基于电力物联网关的边云协同和边缘智能技术研究

李春鹏　蒋峰　王金齐　官国飞　宋庆武　李澄

摘   要：针对当前电力物联网算法难以实现电力边缘用户协同分配的问题，提出了新型的技术方案。该技术基于电力物联网网关，设置网络控制访问方式;利用搭建的任务迁移模型，获取任务全局搜索目标。通过边缘智能技术，计算电力物联网关对搜索目标的限制概率;根据制定的边缘任务分配策略，实现任务分配的边云协同方式。实验结果表明，与传统的技术相比，本研究方案技术结果更加精准，边云协同更到位，对晚间的电网任务分配质量较好。

关键词：电力物联网关;边云协同;边缘智能;数据处理;任务匹配;

中图分类号：TN915.05                                     文献标识码：A

Research on Edge Cloud Collaboration and Edge

Intelligence Technology Based on Power IoT Gateway

LI Chun-peng1，JIANG Feng1，WANG Jin-qi2，GUAN Guo-fei1，SONG Qing-wu1，Li Cheng1

（1. Jiangsu Frontier Electric Power Technology Co.，Ltd.，Nanjing，Jiangshu 211100，China;

2. Jiangsu Hoperun Zhirong Technology Co.，Ltd.，Nanjing，Jiangshu 210012，China）

Abstract：Aiming at the problem that the current power Internet of Things algorithm is difficult to achieve the collaborative distribution of power edge users，a new type of technical solution is proposed. This technology is based on the power Internet of Things gateway and sets the network control access method;By using the built task migration model，the task global search target is obtained;Through the edge intelligence technology，the limit probability of the power IoT gateway to the search target is calculated;according to the formulated edge task allocation strategy，the edge cloud collaboration method of task allocation is realized. The experimental results show that，compared with the traditional technology，the technical results of this research scheme are more accurate，the edge cloud collaboration is more in place，and the quality of the task distribution of the power grid at night is better.

Key words：power IoT gateway;edge cloud collaboration;edge intelligence;data processing;task matching

在萬物互联的时代，电力物联网网关产生的目的，主要是为了在现有的网络拓扑结构上，保证电力网络通信服务的可靠性，此领域中已经获得一定的研究成果[1]。

文献[2]阐述了无处不在的物联网的基本概念和特征，针对新一代智能电表，提出了从单一设备向多设备转变。为符合最基本的计量要求，设计一种新型多功能智能，集计量、通讯、数据采集与控制为一体的能源网关。对新一代智能电能表的功能定位和设计要求进行了分析;分析了电动汽车的有序性，对电气负荷特性进行了智能分析，构建了多米集成“信息收集”等业务场景，该方法可满足多路数据采集，实现多米功耗测量的集成，但边缘智能结果计算不够精确。

文献[3]中提出了一种基于边缘计算的分布式物联网应用技术。首先，它为功率分布的边缘计算提供了一个标准的架构事物网络。然后阐述了数据中心构建在标准框架下的内、外部交互机制，最后阐述了 DGE计算框架以及边缘云协作分布式物联网中的数据处理，但该方法在夜间电网任务分配上存在差异，不能满足与白天不同的边缘用户协调分配的要求。

文献[4]对两种主要部署中边缘计算和 NFV管理编排组件的职责划分和交互流程计划进行了分析和比较。然后，根据深度学习的方法和模型，提出了提高电信云虚拟网络要素与基础设施管理及协调效率的解决方案，并给出了边缘计算在这两种方案中的应用。尽管该方法可以解决编排组件之间高效协调等问题，但在电信云中部署边缘计算服务所需要的 NFVMA NO组件时，智能边缘计算效果不佳。

以上文献方法均存在随着数据量的增加、任务体量也随之增加，其边云协同和边缘智能技术无法适应动态变化的电网任务，导致电力物联网与通信网络、感知网络之间难以匹配同类任务信息。因此针对这一问题，提出电力物联网网关操控下，全新的边云协同与边缘智能技术。所提出的两种技术，对所有任务信息进行分类整理，并剔除冗余数据，通过设置全新的处理方式，实现电力网络所发布任务的协同分配，提升感知网络与通讯网络对任务数据的匹配[3]。

1   基于电力物联网关的边云协同和边缘智

能技术

1.1   基于电力物联网网关设置网络控制访问方式

传统方法均存在随着数据量的增加、任务体量也随之增加，其边云协同和边缘智能技术无法适应动态变化的电网任务，导致电力物联网与通信网络、感知网络之间难以匹配同类任务信息的问题。因此针对这一问题，课题方法设计了一种基于电力物联网网关设置网络控制访问方式。

控制设备的访问方式，需要从感知网络和通信网络两方面入手。感知输入层与感知网络交互任务数据，而可接入的感知网络节点数量庞大，且该网络具有传输速度快、传输距离远、保密性强、抗干扰等特点，因此以感知网络基本特征为依据，建立感知网络路由控制协议，如下图1所示[4]。

图中A1-A3表示控制中心节点;a1-a3、b1-b2是分支控制节点。根据上图可知，该协议中的源节点，向两边的分支子节点传送数据，其中包含了分段式的传输方式和阶段式的传输方式，通过不同的路由协议，物联网网关可以根据其传输方法的不同，识别电力任务类型，提升对任务数据的处理速度[5]。

通信网络属于电力物联网的传输应用层，该网络通过远距离传输与处理数据，保证电力任务的发布不受地域限制，同时也可以通过该应用层，随机切换通信协议，使性质不同的电力任务通过感知层发布[6]。考虑网络延迟、系统开销等外部影响因素，选取以太网协议和4G蜂窝移动通信技术，实现物联网网关之间的数据传输。当以太网发生故障时，物联网网关立即切换到4G蜂窝移动通信，实现对任务的实时传送[7]。

通过对物联网感知层和通讯层的优化改进，设置基于电力物联网网关的网络控制访问方式。电力物联网网关是整个电力网络的中央控制单元，负责将所有模型连接在一起，监控电力场所内所有网络的工作状态，通过发布的控制任务，默认场所内的工作场景，与外部网络建立通信。所以可知电力物联网网关包含的访问控制接口，如下表1所示[8]。

根据表1可知，访问控制接口包括两类，一类是面向上层的应用接口，即接口1、2、4、6;另一类是面向底层异构子网及数据库的接口，即接口3、5。根据上述内容，设置的网络控制访问方式，其部分控制代码如下图2所示[9]。

根据上述设置的控制算法，实现在电力物联网的改进下，对网络控制访问方式的设置。

1.2   搭建任务迁移模型获取任务迁移决策全局搜

索目标

根据异构网络中，多用户单任务计算的迁移问题，搭建一个任务迁移模型，以此设置任务迁移决策全局搜索方法。设电力设备的集合为N，则N = {1，2，…，n}。假设一个任务迁移周期内，每个电力信息接收设备，只有唯一一个待处理任务Ri，该任务用二元组来表示，即Ri = （ai，ki），其中ai表示任务Ri的输入数据比特量，ki表示完成任务Ri时的周期数[10]。假设感知网络共存在M个信道，即M = {1，2，…，m}，通讯网络共有V个信道，即V = {1，2，…，v}，设置决策变量为λi，当决策变量λi = 0时，得到任务迁移参数：

T ki = ■E ki = ki·μ ki         （1）

式中：T ki表示计算时延;E ki表示能量消耗;i表示网络控制访问端口[11]。将上述模型加权调整，得到任务迁移模型：

Γ ki = θ Ti·T ki + θ Ei·E ki      （2）

其中，引入的θ ki表示权重，当该权重系数满足下列约束条件时，证明该模型反映的网络数据较为完备[12]。约束条件为：

θ Ti，θ Ei∈[0，1）θ Ti + θ Ei = 1         （3）

当θ Ti > θ Ei时，表明迁移任务Ri时延敏感;当权重θ Ti < θ Ei时，表明网络耗能敏感[13]。此时可以利用该模型，获取任务迁移决策全局搜索目标。假设该目标为φi，则根据公式（2）得到迁移决策全局搜索目标为：

φi = ■■       （4）

式中：σi表示响应指标;ΔR表示任务偏移量;xi、yi表示迁移数据在不同位置处的横纵坐标值[14]。根据上述得到的搜索目标，进行数据处理。

1.3   边缘智能技术计算电力物联网关的限制概率

根据上一节得到的搜索目标，利用边缘智能技术，计算电力物联网网关对该搜索目标的限制概率。首先是在时间条件下的限制概率。考虑网络节点之间的多次接触问题，根据任务自身截止时间，计算源节点可能会接触的感知移动节点。考虑单跳路径的基本状况，即从源节点与搜索目标之间，任务数据与各个节点的接触次数[15]。当任务时间截止时，可得到在t时间内，网关在时间条件影响下，对目标数据的限制概率：

Pt = ■      （5）

式中：Pt表示时间条件t影响下的限制概率;b表示服从参数;ε表示约束参数;γ表示限制动态指标。在计算不同数据量下的搜索目标限制概率，已知通信网络传输任務数据是相对稳定的，但由于电力物联网任务量的增加，使得下达的指令数据随之增多，因此会导致传输数据微弱失稳[16]。假设任务数据的最大值为Rmax，最小值为Rmin，则得到的近似计算概率为：

Ps ≈ 1 - ■■ =

1 - 1-■■■      （6）

式中：Ps表示任务数据量为s时的限制概率;R1表示第一条任务;Ri表示最后一条任务;β表示尺度参数[17]。最后再利用边缘智能技术，计算在上述两种条件约束下，搜索目标的限制概率。对于电力物联网网关的访问限制，在充分考虑时间条件t 和数据量条件s的前提下，设此时搜索目标的限制概率为P（t，s），则计算方程为：

P（t，s） = ■■     （7）

式中：■i表示数据稳定传输下的期望限制概率;ωi表示参数权重;α表示近似性指标[18]。根据上述计算，实现边缘智能技术，对电力物联网网关限制搜索目标的概率计算。

1.4   制定边缘任务分配策略实现任务分配的边云

协同

根据得到的三种条件下的概率指标，制定任务分配策略。假设n个用户分布的条件下，包含若干个中心用户和搜索得到的边缘目标用户，假设分配参数为f，则分配情况用Cn， f∈{0，1}表示，当Cn， f = 1时，表示所有任务均被分配;当Cn， f ≠ 1时，表示边缘用户分配不均[19]。电力物联网的基本任务分配与速率为：

v = an■Cn， f ■log21 + ■    （8）

式中：an表示n个电力设备的传输速率;A表示互联网网络总带宽;τ表示分配路径;Mn表示用户数量;hi表示电力感知网络与通信网络之间的信道增益;ω0表示路径分配损耗;Δη表示分配增益量[20]。根据上述公式得出边缘用户任务分配参数：

δ = ■      （9）

式中：δ表示边缘用户任务分配控制参数;l表示边缘用户与中心用户之间的相对距离;α表示边缘开销量。根据制定的边缘任务分配策略，设置网络任务边缘分配边云协同[21]。边云协同包括目标检测和目标追踪两个方面，利用特征提取算法，按照上图中的流程完成对特征节点的检测，根据得到的特征描述子，进行数据匹配，通过计算特征描述子之间的距离，选择最为匹配的边缘任务分配策略，以此确定电力物联网的网关，对分配路径的控制[22]。而目标追踪，是通过物联网网关建立起感知网络与通信网络之间的联系后，对分配的任务数据进行追踪，保证任务数据可以在网络技术控制下，实现边云协同匹配，保证所有电力任务信息，通过感知与通信，完整的匹配到边缘用户[23]。假设实际匹配与理想匹配之间存在一个大于0的差值，则该差值的表达式为：

Δd = d1 - d2 × δz       （10）

式中：Δd表示提到的匹配差值;d1表示实际匹配;d2表示理想匹配;δ为任务分配控制参数;z表示平衡控制参数[24]。当差值Δd趋近于1时，则证明该差值过大，设置的边云协同效果不佳，需要重新设置边缘智能技术;当差值Δd趋近于0时，证明边云协同效果，任务匹配成功。至此实现基于电力物联网关的边云协同和边缘智能技术的应用[25]。

2   仿真测试

提出仿真实验测试，检验此次研究的基于电力物联网关的边云协同和边缘智能技术的应用能力。为增强仿真实验测试结果的说服力度，引入传统应用方法下的边云协同和边缘智能技术，比较两种应用方法下，不同技术之间的差异性。

2.1   仿真实验准备阶段

利用SimuWorks软件模拟电力物联网数据，下图3是不同时期内的电力物联网模拟数据量示意图。

上图中T1表示平常时段，T2表示休息日时段，T3表示法定节假日时段。设置该仿真软件的模拟参数，如下表2所示。

根据上述参数，模拟此次仿真实验测试环境，并测试该环境运行的稳定性。当稳定性值超过0.95，极度接近1时，表明仿真实验平台可靠，满足此次仿真实验测试需求，可以进行仿真测试。

2.2   测试结果与分析

此次仿真实验测试，将研究的技术，作为仿真实验A组，将传统的技术，作为仿真实验B组。将图3中的3组数据作为仿真实验测试对象，得到下图4所示的仿真實验测试结果。

（a）仿真实验A组测试结果

（b）仿真实验B组测试结果

已知在不同的时段内，电网任务数据量也有所不同，上图中的两组测试结果，是对白天时段的电力任务数据分配测试。根据图中曲线可知，在同样的仿真实验测试环境下，所研究技术在电力物联网网关的控制下，边缘智能计算的结果更加精准，边云协同到位，使最终的分配结果符合实际要求。而两个技术的传统应用方法下，由于控制边缘智能技术的能力较弱，导致得到的边缘用户存在疏漏，造成电网任务匹配不均。为保证仿真实验结果的普遍性，再对晚间的电网任务数据进行测试，下图5为该测试条件下的仿真实验结果。

（a）仿真实验A组测试结果

（b）仿真实验B组测试结果

已知此次仿真实验测试的其他条件相同，仿真实验对象由白天时段换成晚间时段。根据图中的曲线走势可知，所研究的技术下，对晚间的电网任务分配，与白天没有差异，均实现了对边缘用户协同分配这一要求。而传统边云协同、边缘智能技术的传统应用方法下，对边缘用户的电网分配任务，同样存在分配不均的问题，可见传统应用方法下，边缘智能技术无法精准计算，导致最终的边云协同效果不佳，无法实现协同分配这一目的。为保证仿真实验测试结果的真实性，通过可信度评估方法，对仿真实验测试结果进行检测，检测公式为：

RI = ■ni（1 - Y）n-1         （11）

式中：RI表示可信度评估结果;n表示仿真实验测试;i表示用户数量;Y表示匹配结果。当RI >0.95时，证明该测试结果可靠，反之则仿真实验存在较大误差。综合上述两组仿真实验测试结果可知，基于电力网联网网关的技术效果更好。

3   结   论

基于电力物联网关的边云协同和边缘智能技术，以传统技术的问题为切入点，通过加强物联网网关的识别能力与控制性能，提升感知网络与通信网络之间的连接通性，加强网关控制下，两者之间的匹配性能，实现电力数据任务的精准传递。但此次研究的边云协同技术和边缘智能技术，在计算上可能还是存在些许误差，今后的研究与优化，还要注意这方面的问题。

参考文献

[1]    蔡月明，封士永，杜红卫，等. 面向泛在电力物联网的边缘节点感知自适应数据处理方法[J]. 高电压技术，2019，45（06）：1715-1722.

[2]    彭楚宁，罗冉冉，王晓东. 新一代智能电能表支撑泛在电力物联网技术研究[J]. 电测与仪表，2019，56（15）：137-142.

[3]    孙浩洋，张冀川，王鹏，等.面向配电物联网的边缘计算技术[J]. 电网技术，2019，43（12）：4314-4321.

[4]    廖家齐，钱科军，方华亮，等. 基于泛在电力物联网的电动汽车充电站运维关键技术[J]. 电力建设，2019，40（09）：20-26.

[5]    王旭亮，刘增义，胡雅婕，等. 基于NFV MANO的边缘计算多种智能化部署方案研究[J]. 电子技术应用，2019，45（10）：19-24.

[6]    段玉飞，王伟. 基于物联网的输电线路智能监测系统研究与应用[J]. 电力信息与通信技术，2019，（7）：25-32.

[7]    张宁，杨经纬，王毅，等. 面向泛在电力物联网的5G通信：技术原理与典型应用[J]. 中国电机工程学报，2019，39（14）：4015-4025.

[8]    刘大伟，宋爽，马泉. 基于云策略和MMS协议的智能变电站继电保护设备自动测试系统[J]. 电力系统保护与控制，2019，47（12）：159-164.

[9]    朱赫，苏维均，王鑫. 基于REST架构的物联网设备插件机制设计[J]. 计算机工程与设计，2019，40（01）：14-19.

[10]  石瑞杰，邹萍，吴夕科，等. 电工装备行业云端协同制造及仿真应用研究[J]. 系统仿真学报，2019，31（04）：771-786.

[11]  吴正坤，江凌云，穆晏如. 多边缘节点协同下的应用卸载算法研究[J]. 南京邮电大学学报（自然科学版），2019，39（04）：96-102.

[12]  高丽萍，高东方. 移动云环境下实时协同图形编辑一致性维护研究[J]. 小型微型计算机系统，2018，39（01）：173-178.

[13]  任洪波，邓冬冬，吴琼，等. 基于热电共融的区域分布式能源互联网协同优化研究[J]. 中国电机工程学报，2018，38（14）：4023-4034.

[14]  宋朋涛，李超，徐莉婷，等. 基于个人计算机的智能家居边缘计算系统[J]. 计算机工程，2017，43（11）：1-7.

[15]  沈博，蔡泽祥，戴观权，等. 面向泛在电力物联网的智能配用电信息采集业务通信分析[J]. 电力建设，2019，40（09）：27-34.

[16]  張涛，赵东艳，薛峰，等. 电力系统智能终端信息安全防护技术研究框架[J]. 电力系统自动化，2019，43（19）：1-8.

[17]  王艳如，刘海峰，李琳，等. 基于边缘智能分析的图像识别技术在输电线路在线监测中的应用[J]. 电力信息与通信技术，2019，17（07）：35-40.

[18]  李琳，魏鑫，孙胜宇. 居民侧智能用电泛在感知技术与多元精准服务研究[J]. 供用电，2019，36（06）：10-15.

[19]  张鹏，王博思. 基于塑料光纤的智能交通移动边缘计算通信系统设计[J]. 半导体光电，2019，40（06）：886-890.

[20]  钟瑜，林勤. 一种嵌入式边缘计算平台能力评估方法[J]. 通信技术，2019，52（06）：1443-1449.

[21]  吴佳兴，李爱国. 基于云计算的智能家居系统[J]. 计算机应用与软件，2013，（7）.240-243，314.

[22]  王昆仑，李凯，李资琴，等. 赋能智能物联网的雾计算技术[J]. 重庆邮电大学学报（自然科学版），2019，31（04）：427-433.

[23]  楚玺，周志祥，邓国军，等. 模糊图像的不连续边缘智能检测改进算法[J]. 吉林大学学报（理学版），2019，57（04）：875-881.

[24]  黄红，熊卓，王宇，等. 基于大数据的变电设备状态多维感知及智能诊断系统的研究[J]. 电力大数据，2019，22（10）：51-57.

[25]  毛天祺，刘伟，黄洁，等. 二进小波增强与边缘局部信息FCM的SAR图像变化检测[J]. 信号处理，2018，34（01）：54-61.