltérőek, az adatkészletet átvizsgálták és particionálták, hogy megkapjuk az 1. táblázatban látható kísérleti adatkészletet.

 

1. táblázat Kísérleti adatkészlet

 

Készülék típusa Képzési adatkészlet Teszt adatkészlet
Felhasználói azonosító Minta mérete Felhasználói azonosító Minta mérete  
Hűtőszekrény 1, 6, 7 128 5, 8 52
Mosógép 2, 5, 9 131 4, 10 56
Mikrohullámú sütő 1, 3, 4, 10, 12 157 5, 11 83
Légkondicionáló 2, 3, 5, 6, 10 109 6, 12 43
Vízmelegítő 4, 9, 11, 12 113 7, 10 44
Számítógép 2, 4, 10, 12 102 8, 9 46

 

Amint az 1. táblázatban látható, ez a terhelésazonosító kísérlet hatféle elektromos berendezés terhelést használ a REDD adatkészletben kísérleti adatként, összesen 1064 mintával. A különböző kísérleti elektromos terhelések tranziens áram hullámformáit az 1. ábra mutatja.

 

info-552-631

 

图1 实验电器负荷暂态电流波形

 

Ebben a kísérletben az egyes elektromos berendezések terheléseinek tranziens áramát többdimenziós hullámforma-jellemzők segítségével vonták ki, majd az ebben a cikkben tervezett terhelésazonosító módszert használták az osztályozáshoz és azonosításhoz. Ezzel egyidejűleg az LSTM-en alapuló intelligens hálózati terhelésazonosító technológiát és a neurális hálózaton alapuló intelligens hálózati terhelésazonosító technológiát kiválasztottuk kontrollcsoportként, amelyek azonos adatsoron azonosító teszteket végeznek, majd az azonosítási eredményeket megkapták, majd összehasonlították és elemezték.

 

Eredmények elemzése

 

Az egyes technológiák terhelési osztályozásának és azonosítási teljesítményének összehasonlításához az átlagos abszolút hibát (MAE) használtuk értékelési mérőszámként, és ennek kifejezése a következő:

info-597-68

 

ahol MAE az intelligens hálózatok terhelésazonosítási eredményeinek átlagos abszolút hibája (MAE); T az észlelési idő; yia tényleges terhelési érték az i időpontban; és x a terhelés azonosításának eredménye az i időpontban. Ez a mérőszám elsősorban az azonosítási eredmény és a tényleges terhelés közötti hibát tükrözi egy adott időpontban egy adott észlelési perióduson belül, és felhasználható az intelligens hálózati terhelésazonosító technológia pontosságának mérésére.

 

A 2. táblázat azt mutatja, hogy a kontrollcsoportos terhelésazonosító technológiához képest a javasolt technológia mind a hat típusú villamos berendezés terheléseinek azonosításában bizonyos mértékű javulást ér el. A javasolt terhelésazonosító technológia átlagosan 1,135 kWh abszolút hibát ér el, ami 0,793 kWh-val, illetve 1,435 kWh-val kevesebb a kontrollcsoportos technológiához képest. Ez azt bizonyítja, hogy az ebben a cikkben vizsgált intelligens mérőtechnológia alkalmas az intelligens hálózatok nem-tolakodó terhelésazonosítására, és kiváló információgyűjtési és alkalmazási képességekkel rendelkezik. Más terhelésazonosító technológiákkal összehasonlítva az ebben a cikkben vizsgált technológia hatékonyan képes kinyerni a teljesítményadatokat az intelligens hálózat felhasználói oldaláról, és megőrizni a részletes információkat, például a tranziens áramot a teljesítményadatokban. Végül alkalmazzák az időbeli konvolúciós hálózati modellre osztályozás céljából, ezáltal javítva a terhelés azonosítási képességét.

A szálláslekérdezés elküldése