شبیه سازی و ترجمه مقاله مانیتورینگ بار غیر قابل نفوذ شارژ خودروهای الکتریکی با نرخ نمونه پایین

1. مقدمه 2. چالش 3. الگوریتم پیشنهادی 4. نتایج آزمایشی 5. نتیجه گیری

چکیده – مانتیتورینگ بار غیرمداخله گر NILM موضوع مهم خانه های هوشمند و شبکه هوشمند می باشد. بسیاری از الگوریتم های تجزیه انرژی برای شناسایی وسایل شخصی مختلف از طریق مشاهده سیگنال متراکم پیشنهاد شده اند. با این حال، آثار کمی به بررسی تجزیه انرژی خودروهای الکتریکی پلاگین (EV) (شارژ از طریق منبع خارجی) می پردازند که در محیط مسکونی شارژ می شوند چون EVهایی که در خانه شارژ می شوند به تازگی ظهور یافته اند. مطالعات اخیر نشان می دهند که شارژ EV بویژه در تابستان تاثیر قابل توجهی بر شبکه هوشمند دارد. بنابراین، مانیتورینگ شارژ EV بخش مهم تجزیه انرژی می باشد. در این مقاله، روش جدیدی برای تجزیه سیگنالهای شارژ EV از طریق سیگنالهای قدرت واقعی متراکم ارائه می دهیم. روش پیشنهادی می تواند مداخله حاصل از مطبوع کننده هوا AC را کاهش داده و شناسایی شارژ صحیح EV و تخمین انرژی تحت سیگنال قدرت AC را امکان پذیر می سازد. بعلاوه، الگوریتم پیشنهادی نیازمند هیچگونه آموزشی نبوده، نیازمند بار محاسباتی کم است، دقت تخمین بالایی دارد و برای داده های ثبت شده با نرخ نمونه گیری پایین 1/60 Hz عملکرد خوبی دارد. زمانیکه الگوریتم برروی داده های واقعی ثبت شده از 11 خانه در طول یکسال تست شد (ارزش کلی داده ها 125 ماه)، میانگین خطای برآورد مصرف انرژی برای شارژ، EV 208.5 می باشد و میانگین خطای میانگین مربعات نرمال به هنگام تجزیه سیگنالهای بار شارژ EV 0.19 خواهد بود.

Non-intrusive load monitoring (NILM) is an important topic in smart-grid and smart-home. Many energy disaggregation algorithms have been proposed to detect various individual appliances from one aggregated signal observation. However, few works studied the energy disaggregation of plugin electric vehicle (EV) charging in the residential environment since EVs charging at home has emerged only recently. Recent studies showed that EV charging has a large impact on smartgrid especially in summer. Therefore, EV charging monitoring has become a more important and urgent missing piece in energy disaggregation. In this paper, we present a novel method to disaggregate EV charging signals from aggregated real power signals. The proposed method can effectively mitigate interference coming from air-conditioner (AC), enabling accurate EV charging detection and energy estimation under the presence of AC power signals. Besides, the proposed algorithm requires no training, demands a light computational load, delivers high estimation accuracy, and works well for data recorded at the low sampling rate 1/60 Hz. When the algorithm is tested on real-world data recorded from 11 houses over about a whole year (total 125 months worth of data), the averaged error in estimating energy consumption of EV charging is 15.7 kwh/month (while the true averaged energy consumption of EV charging is 208.5 kwh/month), and the averaged normalized mean square error in disaggregating EV charging load signals is 0.19.

شارژ خودروهای برقی

شارژ خودروهای الکتریکی و برقی و شارژ خودروی هیبریدی امروزه جز مهمترین مباحث در شبکه های هوشمند می باشند. افزایش قابل توجه تعداد خودروهای الکتریکی باعث توجه بیشتر به آنها در کاهش اثرات سو ناشی از شار خودروهای الکتریکی به شبکه توزیع شده است.

شارژ خودروهای الکتریکی بخصوص در زمان اوج بار می تواند استرس های زیادی بر روی شبکه الکتریکی وارد نماید. مانیتورینگ بار غیر قابل نفوذ (INLM) یک موضوع مهمی در زمینه شبکه هوشمند و خانه هوشمند به حساب می آید. بسیاری از الگوریتم های جداسازی انرژی برای تشخیص دستگاه های مختلف فردی از یک مشاهدات سیگنال جمعی ارائه شده است. با این حال، مطالعات مربوط به جداسازی انرژی شارژ پلاگین خودروهای الکتریکی (EV) در محیط های مسکونی شارژ در خانه خودروهای الکتریکی به تازگی در مقالات مختلف چاپ شده اند. مطالعات اخیر نشان می دهد که شارژ خودروهای الکتریکی به خصوص در تابستان تاثیر زیادی بر روی شبکه هوشمند دارد. لذا نظارت بر روی شارژ خودروهای الکتریکی (EV) تبدیل به یک قطعه ی گم شده ی بسیار مهم و ضروری در تفکیک انرژی احساس می شود. در این مقاله نیز یک روش جدیدی برای جداسازی سیگنال شارژ EV از مجموع سیگنال های قدرت ارائه شده است.