基于邊緣計算的商業區電力能源用電量動態預測系統

梁 波，解 磊，李函奇，郭 珂，孫小斌

（國網山東省電力公司營銷服務中心（計量中心），山東濟南 250001）

目前，商業區的擴建與發展迅速，其電量規模龐大，導致電力系統負載較大。預測商業區的電力能源用電量是電力控制和調度的重要環節，可以節約使用能源，降低基本耗損。在電量預測方面，文獻[1]提出了一個基于深度學習的框架，通過處理長期歷史依賴關系來預測電力需求。訓練長短期記憶網絡多輸入多輸出模型，以根據季節、日期和間隔數據預測電力需求。該方法還結合了基于移動窗口的主動學習的概念來改進預測結果。該方法需要以非常龐大數量的用能數據作為數據支撐，數據獲取方面非常費時費力。文獻[2]提出一種即時學習差異化預測模型，依據預測特征值進行數據聚類，該方法對于模型數據準確性要求較高，稍有不準確，模型結果便會偏離嚴重，且預測效率和預測精度不夠強大。

針對以上問題，文中使用邊緣計算的方法，對商業區電力能源用電量動態搭建預測模型，以完成電量動態預測。

1 商業區電力能源用電量動態預測系統硬件設計

文中基于邊緣計算設計商業區電力能源用電量動態預測系統。硬件主要包括AC/DC 模塊、電動機控制器、電力測功機、測功機控制器四部分。

1.1 AC/DC模塊

文中設計的AC/DC 模塊帶有溫度補償效果，在待機狀態下具有功耗低的特點，其中的雙輸出電源電路具有通用的輸入電壓范圍，可以將交流電轉換為直流電以方便對電流進行數據采集及電量動態預測[3-4]。AC/DC 模塊結構如圖1 所示。

圖1 AC/DC模塊結構

AC/DC 模塊工作原理為：在電路系統中，加入整流器，由濾波電路提供雙流濾波。兩端產生的雙流交流濾波同時經過整流器進行整流，整體形成Y 型濾波。由此提供充足的濾波量，并且加入阻燃熔斷型電阻，以防發生故障時產生電路整體損壞的問題。經過整流器整流后的輸出濾波共同作用于每一次的開關周期，通過每一次的開關周期逐漸導通，達成電流線性上升，并通過續流器進行續流[5-6]。這樣結構的電路在限定的負載范圍內，可以提高電路工作效率。

1.2 電動機控制器

電動機控制器作為一個集成電路，通過自主控制的方式完成工作。負責控制電機按照所設定的參數，主要包括電機轉速、轉動角度和電機響應時長。電動機控制器結構如圖2 所示。

圖2 電動機控制器結構

觀察圖2 可知，電動機控制器采用了大功率智能模塊、冷卻散熱體系、電源管理系統、閉環采樣反饋控制器優化等組成，具備響應快速、控制系統運轉平穩、免維修的優點[7-8]。在構造上，該電動機控制器和被測量區域電網處的被測量電動機相連接，同時還能夠與被測量電源驅動器和電動機構成一種完整的電動機控制器，對不同的電動機實現分時間管理，適用范圍廣。

1.3 電力測功機

文中采用的電力測功機可以做到同時對多個動力機械進行負載測功，具有更強的可靠性，性能方面優勢也更大。電力測功機通過傳動軸與被測區域電網相連，具備節約能源效果，可以通過與被測設備的連接，將設備所產生的能量轉化為電能，從而再次傳輸回電網系統，起到了環保節能的作用[9-10]。電力測功機還可以進行轉速調節，根據電機不同轉速選擇不同的測功機轉速，由此可以達到一機多用的效果。

1.4 測功機控制器

測功機控制器與電力測功機相連，負責測試電機的特性，包括被測電機的輸出功率、電機轉速、轉動方向、電機效率等。測功機控制器另一側與AC/DC模塊相連接，來對區域電網動力電進行控制，測功機控制器具有多面數字顯示屏，可以同時顯示出測功機的轉速、轉距、運行功率等數據。

除此之外，該測功機控制器具有可選擇的負載調節方式，不僅可以通過手動調節負載，還可以通過計算機調節負載，負載調節的靈活性上具有很好的應用效果，使用非常方便，測試效率極高，能夠很好地保證預測效果[11-12]。

2 基于邊緣計算的用電量動態預測系統軟件設計

邊緣計算是一種依靠邊緣設備及邊緣數據進行演算的計算模型，可以把全部或部分的計算任務進行遷移分配。根據任務量的大小分配到電網邊緣的各個邊緣設備，按照任務執行工作，邊緣計算具有快速接入、預測效率高、預測精度準確的特性，可以節省時間成本和人力成本，對數據采集量要求較小，既滿足了數據的實時性，又達到了精準預測的效果[13-14]。在邊緣運算模式下，預測系統可以利用更為精確的算法計算電量預測模型，通過利用單獨邊緣設備模塊的計算并加以整合來實現完成。對商業區電力能源用電量進行動態預測，首先需要搭建電量預測模型。

文中預測系統通過在目前的電網集群下添加邊界計算模型，把全部或大量的電能計算傳輸到AC/DC 模塊。每一個邊緣模型都可作為一個獨立的邊界設備，并通過利用邊界設備的計算能力搭建電力預測模型[15]。邊緣計算方法采用極限值逐層遞進的結構，對下一級進行迭代，迭代點的函數公式可以表示為：

其中，m-1 表示m次的上一次迭代點；θ表示迭代過程中電量損失參數；x表示電力數據預測時刻點。

實際電量數據在傳輸至邊界設備之后不再繼續傳遞，因此文中直接使用邊界設備本身所擁有的運算系統對數據進行處理，從而提高對數據的處理效能。在計量系統下，每間隔一個固定時間段采集一個電力迭代數據，通過不同時刻、不同層級的迭代函數數值，可得在某一時刻產生的真實電量。此真實電量由于方向籠統且不易直接體現，所以文中通過電量標簽來體現該時刻產生的真實電量，其表示公式如（2）所示：

其中，yt表示在t時刻電力數據的電量標簽；xt表示第t時刻收集到的電力數據的時間特征。綜合式（1）和式（2），并將迭代過程中電量損失參數θ取值為1，可得式（3）：

其中，F(x,m)表示此次迭代中需要執行的函數公式。基于電力測功機的負載模式能夠將被測電動機所輸出的機械能全部轉化為電力，所以需要將數據進行初始化設置，數據模型初始化函數公式表示為（4）：

將收集到的電能數據傳遞到邊緣計算設備，根據模型函數公式可以得到各時段的電力預測實際數據。以固定時段為一個標準時間，從邊緣設備中采集到新的訓練電量數據。再利用電量動態預報模擬函數算法得到中心的訓練電量數據，將每時每刻生成的新的訓練電量數據比較。并將數據上傳給邊緣模塊進行訓練并證實，將預測模式中得到的數據，和實際得到的每一時間的訓練電量數據作比較，可證明利用邊緣計算的方法，能夠更迅速地進行訓練并作出預測，從而大大提高了數據的實時性[16]。

3 實驗研究

為了驗證文中提出的基于邊緣計算的商業區電力能源用電量動態預測系統的實際應用效果，設定實驗。利用智能電表對數據進行收集，設定預測時刻為30 s，利用計量終端對電力數據進行收集，在完成訓練后將數據上傳。利用預測模型分析數據狀態，將得到的數據信息反饋給計量系統，通過計量系統顯示預測結果。預測系統輸出目標值和網絡輸出的目標值相關性實驗結果如圖3 所示。

圖3 相關性實驗結果

根據圖3 可知，預測系統輸出目標值和網絡輸出的目標值相關系數高達0.99。由此可以證明，文中設計的預測系統內部的預測模型具有非常好的相關性，能夠實現信息深度挖掘，同時具有極好的分類能力。

文中設計的預測系統既能進行長期預測，也能進行短期預測。文中首先針對短期負荷進行預測，預測時間為一個時刻30 min，得到的預測實驗結果如圖4 所示。

圖4 短期預測實驗結果

根據圖4 可知，文中提出的預測系統具備很強的預測能力，預測過程不會受到數據點數量影響，預測結果數值與真實值十分接近。由此可以證明，文中設計的預測系統在短期負荷預測方面能夠達到用戶要求。

在完成短期預測后，進行長期預測，預測時間為24 h，對比預測結果和實際數值，得到的實驗結果如圖5 所示。

圖5 長期預測實驗結果

根據圖5 可知，與短期預測相比，長期預測系統的誤差相對較大，但是從整體來看，預測結果與實際結果十分相似。由此可以證明，文中系統能夠較為準確地分析商業區電力能源用電變化，確定預測結果更加準確，預測能力較強。

為了更深一步地驗證文中設計的預測系統的實際應用效果。選用文中提出的預測系統和傳統的基于深度學習的電量預測方法和基于即時學習差異化建模的預測方法進行實驗對比，分析預測過程的誤差值，得到的實驗結果如表1 所示。

表1 預測誤差實驗結果

根據表1 可知，在預測過程中，文中提出的系統和傳統系統都會產生相對誤差。在預測數據點數量小于10 個時，對比的兩種方法優于文中系統，但是當預測數據點數量超過10 個時，對比的兩種方法容易受到預測數據點數量的限制，預測誤差較大。而文中系統預測結果誤差值始終較小，具有很好的動態性。通過邊緣數據分析完成信息拾取，在預測過程中不會受到數據點的限制，因此預測能力更強。

4 結束語

隨著智能供電系統的高速發展，電量動態預測具有重要意義，文中基于邊緣計算設計了一種新的預測系統，數量巨大的電能數據可以通過計量管理系統得到有效處理。實驗結果表明，文中系統具有很強的預測能力，對電能數據實現合理有效地管理和使用有著重要意義。