蘇江文,黃曉光,張 垚,陳江海

(1.福建億榕信息技術有限公司,福建 福州 350003)

(2.國網信息通信產業(yè)集團有限公司,北京 100052)

隨著配電物聯(lián)網建設的推進,越來越多的配電設備、電氣傳感器等接入到配電網中,產生了海量的異構數據[1]。配電網數據的采集、傳輸以及數據分析給信道通信和主站存儲帶來巨大壓力,傳統(tǒng)數據傳輸和處理能力難以滿足龐大的數據處理要求,導致電網系統(tǒng)工作效率低下,甚至影響到供電的安全可靠性[2]。邊緣計算將存儲計算能力下沉至數據源頭、網絡邊緣來降低網絡阻塞導致的高時延,實現(xiàn)對終端請求的快速響應和數據實時處理,減少云計算中心的壓力[3]。目前邊緣計算在能效管理、智能制造、預測維護等方面得到深入的應用[4-6]。如基于邊緣計算的分布式能源管理系統(tǒng)的異構數據互聯(lián),有效提高了業(yè)務響應實時性,并可以與云端協(xié)同優(yōu)化云端模型[7];基于局域邊緣計算建立分層自治協(xié)同的配電網信息物理系統(tǒng)模型,有效提高了互聯(lián)網數據傳輸、分析的效率和安全性[8];通過邊緣計算對配電系統(tǒng)運行狀態(tài)進行實時監(jiān)測,對智能配電系統(tǒng)中信息傳感器、智能電容、換向開關等智能設備數據進行采集和監(jiān)控,實現(xiàn)配電網負荷的智能化調配[9]。

本文基于云主站和邊緣計算技術建立了一種電力數據存儲和算例優(yōu)化模型。根據邊緣計算結構進行標準框架劃分,同時對邊緣任務卸載和資源分配算法進行優(yōu)化來提升數據處理效率,通過引入“云端協(xié)同”機制實現(xiàn)計算節(jié)點和云端數據內、外部交互協(xié)同處理,最后將模型應用于實際場景,驗證了模型的有效性。

1 配電網邊緣計算架構

圖1所示為面向配電網的邊緣計算模型架構。根據節(jié)點設計,邊緣計算模型包括服務設施層(EC-laaS)、軟件層(EC-PaaS)和平臺服務層(EC-SaaS)構成的邊側,端側設備構成的端側和云主站構成的云側。

圖1 邊緣計算模型架構

位于邊側的管理端負責邊緣計算節(jié)點軟件升級、口令配置、日志審計、用戶設置等,并支持系統(tǒng)狀態(tài)監(jiān)測、查詢。邊側安全端負責審查數據訪問權限、軟件升級時數據來源的合法性和完整性驗證。

端側設備主要包括布置在邊緣終端的數據采集設備、信號采集設備。

EC-IaaS服務設施層,為邊緣智能配電業(yè)務提供統(tǒng)一的數據傳輸、存儲、計算服務。作為邊緣計算基礎開放平臺,EC-IaaS層包括硬件平臺、操作系統(tǒng)、AI 引擎及各類軟件等。

EC-PaaS層為軟件層,為各類軟件提供數據交互和管理功能,提供各類應用服務、數據存儲、消息和時間等元件的運行環(huán)境。同時為滿足配電網設備“即插即用”技術需求,為其他設備提供基層服務。

EC-SaaS平臺服務層,是配電網邊緣計算功能應用的具體方式。EC-SaaS層根據電力業(yè)務需求,通過數據采集和數據云端協(xié)同滿足運維和用電需求,其中,數據交互中心作為邊緣計算重要組成部分,為配電業(yè)務相關數據采集、處理、位輸、計算提供實時數據代理服務。

云主站為布置在中心節(jié)點的云服務器,主要進行數據的存儲、分析,各項指令下發(fā)。

2 邊云協(xié)同機制

在邊緣計算模型中,由于終端設備產生的數據信息密度低,僅依靠云計算中心處理會造成云計算中心高負荷、高延時問題,難以滿足數據分析、處理、響應的實時性要求,而邊緣計算端由于布置的數據處理節(jié)點有限,難以滿足大量數據處理和存儲要求[10-11],因此引入“云端協(xié)同”機制,通過云側微服務與邊側微應用的數據交互、協(xié)同計算來更好地滿足配網業(yè)務需求。

2.1 “云端協(xié)同”架構

“云端協(xié)同”機制用來滿足邊緣計算與云主站間的數據協(xié)同,圖2所示為邊云協(xié)作基礎架構。邊云協(xié)作以EC-IaaS和IaaS為支撐,通過層級接口實現(xiàn)EC-PaaS與 PaaS、EC-SaaS與 SaaS 的通信交互。在“云端協(xié)同”機制中,實現(xiàn)邊緣計算節(jié)點與云主站的協(xié)同主要分為三個層級。

圖2 邊云協(xié)作基礎架構

層級一:邊緣計算 EC-IaaS 層與云主站 IaaS 層協(xié)同。邊緣計算節(jié)點結合云主站模型推理數據進行分布式存儲和分析,并執(zhí)行資源調度管理策略,減少主站側負載量,提高數據邊緣側利用率。

層級二:邊緣計算 EC-PaaS 層與云主站 PaaS 層協(xié)同。邊緣計算節(jié)點執(zhí)行數據采集、計算功能,并通過數據調用接口與云主站PaaS結構鏈接,減少數據傳輸次數,快速進行數據管控計算。

層級三:邊緣計算 EC-SaaS 層與云主站 SaaS 層協(xié)同。應用服務協(xié)同包括邊緣計算節(jié)點根據協(xié)同機制實現(xiàn)邊緣計算負載云主站側 SaaS 服務的能力,其中包括被動接受云主站下發(fā)的應用服務策略和主動執(zhí)行應用服務分布策略兩種方式。

2.2 對外交互機制

邊緣計算節(jié)點與云服務器端的對外數據交互如圖3所示。數據采集元件布置在邊緣節(jié)點微應用上,采集元件設備銘牌參數、型號等臺賬數據,三相電流、電壓等實時運行數據以及溫度、濕度等環(huán)境數據?？刂浦噶預PP發(fā)送控制命令,由高級APP通過總線訪問云服務中心,提取數據進行處理、分析,實現(xiàn)邊緣計算。

圖3 對外數據交互流程

根據各節(jié)點邏輯關系,邊緣計算節(jié)點與云服務器端存在交互機制,包括:

1)云-變交互。云主站根據自身需求召喚邊緣計算節(jié)點側數據或下發(fā)管控指令,調用邊緣計算節(jié)點實現(xiàn)對多設備集群管理和資源調度。邊緣計算節(jié)點根據業(yè)務需求,向云主站請求數據下發(fā)。

2)邊-邊交互。兩個或多個邊緣計算節(jié)點間通過數據代理模塊和云主站實現(xiàn)數據交互,單個邊緣計算節(jié)點執(zhí)行特定區(qū)域用戶指令。當邊緣計算節(jié)點1執(zhí)行節(jié)點2數據時,需向主站發(fā)送請求,主站根據DNS解析結果來確定是否部署邊緣計算節(jié)點,將解析信息發(fā)送至節(jié)點2實施響應。

3)邊-端交互。邊緣數據采集APP和端側設備進行數據采集,邊緣計算節(jié)點接收到云主站或控制指令APP的指令,將指令轉發(fā)到端側設備來實現(xiàn)數據交互。

4)云-云交互。云主站利用Rest API(網絡服務)和消息隊列接口,在數據共享機制下完成與其他云主站間的數據交互,實現(xiàn)跨系統(tǒng)數據共享。

2.3 改進邊緣計算模型

邊緣計算通過合理分配任務與資源實現(xiàn)終端數據本地化處理,有效減少通信時耗和云中心負載。為進一步提升邊緣計算模型的數據處理能力,采用雙層優(yōu)化的邊緣層計算任務分配方式進一步對模型進行優(yōu)化。

在給定的邊緣層計算任務分配模型中,設電網終端設備集合為N,N={1,2,…,k},電網任務量為I,I={1,2,…,i},定義設備k的任務i為Ui,Ui={Ci,Di,Bi,Ti,max},其中Ci為任務計算量,Di、Bi分別為任務輸入、輸出數據量,Ti,max為允許任務最大時延。

所有任務均可選擇在本地執(zhí)行,也可由云中心執(zhí)行,而一個邊緣服務器可接收多個任務,終端設備k執(zhí)行某一任務i時的任務計算時間Tc,ik(rik)為:

(1)

式中:rik為任務i分配給設備k的計算資源。確定數據傳輸速率Rik為:

(2)

式中:W為帶寬;ω為背景噪聲;Pi為任務i傳輸功率;Hk為設備k的信道增益;oik=1,表示任務i分配給設備k執(zhí)行。

同樣確定數據傳輸能耗Et,ik為:

Et,ik=Ebt,ik+Ezt,ik

(3)

(4)

(5)

式中:Ebt,ik為設備k將任務i分配到邊緣服務器的能耗,Ezt,ik為設備k將任務i分配到云服務器端的能耗,Pb,ik,Pz,ik分別為邊緣服務器和云服務器接收到設備k中任務i的接收功率,Dk為設備k的功率系數。

由于模型中計算域資源分配主要依賴卸載決策,而卸載決策受到資源分配好壞的影響,因此需要同時考慮資源分配與模型計算間的依賴關系[12]。為協(xié)調資源分配與計算任務間的沖突,利用模擬退火算法中的Metropolis準則[13]對計算任務資源分配優(yōu)化。設個體取值判斷概率pMetropolis為:

(6)

T=TinitβG

(7)

式中:T為溫度;Tinit為初始種群溫度;βG為G次迭代數衰減系數,且0<βG<1;a為常量。確認設備k接收任務的執(zhí)行規(guī)則J為:

(8)

式中:p為隨機概率值,Ec,k、Et,k分別為設備k接收邊緣服務器或者云服務器任務的能耗水平,s為隨機值,QT表示其他情況。

3 實例分析

3.1 性能測試

為分析本文算法對終端設備能耗水平和運算速度的影響,采用MATLAB R2018b建立模型進行算法的性能比較,設定相關任務參數,見表1。同時選擇粒子群算法、自適應鄰域搜索算法作為對比算法。模型硬件為一臺配備了2.2 GHz處理器、8 GB RAM、i7-8750CPU的個人計算機。

表1 相關任務參數

獲得不同算法下終端設備的能耗值和運行時間,見表2。由表可知,本文算法對終端設備在能耗優(yōu)化方面明顯優(yōu)于采用粒子群算法和自適應鄰域搜索算法的終端設備,且隨著終端設備數量增加,本文算法與其他兩種算法終端設備的能耗差逐步增大,表明當電網邊緣側終端設備增加時,本文算法的終端設備能耗優(yōu)化效果更顯著。比較三種算法各終端設備的運行速度,采用本文算法與粒子群優(yōu)化算法的終端設備的運行速度較為接近,二者均優(yōu)于采用自適應鄰域搜索算法的終端設備?？梢姳疚乃惴ㄔ诒ＷC終端設備運行速度的同時具有更好的能耗優(yōu)化效果,因此在邊緣計算協(xié)作求解過程中,可選擇本文算法來實現(xiàn)終端設備的能耗優(yōu)化。

表2 不同算法性能測試

3.2 系統(tǒng)應用實例

目前,基于云端的配電網邊緣計算技術已在一些地區(qū)進行試用。以某“電動車輛充電”為例,通過將邊緣計算節(jié)點部署到充電 APP,實現(xiàn)負載率調節(jié)及 “削峰填谷”功能。圖4為電動車有序充電流程圖。終端APP應用的硬件配置為:雙核1.2 GHz CPU,1 GB DDR,支持RS-485、RS-232、WiFi、5G 數據傳輸和通信。充電樁主要實現(xiàn)負荷調控和充電功率監(jiān)測,邊緣計算節(jié)點APP進行負荷檢測。

圖4 充電樁充電程序

根據城區(qū)居民生活習慣,18:30起進入高負荷運行狀態(tài),其中18:30—23:30時間段地區(qū)晚高峰生活負荷和電動汽車充電負荷重疊,若不經過科學引導,容易出現(xiàn)超載現(xiàn)象。根據邊緣計算節(jié)點智能引導,將電動車充電負荷轉移至0:00—6:00低負荷時間段內,利用配變輕載充電,提高經濟效率。有序充電過程如下:

1)布置在終端的充電功率監(jiān)測系統(tǒng)將采集的負荷數據報送邊緣計算節(jié)點,由邊緣計算節(jié)點側的負荷監(jiān)測APP 收集數據,并根據地區(qū)總表進行日負荷預測,確定負荷波動情況,若突然有大量充電汽車接入使得負荷短時超過最大負荷,邊緣計算節(jié)點根據既定控制策略自動調節(jié)充電樁功率。若電動車為分時接入,則不需進行用電負荷轉移操作,電動車正常接入,邊緣計算節(jié)點將實時數據與負荷預測數據實時擬合并報送云主站。

2)云主站根據歷史用電數據、分時電價、用戶申請充電模式,結合人工智能進行模型訓練,基于超負荷情況下的“削峰填谷”最優(yōu)充電策略,將部分電動汽車充電負荷調節(jié)到低負荷時間段充電,并將控制策略轉化為負荷調節(jié)指令下發(fā)至邊緣計算節(jié)點。

3)邊緣計算節(jié)點接收負荷調節(jié)指令,由充電APP向充電樁下發(fā)充電時間和充電功率命令,充電樁進行負荷調節(jié)。

4 結束語

本文構建了一種面向電網輸、變、配、用領域的云主站邊緣終端交互系統(tǒng)模型。根據邊緣計算技術定義了云主站、邊緣計算節(jié)點和終端設備間的邊云系統(tǒng)關系,通過在端部部署邊緣計算節(jié)點設備,利用邊緣計算任務分配優(yōu)化模型與算法對邊緣任務卸載和資源分配進行優(yōu)化,提升邊緣算力,實現(xiàn)輕量級數據的高效處理,引入“云端協(xié)同”機制滿足邊緣計算與云主站間數據協(xié)同,實現(xiàn)配電網邊緣計算負載和主站控制策略的服務協(xié)同,解決了傳統(tǒng)集中式或單一分布式云端在數據存儲和策略執(zhí)行中存在的問題。