基于云计算的人工智能运行平台和边缘终端交互机制研究与应用

苏江文,黄晓光,张 垚,陈江海

(1.福建亿榕信息技术有限公司,福建 福州 350003)

(2.国网信息通信产业集团有限公司,北京 100052)

随着配电物联网建设的推进,越来越多的配电设备、电气传感器等接入到配电网中,产生了海量的异构数据[1]。配电网数据的采集、传输以及数据分析给信道通信和主站存储带来巨大压力,传统数据传输和处理能力难以满足庞大的数据处理要求,导致电网系统工作效率低下,甚至影响到供电的安全可靠性[2]。边缘计算将存储计算能力下沉至数据源头、网络边缘来降低网络阻塞导致的高时延,实现对终端请求的快速响应和数据实时处理,减少云计算中心的压力[3]。目前边缘计算在能效管理、智能制造、预测维护等方面得到深入的应用[4-6]。如基于边缘计算的分布式能源管理系统的异构数据互联,有效提高了业务响应实时性,并可以与云端协同优化云端模型[7];基于局域边缘计算建立分层自治协同的配电网信息物理系统模型,有效提高了互联网数据传输、分析的效率和安全性[8];通过边缘计算对配电系统运行状态进行实时监测,对智能配电系统中信息传感器、智能电容、换向开关等智能设备数据进行采集和监控,实现配电网负荷的智能化调配[9]。

本文基于云主站和边缘计算技术建立了一种电力数据存储和算例优化模型。根据边缘计算结构进行标准框架划分,同时对边缘任务卸载和资源分配算法进行优化来提升数据处理效率,通过引入“云端协同”机制实现计算节点和云端数据内、外部交互协同处理,最后将模型应用于实际场景,验证了模型的有效性。

1 配电网边缘计算架构

图1所示为面向配电网的边缘计算模型架构。根据节点设计,边缘计算模型包括服务设施层(EC-laaS)、软件层(EC-PaaS)和平台服务层(EC-SaaS)构成的边侧,端侧设备构成的端侧和云主站构成的云侧。

图1 边缘计算模型架构

位于边侧的管理端负责边缘计算节点软件升级、口令配置、日志审计、用户设置等,并支持系统状态监测、查询。边侧安全端负责审查数据访问权限、软件升级时数据来源的合法性和完整性验证。

端侧设备主要包括布置在边缘终端的数据采集设备、信号采集设备。

EC-IaaS服务设施层,为边缘智能配电业务提供统一的数据传输、存储、计算服务。作为边缘计算基础开放平台,EC-IaaS层包括硬件平台、操作系统、AI 引擎及各类软件等。

EC-PaaS层为软件层,为各类软件提供数据交互和管理功能,提供各类应用服务、数据存储、消息和时间等元件的运行环境。同时为满足配电网设备“即插即用”技术需求,为其他设备提供基层服务。

EC-SaaS平台服务层,是配电网边缘计算功能应用的具体方式。EC-SaaS层根据电力业务需求,通过数据采集和数据云端协同满足运维和用电需求,其中,数据交互中心作为边缘计算重要组成部分,为配电业务相关数据采集、处理、位输、计算提供实时数据代理服务。

云主站为布置在中心节点的云服务器,主要进行数据的存储、分析,各项指令下发。

2 边云协同机制

在边缘计算模型中,由于终端设备产生的数据信息密度低,仅依靠云计算中心处理会造成云计算中心高负荷、高延时问题,难以满足数据分析、处理、响应的实时性要求,而边缘计算端由于布置的数据处理节点有限,难以满足大量数据处理和存储要求[10-11],因此引入“云端协同”机制,通过云侧微服务与边侧微应用的数据交互、协同计算来更好地满足配网业务需求。

2.1 “云端协同”架构

“云端协同”机制用来满足边缘计算与云主站间的数据协同,图2所示为边云协作基础架构。边云协作以EC-IaaS和IaaS为支撑,通过层级接口实现EC-PaaS与 PaaS、EC-SaaS与 SaaS 的通信交互。在“云端协同”机制中,实现边缘计算节点与云主站的协同主要分为三个层级。

图2 边云协作基础架构

层级一:边缘计算 EC-IaaS 层与云主站 IaaS 层协同。边缘计算节点结合云主站模型推理数据进行分布式存储和分析,并执行资源调度管理策略,减少主站侧负载量,提高数据边缘侧利用率。

层级二:边缘计算 EC-PaaS 层与云主站 PaaS 层协同。边缘计算节点执行数据采集、计算功能,并通过数据调用接口与云主站PaaS结构链接,减少数据传输次数,快速进行数据管控计算。

层级三:边缘计算 EC-SaaS 层与云主站 SaaS 层协同。应用服务协同包括边缘计算节点根据协同机制实现边缘计算负载云主站侧 SaaS 服务的能力,其中包括被动接受云主站下发的应用服务策略和主动执行应用服务分布策略两种方式。

2.2 对外交互机制

边缘计算节点与云服务器端的对外数据交互如图3所示。数据采集元件布置在边缘节点微应用上,采集元件设备铭牌参数、型号等台账数据,三相电流、电压等实时运行数据以及温度、湿度等环境数据。控制指令APP发送控制命令,由高级APP通过总线访问云服务中心,提取数据进行处理、分析,实现边缘计算。

图3 对外数据交互流程

根据各节点逻辑关系,边缘计算节点与云服务器端存在交互机制,包括:

1)云-变交互。云主站根据自身需求召唤边缘计算节点侧数据或下发管控指令,调用边缘计算节点实现对多设备集群管理和资源调度。边缘计算节点根据业务需求,向云主站请求数据下发。

2)边-边交互。两个或多个边缘计算节点间通过数据代理模块和云主站实现数据交互,单个边缘计算节点执行特定区域用户指令。当边缘计算节点1执行节点2数据时,需向主站发送请求,主站根据DNS解析结果来确定是否部署边缘计算节点,将解析信息发送至节点2实施响应。

3)边-端交互。边缘数据采集APP和端侧设备进行数据采集,边缘计算节点接收到云主站或控制指令APP的指令,将指令转发到端侧设备来实现数据交互。

4)云-云交互。云主站利用Rest API(网络服务)和消息队列接口,在数据共享机制下完成与其他云主站间的数据交互,实现跨系统数据共享。

2.3 改进边缘计算模型

边缘计算通过合理分配任务与资源实现终端数据本地化处理,有效减少通信时耗和云中心负载。为进一步提升边缘计算模型的数据处理能力,采用双层优化的边缘层计算任务分配方式进一步对模型进行优化。

在给定的边缘层计算任务分配模型中,设电网终端设备集合为N,N={1,2,…,k},电网任务量为I,I={1,2,…,i},定义设备k的任务i为Ui,Ui={Ci,Di,Bi,Ti,max},其中Ci为任务计算量,Di、Bi分别为任务输入、输出数据量,Ti,max为允许任务最大时延。

所有任务均可选择在本地执行,也可由云中心执行,而一个边缘服务器可接收多个任务,终端设备k执行某一任务i时的任务计算时间Tc,ik(rik)为:

(1)

式中:rik为任务i分配给设备k的计算资源。确定数据传输速率Rik为:

(2)

式中:W为带宽;ω为背景噪声;Pi为任务i传输功率;Hk为设备k的信道增益;oik=1,表示任务i分配给设备k执行。

同样确定数据传输能耗Et,ik为:

Et,ik=Ebt,ik+Ezt,ik

(3)

(4)

(5)

式中:Ebt,ik为设备k将任务i分配到边缘服务器的能耗,Ezt,ik为设备k将任务i分配到云服务器端的能耗,Pb,ik,Pz,ik分别为边缘服务器和云服务器接收到设备k中任务i的接收功率,Dk为设备k的功率系数。

由于模型中计算域资源分配主要依赖卸载决策,而卸载决策受到资源分配好坏的影响,因此需要同时考虑资源分配与模型计算间的依赖关系[12]。为协调资源分配与计算任务间的冲突,利用模拟退火算法中的Metropolis准则[13]对计算任务资源分配优化。设个体取值判断概率pMetropolis为:

(6)

T=TinitβG

(7)

式中:T为温度;Tinit为初始种群温度;βG为G次迭代数衰减系数,且0<βG<1;a为常量。确认设备k接收任务的执行规则J为:

(8)

式中:p为随机概率值,Ec,k、Et,k分别为设备k接收边缘服务器或者云服务器任务的能耗水平,s为随机值,QT表示其他情况。

3 实例分析

3.1 性能测试

为分析本文算法对终端设备能耗水平和运算速度的影响,采用MATLAB R2018b建立模型进行算法的性能比较,设定相关任务参数,见表1。同时选择粒子群算法、自适应邻域搜索算法作为对比算法。模型硬件为一台配备了2.2 GHz处理器、8 GB RAM、i7-8750CPU的个人计算机。

表1 相关任务参数

获得不同算法下终端设备的能耗值和运行时间,见表2。由表可知,本文算法对终端设备在能耗优化方面明显优于采用粒子群算法和自适应邻域搜索算法的终端设备,且随着终端设备数量增加,本文算法与其他两种算法终端设备的能耗差逐步增大,表明当电网边缘侧终端设备增加时,本文算法的终端设备能耗优化效果更显著。比较三种算法各终端设备的运行速度,采用本文算法与粒子群优化算法的终端设备的运行速度较为接近,二者均优于采用自适应邻域搜索算法的终端设备。可见本文算法在保证终端设备运行速度的同时具有更好的能耗优化效果,因此在边缘计算协作求解过程中,可选择本文算法来实现终端设备的能耗优化。

表2 不同算法性能测试

3.2 系统应用实例

目前,基于云端的配电网边缘计算技术已在一些地区进行试用。以某“电动车辆充电”为例,通过将边缘计算节点部署到充电 APP,实现负载率调节及 “削峰填谷”功能。图4为电动车有序充电流程图。终端APP应用的硬件配置为:双核1.2 GHz CPU,1 GB DDR,支持RS-485、RS-232、WiFi、5G 数据传输和通信。充电桩主要实现负荷调控和充电功率监测,边缘计算节点APP进行负荷检测。

图4 充电桩充电程序

根据城区居民生活习惯,18:30起进入高负荷运行状态,其中18:30—23:30时间段地区晚高峰生活负荷和电动汽车充电负荷重叠,若不经过科学引导,容易出现超载现象。根据边缘计算节点智能引导,将电动车充电负荷转移至0:00—6:00低负荷时间段内,利用配变轻载充电,提高经济效率。有序充电过程如下:

1)布置在终端的充电功率监测系统将采集的负荷数据报送边缘计算节点,由边缘计算节点侧的负荷监测APP 收集数据,并根据地区总表进行日负荷预测,确定负荷波动情况,若突然有大量充电汽车接入使得负荷短时超过最大负荷,边缘计算节点根据既定控制策略自动调节充电桩功率。若电动车为分时接入,则不需进行用电负荷转移操作,电动车正常接入,边缘计算节点将实时数据与负荷预测数据实时拟合并报送云主站。

2)云主站根据历史用电数据、分时电价、用户申请充电模式,结合人工智能进行模型训练,基于超负荷情况下的“削峰填谷”最优充电策略,将部分电动汽车充电负荷调节到低负荷时间段充电,并将控制策略转化为负荷调节指令下发至边缘计算节点。

3)边缘计算节点接收负荷调节指令,由充电APP向充电桩下发充电时间和充电功率命令,充电桩进行负荷调节。

4 结束语

本文构建了一种面向电网输、变、配、用领域的云主站边缘终端交互系统模型。根据边缘计算技术定义了云主站、边缘计算节点和终端设备间的边云系统关系,通过在端部部署边缘计算节点设备,利用边缘计算任务分配优化模型与算法对边缘任务卸载和资源分配进行优化,提升边缘算力,实现轻量级数据的高效处理,引入“云端协同”机制满足边缘计算与云主站间数据协同,实现配电网边缘计算负载和主站控制策略的服务协同,解决了传统集中式或单一分布式云端在数据存储和策略执行中存在的问题。