面向居民智能用电的边缘计算协同架构研究

刘思放，邓春宇，张国宾，祁兵，李彬，李德智，石坤，杨斌，奚培锋

(1．华北电力大学电气与电子工程学院，北京市 102206； 2. 中国电力科学研究院有限公司，北京市 100192；3．国网江苏省电力公司，南京市 210024； 4. 上海市智能电网需求响应重点实验室(上海电器科学研究所(集团)有限公司)，上海市200063)

0 引 言

随着智能用电技术的飞速发展和智能家电的普及，家庭居民用电量在系统总用电量中的比重不断增加，用户家电的智能化程度不断提高，用电负荷也快速攀升。

国内外大量学者对居民用户家庭能源系统的优化控制和智能用电策略进行了研究。文献[1]使用Stackelberg博弈模型针对居民用电提出了基于实时电价的功率调度方案，设计了能源管理控制系统，对家电设备进行调度，降低了峰值负荷和供需差值。文献[2]研究了电动汽车与家庭能源调度的联合优化，在考虑用户舒适度的同时最大限度地降低电费，并在提出的优化框架中对用户的舒适偏好、热动力学、电动汽车使用和用户占用模式进行了详细建模，减少了高峰时段的能源需求。文献[3]介绍了家庭能源管理中绿色家庭服务(green home service, GHS)的设计与实施，解决了智能电网中家庭能源管理的关键问题。文献[4]提出了用于管理高功耗家电的智能家庭能源管理(home energy management, HEM)算法，并进行了需求响应(demand response, DR)仿真分析，可用于分析在保障家庭总功耗在一定水平以下住宅用户的DR潜力。文献[5]基于智能电网家庭网络(home area network, HAN)中能源管理系统(energy management system, EMS)的总体架构，提出了一种高效的家庭用电调度方法，将实时电价(real-time pricing, RTP)与倾斜阻塞率(inclining block rate, IBR)模型结合起来，采用组合定价模式，提出有效降低电力成本和峰均比(peak-to-average ratio, PAR)的功率调度方法，增强整个电力系统的稳定性。文献[6]在考虑负荷动态多优先级和用户对于负荷受控容忍度的情况下，设计了基于智能协商的家电负荷控制算法并进行仿真验证。文献[7]提出了基于贪心算法和动态规划方法的节能虚拟机选择算法，在云计算环境中考虑了虚拟机(virtual machine, VM)选择过程中的节能问题，并通过实验验证了节能效果，但是并没有考虑家庭消费者的控制权。

边缘计算在靠近物或数据源头的网络边缘侧，将网络、计算、存储、应用核心能力进行融合，就近提供边缘智能服务，满足行业数字化在实时业务、智能应用、数据处理等方面的需求，边缘计算与云计算之间进行协同，具有诸多优势。云计算适合非实时、长周期数据的大数据分析；边缘计算更适用于实时、短周期数据的分析和本地决策等场景。二者之间存在着互动协同关系。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，可以支撑云端的大数据应用，云端的业务应用优化规则可以下发到边缘侧，使得边缘侧能够在此基础上进行优化控制与处理[8]。

目前，国内外大多数边缘计算和云协同计算的研究大多数涉及移动通信计算，致力于减少延迟、节约网络资源等问题的解决，主要在5G领域开发。鲜有研究将云计算和边缘计算与电力系统居民智能用电的负荷问题联系起来。当今，边缘计算和云协同计算已经逐渐渗入智能电网。面向居民智能用电的能源互联基于家庭应用环境，重新定义了智能用电系统各终端的功能以及终端之间广泛的互联互通与智能协同内涵。家庭互联网正在为用户创造舒适的生活体验。边缘计算应用于设备中嵌入式系统的信息物理系统(cyber-physical systems, CPS)单元，通过建立协同边缘CPS来实现边缘计算。协同边缘计算由WiFi控制的云平台进行授权，终端之间的互联意味着协同。

本文提出一种面向居民智能用电的边缘计算协同架构，分析几种用户侧智能用电相关系统，基于其靠近数据源头的边缘侧设备所提供的数据信息，根据家电优先级，通过互联网和云协同平台对其进行控制，智能用电相关系统作为边缘计算协同控制的数据支撑，具有不可替代的作用。边缘计算协同架构对于用户用电负荷具有较强的调控优化能力。面向居民智能用电的边缘计算协同很大程度上影响了居民用户的能源消耗。它实现了不同家庭终端设备之间的协同操作，不同设备的用电负荷数据在设备的边缘进行计算，经过本地处理之后将结果上传至云端，云端控制用电器的开关，实现协同操作和管理。边缘计算协同方法对居民用户的能源消耗进行协商，在节约能源和电力系统负荷平衡方面具有较大优势。边缘计算通常对用电系统进行本地控制，速度较快，数据较全。而云平台更多针对用电系统中的紧急业务，同时也可以综合外部多用户的信息提供建议，起决定性作用。

1 用户侧智能用电相关系统

边缘计算协同架构主要面向居民家庭智能用电系统，根据该协同控制方法对家庭智能用电系统中的家电功率等数据进行分析和计算。在某一居民用户的智能用电系统中，可以直接获取的家电数据从用电信息采集系统获得，有些家电设备的数据无法直接获取，就需要通过非侵入系统获取相应数据，参与边缘计算的处理和不同云平台系统之间的协同控制。因此，各智能用电相关系统共同参与到居民的边缘计算协同架构中。

1.1 用电信息采集系统

根据国家电网公司企业标准GDW 1373—2013《电力用户用电信息采集系统功能规范》[9]，用电信息采集系统具有对用户的用电信息进行自动采集、故障监测、用电分析管理、智能设备的信息交互等功能。边缘计算在靠近数据源头的网络边缘侧进行数据的处理、分析及应用。因此，用电信息采集系统在用户数据进行边缘计算的过程中是必不可少的一个环节[10]。

目前，用电信息采集系统主要由主站层、通信信道层和采集设备层组成[11-12]。用电信息采集系统的边缘计算主要集中在用户的智能电表上，对采集到的用户用电数据进行计算。用电信息采集系统的物理架构如图1所示。

1.2 非侵入式负荷监测系统

传统的用电负荷监测系统采用侵入式负荷监测方法，为每个电器负荷安装采集设备和传感设备，从而监控每个负荷的运行情况。但是这种方法的硬件成本比较高，且采集设备本身消耗的电能负荷会对整体数据造成干扰和影响[13]。非侵入式负荷监测(non-intrusive load monitoring, NILM)系统是在要监测的用户入口处安装传感器，结合不同设备的负荷特性，对用电数据进行分析和处理，获取用户每类甚至每个负荷的运行情况和参数信息[14]。图2是非侵入式负荷监测系统的结构示意图。

非侵入负荷监测终端相当于是具有附加功能的智能电表，但是与智能电表按用户来进行数据的采集与计量的方式不同，它对每个电器进行计量，并具有数据分析和处理、负荷监控等功能。非侵入式负荷监测系统的边缘计算在非侵入式终端上进行，对每类电器的数据进行数据计算与分析处理。

图1 用电信息采集系统物理架构图Fig.1 Physical infrastructure of electricity information acquisition system

图2 非侵入负荷监测管理系统示意图Fig.2 Schematic diagram of non-intrusive load monitoring system

1.3 光伏发电系统

随着人们对于物质生活的需求不断提高和能源消耗的增加，太阳能、风能等清洁能源逐渐成为可以消纳的新型可再生能源。光伏发电系统(photovoltaic power generating system, PV)是一种清洁高效的可再生能源发电系统[15]，它可以利用光伏效应，将太阳光辐射能直接转换为电能[16]。该系统由光伏方阵、蓄电池组、蓄电池控制器、逆变器等设备组成，如图3所示。

图3 光伏发电系统结构示意图Fig.3 Structure of photovoltaic power generation system

光伏发电系统可靠性较高、寿命长、无环境污染，逐渐成为用户家庭能源系统的新选择[17]。在光伏发电系统中，边缘计算在光伏逆变器、智能电表一类的台区终端中进行，对采集的数据进行分析和处理。

面向居民智能用电的边缘计算协同架构是建立在居民用户的用电信息采集系统、非侵入负荷监测系统、光伏发电系统等基础上的概念，用户家中的一种或几种系统数据通过互联网上传至对应的云平台，通过云平台参与整个架构的协同控制，因此这几种智能用电相关系统对于边缘计算协同架构必不可少。

2 智能用电边缘计算协同架构及概念

2.1 边缘计算参考架构

在每个智能用电相关系统中，都会在其终端设备上进行边缘计算，将终端系统的功率、电压等用电数据信息上传到云平台。边缘计算的参考架构由应用域、数据域、网络域、设备域4个不同的功能域组成，形成4层的分层结构[18]。应用域在设备、网络和数据域提供的接口的基础上，可以实现边缘行业的应用和业务运营。数据域包含数据聚合与互操作、数据分析与呈现2个部分，通过统一语义、构建统一的信息模型以实现数据跨厂商的互操作和兼容性，数据域可以保证数据的安全性。网络域为系统互联、数据聚合与承载提供联接服务，将软件定义网络应用于边缘计算，实现海量设备的联接与自动化运维管理。网络联接的实时性方面，目前国际标准组织IEEE正在制定时间敏感网络(time sensitive networking, TSN)系列标准，对多优先级流量的传输方式、时间延迟等进行定义。设备域的操作系统包含低功耗场景和实时计算场景，具备多任务、优先级调度等能力，同时设备域考虑了系统的安全防护能力，保护数据信息的安全存储[8]。边缘计算的整体参考架构如图4所示。

图4 边缘计算参考架构图Fig.4 Reference infrastructure of edge computing

2.2 居民智能用电协同架构分析

在居民智能用电系统中，有时会出现由于无法事先预知家电的使用情况而导致负荷功率过大的问题。例如，已经在家中为电动汽车充电，这时用户打开了热水器烧水，导致家庭耗电功率过大而跳闸。边缘计算的协同架构通过对各智能用电设备终端数据进行边缘计算，将数据进行本地处理之后，其结果上传到不同的云平台。例如，海尔家电数据上传到海尔云，美的家电数据上传到美的云等，再由WiFi控制，通过统一的云平台授权，以实现设备之间的协同操作和边缘计算与云协同计算之间的配合。再次遇到负荷功率过大时，云平台处理的结果会将功率过大的结果发给用户侧终端，智能终端会通过APP等软件收到消息，从而自动关闭优先级较低的设备，或将其改为功率较低的运行状态，保证系统不会过载而跳闸。居民智能用电协同架构如图5所示。

图5 智能用电协同架构示意图Fig.5 Collaborative architecture of intelligent usage of electricity

在居民智能用电系统中，各种智能家电设备通过智能电源线和智能插座连接，协同工作，分别接入互联网。参与边缘计算的各种设备终端将采集的数据分别上传到电器管理云平台、光伏管理云平台、用电信息采集云平台、非侵入监测云平台、智能电源线云平台和智能插座云平台，各云平台通过统一的接口共同接入云协同平台，通过云协同平台统一控制，实现边缘设备之间的协同操作。

例如，在电饭煲、洗衣机、微波炉等设备同时使用时，如果加入热水器将跳闸，那么在用户使用手机APP试图打开热水器时，云协同平台会综合其他所有云平台的数据信息，计算出功率即将超出额定值，然后云平台会通过WiFi发送消息到手机APP上，用户可以预先在APP中设置操作优先级，给智能家电按照使用优先级排序，假设微波炉优先级最低，程序即可暂时关闭微波炉，打开热水器；也可以对智能家电设备进行功率调整，电饭煲设置加热和保温等不同档位，以满足不同的功率需求。总而言之，用户的需求可以通过APP进行设置，云协同平台负责发送控制信息，按照APP的设置进行操作的选择，然后再将操作信息发送回云协同平台，云协同平台再将控制信息发送给各级云平台，进而控制智能用电终端的运行状态。

边缘计算协同架构可以实现居民用户的设备用电状态监测，将用电信息采集系统采集到的用户用电量数据，非侵入式负荷监测系统获取到的家电功率、电压、电流等数据及家庭光伏发电系统的发电量数据信息等分别上传到各自的云平台模块，再通过云协同接口汇集到统一的云协同平台，云协同平台通过手机APP对各家电进行控制。边缘计算协同架构中，使用的技术包括边缘计算和数据融合技术、物联网技术、云计算技术等。边缘计算技术在靠近数据源的物联网边缘位置对数据进行计算、处理、存储和优化等操作，底层设备终端位于物联网底层，云计算则在物联网顶层进行。

3 云协同控制概念分析

3.1 基于层次分析法的家电优先级排序思路

根据第2节对于智能用电协同概念的分析，在APP内对于家庭中所有智能家电的使用优先级排序是协同算法的关键环节。层次分析法(analytic hierarchy process, AHP)是对一些复杂问题做出决策的简易方法[19]，适用于难以完全定量分析的问题，是美国运筹学家T L Saaty于20世纪70年代初期提出的实用性很强的多准则决策方法[20]。运用层次分析法对智能家电优先级进行建模，按照以下步骤进行：

首先，建立递阶层次结构模型。使用层次分析法分析问题时，要把问题条理化、结构化，将复杂问题分解为元素的组成部分，这些元素按其属性及关系形成若干层次[21]。上层元素作为准则对下层有关元素起到控制作用。对于智能家电使用的优先级，可以建立如图6所示的层次结构模型。假设对热水器、空调和电动汽车进行家电使用优先级的排序，用户综合权衡该家电的消耗功率、运行时间、使用频率、使用季节、家中该电器的数量、使用过程中是否可以中断对于智能家电使用优先级的影响，得出评价分。

图6 智能家电使用优先级层次结构Fig.6 Hierarchical structure of using priority of intelligent appliances

其次，构造出各层次中所有的判断矩阵。准则层中的每个准则在目标衡量中所占比重不同，因此需要确定每个因子所占比重。在层次分析法中，对因子两两进行比较，建立比较矩阵，即每次取两2个因子xi和xj，用aij表示xi和xj对上层Y影响的大小之比，所有比较结果用矩阵A=(aij)n×n表示，称A为Y-X之间的成对比较判断矩阵。表1列出1—9标度的含义。

表1 因子对比标度Table 1 Contrast scale of factors

然后，层次单排序和一致性检验。计算判断矩阵A对应最大特征值lmax的特征向量W，然后进行归一化处理，得到每个层次各因素相对于上层某因素的重要性排序权值。由lmax是否等于n来检验判断矩阵A是否为一致矩阵。对判断矩阵进行一致性检验的具体步骤如下：

计算一致性指标CI：

(1)

(2)

计算一致性比例CR：

(3)

当CR<0.10时，可以认为判断矩阵的一致性可以接受，否则需要修改判断矩阵。

最后，层次总排序和一致性检验。将某层次所有的因素对于总目标相对重要性的权重进行排序。根据用户自己对每一准则的接受度给出准则层相互因子权重和方案层对准则层相互因子权重，根据层次分析法的原理和步骤，在Matlab中运行程序，结果如表2所示。

从表2中可知，根据该用户综合考虑，热水器优先级最高，排序权值为0.396 5，高于电动汽车的0.310 0和空调的0.293 5。因此在只有空调使用和电动汽车充电时，如果热水器的加入会使得功率过大而跳闸，那么云协同控制会按照优先级排序结果首先关闭空调，如果功率仍然过大，才会断开电动汽车的充电。

3.2 分布式协同与集中式协同

云协同的控制架构分为分布式协同与集中式协同2种方式。与计算机系统的分布式与集中式架构类似，分布式协同是指每个智能终端设备通过改变自己来配合云协同平台的控制，而集中式协同有一个协同控制中心，数据集中存储在这个协同控制中心中，云协同平台系统的所有功能由协同控制中心统一集中处理[22]。

表2 智能家电使用优先级计算结果表Table 2 Result of the using priority of intelligent appliances

分布式协同结构的每个智能终端之间通过消息的传递进行通信和协调，既可以在云协同平台的统一管理下工作，又可以利用自身的网络系统工作。这些终端在云协同系统中的位置分布可以是任意的，分布式协同系统具有分布性和对等性。其分布性体现在空间上的任意分布，且分布情况也可随时变动[23]。分布式协同系统中的每个终端没有主从之分，既没有控制整个系统的主控制器，也没有被控制的从控制器，组成该系统的所有终端地位对等。在分布式协同系统中可以对数据信息和业务提供冗余方式，称为副本。副本处理可以提高系统的可用性，数据副本在不同的终端上持久化一份数据，当某一终端数据丢失时，可以通过副本读取数据；服务副本是指多个终端可以提供相同服务，每个终端都可以接收并处理外部请求。分布式协同结构扩展方便，增加一个智能终端设备通常不会影响其他终端或整个系统的工作，同样，系统的鲁棒性好，一个终端设备故障也不会影响系统正常工作。但是，分布式协同由于每个终端数据信息分散、系统也不同，可能存在系统兼容问题或标准不统一的问题，管理协调存在难度。分布式协同结构如图7所示。

图7 分布式协同示意图Fig.7 Sketch map of distributed collaboration

集中式协同结构比较简单，通过一个协同控制中心来控制所有终端的数据，每个终端仅负责数据的输入和输出，数据的存储和处理由协同控制中心统一完成。例如，在居民智能用电系统中，可以使用非侵入负荷监测云平台作为整个边缘计算协同系统的协同控制中心，非侵入模块是边缘设备，通过分析用户的用电负荷曲线来实现用电设备的状态监测，状态包括用电设备的数量及类型，上传的通信通道属于无线信道，采用无线传输的方式。智能家电可以通过WiFi连接到路由器，通过互联网传到非侵入平台。家电的功率数据不经过处理直接上传到云平台，家电本身对于电流、电压等数据的采样频率通常可达10 kHz，采样频率过高，通信带宽无法满足其要求，因此多采用在线处理，即对负荷进行在线辨识，安装数据处理装置，例如数字信号处理装置(digital signal processing, DSP)，在线处理电流、电压等数据，将得到的负荷辨识结果上传到云平台。家电到路由器、路由器到云平台的速率要降低，家电分析的高密度数据结果也可精简后再进行上传。如果采样频率过低，则云平台无法有效应用这些数据信息。集中式协同部署结构较为简单，也不需考虑多个平台的服务部署和分配及多终端之间的分布式协作问题。集中式协同系统信息资源集中、管理方便、资源的利用率高，但是随着家电数量的增加，系统规模越来越大，集中式协同结构管理和维护难度也会增加。此外，当协同控制中心出现故障时，整个系统可能会停止工作甚至崩溃。

传统的基于集中式的家庭能量管理系统(home energy management system, HEMS)以智能交互终端为中心，使用ZigBee技术组建局域网进行控制，与智能电表、光伏储能系统、用电负荷等部分进行信息交互，进而实现HEMS的负荷控制、用电信息采集和光伏储能系统控制等主要功能[24]，家庭能量管理系统中，智能插座、智能控制器均可对负荷通断进行控制，并对用户的用电信息进行测量，后者还可对负荷使用功能进行调节，智能电表是HEMS和供电侧进行通信的接口。HEMS对于用户的用电行为习惯进行分析，从而优化管理家庭用电，而边缘计算协同架构可以以分布式或集中式2种不同的结构进行控制，并且要通过对各家电终端用电负荷进行边缘计算，协同控制其总负荷功率在一定范围内，保证系统安全平稳。集中式协同结构如图8所示。

4 结 语

本文提出了一种面向居民智能用电的边缘计算协同架构，在居民用户常见的智能用电相关系统中，基于边缘计算参考架构，分析了居民智能用电的边缘计算协同架构，在云协同控制概念中，提出了基于层次分析法的家电优先级排序思路，并对分布式协同架构与集中式协同架构进行了对比分析。边缘计算聚焦于本地控制，而云平台针对紧急业务，综合多用户信息，起到决定性作用。边缘计算协同架构可以避免负荷过载，优化负荷曲线，保证用户家庭智能用电系统的平衡稳定运行，同时节约能源，保障电力系统的负荷平衡。未来可以将方向聚焦于对协同策略算法的研究与扩展，加入需求响应技术的综合方案设计与研究。

图8 集中式协同示意图Fig.8 Sketch map of centralized collaboration