基于边云协同的产消者群合作式博弈优化调度方法

肖 帆，艾 欣，祁 琪

（新能源电力系统国家重点实验室（华北电力大学）,北京市 102206）

0 引言

近年来,能源结构的全局性调整、物理信息技术的迅猛发展给传统电力系统带来了挑战和机遇［1］。在以新能源为主体的新型电力系统中,参与需求侧响应的新能源主体大规模增加,形成大量的具有荷源二重性的产消者负荷,电动汽车负荷及储能系统在负荷侧的大量接入,进一步丰富了需求侧灵活性资源,同时也对电力系统的需求侧调度和数据计算提出了更高的要求［2-3］。一方面,需求侧的智能终端以及各类传感器产生的数据将呈现出指数级爆发增长的态势［4］；另一方面,需求侧的各类能源数据的聚合、处理、分析和决策往往对隐私保密、传输带宽要求更高［5-7］。为此,针对电力系统能源产消者调度优化的方法论需要向适应新型电力系统的方向转变。在新兴技术和电力系统融合的大趋势下跳出原有的运行框架,重新思考需求侧灵活性资源的新型调度运行方式,解决数据指数级增长可能带来的丢包等问题,对于电力系统经济、可靠运行至关重要。

现有的调度优化策略研究主要分为3 类:集中式、点对点式以及弱中心分布式［6］。例如,文献［7］以含有多个产消者的虚拟电厂为主体,搭建了点对点交易体制的能量管理框架,实现了系统的帕累托改进。文献［8］以模型预测控制为例进行对比分析,指出了集中式、非协作式以及协作式分布控制方法的特征及优势。文献［9］针对大规模产消者群集中式模型求解困难的问题,构建了分布式优化调度框架。文献［10］将共享经济的理念运用到电力系统当中,构建了以产消者和虚拟电厂为主体的主从博弈能源共享运营机制。但上述研究均以自下而上的思维方式将需求侧的数据进行采集、聚合送至云端处理,在调度方法上仍然属于传统的云智能集中处理思想。随着云计算、边缘计算等信息技术的发展,将二者结合的边缘计算-云计算协同（以下简称“边云协同”）技术逐渐演变成一种新的调度方案。该调度方案有效整合了二者优势,一方面,利用云计算的资源优势来提供充足的计算资源；另一方面,可以利用边缘计算的地理优势来满足低延时、高质量传输的需求［11］。文献［12］基于电力物联网的框架,研究了在大规模分布式能源和广泛信息交互情景下的产消者交易模型,但并未考虑配电网系统的网络拓扑约束。文献［13］针对分布式资源的随机性和波动性问题,基于边云协同的信息架构,提出了多能虚拟电厂调度技术框架,但缺少交互过程和博弈论结合的相关讨论。文献［14-15］为了最大限度地发挥需求侧温控负荷削峰填谷的作用,提出了基于边云协同框架下的优化控制策略,但仅限于空调负荷的调控。因此,如何从边云协同的角度,利用产消者和边云协同框架的相通之处,充分挖掘需求侧灵活性资源的潜力仍是一个重要的问题。

极端情况下,当需求侧的所有产消者都为“发电”状态,或者都为“负荷”状态时,会给配电网造成输电传输阻塞,或者给保护造成困难,因此发挥产消者的“自治（autonomy）”特性,研究对多产消者的协同调度策略具有重要意义。为此,本研究在边云协同调度的框架之下引入合作式博弈（cooperative game,CG）理论［16］,通过“边”端和“云”端的交互博弈充分发挥产消者需求侧灵活性资源的“自治”特性,从而实现整个系统的纳什均衡。

基于现有研究并考虑高比例新能源体系的调度要求,本文着重解决新型电力系统下需求侧灵活性资源的聚合、调控、交互问题,以及边云协同框架下因数据指数级增长所带来的丢包问题。在合作式博弈优化思想的指导下,分析边云协同的新型电力系统调度方式和数学模型。区别于上文提到的研究,本文的创新点在于针对新型电力系统的特点研究边云协同下的调度模式,通过合作式博弈来实现交互双方利益最大化,并保证系统运行的可靠性与稳定性。

1 基于边云协同的合作式博弈调度框架

本文从产消者和边云协同框架的相通之处出发,结合边云协同的信息架构,提出“边”端的需求侧和“云”端的网侧之间基于合作式博弈的优化调度方案。系统的整体运行框架如图1 所示,从宏观调度到微观建模分为3 个层次,下面依次进行详细阐述。

图1 基于边云协同的合作式博弈调度框架Fig.1 Scheduling framework of cooperative game based on edge-cloud collaboration

1.1 基于边云协同的调度架构设计

从宏观调控的角度,控制层面整体由云端管控平台、边缘服务平台和产消者传感器及其终端组成。以产消者为代表的需求侧资源呈现出电压等级低、容量小、分散的特点,传感器及其终端对产消者所拥有的各类设备数据信息进行采集控制,并将必要的调控信息上传至边缘服务平台。边缘服务平台对上传的信息进行聚合优化,根据需求侧能源特点、网络拓扑结构等特征进行调整,减少需求侧不确定能源（户用光伏等）给调度带来的影响。云端管控平台和边缘服务平台进行协同优化,通过只交互少量信息（功率、电价）来实现云端计算的降维,提高计算效率［17-19］。

在以边云协同为基础构建的调度框架中,产消者侧和网侧出于减少运行成本（增大利益）的目的,主动参与到需求响应中,并利用双方的信息交互而减少整体优化模型的求解复杂性。参与方为以产消者为代表的边缘服务平台和以电网侧为代表的云端管控平台,双方在博弈开始之后进行协商,达成一致则按照合作博弈下的策略集行动,否则以非合作的方式各自执行自己认为最优的策略。定义协商一致点（agreement point,AP） 和 协 商 破 裂 点（disagreement point,DP）,二者均属于谈判可能出现的结果,在AP/DP 情况下所对应的策略集合中DP 为谈判结果中得到最坏的情况。求解策略的核心思想对双方来说是在博弈中不断寻找DP 和AP的过程,在找到AP 后,边云服务平台将相应指令下发给终端,终端执行命令并反馈。

在边云协同的调度框架下,基于合作式博弈的理论,代表网侧的云端管控平台和代表需求侧的边缘服务平台进行协同优化。云端管控平台考虑网络拓扑约束建立配电网优化模型,根据电力市场出清模型得到各节点电价；边缘服务平台对需求侧各类资源进行刻画,建立考虑用电需求和舒适度的优化模型,双方通过交互电价、功率等少量信息进行协同优化。此外,考虑到可能的数据丢失情况,以边缘服务平台为枢纽,分别构建终端（设备）、云端闭环控制模型,从而实现整体能源系统从云端管控至终端设备的经济、可靠运行。

1.2 基于合作式博弈的交互框架

求解策略的核心思想在于通过博弈过程不断寻找最佳的AP,当双方均实现目标优化时的策略即为AP,用户的用电方案和网侧的价格策略即为双方的u∗。

在边云协同架构下的合作式博弈联合调度框架如图2（a）所示。边缘服务平台针对产消者们所提供的信息（用电计划Pt）进行汇集,并做初步的分析处理。随后通过主干网络将信息汇集到云端管控平台,平台将交易中心下发的调度指令分解到连接的各个边缘服务平台,平台通过价格信号βt对产消者进行用电行为引导,从而实现调度中心的指令要求。整体为从边缘到云再从云到边缘的调度过程。基于合作式博弈的交互过程如图2（b）所示。边缘服务平台将原始用电计划Pt发送至云端,电网侧接收到数据对负荷波动情况fg进行分析,若仍可以通过βt对用电行为进一步优化调度,则视为DP,继续进行下一轮的协商。边缘服务平台接收返回的βt进行决策,再次将方案传递到云端,交互迭代至双方达到最优,即找到AP,博弈结束。

图2 基于合作式博弈的调度框架和交互过程Fig.2 Cooperative game based scheduling framework and interactive process

2 基于边云协同调度框架下的数学模型

边云协同框架下,新型电力系统调度优化的核心问题是寻找边缘服务平台和云端管控平台各自的最佳运行策略,从而达到整体能源体系的最优运行点。为解决上述问题,本文分别基于云端管控平台和边缘服务平台对资源进行建模刻画,并以边缘服务平台为枢纽建立双层控制模型。

2.1 基于云端管控平台的配电网优化模型

从电力系统稳定运行的角度出发,代表电网侧的云端管控者希望电力需求的实际值和预测值整体相差较少,从而减少电能传输产生的资源损耗。定义负荷波动函数fg如式（2）所示。

式中:Pavg为总需求功率的平均值；T为整个调度优化周期,本文取24 h。

云端管控者通过价格对产消者的用电行为进行引导,其中价格模型通过配电网中的电力市场出清获得,以产消者的用电行为作为变量,得到对应的价格曲线。配电网的潮流优化模型可通过式（4）来简要表示。

式中:X为配电网电力市场中的决策变量组（在本文中指产消者的用电行为曲线）；C为约束条件向量组；A和b分别为线性约束条件中的系数矩阵和向量组；Bs,t和as,t分别为线路s在t时刻二次约束条件中的系数矩阵和向量组；λ、δs,t、vs,t为线路s在t时刻约束条件所对应的对偶变量的向量组。

根据经济学理论,电力市场的出清模型为配电网潮流优化模型的对偶,详细模型如（5）所示。通过求解电力市场的出清模型得到各个节点的电价（有功功率平衡约束的对偶变量）,从而利用电价对节点所在的产消者用电行为进行引导。

式中:Ue为配电网系统中所拥有的发电机组集合；e=1,2,…,E,其中E为配电网系统中发电机组总数；Cue,t为发电机组ue在t时刻的运行成本,其详细的运行成本函数（经过线性化处理）如式（7）所示。系统整体的运行目标是运行成本Y最小。

Cue,t≥am,ue+bm,ue pue,t∀ue,t,m∈[1,M] （7）

式中:m为分段线性化所划分的段数；M为所划分段的总数；am,ue和bm,ue为发电机组ue在m段的分段成本系数；pue,t为发电机组ue在t时刻的有功功率。

详细的约束条件如下。

1）发电机组的有功、无功约束

2.2 基于边缘服务平台的产消者优化调度模型

2.2.3 可转移资源

可转移负荷的典型设备是洗衣机和电饭煲,主要特点是运行的时长以及所消耗的功率是固定的,开始运行后会持续一段时间。考虑到这种设备一般会有不同的运行模式,但总的运行功率是固定的,所以本文通过设定功率平均值来描述设备在运行周期内每小时的用电量,如式（29）所示。用户可以根据个人的用电习惯设定期望设备运行的时刻,如式（30）所示。设备开启后按照设定的模式运行固定的时段,如式（31）和式（32）所示。

2.3 以边缘服务平台为枢纽的双层闭环控制模型

呈指数级增长态势的需求侧数据对于通信的要求也随之提高,为了在有限的通信资源下保证数据传输的可靠性和稳定性,现以边缘服务平台为枢纽构建闭环控制模型。如图3 所示,引入Bernoulli 随机变量来模拟数据丢失的情况,1 表示数据传送成功,0 表示数 据 丢失或延迟。其中,ξl,t、λl,t、γl,t分 别对应数据传递过程①、②、③中成功与否,3 个过程中 的 数 值 是 相 互 独 立 的；-γ表 示γ的 对 立 事 件；ξ=0.75 表示通信过程①中数据传递成功ξ(t)=1 的概率为75%。

图3 数据丢失情况下的交互过程图Fig.3 Interactive process diagram in case of data loss

过程②:在该过程中,数据传递概率通过Pr {λ(t)=1}=δλ和Pr {λ(t)=0}=1-δλ表示,云端管控中心通过计算得到各节点电价策略βl,t并传递给边缘服务平台。在第l次博弈过程中,若λl,t(t)=1,则将t时刻的各节点的电价策略βl,t成功传送至边缘服务平台,反之,则自动取第l次的整体电价平均值βavg。

过程③:在该过程中,数据传递概率通过Pr {γ(t)=1}=δγ和Pr {γ(t)=0}=1-δγ表 示,待博弈双方实现AP 后,边缘服务平台将执行信号传递至现场执行终端,现场执行终端从而按照最优策略pl,t来调控产消者所管理的各种用电设备。假定第l次策略为AP,若γl,t(t)=1,则将t时刻的各节点的最优策略pl,t成功传送至现场执行终端处,反之,则按照第l-1 次的用电策略pl-1,t执行。

过程④:为避免最坏的通信情况出现,即执行阶段出现较多数据丢失的情况,此情景下pl-1,t无法保证整体实现AP,所以将采用产消者最初的用电策略以保证其用电需求和舒适度需求,云端管控中心把p0,t传送至现场执行终端,执行最初用电策略。

详细的求解流程图如图4 所示。

图4 求解流程图Fig.4 Flow chart of solution

3 算例分析

3.1 算例设置

本文以IEEE 13 节点系统为例,对所构建的基于边云协同的合作式博弈调度框架进行验证,从系统经济、稳定运行两个角度对以需求侧资源为代表的边缘服务平台和以电网侧调度为代表的云端管控平台之间的交互行为进行分析。在系统中,本文在节点4、5、6、9、10、11、12、13 中接入160 个产消者,配电网的电力参数见附录A 表A1 至表A3。每户产消者配备3 台智能电表［25］,分别连接IL、可调节负荷和可转移负荷3 类负荷。原负荷运行参数等数据见附录A 图A1。光伏出力和负荷数据来源于文献［26］,详细参数见图A2 至图A4。设置有无在边云协同调度框架下优化两种场景,模型在MATLAB平台运行,并调用Gurobi 求解。

3.2 两种场景下的结果分析

在边云协同的调度框架下,计算可以在有限交互次数下得到收敛。由于仅交互少量信息,计算均可以在140～280 s 内得到收敛。附录A 表A4 为收敛交互次数为10 的场景下所花费的计算时间。系统仿真模型图如附录A 图A5 所示。

在边云协同优化调度框架下,整体多目标混合优化模型通过有限的交互转变成云端管控平台的配电网出清模型和边缘服务平台的单目标混合整数规划,简化了模型求解的复杂度。附录A 图A6 为IEEE 13 节点中各负荷节点的电价,由于各节点的负荷行为大致相同,从而得到的电价趋势也基本一致。下文将以节点4 为例,分析有无边云协同调度优化两种场景下的需求侧资源的响应行为。

整体结果如图5 所示。在无边云协同场景下产消者按照原负荷曲线进行用电,此时,整体负荷波动数值为49 204,所有产消者电费总支出为2 873 元；在基于合作式博弈的边云协同调度框架下,负荷波动总数值为13 207,电费总支出为1 896 元。对比之下,整体负荷波动和电费总支出分别下降了73.2%和34%。由此可见,在边云协同场景下,边缘服务平台和云端管控平台所管理的资源均满足合作式博弈的特点,双方利益均有所增加,实现了协同优化的需求。

图5 边云协同与无边云协同场景下结果对比Fig.5 Result comparison between edge-cloud collaboration and non-edge-cloud collaboration scenarios

图6 所示为2 种场景下的整体负荷功率曲线。从整体情况来看,无边云协同场景下的负荷功率高于边云协同场景,因为在边云协同场景下,双方需通过不断的交互迭代从而达到最优,而在此过程中边缘服务平台所管理的需求侧资源在优化时主要参照电网侧的价格引导信号,所以此时需求侧对于价格的敏感程度远高于无边云协同的情况；此外在边云协同场景下,产消者管理下的各种负荷都进行了更为细致的交互,实现了更为精细的优化调度,从而使得边云协同场景下的负荷功率低于无边云协同的场景。

图6 边云协同与无边云协同场景下负荷功率波动Fig.6 Load power fluctuation in edge-cloud collaboration and non-edge-cloud collaboration scenarios

3.3 考虑数据丢失场景下的结果分析

图7 和图8 为不同程度的数据丢失场景下的电价和用电功率对比图。考虑了数据传输成功率分别为100%、92%、80%、70%的情况,各节点价格的传输和产消者用电总功率数据的传输为不同过程,二者只是传输成功率一致,数据丢失点相互独立。

图8 不同数据丢失场景下的用电功率对比Fig.8 Comparison of power consumption in different data loss scenarios

图7 为配电网节点4 处的电价,在传输成功率为100%的场景下,价格在［0.50,0.58］元/（kW·h）范围内波动,其余3 种不同的场景也保持在该范围。在数据丢失最为严重的情况下,数据传输成功率为70%,其中有6 个数据点丢失,根据本文所提出的方案采用电价均值βavg来保证数据的完整性。可以看出,其整体波动程度仍和原范围保持一致,从而将数据丢失对产消者调度计划产生的影响降低到最小。

图7 不同数据丢失场景下的电价对比Fig.7 Comparison of electricity price in different data loss scenarios

图8 为配电网节点4 下20 户产消者在第16 次博弈场景下的负荷情况,在数据传输成功率为100%的场景下,整体负荷在［110,180］kW 范围内波动；传输成功率为80%和92%的场景也均维持在该范围。在数据传输成功率为70%的场景下,有7 个数据点丢失,根据本文所提模型,取第15 次博弈策略中对应时刻的用电计划。其中t为1、4、20 h时刻的数据并无变化,t=8 h 时刻的数据和丢失前相比相差较大,但整体波动范围仍保持在［100,180］kW 范围内。进一步分析可知,随着产消者群和网侧合作式博弈过程的进行,双方逐渐实现AP,所以前后两次的博弈策略变化较小,本文所提的模型较好地利用这一点,从而降低了数据丢失对博弈双方利益最大化的影响。

4 结语

在新兴信息技术和电力系统高度融合的趋势下,具有荷源二重性的产消者呈现出自主性高、数据传输依赖性强的特点。如何将上述特点和迅猛发展的信息技术相结合,充分挖掘需求侧资源的灵活性,解决传统调度模式中因数据指数级增长带来的一系列问题,对于新型电力系统的可靠、经济运行至关重要。本文从产消者和边云协同框架的相通之处出发,构建了基于边云协同的合作式博弈调度框架,对需求侧和网侧之间的交互博弈进行了深入研究,通过分析得到以下结论:

1）从边云协同角度入手,基于合作式博弈理论,针对新型电力系统下产消者群隐私保密、传输带宽要求高的特点,构建了以需求侧灵活性资源为代表的边缘服务平台和以网侧为代表的云端管控平台之间的交互框架,建立了多产消者优化调度模型。在此调度方案下,双方仅通过交互少量的信息即可实现需求侧灵活性资源的优化调度,从根本上避免了海量数据的交互处理；

2）针对交互过程中可能因通信而产生的数据丢失的情况,建立了以边缘服务平台为枢纽的双层闭环控制模型,避免了因数据丢失或带宽提高而产生的额外运行成本,提高了系统运行的经济性和可靠性；

3）通过IEEE 13 节点系统对模型进行验证,结果表明在该框架下,合作式博弈理论的引入、双层闭环控制模型的构建使得交互双方的利益均有所增加,数据传输的可靠性得到提高,验证了所提模型的经济性和有效性。

本文对产消者行为建模进行了一定的简化,需要进一步探索如何更为精准地刻画产消者用电行为对配电网出清价格之间的敏感程度。另外,由于产消者参与需求响应的自主性较强,因此,在未来,需要进一步研究多种场景下产消者和网侧之间的博弈与平衡。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。