基于邊緣計算的虛擬電廠架構及光伏出力預測算法研究

洪 媛，黃 亮，2，謝長君，張銳明

（1.武漢理工大學，湖北 武漢430070；2.復變時空（武漢）數(shù)據(jù)科技有限公司，湖北 武漢430070；3.廣東廣順新能源動力科技有限公司，廣東 佛山528000）

0 引言

眾所周知，電力需求的不斷增長以及全球范圍內能源緊缺和環(huán)境污染等問題的日益嚴峻，使得傳統(tǒng)能源發(fā)電的弊端日趨嚴峻。太陽能、風能等可再生清潔能源有著發(fā)電成本低、有利于保護環(huán)境等優(yōu)勢，成為了未來全球能源發(fā)展的主要方向［1］。分布式可再生能源在運行時，其出力的隨機性、間歇性和波動性較大，當這些具有發(fā)電不確定性的分布式能源接入到傳統(tǒng)大電網(wǎng)體系中將會降低電網(wǎng)的安全性和供電可靠性。為了解決這一問題，可以采用虛擬電廠（Virtual Power Plant，VPP）技術對分布式電源進行靈活控制，實現(xiàn)分布式電源的協(xié)調控制與能量管理，從而保證電網(wǎng)的安全穩(wěn)定運行。虛擬電廠通過配套的調控及通訊技術將分布式電源（distributed generation，DG）、可控負荷（dispatchable load，DL）和分布式儲能設施（distributed energy storage，DES）聚合成一個整體［2］，使其能夠對各類分布式能源資源進行調控，并參與電力市場及其輔助服務市場運營，實現(xiàn)實時電能交易，同時優(yōu)化資源利用，提高供電可靠性［3］。

但是，隨著可再生能源等分布式發(fā)電資源數(shù)量不斷增加以及各類智能化城市、家居等智能終端設備的大量接入，電網(wǎng)企業(yè)與電力用戶之間、電氣設備與控制中心之間會產(chǎn)生大量的數(shù)據(jù)流［4］，隨著人們對智能終端設備應用需求種類的不斷增多，智能終端及電氣設備使用的時空分布相比于傳統(tǒng)也會更加分散，對傳統(tǒng)電力系統(tǒng)的數(shù)據(jù)采集及分析將是一個巨大的挑戰(zhàn)［5］。云計算的性能在萬物互聯(lián)帶來的海量數(shù)據(jù)的沖擊下，正逐漸達到處理極限。其一，隨著終端設備的增加，實時性數(shù)據(jù)會大量產(chǎn)生，這樣對云中心服務器的計算效率帶來了很大的挑戰(zhàn)；其二，對網(wǎng)絡帶寬的要求也會伴隨著終端設備的增加而大大提高，例如，無人駕駛汽車技術裝載在車里的眾多攝像頭和傳感器每秒將產(chǎn)生約1 GB的實時路況捕捉數(shù)據(jù)信息，這些數(shù)據(jù)在現(xiàn)有的網(wǎng)絡帶寬下，難以實時傳輸［6］。顯然，隨著大量移動終端設備的接入，集中式的云計算已經(jīng)無法應對在數(shù)據(jù)接納和實時性等方面的要求［7］，那么就需要加入邊緣計算。

邊緣計算是指在網(wǎng)絡邊緣側對海量的邊緣數(shù)據(jù)進行處理，以此來減輕云計算中心的壓力和對云計算中心的依賴，從而有效實現(xiàn)邊緣網(wǎng)絡一定程度的自主性，降低脫網(wǎng)威脅［8］；同時利用邊緣計算優(yōu)化路由、節(jié)點、帶寬等網(wǎng)絡關鍵參數(shù)，有利于實現(xiàn)智能路由［9］。此外，其在電力應用方面目前已有大量理論研究支撐：文獻［10］認為結合通信網(wǎng)絡、邊緣計算和物聯(lián)網(wǎng)技術的信息物理系統(tǒng)（CPS）將能為泛在感知、智能控制和多能源互聯(lián)互通的主動配電網(wǎng)的實現(xiàn)提供重要保障，文獻［11］則給出在CPS建模過程中可能需要解決的技術問題。在電力需求方面，文獻［12］指出邊緣計算能夠很好地解決可再生能源等分布式發(fā)電資源數(shù)量不斷增加以及電氣設備自動化程度的不斷提高使得電氣設備使用的時空分布更加分散及數(shù)據(jù)的采集和分析困難等問題。文獻［13］基于相關的需求響應協(xié)議設計了邊緣計算節(jié)點的通信協(xié)議和架構，并展望了其在需求響應領域中的應用。

為此，本文提出一種將邊緣計算運用到虛擬電廠的架構設計的理念，借助于邊緣計算的優(yōu)勢解決虛擬電廠在數(shù)據(jù)分析、處理方面的弊端，將邊緣計算應用在虛擬電廠中，可以有效地提高各分布式電源產(chǎn)生的巨量數(shù)據(jù)的存儲和處理效率，減少傳輸數(shù)據(jù)所占用的帶寬，使得虛擬電廠更加有效及快速地對各類分布式能源進行優(yōu)化調度，提高其可靠性及實時性；同時將灰色GM（1，2）-馬爾可夫預測模型首次用于預測該架構邊緣側的光伏出力，為光伏出力預測提供了新途徑并提高其適用性和準確性。

1 基于邊緣計算的虛擬電廠

1.1 基于邊緣計算的虛擬電廠架構設計

伴隨大量分布式能源發(fā)電設備和儲能設備的離并網(wǎng)以及需求側響應，虛擬電廠對大數(shù)據(jù)處理技術的需求顯而易見。不僅如此，如天氣信息、負載用電歷史數(shù)據(jù)、儲能設備運行狀態(tài)等各種數(shù)據(jù)決定了虛擬電廠大數(shù)據(jù)的多源特性。為了解決現(xiàn)有虛擬電廠中的實時性不足等現(xiàn)實問題，本文提出基于邊緣計算的虛擬電廠架構。

如圖1 所示為虛擬電廠的一種典型結構框架，主要包括分布式可再生能源機組、用戶負荷（居民負荷、商業(yè)負荷、工業(yè)負荷、可控負荷等）、可控發(fā)電機組、分布式儲能設備（儲能電池系統(tǒng)、電動汽車等）和控制協(xié)調中心幾部分［14］。從圖2 可以看出，虛擬電廠通過信息通信技術整合分散在多地域、多樣化、多層級的分布式發(fā)電機組、分布式儲能系統(tǒng)和可控負荷進行協(xié)同優(yōu)化調度，以“虛擬”實體身份參與電力系統(tǒng)調度和市場交易，且自始至終與主網(wǎng)保持雙向能量流、通信流和交易流的交換，整體呈現(xiàn)出運行柔性、系統(tǒng)開放、出力可控特征。

基于邊緣計算的虛擬電廠架構如圖2 所示，其在各分布式能源、用戶負荷、分布式儲能和分布式燃料機組與虛擬電廠協(xié)調控制中心的信息通訊路徑內加入邊緣計算節(jié)點，對智能電表數(shù)據(jù)進行采集并將傳輸?shù)陌l(fā)電、用電數(shù)據(jù)進行處理，以縮短時延和減輕控制協(xié)調中心的服務器運算壓力。

圖1 虛擬電廠典型結構框架Fig.1 Typical structural framework of virtual power plants

在邏輯應用上，邊緣計算節(jié)點（edge computing node，ECN）可以分成4 類，分別是智能化設備、輕量級計算系統(tǒng)、智能網(wǎng)關系統(tǒng)和智能分布式系統(tǒng)。它們都具有數(shù)字化、網(wǎng)絡化、智能化等特征，并且能夠提供網(wǎng)絡、計算、存儲等資源技術。ECN的主要功能包括總線協(xié)議適配、實時連接、實時數(shù)據(jù)分析、時間數(shù)據(jù)序列訪問、策略執(zhí)行、設備即插即用以及資源管理等。在基于邊緣計算的虛擬電廠架構體系中，智能電表、氣象傳感器等屬于設備級節(jié)點，可以獲取實時的分布式能源發(fā)電量、儲能系統(tǒng)容量、用戶負荷數(shù)據(jù)及氣象預測；每個智能網(wǎng)關都支持多類型網(wǎng)絡接口和總線協(xié)議并適配多種網(wǎng)絡拓撲，可以實現(xiàn)系統(tǒng)互聯(lián)并提供本地計算能力和足量存儲空間，此外，還能夠和云端系統(tǒng)建立聯(lián)系進行協(xié)同管理；智能分布式系統(tǒng)框架基于分布式架構，可以在邊緣側擴展網(wǎng)絡、計算和存儲功能，實現(xiàn)資源面向市場需求的動態(tài)調度。

圖2 基于邊緣計算的虛擬電廠架構Fig.2 Virtual power plant architecture based on edge computing

本文設計的基于邊緣計算的虛擬電廠架構采用了集中與分散控制模式，將邊緣計算節(jié)點作為低層控制，虛擬電廠能源管理中心為高層控制。分布式可再生能源發(fā)電、用戶負荷、分布式燃料機組和分布式儲能作為虛擬電廠的組成部分，各個邊緣計算節(jié)點控制著其對應的部分，能源管理中心將各邊緣計算節(jié)點連接起來進行信息交互和決策運算。虛擬電廠的優(yōu)化運行由邊緣計算模塊與能源管理中心共同完成，邊緣計算節(jié)點進行數(shù)據(jù)的采集并做預處理，能源管理中心接收處理結果進行運算并生成最優(yōu)決策方案。這種結構充分發(fā)揮了集中式控制結構和分散式控制結構的各自優(yōu)勢，不僅確保了整個虛擬電廠的協(xié)調運行，也提高了決策效率。

在虛擬電廠的運行過程中，邊緣計算與云計算都是必不可少的，而且需要相互協(xié)同。云計算專注于對非實時和長期數(shù)據(jù)的分析，在定期維護和業(yè)務決策支撐等領域存在優(yōu)勢。邊緣計算則聚焦實時的、短周期的數(shù)據(jù)分析，及時本地處理，能更好地實時智能化處理和執(zhí)行本地業(yè)務。在“云邊協(xié)同”架構中，邊緣計算通過在邊緣服務器部署的智能算法對終端采集到的數(shù)據(jù)進行大數(shù)據(jù)分析和算法運算，提取出的特征量和預測結果將作為虛擬電廠最優(yōu)運行決策的重要參考來源。虛擬電廠內部業(yè)務包括遠程能源管理、光伏消納等，與電網(wǎng)的聯(lián)結業(yè)務有可再生能源消納、需求側競價等，這些業(yè)務在出力過程中可能會存在沖突，需要根據(jù)完成效益進行協(xié)同。業(yè)務的協(xié)同為管理協(xié)同的進行奠定了基礎，管理人員不需要對現(xiàn)有的管理模式進行更改，只需根據(jù)傳輸?shù)皆浦行牡挠幸饬x數(shù)據(jù)并反饋給智能終端，保證運維服務的完善，定期對電力市場交易規(guī)則進行更新，將電網(wǎng)資源進行整合并控制不確定性，以確保電網(wǎng)的安全、穩(wěn)定、可靠的運行。

相較于現(xiàn)有虛擬電廠架構，基于邊緣計算的虛擬電廠調度系統(tǒng)具有類型多、數(shù)量大的智能終端，未來也會向高密度和集成化的多個子系統(tǒng)方向發(fā)展。虛擬電廠調度系統(tǒng)在邊緣側就能進行數(shù)據(jù)處理，通過小型高性能的計算單元將高層控制的一些業(yè)務分散在各邊緣節(jié)點處進行，這樣一來不但網(wǎng)絡整體的數(shù)據(jù)計算和存儲能力得到全面擴展，也提高了業(yè)務的實時性和準確性。它綜合現(xiàn)有各類能源管理系統(tǒng)的優(yōu)勢，能夠全面精準展示發(fā)電產(chǎn)量和用戶能耗。

1.2 邊緣計算節(jié)點中的智能終端設計

虛擬電廠的協(xié)調控制離不開完善的計量技術［15］，該技術能夠幫助虛擬電廠掌握其內部不同單元的運行信息狀態(tài)，控制虛擬電廠分布式電源的出力工況。智能計量技術通過主動性智能化的監(jiān)控終端，采集發(fā)電和用電數(shù)據(jù)并獲取用戶冷熱電氣水等能源消費需求量和能源供給量，實現(xiàn)自助抄表，為確定區(qū)域內的能源需求和供給量提供重要的技術支持。想要實現(xiàn)虛擬電廠的智能化運行，必須依賴智能計量技術，實現(xiàn)分布式能源、用戶負荷等內部的能量管理平衡，既能實時獲取虛擬電廠內部的能量需求，又能夠及時進行能量供給決策，以達到能量供需平衡的目標。對終端用戶來說，智能化的計量技術可以幫助用戶分析其不同能源的消費行為，為優(yōu)化用戶的能源消費行為和獲取最佳的用能效益提供關鍵的決策依據(jù)。

本文設計的邊緣計算節(jié)點中的智能終端不僅具有智能計量技術還具備智能網(wǎng)關的作用，同時還與邊緣計算服務器進行通訊并分析用戶用電行為和最佳用能效率等。智能終端的系統(tǒng)模塊設計如圖3所示，硬件總體設計主要分為3個部分：核心部分是主控單元，主要包括MCU芯片，電源模塊、安全模塊（掉電保護）、電能計量模塊，存儲模塊、RTC時鐘、LCD顯示、RS485串口模塊等部分；其次是受控單元，主要是擴展IO口，控制著負荷開關等，根據(jù)應用場景的變化可選擇固態(tài)開關或普通開關；另外是串口通信和人機交互模塊，要想通過智能計量設備內置的算法或與云端后臺管理系統(tǒng)中的命令和算法進行遠程控制和數(shù)據(jù)采集監(jiān)測，則需要實現(xiàn)智能計量設備與云端后臺管理系統(tǒng)間的實時通信功能設計，智能終端將采集的分布式能源出力及用戶側負荷通過以太網(wǎng)、WIFI等上傳給邊緣計算節(jié)點的服務器端。

圖3 智能終端功能模塊圖Fig.3 Smart terminal function module diagram

2 邊緣側出力預測優(yōu)化算法

上文有提到可以通過在邊緣服務器中部署算法程序來對終端采集到的數(shù)據(jù)進行數(shù)據(jù)分析和數(shù)據(jù)處理，并將數(shù)據(jù)計算運行結果作為虛擬電廠的優(yōu)化決策依據(jù)的問題描述。受各種天氣因素的影響，可再生能源的發(fā)電量具有較大的波動性，因此，對可再生能源發(fā)電機組的出力預測成為了邊緣側智能算法的重要組成部分。以預測光伏發(fā)電站出力為例，目前主要有兩類出力預測方法：統(tǒng)計學和人工智能。統(tǒng)計學方法主要有多元線性回歸模型、三維模型等，人工智能方法主要有BP 神經(jīng)網(wǎng)絡、灰色模型、粒子群和支持向量機等［16］。采用神經(jīng)網(wǎng)絡算法預測光伏出力，易出現(xiàn)局部最優(yōu)的狀況［17-18］；為了避免BP神經(jīng)網(wǎng)絡算法預測處理時陷入局部最優(yōu)，提出了引入自適應學習率調節(jié)和陡度因子的BP神經(jīng)網(wǎng)絡算法，能夠加快算法的收斂速度［19］；將遺傳算法和BP 神經(jīng)網(wǎng)絡算法相結合也能用于預測光伏出力［20-21］；采用支持向量機的辦法預測光伏出力時，在預測長期的、數(shù)據(jù)量較大的光伏出力系統(tǒng)上，收斂性不理想且精確度不高［22-25］；運用馬爾可夫鏈預測模型進行光伏出力預測，對數(shù)據(jù)波動性較大的光伏系統(tǒng)出力預測有著較高的準確性［26］；采用基于灰色模型預測光伏出力時對原始數(shù)據(jù)的要求比較高［27］。

針對上述問題，本文建立了一種基于灰色系統(tǒng)GM（1，2）模型和馬爾可夫鏈預測的組合預測模型。

2.1 灰色GM(1,2)-馬爾可夫預測模型原理

2.1.1 灰色系統(tǒng)模型

灰色系統(tǒng)模型預測聚焦于各影響因素之間的發(fā)展聯(lián)系，能夠把含有不確定因素的系統(tǒng)進行定量預測［28］，通過對歷史數(shù)據(jù)進行累加處理生成有規(guī)律的序列并建立灰色微分方程，從而建立起灰色系統(tǒng)預測模型，然后從中發(fā)現(xiàn)原始數(shù)據(jù)波動的規(guī)律［29］，以此為基礎對未來狀態(tài)進行規(guī)律的、科學的預測［30］。將隨機變量作為灰色模型變量，先累加處理歷史數(shù)據(jù)，使處理后的數(shù)據(jù)具有更強的規(guī)律性，之后根據(jù)灰色模型得到的相應灰色微分方程進一步處理數(shù)據(jù)，最后利用逆處理推出原始數(shù)據(jù)的預測值［31］。

在處理數(shù)據(jù)量少、數(shù)據(jù)波動性不大的系統(tǒng)時灰色GM（1，1）預測模型能有較高的準確性，但當數(shù)據(jù)波動較大時往往不能很好地掌握其波動規(guī)律，從而導致預測結果不夠精確［32］。而GM（1，2）模型在灰色GM（1，1）預測模型的基礎上增加一個與主序列有著較強關聯(lián)性的從序列，能夠在原始數(shù)據(jù)隨機性較大時保證預測結果的高精確性，其模型如下：

取光伏發(fā)電功率作為原始數(shù)據(jù)序列：

其相關因素的從序列為：

建立的灰色生成模型為：

得到相應的微分方程

式（6）中，a為灰色模型的發(fā)展系數(shù)，b為灰色系統(tǒng)的灰色系數(shù)。

通過求解式（6）微分方程得到灰色模型預測方程為：

求得相應的原始數(shù)據(jù)預測值為：

2.1.2 馬爾可夫鏈模型

馬爾可夫鏈是一個具有離散狀態(tài)和時間分布的時間序列，存在隨機性和無后效性，運用馬爾可夫鏈進行預測可以進行有效的動態(tài)預測［33］。下面是其預測模型搭建的基本步驟：

設定隨機過程{xn，n ∈T}，其中的時間參數(shù)T 滿足T ={0，1，2，…}，狀態(tài)空間I ={i0，i1，i2，…}，如果該隨機過程{xn，n ∈T}對任意時間參數(shù)T 和狀態(tài)空間I，滿足如式（10）所示的條件分布

則該隨機過程{xn，n ∈T}稱為馬爾可夫鏈。

當該隨機系統(tǒng)中，一種狀態(tài)變成另一種狀態(tài)時，稱為狀態(tài)轉移，馬爾可夫鏈的一個狀態(tài)更改為另一個狀態(tài)的過程中，存在狀態(tài)轉移概率分布，其轉移條件概率如式（11）所示

若存在狀態(tài)Xn= i 轉移到Xn+1= j 的轉移概率Pij與時間參數(shù)n無關，則該馬爾可夫鏈是齊次的，其狀態(tài)轉移矩陣最終是趨于穩(wěn)定的。

2.1.3 灰色GM（1，2）-馬爾可夫預測模型

若原始數(shù)據(jù)具有較大的波動性和隨機性，采用灰色系統(tǒng)模型預測時會產(chǎn)生較大誤差。

馬爾可夫鏈能夠很好地反映隨機過程的特征，具有無后效性的特點，同時光伏發(fā)電量受到天氣變化的極大影響，這是一個隨機過程，波動較大。馬爾可夫鏈預測模型使用狀態(tài)之間的轉移概率來預測未來狀態(tài)，可以很好地反映隨機因素的影響，在原始數(shù)據(jù)波動性較大的預測中依然可以有效地進行預測。故本文將灰色GM（1，2）模型與馬爾可夫鏈組合起來，以期獲得更高的預測精度。

建立灰色GM（1，2）-馬爾可夫預測模型總體分為以下幾步：

1）通過對光伏發(fā)電量序列及其相關因素的分析，確定GM（1，2）預測中相關因素序列x(0)2，取n天的光伏發(fā)電量作為原始數(shù)據(jù)，建立灰色系統(tǒng)GM（1，2）模型；

2）利用灰色系統(tǒng)GM（1，2）模型，預測出發(fā)電量；

3）以灰色系統(tǒng)模型的預測結果為基礎，選用合適的狀態(tài)劃分方式對n天光伏發(fā)電量的實際數(shù)據(jù)和預測數(shù)據(jù)進行狀態(tài)劃分，建立馬爾可夫鏈預測模型進行修正來得到最終的預測結果。

灰色GM（1，2）-馬爾可夫預測模型流程具體步驟如圖4所示。

圖4 灰色GM(1，2)-馬爾可夫預測模型流程圖Fig.4 Gray GM(1，2)-markov predictive model flow chart

之后，對灰色GM（1，2）預測進行馬爾可夫修正來進一步提高其準確性。首先，需要進行狀態(tài)劃分，為了修正灰色預測值，可以對誤差進行狀態(tài)劃分，從而減小灰色預測值的誤差來提高精確度，將發(fā)電功率實際值與預測值進行誤差分析，計算n 天內灰色GM（1，2）預測值與實際發(fā)電量之間的相對誤差ε（k）。

其中k = 1，2，…，n，然后把相對誤差劃分成m 個狀態(tài)，若ε（k）∈（d1i，d2i），i = 1，2，…，m，那么第k天的相對誤差處于Ei狀態(tài)，d1i，d2i為Ei狀態(tài)的上界和下界；劃分好狀態(tài)區(qū)間后，根據(jù)相對誤差確定各天相對誤差所對應的狀態(tài)，按照步長的不同，根據(jù)式（13）分別求取其對應的狀態(tài)轉移矩陣P(k)；分析預測日所處時間和前K天（含當天）中每一天各自的時間間隔，即確定狀態(tài)轉移步長k，在狀態(tài)轉移矩陣P(k)中按步長k的不同，各自取應的行組成新的矩陣，作為預測下一時刻系統(tǒng)所處狀態(tài)的概率分布矩陣P；根據(jù)概率分布矩陣，確定概率最大的狀態(tài)為預測日所處的誤差狀態(tài)Ei，則最終的預測值為

由此便完成了對灰色GM（1，2）模型預測值的馬爾可夫修正，縮小預測誤差，進一步提高灰色GM（1，2）-馬爾可夫預測模型的準確性。

2.2 算例仿真

以遼寧省錦州市某光伏電站2015年1月6日至20日的發(fā)電量為原始數(shù)據(jù)，采用灰色GM（1，2）-馬爾可夫預測模型對其光伏發(fā)電量進行預測。

2.2.1 灰色系統(tǒng)GM（1，2）模型預測

該光伏電站原始數(shù)據(jù)如表1所示。

表1 6-20日光伏實際功率與輻照強度Table 1 6-20 days of actual PV power and irradiation intensity

搭建MATLAB仿真模型，用灰色系統(tǒng)GM（1，2）模型對其15 d的發(fā)電量進行預測，預測結果如圖5所示。

圖5 灰色系統(tǒng)GM(1，2)模型預測結果Fig.5 Gray system GM(1，2)model prediction results

根據(jù)馬爾可夫鏈狀態(tài)空間劃分方法結合實際數(shù)據(jù)，將相對誤差分為5 種狀態(tài)，劃分標準如表2。繪制15 d實際值與灰色系統(tǒng)預測值對比表格并按表2的劃分確定相對誤差所處的狀態(tài)如表3。

表2 相對誤差劃分狀Table 2 Relative error division

表3 6-20日光伏實際出力與灰色系統(tǒng)預測出力Table 3 6-20 PV actual output and grey system forecast power

2.2.2 加權馬爾可夫鏈預測

從表2 每天的狀態(tài)，根據(jù)式（6）可以計算出1 到5步長的概率轉移矩陣。

選取預測日，以1 日～11 日為例，前5 日的相對誤差所在的狀態(tài)作為初始狀態(tài)，離預測日遠近將轉移步數(shù)分為1，2，3，4，5，在對應的概率轉移矩陣中，取初始狀態(tài)所在的行向量構成新的矩陣：

計算可得1月11日的最終發(fā)力預測值為3 496.5 kWh，同理得到灰色-馬爾可夫鏈預測結果如表4所示。

通過對比表3 和表4，可以看出僅僅通過灰色GM（1，2）模型預測的發(fā)電量仍存在較大誤差，相對誤差最高達17%，對比經(jīng)過馬爾可夫鏈修正的預測結果，其相對誤差明顯縮小，最大不超過5%。由此可以看出，將灰色GM（1，2）預測模型同馬爾可夫鏈結合起來，各自的優(yōu)勢得以發(fā)揮。運用灰色GM（1，2）模型對邊緣側光伏出力進行預測時，其預測結果雖然具有一定的精度但效果不太理想，利用在預測數(shù)據(jù)波動性、隨機性較大系統(tǒng)時表現(xiàn)較好的馬爾可夫鏈進行修正后，使得最終的預測結果更加精確。

表4 灰色-馬爾可夫鏈預測結果Table 4 Grey-markov chain predictionresults

3 結語

為了解決分布式能源大量接入到電網(wǎng)所帶來的沖擊以及滿足虛擬電廠在數(shù)據(jù)處理和實時性的要求，提出了基于邊緣計算的虛擬電廠架構，在虛擬電廠架構中增加邊緣節(jié)點把邊緣計算技術用于實時數(shù)據(jù)的處理，從而提高其可靠性及實時性。同時對虛擬電廠邊緣側的光伏出力進行預測，提供了一種光伏出力預測的優(yōu)化算法并對其進行了算例分析其實用性，為邊緣計算及虛擬電廠的應用及發(fā)展提供了理論基礎和創(chuàng)新思路。

［參考文獻］（References）

［1］ 陳熙，付威，季青川，等.綜合能源服務改造項目經(jīng)濟效益評價方法研究［J］.湖北電力，2019，43（03）：42-48.CHEN Xi，F(xiàn)U Wei，JI Qingchuan，et al.Research on economic benefit evaluation method of integrated energy service renovation projects［J］.Hubei Electric Power，2019，43（03）：42-48.

［2］ Yuchang Kang，Lo Kwoklun，Kockar Ivana.Optimal energy management for virtual power plant with renewable generation［C］.Proceedings of The 9th Asia-Pacific Power and Energy Engineering Conference（APPEEC），2017.

［3］ 衛(wèi)志農，余爽，孫國強，等.虛擬電廠的概念與發(fā)展［J］.電力系統(tǒng)自動化，2013，37（13）：1-9.WEI Zhinong，YU Shuang，SUN Guoqiang.Concept and development of virtual power plant［J］.Automation of Electric Power Systems，2013，37（13）：1-9.

［4］ 洪博文，李瓊慧，何永勝，等.虛擬電廠在分布式光伏發(fā)電應用示范區(qū)中的應用及前景［J］.電力建設，2017，38（09）：32-37.HONG Bowen，LI Qionghui，HE Yongsheng.Applications and prospect of virtual power plant in distributed photovoltaic generation application demonstration area［J］.Electric Power Construction，2017，38（09）：32-37.

［5］ 趙佶.邊緣計算網(wǎng)關設備的構建和部署問題的研究［D］.大連：大連理工大學，2018.ZHAO Ji.Research on the construction and deployment of edge computing gateway devices ［D］.Dalian：Dalian University of Technology，2018.

［6］ 蔡德福，曹侃，唐澤洋，等.大數(shù)據(jù)技術在電力系統(tǒng)的應用［J］.湖北電力，2016，40（06）：22-26.CAI Defu，CAO Kan，TANG Zeyang，et al.Application of big data technologies in power system［J］.Hubei Electric Power，2016，40（06）：22-26.

［7］ Pand?i? Hrvoje，Kuzle Igor，Capuder Tomislav.Virtual power plant mid-term dispatch optimization［J］.Applied Energy，2013，（101）：134-141.

［8］ 施巍松，孫輝，曹杰，等.邊緣計算：萬物互聯(lián)時代新型計算模型［J］.計算機研究與發(fā)展，2017，54（05）：907-924.SHI Weisong，SUN Hui，CAO Jie，et al.Edge computing-an emerging computing model for the internet of everything era［J］.Journal of Computer Research and Development，2017，54（05）：907-924.

［9］ 楚俊生，張博山，林兆驥.邊緣計算在物聯(lián)網(wǎng)領域的應用及展望［J］.信息通信技術，2018，（05）：31-39.CHU Junsheng，ZHANG Boshan，LIN Zhaoji.Application and expectation of edge computing in internet of things［J］.Information and Communications Technologies，2018，（05）：31-39.

［10］ 劉宗長.CPS、云計算、邊緣計算在工業(yè)智能中的應用探索［J］.軟件和集成電路，2017，（08）：94-95.

［11］ John C.Edison，Lee Edward A.，Matic Slobodan，et al.Timecentric models for designing embedded cyber-physical syste-ms ［R］.Electrical Engineering and Computer Sciences，University of California at Berkeley，2009.

［12］ 李彬，賈濱誠，陳宋宋，等.邊緣計算在電力供需領域的應用展望［J］.中國電力，2018，51（11）：154-162.LI Bin，JIA Bincheng，CHEN Songsong，et al.Prospect of application of edge computing in the field of supply and demand［J］.Electric Power，2018，51（11）：154-162.

［13］ 李彬，賈濱誠，曹望璋，等.邊緣計算在電力需求響應業(yè)務中的應用展望［J］.電網(wǎng)技術，2018，42（01）：79-87.LI Bin，JIA Bincheng，CAO Wangzhang，et al.Application prospect of edge computing in power demand response business［J］.Power System Technology，2018，42（01）：79-87.

［14］ 常鞏.計及不確定性因素和偏差電量互補的虛擬電廠群優(yōu)化調度研究［D］.長沙：長沙理工大學，2018.CHANG Gong.Optimal scheduling research for virtual power plant cluster considering uncertainty and deviation electric quantity complementation ［D］.Changsha： Changsha University of Science and Technology，2018.

［15］ 馮其芝.含微電網(wǎng)的虛擬電廠分層隨機優(yōu)化調度［D］.南京：東南大學，2015.FENG Qizhi.The hierarchical and stochastic optimal dispatch of virtual power plant containing micro-grid［D］.Nanjing：Southeastern University，2015.

［16］ 周潮，邢文洋，李宇龍.電力系統(tǒng)負荷預測方法綜述［J］.電源學報，2012，（06）：32-39.ZHOU Chao，XING Wenyang，LI Yulong.Summarization on load forecasting method of electrical power system［J］.Journal of Power Supply，2012，（06）：32-39.

［17］ Paoli Christophe，Voyant Cyril，Muselli Marc，et al.Forecasting of preprocessed daily solar radiation time series using neural networks［J］.Solar Energy，2010，84（12）：2146-2160.

［18］ 袁曉玲，施俊華，徐杰彥.基于BP神經(jīng)網(wǎng)絡的光伏發(fā)電短期出力預測［J］.可再生能源，2013，31（07）：11-16.YUAN Xiaoling，SHI Junhua，XU Jieyan.Short-term power forecast for photovoltaic generation based on BP neutral network［J］.Renewable Energy Resources，2013，31（07）：11-16.

［19］ 劉娟，楊俊杰.基于改進的GA-BP 神經(jīng)網(wǎng)絡光伏發(fā)電短期出力預測［J］.上海電力學院學報，2018，34（01）：9-13.LIU Juan，YANG Junjie.PV short-term output forecasting based on improved GA-BP neural network［J］.Journal of Shanghai University of Electric Power，2018，34（01）：9-13.

［20］ 栗然，李廣敏.基于支持向量機回歸的光伏發(fā)電出力預測［J］.中國電力，2008，41（02）：74-78.LI Ran，LI Guangmin.Photovoltaic power generation output forecasting based on support vector machine regression technique［J］.Electric Power，2008，41（02）：74-78.

［21］ 朱永強，田軍.最小二乘支持向量機在光伏功率預測中的應用［J］.電網(wǎng)技術，2011，35（07）：54-59.ZHU Yongqiang，TIAN Jun.Application of least square support vector machine in photovoltaic power forecasting［J］.Power System Technology，2011，35（07）：54-59.

［22］ Jie Shi，Lee Wei-Jen，Yongqian Liu，et al.Forecasting power output of photovoltaic systems based on weather classification and support vector machines［J］.IEEE Transactions on Industry Applications，2018，48（03）：1064-1069.

［23］ 單英浩，付青，耿炫，等.基于改進BP-SVM-ELM 與粒子化SOM-LSF 的微電網(wǎng)光伏發(fā)電組合預測方法［J］.中國電機工程學報，2016，36（12）：3334-3342.SHAN Yinghao，F(xiàn)U Qing，GENG Xuan，et al.Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization［J］.Proceedings of the CSEE，2016，36（12）：3334-3342.

［24］ 王繼東，宋智林，冉冉.基于改進支持向量機算法的光伏發(fā)電短期功率滾動預測［J］.電力系統(tǒng)及其自動化學報，2016，28（11）：9-13.WANG Jidong，SONG Zhilin，RAN Ran.Short-term photovoltaic power generation rolling forecast based on optimized SVM［J］.Proceedings of the CSU-EPSA，2016，28（11）：9-13.

［25］ 李英姿，賀琳，牛進蒼.基于馬爾可夫鏈的光伏并網(wǎng)發(fā)電量預測［J］.太陽能學報，2014，35（04）：611-616.LI Yingzi，HE Lin，NIU Jincang.Forecasting power generation of grid-connected solar PV system based on markov chain［J］.Acta Energiae Solaris Sinica，2014，35（04）：611-616.

［26］ 丁明，徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預測方法［J］.電網(wǎng)技術，2011，35（01）：152-157.DING Ming，XU Ningzhou.A method to forecast short-term output power of photovoltaic generation system based on markov chain［J］.Power System Technology，2011，35（01）：152-157.

［27］ 王飛，米增強，甄釗，等.基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預測方法［J］.中國電機工程學報，2013，33（34）：75-82.WANG Fei，MI Zengqiang，ZHEN Zhao，et al.A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition［J］.Proceedings of the CSEE，2013，33（34）：75-82.

［28］ 周悅，蔡田，盧子敬.基于調度運行數(shù)據(jù)的穩(wěn)定極限分析［J］.湖北電力，2017，41（09）：11-14.ZHOU Yue，CAI Tian，LU Zijin.Analysis on stability limit which base on dispatching data［J］.Hubei Electric Power，2017，41（09）：11-14.

［29］ 鄭偉潔.灰色系統(tǒng)預測模型的構建及其實證應用［D］.寧波：寧波大學，2014.ZHENG Weijie.Construction and application of grey forecast system model［J］.Ningbo：Ningbo University，2014.

［30］ Min Jin，Xiang Zhou，Zhi M.Zhang，et al.Short-term power load forecasting using grey correlation contest modeling［J］.Expert Systems With Applications，2011，39（01）：773-779.

［31］ XIE Naiming，YUAN Chaoqing，YANG Yingjie.Forecasting China's energy demand and self-sufficiency rate by grey forecasting model and Markov model［J］.International journal of electrical power and energy systems，2015，66（05）：1-8.

［32］ 王璐，沙秀艷，薛穎.改進的GM（1，1）灰色預測模型及其應用［J］.統(tǒng)計與決策，2016，（10）：74-77.

［33］ 李燕斌，張久菊，肖俊明.灰色-馬爾可夫鏈統(tǒng)計組合模型在光伏發(fā)電功率短期預測中的應用［J］.電測與儀表，2015，52（23）：111-116.LI Yanbin，ZHANG Jiuju，XIAO Junming.Photovoltaic power short-term forecasting based on Gray-Markov chain statistical combination model［J］.Electrical Measurement &Instrumentation，2015，52（23）：111-116.