基于边缘计算的商业区电力能源用电量动态预测系统

梁 波，解 磊，李函奇，郭 珂，孙小斌

（国网山东省电力公司营销服务中心（计量中心），山东济南 250001）

目前，商业区的扩建与发展迅速，其电量规模庞大，导致电力系统负载较大。预测商业区的电力能源用电量是电力控制和调度的重要环节，可以节约使用能源，降低基本耗损。在电量预测方面，文献[1]提出了一个基于深度学习的框架，通过处理长期历史依赖关系来预测电力需求。训练长短期记忆网络多输入多输出模型，以根据季节、日期和间隔数据预测电力需求。该方法还结合了基于移动窗口的主动学习的概念来改进预测结果。该方法需要以非常庞大数量的用能数据作为数据支撑，数据获取方面非常费时费力。文献[2]提出一种即时学习差异化预测模型，依据预测特征值进行数据聚类，该方法对于模型数据准确性要求较高，稍有不准确，模型结果便会偏离严重，且预测效率和预测精度不够强大。

针对以上问题，文中使用边缘计算的方法，对商业区电力能源用电量动态搭建预测模型，以完成电量动态预测。

1 商业区电力能源用电量动态预测系统硬件设计

文中基于边缘计算设计商业区电力能源用电量动态预测系统。硬件主要包括AC/DC 模块、电动机控制器、电力测功机、测功机控制器四部分。

1.1 AC/DC模块

文中设计的AC/DC 模块带有温度补偿效果，在待机状态下具有功耗低的特点，其中的双输出电源电路具有通用的输入电压范围，可以将交流电转换为直流电以方便对电流进行数据采集及电量动态预测[3-4]。AC/DC 模块结构如图1 所示。

图1 AC/DC模块结构

AC/DC 模块工作原理为：在电路系统中，加入整流器，由滤波电路提供双流滤波。两端产生的双流交流滤波同时经过整流器进行整流，整体形成Y 型滤波。由此提供充足的滤波量，并且加入阻燃熔断型电阻，以防发生故障时产生电路整体损坏的问题。经过整流器整流后的输出滤波共同作用于每一次的开关周期，通过每一次的开关周期逐渐导通，达成电流线性上升，并通过续流器进行续流[5-6]。这样结构的电路在限定的负载范围内，可以提高电路工作效率。

1.2 电动机控制器

电动机控制器作为一个集成电路，通过自主控制的方式完成工作。负责控制电机按照所设定的参数，主要包括电机转速、转动角度和电机响应时长。电动机控制器结构如图2 所示。

图2 电动机控制器结构

观察图2 可知，电动机控制器采用了大功率智能模块、冷却散热体系、电源管理系统、闭环采样反馈控制器优化等组成，具备响应快速、控制系统运转平稳、免维修的优点[7-8]。在构造上，该电动机控制器和被测量区域电网处的被测量电动机相连接，同时还能够与被测量电源驱动器和电动机构成一种完整的电动机控制器，对不同的电动机实现分时间管理，适用范围广。

1.3 电力测功机

文中采用的电力测功机可以做到同时对多个动力机械进行负载测功，具有更强的可靠性，性能方面优势也更大。电力测功机通过传动轴与被测区域电网相连，具备节约能源效果，可以通过与被测设备的连接，将设备所产生的能量转化为电能，从而再次传输回电网系统，起到了环保节能的作用[9-10]。电力测功机还可以进行转速调节，根据电机不同转速选择不同的测功机转速，由此可以达到一机多用的效果。

1.4 测功机控制器

测功机控制器与电力测功机相连，负责测试电机的特性，包括被测电机的输出功率、电机转速、转动方向、电机效率等。测功机控制器另一侧与AC/DC模块相连接，来对区域电网动力电进行控制，测功机控制器具有多面数字显示屏，可以同时显示出测功机的转速、转距、运行功率等数据。

除此之外，该测功机控制器具有可选择的负载调节方式，不仅可以通过手动调节负载，还可以通过计算机调节负载，负载调节的灵活性上具有很好的应用效果，使用非常方便，测试效率极高，能够很好地保证预测效果[11-12]。

2 基于边缘计算的用电量动态预测系统软件设计

边缘计算是一种依靠边缘设备及边缘数据进行演算的计算模型，可以把全部或部分的计算任务进行迁移分配。根据任务量的大小分配到电网边缘的各个边缘设备，按照任务执行工作，边缘计算具有快速接入、预测效率高、预测精度准确的特性，可以节省时间成本和人力成本，对数据采集量要求较小，既满足了数据的实时性，又达到了精准预测的效果[13-14]。在边缘运算模式下，预测系统可以利用更为精确的算法计算电量预测模型，通过利用单独边缘设备模块的计算并加以整合来实现完成。对商业区电力能源用电量进行动态预测，首先需要搭建电量预测模型。

文中预测系统通过在目前的电网集群下添加边界计算模型，把全部或大量的电能计算传输到AC/DC 模块。每一个边缘模型都可作为一个独立的边界设备，并通过利用边界设备的计算能力搭建电力预测模型[15]。边缘计算方法采用极限值逐层递进的结构，对下一级进行迭代，迭代点的函数公式可以表示为：

其中，m-1 表示m次的上一次迭代点；θ表示迭代过程中电量损失参数；x表示电力数据预测时刻点。

实际电量数据在传输至边界设备之后不再继续传递，因此文中直接使用边界设备本身所拥有的运算系统对数据进行处理，从而提高对数据的处理效能。在计量系统下，每间隔一个固定时间段采集一个电力迭代数据，通过不同时刻、不同层级的迭代函数数值，可得在某一时刻产生的真实电量。此真实电量由于方向笼统且不易直接体现，所以文中通过电量标签来体现该时刻产生的真实电量，其表示公式如（2）所示：

其中，yt表示在t时刻电力数据的电量标签；xt表示第t时刻收集到的电力数据的时间特征。综合式（1）和式（2），并将迭代过程中电量损失参数θ取值为1，可得式（3）：

其中，F(x,m)表示此次迭代中需要执行的函数公式。基于电力测功机的负载模式能够将被测电动机所输出的机械能全部转化为电力，所以需要将数据进行初始化设置，数据模型初始化函数公式表示为（4）：

将收集到的电能数据传递到边缘计算设备，根据模型函数公式可以得到各时段的电力预测实际数据。以固定时段为一个标准时间，从边缘设备中采集到新的训练电量数据。再利用电量动态预报模拟函数算法得到中心的训练电量数据，将每时每刻生成的新的训练电量数据比较。并将数据上传给边缘模块进行训练并证实，将预测模式中得到的数据，和实际得到的每一时间的训练电量数据作比较，可证明利用边缘计算的方法，能够更迅速地进行训练并作出预测，从而大大提高了数据的实时性[16]。

3 实验研究

为了验证文中提出的基于边缘计算的商业区电力能源用电量动态预测系统的实际应用效果，设定实验。利用智能电表对数据进行收集，设定预测时刻为30 s，利用计量终端对电力数据进行收集，在完成训练后将数据上传。利用预测模型分析数据状态，将得到的数据信息反馈给计量系统，通过计量系统显示预测结果。预测系统输出目标值和网络输出的目标值相关性实验结果如图3 所示。

图3 相关性实验结果

根据图3 可知，预测系统输出目标值和网络输出的目标值相关系数高达0.99。由此可以证明，文中设计的预测系统内部的预测模型具有非常好的相关性，能够实现信息深度挖掘，同时具有极好的分类能力。

文中设计的预测系统既能进行长期预测，也能进行短期预测。文中首先针对短期负荷进行预测，预测时间为一个时刻30 min，得到的预测实验结果如图4 所示。

图4 短期预测实验结果

根据图4 可知，文中提出的预测系统具备很强的预测能力，预测过程不会受到数据点数量影响，预测结果数值与真实值十分接近。由此可以证明，文中设计的预测系统在短期负荷预测方面能够达到用户要求。

在完成短期预测后，进行长期预测，预测时间为24 h，对比预测结果和实际数值，得到的实验结果如图5 所示。

图5 长期预测实验结果

根据图5 可知，与短期预测相比，长期预测系统的误差相对较大，但是从整体来看，预测结果与实际结果十分相似。由此可以证明，文中系统能够较为准确地分析商业区电力能源用电变化，确定预测结果更加准确，预测能力较强。

为了更深一步地验证文中设计的预测系统的实际应用效果。选用文中提出的预测系统和传统的基于深度学习的电量预测方法和基于即时学习差异化建模的预测方法进行实验对比，分析预测过程的误差值，得到的实验结果如表1 所示。

表1 预测误差实验结果

根据表1 可知，在预测过程中，文中提出的系统和传统系统都会产生相对误差。在预测数据点数量小于10 个时，对比的两种方法优于文中系统，但是当预测数据点数量超过10 个时，对比的两种方法容易受到预测数据点数量的限制，预测误差较大。而文中系统预测结果误差值始终较小，具有很好的动态性。通过边缘数据分析完成信息拾取，在预测过程中不会受到数据点的限制，因此预测能力更强。

4 结束语

随着智能供电系统的高速发展，电量动态预测具有重要意义，文中基于边缘计算设计了一种新的预测系统，数量巨大的电能数据可以通过计量管理系统得到有效处理。实验结果表明，文中系统具有很强的预测能力，对电能数据实现合理有效地管理和使用有着重要意义。