基于云邊協同的配電物聯網管理模型研究

陳 超，龔利武，羅 鑫

（1. 國網浙江省電力有限公司嘉興供電公司，浙江 嘉興 314000；2. 東北電力大學 電氣工程學院，吉林 吉林 132000）

0 引言

配電系統自身具有地域分布廣、設備種類多、網絡連接多樣、運行方式多變等特點，隨著配電自動化監測系統的廣泛應用，其產生的異構、多元數據呈指數級增長，數據量已經達到大數據級別。配電物聯網云服務器計算任務繁重，因此會出現推理延遲過大、數據采集復雜、冗余度高等問題，影響系統工作效率。因此如何有效收集配電物聯網數據、優化配電網管理結構、提高數據處理效率成為配電物聯網建設中亟待解決的難題。

物聯網信息通信技術保持了物聯網泛在感知和IP（互聯網協議）通信的特點，還具有分散的感知能力，將智能處理單元分布在配電網的不同層級，通過云計算和邊緣計算相結合的方式，實現對配電網絡和資產信息的全面感知和監管。通過邊緣計算來解決云處理中邊緣物聯設備管理、數據采集與處理、數據通信等難題［1-2］。文獻［3］提出了應用于可再生能源分布式邊緣計算的統一能源管理架構，提高了分布式能源控制的響應速度。文獻［4］構建了智能電網模型的邊緣計算架構，以智能測量數據采集為例，詳細分析了邊緣計算在數據分析中的作用及其效率和安全性。文獻［5］圍繞邊緣計算需求，基于管道模式計算模型設計了實現配電物聯網的業務協同，可降低計算量，但未研究計算速度。文獻［6］以配電智能終端為核心，基于邊緣計算提供協同數據協助，實現低壓臺區的本地拓撲數據量化計算和智能識別。文獻［7］將整個配電臺區作為邊緣計算機節點，通過監測數據建立臺區特征指標，選取權重判斷臺區運行狀態，進一步降低計算冗余。文獻［8］基于邊緣計算技術，針對配電區域物聯網設計了某電力公司管轄區域的協同管理架構。文獻［9］將大規模分布式協同仿真技術應用于智能電網系統，設計了一種新型協同仿真器。文獻［10-11］利用邊緣計算技術設計多元化負荷管理，優化了數據處理流程，為配電物聯網智能終端設備異構性問題提出解決方案。上述研究表明，邊緣計算可以有效應用于智能配電網中，但大多集中于配電網管理結構設計方面，而對配電物聯網優化運行、高效工作并未深入研究。

邊緣計算是由云計算向物聯網智能終端和邊緣節點側延伸而來，能夠提升計算速率和處理效率。大量的感知與計算終端布置于臺區，利用這些邊緣設備的數據獲取與處理能力，以及與用戶的互動能力，對信息進行預處理，為云計算中心節省計算資源，二者可以統一為一個整體，實現整個配電物聯網的精準控制和實時響應［12-14］。從云計算和邊緣計算協同的維度可將云邊協同分成資源協同、數據協同、智能協同、服務協同4類［15-17］。本文研究分布式物聯網云計算過程中減少推理延遲的模型，設計了配電物聯網多端節點配電模型，構建了基于邊緣多節點協同計算的配電物聯網管理模型，完成分布式云計算的推理優化任務。

1 邊緣計算與分布式物聯網

1.1 邊緣計算

配電物聯網智能終端通過計算、通信和控制技術的融合，形成了信息系統和物理系統的有機整體［18-20］。目前所應用的配電網計算方法存在一些不足，在快速計算、數據管理、數據終端整合和分析決策等方面，現有的計算方法計算速率和處理效率相對較低，但可以通過云計算和大數據分析技術得到解決［21-23］。目前數據環境復雜冗余、結構多樣，對各類信息進行分析甄別處理步驟繁瑣，信息的實時響應特性難以滿足，對配電網能量傳輸的穩定性和智能控制的可靠性產生一定影響［24］。和云計算可以在主站進行遠程統一處理的特點相比，邊緣計算是由云計算向物聯網智能終端和邊緣節點側延伸而來，主要目的是實現本地化數據信息實時采集和計算、在線式診斷、毫秒級快速響應、對受控節點精準控制等功能［25-27］。單個配電終端采用邊緣計算，使數據可以在邊緣側計算解決，將計算結果上傳到云中心，更加有利于運行狀態的實時監測和數據的快速智能處理。

邊緣計算以邊緣節點為核心，集成了通信網絡、計算預處理、數據存儲和應用程序的關鍵能力，達到對信息的控制［28-29］。目前，各行業都在努力推進邊緣計算聯盟所提出的OICT（運管、信息、通信技術）一體化［15］，但實際上，隨著大數據等技術的廣泛應用，OICT 向DT（數據技術）的轉變也將實現，并最終提供數字自動化技術和智能控制服務。邊緣計算的數據定位示意圖如圖1所示。

圖1 邊緣計算定位示意圖Fig.1 Diagram of data location of edge calculation

1.2 邊緣計算在配電物聯網的應用

傳統的配電網通常可分成配電網絡主站、子站和終端層，而隨著電網的深化改革和分布式能源的大量接入，傳統的配電網也從單向輸電的無源配電網轉向擁有雙向輸電能力的有源配電網［30-31］，這也讓分銷體系的變革更加值得期待。現階段，大規模電力電子設備以及智能可控裝置的投入使用，凸顯了傳統控制技術和電力通信網架的不足，只有將物聯網技術引入電網，才能滿足新型配電系統的需求［32］。目前新型配電網中各層配電設備均結合了嵌入式系統，使傳統配電網基于信息通信網和臺區其他設備形成信息交互，從而構建一個物理網絡、信息設備、計算單元耦合的大規模配電物聯網。最后，它可以進一步促進邊緣計算、物聯網和分銷網絡的融合，使配電網在不同層次實現智能控制。

2 配電物聯網多終端節點配電模型

在配電網中，配電智能終端即可以作為邊緣計算節點，具備計算、存儲和通信功能。智能臺區終端可以對所連接的通信設備、感知設備、量測設備和執行設備等進行管理，實現數據中心和云端平臺的無縫連接。通過各種合適的通信手段，收集量測數據，開展本地數據處理和分析決策，鄰近的智能臺區終端可以組成分布式計算節點，對各分布式終端智能設備邊緣節點的量測數據和處理結果均可以進行數據共享。

配電物聯網是物聯網技術在配電網絡領域的延伸，配電物聯網的特點無法通過傳統的3層物理架構（主站、變電站、終端）體現出來。為體現配電物聯網的特點，本文依照PTN（分組傳送網）網絡所提出的P-PE-CE（主站-子站-邊緣用戶）結構，采用邊緣計算技術對網絡節點進行區分，結合物聯網信息交互的特點，設計了一種基于PTN網絡模型的配電物聯網架構。配電物聯網主要由P設備、PE設備和CE設備3種設備構成。邊緣技術結構如圖2所示。

圖2 邊緣技術結構Fig.2 Structure of edge technology

CE 設備是位于PTN 接入層內的有源分布網絡中終端邊緣單元級物聯網設備，可實現自感知、自運算、可交可擴展和自決定等功能。配電物聯網中CE 設備主要包括配電變壓器、FTU（終端反饋單元）、智能監控單元、DTU（數據傳輸單元）、集中處理單元以及一些開關設備和所配置的通信模塊等。CE設備對終端設備進行實時監控、數據采集以及智能控制，TTU（配電變壓器監控終端單元）對分布式電源、儲能設備以及電表等設備進行狀態監控。

子站設備類似于PTN 網絡中的PE 設備，是安裝在PTN匯聚層的邊緣接入設備，起到各邊緣數據匯聚接入的作用，稱為有源配電網系統級物聯網中的電子配電站，可以自行組織配置配電網絡控制指令并進行自我決策和優化。多臺CE設備匯集接入PE設備，通過狀態采集、數據交互、邊緣分析以及云端整合，最終實現配電轄區內全局化管理。

主站設備是PTN結構中的核心層，即P設備，其主要功能是在配電物聯網中實現信息全面感知，對分布式終端智能設備數據進行整合處理、深度分析，而后進行科學決策、下發命令。主站設備實時監控配電網狀態，子站設備將分布式終端智能設備需要上傳的信息整合后上傳到主站，并且主站可以從各個CE設備中讀取到實時數據，利用上述所得信息對智能配電網運行狀態進行判定。

3 基于節點協同計算的分布式物聯網管理模型

3.1 配電物聯網協同管控模型的構建

目前采用集中式單體架構方案難以解決多節點配電物聯網場景的需求，引入邊緣計算模式，將配電網終端智能設備編號設置為邊緣節點，采用邊緣計算率先對數據進行預處理。對于云服務器所承擔的邊緣節點管理功能，可通過云邊協同機制保證配電網設備間的數據交互低延時。

目前的配電網終端設備復雜，包含分布式能源、儲能設備、柔性負載和一些可控設備，各設備信息交互相互雜糅，在傳輸過程中存在干擾。根據配電網終端智能設備對請求時延和功能完整性的要求，建模時考慮配電網及其信息系統結構，設計滿足需求的多維協同算法。所提出的拓撲模型包括主設備節點、邊緣節點、配電物聯網邊緣設備和用戶終端層。主設備節點C 及其直接管理的邊緣節點集合直接訪問，邊緣節點設置自有的管理中心，用戶終端可對邊緣節點進行訪問，簡要拓撲如圖3所示。

圖3 配電網管理結構簡要拓撲Fig.3 A brief topology of distribution network management structure

對配電網進行分層管理，分別采用全局、中間、局部等控制結構的多級集中分布式組合，構建出的配電網管理控制結構如圖4所示。基于該結構，首先由終端設備生成任務，再傳至云中心節點執行處理計算。

圖4 配電網管理控制結構Fig.4 Structure of distribution network management

圖4中接口定義如表1所示。

表1 數據接口定義Table 1 Definitions of data interfaces

根據配電網系統的物理結構，采用管理和控制模型對其進行分層表示，模型中各類設備和控制方式具有如下特點：

1）多臺終端設備能夠實現信息交互與實時分析。

2）同一結構層中，不同的控制方式作用并不耦合，它們之間相互分離，可以獨立完成控制目標，相互間控制作用的影響可以忽略。

3）上級控制出現故障時，每個下級控制并不會出現響應，均按運行規則繼續工作。

3.2 以最小時延為目標的多節點協同計算方法

傳統負載均衡策略主要應用于并行系統中，對于外部的數據請求，其將任務分配到多個處理單元中，因此存在不足，主要表現在：算法的動態性差，未充分考慮處理單元需要的實時服務能力，任務響應與調度決策響應速度較慢。文獻［32］采用線性回歸的動態均衡策略，雖實現預測終端邊緣節點實時數據而后進行反饋，但因未考慮傳播延時問題，無法滿足云與邊緣的協調需要。為此，綜合考慮節點計算能力和邊緣與云中心的傳播時延，采取最小化響應時間的多節點協同計算模型，實現云計算和邊緣計算的協同。

根據第2章描述的主設備與邊緣計算協同架構模型，以最小時延為目標對算法進行描述，CE設備層終端智能設備數據交互先到達PE設備邊緣節點，由邊緣子站節點協同控制進行決策，其中涉及邊緣子站與主站設備（P設備）的往返時延、主站設備終端計算處理時延，最后數據處理還要經過邊緣節點計算時延才能完成。具體所需考慮的參數如表2所示。

表2 最小時延參數說明Table 2 Description of minimum delay parameters

針對終端設備（CE設備）數據交換任務，所提算法采用一個四元數據集表征：

式中：si為ji任務中所含的子任務個數；ci為完成目標任務所需的時鐘周期；λi為ji任務運算時所占計算資源的權重；μi為ji任務所占計算資源的權重。

對主站設備（P 設備）和邊緣子站節點（PE 設備），設置1 個主站設備和n個邊緣子站節點，通過三元數據集表征：

式中：ak為所計算的相應節點k，k取值為［0，n］，其中k=0時，表示該節點為主站設備節點，k=1，2，…，n時，表示該節點為不同的邊緣子站設備節點；Ck表示該節點計算資源空置率；Mk表示該節點計算內存空閑率；tk表示單個終端智能設備在對應邊緣節點上單獨運行的時間。

基于上述定義，以最小延遲為目標可對云計算時間進行量化分析。邊緣節點k在進行數據交互任務i時的計算時延為：

主設備節點在執行數據交互任務i時的計算時延為：

則可以求出邊緣節點在執行數據交互任務時，請求響應時間Re（i，k）為：

主設備節點在執行數據交互任務時，請求響應時間Rc（i，0）為：

為最小化請求響應時間，采取的方法是選擇本地邊緣、主設備節點響應短的執行本次任務。任務提交后，首先經由邊緣節點進行調度決策，判斷哪一個節點作為任務執行者，決策時將計算響應時間中去掉Te進行比較。判斷公式如下：

當多個任務同時到達時，需要考慮各節點的計算資源和儲存資源容量，并做相應約束，即公式（2）中Ck和Mk超過約束閾值時考慮并行設備的投入，具體約束條件依據實際系統大小以及響應需求進行調整。

數據協同會同時存在邊緣節點至主設備節點以及主設備節點至邊緣節點2種數據傳輸流向，均由各邊緣節點自身的協同控制器進行作用，其數據協同的具體流程如圖5所示。

系統中邊緣節點實際只承擔部分應用功能，用戶終端對系統發起訪問時，需要邊緣節點和主設備節點共同響應。主設備節點承擔整個區域配電物聯網的全局管理，同時為邊緣節點提供存儲能力，邊緣節點實現設備管控、協同決策和任務執行，共同為用戶終端提供應用層服務。用戶終端在邊緣節點提交的任務，先通過邊緣節點的協同控制器根據任務類型采取調度決策或任務轉發，具體工作流程如圖6所示。

圖6 服務協同具體流程Fig.6 Specific flow of service collaboration

基于上述方案對配電網進行分區，對各分布式終端設備編號后確定邊緣節點，以最小延遲為目標構建部署方案。而在推理任務過程中，信息產生單元與邊緣節點的距離、通信環境等因素都會影響最終的輸出結果。

為進一步減少延時，可引入DNN（深度神經網絡）和設備邊緣協同作用推理算法。對DNN 先進行劃分，合理利用計算資源降低邊緣服務器計算復雜程度，減少冗余，通過訓練不同容量大小的、具有多個節點的DNN模型，選擇適合應用需求的DNN模型，減輕計算負擔，從而減少總延遲。

正常運行過程中，隨著運行時間的不同，不同DNN層輸出的數據也各不相同，表現出很大的異構性。實際中長時間運行下的層模塊不一定會高效輸出數據，因此將DNN分成兩部分，可以先以低傳輸效率的工作模式將計算冗余復雜的部分先一步在服務器中進行計算，從而減少端到端等待時間。

4 仿真實驗

首先在云仿真平臺中對上述所提協同推理算法進行仿真驗證，仿真實驗中建立一個云計算中心和3 個邊緣節點，設置30 組計算任務，每組計算任務分別有3個同類型的任務單元，將其分別提交至邊緣節點，每組計算任務間隔1 ms，模擬實際工作過程中的傳輸延時變化。仿真過程中通過改變服務代理模塊時間延遲進行模擬，對提交至邊緣節點的任務協調處理效果進行仿真對比。

圖7描述了不同調度方法下不同計算任務提交至邊緣節點的執行時間，可以看出，基于最小化響應時間的方法任務完成時間穩定，并且執行時間相對較短。

圖7 不同調度算法結果對比Fig.7 Diagram of data location of edge calculation

對圖7中的數據取平均值，得到不同方法完成任務的平均執行時間如圖8所示，結果表明，基于最小化響應時間調度平均執行時間最短。從圖7和圖8可以看出，通過降低用戶提交任務至邊緣節點時間，可提升系統工作效率，主要是由于該算法充分考慮到云計算中心和邊緣節點之間計算能力的差距，通過優化的調度決策來實現。

圖8 不同調度算法平均執行時間對比Fig.8 Comparison of average execution time of different scheduling algorithms

考慮到數據交換任務過多時所提方法的高業務承載能力，通過對云仿真平臺各個節點進行并發線程監聽各虛擬機的實時性能數據，主機和虛擬機參數如表3所示。

表3 主機和虛擬機參數Table 3 Parameters of host and virtual machines

設置不同數量的并行到達業務量，各業務量數據長度隨機范圍為100～10 000，進行不同壓力下的場景測試，仿真結果如表4所示。

表4 不同業務測試下節點計算量Table 4 Node operations under different service tests

由表4可知，在正常區域配電物聯網中，目前所設置的主機和邊緣節點性能參數足以滿足高業務量的數據交換任務需求，具有有效性。

為了搭建異構邊緣節點網絡環境，使用了4種不同的邊緣設備：JetsonTX1、Jetson TX2、Jetson TK1 和Jetson NaNo（以下簡稱“TX1、TX2、TK1和NaNo”）。在每次生成網絡拓撲時隨機分配給邊緣節點，先對4種邊緣設備的特征狀態指標采用權重矩陣進行預處理，得到狀態指標處理結果如表5 所示，指標數據越小，表示其運行狀態越好。

表5 預處理后的狀態指標Table 5 Pre-processed state indicators

針對4 類設備所表現出的不同計算性能參數，利用Paleo框架對各分支邊緣節點上時延參數進行試驗運行，結果見表6。

表6 實驗結果Table 6 Experimental results ms

與現有云服務器的運行時延對比發現，優化后其效率有所提升。在基于邊緣計算的方法中，時延在模擬10 個不同的網絡分布后取平均值，節點間帶寬設置為1 Mbps，結果如圖9所示。

圖9 實驗結果對比Fig.9 Comparison of experimental results

測試結果表明，與云服務器推理相比，當信息產生單元所上傳的指令從網絡中的同一分區取消時，兩種方法推導精度相同的情況下，邊緣計算服務器推理低于云服務器推理。

5 結語

針對現有智能配電網規模大、結構復雜、多節點的特點，本文將邊緣計算技術和配電物聯網相結合，基于云與邊緣多維協同機制研究，從計算協同、數據協同、服務協同三方面制定協同算法和協調策略。基于PTN網絡結構，提出配電物聯網多終端節點配電模型，建立了基于邊緣多節點協同計算的配電網物聯網分布式管理模型，最后實現配電網的配電自治和協同管控，有效避免了傳統集中管理的問題。