面向电力信息物理系统的端边云雾协同模型

刘靖雯，谭阳红，邓 勇

（湖南大学电气与信息工程学院，长沙 410082）

为响应国家电网政策，加快推进坚强智能电网、电力物联网IoT（internet of things）的建设，实现全面感知和实时交互的能源互联网[1]，面对海量异构数据的处理、筛选、计算、储存，亟需考虑建立具有低时延、高可靠的电力物联网[2]。电力物联网中信息流能够实现对异构环境下的能源分配、传输、消耗进行智能管理[3]。针对电力信息物理系统CPPS（cyber power physical system）具备的广域分布、数据海量、模型复杂等典型特征以及物理系统和信息系统因尺度不同导致行为特征差异，故而CPPS模型应充分考虑物理网与信息网的实时交互动态特性及信息拓扑静态特性。

关于CPPS建模，现有研究多采用图论、矩阵计算、相依网络[4]等理论知识，其一，利用“混成系统”思想，注重“离散”与“连续”的整合以及交互过程[5]。例如文献[6-7]重点采用“外网等值”的方法，构建状态量数据节点与数据支路，建立CPPS静态信息流计算模型；文献[8]采用微分代数方程组描述信息流特性，逻辑链路矩阵描述信息流动态流动过程，显式求解延时和流量分布；文献[9]采用有限状态机和混合逻辑动态模型作为CPPS融合模型，对象化描述连续物理变化规律以及离散状态转换规律。上述建模过程多关注CPPS闭环控制过程中信息映射关系的描述，无法反映通信元件特性。其二，采用“电力网状态方程”建模，侧重于将离散状态量作为连续系统的输入变量，考虑对连续系统的控制过程。例如文献[10]考虑集群理论下电网运行多智能体模型，运用分布式控制保持严重扰动下同步发电机保持稳定；文献[11]采用线性闭环动态模块来描述发电机和负荷，并通过系统线性网络模型进行连接。上述建模过程难以反映信息系统的拓扑连接关系，无法反映系统整体情况。其三，主要对信息物理耦合特性进行建模，主要侧重分析不同的通信性能对于电网实时运行的影响过程。例如文献[12-15]采用关联矩阵对CPPS进行通用化建模，描述CPPS内部耦合关系，分析通信、信息和物理等各种因素对CPPS的影响；文献[16]采用矩阵描述信息网和电力网之间的数据闭环流动全过程，但该种建模方式难以表征实际系统中元件模块的动态控制过程。

在“云大物移”等技术发展背景下，系统终端将产生海量细粒度的数据，云计算负荷过载以及终端设备的时延要求无法由集中式控制方式下的远程云计算支持，而云数据中心的实时处理能力和指数级传感测控智能终端数据的增长都制约着具体业务下CPPS整体运行性能[17]，故而引入边缘计算、雾计算改善电网运行性能。文献[16-21]主要定性分析了边缘计算与雾计算模型架构在不同场景下的应用，而并未考虑将云计算与边缘计算相结合的分布式协同技术引入CPPS建模。

本文基于“云、网、边、端”电力物联网实体结构，考虑电力物联网元件特性和网络特性，提出集云平台、边缘数据中心、雾计算节点一体化的综合云雾平台电力物联网架构，建立了区域自治区间协同的CPPS端边云雾模型。根据系统海量数据时空异构特征，分析了控制决策前的数据处理过程。进一步构建单雾层级区域计算单元CPPS模型与全网云雾协同CPPS模型。同时量化分析了物理系统运行情况与信息系统通信性能。验证了端边云雾协同控制方式下CPPS优越性。

1 电力CPS物理架构模型概述

1.1 电力CPS物理实体架构

本文研究对象为电力物联网发展新形势下的典型电力物理信息系统，其结构如图1所示。“端”即为信息网感知执行层，定义为物理层设备状态变化的信息感知与控制模块，故其传输特性可等效于能效采集终端和能效控制终端；“边”即为信息网区域计算层，可进行区域内终端数据收集并执行部分优化决策计算，并筛选部分数据上传给云数据中心，边缘数据中心和其所连接的雾计算节点可以等效为区域计算层，所连接终端设备集群划分为区域计算单元；“网”即为信息网网络层，主要为接入网和骨干网，接入网层可根据集群理论划分为多个边缘数据中心和雾计算节点就近处理实时事务和储存大量终端异构数据；“云”即为信息网平台层存在大量服务器集群、网络设备集群、储存设备集群，可等效为大型云数据中心，储存多维历史数据，进行数据长期预测；“智”即为信息网应用层，主要为平台层中应用领域信息业务的抽象化概念。将云数据中心中电网不同信息应用业务抽象为虚拟网络节点。根据上述电力物联网下的CPPS物理实体架构对CPPS建模需描述各层级间内部拓扑关联结构与全网能量流信息流动态交互融合控制过程。

图1 CPPS多层级物理实体结构Fig.1 CPPS multi-layer physical entity structure

1.2 云雾模型下的信息交互运行框架

本文根据电力物联网物理实体架构将信息网划分为3层架构，如图2所示为电力物联网综合云雾平台模型架构示意。感知执行层由远程终端设备（传感器、执行器、通信模块）或智能能效网关（Agent）组成，进行边界计算单元内时空动态数据的采集和控制指令的执行；网络层由路由器、交换机、SDH模块等网络设备组成，实现采集信息的上传和决策信息的下达。信息决策控制层有区域计算层与云计算层，区域计算层主要在接入网中的部署，直接连接云数据中心和重要级智能能效网关，处理实时反馈的任务，如电动汽车有序充放电。分布式信息能源系统模型依赖于上述子系统的垂直集成，最终实现对能源需求的智能实时管理。对于交易能源系统，雾计算节点可以为零售能源市场服务器。云服务器中虚拟网络节点与全局能源市场相连，获取电力市场信息，并传输到区域计算单元的雾计算节点，为区域内各产消者提供最优能量精准决策。

图2 综合云雾平台电力物联网架构Fig.2 Power IoT architecture on integrated cloud-fog platform

根据上述架构，CPPS信息交互运行过程如下。

（1）初始时刻，感知层传感装置可针对发、输、变、配、用场景中对物理层元件的电气量、状态量、物理量、环境量等数据进行采样，并通过通信网络中通信设备与通信链路上传至区域计算层。

（2）区域计算层接收感知层采样信息，首先层级接口先进行数据处理，再根据运行策略计算决策结果，并通过通信网络中通信设备与通信链路下达至感知层，感知层控制设备将决策结果转化为控制指令，通过闭环控制系统改变物理系统状态。

（3）对于全网统一业务，边缘数据中心通过数据筛选传输至云数据平台并进行决策计算，集中控制下的决策结果传输至边缘数据中心分区执行。

2 CPPS端边云雾协同模型

本文中采用潮流模型描述电力网。电力系统一次设备、IoT终端等物理层实体均可以等效为数据节点，信息网原始输入数据来自边界计算单元的终端设备，节点输入输出表示为带时空标识的数据参量。

2.1 多时空尺度数据处理

数据流所传递的信息深深依赖其时间和空间坐标，当传输延迟和计算延迟超过应用数据所需时延阈值时，信息值消失。因此CPPS的模型必须考虑对于不同时间尺度数据的处理。

控制决策层层级接口处理过程均为先进行数据层数据初加工，例如量测数据时刻统一、状态估计[22]以及坏数据检测，故而可实现欠定量测工况下，控制决策层对于电网的量测状态感知。部分数据作为历史数据储存在边缘数据中心，通过边缘数据中心的数据筛选函数，云数据中心可调用边缘数据中心数据进行电网长期优化运行过程，例如长时间尺度的电网优化调度过程。控制决策层级接口的功能模型如图3所示。

图3 层级接口功能模型Fig.3 Hierarchical interface function model

感知层收到的终端设备数据具备时间特性，而每层级的控制决策算法需要同一时间断面的输入数据。不同层级的信息接口首先进行信息整合，数据映射关系建立后，再进行控制层的优化决策过程，根据数据的时域特性，数据类型可分为静态常数性数据和动态周期性数据。

1）静态数据

电网中存在部分常数性数据，作为台账保存在数据库中，例如电网一次设备容量、成本，线路参数等固定值常量，参与各层级优化决策业务。对于数据层提供的第k个静态输入数据Xk对应数据层输出数据Yk的映射关系为

式中，Ik为与Xk、Yk维数相同的单位矩阵。

2）动态数据

绝大部分电网数据为实时或半实时数据，电网量测信息采用以时间驱动的周期性采样，例如，源荷随机波动性数据控制决策层刷新周期为15 min。对于控制决策层所需要某一时间断面的数据可能因数据延时、计算延时而导致采样层数据无法为有效信息，传输到决策层的数据时间断面不统一，可通过历史数据进行主体行为预测，采用内部预测数据参与计算。对于数据层提供的第m个采样时刻为t、采样周期为T的动态输入数据对应控制周期为Ti的控制层所需统一时间断面的输入数据映射关系为

式中，Fm为与维数相同的时间尺度传输矩阵，具体形式为

式中：I是单位矩阵；符号|表示Ti是T的整数倍；为采样历史数据拟合函数。

3）关联性数据

传统集中式控制下的模型由于统一到云数据中心处理，故而普遍基于单一时间尺度实现物理-信息-物理在线闭环控制过程。而区域计算层与云数据层由于处理不同信息业务所需的时间尺度也不同，故而存在数据筛选的过程，部分数据参与云数据中心的计算，部分数据保存在边缘数据中心。故而关联性数据传输特性为

式中：S为对第i个边缘计算中心的数据筛选函数；即为第i个边缘计算中心所提供的所有数据；Gm为具有控制决策功能的数据中心映射函数，由具体控制中心决策函数确定。

2.2 云雾协同信息动态模型

云雾层级下的信息流计算过程可采用矩阵混成计算方法，进行云雾层级间信息筛选过程、冗余数据的处理，并建立各个层内、层间映射关系。定义G∈(z,w,y;c)为电力信息网，n为信息网节点，n∈z⋃w⋃y，其中，z为智能能效网关Agent；w为边缘数据中心与雾计算节点；y为云数据中心，参与信息决策、数据储存等过程；c为信息网数据链路，对参与数据传输的大量冗余通信设备进行简化，均等效为不同层级间的数据上下行链路模型。

2.2.1 单雾层级区域计算单元

区域计算单元内的感知层通过Agent的功能特性来描述，具体为数据采集过程和数据控制过程，从而实现能量流和信息流之间的交互融合。基于信息节点和信息支路的传输特性，对感知层进行建模，采用CAgent关联矩阵描述该层级信息逻辑拓扑，矩阵CAgent∈ℝz×z结构定义为

式中：非对角元素代表感知层层内信息交互情况，c1i=1代表Agent1和Agenti之间存在通信连接关系，c1i=0代表Agent1和Agenti之间不存在通信连接关系；对角元素Tz表示信息输入与输出的映射函数，若Agent功能仅表示能效采集终端与能效控制终端，传输映射函数为与输入数组和输出数组同维数的单位矩阵Iz。

单雾层级区域计算层中雾计算节点为网络边缘服务提供资源的物理节点，区域内雾计算节点连接边缘数据中心，边缘数据中心具有区域决策功能。其建模过程为

式中：c1j=1表示区域计算层内雾计算节点1与雾计算节点j存在横联雾应用，即雾计算节点收集或处理的数据可发送给同层级其他雾计算节点；c1j=0表示不存在横联雾应用；Fw为区域计算层雾计算节点信息输入与输出的映射函数，当雾计算节点功能特性为数据的聚集传输功能，则Fw定义为一个单位矩阵In′，n′为雾计算节点对应的终端设备输入向量总长度。本文仅考虑该模块的数据传输特性，最后一行为区域计算层边缘数据中心。

Agent-区域计算层、区域计算层-云层级间的信息逻辑拓扑关系可通过邻接矩阵进行描述。建模过程如下。其上行链路模型为

式中：CAgent-fog定义为Agent-区域计算层数据上行链路模型，CAgent-fog(i,j)=aij∈{0 ,1} ，aij=1代表Agent与区域计算层存在上行数据链路，aij=0代表不存在数据上行链路；Cfog-cloud为区域计算层-云端数据上行链路模型；CAgent-cloud为Agent-云端数据上行链路模型，部分重要终端设备可直接通过接入云端，故行列向量中存在非零元素，二者具体形式与Agent-区域计算层数据上行链路模型形式一致，在此不在重复赘述。

其下行链路模型为

式中：Cfog-Agent定义为Agent-区域计算层数据下行链路模型，Cfog-Agent(i,j)=aij∈{0 ,1} ，aij=1代表Agent与区域计算层存在下行数据链路，aij=0代表不存在数据下行链路。层级间数据下行链路模型与该数据下行链路模型分析一致，不再赘述。

2.2.2 信息业务全网关联模型

云平台控制中心是分布式信息能源系统自动化的核心决策单元，为实现“分级管理、分层控制、云边协同”的原则，将区域计算层将部分信息传输给同级其他数据中心以及上层云计算数据中心。则有

式中，GY为云数据中心虚拟网络节点，由平台应用层具体决策单元确定。能量流通过感知层Agent转化为信息流，通过接入传输网中通信设备将输入数据多元组传输到雾计算节点和边缘数据中心，参与区域计算单元的计算过程或通过骨干传输网通信设备传输到云层数据中心。云雾计算架构下的信息业务全网关联矩阵为

可根据实际情况增加子矩阵①区域的计算单元个数。

3 算例分析

3.1 模型推演分析

微型虚拟电厂VPP（virtual power plant）参与的配网能量动态平衡优化调度过程为典型的“分区部署，分层应用”电力物联网CPS总体架构。以图4所示的算例系统为研究对象，分析并量化电网能源交互过程中集群终端设备的能量变化、系统控制结果和通信网络性能指标，验证所述的电力物联网云雾架构模型的合理性以及优越性。

图4 算例系统结构Fig.4 Structure of example system

根据主动配电网运行安全性、经济性进行如图5所示的合理分区，实现区间解耦和区域计算单元内协调控制。区域计算单元内的一个物理层节点对应一个Agent节点，雾节点的区域部署个数与位置将另文描述。一个区域计算层包含一个边缘数据中心，实现区域控制决策情况，并可选择部分数据上传给云数据中心。按照云雾计算架构下的系统运行原则可建立18×18的矩阵，区域计算单元系统运行可建立9×9、8×8的矩阵。

图5 CPPS端边云雾架构模型Fig.5 CPPS cloud-fog-edge-end architecture model

算例1：区域计算单元实时调度计划

日前调度计划确定后，传感器设备采集电网实时状态，负荷区域计算层边缘数据中心按照火电机组运行成本最小对区域内的实时调度机组进行出力调节，实时调度控制周期为15 min，得出3个发电机组的出力情况。本文对调度过程进行简化，仅仅考虑直流潮流模型下的线性约束优化调度。通过上述矩阵模型，控制决策层下达发电厂出力调整如图6所示。

图6 传统机组输出功率变化Fig.6 Changes in output power from the traditional unit

如图6所示，区域1中边缘数据中心根据2个工业负荷日功率需求，在通信正常情况下按照发电厂容量以及调度经济成本实时调度。由此可得出区域计算单元CPPS模型可以进行系统的优化调度运行计算。

算例2：端边云雾协同下的系统优化运行

条件设定：假设区域1发电机G3节点发生故障，产生了功率缺额，在保证不切负荷的情况下，区域2作为虚拟电厂向区域1送电。针对该算例系统的分布式优化协调调度展开分析。配网园区内风机参数和负荷预测数据来源于文献[22]。

虚拟电厂通过优化调控策略使系统总成本最小化。考虑最小化系统全时段总运行成本作为目标函数。在系统设定的采样周期内对电力网物理实体进行采样，得到多元输入数据矩阵；根据控制决策层所需时间断面数据进行数据时刻统一处理，再采用关联模型进行迭代计算。控制层周期能量管理优化过程为1 d，分为24个时隙，以1 h为计算周期，采用依据上述所建矩阵结构模型，通过Matlab进行迭代计算。其功率变化与优化结果如图7所示。

图7 优化调度结果Fig.7 Optimal scheduling results

如图7所示为风电出力、区域2常规机组出力以及VPP总负荷和对外供电在全时段的功率变化曲线，区域2作为VPP向区域1输电，区域联络线上存在功率流动。在分布式协同调度中内风电、负荷信息等信息无须传递给云数据中心，区域内可独立优化调度，区域间通过边缘数据中心获得信息交互，迭代计算更新区域2机组最优处力。优化调度结果表明所建立的CPPS数学模型与控制决策优化算法相结合，得到的控制效果符合实际控制应用场景，验证了模型的适用性。

3.2 不同控制方式下对系统运行的影响

集中式控制下，终端设备数据直接通过广域网传输至云数据中心进行统一计算，而端边云协同控制下，若区域1与区域2的边缘数据中心存在耦合，则可建立分布式协同模型；若不存在耦合，则需通过云数据中心进行数据交换。简要分析不同控制方式下模型效果差异对比，并计算端边云雾协同控制方式与集中控制方式下的通信网络时延。

闭环控制过程时延主要分为传输时延Tcom和优化决策计算时延Topt，本文设定Agent与区域计算层之间的LAN本地通信网传输时延为5 μs/km，传输总路径为230 km，区域计算层与云平台之间的WAN骨干传输网连接通道速度为2 μs/km，传输总路径为610 km，云计算优化决策计算时延为169.73 ms，边缘计算优化决策计算时延为64.83 ms，计算公式为

故而可得出集中控制方式与端边云协同方式下端到端时延对比，如表1所示。

表1 不同控制方式下模型效果对比Tab.1 Comparison of model effect in different control modes

由表1可知，端边云雾协同控制下的CPPS网络时延、计算规模要优于集中式控制下的CPPS，在调度成本上二者差异不大。“弱中心化”发展模式下的端边云雾协同控制方式降低了骨干传输网的数据链路要求，同时区域计算层的计算能力降低了数据传输的端到端时延，保证了信息的实时性。

4 结语

随着电力物联网建设的深入，对海量终端数据处理能力提出了更高的要求，传统电网的集中式控制策略已经很难满足要求。本文根据此背景下的电力物联网拓扑结构，提出来一种基于端边云雾协同计算的电力物联网分布式架构，建立了考虑多时空数据处理和区域计算能力的CPPS模型。并将其应用于虚拟电厂参与的配网优化调度，算例结果表明，本文所构建的模型能够对分层分布式空间CPPS信息-能量流交互机理进行描述，验证了模型的合理性。通过对不同控制方式下的模型控制效果比较，验证了所提架构的优越性。

需要说明的是，本文对于雾计算节点功能进行了简化，具体功能特性将另文阐述，同时本文考虑了全局可观可测的基础上模型的适用性，而系统部分可观测工况下，模型层级接口可通过状态估计实现在欠定量测系统下的适用性，但具体数学表征方式还需进一步研究。