云邊協同計算下配電網優化調度探討

方 琪

（國網蘇州供電公司，江蘇 蘇州 215000）

0 引 言

處于新基建的發展背景，物聯網技術和大數據技術等已經滲透我國人們生活的各個行業，今后全新模式的配電網設施勢必擁有高性能服務，以邊緣云為主的信息智能設施具備較強的數據算法功能，便于電力行業的長久建設。一些專家已經提出配電網優化調度的模式，嘗試調整配電網的組成結構，避免有配電網功率過多浪費的現象。為此可以關聯配電網智能化數據源輸出以及保存數據的過程等綜合性研究，整合臺區云邊協同場景，更好地推動電力行業發展。

1 云邊協同計算下配電網優化調度組成體系

云邊協同組成體系的設定，歸屬于配電網基本組成形式，以科學協同為基礎優化電壓指數，順應配電網優化調度的綜合需求。圍繞云邊協同計算的分布式顯著特征，設定針對性云計算服務結構、邊緣計算結構，共同完善OpenStack 云邊協同[1]。云端的設定，強調對全部的數據信息開展模塊加載項目，邊緣端要利用數據構建對應模型，給配電網等基礎設備配置實效性業務。若減少配電網調度加載的時間，也會減少體系響應時間，有助于提高配電網設備的綜合運作效率。為此，工作者需要結合云邊協同體系的基本內容，全面采集和記錄信息，使得用戶能夠得到針對性服務。智能化終端的存在可以簡便加工采集器數據信號，從而將信息完整保存在邊緣端服務器結構內。數據節點的信息接收器將信息保存在數據庫內，云邊協同組成體系如表1 所示。

表1 云邊協同體系

2 云邊協同計算下配電網優化調度目標概述

云邊協同組成體系主要是統計配電網電流值的變化，明確配電網調度目標。在促進配電網有效調度的情況下，工作者要對全部用電設備的性能和運作狀態進行統籌，不能由于單體潛在的風險阻礙配電網的正常優化整合[2]。圍繞配電網電力綜合質量整合現有的標準規范，設定最佳電壓偏差量、最佳波動電流，換言之，配電網的多個節點電壓偏差量應小于等于優化值。同時，借助云邊協同過程，智能化設備將信息保存在邊緣端模塊內，以數據信息的加工模型出示微數據，存儲在邊緣端信息加工模型內。響應過程需要將數據傳輸給客戶端，后續開展正確的配電網優化調度，邊緣端數據庫按照集中模式保存大量信息，還可以將數據傳遞給遠部模塊[3]。之后處理遠部模塊的數據，這樣邊緣端數據庫以及遠部數據庫能夠分類別化加工數據，發布真實性數據，凸顯配電網優化調度數據的準確性與有效性。

3 云邊協同計算下配電網優化調度應用技術要點

配電網優化調度的過程，應考慮云端數據與邊端數據庫互相傳輸存在的問題，包含資源需求以及設備資源利用的沖突、數據加工質量和隱私調節的沖突、任務需求和邊緣設備的沖突。應用云邊協同配電網優化調度技術，要顧及預測協同過程、云端負責模型過程、邊端數據采集過程、邊端獲取中間數據過程以及邊端更新模型過程。智能化處理配電網優化調度流程，不管是哪一種模式，都應該應用先進的技術，如遷移學習技術、神經網絡壓縮技術以及聯邦學習技術[4]。

3.1 遷移學習技術

此技術的應用，即將任務遷移到其他模式中，尤其適用于云邊協同計算下的配電網調度。因為配電網模型的場景有多樣性，數據來源相對廣泛，且數據量比較多，所以工作者要利用遷移學習技術保留原有的模型組成形式。并且對全新的數據進行集中化管理，得到全新場景的數據管理模型，下載客戶端后可以更好地節約模型制作成本。

3.2 神經網絡壓縮技術

云邊協同計算過程，特別是在云端結構中進行煩瑣的配電網優化調度，工作者應將數據傳遞到邊端，通過完整模型加工數據信息。此過程是普通神經網絡模型不能實現的協同目標，邊緣節點煩瑣的場景應用要求工作者及時發揮神經網絡壓縮技術的作用。另外，考慮到一些影響因素，和云端相連的網絡模型可能存在無法實效性運算的問題，所以要在神經網絡壓縮技術的應用中利用參數共享調整配電網調度指令，減少網絡運算的煩瑣性[5]。

3.3 聯邦學習技術

要想提高配電網優化調度中云邊協同計算形式的應用效果，應利用聯邦學習技術，處理邊緣數據的孤島問題。此種學習技術是分布式機械化的體現，不需要數據信息共享便能夠對現有的數據進行互相協同與運作。加入配電網優化調度的設備，按照網絡通信形式、邊緣服務器形式共享數據，打造完整的結構模型。應用聯邦學習技術，要提高配電網調度的安全性，直接保護用戶隱私。本質上，聯邦學習技術涉及縱向學習模塊、橫向學習模塊，工作者要思考如何以云邊協同計算為核心發揮聯邦學習技術的作用，借助邊緣服務器的性能減小通信數據成本，全面提高邊緣緩存速度，對邊緣數據進行有機聚合與整合，應用效果可觀[6]。

4 云邊協同計算下優化調度配電網的具體應用方案

配電網優化調度中，可以將云邊協同計算體系作用在較多場景，以低壓臺區的云邊協同為例，涉及綜合感知電力網絡、協調控制電力能源、優化調整配電運行等過程。邊緣智能化的調整中，云邊協同計算可以為邊緣側提供信息，具備網絡保存的優質性能。將業務與數據以及資源互相協同，綜合化感知臺區每個模塊，提高電能質量，實現配電網智能化管理。

4.1 綜合感知電力網絡

此場景的應用中，配電網優化調度中心能夠及時利用能源設施，以大數據為基礎智能化實施配電網邊緣端的管理。妥善規避信息傳輸延時、配電終端設備類型繁多、云中心數據量大等問題，從而綜合優化電力網絡的應用過程。云中心的設備有一定的監控性能，科學處理配電網調度的困境，實施全方位的數據監測與巡視，避免有數據孤島的問題出現，由此數據信息之間可以互聯互通，保障信息利用率指數不斷提高。與此同時，邊緣性設備接入配電網中，減少通信距離，加強數據傳輸效果。通過邊緣設備綜合計算配電網的電力信息，實效性預測信息數據的變化，接下來將網絡數據保存在云端。云端在最短時間內完善配電網調度結構，感知電力分配情況，由此借助聯邦學習技術整合多個邊緣數據，搭建共享性平臺，起到調度配電網的作用，更能夠實現對用戶隱私的保護[7]。

4.2 協調控制電力能源

配電網的優化調度中，考慮到分布式能源預測難度大的問題，協調控制電力能源至關必要，工作者應通過云邊協同計算過程，系統性了解云中心以及邊緣側的電力數據，得到完整性配電網優化調度信息，并且規范化融合分布式電源、保存能源、電動汽車等結構，以云中心的形式傳遞指令，科學控制配電網削峰填谷的調節過程。利用邊緣裝置傳輸用電需求數據、用電監測數據，合理配置配電網的電力資源，在傳輸指令的前提下凸顯邊緣裝置作用。簡便化處理邊緣側，協同控制接入邊緣配電網設備，改善清潔能源的消納困境，提高能源數據的統計效果。

4.3 優化調整配電運行

以云邊協同的組成體系為基礎調度優化配電網，將配電網運作潛在的風險加以實效性評估，制定負荷調度模型，促進配電網負荷可以維持均衡化，減小配電網受損概率，不斷加強配電網供電綜合水平[8]。云邊協同體系可以優化模型組成結構，包含負荷預測、線損研究以及故障檢測等模型，按照邊緣側上傳的信息動態更新模型參數，將數據傳遞到邊緣設備中，后續邊緣設備依托模型參數以及設備端信息綜合管理接入設備，落實配電網優化調度的最優化分配。

5 結 論

如今，每一個區域中都出現了新能源負荷驟增的情況，開展配電網的調度優化工作有現實意義和價值。新時期，邊緣計算以及人工智能的作用和價值已經深入人心，如何加強配電網調度優化效率是重中之重。研究者嘗試構建云邊協同計算結構體系，妥善處理區域配電網控制和調節等問題，創設真實化低壓臺區的配電網需求場景，制定云邊協同計算的多種方案，促進配電網調度優化可以更好地具備自動化、智能化性能，加快電力行業的現代化建設腳步，給電力行業發展保駕護航。