边缘计算在需求响应中的应用现状及发展思路

李彬，郝一浩*，祁兵，陈宋宋，冯剑

（1.华北电力大学电气与电子工程学院，北京102206；2.需求侧多能互补优化与供需互动技术北京市重点实验室（中国电力科学研究院有限公司），北京100192；3.国网河北省电力有限公司，石家庄050022）

0 引言

电力需求响应（Demand Response，DR）是指客户对价格或激励信号做出响应，通过改变正常的用电模式以保证电力供需平衡，从而实现用电和系统资源的综合优化配置［1］。电力需求侧管理对促进经济、资源、环境的协调发展以及缓解电力短缺、提高能源效率等具有十分重要的作用［2-3］。近年来，随着电力自动需求响应业务的迅速发展以及售电侧的放开，未来电力通信网中接入的终端设备数量和数据量将会大量增加，对云端的决策能力和数据处理能力提出了更加严苛的要求。因此，急需一种新的解决方案来应对智能终端数量快速上涨所带来的各种问题和挑战。

边缘计算是一种在网络边缘侧融合了网络、计算、存储和应用等核心能力的计算模式和网络架构，它通过将计算能力卸载到网络边缘侧来实现降低网络核心节点压力、降低网络时延、缓解网络拥塞等目的［4］。近年来，边缘计算的技术优势愈发显著，已经成为业内人士密切关注的技术。2020 年，在全国40 个城市中有百余个各行各业的边缘计算项目正在上马，包括智慧园区、智能制造等［5］。华为的开源智能边缘项目KubeEdge 经全球顶级开源社区云原生计算基金会（Cloud Native Computing Foundation，CNCF）技术委员会同意，于2019年加入到CNCF 社区［6］，这是CNCF 在智能边缘领域的首个正式项目。KubeEdge 依托Kubernetes 的调度能力和容器编排能力，得以实现计算卸载、云边协同和大量终端设备接入等。Kubernetes 和云原生应用管理标准被延伸到边缘，解决了用户在当前智能边缘领域面临的一部分挑战。2020 年5 月，KubeEdge 发布了1.3 版本，大幅度提升了系统的可维护性；同月，我国多家机构联合启动了“边缘计算标准件计划”，旨在探索和构建边缘计算规范标准体系，推动需求侧和供给侧的互通连接。工业互联网产业联盟（Alliance of Industrial Internet，AII）与边缘计算产业联盟（Edge Computing Consortium，ECC）联合发布《边缘计算架构白皮书》后，又陆续发布了《边缘计算IT基础设施白皮书1.0》《运营商边缘计算网络技术白皮书》《边缘计算安全白皮书》等指导性资料。

国家电网有限公司提出的建设泛在电力物联网引发了与能源互联网相关的一系列问题，包括去中心化、安全性和负载等。边缘计算的独特技术优势决定了其在能源互联网领域的应用势必十分广阔，它是解决当前智能电表功能不足、更新智能电表的重要技术［7］。边缘计算可用来辅助电网的正常运行，为供电故障处理系统缩短故障处理反应时间，也可用来建立电网传输设施异物检测系统［8-9］，也有学者将边缘计算应用于需求侧的管理，如家庭能源管理［10-11］。边缘计算正在逐渐成为电网中大规模终端参与需求响应的重要解决方案之一。

本研究主要总结了边缘计算的相关技术概念，并在此基础上探讨当前需求响应业务的潜在问题及解决方法，并对需求响应业务中的边缘计算进行了探讨和总结，最后对面向需求响应业务的边缘计算部署做出了展望。

1 边缘计算发展概况

1.1 云计算的概况

云计算将巨大的服务计算量进行任务分解和分发［12］，计算由多个服务器构成的庞大计算系统完成，这是早期分布式计算的进化，它将处理分析结果合并，最终提供高效的服务。云计算系统主要包括4个部分：云存储、云平台、云终端、云安全。从用户层面，可将云平台分为公有云、私有云、混合云等。云平台大致有3 种服务类型：平台即服务（Platform as a Service，PaaS）、基 础 设 施 即 服 务（Infrastructure as a Service，IaaS）和 软 件 即 服 务（Software as a Service，SaaS）。

由于数据中心具有海量的服务器，通过系统调度可将出现单点故障的计算任务转移到其他服务器上进行处理，实现服务的高可靠性。一些著名互联网技术（IT）企业的大数据中心都安装有数以万计的服务器，为用户提供强大的计算资源和存储资源。云计算虚拟化使计算突破了空间限制，将不同地理位置的服务器和计算资源合并为逻辑统一的共享资源中心。这使互联网数据中心（IDC）业务具有高可扩展性，可以根据需求动态地分配和释放资源，利用应用软件进行新业务的开发和功能扩展。

接入电网的需求响应终端数量的大量增加，使用户对应用服务提出了低时延、高可靠、高安全性的要求。据全球范围内的统计数据显示，到2025年，物联网医疗市场将增长至534.3亿美元；到2023年，将有6 410 万个增强现实∕虚拟现实（AR∕VR）头戴设备投入市场［13］；到2020 年，全球智慧城市投资将达到124亿美元。这些数据展现了边缘计算的巨大潜力。传统集中式的云计算采用中心化思维，而边缘计算则是采用了去中心化的思想，边缘计算作为一种新的计算模式，其在靠近用户和终端的网络边缘侧进行数据的计算处理，使得数据处理更加即时，响应时间大大降低［14］。

1.2 边缘计算的概况

“边缘”与“中心”的概念是相对的，边缘计算中的“边缘”是指在信息源到数据处理中心之间的路径上进行的数据存储、处理、计算［15］。边缘计算使用户数据不用上传到遥远的云端数据中心，在数据产生的源头就可以得到及时有效的处理，具有业务实时性，能够有效地缓解云端的流量压力，为用户提供更高的业务体验［16-17］。

边缘计算技术的产生是对传统云计算的一种延伸和扩展，而不是为了代替传统云计算［18］。边缘计算主要面向的应用是物联网和移动应用，提供本地化的信息服务；而云计算是面向一般的互联网应用，提供基于全局的信息服务。

2 边缘计算参考架构与DR业务适用性

2.1 边缘计算的参考架构

在ECC和AII提出的边缘计算参考架构3.0中，边缘计算的通用体系架构一般被分为云、边缘和终端3 个部分［19-21］。欧洲电信标准化协会（European Telecommunications Standards Institute，ETSI）也 在“MEC全球标准003版本”中提出了一个基于网络功能虚拟化的移动边缘计算参考架构，该架构同样包括了3 层结构：系统层负责对整个模型进行系统级管理，分配可用资源并为全局的运营提供支撑等；主机层可实现对虚拟化基础设施的管理；网络层提供多种接入方式，为进出边缘计算平台的通道［22-23］。2019 年，欧洲边缘计算产业联盟（Edge Computing Consortium Europe ，ECCE）在第3 届欧洲边缘计算论坛上发布了第1 个边缘计算参考架构模型RAMEC［24］。该模型并非是一个技术系统架构，而是旨在建立一个广泛的边缘计算产业生态，拉通各类标准，以减少技术上的分歧，促进互联互通的工业互联网基础设施的广泛应用。

云计算和边缘计算之间的关系不是相互排斥的，而是相辅相成的关系。边缘计算节点在本地进行数据处理、存储和计算，同时也与云端协同，执行云端的指令和策略。边缘节点在本地完成数据的采集、处理和分析工作，通过数据链路将处理结果与云端共享，实现数据协同。云与边缘的协同可提供低时延、扩大带宽以及完成海量终端接入，在边缘侧的基础设施之上筑构的大数据计算中心［25］。边云协同放大了边缘计算与云计算的功能和价值，两者通过紧密的协同合作、优势互补才能最大化自身的价值，满足多种类型的场景应用，但目前边缘协同还处于发展初期［26］。华为在HC2018 大会上发布了智能边缘平台（Intelligent Edge Fabric，IEF），提出了云、边缘一体化协同的概念。IEF 可实现用户对边缘侧资源的远程管理、分析，以便做出决策，为用户提供了完整的边缘和云协同一体化服务。边云协同的能力涉及IaaS，PaaS，SaaS的全面协同。

2.2 DR业务的适用性

作为需求侧管理的解决方案之一，需求响应在确保电网稳定运行和控制电价上涨方面起着重要作用。国内关于需求响应的研究、实践和市场正逐渐成熟。广东省能源局在《广东省2019年电力需求响应方案（征求意见稿）》中明确了要实现全省范围内峰时一般地区负荷约3%的调峰能力［27］，并以全省用户侧机动调峰总量5.00 GW·h 为建设目标。响应用户主要考虑了广东省电力市场化交易的用户、2 500 kV·A 及以上容量的大工业用户、负荷集成商（售电公司）3 类。2020 年，国网杭州供电公司对可调节负荷资源进行普查，拟建造的第1 批需求响应资源池项目落地，通过与可调节负荷用户或者企业签订用电协议的方式增加电网的弹性，为打造多元融合的高弹性电网打下基础。

传统的需求响应采用集中式调度，所有决策是由需求侧管理平台做出并将指令下发给各个终端。随着需求响应业务的快速展开，云平台无法快速有效地处理需求侧终端上传的大量数据流。目前，大多数需求响应项目的主要目标是利用凸优化、博弈论、动态规划、马尔科夫决策过程、随机规划和粒子群优化等优化成本函数。有些学者基于斯塔伯格博弈提出了需求响应数学模型，运营方对需求响应市场提供激励后各个市场再根据激励来进行决策得到最佳需求响应电量［28-30］。

相关研究显示，到2025年全球的个人智能终端数量将会达到400 亿之多，而连接物联网的智能设备数量将达到1 000 亿［31］。未来可接入电网实现自动需求响应的边缘设备将达到饱和，传统的集中式的需求侧管理难以对如此庞大的终端数量进行有效的管理。此外，需求侧管理平台对终端进行管理和数据搜集时，需要从各个终端和用户上传信息，这会大大增加传输所需要的带宽和收敛时间。

本文采用Midas等相关软件对拱桥进行支架稳定性进行有限元分析。根据上文中支架搭设方案在Midas中建立模型，计算采用MidasCivil程序，杆件和钢管均采用梁单元来模拟。主体荷载按照均布荷载考虑，q=98.91kN/m2。有限元计算模型如图1。

为有效避免网络中心节点发生系统性危险、降低数据处理响应时延，大多数的需求响应优化工作都转化为分布式优化，并建立分布式需求响应模型［32-33］。这种模型要求公共事业公司向所有用户发布价格信号，此后每个用户尝试去单独解决优化问题。这样每个用户都需要向其他用户和云端广播其日程表，当通信信道不理想时，某些信息可能会丢失。随着越来越多边缘侧智能化设备的出现，可将计算放在边缘处进行，大幅度降低用户侧设备向云端传递数据的需求，有效提升系统的运行效率。目前，边缘计算的业务形态主要有6种：物联网边缘计算、工业边缘计算、智慧家庭边缘计算、广域接入网边缘计算、边缘云、多接入边缘计算（Multi-access Edge Computing，MEC）。相应的边云协同场景也可分为6 大类：物联网边云协同、工业边云协同、智慧家庭边云协同、广域接入网边云协同、边缘云边云协同、MEC 边云协同。不同的需求响应业务场景所需要的边云协同能力也不同，要结合实际为网络配置相应的协同能力。随着未来边缘与云协同可应用的场景越来越多且复杂，在应用场景中如何更好的实现边云协同，成为需要着重考虑的问题。

3 边缘计算在DR业务的定位及部署

3.1 边缘计算在DR业务的定位

随着边缘计算的广泛应用，其技术特点的优势在能源互联网领域愈发显著。前面提到多数的需求响应优化问题都通过建立分布式需求响应模型转化为分布式优化问题，与边缘计算的分布式思想高度匹配，体现出边缘计算应用于需求响应业务的必要趋势。文献［34］提出了将边缘计算技术引入到电力自动需求响应业务的设想，对边缘计算应用于需求响应业务进行了展望。文章根据IEC 62939用户接口标准设计出了自动需求响应边缘计算（ADR-EC）节点的分层架构模型，将用户接口分为功能层、信息层、通信层和基础平台层。分布式优化模型的需求响应通过在本地解决优化问题并在底层通信基础设施上广播更新消息，鼓励所有用户参与需求响应。但该方式也面临着一些问题，在通信网络尤其是无线通信网络中，信道的性能会对系统产生较大影响。在文献［35］中，作者分析了传统的分布式需求响应（Distributed Demand Response，DDR）模型的弊端，并首次提出了基于云的分布式需求响应（Cloud-based Demand Response，CDR）模型。通过评估2 个模型的通信性能，验证了CDR 模型相对于DDR的优越性。

图1描绘了一个基于双层云计算的需求响应系统模型，模型包含若干区域的电网，每个区域中的网络节点承载的业务相近且隶属于同一部门或行业，需要统一管理和信息处理。为了避免电网中各种类型的信息和业务全部由核心云集中处理造成的网络拥塞，模型对核心节点云处理中心提出了高可靠性的要求。在每个区域中选取合适的网络节点部署具备边缘计算能力的云处理中心，利用边缘计算的技术优势来缓解云端的数据处理压力以及网络链路中的流量压力。接入网内的大量终端和负荷产生的庞大信息流将不用直接与需求侧管理平台直接进行信息交互，而是与本区域内的边缘云进行交互。边缘云具备与核心云相近的功能和能力，日常工作中终端所产生的待处理的业务和信息可以被卸载到边缘云独立完成。核心云则只负责各个区域的协调优化，通过接收来自各个区域边缘云计算中心发来的经过压缩处理过的最终数据，向边缘云下发指令，实现对整个电网的业务和流量的宏观调控。而在各自区域内，由边缘云根据核心云发来的指令要求，对管制范围内的网络节点和终端负荷实施微观调控和处理。

边缘云具有强大的计算能力和功能扩展性，因为靠近信息终端和用户，可以减少信息传输过程中端到端的延迟。在每个区域中，用户的消费信息和终端内存储数据通过网络节点进入到骨干网中；再通过合适的路由选择策略到达区域内的边缘云节点；最后，由本地边缘云进行信息处理和计算得到最佳优化，为用户提供最佳功耗计划。边缘云是一个本地化的云计算中心，具有强大的开发潜力，可以为本区域内提供各种类型的业务支持。同时，由于边缘云具备强大的信息处理能力，未来它可取代聚合商的位置。

图1 配置边缘云的需求响应系统模型Fig.1 Demand response system model with edge clouds

3.2 未来边缘云部署思路

边缘计算在现实中应用所面临的一个重要问题，就是如何采取合适、有效的策略来部署边缘云或边缘计算节点的位置。现实中大规模边缘计算设施和项目落地的制约因素有很多，包括设备形态、部署位置、计算和连接［36-38］。目前大多研究是面向运营商的，而关于边缘云服务器具体部署位置的研究，尤其是面向电网和需求响应业务的研究几乎还是空白。国内的一些学者针对第5 代移动通信（5G）技术和运营商的边缘计算的部署进行了一些思考和研究［39-40］，也有一些针对具体的运营商网络的研究，如车联网中边缘计算技术的部署［41-42］。以上有的是对部署方法和影响因素的研究，有的是在网络架构和层次上进行的研究。它们的一个共性就是没有针对具体骨干网络来进行边缘云服务器具体位置的算法和策略。

文献［43］中，每个边缘云被建模为一个M∕M∕C排队系统，以最小化所有用户设备的平均系统响应时间为目标，考虑了2种边缘云的部署方法，即平面部署和分层部署。在平面部署中提出了一种最大加权缩减时间优先（LERTF）算法来分配服务器给边缘云，通过对比发现此算法可以有效降低系统平均响应时间。实际上平面部署是分层部署的一个特殊情况，但后者允许服务器选择多种分配方式，故比平面部署更具潜在优势。文献［44］则是提出了一种基于k-means 的边缘服务器部署算法，通过与随机部署算法和基于密度的聚类算法比较，表明该算法可以有效地缩短系统的平均完成时间，提高边缘服务器的效率。

本文给出了一种边缘计算参考架构（如图2 所示），将DR 边缘计算置于中间层，既可以向上与云端进行对接，也可以向下支持各类终端设备的接入。DR 边缘层包括边缘管理器和边缘节点2 个部分：边缘管理层呈现的核心是软件，可实现对节点的管理；边缘节点则是硬件实体，包括边缘网关、边缘控制器、边缘云和边缘传感器等，是承载边缘计算业务的核心。

图2 边缘计算参考架构3.0Fig.2 Edge computing reference architecture 3.0

边缘云服务具备全覆盖、弹性收缩、开放、灵活、安全、稳定的特点。通过使用边缘云提供的服务，用户可以获得巨大的收益，如：降低时延、业务本地化、降低成本、敏捷交付、高安全、开放易用。

图3 DR边缘云部署示意Fig.3 DR Edge cloud deployment

DR 边缘云的存在使DR 终端与DR 主站的空间距离大大缩短，提升了网络的响应速度，减少了网络中路由转发的时延。边缘云为传统的云计算增加了分布式能力，缓解了云端的传输压力。传统观念认为边缘计算和云计算是有界限的，其服务的应用场景有差异。DR 设备在线运行时会产生大量数据，网络无法满足如此体量的数据上传，使传统云计算的应用场景得到限制。通过将边缘计算理念与云计算融合，即边缘云计算，可以把云计算和边缘计算的特性统一结合起来，互相弥补技术上的不足。边缘云在最大限度上将云与边缘侧的设备进行整合，实现云计算的边缘化，使网络资源分布更加合理。边缘云计算的一个重要特性就是边云协同，是边缘计算中边缘侧与云端的互相协调，通过资源管理和调度融合边缘与云端的功能，实现管理协同、数据协同、控制协同、智能协同、应用管理系统、业务管理协同等。DR 中心云主要负责发布DR的项目计划和任务，而DR 边缘云一方面负责完成DR 中心云下发的任务分解，同时还负责对需求侧智能终端上传数据的智能计算。

针对以上的研究内容和成果来看，边缘计算在工程应用思路中的侧重点为计算和数据处理的实时性。未来的边缘计算实际工程应用中，应把降低响应时间作为一个共性目标，在此基础上重点考虑DR 业务的可靠性。在边缘云的部署问题上，不仅需要建立新的通信机制，也需要设计响应的任务分配机制。未来边缘云部署要满足DR 业务在某条通信链路出现故障或质量不佳时，能够有备用链路进行切换；同时要为每个边缘云计算节点分配其管控的网络节点和业务类型。既要保障通信服务质量和业务可靠性，也要确保边缘节点的压力和所控负荷量差异不会太大。

4 结束语

本研究首先对边缘计算的相关技术概念以及发展情况进行了总结和分析。然后针对目前DR 的现状和暴露出来的潜在问题进行了分析，结合边缘计算技术的特点和优势分析了边缘计算应用于需求响应业务的可行性。最后，结合目前边缘计算部署问题的相关研究，发现了目前边缘计算应用于需求响应业务还处在初级阶段。

边缘云在电力通信骨干网中的具体位置是影响全网业务和服务质量的直接因素之一，也是决定能否将边缘计算的优势和价值最大化的重要因素之一，具有十分广阔的研究前景。未来边缘云的部署可根据具体的需求响应业务场景，以优化网络性能为目的展开相应研究。