邊緣智能平臺在配電網建設中的應用

羅輝 田豐 李耀 陳崗 劉志勇

（威勝信息技術股份有限公司 湖南省長沙市 410205）

隨著社會經濟的發展和人們對電力需求的提升，我國在配電網建設過程中遇到越來越多新的問題與挑戰，例如：風電光伏接入、電動汽車充電等，配電網的智能化不斷引起社會各界的高度關注[1]。以先進傳感技術、5G 通信、邊緣計算、大數據、人工智能等為代表的新一代信息技術已經為此提供了良好的基礎，配電網的建設開始向著智能化的方向發展[2]。當前工作重點在如何融合物理配電網與信息網上，利用先進的信息技術提升配電網整體運維能力和用戶服務水平，完成輕資產條件下的電網邊緣狀態感知、計算與優化控制等任務，從而達到配電網的智能化。雖然目前配電網的基礎設施建設已日趨完善，但在配電網智能化的大背景下，現有配電網應用中的計算架構與海量、分布式數據資源及業務智能化需求之間的不適應性，仍是制約配電網未來發展的主要矛盾[3]。如何利用先進信息技術開展適用于配電網的智能化計算架構研究，進而實現物理配電網與信息網的融合，現已成為未來配電網智能化建設的一項主要研究課題。

1 配電網建設面臨的挑戰

配電網點多面廣、數據海量且分布分散，其感知水平、數據質量與主干電網存在較大差距[4]。同時，未來大量分布式電源、電動汽車充電等新型業務需求，必然對配電網的計算能力和智能程度提出更高要求，而這些問題正是目前配電網面臨的最大挑戰。

1.1 海量分布式數據源

配電網面向廣大的用電客戶，不僅點多面廣過于分散，而且每天都在產生海量的數據。這就決定了與配電網業務有關的計算需求所面對的數據源是海量且分散的，尤其是隨著配電物聯網建設的深入，各類傳感器和采集監控終端所獲取的數據更是呈現爆發式增長，如果將這些海量數據接入到統一的計算平臺，將會對系統的通信和處理能力造成巨大壓力。

1.2 聯網覆蓋率和數據質量

當前配電網感知水平與主干電網相比還有一定差距，數據質量也同樣存在問題。在目前的信息技術水平下，無法利用現有數據對配電網進行全面且有效地計算處理。如果不對現有信息處理技術進行改進，勢必要投入大量的人力物力來提升電力設備聯網覆蓋率和數據質量，這對電網企業的經營發展來說無疑是個沉重負擔。

1.3 電力設備的智能化

以往的電力設備更多的是承擔電網狀態采集、監控、傳輸以及簡單的就地控制功能，而現在以及未來的電力設備將更加智能化，這些設備本身就具有一定的計算能力，它們的計算資源應該如何統籌規劃，以及如何與整個配電網系統的計算能力相結合，也是目前配電網智能化設計和建設的一大難題。

2 未來配電網建設的需求

由于現實發展的需要，智能配電網的建設已變得越來越緊迫，而計算能力和智能化程度又是其中非常關鍵的環節，當前亟需設計一套新的計算框架與相關技術來滿足未來配電網建設的需要。

2.1 邊緣計算的需求

為應對海量分布式數據接入，緩解集中式計算給系統通信和存儲帶來的壓力，應采取邊緣計算的架構設計，將云計算轉化為邊緣計算，將計算節點向數據源節點轉移，從而實現應用功能的下沉，滿足新型業務的需要[5]。同時，還要對原有業務進行重新劃分，選取地理位置接近，電氣聯系緊密的節點作為電網計算邊緣，使內部業務功能獨立完整，實現邊緣自治與配電網的協調互動。

2.2 人工智能應用的需求

當前配電網正面臨著感知能力不足和數據質量不高的挑戰，傳統計算方法無法進行有效地計算，而全面鋪開的感知設施建設又需要大量的硬件設施投資。由于人工智能技術在配電網經濟運行、用電行為分析等方面有著較為廣闊的應用前景[6]，如果能借助人工智能相關技術和算法支持，就能在少量監測節點的情況下實現對配電網的全面感知。

3 配電網邊緣智能平臺

3.1 邊緣智能總體架構設計

為支撐配電網智能化的建設，需要對現有運行的信息技術架構進行調整和設計，以滿足未來配電網新型業務在計算、存儲、網絡、管理和人工智能支撐等方面的需求。為此，基于配電物聯網的思想設計出云、網、邊、端的四層總體架構，以支撐配電網邊緣智能的應用程序運行[7]。

如圖1 所示，與配電網、電網邊緣和用戶邊緣相對應的支撐對象是云平臺、邊緣云和設備。從邏輯上講，一個配電網由一整套架構進行支撐，一個電網邊緣由一個邊緣云進行支撐，邊緣智能平臺運行于邊緣云上，邊緣智能平臺由邊緣計算框架和人工智能平臺兩部分組成。用戶邊緣對應于智能電表和智能終端，它們可以自行管理業務應用所需的各類計算資源，并通過各種通信連接方式與邊緣智能平臺開展數據交互。

3.2 邊緣計算框架選擇

目前邊緣計算領域涌現了大量的產品及框架，其中較常見的邊緣計算框架包括：百度智能邊緣BIE（BaiduIntelliEdge）、開源邊緣計算框架KubeEdge、阿里物聯網邊緣計算LinkEdge 等[8]。百度智能邊緣BIE 推行“端云一體”解決方案，它由智能邊緣本地運行包、智能邊緣云端管理套件組成，開源的KubeEdge則提供了模塊化、容器化的輕量級邊緣計算框架。阿里物聯網邊緣計算LinkEdge 是另一種可在智能設備上運行本地計算、消息通信、數據緩存等功能的軟件框架，它可部署于不同量級的計算節點上，讓其具備阿里云安全、存儲、計算、人工智能等方面的能力。LinkEdge 不僅可以將邊緣設備的數據同步到物聯網云平臺進行云端數據分析，實現接收云平臺下發的指令進行控制操作，還可以運行規則或函數代碼，在無需聯網的情況下實現設備的本地聯動及數據處理。由于LinkEdge比前兩者更具優勢，本文選擇LinkEdge 作為配電網邊緣智能平臺的應用框架。

3.3 人工智能框架選擇

目前英偉達、百度、阿里、騰訊等國內外企業都研發了各具特色的邊緣人工智能框架及工具[9]。使用較為廣泛的人工智能云 及 框 架 主 要 有：Nvida-docker、Openstack AI、ESCould AI 和Tensorflow。其中Nvida-docker 是目前應用最多的人工智能框架，由英偉達公司提供技術支持。Nvida-docker 是英偉達公司推出的基于 Docker 的GPU 虛擬化容器，它借助于Docker 實現了GPU 的容器化，提供了GPU 加速的應用部署，可支持應用程序容器化和隔離加速的能力，具有可部署到任何受支持的、可使用GPU 的基礎架構上。由于Nvida-docker 更靈活一些，本文選擇Nvida-docker 作為配電網邊緣智能平臺的人工智能框架。

4 邊緣智能的相關算法

4.1 邊緣動態拓撲獲取

邊緣動態拓撲獲取主要分為邊緣拓撲確定和邊緣拓撲校驗兩個步驟。邊緣拓撲確定的主要對象為變壓器出線開關、分支線路上的分段開關與聯絡開關，這些開關會由于電網故障轉供、計劃檢修、彈性負荷投切等原因而動態變化。通過邊緣云與智能開關進行交互，實時監測電網內各開關的測量數據。

邊緣動態拓撲校驗是依托邊緣云提供的電網采集數據和計算能力，對時變的邊緣區域配電網電氣拓撲結構進行準確辨識，實現通過邊緣云與智能開關交互獲取拓撲的反向校驗，并為邊緣區域內部狀態感知提供基礎。配電網拓撲變動較主干網而言更為頻繁，邊緣動態拓撲校驗技術需要在邊緣靜態拓撲的基礎上，從智能開關或配電自動化裝置采集的數據中提取關鍵信息，完成對邊緣靜態拓撲的動態調整和糾錯。如圖2 所示，邊緣動態拓撲校驗首先需要以批處理或流處理的方式對采集到的多源異構數據進行合并、清洗、去噪。在此基礎上，利用數學模型來反映邊緣區域中網絡的信息，將各種電氣元件進行抽象化，用簡化模型表示出實際的電氣網絡。從多時空尺度的邊緣區域配電網測量數據中提取潛在特征，并分析這些特征與邊緣動態之間的關聯性，同時使用特征辨識技術從測量數據中挖掘出能夠反映邊緣拓撲變動規律的信息。通過選擇適合的機器學習算法模型對提取特征與邊緣動態拓撲的關系構建邊緣拓撲模型，利用歷史測量數據訓練模型，不斷修正和優化邊緣拓撲模型的參數，提高該模型的精確度。訓練好的模型在收到當前電網測量數據的情況下，結合先驗網絡信息完成邊緣動態拓撲的反向校驗。

4.2 邊緣狀態估計分析

在電網邊緣中，內部區域自治的前提是要能夠實現邊緣內狀態的估計。但對于區域配電網系統，其監測量的配置非常有限，邊緣內部為不可觀測狀態，無法使用傳統狀態估計方法直接進行狀態分析。若采用偽測量方法進行狀態估計，精度較低且無法滿足實際需求。配電網狀態估計的本質是一個非參數非線性的回歸問題，因而可以采用多元非線性擬合能力較強的神經網絡。神經網絡用于配電網狀態計算既可在監測量缺失的情況下回歸出可觀測變量與待求變量間的非線性關系，而且還可以通過集成學習的方式實現在線計算。

如圖3 所示，充分利用配電網中已有的大量智能電表歷史數據，采用數據挖掘和機器學習算法，能夠對配電網狀態進行精確預測。利用大量智能電表歷史數據進行預測，主要可分為兩種方法：一種是采用數據挖掘和機器學習算法，預先訓練電網邊緣內部偽測量預測模型，通過該模型預測出當前運行狀態下的偽測量信息，使邊緣內部達到可觀測性條件，再采用傳統狀態估計器進行邊緣狀態估計。另一種是采用數據挖掘和機器學習算法，直接訓練出邊緣內測量數據和狀態變量之間的映射關系，在實際運行過程中通過預訓練的模型直接預測出系統狀態變量值，從而實現邊緣狀態的估計分析。

5 邊緣計算的應用場景

5.1 線路阻抗參數的辨識

配電網的線路阻抗分析主要是研究低壓線路的阻抗參數，通過辨識這些參數來評估線路在長期運行時的老化情況。根據邊緣動態拓撲的辨識結果，將電氣圖模中的各連接節點兩兩組合，并對電網各支路進行解耦，生成各節點間分支線路的電壓降推導公式，構建基于機器學習算法的線路阻抗參數辨識模型，從而以數據驅動的方式實現邊緣區域運行態網絡元件參數的可觀測。線路阻抗參數辨識模型在訓練時，會不斷從配電網運行數據中學習變量之間的潛在關系，利用學習到的經驗值改善參數辨識的準確度。隨著采集到數據的逐漸累積，辨識的效果也會不斷改善，并不斷逼近于配電網實際線路阻抗參數的近似值。

電網邊緣內的線路阻抗參數還要以線路上電氣元件的連接關系為基礎，利用采集電網邊緣內配電變壓器運行的數據樣本，通過數據驅動的方法得到線路阻抗參數的計算結果。配電網線路的段首和末端必須配置測量裝置采集各類數據。邊緣云需為這些多源異構數據提供接入、存儲和分析的環境，并需要提供對數據進行有效處理與管理的工具。考慮到在參數辨識過程中存在未知的情況，且獲取證據的過程存在可能的誤差，因此需要解決這些因素帶來的不確定性。目前電力生產管理系統中存儲的線路參數多為靜態參數，沒有考慮到極端天氣或運行狀態下線路參數的變化，基于機器學習算法的線路阻抗參數辨識方法需要考慮綜合環境對線路阻抗參數的影響，考慮的環境因素包括但不限于配電網運行狀態、外部環境溫度、外部環境濕度等。在運行環境和運行狀態可觀測的情況下，可以使用動態貝葉斯網絡（Dynamic Bayesian Network, DBN）等方法來構建概率圖模型，將真實情況轉化為概率分布完成不確定性的量化，完成線路阻抗參數的辨識。

5.2 低壓用電負荷的預測

低壓用電負荷預測模型需要考慮除時間序列外影響負荷的因素包括：氣候因素（如寒潮、熱波）、季節因素、節假日等特殊日、天氣因素（如氣溫、濕度）、用戶類型、歷史負荷等影響因素[10]。傳統的短期負荷預測方法無法計及氣象等因素的影響，缺乏自主學習的能力。根據不同類型負荷在較短周期內存在較大的差異性這一特點，可以使用人工智能算法對負荷進行分類并預測，從而提高預測的準確度。人工智能算法對低壓用電負荷分類并預測的技術方案如圖4 所示。

在電網邊緣提供的數據資源基礎上，利用邊緣云的計算能力對采集到智能電表數據、氣象數據等多源數據進行融合、預處理、去噪，降低隨機波動或傳感器誤差對機器學習模型預測精度的影響，為機器學習模型提供數據基礎。綜合考慮GIS 信息，依據聚類評價指標，選擇最實用的聚類分析方法，根據海量負荷數據建立自適應的負荷聚類模型，對配電網中各配變負荷按照其波動規律進行聚類，依據聚類結果計算出每一類負荷的典型曲線，從負荷曲線中解構出負荷差異性較大的用電成分（商業負荷、工業負荷、居民負荷、農業負荷等）。綜合考慮不同類別負荷的波動規律與對應類別負荷所在區域的配電自動化裝置的覆蓋密度，可以制定出不同類型的短期負荷預測方案。

6 結束語

本文從介紹配電網建設的背景出發，首先分析了當前配電網在智能化過程中面臨的挑戰和對計算能力的需求，在此基礎上提出結合人工智能技術的配電網邊緣智能平臺，其次闡述了邊緣動態拓撲獲取、邊緣狀態估計分析兩種邊緣智能算法的設計思路，最后分別對使用此平臺的線路阻抗參數的辨識、低壓用電負荷的預測兩個應用場景進行了討論。未來可以基于該邊緣智能平臺實現配電網與信息網的深度融合與數據共享，更好地支撐配電網智能化的建設。