کنتور هوشمند ولتاژ پایین برای نظارت بر اختلالات کیفیت توان اعمال‌شده در شبکه هوشمند

مقادیر زیادی از داده‌های جمع‌آوری‌شده توسط کنتورهای هوشمند (SM) مانند انرژی الکتریکی، مصرف گاز آب و معیارهای کیفیت توان (PQ) می‌تواند جریان عظیمی از اطلاعات منتقل‌شده بین مصرف کنندگان و خدمات را ایجاد کند. در این زمینه، معماری حاشیه- مه – ابر مبتنی بر یک SM کم‌هزینه پیشنهاد شده‌است. SM بکار رفته سیگنال‌های ولتاژ و جریان را به دست می‌آورد تا بسامد و دامنه آن‌ها را به دست آورد و اجازه می‌دهد که PQ از طریق روش‌های تشخیص و طبقه‌بندی اختلالات مورد پایش قرار گیرد تا تنها اطلاعاتی در مورد اختلالات ردیابی شده در شبکه هوشمند ارسال شود در نتیجه ترافیک شبکه مرتبط با اختلالات PQ در شبکه هوشمند کاهش می‌یابد. روش پیشنهادی در یک SM کم‌هزینه قرار داده شد تا تبادل اطلاعات با ابزاررا فعال کند و پتانسیل عظیمی برای سناریوهای واقعی ارایه دهد.

Highlights•A new method for power quality disturbance detection and classification based on deep learning at the edge.•Deep learning is used for automatic feature extraction and selection.•The proposed methodology is embedded in a low-cost smart meter.•Performance evaluation using accuracy, precision, recall and F1-Score.AbstractThe large amounts of data collected by smart meters (SM), such as electric energy, water gas consumption and power quality (PQ) metrics, can create a massive flow of data transmitted between consumers and utilities. In this context, an edge-fog-cloud architecture based on a low-cost SM is proposed. The employed SM acquires voltage and current signals to obtain their frequency and amplitude, allowing PQ to be monitored through methods of detection and classification of disturbances in order to send only information about the detected disturbances to the utility, thus reducing network traffic associated with PQ disturbances in Smart Grids. The proposed methodolog