边缘智能平台在配电网建设中的应用

罗辉 田丰 李耀 陈岗 刘志勇

（威胜信息技术股份有限公司 湖南省长沙市 410205）

随着社会经济的发展和人们对电力需求的提升，我国在配电网建设过程中遇到越来越多新的问题与挑战，例如：风电光伏接入、电动汽车充电等，配电网的智能化不断引起社会各界的高度关注[1]。以先进传感技术、5G 通信、边缘计算、大数据、人工智能等为代表的新一代信息技术已经为此提供了良好的基础，配电网的建设开始向着智能化的方向发展[2]。当前工作重点在如何融合物理配电网与信息网上，利用先进的信息技术提升配电网整体运维能力和用户服务水平，完成轻资产条件下的电网边缘状态感知、计算与优化控制等任务，从而达到配电网的智能化。虽然目前配电网的基础设施建设已日趋完善，但在配电网智能化的大背景下，现有配电网应用中的计算架构与海量、分布式数据资源及业务智能化需求之间的不适应性，仍是制约配电网未来发展的主要矛盾[3]。如何利用先进信息技术开展适用于配电网的智能化计算架构研究，进而实现物理配电网与信息网的融合，现已成为未来配电网智能化建设的一项主要研究课题。

1 配电网建设面临的挑战

配电网点多面广、数据海量且分布分散，其感知水平、数据质量与主干电网存在较大差距[4]。同时，未来大量分布式电源、电动汽车充电等新型业务需求，必然对配电网的计算能力和智能程度提出更高要求，而这些问题正是目前配电网面临的最大挑战。

1.1 海量分布式数据源

配电网面向广大的用电客户，不仅点多面广过于分散，而且每天都在产生海量的数据。这就决定了与配电网业务有关的计算需求所面对的数据源是海量且分散的，尤其是随着配电物联网建设的深入，各类传感器和采集监控终端所获取的数据更是呈现爆发式增长，如果将这些海量数据接入到统一的计算平台，将会对系统的通信和处理能力造成巨大压力。

1.2 联网覆盖率和数据质量

当前配电网感知水平与主干电网相比还有一定差距，数据质量也同样存在问题。在目前的信息技术水平下，无法利用现有数据对配电网进行全面且有效地计算处理。如果不对现有信息处理技术进行改进，势必要投入大量的人力物力来提升电力设备联网覆盖率和数据质量，这对电网企业的经营发展来说无疑是个沉重负担。

1.3 电力设备的智能化

以往的电力设备更多的是承担电网状态采集、监控、传输以及简单的就地控制功能，而现在以及未来的电力设备将更加智能化，这些设备本身就具有一定的计算能力，它们的计算资源应该如何统筹规划，以及如何与整个配电网系统的计算能力相结合，也是目前配电网智能化设计和建设的一大难题。

2 未来配电网建设的需求

由于现实发展的需要，智能配电网的建设已变得越来越紧迫，而计算能力和智能化程度又是其中非常关键的环节，当前亟需设计一套新的计算框架与相关技术来满足未来配电网建设的需要。

2.1 边缘计算的需求

为应对海量分布式数据接入，缓解集中式计算给系统通信和存储带来的压力，应采取边缘计算的架构设计，将云计算转化为边缘计算，将计算节点向数据源节点转移，从而实现应用功能的下沉，满足新型业务的需要[5]。同时，还要对原有业务进行重新划分，选取地理位置接近，电气联系紧密的节点作为电网计算边缘，使内部业务功能独立完整，实现边缘自治与配电网的协调互动。

2.2 人工智能应用的需求

当前配电网正面临着感知能力不足和数据质量不高的挑战，传统计算方法无法进行有效地计算，而全面铺开的感知设施建设又需要大量的硬件设施投资。由于人工智能技术在配电网经济运行、用电行为分析等方面有着较为广阔的应用前景[6]，如果能借助人工智能相关技术和算法支持，就能在少量监测节点的情况下实现对配电网的全面感知。

3 配电网边缘智能平台

3.1 边缘智能总体架构设计

为支撑配电网智能化的建设，需要对现有运行的信息技术架构进行调整和设计，以满足未来配电网新型业务在计算、存储、网络、管理和人工智能支撑等方面的需求。为此，基于配电物联网的思想设计出云、网、边、端的四层总体架构，以支撑配电网边缘智能的应用程序运行[7]。

如图1 所示，与配电网、电网边缘和用户边缘相对应的支撑对象是云平台、边缘云和设备。从逻辑上讲，一个配电网由一整套架构进行支撑，一个电网边缘由一个边缘云进行支撑，边缘智能平台运行于边缘云上，边缘智能平台由边缘计算框架和人工智能平台两部分组成。用户边缘对应于智能电表和智能终端，它们可以自行管理业务应用所需的各类计算资源，并通过各种通信连接方式与边缘智能平台开展数据交互。

3.2 边缘计算框架选择

目前边缘计算领域涌现了大量的产品及框架，其中较常见的边缘计算框架包括：百度智能边缘BIE（BaiduIntelliEdge）、开源边缘计算框架KubeEdge、阿里物联网边缘计算LinkEdge 等[8]。百度智能边缘BIE 推行“端云一体”解决方案，它由智能边缘本地运行包、智能边缘云端管理套件组成，开源的KubeEdge则提供了模块化、容器化的轻量级边缘计算框架。阿里物联网边缘计算LinkEdge 是另一种可在智能设备上运行本地计算、消息通信、数据缓存等功能的软件框架，它可部署于不同量级的计算节点上，让其具备阿里云安全、存储、计算、人工智能等方面的能力。LinkEdge 不仅可以将边缘设备的数据同步到物联网云平台进行云端数据分析，实现接收云平台下发的指令进行控制操作，还可以运行规则或函数代码，在无需联网的情况下实现设备的本地联动及数据处理。由于LinkEdge比前两者更具优势，本文选择LinkEdge 作为配电网边缘智能平台的应用框架。

3.3 人工智能框架选择

目前英伟达、百度、阿里、腾讯等国内外企业都研发了各具特色的边缘人工智能框架及工具[9]。使用较为广泛的人工智能云 及 框 架 主 要 有：Nvida-docker、Openstack AI、ESCould AI 和Tensorflow。其中Nvida-docker 是目前应用最多的人工智能框架，由英伟达公司提供技术支持。Nvida-docker 是英伟达公司推出的基于 Docker 的GPU 虚拟化容器，它借助于Docker 实现了GPU 的容器化，提供了GPU 加速的应用部署，可支持应用程序容器化和隔离加速的能力，具有可部署到任何受支持的、可使用GPU 的基础架构上。由于Nvida-docker 更灵活一些，本文选择Nvida-docker 作为配电网边缘智能平台的人工智能框架。

4 边缘智能的相关算法

4.1 边缘动态拓扑获取

边缘动态拓扑获取主要分为边缘拓扑确定和边缘拓扑校验两个步骤。边缘拓扑确定的主要对象为变压器出线开关、分支线路上的分段开关与联络开关，这些开关会由于电网故障转供、计划检修、弹性负荷投切等原因而动态变化。通过边缘云与智能开关进行交互，实时监测电网内各开关的测量数据。

边缘动态拓扑校验是依托边缘云提供的电网采集数据和计算能力，对时变的边缘区域配电网电气拓扑结构进行准确辨识，实现通过边缘云与智能开关交互获取拓扑的反向校验，并为边缘区域内部状态感知提供基础。配电网拓扑变动较主干网而言更为频繁，边缘动态拓扑校验技术需要在边缘静态拓扑的基础上，从智能开关或配电自动化装置采集的数据中提取关键信息，完成对边缘静态拓扑的动态调整和纠错。如图2 所示，边缘动态拓扑校验首先需要以批处理或流处理的方式对采集到的多源异构数据进行合并、清洗、去噪。在此基础上，利用数学模型来反映边缘区域中网络的信息，将各种电气元件进行抽象化，用简化模型表示出实际的电气网络。从多时空尺度的边缘区域配电网测量数据中提取潜在特征，并分析这些特征与边缘动态之间的关联性，同时使用特征辨识技术从测量数据中挖掘出能够反映边缘拓扑变动规律的信息。通过选择适合的机器学习算法模型对提取特征与边缘动态拓扑的关系构建边缘拓扑模型，利用历史测量数据训练模型，不断修正和优化边缘拓扑模型的参数，提高该模型的精确度。训练好的模型在收到当前电网测量数据的情况下，结合先验网络信息完成边缘动态拓扑的反向校验。

4.2 边缘状态估计分析

在电网边缘中，内部区域自治的前提是要能够实现边缘内状态的估计。但对于区域配电网系统，其监测量的配置非常有限，边缘内部为不可观测状态，无法使用传统状态估计方法直接进行状态分析。若采用伪测量方法进行状态估计，精度较低且无法满足实际需求。配电网状态估计的本质是一个非参数非线性的回归问题，因而可以采用多元非线性拟合能力较强的神经网络。神经网络用于配电网状态计算既可在监测量缺失的情况下回归出可观测变量与待求变量间的非线性关系，而且还可以通过集成学习的方式实现在线计算。

如图3 所示，充分利用配电网中已有的大量智能电表历史数据，采用数据挖掘和机器学习算法，能够对配电网状态进行精确预测。利用大量智能电表历史数据进行预测，主要可分为两种方法：一种是采用数据挖掘和机器学习算法，预先训练电网边缘内部伪测量预测模型，通过该模型预测出当前运行状态下的伪测量信息，使边缘内部达到可观测性条件，再采用传统状态估计器进行边缘状态估计。另一种是采用数据挖掘和机器学习算法，直接训练出边缘内测量数据和状态变量之间的映射关系，在实际运行过程中通过预训练的模型直接预测出系统状态变量值，从而实现边缘状态的估计分析。

5 边缘计算的应用场景

5.1 线路阻抗参数的辨识

配电网的线路阻抗分析主要是研究低压线路的阻抗参数，通过辨识这些参数来评估线路在长期运行时的老化情况。根据边缘动态拓扑的辨识结果，将电气图模中的各连接节点两两组合，并对电网各支路进行解耦，生成各节点间分支线路的电压降推导公式，构建基于机器学习算法的线路阻抗参数辨识模型，从而以数据驱动的方式实现边缘区域运行态网络元件参数的可观测。线路阻抗参数辨识模型在训练时，会不断从配电网运行数据中学习变量之间的潜在关系，利用学习到的经验值改善参数辨识的准确度。随着采集到数据的逐渐累积，辨识的效果也会不断改善，并不断逼近于配电网实际线路阻抗参数的近似值。

电网边缘内的线路阻抗参数还要以线路上电气元件的连接关系为基础，利用采集电网边缘内配电变压器运行的数据样本，通过数据驱动的方法得到线路阻抗参数的计算结果。配电网线路的段首和末端必须配置测量装置采集各类数据。边缘云需为这些多源异构数据提供接入、存储和分析的环境，并需要提供对数据进行有效处理与管理的工具。考虑到在参数辨识过程中存在未知的情况，且获取证据的过程存在可能的误差，因此需要解决这些因素带来的不确定性。目前电力生产管理系统中存储的线路参数多为静态参数，没有考虑到极端天气或运行状态下线路参数的变化，基于机器学习算法的线路阻抗参数辨识方法需要考虑综合环境对线路阻抗参数的影响，考虑的环境因素包括但不限于配电网运行状态、外部环境温度、外部环境湿度等。在运行环境和运行状态可观测的情况下，可以使用动态贝叶斯网络（Dynamic Bayesian Network, DBN）等方法来构建概率图模型，将真实情况转化为概率分布完成不确定性的量化，完成线路阻抗参数的辨识。

5.2 低压用电负荷的预测

低压用电负荷预测模型需要考虑除时间序列外影响负荷的因素包括：气候因素（如寒潮、热波）、季节因素、节假日等特殊日、天气因素（如气温、湿度）、用户类型、历史负荷等影响因素[10]。传统的短期负荷预测方法无法计及气象等因素的影响，缺乏自主学习的能力。根据不同类型负荷在较短周期内存在较大的差异性这一特点，可以使用人工智能算法对负荷进行分类并预测，从而提高预测的准确度。人工智能算法对低压用电负荷分类并预测的技术方案如图4 所示。

在电网边缘提供的数据资源基础上，利用边缘云的计算能力对采集到智能电表数据、气象数据等多源数据进行融合、预处理、去噪，降低随机波动或传感器误差对机器学习模型预测精度的影响，为机器学习模型提供数据基础。综合考虑GIS 信息，依据聚类评价指标，选择最实用的聚类分析方法，根据海量负荷数据建立自适应的负荷聚类模型，对配电网中各配变负荷按照其波动规律进行聚类，依据聚类结果计算出每一类负荷的典型曲线，从负荷曲线中解构出负荷差异性较大的用电成分（商业负荷、工业负荷、居民负荷、农业负荷等）。综合考虑不同类别负荷的波动规律与对应类别负荷所在区域的配电自动化装置的覆盖密度，可以制定出不同类型的短期负荷预测方案。

6 结束语

本文从介绍配电网建设的背景出发，首先分析了当前配电网在智能化过程中面临的挑战和对计算能力的需求，在此基础上提出结合人工智能技术的配电网边缘智能平台，其次阐述了边缘动态拓扑获取、边缘状态估计分析两种边缘智能算法的设计思路，最后分别对使用此平台的线路阻抗参数的辨识、低压用电负荷的预测两个应用场景进行了讨论。未来可以基于该边缘智能平台实现配电网与信息网的深度融合与数据共享，更好地支撑配电网智能化的建设。