基于云邊協同的充電樁需求側響應技術研究

杜刃刃 肖孝天 王 城 黃元行 劉東杭 祝 煒 范俊秋

（貴州電網有限責任公司貴安供電局）

0 引言

隨著社會資源、環境壓力的逐年增大，利用清潔能源的設施備受關注，節能減排的電動汽車產業快速發展。隨著電動汽車保有量持續增加，充電服務需求也迅速擴大，充電樁等充電基礎設施大量建設。然而大規模充電樁接入電網會對安全穩定運行造成沖擊，會導致電力負荷“峰上加峰”，甚至引發線路過載、網損增加等電力系統安全性風險[1]。因此，在充電樁接入過程中，有必要加強對充電樁運行狀況的監視，規避常規電網的負荷高峰期，有效、合理地分散電動汽車的充電負荷，最大程度降低對電網的沖擊。

實現對充電樁運行狀態的監控，依賴于充電樁與能源互聯網平臺之間的數據傳輸。當前，充電樁的通信方式主要為有線和無線方式[2]。有線方式的主要優點是數據傳輸可靠、網絡容量大，缺點是布線復雜、擴展性差、施工成本高、靈活性差。傳統充電樁在數據監測方面大部分通過有線方式實現，不能將采集的數據實時傳送至用戶與后臺，具有很大局限性[3]。

文獻[4]介紹了云邊協同的電力市場架構，虛擬運營商部署在云端，負責協調、管控電力市場出清的過程管控，分布式能源部署在邊緣側，預測分布式能源的自主調節能力，可通過實時數據檢測實現電動汽車高效、有序充電管理。文獻[5]通過對停車場中的電動汽車集群作為研究對象，提出用戶負荷調整和充放電控制方案，基于動態規劃算法電動汽車集群對各時刻充放電方案進行規劃，獲取最優能源管控策略。文獻[6]首先采用主成分分析法將高維度數據非線性進行降維，減少數據相關性問題對算法結果造成的影響，最后使用貝葉斯正則化改進BP 神經網絡算法，可動態自適應尋找最優神經網絡參數，增加BP 神經網絡算法的泛化能力，但選用的數據量樣本過少，出現過擬合現象，不具備普適性。

目前多數充電樁聯網方式的數據傳輸問題一直困擾著能源互聯網平臺的利用，存在如下亟須解決的問題

1）充電樁數據來自離線備份數據庫，無法實時更新充電樁數據；

2）離線備份數據庫因自動備份時間設置的影響，導致定期備份充電樁數據庫無法涵蓋全部充電樁數據；

3）離線備份充電樁數據經多個環節進行處理，能源互聯網云平臺接收到的充電樁數據時常出現中斷、數據缺失等情況，不利于云邊交互，對邊緣側負荷響應執行情況也無法及時回傳至云平臺。

針對上述問題，本文提出了一種基于Ⅲ型邊緣網關的充電樁數據傳輸方式改進方法。該方法通過以下步驟實現：首先，在Ⅲ型邊緣網關上搭建充電樁動態備份數據庫，該數據庫可以實現對充電樁主站服務器增量數據的實時動態更新；然后，將該動態備份數據庫與離線備份充電樁數據庫進行動態數據交互和動態校核；最后，云平臺基于貝葉斯正則化改進MFNN 算法對充電樁日前數進行短期負荷預測，通過云邊動態交互，實現對電動汽車充電樁高效、有序充電管理。

1 Ⅲ型邊緣網關傳輸充電樁數據總體設計

1.1 Ⅲ型邊緣網關的功能

Ⅲ型邊緣網關是第Ⅲ代邊緣網關，它是連接大數據云平臺與邊緣側設備之間的網絡設備，Ⅲ型邊緣網關具備以下功能。

（1）具備較強的數據聚合和處理的功能

Ⅲ型邊緣網關將實時采集多個傳感器和設備的數據，匯聚到統一的位置，可本地化對采集的數據進行實時的數據處理，識別和處理異常數據，智能執行決策并及時觸發相應的功能，本地化快速響應，無需上傳云平臺進行統一處理。

（2）具備本地存儲的功能

Ⅲ型邊緣網關具備本地存儲的功能，可將邊緣側設備關鍵數據進行本地化存儲備份，當邊緣網關與云平臺斷開物理通信時，可穩定持續進行采集邊緣側設備數據，執行相關功能。

（3）具備云集成的功能

Ⅲ型邊緣網關具備本地存儲的功能，可將處理后的關鍵數據傳至云平臺，減少了云平臺海量計算的延遲性，云平臺聚合各類邊緣側設備關鍵數據，后續云平臺可根據各種場景應用進行存儲、分析和可視化展示。

1.2 Ⅲ型邊緣網關傳輸充電樁數據開發改進流程

針對離線備份充電樁數據在數據傳輸過程中存在的問題，采用以下方案進行處理，改進開發流程，如圖1 所示。

圖1 Ⅲ型邊緣網關傳輸充電樁數據開發改進流程

1）基于Ⅲ型邊緣網關搭建充電樁動態備份數據庫與MySQL 從庫數據庫直連，MySQL 從庫提供特定數據接口，實現動態獲取充電樁定制數據的功能；

2）在Ⅲ型邊緣網關搭建充電樁動態備份數據庫，因Ⅲ型邊緣網關直接連接充電樁主站服務器，可實時動態更新充電樁增量數據，解決了離線備份充電樁數據庫的問題；

3）自動化主站系統定時從Ⅲ型邊緣網關調取充電樁數據，進而將充電樁數據傳輸至能源互聯網大數據云平臺。

2 基于能源互聯網大數據云平臺實現云邊協同功能分析

2.1 能源互聯網大數據云平臺

能源互聯網大數據云平臺采用“六橫一縱”的總體系統架構，大數據云計算、大數據分析處理和AI技術重新定義了電力能源云架構，極大地增強了云平臺的資源監控、負載均衡和大數據處理的能力[7]。大數據云平臺采用微服務框架和容器式的系統結構，可實現對海量數據的分布式采集、分布式并行處理和分布式存儲，規范模塊接口設計，功能應用按需定制、按需迭代開發擴充，遵循相同接口規范的組件應用可實現即插即用。借助能源互聯網大數據云平臺，以中心云和邊緣云拓展云邊層級關系，進行云邊協同處理，實現對全局資源負荷均衡，提高云平臺處理數據和邊緣側就地實時響應的能力。

2.2 云邊協同功能分析

（1）基于貝葉斯正則化改進MFNN 模型短期負荷預測

多層前饋神經網絡（Multilayer Feedforward Neural Network，MFNN），在電力系統中常用對發電計劃和用戶實際用能情況進行短期負荷預測。由于MFNN 自身易陷入局部最優從而不具備全局的魯棒性，針對當前MFNN 算法存在的問題，提出了基于貝葉斯正則化改進MFNN 預測算法（Improve Multilayer Feedforward Neural Network，IMFNN）。貝葉斯正則化在MFNN 算法訓練過程中，對神經網絡隱藏層參數進行概率建模和推理，以防止算法出現過擬合現象，提高算法的正確性和魯棒性。其步驟如下所示[8]：

1）收集數據：收集神經網絡的數據，用于訓練MFNN 神經網絡模型，給定一組訓練樣本：

2）定義先驗分布：根據已知先驗數據信息計算網絡參數的先驗概率分布。

3）更新后驗分布：利用收集的先驗信息和先驗概率分布，利用貝葉斯公式來更新神經網絡參數的后驗概率分布。

4）計算損失函數：用于計算預測數據與先驗數據之間的誤差，一般情況下，MFNN 算法的損失函數采用均方差損失函數：

式中，n為訓練樣本數，ti為期望輸出值，ai=f(pi)為神經網絡模型的實際輸出值。

5）優化損失函數： 使用貝葉斯正則化優化MFNN 算法的損失函數，通過優化MFNN 算法的損失函數來自適應調整神經網絡參數的后驗概率分布，提高IMFNN 算法的魯棒性和全局的泛化能力。基于貝葉斯正則化優化MFNN 算法，在傳統均方差損失函數基礎上，新增懲罰函數Ew，則損失函數變化為：

基于貝葉斯正則化改進MFNN 算法的流程如圖2所示。

圖2 基于貝葉斯正則化改進MFNN 算法的流程

（2）基于貝葉斯正則化改進MFNN 模型短期充電樁預測

本文選取貴安區域日前某一時段充電樁運行數據，能源互聯網大數據云平臺采用基于貝葉斯正則化改進的MFNN 模型，對貴安區域充電樁運行數據進行日前短時負荷預測，對采集的日前充電樁歷史數據進行負荷預測，基于能源互聯網大數據云平臺負荷預測曲線如圖3 所示。

圖3 充電樁負荷曲線實際值與預測值對比圖

采用MFNN 模型與基于貝葉斯正則化改進MFNN 模型對充電樁數據進行短時負荷預測的正確率下表所示。

表 MFNN 與IMFNN 算法預測正確率對比表

由圖2 和上表可知，采用基于貝葉斯正則化改進的MFNN 算法對充電樁數據進行短時預測的相對誤差僅為0.05%，與MFNN 算法相比，相對誤差大幅度降低，取得較好的預測效果。

總體來說，該方案通過優化數據采集、備份和校核的過程，提高了充電樁數據管理的效率和準確性，為相關領域提供了有益的參考。能源互聯網大數據云平臺根據充電樁日期負荷預測情況，對Ⅲ型邊緣網關下達各時刻的負荷出力計劃，邊緣側充電樁在及時響應后，將響應執行情況回饋至云平臺，實現集群動態的云邊交互，通過邊緣側需求側響應，可高效整合分布式能源，平滑電網負荷曲線，為后期的虛擬電廠的建設打下堅實的基礎。

3 應用情況

目前，能源互聯網平臺通過Ⅲ型邊緣網關實時接入貴安全域充電樁數據，實現了基于能源互聯網平臺對充電樁數據的應用開發。在此基礎上，未來借助貴州省充電樁數據平臺接入全省的充電樁數據，將使能源互聯網運行控制平臺具有更強的應用范圍和泛化性，具備較高的項目推廣前景。

同時，通過不斷優化和完善能源互聯網平臺和邊緣網關的數據處理能力，將進一步提高充電樁數據的利用效率和價值挖掘，為綜合能源管控的發展提供強有力的支持。

4 結束語

基于充電樁平臺接入能源互聯網平臺Ⅲ型邊緣網關傳輸方式改進，解決了離線采集充電樁備份數據庫無法實時數據的采集問題，通過采用基于貝葉斯正則化改進的MFNN 算法對充電樁數據進行短時負荷預測，與傳統的MFNN 算法相比，誤差大幅度降低，取得較好的預測效果，為后續借助能源互聯網平臺對充電樁數據進行場景化功能應用打下了堅實的基礎。