स्मार्ट मीटर प्रौद्योगिकी के साथ स्मार्ट ग्रिड लोड पहचान

परिचय

21वीं सदी के बाद से, बिजली मेरे देश के राष्ट्रीय आर्थिक विकास का समर्थन करने वाला एक प्रमुख कारक बन गई है और मानव अस्तित्व और विकास में एक अपूरणीय भूमिका निभाती है। स्मार्ट ग्रिड नवीकरणीय ऊर्जा का पूरी तरह से उपयोग करने के लिए आधुनिक तकनीकों का लाभ उठाते हैं, साथ ही अंतिम उपकरणों को बिजली प्रदान करते हैं, जिससे बिजली की लचीली शेड्यूलिंग और बुद्धिमान प्रबंधन सक्षम होता है। जैसे-जैसे स्मार्ट ग्रिड का विस्तार जारी है, उपयोगकर्ता पक्ष पर अधिक ऊर्जा खपत करने वाले उपकरणों की संख्या बढ़ती जा रही है, जिससे परिष्कृत बिजली सेवाओं के लिए आवश्यकताएं बढ़ती जा रही हैं। स्मार्ट ग्रिड के लिए ऊर्जा बचत रणनीतियों को डिजाइन करने के लिए उपयोगकर्ता लोड पहचान महत्वपूर्ण है। लोड पहचान में मुख्य रूप से उच्च ऊर्जा खपत वाले उपकरणों की पहचान करने के लिए उपयोगकर्ता के साइड बिजली उपयोग डेटा का नमूना लेना और उसका विश्लेषण करना शामिल है, जिससे उपयोगकर्ताओं को अपने मौजूदा बिजली उपयोग पैटर्न को बेहतर बनाने में मदद मिलती है। वर्तमान में, मेरे देश में अधिकांश स्मार्ट ग्रिड घुसपैठ लोड पहचान तकनीक का उपयोग करते हैं, बिजली उपयोग की जानकारी एकत्र करने के लिए प्रत्येक उपयोगकर्ता के साइड लोड के लिए एक सेंसर तैनात करते हैं। हालाँकि, यह पहचान तकनीक न केवल समय लेने वाली और श्रमसाध्य है, बल्कि कुशल बिजली सूचना संग्रह सुनिश्चित करने में भी संघर्ष करती है, जो स्मार्ट ग्रिड के स्वस्थ विकास में बाधा डालती है। इसलिए, यह पेपर इंटेलिजेंस की दिशा में स्मार्ट ग्रिड लोड पहचान कार्य के विकास को बढ़ावा देने के लिए एक गैर-इनवेसिव स्मार्ट ग्रिड लोड पहचान पद्धति का अध्ययन करने के लिए स्मार्ट मीटर तकनीक का उपयोग करता है।

स्मार्ट मीटर प्रौद्योगिकी पर आधारित स्मार्ट ग्रिड लोड पहचान डिजाइन

स्मार्ट मीटर के आधार पर स्मार्ट ग्रिड डेटा एकत्र करना

वर्तमान में, लोगों की विविध जीवन शैली की जरूरतों को पूरा करने वाले उच्च {{0}ऊर्जा{{1}खपत वाले विद्युत उपकरणों की बढ़ती संख्या व्यापक ध्यान आकर्षित कर रही है। स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर, प्रत्येक घर में कई या यहां तक ​​कि दर्जनों विद्युत उपकरण हो सकते हैं। इन उपकरणों के विविध संचालन सिद्धांतों और विद्युत विशेषताओं के कारण, लोड पहचान के लिए इन उपकरणों से बिजली डेटा एकत्र करने के लिए महत्वपूर्ण समय और प्रयास की आवश्यकता होती है, जो कुछ हद तक स्मार्ट ग्रिड के विकास को सीमित करता है। इस प्रयोजन के लिए, यह पेपर एक गैर-इनवेसिव लोड पहचान तकनीक को डिजाइन करने के लिए स्मार्ट मीटर तकनीक का परिचय देता है। सबसे पहले, स्मार्ट मीटर का उपयोग स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर बिजली खपत डेटा एकत्र करने के लिए किया जाता है। स्मार्ट मीटर को उपयोगकर्ता के घर में स्थापित करने की आवश्यकता नहीं है; इन्हें बस स्मार्ट ग्रिड उपयोगकर्ता साइड बस पर स्थापित किया जा सकता है। स्मार्ट मीटर में मीटरिंग चिप उपयोगकर्ता के घरेलू उपकरणों से बिजली डेटा, जैसे वोल्टेज, करंट और पावर एकत्र करती है और इस डेटा को एसपीआई इंटरफ़ेस के माध्यम से प्रसारित करती है। स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर बिजली खपत डेटा एकत्र करने के लिए स्मार्ट मीटर का उपयोग करते समय, स्थिर संचालन के दौरान इन उपकरणों में स्थिर स्थिति विशेषताएँ देखी जाती हैं। इसलिए, इन स्थिर अवस्था विशेषताओं का प्रतिनिधित्व करने वाले इन उपकरणों के वोल्टेज और करंट के प्रभावी मूल्यों को निर्धारित करना आवश्यक है:

सूत्र में, मैं₀स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर करंट का प्रभावी मूल्य है; यू₀स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर वोल्टेज का प्रभावी मूल्य है; एन स्मार्ट मीटर की नमूना अवधि है; I(t) स्मार्ट मीटर द्वारा एकत्र किया गया उपयोगकर्ता का साइड करंट सिग्नल है; यू(टी) स्मार्ट मीटर द्वारा एकत्र किया गया उपयोगकर्ता साइड वोल्टेज सिग्नल है।

स्मार्ट ग्रिड के उपयोगकर्ता पक्ष पर विद्युत उपकरण की बिजली सीधे स्मार्ट मीटर द्वारा एकत्र नहीं की जा सकती है। इसकी गणना सूत्र (1) और सूत्र (2) के अनुसार की जानी चाहिए। गणना सूत्र है:

सूत्र में, पी₀स्मार्ट ग्रिड उपयोगकर्ता पक्ष पर सक्रिय शक्ति का प्रभावी मूल्य है; एफ स्मार्ट मीटर की नमूना आवृत्ति है; और एम स्मार्ट मीटर की नमूना आवृत्ति है। स्मार्ट ग्रिड उपयोगकर्ता साइड विद्युत उपकरण के संचालन के दौरान, विभिन्न विद्युत उपकरणों की शक्ति विशेषताओं के अलग-अलग रूप होते हैं और एक दूसरे से काफी भिन्न होते हैं। इसलिए, यह पेपर स्मार्ट ग्रिड लोड पहचान के लिए वैध डेटा में से एक के रूप में सूत्र (3) द्वारा प्राप्त बिजली के प्रभावी मूल्य का उपयोग करता है।

स्मार्ट मीटर विभिन्न उपयोगकर्ता घरों में विभिन्न विद्युत उपकरणों के अनुकूल हो सकते हैं। एकत्रित विद्युत भार में उच्च सटीकता और स्थिरता होती है, जो उन्हें स्मार्ट ग्रिड लोड पहचान के लिए उपयुक्त बनाती है।

स्मार्ट ग्रिड डेटा का प्रीप्रोसेसिंग

स्मार्ट ग्रिड के लिए उपयोगकर्ता साइड बिजली डेटा एकत्र करने के लिए स्मार्ट मीटर का उपयोग करते समय, बाहरी पर्यावरणीय कारकों का हस्तक्षेप अपरिहार्य है, जिसके परिणामस्वरूप एकत्रित डेटा में शोर और विसंगतियां होती हैं। इसलिए, इसकी प्रभावशीलता में सुधार के लिए लोड पहचान से पहले एकत्रित डेटा का प्रीप्रोसेसिंग आवश्यक है। इसके अलावा, स्मार्ट ग्रिड लोड पहचान तकनीक की सामान्यता सुनिश्चित करने के लिए, पहचान के लिए उपयोग किए जाने वाले लोड डेटासेट में आदर्श रूप से दो या दो से अधिक उपयोगकर्ता घरों से उत्पन्न होने वाले विभिन्न प्रकार के विद्युत उपकरण शामिल होने चाहिए। यह सुनिश्चित करता है कि पहचान के लिए उपयोग किए जाने वाले लोड डेटासेट में लोड डेटा का अधिक व्यापक सेट शामिल है, जिससे पहचान में आसानी होती है।

सबसे पहले, स्मार्ट ग्रिड के उपयोगकर्ता साइड पावर डेटा को दर्शाने के लिए एक S{0}}G फ़िल्टर का उपयोग किया जाता है। एस -जी फ़िल्टर एक कम -पास फ़िल्टर है जो एक स्लाइडिंग विंडो के माध्यम से टाइम डोमेन में पावर डेटा सिग्नल को फिट करता है, जिससे पावर डेटा सिग्नल को स्मूथिंग और डीनोइज़िंग प्राप्त होता है। यह मानते हुए कि स्मार्ट मीटर द्वारा एकत्र किया गया उपयोगकर्ता साइड पावर डेटा सेट X=(X1, x2, …, xi, …, xn) है, यह पेपर एकत्रित डेटा सेट को फिट करने के लिए ak - 1-ऑर्डर बहुपद का निर्माण करता है। SG फ़िल्टर निरूपण अभिव्यक्ति है:

सूत्र में, Y_iफ़िल्टरिंग और स्मूथिंग के बाद स्मार्ट ग्रिड का उपयोगकर्ता साइड पावर डेटा है; a0, a1, a2, …, ak-1 बहुपद गुणांक हैं। सूत्र (4) द्वारा संसाधित होने के बाद, लोड डेटा पल्स को कुछ हद तक सुचारू किया जाता है, जिससे शोर हस्तक्षेप प्रभावी ढंग से कम हो जाता है। फिर डेटा को फ़िल्टर और प्रोसेस किया जाता है। जब स्मार्ट मीटर उपयोगकर्ता-साइड लोड डेटा एकत्र करता है, तो अचानक उपकरण विफलता और अन्य कारक एकत्रित डेटा में असामान्य मान पैदा करेंगे। ये असामान्य मान कुछ हद तक लोड पहचान प्रभाव को प्रभावित करेंगे। इसलिए, स्मार्ट ग्रिड लोड पहचान करने से पहले, एकत्रित नमूना डेटा में असामान्य मानों को हटाना आवश्यक है। यह पेपर असामान्य डेटा को हटाने के लिए थ्रेशोल्ड विधि का उपयोग करता है। सीधे शब्दों में कहें तो, एक उचित सीमा पहले से निर्धारित की जाती है, और एकत्रित लोड डेटा का पता लगाया जाता है। ट्रैवर्सल प्रक्रिया के दौरान, जो लोड निर्धारित सीमा से अधिक है उसे बरकरार रखा जाता है, और जो लोड सीमा से अधिक नहीं होता है उसे हटा दिया जाता है, और बनाए रखा गया डेटा मानकीकृत किया जाता है। मानकीकरण गणना सूत्र है:

जहां Y′ मानकीकृत स्मार्ट ग्रिड उपयोगकर्ता {{0}साइड पावर डेटा है; Y मूल स्मार्ट ग्रिड उपयोगकर्ता साइड पावर डेटा का माध्य है; और वाई₀मूल स्मार्ट ग्रिड उपयोगकर्ता साइड पावर डेटा का मानक विचलन है। अंत में, उपरोक्त प्रक्रिया द्वारा पहले से संसाधित स्मार्ट ग्रिड उपयोगकर्ता साइड पावर डेटा को बाद की लोड पहचान के लिए उच्च गुणवत्ता वाले लोड डेटासेट बनाने के लिए संयोजित किया जाता है।

लोड पहचान के लिए एक टेम्पोरल कन्वोल्यूशनल नेटवर्क मॉडल का निर्माण

सामान्यतया, स्मार्ट मीटर द्वारा एकत्र किया गया स्मार्ट ग्रिड उपयोगकर्ता {{0}साइड पावर डेटा मजबूत अस्थायी सहसंबंध प्रदर्शित करता है। इसलिए, यह पेपर स्मार्ट ग्रिड लोड पहचान के लिए एक अस्थायी कन्वेन्शनल नेटवर्क मॉडल का निर्माण करता है। टेम्पोरल कनवल्शनल नेटवर्क बुनियादी कनवल्शनल नेटवर्क में एक सुधार है, जिसमें मुख्य रूप से दो घटक शामिल हैं: कारण विस्तारित कनवल्शन और अवशिष्ट कनेक्शन। कारण विस्तारित कनवल्शन एक यूनिडायरेक्शनल संरचना है। सीधे शब्दों में कहें तो, अगली परत में एक समय संकेत केवल पिछली परत में समय संकेत पर भरोसा करके प्राप्त किया जा सकता है, अन्य समय में लोड डेटा लीक किए बिना। इसलिए, टेम्पोरल कन्वोल्यूशनल नेटवर्क का उपयोग करके निर्मित मान्यता मॉडल भी एक सूचना {{6}बाधित मॉडल है। इसके अलावा, मॉडल की संकेंद्रित परतों का आउटपुट नेटवर्क की गहराई से प्रभावित होता है। इसलिए, व्यावहारिक लोड पहचान में, गहरे नेटवर्क के कारण होने वाले क्रमिक विस्फोट से बचने के लिए कारण कनवल्शन परतों की संख्या को कम करना या विस्तारित कनवल्शन के नमूना चरण आकार को बढ़ाना आवश्यक है। मॉडल में अवशिष्ट कनेक्शन के संबंध में, यह पेपर खराब मॉडल प्रशिक्षण प्रदर्शन को रोकने के लिए स्किप कनेक्शन का उपयोग करता है। यह मानते हुए कि टेम्पोरल कनवल्शनल नेटवर्क मॉडल का इनपुट a है और पहली परत का आउटपुट f(a) है, टेम्पोरल कनवल्शनल नेटवर्क मॉडल के अवशिष्ट ब्लॉक के फॉरवर्ड न्यूरल नेटवर्क को इस प्रकार वर्णित किया जा सकता है:

जहां ω1 और ω2 क्रमशः टेम्पोरल कनवल्शनल नेटवर्क रिकग्निशन मॉडल में पहली और दूसरी कनवल्शनल परतों का भार हैं; δ सक्रियण फ़ंक्शन है। फिर, सूत्र (6) के अनुसार, मॉडल की दूसरी संकेंद्रित परत का आउटपुट प्राप्त किया जा सकता है:

जहां g(a) टेम्पोरल कन्वेन्शनल नेटवर्क रिकग्निशन मॉडल की दूसरी कन्वेन्शनल परत का आउटपुट है। इस पेपर में टेम्पोरल कनवल्शनल नेटवर्क मॉडल का उपयोग करके स्मार्ट ग्रिड लोड पहचान प्राप्त करने की प्रक्रिया इस प्रकार है: सबसे पहले, स्मार्ट मीटर द्वारा एकत्र किए गए स्मार्ट ग्रिड उपयोगकर्ता साइड डेटा को मॉडल में इनपुट किया जाता है, और मॉडल फीचर निष्कर्षण मॉड्यूल बिजली उपयोग डेटा की विशेषताओं को निकालता है। फिर, मॉडल प्रशिक्षण चरण शुरू होता है, जिसमें वजन और पूर्वाग्रह जैसे पैरामीटर सेट किए जाते हैं। इसके साथ ही, लक्ष्य भार के पहचान लेबल को आउटपुट करने के लिए हानि फ़ंक्शन का उपयोग करके डेटा का आगे और पीछे प्रसार किया जाता है। संक्षेप में, यह पेपर स्मार्ट मीटर तकनीक का उपयोग करके स्मार्ट ग्रिड उपयोगकर्ता की गैर-हस्तक्षेपकारी पहचान को प्राप्त करता है।

प्रायोगिक विश्लेषण

प्रायोगिक तैयारी

स्मार्ट ग्रिड में स्मार्ट मीटर तकनीक की प्रभावशीलता को सत्यापित करने के लिए, REDDD डेटासेट का उपयोग करके एक सिमुलेशन प्रयोग किया गया था। क्योंकि डेटासेट में प्रत्येक उपयोगकर्ता के बिजली उपयोग के आँकड़े अलग-अलग होते हैं, तालिका 1 में दिखाए गए प्रयोगात्मक डेटासेट को प्राप्त करने के लिए डेटासेट की जांच और विभाजन किया गया था।

तालिका 1 प्रायोगिक डेटासेट

जैसा कि तालिका 1 में दिखाया गया है, यह लोड पहचान प्रयोग प्रयोगात्मक डेटा के रूप में REDD डेटासेट में छह प्रकार के विद्युत उपकरण लोड का उपयोग करता है, जिसमें कुल 1064 नमूने हैं। विभिन्न प्रयोगात्मक विद्युत भारों के क्षणिक वर्तमान तरंगों को चित्र 1 में दिखाया गया है।

图１ 实验电器负荷暂态电流波形

इस प्रयोग में, प्रत्येक विद्युत उपकरण लोड की क्षणिक धारा को बहु-आयामी तरंग सुविधाओं द्वारा निकाला गया था, और फिर इस पेपर में डिज़ाइन की गई लोड पहचान विधि का उपयोग वर्गीकरण और पहचान के लिए किया गया था। उसी समय, LSTM पर आधारित स्मार्ट ग्रिड लोड पहचान तकनीक और तंत्रिका नेटवर्क पर आधारित स्मार्ट ग्रिड लोड पहचान तकनीक को एक ही डेटा सेट पर पहचान परीक्षण करने के लिए नियंत्रण समूहों के रूप में चुना गया था, और पहचान परिणाम प्राप्त किए गए और फिर तुलना और विश्लेषण किया गया।

परिणाम विश्लेषण

प्रत्येक तकनीक के लोड वर्गीकरण और पहचान प्रदर्शन की तुलना करने के लिए, औसत निरपेक्ष त्रुटि (एमएई) का उपयोग मूल्यांकन मीट्रिक के रूप में किया गया था, और इसकी अभिव्यक्ति है:

जहां एमएई स्मार्ट ग्रिड के लिए लोड पहचान परिणामों की औसत निरपेक्ष त्रुटि (एमएई) है; टी पता लगाने का समय है; य_iसमय पर वास्तविक भार मान है i; और x समय i पर लोड पहचान परिणाम है। यह मीट्रिक मुख्य रूप से एक विशिष्ट पहचान अवधि के भीतर एक विशिष्ट क्षण में पहचान परिणाम और वास्तविक लोड के बीच त्रुटि को दर्शाता है और इसका उपयोग स्मार्ट ग्रिड लोड पहचान तकनीक की सटीकता को मापने के लिए किया जा सकता है।

तालिका 2 से पता चलता है कि नियंत्रण समूह लोड पहचान तकनीक की तुलना में, प्रस्तावित तकनीक सभी छह प्रकार के विद्युत उपकरणों के भार की पहचान में कुछ हद तक सुधार प्राप्त करती है। प्रस्तावित लोड पहचान तकनीक 1.135 kWh की औसत निरपेक्ष त्रुटि प्राप्त करती है, जो नियंत्रण समूह प्रौद्योगिकी की तुलना में क्रमशः 0.793 kWh और 1.435 kWh की कमी है। यह दर्शाता है कि इस पेपर में अध्ययन की गई स्मार्ट मीटर तकनीक स्मार्ट ग्रिड में गैर-घुसपैठ लोड पहचान के लिए उपयुक्त है और इसमें बेहतर सूचना संग्रह और अनुप्रयोग क्षमताएं हैं। अन्य लोड पहचान प्रौद्योगिकियों की तुलना में, इस पेपर में अध्ययन की गई तकनीक स्मार्ट ग्रिड के उपयोगकर्ता पक्ष से पावर डेटा को कुशलतापूर्वक निकाल सकती है और पावर डेटा में क्षणिक वर्तमान जैसी विस्तृत जानकारी को बनाए रख सकती है। इसे अंततः वर्गीकरण के लिए टेम्पोरल कनवल्शनल नेटवर्क मॉडल पर लागू किया जाता है, जिससे लोड पहचान क्षमता में सुधार होता है।