پيك سايي تطبيقي و داده‌محور در شبكه هوشمند انرژي الكتريكي با تحليل داده‌هاي زيرساخت اندازه‌گيري پيشرفته

Adaptive Data-Driven Peak Shaving in Smart Grid Electricity Energy by Advanced Metering Infrastructure Data Analytics

در اين مقاله، روندي براي شناسايي بهترين گروه از مشتركين از منظر شركت‌هاي خدماتي براي مشاركت در پيك سايي ارائه‌شده است. اين روند مبتني‌بر استفاده از داده‌هاي كنتورهاي هوشمند در زيرساخت اندازه‌گيري پيشرفته، الگوريتم‌هاي داده‌كاوي و شناسايي الگو است. تحليل‌ها حاكي از اين نكته هستند كه مشتركين با رفتارهاي مصرفي متفاوت داراي تأثيرگذاري متفاوتي روي پيك بار مصرفي شبكه هستند. ازاين‌رو شناسايي الگوي مصرف و در نظر گرفتن شرايط شبكه ازلحاظ توزيع مصرف‌كننده‌ها منجر به انتخاب بهترين گروه از آن‌ها براي اين هدف مي‌شود. بهترين انتخاب زماني انجام مي‌شود كه بتوان با تحت تأثير قرار دادن كم‌ترين تعداد مشترك، به پيك سايي و پروفيل بار هموار مورد انتظار دست‌يافت. نتايج تحليل‌هاي صورت‌گرفته در اين مقاله كارايي بسيار مناسب روند داده-محور پيشنهادي را تأييد مي‌نمايند. اين روند توانسته با كمك داده‌هاي تقريباً زمان واقعي روي مصرف مشتركين، اثرگذارترين گروه از آن‌ها را شناسايي و تعداد مشتركين درگير در برنامه پيك سايي را كاهش دهد و همچنين پروفيل بار مطلوب را نيز حاصل نمايد. در اين ميان، نقش داده‌هاي كنتورهاي هوشمند با تفكيك مناسب مقادير ثبت‌شده مصرف در اين روش داده-محور بسيار مهم است. لازم به ذكر است كه روش پيشنهادي روي يك مجموعه داده مصرف خانگي مربوط به كشور ايرلند كه از طريق سايت ISSDA در اختيار قرارگرفته، پياده شده است.

In this paper, a novel procedure is proposed to identify the most efficient group of customers for participating in the peak shaving from utility companies’ point of view. This procedure is based on the smart meter data in advanced metering infrastructure (AMI), data mining and pattern recognition algorithms. Studies implies that customers with different consumption behaviors show different effects on the peak load. Consumption pattern recognition in addition to considering networks condition from consumers’ distribution point of view culminates in the most efficient group of them for this aim. The most efficient selection is made when the expected load profile is achieved by affecting the least number of customer as possible. The analysis and results of this paper confirm effectiveness of the proposed data-driven method. This method is able to reduce the number of affected customers in a peak shaving program by identifying the most efficient group of customers in a near real-time data exchanging in the grid. It should be noted that, the proposed method is implemented on a real dataset related to the Irish anonymized households’ consumption data which is provided from Irish Social Science Data Archive (ISSDA).