面向电力物联网的云边协同应用研究

杨定坤 赵 南 马红双 李 辉

(江苏电力信息技术有限公司 南京 210000)

1 引言

近年来，云数据和边缘计算技术的出现，加快了数据发展的进程，云边协同技术更是得到了用户的青睐。边云协同在一种意义上对边缘计算进行多数部署，并将边缘侧与中心云的协同共同满足应用场景需要，但目前电力物联网数据的协同效率低下，严重滞后了电力物联网的发展。为了提高数据计算效率，需要对电力物联网的云边协同进行恰当的应用。

因此，经过多方研究和查阅资料，根据云边协同对数据交互上的应用分析，设计出多个电力物联网的数据协同方式。文献[1]通过农村公共服务网格化供给为案例，对云网融合技术进行了应用说明，该技术通过融合数据进行电力设备的云边协同，通过再次对配套机制进行改造，形成“横向到边，纵向到底”的服务格局，该技术虽然进一步优化服务流程细节，提高电网的数据采集能力，满足电力集团的组网和计算需求，使电力资源能够快速部署。但是这种方法由于数据融合过多容易造成混乱，使电网调度出现问题[1]；文献[2]提出了一种图论的影像匹配粗差探测算法，该方法将位于左右影像上的匹配点构成完全图，然后利用三角形相似性将两个完全图导出一个属性图，通过迭代算法，将属性值低的节点逐步剔除，该方案通过建立深度学习模型，把电网数据通过云边协同聚合在一个服务器中，加快数据处理速度，减小系统的通信压力。但是数据计算结果不够精确，对聚合服务器的要求过高，增加了建设成本。

通过上述云边协同技术在各个领域的应用分析，本研究为加强电力物联网系统运行能力，本文设计一种云边协同组织架构；通过数字化集成技术能够更加清晰显示电力物联网数据协同的状态；采用电网CPS建模加强云边协同能力，便于信息交互和管理；利用完全分布式协同算法加快了云边协同数据的传输速度，提高了电力网的数据协同能力[3]。

2 云边协同组织架构

为了增加电力物联网的中心数据库与边缘运营设备的协同能力，本研究设计一种云边协同组织架构。能够解决电网服务对象广泛及业务周期峰值等问题，但能源行业由于分布广泛、体量巨大，若将所有的数据全部上传到云端处理，会增加系统计算压力[4]。在能源行业中部署设备能够最大程度满足大批量的数据传输，因此云边协同组织架构的建立能够顺应目前电网的发展进程。云边协同组织架构如图1所示。

图1 云边协同组织架构

云边协同组织架构核心是大数据库，能够把电力物联网产生的电力数据储存在大数据库中，然后供给各个边缘设备，通过架设数据通道完成数据的准确传达和整体调度[5]。整个组织结构分为一个中心云和四个边缘设备，云服务是指中心云平台，主要进行电力物联网数据的录入和电网CPS建模，根据采集的协同数据建立电网协同物理融合模型；四个边缘设备分别为计算机算法、广域网管控中心、边缘平台和数字集成技术，计算机算法采用的是完全分布式协同算法；广域网管控中心负责安全管控，主要对输出电厂、电力市场和用电单位进行监控和电力运行分析；边缘平台设有边缘设备，对电力物联网产生的数据进行收集和上报；数据集成技术通过互联网和显示屏呈现在屏幕上或者输入到浏览器中便于后续检索[6]。

整个云边协同组织架构根据中心扩散的思想，把大数据作为中心，扩散到众多边缘设备，增强了电力物联网运行数据的协同能力，提高云边数据的协同效率[7]。

3 数字化集成技术

在云边协同组织架构中数据显示通过数字集成化来完成，对电力物联网产生的大量数据经过初步处理，输入到组织架构中，数据集成技术会根据数据进行显示，使组织架构具备数据跟踪能力[8]，从而更好地了解数据运行状态，数字化集成技术功能图如图2所示。

图2 数字集成功能图

数字集成化思路是从电网边缘设备建立集成数字平台，将电网建模和数值建模集中数据梳理，并在此基础上重新开发数值建模模块，最后开发建养一体数字化平台的数据转换模块，将计算结果通过建立的传输通道和数据通道传输到基础设施建养一体数字化平台[9]。

在基础设施的建设期，基于数字数值一体化平台，对基础设施进行结构设计计算和施工状态分析，以施工结束后的结构内力实测数据为依据，反演分析设计计算的关键参数-地层荷载与地层弹性抗力[10]。最后根据反演参数来确定衬砌结构的真实受力状态，得到隧道典型断面的受力变形状况以及安全系数，从而为后续的养护工作提供必要的理论基础和数据支持。

4 电网CPS建模

信息物理融合系统(Cyber physical systems, CPS)即一个边缘计算控制平台与其对应集群设备可构成一个计算机程序的性能边缘(Computer program performance specification, CPPS)，将其称为边缘计算组[11]。云边协同的集中分布联合控制方式下，边缘计算组即是全网系统的基本计算单元。通过信息接地节点方法对协同集中数据进行化简，N节点、M条支路的边缘计算组的关联矩阵为N×M矩阵，得到边缘数据矩阵A=[aij]，推算出扩展矩阵A′。

式中，aij表征节点i和支路j的关联关系。扩展矩阵A′最后一行除最后一个元素为−1外，其余均为零，表示数据传输通道只有协同信息流入；最后一列表示冗余数据节点流入接地支路，定义矩阵ACG表示所有节点与冗余支路的连接关系，其结构如式(3)所示

将单一边缘计算组模型作为整体模型，通过整体模型的覆盖方式实现组间协同自治、云边协同控制的过程即建立统一计算模型的过程。

用关联矩阵模型为AP×QN+1～N+P和AP×Q描述协同模型的建立步骤，多组协同的建模方法即将两个单元模型的数据节点和支路进行统一编号[12]。模型1的数据节点编号为1～N，数据支路编号为1～M；模型2的数据节点编号为N＋1～N＋P，数据支路编号为M＋1～M＋Q；协同模型建立过程中，数据节点不会发生变化，但组间数据交换使数据支路增加。设新增r条支路，则产生的增补矩阵为

式中，aIJ表示模型1的增补数据；aIK表示模型2的增补数据，与单元建模类似，增加接地节点和接地支路，增补矩阵与单元模型矩阵组成协同计算模型。

除边缘计算组外，系统还包括大数据中心和主干网。将大数据中心视为数据池节点，通过主干网与边缘服务节点连接，主干网是边缘计算服务器与大数据中心交互的主干线，视为数据支路[13]。故含有S个单元计算模型的全网关联矩阵为

式中，ACG表示单元计算模型计算方式；AS表示全网关联矩阵数量；ABG表示增补数据矩阵的增补量。设主干网络有W条数据通道连接，边缘协同模型共有X个节点，则模型中最后一行数据池节点为

式中，X表示单元协同模型节点个数；W表示网络传输线路连接单元数量；aXW表示传输线路节点进行协同的数据。

通过上述CPS模型的建立过程，对整个调度过程进行分析，量化分析调度过程中不同运行情况下的主要出力单元状态变化，在集中分布控制方式下建立模型如图3所示。

图3 电网CPS模型

电网CPS模型划分为两个边缘计算组，其中配网区域1负责用户、设备和储能方面的负荷电能，配网区域2负责工业上产生负荷的消耗，区域1、2均需要考虑用户价格需求响应。为简化电网模型运行过程，对电力调度的功能导向进行冗余数据节点的简化，并略去所有冗余数据节点支路，从而缩短了电力物联网的云边协同数据传输时间[14]。

5 完全分布式协同算法控制策略

完全分布式协同算法负责解决电力物联网云边协同数据的处理，包括云数据的归类划分和边缘数据的收集传输[15]。

通过电力物联网边缘设备采集的数据输入到算法程序中，对数据进行迭代变化，使数据在通信层完成协同调整，即得到通信单元数据微增量为

式中，iφ为单元i在不含任何不等式约束下的出力计算值，即和bi表示成本系数。

更新调整项fi(k+1)并反馈回通信层。即使是可控单元，在实际运行中也会受到不确定因素的干扰造成对控制指令的执行不充分，如响应延时等，此时物理设备需要将自身的实际运行情况上报给决策器，及时调整自身的控制指令以及对外的输出信息。调整项的计算如下

式中，pi(k+1)、Di(k+1)分别为单元i在k+1时刻的有功出力以及有功需求的实测值。由通信网络参数vi,j构成的矩阵V即调整项协同随机矩阵，即V的各列向量加和为1。为满足矩阵收敛规则，对式(11)进行简化处理

式中，1T表示与V维度相等的单位行向量，根据矩阵的乘法特性，1TV表示将V列中的元素相加。由于V为调整项协同随机矩阵，因此1TV=1T，则

将式(13)还原成变量表达形式，即

在设置初值时使

根据单元的可控性，根据自设权重的一致项系数矩阵W，给可控单元的单元分配较高的权重，反之不可控单元的单元权重较低。

对上述数据矩阵假设为协同量分析，令Di(0)为单元i在开始并网时刻的本地有功需求，当作已知量。Pi(0)可取其发电上下限内的任意值，即

式中，Pi表示并网时边缘数据协同量；Pi表示协同量的平均值；ai表示单个边缘设备协同时的数据；ib表示协同数据的连续，在上述设定下符合前述要求[18]。

6 试验结果与分析

本研究根据华中区域电力物联网的调研情况，在Intel i5 八代+64GB内存计算机环境下，试验环境要求如下：服务器CPU的平均负荷率小于40%，通信的平均负荷小于35%；云中心存储数据大于5年；环境运行要求如下：配置试验用计算机条件采用酷睿8以上CPU，处理器应用高通骁龙888；应有充足的电源充电能力[19]。应用Proteus进行芯片仿真，使用Matlab仿真软件完成仿真验证，根据云边协同数据，通过高配置计算机完成数据计算和验证，云边协同组织架构试验参数介绍如表1所示。

表1 试验环境参数配置

本文使用Windows 10操作系统，通过模拟华中电力物联网数据协同进行采集记录数据，得到云边协同架构在电力物联网系统中的测试结果，通过协同效率计算公式得出结果

式中，α表示云边协同数据汇总量；T表示数据协同平均时间，经过系统记录和式(18)计算得出本研究数据协同结果如表2所示。

表2 数据协同测试结果

本文试验通过测试多条数据协同线路，记录多组数据，为减少误差，本文所有试验数据采用平均值记录数据结果，在表2中，通过将协同1线、协同2线和协同3线分别进行对比分析。在大约700 s的时间内，协同1线的协调数据为5 000 MB，协同2线的数据大致为8 000 MB，协同3线的数据大致为6 000 MB。结合本研究的技术方案得出，协同1线的协同效率为8.33 MB/s，协同2线的协同效率为9.41 MB/s，协同3线的协同效率为8.57 MB/s，根据表2数据协同测试结果，可以看出本研究云边协同应用方式协同效率稳定在8.5 MB/s。

为更清晰直观了解本文云边协同组织架构的优越性，对系统运行状态模拟运行，通过Matlab仿真软件得到系统协同数据增量随时间变化曲线如图4所示。

图4 云边协同数据增量变化曲线

分析图中云边协同数据增量变化规律，云边协同组织架构数据增量呈梯次增加，在200 s开始第一次增加，此时数据增量增加的数据是最快的，之后增加量减少，在1 200 s达到最大，最大数据增量为550 MB，之后在极短时间内减少到450 MB。

为验证本研究设计的云边协同组织架构在电力物联网中的协同效率，对本研究得到的数据协同效率曲线与传统协同方式(常规Internet网络的方式)进行对比，得到数据协同效率曲线如图5所示。

通过对比发现本研究云边协同数据协同效率更高，在数据协同量为1 000 MB时达到最高，最高为8 MB/s，随后处于稳定状态，数据处理稳定在8 MB/s；传统协同方式数据协同效率明显偏低，最高达到6 MB/s，而且在数据采集量超过2 000 MB后，协同效率逐渐降低，数据协同量过高时可能出现停滞现象。

综上所述，本文研究的云边协同在电力物联网方面的应用，数据增量稳定性强，协同效率更高，从而验证了云边协同在电力物联网应用的优越性。

7 结论

本研究针对云边协同在电力物联网的应用情况，进行以下技术研究。

(1) 构建了云边协同组织架构，能够把电力物联网产生的电力数据储存在大数据库中，然后供给各个边缘设备，通过架设数据通道完成数据的准确传达和整体调度。

(2) 在云边协同组织架构中数据显示通过数字集成化来完成，利用数字化集成技术清晰把握云边数据在组织架构中的运行动态。

(3) 构建了信息物理融合系统(CPS)，利用电网CPS建模为云边协同数据提供传输通道；利用完全分布式协同算法加快数据速度，提高云边协同效率。经过试验测试和对比曲线分析，发现本文设计的云边协同在电力物联网中的应用具有一定的实用价值，能够满足电力物联网运行的需求。