Akıllı Sayaç Teknolojisi ile Akıllı Şebeke Yükü Tanımlama

giriiş

21. yüzyıldan bu yana elektrik, ülkemin ulusal ekonomik kalkınmasını destekleyen önemli bir faktör haline geldi ve insanlığın hayatta kalması ve gelişmesinde yeri doldurulamaz bir rol oynuyor. Akıllı şebekeler, yenilenebilir enerjiden tam olarak yararlanmak için modern teknolojilerden yararlanırken, uç cihazlara güç sağlar, esnek planlamaya ve elektriğin akıllı yönetimine olanak tanır. Akıllı şebekeler genişlemeye devam ettikçe, kullanıcı tarafında yüksek-enerji- tüketen cihazların sayısı artıyor ve bu durum, gelişmiş elektrik hizmetlerine yönelik gereksinimlerin giderek daha katı hale gelmesine yol açıyor. Kullanıcı yükünün belirlenmesi, akıllı şebekelere yönelik enerji-tasarrufu stratejileri tasarlamak açısından çok önemlidir. Yük tanımlama, öncelikle yüksek-enerji-tüketen cihazları tanımlamak için kullanıcı tarafındaki elektrik kullanım verilerinin örneklenmesini ve analiz edilmesini içerir; böylece kullanıcıların mevcut elektrik kullanım düzenlerini iyileştirmelerine yardımcı olur. Şu anda ülkemdeki akıllı şebekelerin çoğu, güç kullanımı bilgilerini toplamak amacıyla her kullanıcı tarafı yükü için bir sensör dağıtan müdahaleci yük tanımlama teknolojisini kullanıyor. Bununla birlikte, bu tanımlama teknolojisi yalnızca zaman alıcı ve yoğun iş gücü-değildir, aynı zamanda verimli güç bilgisi toplamayı sağlamakta zorlanır ve akıllı şebekelerin sağlıklı gelişimini engeller. Bu nedenle, bu makale, akıllı şebeke yükü tanımlama çalışmasının istihbarat yönünde geliştirilmesini teşvik etmek amacıyla-invaziv olmayan bir akıllı şebeke yükü tanımlama yöntemini incelemek için akıllı sayaç teknolojisini kullanmaktadır.

Akıllı Sayaç Teknolojisine Dayalı Akıllı Şebeke Yük Tanımlama Tasarımı

Akıllı sayaçlara dayalı akıllı şebeke verilerinin toplanması

Şu anda, insanların çeşitli yaşam tarzı ihtiyaçlarını karşılayan, yüksek-enerji-tüketen elektrikli cihazların sayısı giderek artıyor ve yaygın ilgi görüyor. Akıllı şebekenin kullanıcı tarafında her hane birden fazla, hatta düzinelerce elektrikli cihaza sahip olabilir. Bu cihazların farklı çalışma prensipleri ve elektriksel özellikleri nedeniyle yük tanımlama, bu cihazlardan güç verilerinin toplanması için önemli miktarda zaman ve çaba gerektirir ve bu da akıllı şebekelerin gelişimini bir dereceye kadar sınırlandırır. Bu amaçla, bu makale,-invaziv olmayan bir yük tanımlama tekniği tasarlamak için akıllı ölçüm teknolojisini tanıtmaktadır. İlk olarak akıllı sayaçlar, akıllı şebekenin kullanıcı tarafındaki güç tüketimi verilerini toplamak için kullanılıyor. Akıllı sayaçların kullanıcının evine kurulmasına gerek yoktur; akıllı şebeke kullanıcı-yan veriyoluna kolayca kurulabilirler. Akıllı sayaçta bulunan ölçüm çipi, kullanıcının evdeki cihazlarından voltaj, akım, güç gibi güç verilerini topluyor ve bu verileri SPI arayüzü üzerinden aktarıyor. Akıllı şebekenin kullanıcı tarafında güç tüketimi verilerini toplamak için akıllı sayaçlar kullanıldığında, bu cihazlarda kararlı çalışma sırasında kararlı durum özellikleri gözlemlenir. Bu nedenle, bu kararlı durum özelliklerini temsil eden bu cihazların voltaj ve akımının etkin değerlerinin belirlenmesi gereklidir:

Formülde ben₀akıllı şebekenin kullanıcı tarafındaki akımın etkin değeridir; sen₀akıllı şebekenin kullanıcı tarafındaki voltajın etkin değeridir; N, akıllı sayacın örnekleme periyodu; I(t), akıllı ölçüm cihazı tarafından toplanan-kullanıcı tarafı akım sinyalidir; U(t), akıllı sayaç tarafından toplanan kullanıcı- tarafı voltaj sinyalidir.

Akıllı şebekenin kullanıcı tarafındaki elektrikli ekipmanların gücü doğrudan akıllı sayaç tarafından toplanamamaktadır. Formül (1) ve formül (2)'ye göre hesaplanması gerekir. Hesaplama formülü şöyledir:

Formülde P₀akıllı şebeke kullanıcı tarafındaki aktif gücün etkin değeridir; f akıllı sayacın örnekleme frekansıdır; ve M akıllı sayacın örnekleme frekansıdır. Akıllı şebeke kullanıcısı tarafındaki elektrikli ekipmanların-çalıştırılması sırasında, çeşitli elektrikli ekipmanların güç özellikleri farklı biçimlerde olur ve birbirlerinden önemli ölçüde farklılık gösterir. Bu nedenle bu makale, akıllı şebeke yükünün tanımlanması için geçerli verilerden biri olarak formül (3) ile elde edilen etkin güç değerini kullanır.

Akıllı sayaçlar, farklı kullanıcı evlerindeki farklı elektrikli cihazlara uyum sağlayabilmektedir. Toplanan güç yükünün yüksek doğruluk ve kararlılığa sahip olması, onları akıllı şebeke yükü tanımlamaya uygun hale getirir.

Akıllı şebeke verilerinin ön işlenmesi

Akıllı şebekeler için kullanıcı tarafındaki elektrik verilerini toplamak amacıyla akıllı sayaçlar kullanıldığında, dış çevresel faktörlerin müdahalesi kaçınılmazdır; bu da toplanan verilerde gürültüye ve anormalliklere neden olur. Bu nedenle, etkinliğini artırmak için yük tanımlamadan önce toplanan verilerin ön işlenmesi gereklidir. Ayrıca, akıllı şebeke yük tanımlama teknolojisinin genelleştirilebilirliğini sağlamak için, tanımlama için kullanılan yük veri seti ideal olarak iki veya daha fazla kullanıcılı haneden gelen farklı türdeki elektrikli cihazlardan oluşmalıdır. Bu, tanımlama için kullanılan yük veri setinin daha kapsamlı bir yük verisi setini kapsamasını sağlayarak tanımlamayı kolaylaştırır.

İlk olarak, akıllı şebekenin kullanıcı-yan güç verilerinin gürültüsünü gidermek için bir S-G filtresi kullanılır. S-G filtresi, kayan bir pencere yoluyla zaman alanındaki güç veri sinyaline uyum sağlayan, böylece güç veri sinyalinin yumuşatılmasını ve gürültüsünün giderilmesini sağlayan bir alçak-geçişli filtredir. Akıllı sayaç tarafından toplanan kullanıcı-tarafı güç veri setinin X=(x1, x2, …, xi, …, xn) olduğunu varsayarsak, bu makale toplanan veri setine uyacak şekilde ak-1 dereceli polinomu oluşturur. SG filtresinin gürültü giderme ifadesi şöyledir:

Formülde Y_ifiltreleme ve düzeltme sonrasında akıllı şebekenin kullanıcı- tarafındaki güç verileridir; a0, a1, a2, …, ak-1 polinom katsayılarıdır. Formül (4) ile işlendikten sonra, yük veri darbesi belirli bir dereceye kadar yumuşatılır, böylece gürültü girişimi etkili bir şekilde azaltılır. Daha sonra veriler filtrelenir ve işlenir. Akıllı sayaç kullanıcı tarafı yük verilerini topladığında ani ekipman arızaları ve diğer faktörler toplanan verilerde anormal değerlerin oluşmasına neden olacaktır. Bu anormal değerler yük tanımlama etkisini belli ölçüde etkileyecektir. Bu nedenle akıllı şebeke yük tanımlaması yapmadan önce toplanan örnek verilerdeki anormal değerlerin silinmesi gerekmektedir. Bu makalede anormal verileri silmek için eşik yöntemi kullanılmaktadır. Basitçe söylemek gerekirse, önceden makul bir eşik belirlenir ve toplanan yük verileri üzerinden geçilir. Geçiş işlemi sırasında belirlenen eşiği aşan yük tutulur, eşiği aşmayan yük silinir ve tutulan veriler standartlaştırılır. Standardizasyon hesaplama formülü şöyledir:

Burada Y' standartlaştırılmış akıllı şebeke kullanıcı- tarafı güç verileridir; Y, orijinal akıllı şebeke kullanıcı- tarafı güç verilerinin ortalamasıdır; ve Y₀orijinal akıllı şebeke kullanıcı- tarafı güç verilerinin standart sapmasıdır. Son olarak, yukarıdaki işlemle önceden işlenen akıllı şebeke kullanıcı- tarafı güç verileri, sonraki yük tanımlaması için yüksek-kaliteli bir yük veri kümesi oluşturmak üzere birleştirilir.

Yük Tanımlama için Geçici Evrişimli Ağ Modeli Oluşturma

Genel olarak konuşursak, akıllı sayaçlar tarafından-toplanan akıllı şebeke kullanıcı tarafı güç verileri, güçlü bir zamansal korelasyon sergiler. Bu nedenle, bu makale akıllı şebeke yükünün tanımlanması için zamansal bir evrişimsel ağ modeli oluşturmaktadır. Zamansal evrişimli ağ, temel evrişimli ağ üzerinde bir gelişmedir ve temel olarak iki bileşenden oluşur: nedensel genişlemiş evrişim ve artık bağlantılar. Nedensel genişlemiş evrişim tek yönlü bir yapıdır. Basitçe söylemek gerekirse, bir sonraki katmandaki bir zaman sinyali, diğer zamanlarda yük verileri sızdırılmadan, yalnızca önceki katmandaki zaman sinyaline güvenilerek elde edilebilir. Bu nedenle, zamansal evrişimsel ağ kullanılarak oluşturulan tanıma modeli aynı zamanda bilgi-kısıtlı bir modeldir. Ayrıca modelin evrişimli katmanlarının çıktısı ağ derinliğinden etkilenir. Bu nedenle, pratik yük tanımlamasında, daha derin ağların neden olduğu gradyan patlamasını önlemek için nedensel evrişim katmanlarının sayısını azaltmak veya genişlemiş evrişimin örnekleme adımı boyutunu artırmak gerekir. Modeldeki artık bağlantılarla ilgili olarak bu makale, zayıf model eğitim performansını önlemek için atlama bağlantılarını kullanır. Zamansal evrişimli ağ modelinin girişinin a ve ilk katmanın çıkışının f(a) olduğunu varsayarsak, zamansal evrişimli ağ modelinin artık bloğunun ileri sinir ağı şu şekilde tanımlanabilir:

Burada ω1 ve ω2 sırasıyla zamansal evrişimli ağ tanıma modelinde birinci ve ikinci evrişimli katmanların ağırlıklarıdır; δ aktivasyon fonksiyonudur. Daha sonra formül (6)'ya göre modelin ikinci evrişim katmanının çıktısı elde edilebilir:

Burada g(a), zamansal evrişimli ağ tanıma modelinin ikinci evrişimli katmanının çıktısıdır. Bu yazıda geçici bir evrişimli ağ modeli kullanarak akıllı şebeke yükünün belirlenmesine yönelik süreç aşağıdaki gibidir: İlk olarak, akıllı sayaçlar tarafından toplanan akıllı şebeke kullanıcı- tarafı verileri modele girilir ve model özellik çıkarma modülü, elektrik kullanım verilerinin özelliklerini çıkarır. Daha sonra ağırlıklar ve sapmalar gibi parametrelerin ayarlandığı model eğitim aşaması başlar. Eş zamanlı olarak, hedef yükün tanımlama etiketinin çıktısını almak için bir kayıp fonksiyonu kullanılarak verilerin ileri ve geri yayılması gerçekleştirilir. Özetle, bu belge, akıllı ölçüm teknolojisini kullanarak-akıllı şebeke kullanıcı tarafındaki yüklerin-müdahaleci olmayan bir şekilde tanımlanmasını sağlamaktadır.

Deneysel Analiz

Deneysel Hazırlık

Akıllı şebekelerde akıllı sayaç teknolojisinin etkinliğini doğrulamak için REDDD veri seti kullanılarak bir simülasyon deneyi yapılmıştır. Veri setindeki her kullanıcının elektrik kullanım istatistikleri farklılık gösterdiği için veri seti taranarak bölümlenmiş ve Tablo 1'de gösterilen deneysel veri seti elde edilmiştir.

Tablo 1 Deneysel veri seti

Tablo 1'de gösterildiği gibi, bu yük tanımlama deneyi, REDD veri setindeki toplam 1064 örnekle deneysel veriler olarak altı tip elektrikli ekipman yükünü kullanır. Çeşitli deneysel elektrik yüklerinin geçici akım dalga biçimleri Şekil 1'de gösterilmektedir.

图１ 实验电器负荷暂态电流波形

Bu deneyde, her bir elektrikli ekipman yükünün geçici akımı, çok-boyutlu dalga biçimi özellikleriyle çıkarıldı ve ardından sınıflandırma ve tanımlama için bu makalede tasarlanan yük tanımlama yöntemi kullanıldı. Aynı zamanda, LSTM tabanlı akıllı şebeke yük tanımlama teknolojisi ve sinir ağına dayalı akıllı şebeke yük tanımlama teknolojisi, aynı veri seti üzerinde tanımlama testleri yapmak üzere kontrol grupları olarak seçilmiş ve tanımlama sonuçları elde edilerek karşılaştırılıp analiz edilmiştir.

Sonuç Analizi

Her teknolojinin yük sınıflandırması ve tanımlama performansını karşılaştırmak için değerlendirme ölçütü olarak ortalama mutlak hata (MAE) kullanıldı ve ifadesi şu şekildedir:

MAE, akıllı şebekeler için yük tanımlama sonuçlarının ortalama mutlak hatasıdır (MAE); T algılama süresidir; sen_ii zamanındaki gerçek yük değeridir; ve x, i zamanındaki yük tanımlama sonucudur. Bu ölçüm öncelikle, belirli bir algılama süresi içinde belirli bir andaki tanımlama sonucu ile gerçek yük arasındaki hatayı yansıtır ve akıllı şebeke yük tanımlama teknolojisinin doğruluğunu ölçmek için kullanılabilir.

Tablo 2, kontrol grubu yük tanımlama teknolojisiyle karşılaştırıldığında, önerilen teknolojinin altı tip elektrikli ekipmanın tümünün yüklerinin tanımlanmasında belirli bir derecede iyileşme sağladığını göstermektedir. Önerilen yük tanımlama teknolojisi, kontrol grubu teknolojisiyle karşılaştırıldığında sırasıyla 0,793 kWh ve 1,435 kWh azalma anlamına gelen 1,135 kWh ortalama mutlak hataya ulaşır. Bu, bu makalede incelenen akıllı sayaç teknolojisinin, akıllı şebekelerde müdahaleci olmayan yük tanımlaması için uygun olduğunu ve üstün bilgi toplama ve uygulama yeteneklerine sahip olduğunu göstermektedir. Diğer yük tanımlama teknolojileri ile karşılaştırıldığında, bu yazıda incelenen teknoloji, akıllı şebekenin kullanıcı tarafından güç verilerini verimli bir şekilde çıkarabilir ve güç verilerinde geçici akım gibi ayrıntılı bilgileri tutabilir. Son olarak sınıflandırma için zamansal evrişimli ağ modeline uygulanır, böylece yük tanımlama yeteneği geliştirilir.