边缘计算使能的分布式微电网资源交易策略*

麦尚柯，刘 义

边缘计算使能的分布式微电网资源交易策略*

麦尚柯，刘 义†

（广东工业大学，广州 510006）

针对分布式微电网节点中边缘计算服务器的能源损耗问题，以及微电网的计算资源受限问题，提出一种边缘计算使能的多微电网节点的资源交易策略。对搭载着边缘计算服务器的多微电网模型中的能源交易、计算资源交易进行计算，使得多微电网社区运营成本的最小化（MIN）问题得到最优策略。结果表明，改进的非支配排序遗传算法（NSGA-II）中，适应度评价函数呈逐渐收敛趋势，得到帕累托前沿上的最优解集为多微电网节点之间资源交易的最优策略，相比单个微电网节点的运行成本更低。

微电网；边缘计算；分布式；资源交易；遗传算法

0 引 言

随着清洁能源不断被开发，具有可再生能源发电设备的微电网可以与其他微电网组成一个分布式的多微电网系统。在传统的电力交易模式中，参与电力市场的主体一般是电网企业、大型能源生产商和电力消费者。家庭级别的消费者和生产者之间没有积极参与电力市场的交易，仅是向电网企业购买电力。为了增强电力终端用户的灵活性，能源系统[1]的不同利益相关者开辟了新的交易市场，能源消费正可以将其剩余能源卖回电网。新颖的分布式点对点（peer to peer, P2P）交易市场的设计为协调当地生产者或消费者提供了替代解决方案，生产者与消费者之间可以相互交易能源。

移动边缘计算（mobile edge computing, MEC）是一项革命性的关键技术，在运营商网络的边缘带来面向应用的计算能力，其中MEC主机部署在边缘、中央数据网络，或在它们之间[2]。MEC的潜力包括低延迟、高带宽和实时计算，以及对异构物联网应用程序和服务的决策反馈[3]。

近年来，由于微电网用户对计算资源需求的不断增加，分布式微电网出现了大量的计算密集型任务。然而，分布式微电网可能并没有部署具有高性能计算能力的设备，微电网内部可能存在多种资源无法合理分配问题。于是，MEC服务器部署至微电网节点，为其带来高性能的计算能力成为可能。同时，MEC面临着低延迟调度、可扩展性和可持续性的挑战，其中适当的能量调度可以解决由于能量故障[4-5]造成的MEC的可持续性。不少专家学者对微电网与边缘计算技术相结合进行研究，如文献[6]提出基于边缘计算的家庭能源管理系统，文献[7]提出基于边缘计算的主动配电网信息物理系统，文献[8]提出基于边缘计算的分布式配电故障处理系统，文献[9]描述边缘计算技术应用在电力物联网的研究等，由此可见微电网与边缘计算相结合的新领域的应用范围之广泛，但上述文献中均未考虑到MEC服务器的计算资源合理分配问题。同时，文献[10]提出一种面向分布式发电微电网的边缘计算架构；文献[11]提出使用强化学习方法对电网边缘计算资源进行分配；文献[12]提出了面向电网的边缘算力优化与分布式数据存储处理模型研究；文献[13]提出并制定一个统一的P2P市场模型，该方案既可以采用双边交易，也可以采用集中池市场。文献[14]提出一个合并了联合能源交易和不确定性交易的P2P市场。文献[15]提出并制定一个用于参与者之间产品差异化的双边贸易机制，采用共识优化方法对问题进行求解。但上述文献中均未考虑到对MEC产生的计算资源加入多微电网系统P2P交易市场中，以得出资源交易最优策略。

因此，针对搭载MEC服务器的微电网资源交易及分配问题，本文对微电网中的能源、计算资源的P2P市场交易问题进行分析，提出一种边缘计算使能的多个微电网节点的交易策略。首先建立搭载边缘计算服务器的多微电网分布式模型，得到微电网节点关于资源的约束条件、能源平衡关系式和计算资源约束式等，建立最小化运行成本的目标函数，通过改进的非支配排序遗传算法（NSGA-II）对问题求解。

1 系统模型

首先建立一个带有MEC服务器作为负载的微电网模型。每个微电网节点均配备了风力发电涡轮机（wind turbine, WT）和光伏（photovoltaic, PV）发电阵列两种可再生能源发电组，电池储能系统（battery energy storage system, BESS）作为能源的供给，搭载了一个MEC服务器作为负载以及可控负载与不可控负载。微电网节点的系统模型如图1所示。

图1 搭载边缘计算服务器的微电网节点

图2 分布式多微电网系统模型

1.1 本地的可再生能源

1.2 本地的能源储备系统

1.3 本地负载的电能需求

微电网节点中支持各种类型的电力负载，其分为三类：必须性负载、弹性负载和边缘计算服务器的运行负载。

1.3.1 必须性负载

1.3.2 弹性负载

1.3.3 边缘计算服务器的运行负载

1.4 本地的计算资源与计算任务

1.5 多微电网之间的资源交易

研究了一种P2P资源交易市场模型，该模型的资源包括电能、计算资源。分布式的多个微电网节点进行资源的实时交易如图3所示。每个微电网与主电网的电力传输主线相连，同时各个微电网相互之间连接电力传输线。某一个微电网可以与主电网或者其他的微电网进行电能的交易，同时每个微电网之间可以进行计算资源的交易。

图3 分布式微电网的资源交易

1.5.1 微电网计算资源的供需约束关系式

当一个节点的计算任务过载，计算资源不足时，该节点可以从云数据中心或者在P2P市场中购买计算资源，假设微电网的边缘计算系统不需要向云数据中心进行计算资源的出售，计算资源仅在微电网之间进行交易。

1.5.2 微电网电能的供需平衡关系式

当微电网节点的电力能耗大于可再生能源的发电量与本地储能状态之和时，微电网节点的电能可能需要从主网或P2P交易市场中购买，反之同理。因此，微电网节点运行时每个单位时隙的能量平衡公式必须满足下式

1.5.3 微电网运行成本的目标问题

1.5.4 多微电网运行成本的目标问题

综合考虑，整个多微电网系统在一天运行期间的代价函数作为待优化的目标问题，可表示为

由于上述问题存在多个耦合的决策变量，将采用启发式算法对该问题进行求解。

2 算法分析

NSGA-II是一种多目标优化算法，具有快速收敛的全局寻优能力，能有效避免陷入局部最优状态。在可行解域内，该算法不仅不断地细化解集的巨大数组变量，而且更新符合约束条件的决策变量。将每个节点的各自代价函数视为待解决的多目标问题。如每一个微电网的资源交易、计算需求和能源调度问题，涉及多个目标同时优化。该算法的目标不仅是保持种群在最优非支配解域中的多样性，而且将搜索导向帕累托最优前沿。

根据快速非支配排序和拥挤距离计算的迭代结果，对种群中的个体之间进行支配排序，并选择出优秀子代种群，其规模与父代种群的大小相等[16]，具体实施步骤如图4所示。

图4 NSGA-II的算法流程图

在种群迭代过程中，每个微电网节点的多个约束条件作为种群进化的生存法则，可以看作是评价种群进化的适应度变量，如能源供需平衡公式、计算资源供需约束关系式、决策变量的约束范围等。因此，该算法根据生存环境中种群的适应度，生成具有一定规则的多目标权值，引导种群的个体在可行解域中进行多方向搜索，不断逼近帕累托最优前沿，快速地确定多微电网运行方案的最优解集。

3 实验仿真

3.1 数据选择与模型参数初始化

3.2 适应度评价

由图5可知，随着种群的进化迭代，适应度总体呈下降趋势，一定迭代次数过后，产生了精英子代种群，适应度评价函数逐渐收敛，表明种群进化结果逐渐变优，最终达到了更充分合理利用微电网节点资源的目的，因此可得最优的交易策略，验证了该算法的可行性。

图5 种群进化的适应度评价函数

3.3 仿真交易策略

由图6可知，24小时内微电网产生可再生能源的变化，计算任务的需求变化以及能源消耗硬性需求表明节点中的资源产生、资源需求的结果，曲线的变化符合实际高峰时段的真实性。

图6 微电网节点24小时的资源需求

该仿真实验中，采用每个微电网节点的总成本来对不同运营模式进行评估，如图7所示。实验结果表明，合作模式（CO mode）下，每个微电网节点在P2P市场中参与交易，相比于独立模式（SA mode）即不参与P2P市场交易的情况，每个微电网节点的运营成本更低，所得资源被进一步充分利用。经过NSGA-II的种群进化评价出适应度最大函数，可得最优的交易策略。

图7 不同运营模式下分布式微电网运行成本

4 结 论

介绍了微电网与边缘计算的互补优势，微电网为MEC服务器提供的能源支持，MEC服务器为微电网提供的计算资源支持，以及微电网搭载MEC服务器的模型特点。提出了一种边缘计算使能的多个微电网的资源交易策略，对微电网中的能源、计算资源参与P2P资源交易市场进行分析，并采用NSGA-II对该系统的P2P交易方案作出最优决策以及合理的资源分配，以达到降低整体运营成本的目标。实验仿真结果表明，种群进化后得出适应度评价可以对微电网中的能源与计算资源作出合理的交易策略，降低了多微电网社区的运营成本，提高了微电网节点整体资源的有效利用。

[1] ALSHEHRI K, NDRIO M, BOSE S, et al. Quantifying market efficiency impacts of aggregated distributed energy resources[J]. IEEE transactions on power systems, 2020, 35(5): 4067-4077. DOI: 10.1109/tpwrs.2020.2979997.

[2] GIUST F,VERIN G, ANTEVSKI K, et al. MEC deployments in 4G and evolution towards 5G[R]. ETSI: White Paper, 2018.https://www.etsi.org/images/files/ETSIWhitePapers/etsi_wp24_MEC_deployment_in_4G_5G_FINAL.pdf.

[3] PORAMBAGE P, OKWUIBE J, LIYANAGE M, et al. Survey on multi-access edge computing for Internet of Things realization[J]. IEEE communications surveys & tutorials, 2018, 20(4): 2961-2991. DOI: 10.1109/COMST. 2018.2849509.

[4] SHAHZADI S, IQBAL M, DAGIUKLAS T, et al. Multi-access edge computing: open issues, challenges and future perspectives[J]. Journal of cloud computing, 2017, 6(1): 30. DOI: 10.1186/s13677-017-0097-9.

[5] LI W, YANG T, DELICATO F C, et al. On enabling sustainable edge computing with renewable energy resources[J]. IEEE communications magazine, 2018, 56(5): 94-101. DOI: 10.1109/MCOM.2018.1700888.

[6] 祁兵, 夏琰, 李彬, 等. 基于边缘计算的家庭能源管理系统: 架构、关键技术及实现方式[J]. 电力建设, 2018, 39(3): 33-41. DOI: 10.3969/j.issn.1000-7229.2018. 03.004.

[7] 龚钢军, 罗安琴, 陈志敏, 等. 基于边缘计算的主动配电网信息物理系统[J]. 电网技术, 2018, 42(10): 3128-3135. DOI: 10.13335/j.1000-3673.pst.2018.0119.

[8] 张卫红, 陈小龙, 万顺, 等. 基于边缘计算的分布式配电故障处理系统[J]. 供用电, 2019, 36(9): 28-33, 58. DOI: 10.19421/j.cnki.1006-6357.2019.09.005.

[9] 王海庆, 杨永宁, 白姗. 基于K3s的边缘计算在泛在电力物联网的技术研究[J]. 科技资讯, 2019, 17(34): 11-13. DOI: 10.16661/j.cnki.1672-3791.2019.34.011.

[10] 徐楚轲, 吴昌宏, 舒杰, 等. 一种面向分布式发电微电网的边缘计算架构与应用[J]. 新能源进展, 2020, 8(5): 383-390. DOI: 10.3969/j.issn.2095-560X.2020.05.006.

[11] 尚立, 蔡硕, 崔俊彬, 等. 基于软件定义网络的电网边缘计算资源分配[J]. 电力系统保护与控制, 2021, 49(20): 136-143. DOI: 10.19783/j.cnki.pspc.201623.

[12] 李宝树, 张凤佳, 沈杨杨. 面向电网的边缘算力优化与分布式数据存储处理模型研究[J]. 广东电力, 2020, 33(9): 92-99. DOI: 10.3969/j.issn.1007-290X.2020.009.012.

[13] RASHIDIZADEH-KERMANI H, VAHEDIPOUR-DAHRAIE M, SHAFIE-KHAH M, et al. A stochastic short-term scheduling of virtual power plants with electric vehicles under competitive markets[J]. International journal of electrical power & energy systems, 2021, 124: 106343. DOI: 10.1016/j.ijepes.2020.106343.

[14] DABBAGH S R, SHEIKH-EL-ESLAMI M K. Risk assessment of virtual power plants offering in energy and reserve markets[J]. IEEE transactions on power systems, 2016, 31(5): 3572-3582. DOI: 10.1109/TPWRS.2015. 2493182.

[15] MASHHOUR E, MOGHADDAS-TAFRESHI S M. Bidding strategy of virtual power plant for participating in energy and spinning reserve markets—Part I: problem formulation[J]. IEEE transactions on power systems, 2011, 26(2): 949-956. DOI:10.1109/TPWRS.2010.2070884.

[16] KANNAN S, BASKAR S, MCCALLEY J D, et al. Application of NSGA-II algorithm to generation expansion planning[J]. IEEE transactions on power systems, 2009, 24(1): 454-461. DOI: 10.1109/TPWRS.2008.2004737.

Edge Computing Enabled Distributed Microgrids Resources Trading Strategy

MAI Shangke, LIU Yi†

(Guangdong University of Technology, Guangzhou 510006, China)

A resource trading strategy for edge computing enabled multi-microgrid nodes was proposed for the energy loss problem of edge computing servers in distributed microgrid nodes and the computing resources constraint problem of microgrids. Energy trading and computing resources trading in the microgrid model with edge computing server were computed so that the optimal strategy was obtained for the minimization (MIN) problem of multi-microgrid community operation cost. The results showed that the fitness evaluation function in the improved non-dominated sorting genetic algorithm (NSGA-II) showed a gradual convergence trend, and the optimal set of solutions on the Pareto front was obtained as the optimal strategy for resource trading among multi-microgrid nodes, which had a lower operating cost compared to a single microgrid node.

microgrid; edge computing; distributed; resources trading; genetic algorithm

2095-560X（2023）05-0484-07

TK02；TK89

A

10.3969/j.issn.2095-560X.2023.05.013

2022-12-30

2023-02-28

国家自然科学基金项目（61773126）

刘 义，E-mail：yi.liu@gdut.edu.cn

麦尚柯, 刘义. 边缘计算使能的分布式微电网资源交易策略[J]. 新能源进展, 2023, 11(5): 484-490.

： MAI Shangke, LIU Yi. Edge computing enabled distributed microgrids resources trading strategy[J]. Advances in new and renewable energy, 2023, 11(5): 484-490.

麦尚柯（1997-），男，硕士研究生，主要从事智能微电网多种资源交易策略研究。

刘 义（1981-），男，博士，教授，主要从事分布式可再生能源及智能微电网技术研究。