边缘计算在智能电网中的应用综述

杜 羽，张兆云，赵 洋

（东莞理工学院，广东 东莞 523808）

0 引言

物联网设备的快速普及令边缘计算这一轻量级、低时延的数据处理技术迅速步入人们的视线。边缘计算有别于云计算，其将计算资源下沉至边缘，也就是数据产生的地方，通过在边缘进行部分或全部的数据处理来提升系统性能、保证数据安全并降低成本。因其特性与物联网相互契合，边缘计算已经成为物联网发展的重要支撑技术之一［1］。

边缘计算这一名词由美国太平洋西北国家实验室的Ryan LaMothe在2013年的一份内部报告中首次提出［2］。2016年5月，美国韦恩州立大学的施巍松教授给出了边缘计算的正式定义，既：“边缘计算是指在网络边缘执行计算的一种新型计算模型，边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据，而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源，是一个连续统一体［3］。”2018年，中国边缘计算产业联盟发布的白皮书中提到，边缘计算具有以下基本特点和属性：联接性、数据第一入口、约束性、分布性以及融合性。其中还着重强调了边缘计算与云计算的协同发展，边缘计算与云计算不是对立的，而是相辅相承的，边云协同将放大边缘计算和云计算的应用价值，为物联网的发展提供重要支撑［4］。

据IDC预测，到2022年，超过50%的数据将在数据中心和云外产生并在外部处理［5］。2025年，将会有超过55%的数据由IoT设备提供，届时将有416亿个物联网设备产生79.4ZB的数据［6］。万物互联已经成为一种必然趋势，随之而来的就是生活的智能化和工业的自动化，而其中极具代表性的就是智能电网中的“万物互联”。

1 边缘计算与智能电网的关系

天津大学余贻鑫院士给出的智能电网定义如下：“智能电网是指一个完全自动化的供电网络，其中的每一个用户和节点都得到实时监控，并保证从发电厂到用户端电器之间每一点上的电流和信息的双向流动。智能电网通过广泛应用的分布式智能和宽带通信，以及自动控制系统的继承，能保证市场交易的实时进行和电网上各成员之间的无缝连接及实时行动［7］。”

智能电网是将信息技术等新型技术融入传统电网中，使电网在更加易于管理的同时可提高电网的经济效益。数据量的激增是传统电网向智能电网转型的一个重要特征，当前的电网数据呈现出如下特点［8］：

1）数据采集多，不同采集点的采样尺度不同，数据断面不同，每个采集点采集相对固定类别的数据，且分布在各个电压等级内；

2）数据不健全，数据采集存在误差和漏传；

3）数据分布在不同的应用系统中。

在数据量激增的同时，传统电网的转型还受一些其他因素的影响，如发电方式、用电方式等［9］。针对电网中所存在的上述数据问题，近几年引入了云计算来进行数据处理，但云计算有其劣势，如传输成本高、实时性差等，为解决这些问题，将边缘计算引入智能电网中成为了一种必然的趋势，将边缘计算应用到智能电网有以下3个优势［10］。

1）改善性能。通过边缘计算，可以在几毫秒内分析和处理边缘收集到的数据。例如在风电场中，若风速和风向发生变化，边缘计算软件可以实时地分析这些数据，并调整涡轮机以优化整个风电场的生产，并且只有进行过融合的数据才会被发送到云端，这就大大降低了通信带宽并缩短了数据传输时间。此外，涡轮机在工作周期内会产生万亿字节的数据，将这些数据发送到云端后进行分析，在技术上是可行的，但其日常操作成本太高。通过边缘计算，用户最终可以从涡轮机捕获流式数据并实时处理，以防止意外停机并延长设备寿命，同时可以将数据集缩减到更易于管理的大小以便传输到云端。

2）保证数据安全和隐私。边缘计算将计算迁移至靠近设备的地方，避免了将数据上传至云端，这样可以大大降低隐私数据在传输过程中泄露或损坏的可能性。

3）减少操作成本。云计算的连接性、数据迁移、带宽和延迟特性造成云计算的使用成本非常昂贵，而边缘计算通过降低带宽要求和延迟可以大大减少运行时的成本。

边缘计算是解决电网中所存在数据激增问题的最好方法之一，而智能电网也被认为是边缘计算的最佳落地场景之一，其架构如图1所示。全球已经进行了十余年的智能电网建设，随着新技术的不断应用，智能电网的内涵也在不断发展。在我国，2019年，国家电网有限公司提出要求全面加快泛在电力物联网建设的战略部署［11］。2021年，国家电网有限公司发布了其行动方案，其中要求推动电网向能源互联网，着力打造清洁能源优化配置平台［12］。伴随着国家一系列战略部署的实施，建立泛在电力物联网已经成为一种必然趋势，而边缘计算是其重要载体。

图1 边缘计算架构图Fig.1 Edge computing architecture

2 边缘计算的支撑技术

将边缘计算应用于智能电网须考虑其实际应用的可行性。边缘计算的蓬勃发展离不开其两大支撑技术，一个是为其提供强大计算能力的芯片技术，另一个是为其提供短距、低时延信息传输的通讯技术。

2.1 芯片技术

在边缘节点上部署算力对其处理器有两个基本要求：

1）足够强的算力。边缘服务器要具有一定的算力，可以支撑其进行异构数据的融合和基本的数据处理，或能够搭载经过训练后的人工智能模型。对其更深层次的要求是能够部署神经网络来进行实时的训练和反馈。

2）足够低的功耗。边缘节点和边缘服务器的能量一般受限，电量耗尽后再激活的成本比较高，因此低功耗是必要的要求。

表1为一些近年来国内外较为先进的嵌入式芯片的数据对比。伴随着边缘计算的广泛应用，很多芯片厂商开始针对边缘计算设计专用的芯片，其中Intel英特尔就设计了一款名为“Movidius”的神经计算棒与Raspberry Pi 3 Model B一起用于分析实时图像和视频中的对象，这款计算棒可直接在端进行模型训练，并具有低功耗的嵌入式特点［13］。为实现深度学习算法在IoT设备中的应用，NVIDIA公司推出了NVIDIA Jetson TX2和DRIVE PX2开发套件，此款套件可实现基于低功耗和实时深度学习的多对象视觉跟踪。

表1 嵌入式芯片对比Table 1 Comparison of embedded chip

我国也针对边缘计算的硬件开发进行了一系列研究，其中南方电网推出了国内首个基于国产指令架构、国产内核的电力专用主控芯片“伏羲”并在近期实现量产，“伏羲”的成功研发及量产，对于国家电力能源和信息安全、工控领域科技自主可控制具有重大意义。腾讯公司推出了其产品“视觉种子”，开发者通过其可轻松在边缘端调用人脸检测、识别、配准、姿态、属性等算法。

2.2 通信技术

云计算对网络与通信有着较高的要求，而边缘计算对通信也有较高的要求，但是低于云计算，更加类似于无线传感器网络（WSN）。边缘计算所服务的主要对象是来自于万物互联服务的上行数据，这些数据多由传感器产生，需要通过一种高速、低时延的通信方式上传至边缘服务器，因此一种适合于边缘计算的通信技术至关重要。

边缘计算的应用场景有如下特点：

1）边缘服务器在物理位置上靠近边缘节点；

2）边缘节点具有多种接入方式、且多为无线接入，如4G、WiFi等；

3）边缘节点能量有限；

4）边缘节点数量庞大。

通过比较可以发现5G与边缘计算的应用场景十分契合。5G系统是多种无线接入技术，可满足传感器的多种接入方式；5G具有负责基础覆盖的宏站，也有承担热点覆盖功能的低功率微站，在物理拓扑上与边缘计算类似，同时基站数量的显著增加可满足大规模边缘节点的覆盖；5G具有自组织网络的技术，通过自组织、分簇、簇头选举等方式可减少边缘节点能耗，延长使用寿命［14］。

针对5G与边缘计算的融合，现阶段已有了一定的成果。文献［15］讨论了MEC（移动边缘计算）在网络中的部署和其与5G融合的可能性，据此提出了一种融合MEC的未来5 G移动通信网络架构，此架构有望满足视频业务及新型业务带来的高回传带宽、低时延需求。

3 边缘计算在智能电网中的典型应用

边缘计算技术已经与智能电网产生了较为紧密的结合，在智能发电、智能输变电、智能配电和智能用电等方面，都已开始逐步搭建基础性框架和实现简单的应用。其中，在发电、输变电、配电领域边缘计算的主要应用在于系统控制与监测，在用电领域，边缘计算主要服务于综合能源服务和电力市场交易［16］。边缘计算在智能电网中的主要应用如表2所示。

表2 边缘计算在智能电网中的典型应用Table 2 Typical applications of edge computing in smart grid

3.1 智能发电

智能发电是智能电网的重要组成部分，其旨在通过配置大量传感器来对发电机进行状态监测，并将发电数据在边缘服务器上进行聚合，通过分析聚合数据来为后续的电网服务提供支持［17］。现阶段智能发电领域研究的重点有两方面：一方面是强化对发电机状态的监测，并进行故障诊断和故障预测；另一方面是虚拟电厂的研究，通过构建虚拟电厂来汇聚分布式能源，通过对边缘数据的处理来进行智能调度和发电预测。

基于边缘计算的故障诊断和故障预测是第一种应用形式。近年来，国内外科学家对发电设备的状态监测进行了一系列研究。文献［18］针对日益普遍的风力发电系统设计了一种基于集群物联网的深度学习模型来进行故障诊断和故障预测。通过将传感器获取到的实时设备数据输入深度学习模型中进行训练，将训练好的模型搭载到边缘服务器上进行故障预测，并通过状态反馈容错控制系统来进行故障系统的无扰动切换。文献［19］基于加权AAKR算法建立了发电设备的状态估计模型，通过模型的边缘部署，实现了离线建模和在线监测的应用要求。文献［20］设计了一种对水电大坝的安全监测系统，采用IaaS模式的云平台，将不同水电站的异构数据在边缘进行融合，可提供智能化大坝安全群控服务。

基于边缘计算的分布式能源应用是第二种应用形式。现阶段，分布式能源（distributed energy resources，DER）［21］成为了一种潮流，其中的分布式发电系统已作为传统集中式单一供电系统的补充而进入实际应用阶段。分布式发电旨在靠近用电现场配置较小的发电机组以应对短暂的用电峰荷和满足特定用户的需求。随着分布式设备的增多，设备的远程聚合管理和自动优化调度问题成为关注的焦点，应对这些问题的方法之一就是虚拟电厂（virtual power plant，VPP）［22］。虚拟电厂的概念为：通过信息、控制、通讯等技术将能源管理系统机器所控制的规模较小的分布式能源资源聚合而成的一类集成性电厂，其结构如图2所示。这一概念与边缘计算中汇聚节点的概念相类似，近年来，国内外学者基于边缘计算对虚拟电厂进行了不少的研究，并取得了一系列的成果。文献［23］设计出一种多级协同虚拟电厂无功优化出清模型，此模型通过边缘计算的形式实现对分布式发电商的无功服务能力评估和进行信息聚合，通过计算虚拟电厂区域综合无功报价，可依此参与无功服务市场。文献［24］使用分布式模型预测控制的方法实现了一种风光互补发电系统的分布式模型，其提出的分布式模型预测控制器可以根据训练出的分配功率原则来分配各个子系统的输出功率，将预测控制器部署到边缘服务器中可实现实时的发电预测。文献［25］根据GA-BP神经网络构建了光伏发电功率预测虚拟模型，并实时地将获取到的传感器信息更新至数据库中，通过孪生数据实现了光伏发电功率超短期预测。

图2 虚拟电厂结构图Fig.2 VPP structure

针对发电部分的边缘计算解决方案主要集中在虚拟电厂模型的构建和设备监测数据的实时分析，虚拟电厂模型的搭建有效提升了电厂管理水平，有效整合了分布式能源，将算力部署在一线发电设备并搭配实时操作系统能够及时发现和处理异常数据，进行风险示警和处理，大大减少了生产风险。

3.2 智能输变电

变电是电网运行的重要一环，变电站作为连接电网输配环节的中间桥梁，具有特殊性，保障变电站安全稳定地运行成为了保障优质电力供应的必要条件［26］，边缘计算在该领域也有广阔的使用空间。目前边缘计算在输变电领域的主要应用集中在针对输变电设备的智能运维［16］。针对输电线路，智能电网要求保障电网对输电线路状态的整体监测及线路安全的安全检修管控［17］；而针对变电站设备，要基于云边端架构，并利用机器视觉和图像处理技术对整个变电站进行实时的监测，包括电力设备状态，人员行动轨迹和生产安全状态等［27］。

智能机器人和无人机巡检是边缘计算在输变电领域的第一类典型应用。针对输电领域，传统的输电线路与变电站巡检与维护依靠人力，而随着技术的发展，利用巡检机器人和无人机来进行智能巡检已经成为一种主流选择，但受制于当前设备的数据处理能力，往往采用先验的方式来进行巡检设备的信道选择和路径规划，并通过离线检测来进行故障判断。随着边缘计算的快速发展，将其运用于巡检中可以实现在线巡检的目标，在发现潜在隐患后能够进行实时处理，通过引入边缘计算可以显著节约时间成本，提高巡检效率。文献［28］基于强化学习和里普诺夫优化提出了一种信道选择算法，可实现数据的高可靠低时延传输，通过边缘计算技术将算法运用于巡检机器人上以实现在线信道选择，此方法可以实现巡检机器人的效用最大化。文献［29］基于边缘计算的两层启发式算法，改进了传统的蚁群算法，利用偏离度来指导信息素更新，同时引入退火算法来加快收敛速度，优化了巡检路径的选择。

高效的变电站监测系统是边缘计算在输变电领域的第二类典型应用。针对变电领域，我国电网分布广泛，变电站数量庞大，因此需要一种高效节约的变电站监测方案。文献［30］设计了一套变电站无人机巡检的两层边缘计算框架和资源调度方法，根据机巡的特点，建立了面向任务以及待巡检设备的数据模型及巡检流程；应用Stackelberg多层博弈算法，以计算量为资源调度的定价依据，将物联网终端自身的数据资源和计算资源作为分配资源的约束条件，并通过仿真验证了无人机与数据分析服务器最优价格曲线交点即为资源调度的纳什均衡点。文献［31］设计了一种变电站设备实时监测系统，其由两个子系统组成：红外热成像监控子系统和变电站环境监测子系统，将这两套子系统放入边缘服务器中可有效应用于大型工业组织中管理的变电站。电缆接头是电厂输变电中应用最广泛的组件之一，对其状态的实时监测至关重要，文献［32］设计了一种基于边缘计算的检测单元，采用自适应模糊系统（ANFIS）对电缆头的电场与温度场两类信息进行融合，实现了电缆接头运行状态的实时智能传感与监测。

现阶段边缘计算在输变电部分的主要应用集中于设备监测与维护，其中通过边缘计算将算力应用于实时巡检中是研究的热门，通过边缘计算可以实现在线故障检测，实时路径规划等。

3.3 智能配电

配电领域是电力系统中与用户侧相连接的部分，智能电网要求在配电领域实现最优化的调度，包括设备及其运行状态的监测、故障定位和资产管理［17］。

配电设备的状态检测是边缘计算运用于配电领域的第一类应用。建立泛在电力物联网的重点之一是高效利用配电信息，如何采集、传输、分析配电数据并保证配电环节的隐私性是必须考虑的问题。文献［33］提出了一套基于边缘计算的低压智能台区应用设计，通过智能配变终端，可以有效监控低压台区全电气量和环境量数据并实现了本地拓扑计算识别、分支线损分析等功能，并且此方案已经在多个试点应用，实现了较好的效果。文献［34］提出了一种应用于配电变压器的智能感知终端，通过边缘计算来进行在线匝间短路监测、电缆潜伏性故障检测和变压器损耗监测，此方法可解决小容量配电变压器高压侧信息感知的盲区问题。文献［35］进行了一种基于均值漂移的局部放电边缘计算方法研究，通过多个局部放电特高频传感器来对干扰信号进行联合定位，可以判别脉冲型干扰信号，判别准确率为81.4%。文献［36］提出了一种新型巡检组网方案，通过LoRa、电力综合数据网、4G/5G的组合组网方式和边缘部分的信息处理来对巡检设备进行深度评估，有利于提高配电设备的巡检效率。

需求侧分析是边缘计算运用于配电领域的第二类应用。电网的需求侧也是大量产生数据的地方，可以通过边缘计算对这些数据进行处理，并通过边云协同的方式来支撑不同用户的分布式任务处理需求。文献［37］论述了多种可行路线来构建智能电网的信息系统，其中无线传感器网络被证明是最适合未来电网发展网络模式。文献［38］通过评估三种节点选择方法，即随机选择、最短估计延迟优先和最短估计缓冲优先，设计了一种考虑存储和计算资源约束的边缘节点重配置方法，将业务分配给指定边缘节点，提高了节点的命中率。文献［39］基于资源共享，设计了一种由网络中节点的介数大小、计算性能和通信延迟来寻找簇中关键雾节点，大大提升了服务可靠性。文献［40］分析了能源损耗最小化的边缘计算任务分配与部署方式。文献［41］重点考虑了业务的可靠性，提出了一种边缘云的部署方法。文献［42］介绍了一种基于北向通信协议设计的边缘计算网关的功能设计和系统设计方案，并在实际的配电物联网项目中进行了测试，结果达到预期。

配电网调度也是边缘计算的重点应用之一，其直接关系到电网的运行效率。文献［43］通过一种分布式状态感知的源网荷储协同调度可以更加精准地对配电网进行调度并降低调度的损耗。这种协同调度方式利用了边缘计算的优势，将调度者下移至边缘节点的网关中，边缘节点的网关在地理位置上较云计算数据中心要更加接近输变电设备，因而可以有效降低数据的传输时延，提高了实时性，进而减低了输变电过程中的电能损耗。

3.4 智能用电

智能电网在用电侧的主要应用领域可分为两部分：综合能源服务和电力市场交易。其中综合能源领域的应用主要包括低压抄表、用电安全、工厂智能用电、智能家居、智能充电、智能楼宇等［17］。电力市场交易的主要应用包括资源优化配置、有/无功市场出清、辅助服务市场机制等［44］。

边缘计算在用电领域的首要应用是综合能源服务。针对用电测的综合能源服务，为避免大量数据传输导致通讯通道的堵塞，满足电力物联网对快速响应、精准执行的特殊要求，一般将边缘计算引入电力物联网的终端设备中。文献［45］针对用户侧智能用电系统提出了一种边缘计算协同架构，主要引入了家电优先级排序的思想，根据优先级来控制家电的开关以避免负荷功率过载的问题。文献［46］基于边缘计算设计了一套智能用电管控系统，其中包括完整的系统架构层次和数据库、边缘服务器设计，并将其实际应用于现存的学生公寓用电管控系统中，达到了良好的效果。文献［47］提出了一种电力物联网边缘计算的终端架构，具有容器启停、计算资源分配和回收两大机制，又针对终端业务提出了相应的业务时序逻辑和计算负荷模型，强化了智能电网在用电端的调度能力。文献［48］基于模型视图控制器（MVC）编程模式设计出了一种多元化负荷管理的终端服务模块，再通过Docker来配置边缘服务器，实现了边缘设备的边缘数据处理，将其运用在集中器数据交互中，显著提升了低压抄表系统的工作效率。文献［49］提出了一个混合解决方案，使用云计算和边缘计算来处理数据。在靠近嵌入式设备和家庭的边缘进行处理和预测，与将所有处理放在云中相比，可以节省延迟和存储空间。

电力市场交易是边缘计算在用电侧的另一大应用领域。通过分析大量用电数据可以优化资源配置，为有/无功出清提供数据支持。文献［50］基于家庭微电网提出了一种分时电价和需求响应策略，通过以边缘为核心的“云、管、边、端”四层架构来采集处理家庭用电数据，并建立负荷模型来实现需求响应和提供分时电价策略。

4 边缘计算在智能电网中面临的紧迫问题

现阶段云计算已经广泛运用于各行各业，针对边缘计算的探索性研究也在逐渐展开，但边缘计算作为一种新型的计算模式目前还存在一些问题，如没有统一的编程模型、动态调度方法、安全标准等［1］，同时，边缘计算的应用还处于初级探索阶段，主要将边缘计算作为一种辅助手段来强化现有方案。目前边缘计算已经在电网领域得到了充分重视，并且有了很多应用尝试，但在探索过程中也面临了一些问题。根据边缘计算与智能电网的融合特性，以下有3个问题在未来几年迫切需要解决：云边协同、数据安全、多元异构数据融合。

4.1 云边协同

边缘计算与云计算的相互结合是未来发展的趋势，如何将二者进行良好协同并实现最优化的调度一直是研究的重点。

受制于边缘计算当前的研究进展，边云协同还未有成熟的解决方案，但国内外研究者已经取得了一定的进展。文献［51］提出了6种云边协同技术，包括资源协同、数据协同、智能协同、业务编排协同、应用管理协同和服务协同等，并对这6种技术作了对比分析。文献［52］SDN网络是云边协同问题的有效解决办法，其针对云边协同所面临的挑战给出了SDN的解决策略，但现阶段SDN网络在具体实现时还存在单点失效、网络扩展性、API接口标准等方面的诸多挑战和困难。文献［53］构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题，并基于该问题提出了一个异步云边协同的深度强化学习算法，通过深度学习来训练出一种云边协同计算迁移机制。这种机制可以最大化利用云与边的计算能力，能够实现近似贪心算法的最优性能。文献［54］已经开始探索分布式的第6代移动通信系统（6G）云边协同计算架构，并给出了数学建模。

目前围绕着云边协同应用展开的探索性研究有很多，但边缘计算技术还远未成熟，云边协同因此多处在理论研究阶段。同时，大部分边云协同技术还是单方向的研究，实现资源、数据、应用管理等的全方位协同是亟待解决的方向。

4.2 数据安全

边缘计算安全与无线传感器网络（WSN）的安全研究息息相关，总体都可分为节点的物理安全和信息数据安全，在边缘计算安全研究领域，节点自身的物理安全和多传感器之间的通信安全往往没有纳入重点考虑范围。

针对智能电网的边缘计算安全相关的研究尚处于初步阶段，取得了一定成果但尚未形成完整的研究体系。文献［55］提出了国家电网边缘计算应用安全的风险评估模型并给出了其要素层次结构，并使用AWVS、AppScan等工具对Web应用程序进行安全评估。文献［56］提出了一种基于模糊层次分析的安全风险评估方法，从设备层、数据层、网络层、应用层和管理层5个方面来进行电网边缘计算的安全评估。文献［57］设计了一套完备的组合赋权模型，采用改进的层次分析法来确定主观权重，采用熵值法来确定客观权重，并依次构建了电网的安全评估模型。文献［58］对流行的一次性密码（OTP）进行了比较，分析了适合智能电网的身份认证技术。文献［59］针对智能电网的安全需求引入了基于区块链的相互认证和密钥协商协议，可有效支持电网边缘计算的条件匿名和密钥管理。

今后对电网边缘计算安全的研究可能围绕以下几个方面：实现轻量级的分布式数据安全防护体系，探究边缘计算中普遍存在的多实体身份认证问题，边缘节点的物理安全防护和动态数据安全的维护。

4.3 多元异构数据融合

智能电网中部署着大量传感器来进行信息收集和目标检测，由于节点的数量巨大，需要将各节点数据传输至汇聚节点，而在传输过程中会产生大量的冗余信息，造成了通信带宽的浪费，针对这一问题，需要对数据融合技术进行深入研究。

传统单一的数据融合方法具有一定局限性，面对多种传感器的情况，要使用多种数据融合算法进行优势集成来应对。数据融合可分为3个信息层次，数据级融合、特征级融合、决策级融合，现阶段主流的融合技术依然是数据级融合，通过遗传算法和模糊神经网络可以实现特征级融合，而针对边缘计算这种直接面向设备的技术，更多需要的是决策级融合，而这也是亟待解决的问题之一。

5 结语

本文介绍和总结了边缘计算技术在智能电网的应用现状，分析了边缘计算应用于智能电网中的可能性。从发电、输变电、配电与用电4个方面深入全面地介绍了边缘计算在电网中的应用。最后，列举了一些边缘计算在智能电网中面临的紧迫问题。边缘计算是物联网发展的产物，想要实现万物互联就离不开边缘计算，因此想要建设完备的泛在电力物联网体系就必须引入边缘计算。总体来说，现阶段电网中对边缘计算的应用还处在初步阶段，主要集中在理论性框架的设计和简单的边缘应用，还未形成完整的体系结构，而随着技术研究的飞速发展，边缘计算会在电网中实现越来越重要的作用。