云边协同计算下配电网优化调度探讨

方 琪

（国网苏州供电公司，江苏 苏州 215000）

0 引 言

处于新基建的发展背景，物联网技术和大数据技术等已经渗透我国人们生活的各个行业，今后全新模式的配电网设施势必拥有高性能服务，以边缘云为主的信息智能设施具备较强的数据算法功能，便于电力行业的长久建设。一些专家已经提出配电网优化调度的模式，尝试调整配电网的组成结构，避免有配电网功率过多浪费的现象。为此可以关联配电网智能化数据源输出以及保存数据的过程等综合性研究，整合台区云边协同场景，更好地推动电力行业发展。

1 云边协同计算下配电网优化调度组成体系

云边协同组成体系的设定，归属于配电网基本组成形式，以科学协同为基础优化电压指数，顺应配电网优化调度的综合需求。围绕云边协同计算的分布式显著特征，设定针对性云计算服务结构、边缘计算结构，共同完善OpenStack 云边协同[1]。云端的设定，强调对全部的数据信息开展模块加载项目，边缘端要利用数据构建对应模型，给配电网等基础设备配置实效性业务。若减少配电网调度加载的时间，也会减少体系响应时间，有助于提高配电网设备的综合运作效率。为此，工作者需要结合云边协同体系的基本内容，全面采集和记录信息，使得用户能够得到针对性服务。智能化终端的存在可以简便加工采集器数据信号，从而将信息完整保存在边缘端服务器结构内。数据节点的信息接收器将信息保存在数据库内，云边协同组成体系如表1 所示。

表1 云边协同体系

2 云边协同计算下配电网优化调度目标概述

云边协同组成体系主要是统计配电网电流值的变化，明确配电网调度目标。在促进配电网有效调度的情况下，工作者要对全部用电设备的性能和运作状态进行统筹，不能由于单体潜在的风险阻碍配电网的正常优化整合[2]。围绕配电网电力综合质量整合现有的标准规范，设定最佳电压偏差量、最佳波动电流，换言之，配电网的多个节点电压偏差量应小于等于优化值。同时，借助云边协同过程，智能化设备将信息保存在边缘端模块内，以数据信息的加工模型出示微数据，存储在边缘端信息加工模型内。响应过程需要将数据传输给客户端，后续开展正确的配电网优化调度，边缘端数据库按照集中模式保存大量信息，还可以将数据传递给远部模块[3]。之后处理远部模块的数据，这样边缘端数据库以及远部数据库能够分类别化加工数据，发布真实性数据，凸显配电网优化调度数据的准确性与有效性。

3 云边协同计算下配电网优化调度应用技术要点

配电网优化调度的过程，应考虑云端数据与边端数据库互相传输存在的问题，包含资源需求以及设备资源利用的冲突、数据加工质量和隐私调节的冲突、任务需求和边缘设备的冲突。应用云边协同配电网优化调度技术，要顾及预测协同过程、云端负责模型过程、边端数据采集过程、边端获取中间数据过程以及边端更新模型过程。智能化处理配电网优化调度流程，不管是哪一种模式，都应该应用先进的技术，如迁移学习技术、神经网络压缩技术以及联邦学习技术[4]。

3.1 迁移学习技术

此技术的应用，即将任务迁移到其他模式中，尤其适用于云边协同计算下的配电网调度。因为配电网模型的场景有多样性，数据来源相对广泛，且数据量比较多，所以工作者要利用迁移学习技术保留原有的模型组成形式。并且对全新的数据进行集中化管理，得到全新场景的数据管理模型，下载客户端后可以更好地节约模型制作成本。

3.2 神经网络压缩技术

云边协同计算过程，特别是在云端结构中进行烦琐的配电网优化调度，工作者应将数据传递到边端，通过完整模型加工数据信息。此过程是普通神经网络模型不能实现的协同目标，边缘节点烦琐的场景应用要求工作者及时发挥神经网络压缩技术的作用。另外，考虑到一些影响因素，和云端相连的网络模型可能存在无法实效性运算的问题，所以要在神经网络压缩技术的应用中利用参数共享调整配电网调度指令，减少网络运算的烦琐性[5]。

3.3 联邦学习技术

要想提高配电网优化调度中云边协同计算形式的应用效果，应利用联邦学习技术，处理边缘数据的孤岛问题。此种学习技术是分布式机械化的体现，不需要数据信息共享便能够对现有的数据进行互相协同与运作。加入配电网优化调度的设备，按照网络通信形式、边缘服务器形式共享数据，打造完整的结构模型。应用联邦学习技术，要提高配电网调度的安全性，直接保护用户隐私。本质上，联邦学习技术涉及纵向学习模块、横向学习模块，工作者要思考如何以云边协同计算为核心发挥联邦学习技术的作用，借助边缘服务器的性能减小通信数据成本，全面提高边缘缓存速度，对边缘数据进行有机聚合与整合，应用效果可观[6]。

4 云边协同计算下优化调度配电网的具体应用方案

配电网优化调度中，可以将云边协同计算体系作用在较多场景，以低压台区的云边协同为例，涉及综合感知电力网络、协调控制电力能源、优化调整配电运行等过程。边缘智能化的调整中，云边协同计算可以为边缘侧提供信息，具备网络保存的优质性能。将业务与数据以及资源互相协同，综合化感知台区每个模块，提高电能质量，实现配电网智能化管理。

4.1 综合感知电力网络

此场景的应用中，配电网优化调度中心能够及时利用能源设施，以大数据为基础智能化实施配电网边缘端的管理。妥善规避信息传输延时、配电终端设备类型繁多、云中心数据量大等问题，从而综合优化电力网络的应用过程。云中心的设备有一定的监控性能，科学处理配电网调度的困境，实施全方位的数据监测与巡视，避免有数据孤岛的问题出现，由此数据信息之间可以互联互通，保障信息利用率指数不断提高。与此同时，边缘性设备接入配电网中，减少通信距离，加强数据传输效果。通过边缘设备综合计算配电网的电力信息，实效性预测信息数据的变化，接下来将网络数据保存在云端。云端在最短时间内完善配电网调度结构，感知电力分配情况，由此借助联邦学习技术整合多个边缘数据，搭建共享性平台，起到调度配电网的作用，更能够实现对用户隐私的保护[7]。

4.2 协调控制电力能源

配电网的优化调度中，考虑到分布式能源预测难度大的问题，协调控制电力能源至关必要，工作者应通过云边协同计算过程，系统性了解云中心以及边缘侧的电力数据，得到完整性配电网优化调度信息，并且规范化融合分布式电源、保存能源、电动汽车等结构，以云中心的形式传递指令，科学控制配电网削峰填谷的调节过程。利用边缘装置传输用电需求数据、用电监测数据，合理配置配电网的电力资源，在传输指令的前提下凸显边缘装置作用。简便化处理边缘侧，协同控制接入边缘配电网设备，改善清洁能源的消纳困境，提高能源数据的统计效果。

4.3 优化调整配电运行

以云边协同的组成体系为基础调度优化配电网，将配电网运作潜在的风险加以实效性评估，制定负荷调度模型，促进配电网负荷可以维持均衡化，减小配电网受损概率，不断加强配电网供电综合水平[8]。云边协同体系可以优化模型组成结构，包含负荷预测、线损研究以及故障检测等模型，按照边缘侧上传的信息动态更新模型参数，将数据传递到边缘设备中，后续边缘设备依托模型参数以及设备端信息综合管理接入设备，落实配电网优化调度的最优化分配。

5 结 论

如今，每一个区域中都出现了新能源负荷骤增的情况，开展配电网的调度优化工作有现实意义和价值。新时期，边缘计算以及人工智能的作用和价值已经深入人心，如何加强配电网调度优化效率是重中之重。研究者尝试构建云边协同计算结构体系，妥善处理区域配电网控制和调节等问题，创设真实化低压台区的配电网需求场景，制定云边协同计算的多种方案，促进配电网调度优化可以更好地具备自动化、智能化性能，加快电力行业的现代化建设脚步，给电力行业发展保驾护航。