邊緣智能技術在智能配電網中的應用探討

方佳維，朱何榮，陳桂友

(南京南瑞繼保電氣有限公司，江蘇 南京 211102)

0 引 言

隨著分布式光伏系統和電動汽車保有量的增加，由分布式光伏、電動汽車充電樁、儲能系統、電壓源型變換器(VSC)以及空調等可控負荷組成的微電網系統已經逐漸成為配電網運行中不可或缺的組成部分[1]。傳統的電動汽車充電樁和光伏發電系統，直接與配電網進行充放電，由于自身的無序性和時間隨機性特征，加重了配電網中商業交易和電力物流的不確定性和復雜性[2-3]，不利于電網削峰填谷，降本節能的實現。

智能電網技術的發展，用戶側引入了智能終端設備，同時，主動配電網在實現用戶側運行最優的主動控制下，與配電網同時參與規劃和控制環節，逐步改變了傳統的控制模式。配電網為更好地適應智能電網的建設，必須提供一種可快速迭代的在線自動調度系統架構。

目前，國內外學者就配電網業務的適應性調度策略做了很多研究。文獻[4]提出了一種基于Multi-Agent算法用于家庭能源管理系統的調度問題，通過對離線學習和在線評估方式實現用戶用電費用的最小化和凈能量分布的平坦化。文獻[5]提出了一種基于半馬爾科夫過程和混雜系統模型，將空調負荷聚合為虛擬調峰機組的協調控制方法。上述方法存在若干限制，如所研究負荷類型比較單一、對電網調度控制方式強相關和自適應靈活性不足等。文獻[6]采用邊緣計算技術對電力需求響應中的應用場景作了展望，但配電網系統具有高密度部署、高耦合關聯和負荷隨機等特點，在單一算法下進行的邊緣計算無法適應智能配電網中隨機動態的終端設備。

邊緣智能技術將集中在云端的深度學習任務下沉到邊緣設備，是邊緣計算技術與人工智能的融合演進。本文以配電網需求響應為實例，介紹了邊緣智能技術在智能配電網領域的應用。

1 邊緣計算與邊緣智能

邊緣計算是指在靠近數據產生端進行計算，將網絡、計算和存儲能力從云端延伸到網絡邊緣。邊緣計算技術在配電網應用中具有鄰近性、低時延和本地性的優勢。

(1) 鄰近性。邊緣計算靠近信息源，可以靈活統一地管理底層采集設備，實現網絡邊緣就地協議轉換，實時感知負荷側的調整和演化。

(2) 低時延。邊緣計算服務靠近產生數據的終端設備，相對于基于云計算的控制手段，極大地降低了時延，使得反饋過程更加快速，調節速度更加高效。

(3) 本地性。邊緣計算可以與網絡的其余部分隔離運行，可實現本地化、相對獨立的計算。一方面保證了本地數據的安全性，另一方面降低了計算對網絡質量的依賴性。

需求側分布式發電系統、電動汽車充電樁和智能終端設備的大量引入，使可調節柔性負荷大量增加，加重了配電網控制與電力交易復雜性，是當前配網技術發展的一個難題。而人工智能技術中大量啟發式和重構算法為此提供了新的思路。

2 邊緣智能在需求響應中的應用

2.1 需求響應

需求響應是指當電力批發價格升高或系統可靠性受威脅時，通過提高電力價格等方式，改變用戶固有用電習慣，達到減少或者推移某時段的用電負荷，從而保障電網穩定，并抑制電價上升的短期行為。

需求側大量分散自動需求響應設備的接入，在網絡邊緣所形成的巨大數據流量對網絡形成了不可忽視的壓力，網絡通道被大量的采樣數據等非關鍵信息占用，可能導致需求側偏低的通道帶寬受限，不能及時接收到調度指令。綜上所述，邊緣計算技術非常適合應用于電力需求響應業務場景。

2.2 負荷模型

智能配電網中柔性負荷的大量接入，柔性調節能力改變了原本負荷單向、被動接受調節的歷史，也使負荷參數和特性發生了變化。本文提出在鄰近需求側采用海量數據進行負荷模型的在線快速建模，既解決了負荷的不確定問題，又實現了快速控制目標。

2.3 在線優化調度框架

遵循泛在電力物聯網的“感知層、網絡層、平臺層、應用層”技術架構基礎上，參考工業互聯網云、邊、端和通信網絡架構體系，探討計及需求響應的智能配電網在線優化調度控制框架。

(1) 云是云主站平臺，采用云計算、大數據和人工智能等技術，實現業務需求管理，支撐電網中低壓統一模型管理、數據云同步等功能。

(2) 邊是數據匯聚、計算和應用集成的開放式平臺和容器。收集和預處理端數據，與云實時交互關鍵運行數據完成“邊云”協同。

(3) 端是配電物聯網架構中的感知層和執行層。負責向邊或云提供配電網的運行狀態、設備狀態和環境狀態等基礎數據，執行決策命令或就地控制功能。

2.3.1 云、邊、端協同控制模式

本文提出云、邊、端協同的控制模式，充分發揮邊緣節點鄰近數據源的地理優勢以及較充裕的計算能力，將布局在云控制層的AI模型訓練工作解耦下沉到邊緣節點。邊控制層節點與云控制層進行必要的關鍵參數和控制指令傳輸，海量采樣數據在就地處理，有效降低配電網通信建設成本。為此，本文提出一種基于邊緣智能的負荷需求控制方法。

圖1為配電網需求響應在線優化控制總體框架，分為調度云系統、邊緣節點和終端設備三層，實現了大規模配網系統多時間尺度優化控制。

圖1 基于邊緣智能的電力需求響應控制框架

1) 云端控制層

云端控制層根據邊緣控制層上報的報價策略和關鍵節點參數，負責全區域的最優調度。從云端控制層的角度看，全區域的負荷具有一定的時域和空間規律，具有波動幅度小、控制區域廣和計算復雜度高等特點。因此，在云端控制層采用離線數據庫進行離線學習。離線學習將歷史庫中調度最小周期的斷面數據作為訓練樣本空間，得到中長期云端控制策略。

2) 邊緣控制層

邊緣控制層一般通過負荷聚合商或者負荷緊耦合區域安裝具有較強計算能力的邊緣計算終端來實現。邊緣計算終端對下收集感知層數據，對上接收調度指令，起到了邊緣網管和就地控制的作用。

對于用戶側而言，邊緣智能終端的任務是在滿足調度要求的情況下實現利潤最大化。基于用戶用電需求曲線和計及各種因素對用戶響應行為的影響，邊緣智能終端采用基于微服務架構的容器模式，支持應用功能、計算服務的靈活部署以及負荷終端的快速接入。

邊緣終端在既有模型基礎上，根據接收的終端數據和需求曲線，在線學習得到優化的負荷控制模型，根據調度指令，實施控制各負荷的投入切除。

3) 終端控制層

終端控制層是負荷控制的最前端，由各負荷終端采集電壓、電流等電氣量和溫度、濕度等環境數據，上送邊緣終端設備。各負荷終端根據各自負荷當前的用電迫切性和靈活性，構造出對應的需求曲線，并上送邊緣終端設備。負荷控制終端根據接收的控制指令控制負荷的開關。

2.3.2 邊緣智能算法

結合多種人工智能算法，從負荷聚類、負荷預測以及負荷優化控制策略三個方面進行算法介紹。整體流程如下：

步驟1：根據不同負荷的特殊性，采用蒙特卡洛法對各時段的負荷情況進行抽樣，并通過K-Means算法將抽樣得到的負荷場景進行聚類。

步驟2：對聚類后的各負荷類型，結合感知參數，采用人工神經網絡算法進行當日短期負荷預測。

步驟3：各類型負荷根據當前運行情況和預測容量，采用進化算法得到區域綜合負荷響應曲線，并結合實時調度指令，進行負荷優化控制。

1) 基于K-Means的負荷聚類

考慮電動汽車及分布式電源負荷等柔性負荷的時空不確定性，其概率負荷模型應該根據負荷特性和能源補給方式等方面綜合考慮。充電時間長度計算如式(1)所示。

(1)

式中：tcb為負荷充電時間;Ccap為負荷容量；η為充(放)電效率；p1為常規充(放)電功率期望；SSOC0為開始荷電狀態(SOC)。

由文獻[7]的介紹，可知1 h內充(放)電負荷與充(放)電概率為：

(2)

(3)

式中：Lri為對應柔性負荷第i小時的充(放)電負荷；N為蒙特卡洛模擬的次數；pci為第i小時的充(放)電負荷；fav(.)為求平均值函數;Pi為柔性負荷第i小時的充(放)電概率；Pscr為開始充(放)電時刻與充(放)電時間長度在第i小時的聯合概率分布，Pscr=Psr·Pcr；tsr為居民區充電站開始充電時刻；tcr為柔性負荷充(放)電時長。

聚類算法屬于無監督學習，在輸入樣例中發現有用的類集，因此聚類指標的選取對聚類效果至關重要。

輪廓因數結合了聚類的凝聚度和分離度，可以用于評估聚類的效果。該值處于-1～1之間，值越大，表示聚類效果越好。具體計算方法如下：

(1) 對于每個樣本點i，計算點i與其同一個簇內的所有其他元素距離的平均值，記作A(i)，用于量化簇內的凝聚度。

(2) 選取i外的一個簇B，計算i與B中所有點的平均距離，遍歷所有其他簇，找到最近的這個平均距離,記作B(i)，即為i的鄰居類，用于量化簇之間分離度。

(3) 對于樣本點i，輪廓因數為：

(4)

式中：Si為樣本點i的輪廓因數;A(i)為樣本點i與其同一個簇內的所有其他元素距離的平均值;B(i)為樣本點i與外簇B中所有點的平均距離。

(4) 計算所有i的輪廓系數，求出平均值即為當前聚類的整體輪廓系數，度量數據聚類的緊密程度。

2) 基于人工神經網絡的負荷預測

人工智能算法具備執行分布式計算、容忍噪聲和自學習等特性，在電力系統負荷預測已經有成功的使用經驗。

如圖2所示，算法中以天氣數據、負荷狀態和電力價格作為輸入層神經元，輸出層為預測負荷。中間隱含層可以根據神經網絡的訓練情況、激活函數、權值和閥值等進行調整。預測負荷反饋到了神經網絡的輸入端，形成了一個反饋閉環，來調整新輸入數據的訓練。

圖2 基于人工神經網絡預測負荷架構圖

3) 基于Multi-Agent的負荷優化控制

各負荷終端根據自身負荷用電迫切性和控制特性構建自身需求響應曲線。在每個控制周期內，根據當前狀態進行投標，投標信息匯聚到邊緣智慧終端進行聚合得到區域需求響應曲線。

有學者通過反聚類方法進行系統調度負荷的分配，但這種方法對于復雜的負荷系統不具有適用性。智能配電網負荷類型多樣、控制特性多樣，對于各種類型負荷的最優協調控制方法是采取典型的多目標優化，將每一個負荷的啟停狀態作為控制目標。本文推薦采用Multi-Agent決策來實現。

從用戶側而言，負荷協調控制實現經濟效益最大化，用電舒適度最高。經濟效益由用電負荷的買入成本和發電負荷的賣出成本以及持續時間構成。用電舒適度由不舒適成本進行描述。

3 典型應用

根據以上邊緣智能技術在配電網協調控制系統的應用介紹，在此列舉典型業務應用作為技術參考。

開發帶有邊緣智能計算功能的智能配電終端，終端硬件參考配置：CPU雙核1.2 G，1 GB Flash，1 GB DDR，支持百兆以太網，PLC通信模塊，模擬量采集模塊(支持4路電流和4路電壓采集)，DSP計算模塊(用于模擬量計算和故障診斷與定位)，AI計算模塊。另外，還需要邊緣網關機和云調度主站配合搭建協調控制系統。

開發樣機在公司園區內做掛網試運行，分別布置在6個生產車間的32個回路，生產車間采用的是自動化機械流水線，可以實現24 h關燈作業，由生產計劃后臺下發生產任務。因生產計劃的變動，生產車間的作業經常發生變動，用電負荷經常在多個回路之間發生遷移。配電終端根據各自回路負荷情況，進行動態負荷聚類，并將聚類結果在協調控制系統下進行實時電價與生產任務緊急系數優化控制，下發各個生產線的生產計劃。試用30 d的用電量對比結果如表1所示。

表1 生產線用電量對比表

如表1所示，采用新開發的配電終端樣機的試驗項與常規方式的對比項的的完成及時率基本相同，但是所花費的電費減少近一半，有效降低了生產成本。

由上述分析可知，新開發的配電終端樣機實現了負荷最優調節，在不影響生產計劃的前提下，實現了節能環保，有序用電的效果。

4 結束語

邊緣智能技術是將云端人工智能算法下沉到邊緣設備的一種應用。作為更好地提供智能服務的一種模式，有效解決了集中式人工智能算法的實時性不夠和帶寬不足等問題。

以配電網需求響應為例，介紹了邊緣智能技術在智能配電網中的的實現方式。提出采用三層控制框架，從負荷特性分析，提出在邊緣智能終端采用K-Means的負荷聚類、人工神經網絡的負荷預測以及Multi-Agent的負荷控制。

本文從故障診斷、智能巡檢和風電機組管理三個方面作了邊緣智能技術的應用展望，為建立環境可信、狀態可觀和風險可控的智能電網建設提供了新的思路。