面向城市能源系统分布式资源的边缘智能技术综述

陈永东，刘友波，沈晓东，许立雄，刘 进，李利娟

（1. 四川大学电气工程学院,四川省成都市 610044；2. 华电（宁夏）能源有限公司,宁夏回族自治区银川市 750004；3. 湘潭大学自动化与电子信息学院,湖南省湘潭市 411105）

0 引言

随着分布式智能电网的演进与能源政策的更迭,打造更加智能、高效、绿色的城市能源系统（urban energy systems,UES）,成为优化城市能源结构和资源配置的必然选择［1-2］。UES 逐步演变为以可再生能源为主导,高度融合微网、园区、光储充等能源要素,全面集成5G、人工智能（artificial intelligence,AI）、超算等技术要素,多能协同、灵活互动、广泛参与的新型能源生态系统［3］。

新技术和新模式的涌现使得UES 资源稟赋耦合愈加紧密,其功能定位、技术支撑和市场机制发生了深刻变化,“弱可观、强随机、高要求”矛盾凸显［4-5］。分布式智能终端和用能设备时空分布相较以往更加分散,系统感知能力较弱、底层运行数据缺失、区域信息交互水平有限。基于云计算的集中式运行调控机理模型刻画难度、海量数据处理需求、网络时延带宽压力和安全隐私问题持续增长,难以实现资源的远程聚合管理与广域优化利用,系统运行调控面临巨大考验［6］。为缓解云端调度中心运行调控压力,以往上传至云端的数据信息应能于本地进行处理,这就要求智能终端应具备一定数据处理、计算和分析能力,终端间应能通过信息交互实现协同,并依赖边缘感知、通信、优化、控制等技术,以适应UES 运行控制、能量管理、需求响应、市场交易等场景需求。边缘智能（edge intelligence,EI）的分布式特征更加贴近分布式资源分布空间,为其提供了从云端下沉至边缘的解决方案,在数据源头完成任务分析与决策反馈,就近向终端用户提供存储、计算、通信等服务,缓解云端调度中心管控压力,满足差异化能源应用场景要求［7］。

如何运用边缘智能重构集中式管控链路,是助力UES 运行调控的关键。本文立足于新型电力系统建设对城市能源发展提出的新需求,以边缘智能技术理念作为分布式资源广泛融合、交互、协调和优化的基础,围绕面向UES 分布式资源的边缘智能理念、发展驱动、关键技术及架构、应用场景、发展挑战和未来前景等问题进行了分析和探讨,希望能够为UES 运行调控提供理论指导和路径参考。

1 UES 分布式资源与挑战

1.1 分布式资源优势

能源供给侧结构性改革推动能源发展由粗放向精细转变,分布式资源近用户优势开始显现［8］。由于其以清洁能源为主,在减小污染物排放的同时,也避免因线路建设带来的土地占用及环境破坏；同时也有效延缓网架投资建设压力,降低远距离送电产生的电能损耗,减少对集中供能的依赖［9］；另外,其有机融合冷、热、电、储等技术,实现多能互补和综合梯级利用,限制系统冗余,平抑负荷峰谷差,缓解调峰调频压力［10］。

1.2 UES 面临的挑战

分布式资源布局区域广阔、点多、量小,细粒度信息难以获取,实际配置完整且精确的“四遥”馈线仍属少数,计量布点与精度离系统完全可观还有相当距离［11-12］。物理机理模型精细刻画尚难,而现有研究对模型观测精度要求又较高,使得机理模型分析方法难以完全适应新型系统级物理对象［13］。虽有针对性方法予以解决,但仍面临边界条件无法保证、计算效率低下、容易陷入局部最优等问题［14-16］。信息不全与精确建模之间的矛盾,以及实际系统中的现实问题,制约了模型驱动方法的适用性和实用性。大量边缘终端接入,动辄TB 级甚至PB 级数据流涌向云端,将给云端调度中心带来通信时延、带宽占用、能源消耗、隐私安全、算力开销、单点故障等问题,难以有效适应高渗透分布式资源的即插即用与协调优化［17］。

AI 通过挖掘数据潜在规律与价值,从数据层面解决物理机理模型因简化近似造成的规律丢失问题,提高系统安全态势感知能力,降低二次设备投资范围与成本［18-19］。边缘计算（edge computing,EC）利用本地部署优势,降低通信时延与带宽占用压力,缩短攻击时限,增加有效攻击总面积,系统安全系数与经济性能得到提升［20-21］。如何合理利用上述技术,是UES 安全经济运行的关键。

2 数据驱动的边缘智能关键技术

2.1 边缘智能理念

边缘智能是边缘计算和AI 深度融合的崭新范式,不是机械的本地化AI 计算,涉及多业务领域交叉,高度依赖实际应用场景,目前尚未形成公认的学术定义。传统观点认为边缘智能是在边缘侧运用AI 的范式,但不能完全体现边缘智能内涵与外延,其范围不应局限于边缘,还应包含云-边协同机制［22-23］。文献［24］将边缘智能分为AI for edge 和AI on edge,前者侧重于借助AI 解决EC 中的优化问题,后者则侧重于如何在边缘部署AI 算法。文献［25］指出边缘智能是计算节点在边缘侧提供的高级数据分析、实时决策等相关服务。文献［26］则认为边缘智能是基于EC 运行机制和网络结构,依托其低时延、分布式特性,驱动AI 自主学习、决策能力下沉,为智能应用提供多层次的资源支持和性能优化。AI 为EC 提供技术和方法,通过EC 扩展其适用性。EC 为AI 提供应用场景和平台,通过AI 释放其潜力和可扩展性。边缘智能尚处于初级阶段,关键技术难关有待攻克。现有研究更多是从信息领域视角探索AI 模型训练推理优化策略,面向UES 分布式资源的边缘智能理念和技术还鲜有提出。

本文认为面向UES 分布式资源的边缘智能理念,是利用“智能+X（以AI、超算为基础,以5G 为通信骨干,以联邦学习打破数据孤岛,以区块链建立安全可信屏障,以AI 芯片为智能应用承载媒介的多维技术集大成者）”技术,引导云端服务下沉,在边缘提供数据分析处理、进化趋优决策、自组织与协同、安全隐私保护等高级服务,实现能量流、信息流与业务流的高度融合,为城市能源应用提供多层次资源支持和性能优化,集多端协同、软硬兼容、可迁移可扩展的高级城市能源服务形态于一体。

2.2 边缘智能体系架构及关键技术

边缘智能以云-边-端为层次划分,形成全链路资源联合与技术应用体系,其架构如图1 所示。

图1 面向UES 分布式资源的边缘智能体系架构Fig.1 EI architecture for UES distributed resources

云端调度中心从全局视角明确UES 顶层设计内容,对各环节组成要素统筹规划与综合利用,兼顾全局与局部、长期与短期利益,对边缘数据进行集中处理,回传边缘分布式执行,并保存边缘决策结果。

边缘节点位于云-端之间,物理上更加靠近终端,对终端原始数据分析决策,将结果上传、下发和保存。智能变电站可充当边缘节点,分别与主站中心、邻域变电站交互形成云-边协同、边-边协同模式,实现多个边缘节点的协同自治与分布式资源的安全管理,让AI 在云-端之间按需流动。

终端设备主要包含分布式电源、电动汽车、新型负荷等,通过将AI 推理或训练任务卸载至邻近边缘节点,以完成终端设备的本地计算与边缘节点较强算力的协同互补,进而降低终端设备自身资源消耗。云-边-端全链路体系为集中式管控时延、带宽、隐私等刚性约束提供解决方案,其关键技术如下。

2.2.1 自感知决策技术

自感知决策依托新型计量传感获取细粒度资源数据特征。借助AI 在数字层面提供态势感知、状态推理手段,各能源主体动态调整自身运行状态,闭环作用于物理系统,实现末端资源有序管控与系统全景信息感知,提升系统实时快速响应能力［27］。目前,多参量高灵敏感知机理与芯片化集成设计尚不清晰,物理数据特征时空演变规律认知尚浅,数据驱动的感知理论体系亦不完善。

2.2.2 异质数据管理技术

多源异构数据持续汇聚,云-边-端协同管理十分重要。终端存放数据标识和许可信息,通过安全访问机制验证数据一致性和完整性；边缘节点对终端数据进行加密、签名、存储与上链；云端存储数据加密映射关系,通过共识机制,实现数据跨域共享与隐私保护［28］。其核心价值在于高密度知识生成、理解与表达,更好地串联和呈现知识,提升海量终端精细化管理与高并发能力［29］。异构数据的跨域集成、深度可信融合、知识动态推理与表达依然是数据管理过程中的巨大难题。

2.2.3 自趋优进化技术

自趋优指能源主体自主调节自身运行状态向更优态过渡的过程［30-32］。现有研究主要集中于自趋优指标边界定义与算法运用,如何建立自趋优驱动机制与响应规则,实现单体决策与全局目标相容一致还须探索。以强化学习为代表的趋优算法因高试错成本制约了其实际应用可能［33］,利用机器学习和专家经验构建虚拟学习环境,结合迁移、增量学习实现知识广度继承和深度生长,大幅降低资源开销及试错代价,形成闭环式自趋优进化全栈学习框架已成为热点。

2.2.4 多态协同技术

仅依赖边缘智能将面临算力需求与资源受限、服务质量与安全隐私等多对矛盾,云-边-端全局性协同是解决上述矛盾的关键［28］。云-边协同:边缘负责本地数据处理,云端负责知识挖掘和模型训练升级；边-边协同:边缘节点协同配合,解决单节点资源限制；边-端协同:增强边缘节点能力；云-边-端协同:利用整个链路资源,解决能源主体矛盾。模型压缩、模型分割、联邦学习等模型优化技术,大数据治理、联盟区块链、任务调度优化等系统级优化技术,AI芯片承载、嵌入式开发等硬件优化技术尚待突破［34］。

2.2.5 通信安全技术

电力通信安全主要依赖宽带电力线载波、光纤复合电缆等有线通信与卫星、蜂窝、个人局域等无线通信技术,以网络边界隔离保护为主的安全分区、横向隔离、纵向认证主被动安全防护体系［35］。然而,边缘智能分布式、离散化特征使得安全防护加固难以实施,高级定制化、特征多样化攻击手段可能会弱化终端安全能力［36］。如何平衡抵御攻击有效性和数据可用性,实现异常威胁感知、隔离和阻断,形成以芯片为核心的通信安全免疫体系,解决信息物理攻击实时发现和防渗透难题愈加重要。

2.2.6 硬件支撑技术

芯片是部署AI 的关键,AI 芯片包括图形处理单元（graphics processing unit,GPU）、半定制化现场可编程门阵列（field programmable gate array,FPGA）、定制化专用集成电路（application specific integrated circuit,ASIC）和类脑计算芯片［37-38］,主流厂商及其产品如表1 所示。

表1 AI 芯片信息Table 1 Information of AI chip

针对特定场景进行针对性设计、软硬件定制和性能优化是解决场景与芯片不匹配的有效方案［39-40］,如何从技术角度对其进行分类与选择亟须解决。此外AI 机理尚不清晰,芯片实现原理亦在探索,这也是指导芯片优化设计和通用的基本前提。近年来,中国在电力芯片研发方面取得了较大突破与进展,主要包括主控芯片、传感芯片、通信芯片、安全芯片和射频识别芯片,并在发、输、变、配、用、调等环节实现了落地应用。如:南方电网数字研究院研发的“伏羲FUXI-H”主控芯片已应用于继电保护、配电自动化、计量自动化领域；北京智芯微电子科技研发的电力传感芯片已在源网荷侧得到了大规模应用；深圳力合微电子研发的物联网通信芯片已应用于电网终端信息采集、多表集抄、能效管理方面；华为研发的“鲲鹏”系列安全芯片已在南方电网输电线路巡检方面得到试点应用等。

2.2.7 软件支撑技术

传统固化的软件结构难以适应UES 大规模定制生产需求,不同软件平台因标准与技术相异难以兼容,信息传输低效耗时,且需停机调试给系统带来安全风险,无法应对时变场景。边缘智能软件平台包含面向终端、面向边缘、面向云-边-端协同的开源平台［28］,终端平台注重解决终端应用开发及部署难题,边缘平台着眼于优化和重建网络边缘基础设施,云-边-端协同平台将云端服务拓展至终端末梢,主流厂商及其平台如表2 所示。如何系统化支持能源应用需求是边缘智能软件平台未来发展趋势之一。近年来,北京智芯微电子科技研发的枢纽4.0、湖南麒麟信安科技研发的麒麟系列、安科瑞研发的Acrelcloud 系列、深圳宏电研发的Smart 2000、广州虹科电子科技研发的Edge Xpert 等操作系统得到了广泛部署与应用。

表2 边缘智能开源平台Table 2 EI open source platform

3 边缘智能在UES 的应用场景

UES 背景下边缘智能应用场景得到了极大丰富,具体如表3 所示。

表3 边缘智能应用场景及关键技术Table 3 Application scenarios and key technologies of EI

3.1 有源配电网的分布式运行控制

分布式资源增加了有源配电网运行控制难度,一致性、交替方向乘子等分布式协同控制方法因参数获取困难、假设性较强难以适配有源配电网的实际特性［41］。多智能体深度强化学习结合边缘计算成为当前及未来分布式协同控制的主流方法,主要用于配电网分布式电源调度、无功优化、故障恢复等方面［42］,其技术架构如图2 所示。

图2 有源配电网的分布式运行控制技术架构Fig.2 Distributed operation control technology architecture of active distribution network

分布式电源优化调度是提升系统新能源消纳能力、实现经济运行的重要手段。文献［43］考虑源荷不确定性,设计了基于多智能体近端策略优化（MAPPO）的分布式电源优化调度框架。配电网运行方式、无功功率受新能源出力波动影响,容易造成馈线电压越限,如何协调不同响应尺度控制资源应对电压波动是配电网运行控制主要研究方向。文献［44］利用多智能体深度确定性策略梯度（MADDPG）实现了弱通信条件下的配电网自主电压控制。极端天气增加了配电网故障蔓延的可能,如何利用现有可控资源实现故障快速恢复,提高系统韧性响应是亟须解决的问题。文献［45］提出了计及拓扑变化的配电网故障恢复方法,但是在拓扑变化较大时模型泛化能力较弱。上述研究尚未考虑分布式资源的聚合效应,将协调控制对象上升至集群级别,实现有源配电网集群间的协同运行控制。

3.2 多主体自趋优能量管理

新边界条件下,能源主体产用能关系发生了深刻变化,决策机制由集中调度向自趋优协调变革,能量管理依赖集群自律、分级协调的分层递阶式结构［46-47］,以满足用户电能质量要求和系统供电可靠性要求。涉及主体主要包括家庭、建筑、微网、电动汽车、储能等,边缘控制器部署于各自能量管理系统当中,其技术架构如图3 所示。

图3 多主体自趋优能量管理技术架构Fig.3 Technology architecture of multi-agent selfoptimizing energy management

大量家庭柔性负荷增加了运行管理复杂性,文献［48］对比了不同情境下家庭用户与电网间的优化调度效果。建筑能耗占总能耗的1/3,其能耗管理愈加重要,文献［49］更加注重建筑能耗管理的经济性,忽略了对建筑负荷的控制。电动汽车无序充电将对系统稳定、交通状况造成影响,文献［50］利用双重深度Q 网络（DDQN）优化电动汽车充电行为,缓解车-站-网-路协调压力。挖掘储能的双向调节潜力是辅助系统正常运行的重要举措,文献［51］通过DDQN 优化共享储能实时控制策略实现动态经济运行。上述研究侧重个体趋优自治,未考虑全局相容关系,或是仅考虑整体特性,忽略个体交互行为,且仅针对单一能量形态,尚未解决冷热电联产间的耦合优化。

3.3 广域灵活需求响应

充分挖掘分布式电源、柔性负荷、储能等需求侧资源响应潜力,通过价格信号或激励机制引导和鼓励用户主动优化电力消费模式与市场参与行为,是实现供需动态平衡的关键［52］。响应资源辨识与潜力分析是开展需求响应的前提,可为调度中心提供较为直接的量化参考。此外用户应能在本地对市场信号做出反应,根据市场信息实现自身用能行为优化和市场行为策略选择,其技术架构如图4 所示。文献［53］假设目标域与源域分布相似,提出基于迁移学习的响应潜力评估方法。文献［54］考虑分时电价利用DDQN 优化用户用能行为。文献［55］提出了云-边协同需求响应方法,云端负责模型离线训练,边缘定期复制更新、在线推理和决策。

图4 广域灵活需求响应技术架构Fig.4 Technology architecture of wide-area flexible demand response

现有研究大多假设完美通信,当通信质量不佳时,达到纳什均衡需要更多迭代次数和收敛时间,会对系统产生较大延时影响。为满足灵活高效、安全可靠的需求响应要求,响应服务平衡与优化技术不断涌现。文献［56］提出了一种边缘云部署方法,缓解需求响应管理平台业务处理压力。文献［57］利用边缘缓存与分发机制,有效提高用户实际响应能力。边缘云部署与边缘缓存须基于具体骨干网架进行部署设计,既要考虑通信服务质量和业务可靠性,也要避免边缘节点处理计算压力过大。

3.4 多模式电力能源市场

电力市场放松监管推动市场模式逐渐由计划经济转向市场经济。前者需以完全信息、充裕算力、社会福利最大化为前提,集中确定资源配置方案,其自上而下的量价模式无法满足市场主体商业诉求,难以完全适应新型市场形态［58］；后者通过市场力自适应市场局部可观特性,降低市场准入门槛。无论是计划经济还是市场经济,以往主要利用双层优化、博弈论等刻画市场主体交易行为,求解复杂难以保证纳什均衡和反映市场主体间的动态交互行为［59］。

源荷分散化使得能源交易向无中心定价和端对端交易发展,无中心定价须根据实际情况设计合适的定价机制,端对端交易被视为“共享经济”的实例。文献［60］提出基于深度确定性策略梯度（DDPG）的社区能源定价策略,文献［61］借助Qlearning 刻画产销用户端对端交易行为。区块链解决了市场主体间协调困难、信任缺失、信息不对称等问题［62］。现有研究侧重于对市场交易行为的局部细节探讨,对定价机制选择分析鲜有系统性研究［63］。市场经济虽然灵活简单,但其假设竞争充分、无外部性。计划经济和市场经济并不完全独立,在具体交易环节设计时,应综合考虑市场影响因素,完善市场价格形成机制,引导市场主体参与能源交易,其技术架构如图5 所示。

图5 多模式电力能源市场技术架构Fig.5 Technical architecture of multi-mode power energy market

3.5 边缘流数据学习

传统隐患排查、缺陷治理、安全管控因识别、辅控置信度较低,主要依赖人工排查和事后处理。文本、图像、音视频等数据流激增使得数据分析、人力投入、反应滞后问题突出,增加了运维管理难度、系统安全隐患与故障恢复时间［64］。边缘智能推动算力算法向摄像头、无人机、便携式穿戴等前端感知设备迁移,帮助运维人员厘清设备状态和故障来由,并将分析结果推送至个人终端,为智能运检、应急保障、协同作业、实景指挥、远程会商提供技术支撑,其架构如图6 所示。

图6 边缘流数据学习技术架构Fig.6 Technology architecture of edge stream data learning

设备状态分析囊括文本信息挖掘与图像特征识别,其本质在于利用AI 算法提取设备状态数据关联关系,解决“看得懂”的问题。文献［65］考虑缺陷文本信息内在逻辑,提出缺陷记录自动检索方法；文献［66］利用YOLO3 实现输电线路螺栓缺陷实时检测；文献［67］提出了轻量级输电线路覆冰厚度终端级辨识方法。然而,电力健康管理知识图谱构建、安全管控标准划分、设备状态数据集制定还相当匮乏,设备状态演化机理尚不清晰,状态评估理论体系亦不完善,设备微弱特征信号提取仍然困难,亟待借助专家系统和多维智能手段进行运维管理认知及风险智慧识别。

3.6 设备应用

AI 芯片为管理智能终端设备、搭载AI 算法提供技术支撑,其已成为边缘智能落地的迫切需要和必然趋势,其选型策略亦是加持UES 运行控制、能量管理、需求响应、市场交易等应用场景的关键。文献［67］将卷积神经网络（CNN）部署于华为Atlas 200 DK,并搭载Ascend 310 智能芯片和Hi3559 摄像头,在线识别输电线路覆冰厚度。英伟达最近正在合作开发特定软件定义智能电网芯片,该芯片需要连接一个由ARM CPU 和Nvidia GPU 组成的Nvidia Jetson 辅助模块,在其上固化AI 模型,整体嵌入智能电表,以增强电网弹性［68］。目前,电力能源领域针对边缘智能的嵌入式应用和装置开发还鲜有研究,尚处于技术框架和AI 模型优化的探索阶段。

4 UES 边缘智能研究展望

边缘智能在实际落地过程中,仍然存在大量应用难点与痛点有待继续突破和完善,如图7 所示,具体主要包含如下6 个方面。

图7 面向UES 分布式资源的边缘智能研究展望Fig.7 Research prospect of EI for distributed energy resources in USE

1）通信模式方面:通信质量是保证精准感知、决策的前提,边缘智能背景下UES 计算任务从骨干网下沉至接入网,设备交互愈加频繁,传统通信模式难以满足具体应用需求。后续研究应考虑通信范围、带宽、频段、协议、拓扑等因素,形成面向全局的自适应通信优化方法,为不同应用场景提供按需应变的通信服务,满足实时、可靠的电力需求。

2）安全隐私方面:以往以网络边界预防为主的安全防护体系难以适应边缘分布式、离散化特征。如何从系统身份认证、访问控制、入侵检测、密钥管理、信任评估等方面探究面向UES 的“零信任”安全防护路径,以降低发、输、变、配、用等各环节数据泄露以及软硬件系统设备瘫痪风险,解决物理、网络、数据、应用安全隐患,保障UES 隐私及运行安全,是后续研究的重点。

3）智能算法方面:AI 已突破了从“不能用、不好用”到“可以用”的技术拐点,但距离“很好用”尚存诸多挑战［69］。UES 应用场景复杂多变,应综合考虑实际问题复杂度、数据可用性、泛化能力、能耗瓶颈等因素,构建“云-边-端”侧稳定可解释的AI 模型,对其进行多场景测试,明确模型“有效边界”,根据不同场景探索灵活的模型优化更新策略,形成边缘智能全栈学习框架。

4）云-边协同方面:云-边协同作为边缘智能的核心价值体现,二者并非割裂或相互替代关系,仍需协同补充。后续研究应考虑如何发挥“云-边-端”侧数据、模型、存储、算力、网络等资源优势,结合能源应用场景构建更具体、更具可行性的云-边协同实施框架和方案,以满足不同应用场景下的服务弹性和多样性、智能协同性和高效性等方面的需求约束,支撑多种协同方式下的智能任务编排、训练和推理等。

5）机制设计方面:传统优化迭代算法面对多样化、时变场景适应能力较差,难以驱动UES 整体趋优运行。为使全局趋优运行,并确保这种趋优自主进行,如何制定局部与全局的动态激励相容规则,各能源主体在规则约束下进行协同与竞争,自组织建立动态逻辑耦合是应重点考虑的内容。同时,应考虑如何形成市场长效激励机制,通过市场力实现对能源主体行为的动态引导,宏观调控安全有序用能。

6）业务场景方面:边缘智能产品形态、应用模式尚不成熟,未来如何将其融入UES 规划、运行、控制、交易等业务场景各环节,构建多场景业务融合服务体系和多源信息交互平台,形成以底层芯片、终端设备、网络设备、云端平台等一体化的全栈式解决方案,实现前后端之间的相互协调联动与业务场景的认知和理解,促进信息物理深度融合。

此外,考虑边缘业务不同时序逻辑、计算终端微服务设计差异性和关联性,制定边缘智能资源优化配置方案［69-70］,基于不同应用场景,完成边缘软硬件模拟实验、半实物仿真及工程测试。

5 结语

新型技术、资源、机制等多要素融合给城市能源发展带来诸多挑战,传统集中式管控手段难以充分挖掘和释放UES 资源潜力空间以实现信息物理互补协同,无法有效应对运行调控风险。UES 分布式资源边缘智能的核心功能实现需要以资源精准感知和海量异质数据管理为基础,以趋优进化、多态协同和通信安全为扩展,以软硬件结合支撑落地,突破集中式管控技术壁垒,为城市能源服务“充电”。目前,边缘智能尚处于初步尝试阶段,从理论到实践还需解决通信模式、安全隐私、智能算法、云-边协同、机制设计和业务场景等方面的诸多难题。