Adnabod Llwyth Grid Clyfar gyda Thechnoleg Mesurydd Clyfar

Rhagymadrodd

Ers yr 21ain ganrif, mae trydan wedi dod yn ffactor allweddol sy'n cefnogi datblygiad economaidd cenedlaethol fy ngwlad ac mae'n chwarae rhan anadferadwy mewn goroesiad a datblygiad dynol. Mae gridiau clyfar yn trosoledd technolegau modern i ddefnyddio ynni adnewyddadwy yn llawn tra'n darparu pŵer i derfynu dyfeisiau, gan alluogi amserlennu hyblyg a rheoli trydan yn ddeallus. Wrth i gridiau clyfar barhau i ehangu, mae nifer y dyfeisiau sy'n defnyddio llawer o ynni ar ochr y defnyddiwr yn cynyddu, gan arwain at ofynion cynyddol llym ar gyfer gwasanaethau trydan wedi'u mireinio. Mae adnabod llwyth defnyddwyr yn hanfodol ar gyfer dylunio-strategaethau arbed ynni ar gyfer gridiau clyfar. Mae adnabod llwyth yn bennaf yn ymwneud â samplu a dadansoddi data defnydd trydan ochr defnyddwyr i nodi dyfeisiau sy'n defnyddio llawer o ynni, a thrwy hynny helpu defnyddwyr i wella eu patrymau defnydd trydan presennol. Ar hyn o bryd, mae'r rhan fwyaf o gridiau clyfar yn fy ngwlad yn defnyddio technoleg adnabod llwyth ymwthiol, gan ddefnyddio synhwyrydd ar gyfer llwyth ochr pob defnyddiwr i gasglu gwybodaeth am ddefnydd pŵer. Fodd bynnag, mae'r dechnoleg adnabod hon nid yn unig yn cymryd llawer o amser a llafur, ond mae hefyd yn ei chael hi'n anodd sicrhau bod gwybodaeth ynni'n cael ei chasglu'n effeithlon, gan rwystro datblygiad iach gridiau clyfar. Felly, mae'r papur hwn yn defnyddio technoleg mesuryddion clyfar i astudio dull adnabod llwyth grid clyfar anfewnwthiol i hyrwyddo datblygiad gwaith adnabod llwyth grid clyfar i gyfeiriad cudd-wybodaeth.

Dyluniad Adnabod Llwyth Grid Clyfar yn Seiliedig ar Dechnoleg Mesurydd Clyfar

Casglu data grid clyfar yn seiliedig ar fesuryddion clyfar

Ar hyn o bryd, mae nifer cynyddol o ddyfeisiau trydanol sy'n defnyddio llawer o ynni sy'n bodloni anghenion amrywiol pobl o ran ffordd o fyw yn denu sylw eang. Ar ochr defnyddiwr grid smart, gall pob cartref fod yn berchen ar sawl neu hyd yn oed ddwsinau o ddyfeisiau trydanol. Oherwydd egwyddorion gweithredu amrywiol a nodweddion trydanol y dyfeisiau hyn, mae angen amser ac ymdrech sylweddol i adnabod llwythi i gasglu data pŵer o'r dyfeisiau hyn, sydd, i raddau, yn cyfyngu ar ddatblygiad gridiau smart. I'r perwyl hwn, mae'r papur hwn yn cyflwyno technoleg mesurydd clyfar i ddylunio techneg adnabod llwyth anfewnwthiol. Yn gyntaf, defnyddir mesuryddion clyfar i gasglu data defnydd pŵer ar ochr defnyddiwr y grid smart. Nid oes angen gosod mesuryddion clyfar yng nghartref y defnyddiwr; yn syml, gellir eu gosod ar fws ochr y defnyddiwr grid clyfar. Mae'r sglodyn mesurydd yn y mesurydd clyfar yn casglu data pŵer, megis foltedd, cerrynt a phŵer, o ddyfeisiau cartref y defnyddiwr ac yn trosglwyddo'r data hwn trwy'r rhyngwyneb SPI. Wrth ddefnyddio mesuryddion clyfar i gasglu data defnydd pŵer ar ochr defnyddiwr y grid clyfar, gwelir nodweddion cyflwr cyson yn y dyfeisiau hyn yn ystod gweithrediad sefydlog. Felly, mae angen pennu gwerthoedd effeithiol foltedd a cherrynt y dyfeisiau hyn, gan gynrychioli'r nodweddion cyflwr cyson hyn:

Yn y fformiwla, I₀yw gwerth effeithiol y presennol ar ochr defnyddiwr y grid smart; U₀yw gwerth effeithiol y foltedd ar ochr defnyddiwr y grid smart; N yw cyfnod samplu'r mesurydd clyfar; I(t) yw'r signal cerrynt ochr defnyddiwr a gesglir gan y mesurydd clyfar; U(t) yw'r signal foltedd ochr defnyddiwr a gesglir gan y mesurydd clyfar.

Ni all y mesurydd clyfar gasglu pŵer yr offer trydanol ar ochr defnyddiwr y grid smart yn uniongyrchol. Mae angen ei gyfrifo yn ôl fformiwla (1) a fformiwla (2). Y fformiwla gyfrifo yw:

Yn y fformiwla, mae P₀yw gwerth effeithiol pŵer gweithredol ar ochr defnyddiwr y grid smart; f yw amledd samplu'r mesurydd clyfar; ac M yw amledd samplu'r mesurydd clyfar. Yn ystod gweithrediad offer trydanol ochr defnyddiwr grid clyfar, mae gan nodweddion pŵer amrywiol offer trydanol ffurfiau gwahanol ac maent yn amrywio'n sylweddol oddi wrth ei gilydd. Felly, mae'r papur hwn yn defnyddio gwerth effeithiol pŵer a geir trwy fformiwla (3) fel un o'r data dilys ar gyfer adnabod llwyth grid smart.

Gall mesuryddion deallus addasu i'r gwahanol ddyfeisiau trydanol mewn cartrefi defnyddwyr gwahanol. Mae gan y llwyth pŵer a gasglwyd gywirdeb a sefydlogrwydd uchel, gan eu gwneud yn addas ar gyfer adnabod llwyth grid smart.

Rhagbrosesu data grid clyfar

Wrth ddefnyddio mesuryddion clyfar i gasglu data trydan ochr defnyddwyr ar gyfer gridiau clyfar, mae ymyrraeth gan ffactorau amgylcheddol allanol yn anochel, gan arwain at sŵn ac anomaleddau yn y data a gasglwyd. Felly, mae angen rhagbrosesu'r data a gasglwyd cyn nodi llwyth i wella ei effeithiolrwydd. At hynny, er mwyn sicrhau cyffredinoli technoleg adnabod llwyth grid smart, yn ddelfrydol dylai'r set ddata llwyth a ddefnyddir ar gyfer adnabod gynnwys gwahanol fathau o ddyfeisiau trydanol, sy'n tarddu o ddau neu fwy o gartrefi defnyddwyr. Mae hyn yn sicrhau bod y set ddata llwyth a ddefnyddir ar gyfer adnabod yn cwmpasu set fwy cynhwysfawr o ddata llwyth, gan hwyluso adnabod.

Yn gyntaf, defnyddir hidlydd S{0}}G i ddadwneud data pŵer ochr y defnyddiwr o'r grid clyfar. Mae'r hidlydd S{3}}G yn hidlydd pasio isel sy'n ffitio'r signal data pŵer yn y parth amser trwy ffenestr llithro, gan sicrhau bod y signal data pŵer yn llyfnhau ac yn dad-wneud. Gan dybio mai'r set ddata pŵer ochr defnyddiwr a gesglir gan y mesurydd clyfar yw X=(x1, x2, …, xi, …, xn), mae'r papur hwn yn llunio ak-1-archeb polynomial i ffitio'r set ddata a gasglwyd. Mynegiad dadwaddoliad hidlydd SG yw:

Yn y fformiwla, mae Y_iyw -data pŵer ochr defnyddiwr y grid clyfar ar ôl hidlo a llyfnu; Mae a0, a1, a2, …, ak-1 yn gyfernodau amlnomaidd. Ar ôl cael ei brosesu gan fformiwla (4), mae'r pwls data llwyth yn cael ei lyfnhau i raddau, a thrwy hynny leihau ymyrraeth sŵn yn effeithiol. Yna caiff y data ei hidlo a'i brosesu. Pan fydd y mesurydd smart yn casglu data llwyth ochr y defnyddiwr, bydd methiannau offer sydyn a ffactorau eraill yn achosi gwerthoedd annormal yn y data a gasglwyd. Bydd y gwerthoedd annormal hyn yn effeithio ar yr effaith adnabod llwyth i raddau. Felly, cyn perfformio adnabod llwyth grid smart, mae angen dileu'r gwerthoedd annormal yn y data sampl a gasglwyd. Mae'r papur hwn yn defnyddio'r dull trothwy i ddileu data annormal. Yn syml, gosodir trothwy rhesymol ymlaen llaw, a chroesir y data llwyth a gasglwyd. Yn ystod y broses groesi, cedwir y llwyth sy'n fwy na'r trothwy gosod, ac mae'r llwyth nad yw'n fwy na'r trothwy yn cael ei ddileu, ac mae'r data a gedwir yn cael ei safoni. Y fformiwla cyfrifo safoni yw:

Lle Y′ yw'r defnyddiwr grid smart safonedig-data pŵer ochr; Y yw cymedr data pŵer ochr y defnyddiwr grid clyfar gwreiddiol; ac Y₀yw gwyriad safonol data pŵer ochr y defnyddiwr grid clyfar gwreiddiol. Yn olaf, mae'r data pŵer ochr defnyddiwr grid clyfar a broseswyd ymlaen llaw gan y broses uchod yn cael ei gyfuno i ffurfio set ddata llwyth o ansawdd uchel ar gyfer adnabod llwyth dilynol.

Adeiladu Model Rhwydwaith Dros Dro ar gyfer Adnabod Llwyth

Yn gyffredinol, mae data pŵer ochr defnyddwyr grid clyfar a gesglir gan fesuryddion clyfar yn dangos cydberthynas amserol cryf. Felly, mae'r papur hwn yn llunio model rhwydwaith troellog dros dro ar gyfer adnabod llwyth grid smart. Mae'r rhwydwaith convolutional tymhorol yn welliant ar y rhwydwaith convolutional sylfaenol, sy'n cynnwys dwy gydran yn bennaf: troddiad ymledol achosol a chysylltiadau gweddilliol. Mae convolution ymledol achosol yn strwythur uncyfeiriad. Yn syml, dim ond trwy ddibynnu ar y signal amser yn yr haen flaenorol y gellir cael signal amser yn yr haen nesaf, heb ollwng data llwyth ar adegau eraill. Felly, mae'r model adnabod a luniwyd gan ddefnyddio'r rhwydwaith trosiannol dros dro hefyd yn fodel sy'n gyfyngedig o ran gwybodaeth. At hynny, mae dyfnder y rhwydwaith yn effeithio ar allbwn haenau troellog y model. Felly, wrth adnabod llwyth ymarferol, mae angen lleihau nifer yr haenau convolution achosol neu gynyddu maint cam samplu'r convolution ymledol er mwyn osgoi ffrwydrad graddiant a achosir gan rwydweithiau dyfnach. O ran y cysylltiadau gweddilliol yn y model, mae'r papur hwn yn defnyddio cysylltiadau sgip i atal perfformiad hyfforddi model gwael. Gan gymryd mai mewnbwn y model rhwydwaith trodro tymhorol yw a ac mai allbwn yr haen gyntaf yw f(a), gellir disgrifio blaen-rwydwaith niwral bloc gweddilliol y model rhwydwaith trodro tymhorol fel:

Lle mae ω1 a ω2 yn bwysau'r haenau convolutional cyntaf a'r ail yn y model adnabod rhwydwaith troellog dros dro, yn y drefn honno; δ yw'r swyddogaeth actifadu. Yna, yn ôl fformiwla (6), gellir cael allbwn ail haen convolutional y model:

Pan fo g(a) yn allbwn ail haen dros dro y model adnabod rhwydwaith troellog dros dro. Mae'r broses ar gyfer cyflawni adnabyddiaeth llwyth grid smart gan ddefnyddio model rhwydwaith troellog dros dro yn y papur hwn fel a ganlyn: Yn gyntaf, mae data ochr defnyddiwr y grid clyfar a gesglir gan fesuryddion clyfar yn cael ei fewnbynnu i'r model, ac mae modiwl echdynnu nodwedd y model yn tynnu nodweddion y data defnydd trydan. Yna, mae'r cam hyfforddi model yn dechrau, gan osod paramedrau megis pwysau a thueddiadau. Ar yr un pryd, mae lluosogi data ymlaen ac yn ôl yn cael ei berfformio gan ddefnyddio swyddogaeth golled i allbynnu label adnabod y llwyth targed. I grynhoi, mae'r papur hwn yn cyflawni dull adnabod anymwthiol o lwythi ochr defnyddiwr grid clyfar gan ddefnyddio technoleg mesurydd clyfar.

Dadansoddiad Arbrofol

Paratoi Arbrofol

I wirio effeithiolrwydd technoleg mesuryddion clyfar mewn gridiau clyfar, cynhaliwyd arbrawf efelychu gan ddefnyddio set ddata REDDD. Oherwydd bod ystadegau defnydd trydan pob defnyddiwr yn y set ddata yn amrywio, cafodd y set ddata ei sgrinio a'i rannu i gael y set ddata arbrofol a ddangosir yn Nhabl 1.

Tabl 1 Set ddata arbrofol

Fel y dangosir yn Nhabl 1, mae'r arbrawf adnabod llwyth hwn yn defnyddio chwe math o lwythi offer trydanol yn y set ddata REDD fel data arbrofol, gyda chyfanswm o 1064 o samplau. Dangosir tonffurfiau cerrynt dros dro amrywiol lwythi trydanol arbrofol yn Ffigur 1.

图１ 实验电器负荷暂态电流波形

Yn yr arbrawf hwn, echdynnwyd cerrynt dros dro pob llwyth offer trydanol gan nodweddion tonffurf aml-dimensiwn, ac yna defnyddiwyd y dull adnabod llwyth a ddyluniwyd yn y papur hwn ar gyfer dosbarthu ac adnabod. Ar yr un pryd, dewiswyd y dechnoleg adnabod llwyth grid smart yn seiliedig ar LSTM a'r dechnoleg adnabod llwyth grid smart yn seiliedig ar rwydwaith niwral fel grwpiau rheoli i gynnal profion adnabod ar yr un set ddata, a chafwyd y canlyniadau adnabod ac yna eu cymharu a'u dadansoddi.

Dadansoddiad Canlyniadau

I gymharu dosbarthiad llwyth a pherfformiad adnabod pob technoleg, defnyddiwyd y gwall absoliwt cymedrig (MAE) fel y metrig gwerthuso, a'i fynegiant yw:

Lle mai ADA yw'r gwall absoliwt cymedrig (MAE) yn y canlyniadau adnabod llwyth ar gyfer gridiau clyfar; T yw'r amser canfod; y_iyw'r gwerth llwyth gwirioneddol ar amser i; a x yw'r canlyniad adnabod llwyth ar amser i. Mae'r metrig hwn yn adlewyrchu'n bennaf y gwall rhwng y canlyniad adnabod a'r llwyth gwirioneddol ar adeg benodol o fewn cyfnod canfod penodol a gellir ei ddefnyddio i fesur cywirdeb technoleg adnabod llwyth grid smart.

Mae Tabl 2 yn dangos, o'i gymharu â thechnoleg adnabod llwyth y grŵp rheoli, bod y dechnoleg arfaethedig yn cyflawni rhywfaint o welliant wrth adnabod llwythi pob un o'r chwe math o offer trydanol. Mae'r dechnoleg adnabod llwyth arfaethedig yn cyflawni gwall absoliwt cymedrig o 1.135 kWh, sef gostyngiad o 0.793 kWh a 1.435 kWh, yn y drefn honno, o'i gymharu â thechnoleg y grŵp rheoli. Mae hyn yn dangos bod y dechnoleg mesuryddion clyfar a astudiwyd yn y papur hwn yn addas ar gyfer adnabod llwythi nad yw'n ymwthiol mewn gridiau clyfar a bod ganddi alluoedd gwell o ran casglu gwybodaeth a chymhwyso. O'i gymharu â thechnolegau adnabod llwythi eraill, gall y dechnoleg a astudir yn y papur hwn dynnu data pŵer yn effeithlon o ochr defnyddiwr y grid smart a chadw gwybodaeth fanwl fel cerrynt dros dro yn y data pŵer. Fe'i cymhwysir o'r diwedd i'r model rhwydwaith troellog dros dro ar gyfer dosbarthu, a thrwy hynny wella'r gallu i adnabod llwythi.