스마트 미터 기술을 이용한 스마트 그리드 부하 식별

소개

21세기 이후 전력은 우리나라 국가 경제 발전을 지탱하는 핵심 요소가 되었으며, 인류의 생존과 발전에 있어 대체할 수 없는 역할을 담당하고 있습니다. 스마트 그리드는 최신 기술을 활용하여 재생 가능 에너지를 완전히 활용하는 동시에 최종 장치에 전력을 공급함으로써 유연한 일정 관리와 지능적인 전기 관리를 가능하게 합니다. 스마트 그리드가 지속적으로 확장됨에 따라 사용자 측의 고{3}}에너지-소비 장치 수가 증가하고 있으며, 이로 인해 정제된 전기 서비스에 대한 요구 사항이 점점 더 엄격해지고 있습니다. 사용자 부하 식별은 스마트 그리드의 에너지 절약 전략을 설계하는 데 매우 중요합니다.- 부하 식별에는 주로 사용자 측 전기 사용량 데이터를 샘플링하고 분석하여-에너지를 많이 소비하는-기기를 식별하여 사용자가 기존 전기 사용 패턴을 개선하도록 돕는 작업이 포함됩니다. 현재 우리 나라의 대부분의 스마트 그리드는 침입형 부하 식별 기술을 사용하여 각 사용자 측 부하에 센서를 배포하여 전력 사용량 정보를 수집합니다. 그러나 이러한 식별 기술은 시간이 많이 걸리고-노력-집약적일 뿐만 아니라 효율적인 전력 정보 수집을 보장하는 데 어려움을 겪어 스마트 그리드의 건전한 발전을 방해합니다. 따라서 본 논문에서는 지능적인 방향으로 스마트 그리드 부하 식별 작업의 개발을 촉진하기 위해 스마트 미터 기술을 사용하여 비침습적 스마트 그리드 부하 식별 방법을 연구합니다.

스마트 미터 기술 기반 스마트 그리드 부하 식별 설계

스마트미터 기반 스마트그리드 데이터 수집

현재, 사람들의 다양한 라이프스타일 요구를 충족하는 고{0}}에너지-소비 전기 장치가 점점 더 많은 관심을 받고 있습니다. 스마트 그리드의 사용자 측면에서 각 가구는 여러 개 또는 수십 개의 전기 장치를 소유할 수 있습니다. 이러한 장치의 다양한 작동 원리와 전기적 특성으로 인해 부하 식별에는 이러한 장치에서 전력 데이터를 수집하는 데 상당한 시간과 노력이 필요하며, 이는 스마트 그리드의 개발을 어느 정도 제한합니다. 이를 위해 본 논문에서는 비침습적 부하 식별 기술을 설계하기 위한 스마트 미터 기술을 소개합니다.- 첫째, 스마트 미터는 스마트 그리드 사용자 측의 전력 소비 데이터를 수집하는 데 사용됩니다. 스마트 미터는 사용자의 집에 설치할 필요가 없습니다. 스마트 그리드 사용자-측 버스에 간단히 설치할 수 있습니다. 스마트 미터에 내장된 미터링 칩은 사용자의 홈 디바이스로부터 전압, 전류, 전력 등의 전력 데이터를 수집하고 이 데이터를 SPI 인터페이스를 통해 전송합니다. 스마트 미터를 사용하여 스마트 그리드의 사용자 측에서 전력 소비 데이터를 수집할 때 안정적인 작동 중에 이러한 장치에서 정상 상태 특성이 관찰됩니다. 따라서 이러한 정상 상태 특성을 나타내는 이러한 장치의 전압 및 전류의 유효 값을 결정하는 것이 필요합니다.-

공식에서 나는₀스마트 그리드의 사용자 측 전류의 유효 값입니다. 유₀는 스마트 그리드의 사용자 측 전압의 유효 값입니다. N은 스마트 미터의 샘플링 기간입니다. I(t)는 스마트 미터가 수집한 사용자{0}측 전류 신호입니다. U(t)는 스마트 미터가 수집한 사용자{1}}측 전압 신호입니다.

스마트 그리드 사용자 측 전기 장비의 전력은 스마트 계량기로 직접 수집할 수 없습니다. 식 (1)과 식 (2)에 따라 계산해야 합니다. 계산 공식은 다음과 같습니다.

공식에서 P₀스마트 그리드 사용자 측 유효 전력의 유효 값입니다. f는 스마트 미터의 샘플링 주파수입니다. M은 스마트미터의 샘플링 주파수이다. 스마트 그리드 사용자{1}}측 전기 장비가 작동하는 동안 다양한 전기 장비의 전력 특성은 형태가 다르며 서로 크게 다릅니다. 따라서 본 논문에서는 식 (3)에 의해 구해진 전력의 실효값을 스마트 그리드 부하 식별을 위한 유효한 데이터 중 하나로 사용한다.

스마트 계량기는 다양한 사용자 가구의 다양한 전기 장치에 적응할 수 있습니다. 수집된 전력 부하는 정확도와 안정성이 높아 스마트 그리드 부하 식별에 적합합니다.

스마트 그리드 데이터 전처리

스마트 미터를 사용하여 스마트 그리드용 사용자{0}}측 전력 데이터를 수집할 때 외부 환경 요인의 간섭은 피할 수 없으며 수집된 데이터에 노이즈와 이상 현상이 발생합니다. 따라서 부하 식별 전 수집된 데이터의 전처리가 필요하여 효율성을 향상시킬 수 있습니다. 또한 스마트 그리드 부하 식별 기술의 일반화를 보장하기 위해 식별에 사용되는 부하 데이터 세트는 이상적으로 둘 이상의 사용자 가구에서 발생하는 다양한 유형의 전기 장치로 구성되어야 합니다. 이렇게 하면 식별에 사용되는 부하 데이터 세트가 보다 포괄적인 부하 데이터 세트를 포함하여 식별이 용이해집니다.

먼저, S-G 필터는 스마트 그리드의 사용자{1}}측 전력 데이터 잡음을 제거하는 데 사용됩니다. S-G 필터는 슬라이딩 윈도우를 통해 시간 영역에서 전력 데이터 신호를 맞추는 저-통과 필터로, 전력 데이터 신호의 평활화 및 잡음 제거를 달성합니다. 스마트 미터가 수집한 사용자- 전력 데이터 세트를 X=(x1, x2, …, xi, …, xn)라고 가정하고 수집된 데이터 세트에 맞게 ak-1차 다항식을 구성합니다. SG 필터 노이즈 제거 표현식은 다음과 같습니다.

공식에서 Y_i필터링 및 평활화 후의 스마트 그리드의 사용자{0}}전력 데이터입니다. a0, a1, a2, …, ak-1은 다항식 계수입니다. 식(4)에 의해 처리된 후 부하 데이터 펄스는 어느 정도 평활화되어 노이즈 간섭을 효과적으로 줄입니다. 그런 다음 데이터가 필터링되고 처리됩니다. 스마트 미터가 사용자 측 부하 데이터를 수집할 때 갑작스러운 장비 고장 및 기타 요인으로 인해 수집된 데이터에 비정상적인 값이 발생하게 됩니다. 이러한 비정상적인 값은 부하 식별 효과에 어느 정도 영향을 미칩니다. 따라서 스마트 그리드 부하 식별을 수행하기 전에 수집된 샘플 데이터에서 이상값을 삭제하는 것이 필요하다. 본 논문에서는 비정상적인 데이터를 삭제하기 위해 임계값(threshold) 방식을 사용한다. 간단히 말하면 합리적인 임계값을 미리 설정하고 수집된 부하 데이터를 순회하는 것입니다. 순회 과정에서 설정된 임계값을 초과하는 로드는 유지되고, 임계값을 초과하지 않는 로드는 삭제되며 보유된 데이터가 표준화됩니다. 표준화 계산 공식은 다음과 같습니다.

여기서 Y'는 표준화된 스마트 그리드 사용자-측 전력 데이터입니다. Y는 원본 스마트 그리드 사용자-측 전력 데이터의 평균입니다. 그리고 Y₀원래 스마트 그리드 사용자{0}}측 전력 데이터의 표준편차입니다. 마지막으로, 위 프로세스에 의해 전처리된 스마트 그리드 사용자{2}}측 전력 데이터를 결합하여 후속 부하 식별을 위한 고품질 부하 데이터 세트를 형성합니다.-

부하 식별을 위한 시간 컨벌루션 네트워크 모델 구축

일반적으로 스마트 미터기가 수집한 스마트 그리드 사용자{0}}측 전력 데이터는 강한 시간적 상관관계를 나타냅니다. 따라서 본 논문에서는 스마트 그리드 부하 식별을 위한 시간 컨벌루션 네트워크 모델을 구축한다. 시간적 컨볼루션 네트워크는 기본 컨볼루션 네트워크를 개선한 것으로 주로 인과 확장 컨볼루션과 잔차 연결이라는 두 가지 구성 요소로 구성됩니다. 인과 확장 컨볼루션은 단방향 구조입니다. 간단히 말하면, 다음 계층의 시간 신호는 이전 계층의 시간 신호에 의존해야만 다른 시간에 부하 데이터가 누출되지 않고 얻을 수 있습니다. 따라서 시간 컨볼루셔널 네트워크를 사용하여 구축한 인식 모델 역시 정보-제한 모델입니다. 게다가 모델의 컨벌루션 레이어의 출력은 네트워크 깊이의 영향을 받습니다. 따라서 실제 로드 식별에서는 더 깊은 네트워크로 인한 그래디언트 폭발을 방지하기 위해 인과 컨볼루션 레이어 수를 줄이거나 확장 컨볼루션의 샘플링 단계 크기를 늘리는 것이 필요합니다. 모델의 잔여 연결과 관련하여 본 논문에서는 모델 훈련 성능 저하를 방지하기 위해 건너뛰기 연결을 사용합니다. 시간 컨벌루션 네트워크 모델의 입력을 a, 첫 번째 레이어의 출력을 f(a)라고 가정하면, 시간 컨벌루션 네트워크 모델의 잔차 블록의 순방향 신경망은 다음과 같이 설명할 수 있습니다.

여기서 Ω1과 Ω2는 각각 시간 컨벌루션 네트워크 인식 모델의 첫 번째 및 두 번째 컨벌루션 계층의 가중치입니다. δ는 활성화 함수입니다. 그런 다음 공식 (6)에 따라 모델의 두 번째 컨벌루션 레이어의 출력을 얻을 수 있습니다.

여기서 g(a)는 시간 컨벌루션 네트워크 인식 모델의 두 번째 컨벌루션 계층의 출력입니다. 본 논문에서 시간 컨벌루션 네트워크 모델을 이용하여 스마트 그리드 부하 식별을 달성하는 과정은 다음과 같다. 먼저, 스마트 미터에서 수집한 스마트 그리드 사용자{1}}측 데이터를 모델에 입력하고, 모델 특징 추출 모듈에서 전력 사용량 데이터의 특징을 추출한다. 그런 다음 모델 훈련 단계가 시작되어 가중치 및 편향과 같은 매개변수를 설정합니다. 동시에 손실함수를 이용하여 데이터의 순방향 및 역방향 전파를 수행하여 목표 부하의 식별 라벨을 출력합니다. 요약하면, 이 문서는 스마트 미터 기술을 사용하여{5}}스마트 그리드 사용자 측 부하를 방해하지 않고 식별하는{6}} 방법을 제공합니다.

실험적 분석

실험 준비

스마트 그리드에서 스마트 미터 기술의 유효성을 검증하기 위해 REDDD 데이터 세트를 사용하여 시뮬레이션 실험을 수행했습니다. 데이터 세트 내 각 사용자의 전기 사용량 통계는 다양하므로 데이터 세트를 선별하고 분할하여 표 1과 같은 실험 데이터 세트를 얻었습니다.

풀 사이즈 테이블

Table 1에서 볼 수 있듯이, 이번 부하 식별 실험은 REDD 데이터세트의 6가지 유형의 전기 장비 부하를 실험 데이터로 사용하였으며, 총 1064개 샘플을 사용하였다. 다양한 실험적 전기 부하의 과도 전류 파형이 그림 1에 나와 있습니다.

图１ 实验电器负荷暂态电流波形

본 실험에서는 각 전기기기 부하의 과도 전류를 다차원 파형 특징으로 추출한 후 본 논문에서 설계한 부하 식별 방법을 사용하여 분류 및 식별하였다. 동시에, LSTM 기반의 스마트 그리드 부하 식별 기술과 신경망 기반의 스마트 그리드 부하 식별 기술을 대조군으로 선정하여 동일한 데이터 세트에 대해 식별 테스트를 실시하고 식별 결과를 획득하여 비교 분석하였다.

결과 분석

각 기술의 부하분류 및 식별 성능을 비교하기 위해 평균절대오차(MAE)를 평가지표로 사용하였으며 그 표현은 다음과 같다.

여기서 MAE는 스마트 그리드에 대한 부하 식별 결과의 평균 절대 오차(MAE)입니다. T는 감지 시간입니다. 와이_i는 i 시점의 실제 부하 값입니다. x는 i시간에서의 하중 식별 결과이다. 이 지표는 주로 특정 감지 기간 내 특정 순간의 식별 결과와 실제 부하 간의 오차를 반영하며 스마트 그리드 부하 식별 기술의 정확도를 측정하는 데 사용할 수 있습니다.

표 2는 대조군의 부하 식별 기술과 비교하여 제안된 기술이 6개 유형의 전기기기 전체의 부하 식별에 있어 어느 정도 향상된 성능을 보이고 있음을 보여준다. 제안된 부하 식별 기술은 대조군 기술 대비 각각 0.793kWh, 1.435kWh 감소한 1.135kWh의 평균절대오차를 달성하였다. 이는 본 백서에서 연구한 스마트 미터 기술이 스마트 그리드의 비침해적 부하 식별에 적합하고-우수한 정보 수집 및 애플리케이션 기능을 보유하고 있음을 보여줍니다. 다른 부하 식별 기술과 비교하여 본 논문에서 연구한 기술은 스마트 그리드의 사용자 측에서 전력 데이터를 효율적으로 추출하고 전력 데이터에 과도 전류와 같은 세부 정보를 유지할 수 있습니다. 최종적으로 분류를 위한 시간 컨벌루션 네트워크 모델에 적용되어 부하 식별 성능이 향상됩니다.