پیک سایی تطبیقی و داده‌محور در شبکه هوشمند انرژی الکتریکی با تحلیل داده‌های زیرساخت اندازه‌گیری پیشرفته

در این مقاله، روندی برای شناسایی بهترین گروه از مشترکین از منظر شرکت‌های خدماتی برای مشارکت در پیک سایی ارائه‌شده است. این روند مبتنی‌بر استفاده از داده‌های کنتورهای هوشمند در زیرساخت اندازه‌گیری پیشرفته، الگوریتم‌های داده‌کاوی و شناسایی الگو است. تحلیل‌ها حاکی از این نکته هستند که مشترکین با رفتارهای مصرفی متفاوت دارای تاثیرگذاری متفاوتی روی پیک بار مصرفی شبکه هستند. ازاین‌رو شناسایی الگوی مصرف و در نظر گرفتن شرایط شبکه ازلحاظ توزیع مصرف‌کننده‌ها منجر به انتخاب بهترین گروه از آن‌ها برای این هدف می‌شود. بهترین انتخاب زمانی انجام می‌شود که بتوان با تحت تاثیر قرار دادن کم‌ترین تعداد مشترک، به پیک سایی و پروفیل بار هموار مورد انتظار دست‌یافت. نتایج تحلیل‌های صورت‌گرفته در این مقاله کارایی بسیار مناسب روند دادهمحور پیشنهادی را تایید می‌نمایند. این روند توانسته با کمک داده‌های تقریباً زمان واقعی روی مصرف مشترکین، اثرگذارترین گروه از آن‌ها را شناسایی و تعداد مشترکین درگیر در برنامه پیک سایی را کاهش دهد و همچنین پروفیل بار مطلوب را نیز حاصل نماید. در این میان، نقش داده‌های کنتورهای هوشمند با تفکیک مناسب مقادیر ثبت‌شده مصرف در این روش دادهمحور بسیار مهم است. لازم به ذکر است که روش پیشنهادی روی یک مجموعه داده مصرف خانگی مربوط به کشور ایرلند که از طریق سایت issda در اختیار قرارگرفته، پیاده شده است.

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

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 datadriven 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 realtime 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).