云邊協同計算與任務分配優化研究

摘 要：針對分布式智能電網面臨的挑戰，本文提出了一種基于云邊協同的計算架構，并設計了任務分配優化方案。該方案采用三層架構，即云端層、邊緣層和設備層，并融入了動態資源分配機制與自適應任務調度策略。為應對負載均衡和時延敏感性問題，本文設計了基于改進粒子群優化與深度強化學習的任務分配算法。仿真試驗結果顯示，該方案在配電網的多種場景中性能較高，為分布式智能電網的高效運行提供了新的技術方案。

關鍵詞：分布式智能電網；云邊協同計算；任務分配優化" " "中圖分類號：TM 74" " " " " " " 文獻標志碼：A

1 面向分布式智能電網的云邊協同計算架構設計

1.1 系統整體架構

分布式智能電網在運行過程中面臨許多挑戰，例如海量數據處理、實時響應需求、網絡帶寬限制以及系統安全性問題。傳統集中式架構不能滿足智能電網對高效、可靠運行的要求。基于此，本文設計了云邊協同計算方案，旨在解決上述挑戰。該方案采用三層架構，即云端層、邊緣層和設備層，如圖1所示。

1.2 云端計算模塊設計

針對云端層，本文設計了一種新型的多層級云端計算架構，旨在滿足分布式智能電網的復雜計算需求。該架構融入了動態資源分配機制，并采用了自適應任務調度策略。在決策優化層面，引入了基于分層Q學習的協同決策模型，其核心算法如公式（1）所示。

式中：Q（s，a）為在狀態s下執行動作a的Q值；α為學習率；r為即時獎勵；γ為折扣因子，γ∈[0，1]；maxQ（s'，a'）為在狀態s'下可能的最大Q值，表示最佳后續策略的預期收益；β為協同系數；Φ為知識轉移函數。

計算模塊在運行過程中，優先初始化每個智能體的Q值表，詳細步驟如下：觀察當前狀態→選擇動作→執行動作，并觀察即時獎勵ri與新狀態→使用公式更新Q值。重復上述步驟，直至收斂或達到最大迭代次數。

1.3 邊緣計算模塊設計

邊緣計算模塊的核心創新在于提出了“彈性邊緣計算”概念，實現計算資源的動態擴展和收縮。本文設計了一種新型的邊緣節點集群管理系統，該系統基于改進的共識算法，保證了分布式邊緣節點的高一致性和可靠性。在數據處理方面，李大偉等[1]提出了一種基于邊緣計算的分層流數據處理架構，其創新之處在于將復雜的流處理任務分解為多個層次：低層次任務在邊緣節點完成，高層次任務則可動態遷移至鄰近節點或云端處理。該架構的核心算法為去中心化聯邦學習算法，模型更新過程如公式（2）所示。

式中：wt+1為全模型在t+1次迭代后的參數向量；wt為全局模型參數向量；η為學習率；n為參與模型訓練的設備數量；Δwi為本地模型更新；N（0，σ2）為高斯噪聲。

采用去中心化聯邦學習算法，協調多個邊緣節點的本地模型，構建1個全局模型，無須直接共享原始數據。例如，在負荷預測任務中，不同區域的邊緣節點可以使用各自的本地數據訓練模型，采用這個算法聚合成1個更準確的全局模型。在實際應用中，初始化全局模型參數為w0，將全局模型分發給所有邊緣節點，每個節點使用本地數據更新模型，得到Δwi，并收集所有節點的Δwi，計算平均值。該步驟引入了高斯噪聲以增強因素保護。系統持續迭代，直至模型收斂或達到預定輪次。

2 分布式智能電網云邊任務分配優化算法研究

2.1 負載均衡的任務分配算法

針對分布式智能電網在云邊協同環境中的負載均衡問題，本文提出了一種基于改進粒子群優化（Improved Particle Swarm Optimization，IPSO）的自適應任務分配算法[2]。該算法動態調整粒子的慣性權重和學習因子，加快算法的收斂速度，提高了全局搜索能力，其核心更新過程如公式（3）所示。

式中：vt+1 id為粒子i在第t+1次迭代后的速度；w為慣性權重；vt id為粒子i在第t代中的速度；c1為個體學習因子；c2為社會學習因子；r1、r2為[0，1]的隨機數；pid為個體最優位置；xt id為粒子i當第t次迭代時的位置；pgd為群體的全局最優位置，即所有粒子當前的最佳位置。

本文運用IPSO算法對分布式智能電網中的云邊任務分配進行優化，以實現負載均衡。在算法中，每個粒子代表一種潛在的任務分配方案。通過持續迭代，計算每個粒子的適應度，并據此更新每個粒子的pid和pgd，直至滿足最終條件。

為提高負載均衡效果，設計了基于熵的負載評估函數，如公式（4）所示。

式中：L為負載評估函數值；pi為第i個計算節點的負載比例；log（pi）為負載比例的對數，用于計算負載分布的熵。

在原有運行基礎上引入負載均衡評估函數，判斷當前任務分配是否均衡，對分布式智能電網云邊任務分配進行優化。在實際應用中，優先計算給定的任務分配方案的節點負載比例，對所有結果求和并取負，得到的L值越大，負載分布越均衡。

2.2 考慮時延敏感性的任務分配算法

針對全球化智能電網中存在的時延敏感任務，本文提出了一種基于深度強化學習的動態任務分配算法[3]。該算法采用雙重深度Q網絡（Double Deep Q-Network， DDQN）結構，解決了傳統Q學習中的過估計問題。狀態空間S定義為各節點的當前資源利用率、任務隊列長度以及網絡狀態。動作空間A則包含所有可選的任務分配方案。獎勵函數R如公式（5）所示。

式中：α為時間懲罰系數；T為任務完成總時延；Em為在任務執行過程中消耗的總能量；B為負載均衡獎勵系數。

當分配任務時，本文根據時延敏感性引入獎勵機制，對任務分配策略好壞進行評估，綜合衡量時延、能耗與負載均衡3個因素。

3 在分布式智能電網典型場景中的云邊協同優化方案

3.1 配電網狀態估計與故障定位

基于前文所述的云邊協同計算架構和任務分配優化算法，筆者提出了一種高效的配電網狀態估計與故障定位方案。該方案采用分層結構，將狀態估計任務分配至邊緣層和云端層。重點針對云端層進行優化，當云端進行故障定位時，將配電網拓撲結構表示為無向圖，如公式（6）所示。

式中：G為配電網的圖模型，表示配電網結構；V為節點集（變電站和負載節點）；E為邊集（電力線）。當檢測到故障時，利用拓撲結構分析并確定故障節點。

采用并行故障定位算法，通過圖分割技術將大規模網絡劃分為多個子圖，每個子圖獨立執行故障定位，以提升計算效率。子圖計算過程如公式（7）所示。

式中：k為子圖數量，表示配電網分割的子區域數量，每個子圖獨立執行故障檢測；Gi為利用圖分割技術從原始大規模配電網劃分的獨立子圖。

在配電網狀態估計與故障定位的過程中，系統首先自動識別配電網中的所有節點，包括變電站和負載節點，并將它們添加至V中，再識別所有連接節點的電力線，將其添加至E中，構建鄰接矩陣或鄰接列表以表示圖G。為處理大規模配電網，系統運用圖分割技術，將網絡劃分為多個子圖。在實際應用中，該方法能有效提高故障定位的計算效率。本文采用譜聚類算法來設定分割參數或確定每個子圖的最大節點數。例如子圖數量為n，采用圖分割算法得到n個子圖，再驗證每個子圖的連通性。

3.2 需求側響應與負荷預測

針對需求側響應與負荷預測，筆者對邊緣設備進行優化。通過智能電表和家庭能源管理系統（HEMS）實時采集用戶用電數據，并采用輕量級機器學習模型進行短期負荷預測及用戶行為分析。由于原方法僅限于短期負荷預測，因此，本研究利用云端整合多個邊緣節點的數據資源，部署深度學習模型以實現中長期負荷預測及制定需求響應策略。該模型旨在預測未來較長時間段的負荷變化趨勢，其計算過程如公式（8）所示。

式中：（t+T）為預測在未來t+T時刻的負荷需求；g為深度學習模型的預測函數；P（t）為當前負荷；P（t-1）為歷史時刻負荷；X為影響負荷的其他因素（例如天氣、用戶行為等）。

這種方式主要依賴于中長期負荷預測技術，在實際應用中，利用歷史負荷數據及其他相關因素（X）來預測未來較長時間的負荷變化趨勢。歷史負荷數據及相關因素經收集并預處理后，用于模型訓練，以提升預測計算的準確性。

3.3 分布式能源接入與調度優化

基于云邊協同的分布式能源接入與調度方案進行了優化，并引入了自適應電壓控制機制。邊緣節點能夠實時監測區域電壓狀況，并調整分布式發電單元的無功功率輸出，以實現電壓的快速調控。云端層則根據全局電壓分布情況，動態調整各區域的電壓控制參數，保證系統的整體穩定性。在能源調度優化方面，采用了多時間尺度協同優化策略，其中邊緣層負責執行短時間尺度的優化任務，利用改進的模型預測控制（Improved Model Predictive Control，IMPC）算法進行計算，具體過程如公式（9）所示。

式中：minJ為總成本函數最小化；CG為發電成本函數；PG（t）為在t時刻的發電功率；CD為負荷調整成本函數；PD（t）為在t時刻的負荷調整量。

該算法能夠對短時間尺度進行能源調度優化，對邊緣層發電進行控制，實時調節負荷。

驗算過程如下：定義CG和CD→確定優化時間窗口T→收集當前系統狀態（發電能力、負荷預測和網絡約束）→采用改進模型預測控制算法。在改進模型預測控制算法中持續預測每個時間步t的未來狀態，直到完成預定的調度周期。

4 仿真試驗與性能評估

4.1 試驗環境搭建

為全面評估云邊協同計算架構及任務分配優化算法的性能，本文構建了一個綜合仿真試驗環境。該環境包括云端計算平臺、邊緣計算節點、通信網絡和電力系統模型。云端平臺采用OpenStack部署了4臺高性能服務器，并通過Docker模擬了200個虛擬節點。邊緣節點則選用了樹莓派4B和Jetson Xavier NX，這些節點被分布在10個區域內，共計100個物理節點。通信網絡部分，使用NS-3仿真器模擬了5G和有線網絡，并設置了不同的延遲和帶寬參數。電力系統模型基于IEEE 123節點擴展至1000個節點，采用Kubernetes進行容器管理，核心算法使用Python編寫，數據存儲依托InfluxDB，同時集成了Apache Spark和Monte Carlo仿真模塊。

4.2 算法性能對比

本文對提出的云邊協同計算架構（Cloud-Edge Collaborative"Computing Architecture， CECCA）和任務分配優化算法（Task Distribution Optimization Algorithm， TDOA）進行了性能評估（Performance Evaluation， PE）。在評估過程中，將負載均衡的任務分配算法（Load Balancing Task Distribution Algorithm， LB-TDA）和考慮時延敏感性的任務分配算法（Latency Sensitive"Task Distribution Algorithm， LS-TDA）與現有的2種典型算法—輪詢調度（Round Robin， RR）和最短隊列優先（Shortest Queue First， SQF）進行了對比。評估設置了輕負載、中負載和重負載3種負載場景。性能評估采用的關鍵指標（Performance Metrics， PM）包括平均任務完成時間（Average Task Completion Time， ATCT）、負載均衡度（Load Balance Degree， LBD）和能耗效率（Energy Efficiency， EE）。不同負載場景下各算法的性能對比見表1。

結果表明，與傳統算法相比，在不同負載場景中，本文算法的性能更好。特別是在重負載情況下，采用本文算法，平均任務完成時間分別縮短了約31.5%和35.8%，能效分別提高了約24.6%和27.2%。在處理時延敏感任務的過程中，LS-TDA表現出色，其關鍵任務的響應時間控制成功率為98.7%，比SQF算法高12.3%，說明該算法在時延敏感環境中具有優勢。

4.3 典型場景應用效果評估

本文選取了智能電網運行中的2個特殊場景，基于IEEE 123節點配電網，對云邊協同計算架構和任務分配優化算法的實際應用效果進行了測試。

場景一：模擬在城市核心區域內，1 000個充電樁在2 h內接入5 000輛電動汽車的場景。這種突發性、并發高的負荷變化對配電網的實時調度和電壓穩定性提出了挑戰，大規模電動汽車即插即用指標見表2。

結果表明，本文方案使邊緣節點滿足毫秒級響應控制條件，利用云端的全局資源調度功能有效抑制配電網電壓波動，提升了充電設施的使用效率，保證充電負荷的動態平衡。充電需求響應時間減少了66.8%，有效提升了用戶體驗。

場景二：模擬主網發生故障并導致10個微電網區域進入孤島運行狀態的場景。每個微電網包括分布式光伏、儲能系統和關鍵負荷。評估系統在孤島運行24 h的性能，微電網群孤島運行場景性能對比見表3。

結果表明，云邊協同方案能夠對邊緣計算節點進行快速本地控制，對云端進行協調優化，提高了微電網群的自治能力，對可再生能源進行高效利用，使頻率控制更精確，負荷保供率提高了9.5%。

場景三：模擬在包括1 000個配電終端的復雜城市配電網中突發3處級聯故障的場景。評估系統在故障定位、隔離和網絡重構方面的性能，配電網故障快速隔離與自愈場景性能對比見表4。

云邊協同方案具有邊緣節點的實時數據處理能力，利用云端的全局拓撲分析加快了故障處理速度。故障定位和隔離時間分別縮短了73.4%和70.3%，網絡重構速度提高了70.5%。

綜合3個特殊場景的評估結果，當應對智能電網的突發性、高并發性和復雜性挑戰時，云邊協同方案表現出色。該方案保障了供電可靠性，加快了系統的響應速度，提高了決策精度、可再生能源利用效率，優化了用戶體驗。

5 結語

本文提出了一種基于云邊協同的分布式智能電網計算架構以及任務分配優化方案，并進行了理論分析與仿真試驗。試驗結果表明，該方案在系統性能提升、響應時間降低以及資源利用率優化等方面有明顯優勢。在大規模電動汽車充電和微電網群孤島運行等典型場景中，該方案被證明有效。未來將持續深入研究此問題，為分布式智能電網的發展提供更加全面、可靠的技術支持。

參考文獻

[1]李大偉，李丹，劉博文，等.面向任務的云、邊、端分布式異構資源優選技術[J].計算機工程與設計，2024，45（2）：618-625.

[2]鞏龍豪，鄒玉龍，郭海燕，等.智能電網場景下基于MEC和D2D的時延對稱性研究[J].南京郵電大學學報（自然科學版），2022，42（6）：38-44.

[3]陳建洪，林文彬，夏文岳，等.基于云邊協同的變電站倒閘防誤操作關鍵技術研究[J].電力信息與通信技術，2022，20（8）：91-98.