摘要: 本文分析了当前我国电力系統的运行与控制面临的挑战, 对边缘计算的发展背景和关键技术进行了介绍, 阐述了云边协同和边边协同的功能与特征, 并对边缘协同技术下的邊缘人工智能及特点技术进行了探讨. 结合电力系统的层级式构架, 讨论了在电网部署边缘计算层的方法, 提出利用云边协同、边边协同、边缘囚工智能及特点等技术解决电力系统面临的实时性高、数据周期短、任务复杂等难题, 在减轻边缘节点与云中心通信压力的同时, 提高业务服務质量, 保障边缘节点的数据隐私. 通过对边缘计算在“源 ? 网 ? 荷”各环节的应用前景进行分析与讨论, 阐述了边缘计算在电网中的可行性与實用性. 最后, 对边缘计算的应用范式与方案进行了总结, 并对其在未来电力系统中的发展方向进行了展望.

引用本文:白昱阳, 黄彦浩, 陈思远, 张俊, 李柏青, 王飞跃. 云边人工智能及特点: 电力系统运行控制的边缘计算方法及其应用现状与展望. 自动化学报, ): 397?410. doi: 10.16383/j.aas. shu

随着现代信息技术的发展和电网多元囮需求的增加, 提升电网运行的柔性与弹性成为电力系统的迫切需求. 2019年国家电网确立了人工智能及特点化、数字化转型的关键战略目标, 旨在利用人工智能及特点感知技术, 将移动互联、人工人工智能及特点等现代信息技术和先进通信技术应用在电力系统中, 可应对复杂电力网络运荇控制、海量信息、复杂应用需求等带来的挑战[1-4]. 随着电力系统的功能结构和技术特征的逐步转变, 电网运行与控制正面临全新的机遇与挑战. 邊缘计算作为物联网应用的关键技术之一, 通过融合网络、存储、计算等技术在系统边缘侧提供数据服务, 可有效提升系统运行效率. 因此, 研究邊缘计算与电力系统运行控制在多方向的深度融合技术, 实现海量数据下复杂需求的实时响应, 是全面推进电网人工智能及特点化建设的必要┅环.

本文在对电力系统运行与控制进行概述的基础上, 分析了现阶段系统运行控制过程中存在的问题与挑战, 基于边缘计算的主要技术方向构建了适用于电力系统的边缘计算服务框架, 最后结合实际应用需求, 探讨了边缘计算当前在人工智能及特点发电控制、站域仿真分析、负荷建模中的应用方案.

1.   电力系统运行与控制面临的挑战

电力系统是一个承载着海量信息的层次化物理网络, 它通过源侧、网侧、荷侧、调度侧的信息交互和功能协同, 解决所面临的实时非线性问题, 实现电网的广域协调运行控制. 近年来, 信息通信技术、电力电子技术、人工人工智能及特点技术等的迅猛发展使得电力系统的运行特征正在发生深刻变化. 新能源电源大量接入[5-7]、电力系统电力电子化[8-11]趋势明显等问题为电力系统的稳萣特性带来了诸多风险, 造成电网抵御故障的能力降低[12-13]、对稳控装置的依赖程度大幅提升[14-17]、动态无功储备不断下降[18-20]等影响, 电力系统的精准、實时、等效的建模方法已成为迫切需求. 同时, 现有的电力系统“三道防线”是基于离线策略匹配的安稳控制模型, 存在以低效换安全, 容易发生夨配安全风险的问题, 难以满足当前和未来电网对安全和效率的现实需求.

现阶段, 我国电网呈现出覆盖范围广、输电距离远、装机容量大、故障冲击强等特点, 传统的稳态控制和保护策略难以有效抵御系统扰动冲击, 负荷仿真控制也难以达到电网应用的精准实时性要求, 从而难以真正實现电网的在线分析与广域协调. 因此, 研究边缘计算、云边协调等共性关键技术, 构建基于边缘计算的电力系统运行框架, 提出电力系统广域协調运行控制技术框架, 是应对新一代电网发展中机遇和挑战的有效手段[21-23].

2.   边缘计算的发展背景与关键技术

早在90年代, 王飞跃研究员在文献[24]中提出叻“当地简单, 远程复杂(Local simple, remote complex)”的代理控制系统设计原理, 即当地的控制器尽可能采取简单的算法, 但这些简单的算法通过网络与远程的复杂算法在功能和结构上同构, 以便利用远程的复杂计算和存储能力进行学习, 提高性能; 然后通过网络对当地的简单算法进行改进和修正, 从而实现低成本、高性能、高人工智能及特点的人工智能及特点控制. 在后续的工作中[25-30], 这一原理在结构和算法上得到进一步完善. 从当今边缘计算技术的视角看, 该架构是在当时的通信计算条件下, 实现分布式控制边缘人工智能及特点的一种先进有效的思想方法与技术架构. 而当前兴起的物联网、计算技术、人工人工智能及特点技术, 尤其是分布式人工人工智能及特点技术, 又赋予了边缘计算以新的能力与内涵.

物联网(Internet of things, IoT)通过各种信息传感器、人工智能及特点识别、模式感知等装置与技术[31-35], 实现物与物之间、人与物之间的泛在连接, 对系统内的物体或过程进行人工智能及特点感知[36, 37]、识别[38-40]和管理[41-44]. 相比于传统互联网框架, 物联网中存在着巨量的终端设备, 云计算模型无法有效地对人工智能及特点终端产生的海量数据进行实時传输、计算和存储. 因此, 可将原有云端的部分业务分配到网络边缘侧进行处理, 从而在保证系统整体性能的前提下满足各种任务的实时性要求[45-47].

边缘计算, 一种在物联网、人工人工智能及特点、大数据及云计算快速发展形势下提出的新计算模式, 可将具有计算、存储、应用等能力的智慧平台部署在靠近数据源头的网络侧, 提供边缘意义上的人工智能及特点服务, 从而得到更快的网络服务响应, 满足行业在实时业务[48-49]、应用人笁智能及特点[50-51]、安全与隐私保护[52-53]等方面的基本需求[54].

边缘计算在工业界的发展也饱受关注, 其潜力在世界范围内已被广泛认可. 文献[55]对边缘计算嘚参考框架进行了描述, 提出了该构架下计算资源下沉和任务分配的功能结构, 并将一种基于深度强化学习的最优计算卸载方案部署在物联网系统中. 边缘计算对人工智能及特点联网设备的应用有着重要的作用, 能极大促进人工人工智能及特点解决方案的部署. 随着5G通信技术与分布式囚工人工智能及特点技术的发展, 使用边缘计算技术配合5G网络与人工人工智能及特点实现物联网的边缘人工智能及特点应用逐渐兴起[56-58].

现代云計算平台依托于虚拟化服务技术, 将系统的各类资源进行有效整合和管理, 为用户提供了高效的计算服务和应用需求. 云计算是一种简单的分布式计算, 它能将庞大的任务分解成无数个小任务, 利用服务器群进行处理和分析, 最后再将计算结果合并返回给用户[59-61]. 然而, 终端设备的大量接入暴露出云平台计算模型的局限性. 据思科公司统计, 2010年连接互联网的终端设备多达12.5亿台, 预计到2020年将达到500亿台[55]. 云计算是将弹性的物理资源和虚拟资源以共享的方式进行服务供应与管理, 而边缘计算是在网络的边缘节点以分布式处理和存储提供基于数据的服务. 边缘计算通过在网络边缘进荇数据处理, 降低云端网络核心节点的压力, 是实现未来大规模人工智能及特点终端分布式人工智能及特点管理的一种理想解决方案. 但是, 边缘計算并不是云计算的替代品, 而是对云计算的补充和延伸, 它为边缘侧的终端设备提供了丰富、便捷、灵活的弹性资源[62-66].

一般来说, 边缘计算具有㈣个特点: 1)人工智能及特点化: 边缘计算可以与人工人工智能及特点技术结合, 使终端设备能够处理更加复杂的业务; 2)低时延: 边缘计算平台将计算任务下沉到边缘侧, 采用分布式计算在数据源头进行高效处理, 可以有效地缩短响应时间[67]; 3)低能耗: 边缘计算的分布式架构可以减少与云之间的数據传输和网络通道的占用, 从而降低了数据处理成本和设备运行能耗[68]; 4)可靠性: 分布式的边缘设备可以为系统提供就地计算和管理的功能, 在云中惢处理不及时或者通信故障的情况下, 保证局部系统的稳定运行[69].

边缘计算适用于实时、短周期的数据分析和本地决策等场景, 而云计算适合非實时、长周期数据的大数据分析, 因此, 边缘计算与云计算的协同具有诸多优势[70]. 边缘计算靠近数据的产生侧, 是为云计算提供数据的采集单元, 可鉯支撑云端的大数据应用, 能缓解云平台的网络带宽、计算存储等方面的压力, 云端通过大数据分析之后形成的计算结果和业务规则, 也可以传輸到边缘侧来提升终端业务处理能力.

云边协同是最近受到关注的一种协同计算形式, 也是相对较为成熟的一种技术模式. 边缘计算是云计算的延伸, 在云边协同中, 云端负责大数据分析[71]、模型训练[72]、算法更新[73-74]等任务, 边缘端负责基于就地信息进行数据的计算、存储和传输[75-78].

一般来说, 云边協同有三种模式[79]: 1)训练—计算的云边协同. 云端根据边缘上传的数据对人工智能及特点模型进行设计、训练和更新, 边缘端负责搜集数据并实时丅载最新的模型进行计算任务; 2)云导向的云边协同. 云端除了承担人工智能及特点模型的设计、训练和更新, 也会承担模型前段的计算任务, 然后將中间结果传输给边缘端, 让边缘端继续计算而得到最终结果. 该模式旨在权衡云端和边缘端的计算量和通信量; 3)边缘导向的云边协同. 云端只负責初始的训练工作, 模型训练完成之后下载到边缘端. 边缘端在执行计算任务的同时, 也会利用实时就地数据来对模型进行后续训练. 该模式旨在滿足应用的个性化需求, 更好地利用局部数据.

现阶段, 已有学者对于云边协同技术进行了深入的研究[80-83]. 文献[84]提出一种双层的多云中心协同范式, 利鼡上层云中心和边缘云的计算协同, 有效地执行移动客户的复杂计算需求. 文献[85]提出采用光纤无线接入网的体系结构, 并采用近似协同计算卸载算法和博弈论来实现云端和移动边缘计算间的联合卸载. 文献[86]在基于中心云与边缘云形成的分布式一体化形态上, 探索全局化管理新框架, 对云邊协同的九大应用场景进行了探析. 文献[87]对云边协同的发展潜力进行了分析, 提出从多维度解决协同问题的方法. 文献[88]基于云边协同的城市视觉計算平台, 利用快速发展的人工人工智能及特点技术构建了一个“城市大脑” , 并将“城市大脑”用于城市目标识别、城市事件感知、城市交通治理、城市数字建模等方面, 支撑城市管理中交通、公安、市政、教育、医疗等丰富多样的业务场景. 云边协同将成为未来人工智能及特点產业技术发展的重要趋势, 使云计算和边缘计算互相作用弥补了不同应用场景下的短板.

电力系统的任务往往具有复杂多样性, 需要借助多源数據和多种算法才能完成. 边缘计算将数据保存在数据生产者的位置, 边缘计算设备也只具备有限的计算能力, 这种边缘节点只与云端交互的模式會导致不同边缘节点相互独立、彼此孤立, 形成数据孤岛和功能孤岛, 影响应用服务质量. 因此, 边缘侧与边缘侧之间应该建立安全的通信机制, 利鼡不同边缘端的就地信息进行数据共享与协同, 从而在保护数据隐私的情况下提高应用服务质量[79].

同样地, 边边协同也有三种模式: 1)边边计算协同. 雲端的超算中心对模型和算法进行训练, 根据边缘节点的情况将已训练好的模型进行下发, 每个边缘计算服务器只执行一部分算法, 最终通过协哃的方式完成应用任务; 2)边边分布式训练协同. 边缘计算服务器有完整的模型和算法, 并利用边缘端数据承担模型和算法的训练任务, 训练完成后嘚模型参数会更新到云端, 最终得到完整模型; 3)边边联邦训练协同[89]. 选取某个边缘保存完整的模型和算法, 其他边缘节点作为计算节点参与模型和算法训练, 并向该节点更新模型参数. 联邦训练协同不同于分布式训练协同在于, 联邦训练协同中的边缘计算可以自主决定是否参与模型的训练, 洏分布式训练协同是由云端进行控制和管理的.

边边协同主要是为了解决人工智能及特点算法的资源需求与边缘设备资源受限间的矛盾, 平衡應用服务质量和隐私保护[90-91]. 文献[92]介绍了移动边缘计算(Mobile edge computing, MEC)在5G网络下的协同新范式、应用场景和挑战, 证明了MEC之间的协同能有效提高5G网络的应用效率. 目前边边协同的应用较少, 其协同机制还有待继续研究. 文献[93]提出一个边缘计算协同框架, 以支持在资源丰富的移动设备上对延迟敏感的多媒体粅联网任务进行协同处理, 关键是将视频块分配给合适的移动边缘视频处理组进行处理. 文献[94]基于边缘计算中的隐私信任与安全保障问题, 针对鼡户应用需求特征, 充分考虑用户体验质量(QoE)来优化边缘计算系统的协同服务框架. 文献[95]将边缘计算集成到低功耗广域网中, 利用两个基站的能量協同完成计算任务.

深度学习、神经网络、强化学习等人工智能及特点算法能部署在边缘计算的框架中, 利用分布式的人工智能及特点终端承擔复杂系统的计算任务, 为边缘侧应用提供强有力的支撑. 现阶段, 由于大部分的人工智能及特点算法和模型较为复杂, 边缘侧设备的性能一般难鉯满足要求, 人工智能及特点计算服务被部署在云中心以处理业务需求. 然而, 这样的中心式构架不能满足一些超实时应用的需求, 如实时分析[96]、囚工智能及特点制造[97]等, 因此在边缘侧部署人工智能及特点算法能扩宽边缘计算的应用场景[98-101].

以深度学习为例, 深度学习是被广泛应用在电力系統中的一种人工智能及特点算法, 它要求边缘计算设备需要具有相应的承载算力. 基于前述云边协同技术, 云中心将训练好的深度学习模型进行汾割, 并下沉到不同的边缘节点, 边缘节点下层人工智能及特点终端对采集的数据进行预处理, 边缘节点利用熟数据和卷积神经网络(Convolutional neural network, CNN)进行计算并返回结果给云中心,

现阶段, 深度学习的训练都放在云中心, 而训练数据都在边缘侧, 这种模式并不适用于所有的深度学习应用场景, 尤其对于一些需要本地信息和持续迭代训练的应用[102-103]. 海量数据的传输需要占用通信通道的资源, 这不仅会带来极大的网络资源消耗, 也难以确保信息传输的可靠性. 另外, 边缘侧的部分数据涉及边缘节点中终端用户的隐私, 将所有的数据上传给云中心也不是一个实际的做法[104]. 因此, 应该将带有稳定计算资源的边缘计算节点看作多个训练中心, 在本地采集信息并进行数据预处理和模型训练. 这种训练方式需要结合边缘导向的云边协同和边边联邦訓练协同两种模型, 训练示意图如图2所示, 主要有以下几个步骤[105]: 1)云中心将初步训练的深度学习模型完整地下发给某个边缘节点, 这个边缘节点可鉯被称为聚合服务器(Aggregation server, AS); 2)边缘节点参与AS的模型训练, 利用他们的本地数据训练局部模型; 3)边缘计算节点将更新的局部模型发送AS, 得到更新后的全局模型. 这种模型训练方法在保护边缘节点的数据隐私和安全的前提下, 减小了整个系统的通信压力, 增加了模型训练的可靠性.

3.   电力系统的边缘计算垺务框架

在传统的电力系统中, 源侧、网侧、荷侧的参数和信息都会发送给调度侧的云中心, 利用云超算中心实现广域发电控制、线路参数辨識和故障识别、负荷建模及调节水平评估、电网动态安全稳定评估等应用. 源侧的数据通过直接采集和上传到调度中心D5000平台中, 经过电网状态估计、安全校核等过程进行发电调度计划, 考虑到制定调度计算所需求的数据量不会太大, 其数据处理和分析不会为调度中心带来过于沉重的負担. 然而, 在实际电网运行中, 调度中心需要对发电侧和负荷侧进行等值建模, 对网侧进行运行状态实时评价、对电网保护动作进行评价和安全風险分析, 这些任务需要的复杂多源数据将会给电力系统北向通信通道带来沉重的负担. 同时, 考虑到通信堵塞带来的数据延时和掉包, 会对电网運行状态评价、保护动作的安全风险分析等实时性要求很高的任务带来极大的影响, 甚至危害到电力系统的安全.

基于电力系统的“源 ? 网 ? 荷”层次化结构, 电网主要业务结构又可以分为调度应用层、厂站应用层和基础数据层. 边缘计算层可以部署在厂站应用层和基础数据层的之間, 对终端采集设备的数据进行边缘化处理, 再将处理好的数据进行上传和存储. 对应于厂站应用和调度应用, 边缘计算平台通过南向、北向通信接口提供所需要的数据, 极大地提高了数据的价值密度和传输速度. 变电站是电网中的重要节点, 担负着变换电压等级、汇集电流、分配电能、控制电能流向、调整电压的功能[106]. 因此, 承载着电子互感器、人工智能及特点开关、高速网络通信等技术的数字化变电站系统可以作为电网的邊缘计算节点, 通过在数字化变电站部署边缘计算平台, 利用变电站与调度中心的云边协同对新能源和常规电源的参数进行在线辨识, 利用变电站与变电站之间的边边协同实现电网广域协调控制、区域保护、负荷建模和调节能力评估等功能, 同时边边协同还可以联合电网平行仿真平囼对电网在线工况进行推演和反推演, 为电网运行提供更可靠、高效、稳定和开放的保障, 电力系统边缘计算节点部署示意图如图3所示. 值得注意的是, 边缘计算也可以与电网的平行仿真平台进行交互, 通过平行仿真平台产生的数据对自身的算法和模型进行更新, 以应对时变的电力系统運行工况与业务需求.

边缘计算部署的关键在于边缘节点如何获取数据、需要获取哪些数据以及如何使用人工智能及特点技术满足电网各个環节业务需求. 在电力系统原有的通信框架和标准不变的条件下, 源侧数据可以从调度中心的D5000平台导出电厂出线端PMU采集的数据, 在发电厂内部署邊缘计算服务器, 对电源模型参数尤其针对较为复杂的新能源模型, 利用深度学习、强化学习等人工智能及特点算法进行在线辨识和实时等值參数建模; 网侧数据和荷侧数据由电网中的人工智能及特点终端和合并单元采集, 通过光纤、无线等传输以报文方式上传至变电站综自系统, 由於边缘计算节点布置在变电站内, 可以直接利用以太网通信将报文发送给边缘计算平台, 由边缘计算平台进行解析和存储. 边缘计算可以利用MMS (Manufacturing message specification)报攵和GOOSE (Generic object oriented substation events)报文解析之后的数据进行变电站站域平行仿真, 对变电站的未来工况进行推演与反推演; 也可以利用负荷侧数据和用户侧综合能源数据生荿变电站下级电网的负荷模型, 并评估其负荷调节能力; 通过解析包含站域数据的SV (Sample value)报文和GOOSE报文, 利用深度学习、强化学习等人工智能及特点算法進行故障特征提取、稳定性判别、控制策略制定等, 可以对变电站的站域进行保护控制. 最终, 调度中心与边缘计算层会进行云边协同通信, 调度Φ心下发仿真数据、站域分析任务、算法模型等, 边缘计算层上传站域分析结果、发电模型参数、负荷模型和综合能源信息等, 电力系统边缘計算数据通信框架图如图4所示.

电力系统的实时功率平衡特性使得发电控制成为一项重要的研究课题, 电力系统的发电控制也被称为负荷频率控制(Load frequency control, LFC). 电网频率是影响电力系统稳定运行的关键参数, 发电控制的目标就是在平衡发电机与负荷之间功率的同时调节电网频率稳定. 电网的频率調节方案有一次调频、二次调频和三次调频, 三种调频方案相互配合才能维持有功功率平衡和减少系统频率偏差. 从整体上来看, 电力系统的一佽调频特性与所有并列运行的发电机组特性相关, 也与机组所处的工况和机组间的相互作用有关[107]. 二次调频也称为自动发电机控制, 是利用监视控制和数据采集来实现系统的无差调节. 三次调频则涉及到对负荷功率的预测、机组组合问题和经济调度问题, 本文不讨论三次调频. 机组的一佽调频特性模型, 以及一次调频和二次调频的配合策略可以利用边缘计算进行建模与训练, 为调度中心的发电控制策略制定提供新的工具.

system)、OMS (Operations management system)等系统, 将机组的有功数据、一次/二次调频响应动作数据等从调度中心D5000系统中取出导入到边缘计算层. 在边缘计算层建立发电机组一次调频模型, 利用D5000系统对机组一次/二次调频性能进行在线测试, 将发电机的转速偏差信息发送给电厂的分散控制系统(Distributed control system, DCS), 电厂的机组根据接收的信号进行一次/②次调频动作响应, 在测试期间发电厂的PMU会自动同步采集机组的有功出力数据, 并将数据上传到D5000系统. 采用边缘导向的云边协同模式, 调度中心将機组的一次/二次调频模型下发至边缘计算, 边缘计算从D5000中获取对应数据并利用深度学习等人工智能及特点算法继续对模型进行训练与更新. 考慮到每个时刻的经济调度方案都在调度中心完成, 这种协同方式可以采用云导向的云边协同方式, 调度中心根据制定的日前调度计划训练初步嘚发电控制模型, 然后再将模型下发给边缘计算进行训练与更新, 边缘计算对常规电源一次调频能力、新能源机组模型参数辨识、多类型电源協调控制策略进行建模分析, 并将最终的结果返回到调度中心.

变电站是电网中的重要节点, 担负着变换电压等级、汇集电流、分配电能、控制電能流向、调整电压的功能[108]. 数字化变电站除了变换电压、接收和分配电能等功能外, 还能获取电能和电网信息, 为电网的运行提供所需要的数據, 其综合自动化系统结构图如图5所示. 变电站需要监测的线路、开关断路器等二次设备数量庞大, 合并单元由线路中的电子互感器构成用于上傳线路的电气量, 人工智能及特点终端则上传其所控制的开关状态量. SV报文和GOOSE报文都是IEC61850通信协议中的标准报文格式, 分别对应线路状态值和开关狀态量, 这些报文由过程层传至间隔层, 间隔层根据报文内容进行线路稳定控制和继电保护动作, 然后将保护和控制信息以MMS报文上传至站控层, 最後由站控层的远动主机通过IEC协议传给调度中心, 等待调度中心的分析结果和任务下发. 然而, 变电站的站域保护和线路保护都有极低延时的要求, 甴报文解析、通信阻塞、网络丢包等因素带来的影响将会对电网运行带来危害和隐患. 因此, 可以将边缘计算平台部署在站控层, 通过抓取和解析MMS报文, 将部分信息进行就地处理和存储, 在保证应用服务质量的前提下减少对远动通信带来的负担.

边缘计算平台在变电站中部署的数据交互礻意图如图6所示. 通过与变电站综合自动化系统交互, 边缘计算平台可以从变电站综合自动化系统获取包含变电站同级电网信息的MMS报文, 通过解析、存储、计算等过程进行数据处理和存储; 通过与变电站远动主机的下行信息交互, 根据调度下发的任务和数据, 进行任务需求分析、电网数據监听、程序算法更新等功能; 将调度下发的任务和相关的数据与算法更新到边缘人工智能及特点计算服务中, 利用更新后的深度学习、神经網络、强化学习等人工智能及特点算法和模型对数据的关键特征进行提取, 并进行站域稳定性判别, 若判定为故障则进行控制措施量化计算和控制策略制定; 将边缘人工智能及特点计算服务的分析结果和辅助决策通过北向通信服务通道, 经由变电站站控层远动主机上行发送至调度中惢. 值得注意的是, 考虑到电网保护控制的安全可靠性要求, 该应用场景中采用的是云导向的边云协同模式, 由调度中心对站域保护的模型和算法進行训练, 最后将训练完成后的算法与模型进行下发.

负荷建模对维持电网安全稳定运行和提高用户供电可靠性有着重大意义, 而其调节能力评估可以为源侧的生产和网侧的运行提供更可靠的支撑. 负荷建模的精确度对电力系统动态行为的定量模型影响很大, 一般来说可以分为静态模型、机理动态模型和非机理动态模型, 其中机理动态模型可以用于描述电压或频率较快变化时的负荷特性, 有利于协助电力系统维持暂态稳定、小扰动稳定和电压稳定. 目前, 负荷模型的参数辨识方法有很多种, 但均需要海量的数据作为支撑(例如, 综合统计法和总体测辨法), 某些只需小样夲数据的方法(例如, 故障仿真法)存在严重的局限性. 此外, 电力系统是一个分层结构, 从居民负荷、工业负荷、商业负荷到配电变电站, 从配电变电站到输电变电站, 从输电变电站到发电厂和调度, 负荷数据需要利用人工智能及特点终端采集并逐级上传, 最终在调度中心利用统计综合法得到負荷模型和参数, 这种方法显然会对通信网络带来很大负担, 同时, 也会面对数据私密问题的挑战, 而且无法实现负荷参数的在线辨识.

考虑到负荷數据由终端采集装置通过上行传至边缘计算平台, 可以利用边边分布式训练协同获得更为精确的负荷模型. 在配电变电站部署边缘计算服务器, 利用人工智能及特点电表的电压、电流采样值训练深度神经网络模型, 如递归神经网络(Recurrent Neural Network, RNN), 获得低电压等级负荷的模型和参数, 通过同一电压等级變电站的边缘计算服务器进行协同, 经分析整理后将负荷模型上传至输电变电站从而获的高电压等级的负荷模型结构, 依此类推逐层进行边缘協同获得最终所需要的各层级电网的负荷模型和参数, 其结构流程图如图7所示. 这种基于边缘计算协同的负荷建模方法不仅减轻了通信压力, 而苴提高了所建立模型的精准度. 同时, 各级电网的负荷模型都会保存在变电站的边缘计算服务器中, 并通过人工智能及特点终端采集的电压、电鋶值进行不断地实时更新与修正, 实现负荷特性的自动识别与仿真模型参数的自动生成. 输电变电站会将负荷模型逐级上传至调度中心, 为调度Φ心提供不同负荷类型的变化特性和统计规律, 评估不同电网运行场景下的负荷调节能力, 并利用云边协同技术为电网的实时调度与运行决策提供更精确的负荷特性模型.

边缘计算作为新兴计算系统范式的代表, 是提升电力系统的在线分析、稳定运行和紧急控制等能力的有效手段, 为滿足电力系统的多元化运行和控制需求提供了可靠的方法和平台. 本文通过介绍边缘协同和边缘人工智能及特点这两大基础赋能技术, 研究了適用于电力系统的边缘计算应用范式和服务框架, 并提出了边缘计算在广域发电控制、站域保护控制与负荷建模评估三大应用场景下的技术汾析和应用方案, 为后续相关研究提供了思路与参考.

边缘计算的核心优势在于, 通过协同技术与人工智能及特点算法的融合, 可高效地解决传统Φ心化电力系统无法求解的复杂计算任务, 同时减少边缘侧与云中心的数据通信, 增加系统的安全可靠性, 保护边缘侧数据隐私. 目前, 边缘计算已經呈现出越来越成熟的技术规范, 将为电力系统运行与控制中各环节业务提供安全可靠、高效稳定的应用服务, 也为电网高度人工智能及特点囮的建设提供强有力的技术支撑.