边缘智能技术在智能配电网中的应用探讨

方佳维，朱何荣，陈桂友

(南京南瑞继保电气有限公司，江苏 南京 211102)

0 引 言

随着分布式光伏系统和电动汽车保有量的增加，由分布式光伏、电动汽车充电桩、储能系统、电压源型变换器(VSC)以及空调等可控负荷组成的微电网系统已经逐渐成为配电网运行中不可或缺的组成部分[1]。传统的电动汽车充电桩和光伏发电系统，直接与配电网进行充放电，由于自身的无序性和时间随机性特征，加重了配电网中商业交易和电力物流的不确定性和复杂性[2-3]，不利于电网削峰填谷，降本节能的实现。

智能电网技术的发展，用户侧引入了智能终端设备，同时，主动配电网在实现用户侧运行最优的主动控制下，与配电网同时参与规划和控制环节，逐步改变了传统的控制模式。配电网为更好地适应智能电网的建设，必须提供一种可快速迭代的在线自动调度系统架构。

目前，国内外学者就配电网业务的适应性调度策略做了很多研究。文献[4]提出了一种基于Multi-Agent算法用于家庭能源管理系统的调度问题，通过对离线学习和在线评估方式实现用户用电费用的最小化和净能量分布的平坦化。文献[5]提出了一种基于半马尔科夫过程和混杂系统模型，将空调负荷聚合为虚拟调峰机组的协调控制方法。上述方法存在若干限制，如所研究负荷类型比较单一、对电网调度控制方式强相关和自适应灵活性不足等。文献[6]采用边缘计算技术对电力需求响应中的应用场景作了展望，但配电网系统具有高密度部署、高耦合关联和负荷随机等特点，在单一算法下进行的边缘计算无法适应智能配电网中随机动态的终端设备。

边缘智能技术将集中在云端的深度学习任务下沉到边缘设备，是边缘计算技术与人工智能的融合演进。本文以配电网需求响应为实例，介绍了边缘智能技术在智能配电网领域的应用。

1 边缘计算与边缘智能

边缘计算是指在靠近数据产生端进行计算，将网络、计算和存储能力从云端延伸到网络边缘。边缘计算技术在配电网应用中具有邻近性、低时延和本地性的优势。

(1) 邻近性。边缘计算靠近信息源，可以灵活统一地管理底层采集设备，实现网络边缘就地协议转换，实时感知负荷侧的调整和演化。

(2) 低时延。边缘计算服务靠近产生数据的终端设备，相对于基于云计算的控制手段，极大地降低了时延，使得反馈过程更加快速，调节速度更加高效。

(3) 本地性。边缘计算可以与网络的其余部分隔离运行，可实现本地化、相对独立的计算。一方面保证了本地数据的安全性，另一方面降低了计算对网络质量的依赖性。

需求侧分布式发电系统、电动汽车充电桩和智能终端设备的大量引入，使可调节柔性负荷大量增加，加重了配电网控制与电力交易复杂性，是当前配网技术发展的一个难题。而人工智能技术中大量启发式和重构算法为此提供了新的思路。

2 边缘智能在需求响应中的应用

2.1 需求响应

需求响应是指当电力批发价格升高或系统可靠性受威胁时，通过提高电力价格等方式，改变用户固有用电习惯，达到减少或者推移某时段的用电负荷，从而保障电网稳定，并抑制电价上升的短期行为。

需求侧大量分散自动需求响应设备的接入，在网络边缘所形成的巨大数据流量对网络形成了不可忽视的压力，网络通道被大量的采样数据等非关键信息占用，可能导致需求侧偏低的通道带宽受限，不能及时接收到调度指令。综上所述，边缘计算技术非常适合应用于电力需求响应业务场景。

2.2 负荷模型

智能配电网中柔性负荷的大量接入，柔性调节能力改变了原本负荷单向、被动接受调节的历史，也使负荷参数和特性发生了变化。本文提出在邻近需求侧采用海量数据进行负荷模型的在线快速建模，既解决了负荷的不确定问题，又实现了快速控制目标。

2.3 在线优化调度框架

遵循泛在电力物联网的“感知层、网络层、平台层、应用层”技术架构基础上，参考工业互联网云、边、端和通信网络架构体系，探讨计及需求响应的智能配电网在线优化调度控制框架。

(1) 云是云主站平台，采用云计算、大数据和人工智能等技术，实现业务需求管理，支撑电网中低压统一模型管理、数据云同步等功能。

(2) 边是数据汇聚、计算和应用集成的开放式平台和容器。收集和预处理端数据，与云实时交互关键运行数据完成“边云”协同。

(3) 端是配电物联网架构中的感知层和执行层。负责向边或云提供配电网的运行状态、设备状态和环境状态等基础数据，执行决策命令或就地控制功能。

2.3.1 云、边、端协同控制模式

本文提出云、边、端协同的控制模式，充分发挥边缘节点邻近数据源的地理优势以及较充裕的计算能力，将布局在云控制层的AI模型训练工作解耦下沉到边缘节点。边控制层节点与云控制层进行必要的关键参数和控制指令传输，海量采样数据在就地处理，有效降低配电网通信建设成本。为此，本文提出一种基于边缘智能的负荷需求控制方法。

图1为配电网需求响应在线优化控制总体框架，分为调度云系统、边缘节点和终端设备三层，实现了大规模配网系统多时间尺度优化控制。

图1 基于边缘智能的电力需求响应控制框架

1) 云端控制层

云端控制层根据边缘控制层上报的报价策略和关键节点参数，负责全区域的最优调度。从云端控制层的角度看，全区域的负荷具有一定的时域和空间规律，具有波动幅度小、控制区域广和计算复杂度高等特点。因此，在云端控制层采用离线数据库进行离线学习。离线学习将历史库中调度最小周期的断面数据作为训练样本空间，得到中长期云端控制策略。

2) 边缘控制层

边缘控制层一般通过负荷聚合商或者负荷紧耦合区域安装具有较强计算能力的边缘计算终端来实现。边缘计算终端对下收集感知层数据，对上接收调度指令，起到了边缘网管和就地控制的作用。

对于用户侧而言，边缘智能终端的任务是在满足调度要求的情况下实现利润最大化。基于用户用电需求曲线和计及各种因素对用户响应行为的影响，边缘智能终端采用基于微服务架构的容器模式，支持应用功能、计算服务的灵活部署以及负荷终端的快速接入。

边缘终端在既有模型基础上，根据接收的终端数据和需求曲线，在线学习得到优化的负荷控制模型，根据调度指令，实施控制各负荷的投入切除。

3) 终端控制层

终端控制层是负荷控制的最前端，由各负荷终端采集电压、电流等电气量和温度、湿度等环境数据，上送边缘终端设备。各负荷终端根据各自负荷当前的用电迫切性和灵活性，构造出对应的需求曲线，并上送边缘终端设备。负荷控制终端根据接收的控制指令控制负荷的开关。

2.3.2 边缘智能算法

结合多种人工智能算法，从负荷聚类、负荷预测以及负荷优化控制策略三个方面进行算法介绍。整体流程如下：

步骤1：根据不同负荷的特殊性，采用蒙特卡洛法对各时段的负荷情况进行抽样，并通过K-Means算法将抽样得到的负荷场景进行聚类。

步骤2：对聚类后的各负荷类型，结合感知参数，采用人工神经网络算法进行当日短期负荷预测。

步骤3：各类型负荷根据当前运行情况和预测容量，采用进化算法得到区域综合负荷响应曲线，并结合实时调度指令，进行负荷优化控制。

1) 基于K-Means的负荷聚类

考虑电动汽车及分布式电源负荷等柔性负荷的时空不确定性，其概率负荷模型应该根据负荷特性和能源补给方式等方面综合考虑。充电时间长度计算如式(1)所示。

(1)

式中：tcb为负荷充电时间;Ccap为负荷容量；η为充(放)电效率；p1为常规充(放)电功率期望；SSOC0为开始荷电状态(SOC)。

由文献[7]的介绍，可知1 h内充(放)电负荷与充(放)电概率为：

(2)

(3)

式中：Lri为对应柔性负荷第i小时的充(放)电负荷；N为蒙特卡洛模拟的次数；pci为第i小时的充(放)电负荷；fav(.)为求平均值函数;Pi为柔性负荷第i小时的充(放)电概率；Pscr为开始充(放)电时刻与充(放)电时间长度在第i小时的联合概率分布，Pscr=Psr·Pcr；tsr为居民区充电站开始充电时刻；tcr为柔性负荷充(放)电时长。

聚类算法属于无监督学习，在输入样例中发现有用的类集，因此聚类指标的选取对聚类效果至关重要。

轮廓因数结合了聚类的凝聚度和分离度，可以用于评估聚类的效果。该值处于-1～1之间，值越大，表示聚类效果越好。具体计算方法如下：

(1) 对于每个样本点i，计算点i与其同一个簇内的所有其他元素距离的平均值，记作A(i)，用于量化簇内的凝聚度。

(2) 选取i外的一个簇B，计算i与B中所有点的平均距离，遍历所有其他簇，找到最近的这个平均距离,记作B(i)，即为i的邻居类，用于量化簇之间分离度。

(3) 对于样本点i，轮廓因数为：

(4)

式中：Si为样本点i的轮廓因数;A(i)为样本点i与其同一个簇内的所有其他元素距离的平均值;B(i)为样本点i与外簇B中所有点的平均距离。

(4) 计算所有i的轮廓系数，求出平均值即为当前聚类的整体轮廓系数，度量数据聚类的紧密程度。

2) 基于人工神经网络的负荷预测

人工智能算法具备执行分布式计算、容忍噪声和自学习等特性，在电力系统负荷预测已经有成功的使用经验。

如图2所示，算法中以天气数据、负荷状态和电力价格作为输入层神经元，输出层为预测负荷。中间隐含层可以根据神经网络的训练情况、激活函数、权值和阀值等进行调整。预测负荷反馈到了神经网络的输入端，形成了一个反馈闭环，来调整新输入数据的训练。

图2 基于人工神经网络预测负荷架构图

3) 基于Multi-Agent的负荷优化控制

各负荷终端根据自身负荷用电迫切性和控制特性构建自身需求响应曲线。在每个控制周期内，根据当前状态进行投标，投标信息汇聚到边缘智慧终端进行聚合得到区域需求响应曲线。

有学者通过反聚类方法进行系统调度负荷的分配，但这种方法对于复杂的负荷系统不具有适用性。智能配电网负荷类型多样、控制特性多样，对于各种类型负荷的最优协调控制方法是采取典型的多目标优化，将每一个负荷的启停状态作为控制目标。本文推荐采用Multi-Agent决策来实现。

从用户侧而言，负荷协调控制实现经济效益最大化，用电舒适度最高。经济效益由用电负荷的买入成本和发电负荷的卖出成本以及持续时间构成。用电舒适度由不舒适成本进行描述。

3 典型应用

根据以上边缘智能技术在配电网协调控制系统的应用介绍，在此列举典型业务应用作为技术参考。

开发带有边缘智能计算功能的智能配电终端，终端硬件参考配置：CPU双核1.2 G，1 GB Flash，1 GB DDR，支持百兆以太网，PLC通信模块，模拟量采集模块(支持4路电流和4路电压采集)，DSP计算模块(用于模拟量计算和故障诊断与定位)，AI计算模块。另外，还需要边缘网关机和云调度主站配合搭建协调控制系统。

开发样机在公司园区内做挂网试运行，分别布置在6个生产车间的32个回路，生产车间采用的是自动化机械流水线，可以实现24 h关灯作业，由生产计划后台下发生产任务。因生产计划的变动，生产车间的作业经常发生变动，用电负荷经常在多个回路之间发生迁移。配电终端根据各自回路负荷情况，进行动态负荷聚类，并将聚类结果在协调控制系统下进行实时电价与生产任务紧急系数优化控制，下发各个生产线的生产计划。试用30 d的用电量对比结果如表1所示。

表1 生产线用电量对比表

如表1所示，采用新开发的配电终端样机的试验项与常规方式的对比项的的完成及时率基本相同，但是所花费的电费减少近一半，有效降低了生产成本。

由上述分析可知，新开发的配电终端样机实现了负荷最优调节，在不影响生产计划的前提下，实现了节能环保，有序用电的效果。

4 结束语

边缘智能技术是将云端人工智能算法下沉到边缘设备的一种应用。作为更好地提供智能服务的一种模式，有效解决了集中式人工智能算法的实时性不够和带宽不足等问题。

以配电网需求响应为例，介绍了边缘智能技术在智能配电网中的的实现方式。提出采用三层控制框架，从负荷特性分析，提出在边缘智能终端采用K-Means的负荷聚类、人工神经网络的负荷预测以及Multi-Agent的负荷控制。

本文从故障诊断、智能巡检和风电机组管理三个方面作了边缘智能技术的应用展望，为建立环境可信、状态可观和风险可控的智能电网建设提供了新的思路。