面向電力信息物理系統的端邊云霧協同模型

劉靖雯，譚陽紅，鄧 勇

（湖南大學電氣與信息工程學院，長沙 410082）

為響應國家電網政策，加快推進堅強智能電網、電力物聯網IoT（internet of things）的建設，實現全面感知和實時交互的能源互聯網[1]，面對海量異構數據的處理、篩選、計算、儲存，亟需考慮建立具有低時延、高可靠的電力物聯網[2]。電力物聯網中信息流能夠實現對異構環境下的能源分配、傳輸、消耗進行智能管理[3]。針對電力信息物理系統CPPS（cyber power physical system）具備的廣域分布、數據海量、模型復雜等典型特征以及物理系統和信息系統因尺度不同導致行為特征差異，故而CPPS模型應充分考慮物理網與信息網的實時交互動態特性及信息拓撲靜態特性。

關于CPPS建模，現有研究多采用圖論、矩陣計算、相依網絡[4]等理論知識，其一，利用“混成系統”思想，注重“離散”與“連續”的整合以及交互過程[5]。例如文獻[6-7]重點采用“外網等值”的方法，構建狀態量數據節點與數據支路，建立CPPS靜態信息流計算模型；文獻[8]采用微分代數方程組描述信息流特性，邏輯鏈路矩陣描述信息流動態流動過程，顯式求解延時和流量分布；文獻[9]采用有限狀態機和混合邏輯動態模型作為CPPS融合模型，對象化描述連續物理變化規律以及離散狀態轉換規律。上述建模過程多關注CPPS閉環控制過程中信息映射關系的描述，無法反映通信元件特性。其二，采用“電力網狀態方程”建模，側重于將離散狀態量作為連續系統的輸入變量，考慮對連續系統的控制過程。例如文獻[10]考慮集群理論下電網運行多智能體模型，運用分布式控制保持嚴重擾動下同步發電機保持穩定；文獻[11]采用線性閉環動態模塊來描述發電機和負荷，并通過系統線性網絡模型進行連接。上述建模過程難以反映信息系統的拓撲連接關系，無法反映系統整體情況。其三，主要對信息物理耦合特性進行建模，主要側重分析不同的通信性能對于電網實時運行的影響過程。例如文獻[12-15]采用關聯矩陣對CPPS進行通用化建模，描述CPPS內部耦合關系，分析通信、信息和物理等各種因素對CPPS的影響；文獻[16]采用矩陣描述信息網和電力網之間的數據閉環流動全過程，但該種建模方式難以表征實際系統中元件模塊的動態控制過程。

在“云大物移”等技術發展背景下，系統終端將產生海量細粒度的數據，云計算負荷過載以及終端設備的時延要求無法由集中式控制方式下的遠程云計算支持，而云數據中心的實時處理能力和指數級傳感測控智能終端數據的增長都制約著具體業務下CPPS整體運行性能[17]，故而引入邊緣計算、霧計算改善電網運行性能。文獻[16-21]主要定性分析了邊緣計算與霧計算模型架構在不同場景下的應用，而并未考慮將云計算與邊緣計算相結合的分布式協同技術引入CPPS建模。

本文基于“云、網、邊、端”電力物聯網實體結構，考慮電力物聯網元件特性和網絡特性，提出集云平臺、邊緣數據中心、霧計算節點一體化的綜合云霧平臺電力物聯網架構，建立了區域自治區間協同的CPPS端邊云霧模型。根據系統海量數據時空異構特征，分析了控制決策前的數據處理過程。進一步構建單霧層級區域計算單元CPPS模型與全網云霧協同CPPS模型。同時量化分析了物理系統運行情況與信息系統通信性能。驗證了端邊云霧協同控制方式下CPPS優越性。

1 電力CPS物理架構模型概述

1.1 電力CPS物理實體架構

本文研究對象為電力物聯網發展新形勢下的典型電力物理信息系統，其結構如圖1所示。“端”即為信息網感知執行層，定義為物理層設備狀態變化的信息感知與控制模塊，故其傳輸特性可等效于能效采集終端和能效控制終端；“邊”即為信息網區域計算層，可進行區域內終端數據收集并執行部分優化決策計算，并篩選部分數據上傳給云數據中心，邊緣數據中心和其所連接的霧計算節點可以等效為區域計算層，所連接終端設備集群劃分為區域計算單元；“網”即為信息網網絡層，主要為接入網和骨干網，接入網層可根據集群理論劃分為多個邊緣數據中心和霧計算節點就近處理實時事務和儲存大量終端異構數據；“云”即為信息網平臺層存在大量服務器集群、網絡設備集群、儲存設備集群，可等效為大型云數據中心，儲存多維歷史數據，進行數據長期預測；“智”即為信息網應用層，主要為平臺層中應用領域信息業務的抽象化概念。將云數據中心中電網不同信息應用業務抽象為虛擬網絡節點。根據上述電力物聯網下的CPPS物理實體架構對CPPS建模需描述各層級間內部拓撲關聯結構與全網能量流信息流動態交互融合控制過程。

圖1 CPPS多層級物理實體結構Fig.1 CPPS multi-layer physical entity structure

1.2 云霧模型下的信息交互運行框架

本文根據電力物聯網物理實體架構將信息網劃分為3層架構，如圖2所示為電力物聯網綜合云霧平臺模型架構示意。感知執行層由遠程終端設備（傳感器、執行器、通信模塊）或智能能效網關（Agent）組成，進行邊界計算單元內時空動態數據的采集和控制指令的執行；網絡層由路由器、交換機、SDH模塊等網絡設備組成，實現采集信息的上傳和決策信息的下達。信息決策控制層有區域計算層與云計算層，區域計算層主要在接入網中的部署，直接連接云數據中心和重要級智能能效網關，處理實時反饋的任務，如電動汽車有序充放電。分布式信息能源系統模型依賴于上述子系統的垂直集成，最終實現對能源需求的智能實時管理。對于交易能源系統，霧計算節點可以為零售能源市場服務器。云服務器中虛擬網絡節點與全局能源市場相連，獲取電力市場信息，并傳輸到區域計算單元的霧計算節點，為區域內各產消者提供最優能量精準決策。

圖2 綜合云霧平臺電力物聯網架構Fig.2 Power IoT architecture on integrated cloud-fog platform

根據上述架構，CPPS信息交互運行過程如下。

（1）初始時刻，感知層傳感裝置可針對發、輸、變、配、用場景中對物理層元件的電氣量、狀態量、物理量、環境量等數據進行采樣，并通過通信網絡中通信設備與通信鏈路上傳至區域計算層。

（2）區域計算層接收感知層采樣信息，首先層級接口先進行數據處理，再根據運行策略計算決策結果，并通過通信網絡中通信設備與通信鏈路下達至感知層，感知層控制設備將決策結果轉化為控制指令，通過閉環控制系統改變物理系統狀態。

（3）對于全網統一業務，邊緣數據中心通過數據篩選傳輸至云數據平臺并進行決策計算，集中控制下的決策結果傳輸至邊緣數據中心分區執行。

2 CPPS端邊云霧協同模型

本文中采用潮流模型描述電力網。電力系統一次設備、IoT終端等物理層實體均可以等效為數據節點，信息網原始輸入數據來自邊界計算單元的終端設備，節點輸入輸出表示為帶時空標識的數據參量。

2.1 多時空尺度數據處理

數據流所傳遞的信息深深依賴其時間和空間坐標，當傳輸延遲和計算延遲超過應用數據所需時延閾值時，信息值消失。因此CPPS的模型必須考慮對于不同時間尺度數據的處理。

控制決策層層級接口處理過程均為先進行數據層數據初加工，例如量測數據時刻統一、狀態估計[22]以及壞數據檢測，故而可實現欠定量測工況下，控制決策層對于電網的量測狀態感知。部分數據作為歷史數據儲存在邊緣數據中心，通過邊緣數據中心的數據篩選函數，云數據中心可調用邊緣數據中心數據進行電網長期優化運行過程，例如長時間尺度的電網優化調度過程。控制決策層級接口的功能模型如圖3所示。

圖3 層級接口功能模型Fig.3 Hierarchical interface function model

感知層收到的終端設備數據具備時間特性，而每層級的控制決策算法需要同一時間斷面的輸入數據。不同層級的信息接口首先進行信息整合，數據映射關系建立后，再進行控制層的優化決策過程，根據數據的時域特性，數據類型可分為靜態常數性數據和動態周期性數據。

1）靜態數據

電網中存在部分常數性數據，作為臺賬保存在數據庫中，例如電網一次設備容量、成本，線路參數等固定值常量，參與各層級優化決策業務。對于數據層提供的第k個靜態輸入數據Xk對應數據層輸出數據Yk的映射關系為

式中，Ik為與Xk、Yk維數相同的單位矩陣。

2）動態數據

絕大部分電網數據為實時或半實時數據，電網量測信息采用以時間驅動的周期性采樣，例如，源荷隨機波動性數據控制決策層刷新周期為15 min。對于控制決策層所需要某一時間斷面的數據可能因數據延時、計算延時而導致采樣層數據無法為有效信息，傳輸到決策層的數據時間斷面不統一，可通過歷史數據進行主體行為預測，采用內部預測數據參與計算。對于數據層提供的第m個采樣時刻為t、采樣周期為T的動態輸入數據對應控制周期為Ti的控制層所需統一時間斷面的輸入數據映射關系為

式中，Fm為與維數相同的時間尺度傳輸矩陣，具體形式為

式中：I是單位矩陣；符號|表示Ti是T的整數倍；為采樣歷史數據擬合函數。

3）關聯性數據

傳統集中式控制下的模型由于統一到云數據中心處理，故而普遍基于單一時間尺度實現物理-信息-物理在線閉環控制過程。而區域計算層與云數據層由于處理不同信息業務所需的時間尺度也不同，故而存在數據篩選的過程，部分數據參與云數據中心的計算，部分數據保存在邊緣數據中心。故而關聯性數據傳輸特性為

式中：S為對第i個邊緣計算中心的數據篩選函數；即為第i個邊緣計算中心所提供的所有數據；Gm為具有控制決策功能的數據中心映射函數，由具體控制中心決策函數確定。

2.2 云霧協同信息動態模型

云霧層級下的信息流計算過程可采用矩陣混成計算方法，進行云霧層級間信息篩選過程、冗余數據的處理，并建立各個層內、層間映射關系。定義G∈(z,w,y;c)為電力信息網，n為信息網節點，n∈z?w?y，其中，z為智能能效網關Agent；w為邊緣數據中心與霧計算節點；y為云數據中心，參與信息決策、數據儲存等過程；c為信息網數據鏈路，對參與數據傳輸的大量冗余通信設備進行簡化，均等效為不同層級間的數據上下行鏈路模型。

2.2.1 單霧層級區域計算單元

區域計算單元內的感知層通過Agent的功能特性來描述，具體為數據采集過程和數據控制過程，從而實現能量流和信息流之間的交互融合?；谛畔⒐濣c和信息支路的傳輸特性，對感知層進行建模，采用CAgent關聯矩陣描述該層級信息邏輯拓撲，矩陣CAgent∈?z×z結構定義為

式中：非對角元素代表感知層層內信息交互情況，c1i=1代表Agent1和Agenti之間存在通信連接關系，c1i=0代表Agent1和Agenti之間不存在通信連接關系；對角元素Tz表示信息輸入與輸出的映射函數，若Agent功能僅表示能效采集終端與能效控制終端，傳輸映射函數為與輸入數組和輸出數組同維數的單位矩陣Iz。

單霧層級區域計算層中霧計算節點為網絡邊緣服務提供資源的物理節點，區域內霧計算節點連接邊緣數據中心，邊緣數據中心具有區域決策功能。其建模過程為

式中：c1j=1表示區域計算層內霧計算節點1與霧計算節點j存在橫聯霧應用，即霧計算節點收集或處理的數據可發送給同層級其他霧計算節點；c1j=0表示不存在橫聯霧應用；Fw為區域計算層霧計算節點信息輸入與輸出的映射函數，當霧計算節點功能特性為數據的聚集傳輸功能，則Fw定義為一個單位矩陣In′，n′為霧計算節點對應的終端設備輸入向量總長度。本文僅考慮該模塊的數據傳輸特性，最后一行為區域計算層邊緣數據中心。

Agent-區域計算層、區域計算層-云層級間的信息邏輯拓撲關系可通過鄰接矩陣進行描述。建模過程如下。其上行鏈路模型為

式中：CAgent-fog定義為Agent-區域計算層數據上行鏈路模型，CAgent-fog(i,j)=aij∈{0 ,1} ，aij=1代表Agent與區域計算層存在上行數據鏈路，aij=0代表不存在數據上行鏈路；Cfog-cloud為區域計算層-云端數據上行鏈路模型；CAgent-cloud為Agent-云端數據上行鏈路模型，部分重要終端設備可直接通過接入云端，故行列向量中存在非零元素，二者具體形式與Agent-區域計算層數據上行鏈路模型形式一致，在此不在重復贅述。

其下行鏈路模型為

式中：Cfog-Agent定義為Agent-區域計算層數據下行鏈路模型，Cfog-Agent(i,j)=aij∈{0 ,1} ，aij=1代表Agent與區域計算層存在下行數據鏈路，aij=0代表不存在數據下行鏈路。層級間數據下行鏈路模型與該數據下行鏈路模型分析一致，不再贅述。

2.2.2 信息業務全網關聯模型

云平臺控制中心是分布式信息能源系統自動化的核心決策單元，為實現“分級管理、分層控制、云邊協同”的原則，將區域計算層將部分信息傳輸給同級其他數據中心以及上層云計算數據中心。則有

式中，GY為云數據中心虛擬網絡節點，由平臺應用層具體決策單元確定。能量流通過感知層Agent轉化為信息流，通過接入傳輸網中通信設備將輸入數據多元組傳輸到霧計算節點和邊緣數據中心，參與區域計算單元的計算過程或通過骨干傳輸網通信設備傳輸到云層數據中心。云霧計算架構下的信息業務全網關聯矩陣為

可根據實際情況增加子矩陣①區域的計算單元個數。

3 算例分析

3.1 模型推演分析

微型虛擬電廠VPP（virtual power plant）參與的配網能量動態平衡優化調度過程為典型的“分區部署，分層應用”電力物聯網CPS總體架構。以圖4所示的算例系統為研究對象，分析并量化電網能源交互過程中集群終端設備的能量變化、系統控制結果和通信網絡性能指標，驗證所述的電力物聯網云霧架構模型的合理性以及優越性。

圖4 算例系統結構Fig.4 Structure of example system

根據主動配電網運行安全性、經濟性進行如圖5所示的合理分區，實現區間解耦和區域計算單元內協調控制。區域計算單元內的一個物理層節點對應一個Agent節點，霧節點的區域部署個數與位置將另文描述。一個區域計算層包含一個邊緣數據中心，實現區域控制決策情況，并可選擇部分數據上傳給云數據中心。按照云霧計算架構下的系統運行原則可建立18×18的矩陣，區域計算單元系統運行可建立9×9、8×8的矩陣。

圖5 CPPS端邊云霧架構模型Fig.5 CPPS cloud-fog-edge-end architecture model

算例1：區域計算單元實時調度計劃

日前調度計劃確定后，傳感器設備采集電網實時狀態，負荷區域計算層邊緣數據中心按照火電機組運行成本最小對區域內的實時調度機組進行出力調節，實時調度控制周期為15 min，得出3個發電機組的出力情況。本文對調度過程進行簡化，僅僅考慮直流潮流模型下的線性約束優化調度。通過上述矩陣模型，控制決策層下達發電廠出力調整如圖6所示。

圖6 傳統機組輸出功率變化Fig.6 Changes in output power from the traditional unit

如圖6所示，區域1中邊緣數據中心根據2個工業負荷日功率需求，在通信正常情況下按照發電廠容量以及調度經濟成本實時調度。由此可得出區域計算單元CPPS模型可以進行系統的優化調度運行計算。

算例2：端邊云霧協同下的系統優化運行

條件設定：假設區域1發電機G3節點發生故障，產生了功率缺額，在保證不切負荷的情況下，區域2作為虛擬電廠向區域1送電。針對該算例系統的分布式優化協調調度展開分析。配網園區內風機參數和負荷預測數據來源于文獻[22]。

虛擬電廠通過優化調控策略使系統總成本最小化。考慮最小化系統全時段總運行成本作為目標函數。在系統設定的采樣周期內對電力網物理實體進行采樣，得到多元輸入數據矩陣；根據控制決策層所需時間斷面數據進行數據時刻統一處理，再采用關聯模型進行迭代計算。控制層周期能量管理優化過程為1 d，分為24個時隙，以1 h為計算周期，采用依據上述所建矩陣結構模型，通過Matlab進行迭代計算。其功率變化與優化結果如圖7所示。

圖7 優化調度結果Fig.7 Optimal scheduling results

如圖7所示為風電出力、區域2常規機組出力以及VPP總負荷和對外供電在全時段的功率變化曲線，區域2作為VPP向區域1輸電，區域聯絡線上存在功率流動。在分布式協同調度中內風電、負荷信息等信息無須傳遞給云數據中心，區域內可獨立優化調度，區域間通過邊緣數據中心獲得信息交互，迭代計算更新區域2機組最優處力。優化調度結果表明所建立的CPPS數學模型與控制決策優化算法相結合，得到的控制效果符合實際控制應用場景，驗證了模型的適用性。

3.2 不同控制方式下對系統運行的影響

集中式控制下，終端設備數據直接通過廣域網傳輸至云數據中心進行統一計算，而端邊云協同控制下，若區域1與區域2的邊緣數據中心存在耦合，則可建立分布式協同模型；若不存在耦合，則需通過云數據中心進行數據交換。簡要分析不同控制方式下模型效果差異對比，并計算端邊云霧協同控制方式與集中控制方式下的通信網絡時延。

閉環控制過程時延主要分為傳輸時延Tcom和優化決策計算時延Topt，本文設定Agent與區域計算層之間的LAN本地通信網傳輸時延為5 μs/km，傳輸總路徑為230 km，區域計算層與云平臺之間的WAN骨干傳輸網連接通道速度為2 μs/km，傳輸總路徑為610 km，云計算優化決策計算時延為169.73 ms，邊緣計算優化決策計算時延為64.83 ms，計算公式為

故而可得出集中控制方式與端邊云協同方式下端到端時延對比，如表1所示。

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

由表1可知，端邊云霧協同控制下的CPPS網絡時延、計算規模要優于集中式控制下的CPPS，在調度成本上二者差異不大?！叭踔行幕卑l展模式下的端邊云霧協同控制方式降低了骨干傳輸網的數據鏈路要求，同時區域計算層的計算能力降低了數據傳輸的端到端時延，保證了信息的實時性。

4 結語

隨著電力物聯網建設的深入，對海量終端數據處理能力提出了更高的要求，傳統電網的集中式控制策略已經很難滿足要求。本文根據此背景下的電力物聯網拓撲結構，提出來一種基于端邊云霧協同計算的電力物聯網分布式架構，建立了考慮多時空數據處理和區域計算能力的CPPS模型。并將其應用于虛擬電廠參與的配網優化調度，算例結果表明，本文所構建的模型能夠對分層分布式空間CPPS信息-能量流交互機理進行描述，驗證了模型的合理性。通過對不同控制方式下的模型控制效果比較，驗證了所提架構的優越性。

需要說明的是，本文對于霧計算節點功能進行了簡化，具體功能特性將另文闡述，同時本文考慮了全局可觀可測的基礎上模型的適用性，而系統部分可觀測工況下，模型層級接口可通過狀態估計實現在欠定量測系統下的適用性，但具體數學表征方式還需進一步研究。