基于云边协同的配电物联网管理模型研究

陈 超，龚利武，罗 鑫

（1. 国网浙江省电力有限公司嘉兴供电公司，浙江 嘉兴 314000；2. 东北电力大学 电气工程学院，吉林 吉林 132000）

0 引言

配电系统自身具有地域分布广、设备种类多、网络连接多样、运行方式多变等特点，随着配电自动化监测系统的广泛应用，其产生的异构、多元数据呈指数级增长，数据量已经达到大数据级别。配电物联网云服务器计算任务繁重，因此会出现推理延迟过大、数据采集复杂、冗余度高等问题，影响系统工作效率。因此如何有效收集配电物联网数据、优化配电网管理结构、提高数据处理效率成为配电物联网建设中亟待解决的难题。

物联网信息通信技术保持了物联网泛在感知和IP（互联网协议）通信的特点，还具有分散的感知能力，将智能处理单元分布在配电网的不同层级，通过云计算和边缘计算相结合的方式，实现对配电网络和资产信息的全面感知和监管。通过边缘计算来解决云处理中边缘物联设备管理、数据采集与处理、数据通信等难题［1-2］。文献［3］提出了应用于可再生能源分布式边缘计算的统一能源管理架构，提高了分布式能源控制的响应速度。文献［4］构建了智能电网模型的边缘计算架构，以智能测量数据采集为例，详细分析了边缘计算在数据分析中的作用及其效率和安全性。文献［5］围绕边缘计算需求，基于管道模式计算模型设计了实现配电物联网的业务协同，可降低计算量，但未研究计算速度。文献［6］以配电智能终端为核心，基于边缘计算提供协同数据协助，实现低压台区的本地拓扑数据量化计算和智能识别。文献［7］将整个配电台区作为边缘计算机节点，通过监测数据建立台区特征指标，选取权重判断台区运行状态，进一步降低计算冗余。文献［8］基于边缘计算技术，针对配电区域物联网设计了某电力公司管辖区域的协同管理架构。文献［9］将大规模分布式协同仿真技术应用于智能电网系统，设计了一种新型协同仿真器。文献［10-11］利用边缘计算技术设计多元化负荷管理，优化了数据处理流程，为配电物联网智能终端设备异构性问题提出解决方案。上述研究表明，边缘计算可以有效应用于智能配电网中，但大多集中于配电网管理结构设计方面，而对配电物联网优化运行、高效工作并未深入研究。

边缘计算是由云计算向物联网智能终端和边缘节点侧延伸而来，能够提升计算速率和处理效率。大量的感知与计算终端布置于台区，利用这些边缘设备的数据获取与处理能力，以及与用户的互动能力，对信息进行预处理，为云计算中心节省计算资源，二者可以统一为一个整体，实现整个配电物联网的精准控制和实时响应［12-14］。从云计算和边缘计算协同的维度可将云边协同分成资源协同、数据协同、智能协同、服务协同4类［15-17］。本文研究分布式物联网云计算过程中减少推理延迟的模型，设计了配电物联网多端节点配电模型，构建了基于边缘多节点协同计算的配电物联网管理模型，完成分布式云计算的推理优化任务。

1 边缘计算与分布式物联网

1.1 边缘计算

配电物联网智能终端通过计算、通信和控制技术的融合，形成了信息系统和物理系统的有机整体［18-20］。目前所应用的配电网计算方法存在一些不足，在快速计算、数据管理、数据终端整合和分析决策等方面，现有的计算方法计算速率和处理效率相对较低，但可以通过云计算和大数据分析技术得到解决［21-23］。目前数据环境复杂冗余、结构多样，对各类信息进行分析甄别处理步骤繁琐，信息的实时响应特性难以满足，对配电网能量传输的稳定性和智能控制的可靠性产生一定影响［24］。和云计算可以在主站进行远程统一处理的特点相比，边缘计算是由云计算向物联网智能终端和边缘节点侧延伸而来，主要目的是实现本地化数据信息实时采集和计算、在线式诊断、毫秒级快速响应、对受控节点精准控制等功能［25-27］。单个配电终端采用边缘计算，使数据可以在边缘侧计算解决，将计算结果上传到云中心，更加有利于运行状态的实时监测和数据的快速智能处理。

边缘计算以边缘节点为核心，集成了通信网络、计算预处理、数据存储和应用程序的关键能力，达到对信息的控制［28-29］。目前，各行业都在努力推进边缘计算联盟所提出的OICT（运管、信息、通信技术）一体化［15］，但实际上，随着大数据等技术的广泛应用，OICT 向DT（数据技术）的转变也将实现，并最终提供数字自动化技术和智能控制服务。边缘计算的数据定位示意图如图1所示。

图1 边缘计算定位示意图Fig.1 Diagram of data location of edge calculation

1.2 边缘计算在配电物联网的应用

传统的配电网通常可分成配电网络主站、子站和终端层，而随着电网的深化改革和分布式能源的大量接入，传统的配电网也从单向输电的无源配电网转向拥有双向输电能力的有源配电网［30-31］，这也让分销体系的变革更加值得期待。现阶段，大规模电力电子设备以及智能可控装置的投入使用，凸显了传统控制技术和电力通信网架的不足，只有将物联网技术引入电网，才能满足新型配电系统的需求［32］。目前新型配电网中各层配电设备均结合了嵌入式系统，使传统配电网基于信息通信网和台区其他设备形成信息交互，从而构建一个物理网络、信息设备、计算单元耦合的大规模配电物联网。最后，它可以进一步促进边缘计算、物联网和分销网络的融合，使配电网在不同层次实现智能控制。

2 配电物联网多终端节点配电模型

在配电网中，配电智能终端即可以作为边缘计算节点，具备计算、存储和通信功能。智能台区终端可以对所连接的通信设备、感知设备、量测设备和执行设备等进行管理，实现数据中心和云端平台的无缝连接。通过各种合适的通信手段，收集量测数据，开展本地数据处理和分析决策，邻近的智能台区终端可以组成分布式计算节点，对各分布式终端智能设备边缘节点的量测数据和处理结果均可以进行数据共享。

配电物联网是物联网技术在配电网络领域的延伸，配电物联网的特点无法通过传统的3层物理架构（主站、变电站、终端）体现出来。为体现配电物联网的特点，本文依照PTN（分组传送网）网络所提出的P-PE-CE（主站-子站-边缘用户）结构，采用边缘计算技术对网络节点进行区分，结合物联网信息交互的特点，设计了一种基于PTN网络模型的配电物联网架构。配电物联网主要由P设备、PE设备和CE设备3种设备构成。边缘技术结构如图2所示。

图2 边缘技术结构Fig.2 Structure of edge technology

CE 设备是位于PTN 接入层内的有源分布网络中终端边缘单元级物联网设备，可实现自感知、自运算、可交可扩展和自决定等功能。配电物联网中CE 设备主要包括配电变压器、FTU（终端反馈单元）、智能监控单元、DTU（数据传输单元）、集中处理单元以及一些开关设备和所配置的通信模块等。CE设备对终端设备进行实时监控、数据采集以及智能控制，TTU（配电变压器监控终端单元）对分布式电源、储能设备以及电表等设备进行状态监控。

子站设备类似于PTN 网络中的PE 设备，是安装在PTN汇聚层的边缘接入设备，起到各边缘数据汇聚接入的作用，称为有源配电网系统级物联网中的电子配电站，可以自行组织配置配电网络控制指令并进行自我决策和优化。多台CE设备汇集接入PE设备，通过状态采集、数据交互、边缘分析以及云端整合，最终实现配电辖区内全局化管理。

主站设备是PTN结构中的核心层，即P设备，其主要功能是在配电物联网中实现信息全面感知，对分布式终端智能设备数据进行整合处理、深度分析，而后进行科学决策、下发命令。主站设备实时监控配电网状态，子站设备将分布式终端智能设备需要上传的信息整合后上传到主站，并且主站可以从各个CE设备中读取到实时数据，利用上述所得信息对智能配电网运行状态进行判定。

3 基于节点协同计算的分布式物联网管理模型

3.1 配电物联网协同管控模型的构建

目前采用集中式单体架构方案难以解决多节点配电物联网场景的需求，引入边缘计算模式，将配电网终端智能设备编号设置为边缘节点，采用边缘计算率先对数据进行预处理。对于云服务器所承担的边缘节点管理功能，可通过云边协同机制保证配电网设备间的数据交互低延时。

目前的配电网终端设备复杂，包含分布式能源、储能设备、柔性负载和一些可控设备，各设备信息交互相互杂糅，在传输过程中存在干扰。根据配电网终端智能设备对请求时延和功能完整性的要求，建模时考虑配电网及其信息系统结构，设计满足需求的多维协同算法。所提出的拓扑模型包括主设备节点、边缘节点、配电物联网边缘设备和用户终端层。主设备节点C 及其直接管理的边缘节点集合直接访问，边缘节点设置自有的管理中心，用户终端可对边缘节点进行访问，简要拓扑如图3所示。

图3 配电网管理结构简要拓扑Fig.3 A brief topology of distribution network management structure

对配电网进行分层管理，分别采用全局、中间、局部等控制结构的多级集中分布式组合，构建出的配电网管理控制结构如图4所示。基于该结构，首先由终端设备生成任务，再传至云中心节点执行处理计算。

图4 配电网管理控制结构Fig.4 Structure of distribution network management

图4中接口定义如表1所示。

表1 数据接口定义Table 1 Definitions of data interfaces

根据配电网系统的物理结构，采用管理和控制模型对其进行分层表示，模型中各类设备和控制方式具有如下特点：

1）多台终端设备能够实现信息交互与实时分析。

2）同一结构层中，不同的控制方式作用并不耦合，它们之间相互分离，可以独立完成控制目标，相互间控制作用的影响可以忽略。

3）上级控制出现故障时，每个下级控制并不会出现响应，均按运行规则继续工作。

3.2 以最小时延为目标的多节点协同计算方法

传统负载均衡策略主要应用于并行系统中，对于外部的数据请求，其将任务分配到多个处理单元中，因此存在不足，主要表现在：算法的动态性差，未充分考虑处理单元需要的实时服务能力，任务响应与调度决策响应速度较慢。文献［32］采用线性回归的动态均衡策略，虽实现预测终端边缘节点实时数据而后进行反馈，但因未考虑传播延时问题，无法满足云与边缘的协调需要。为此，综合考虑节点计算能力和边缘与云中心的传播时延，采取最小化响应时间的多节点协同计算模型，实现云计算和边缘计算的协同。

根据第2章描述的主设备与边缘计算协同架构模型，以最小时延为目标对算法进行描述，CE设备层终端智能设备数据交互先到达PE设备边缘节点，由边缘子站节点协同控制进行决策，其中涉及边缘子站与主站设备（P设备）的往返时延、主站设备终端计算处理时延，最后数据处理还要经过边缘节点计算时延才能完成。具体所需考虑的参数如表2所示。

表2 最小时延参数说明Table 2 Description of minimum delay parameters

针对终端设备（CE设备）数据交换任务，所提算法采用一个四元数据集表征：

式中：si为ji任务中所含的子任务个数；ci为完成目标任务所需的时钟周期；λi为ji任务运算时所占计算资源的权重；μi为ji任务所占计算资源的权重。

对主站设备（P 设备）和边缘子站节点（PE 设备），设置1 个主站设备和n个边缘子站节点，通过三元数据集表征：

式中：ak为所计算的相应节点k，k取值为［0，n］，其中k=0时，表示该节点为主站设备节点，k=1，2，…，n时，表示该节点为不同的边缘子站设备节点；Ck表示该节点计算资源空置率；Mk表示该节点计算内存空闲率；tk表示单个终端智能设备在对应边缘节点上单独运行的时间。

基于上述定义，以最小延迟为目标可对云计算时间进行量化分析。边缘节点k在进行数据交互任务i时的计算时延为：

主设备节点在执行数据交互任务i时的计算时延为：

则可以求出边缘节点在执行数据交互任务时，请求响应时间Re（i，k）为：

主设备节点在执行数据交互任务时，请求响应时间Rc（i，0）为：

为最小化请求响应时间，采取的方法是选择本地边缘、主设备节点响应短的执行本次任务。任务提交后，首先经由边缘节点进行调度决策，判断哪一个节点作为任务执行者，决策时将计算响应时间中去掉Te进行比较。判断公式如下：

当多个任务同时到达时，需要考虑各节点的计算资源和储存资源容量，并做相应约束，即公式（2）中Ck和Mk超过约束阈值时考虑并行设备的投入，具体约束条件依据实际系统大小以及响应需求进行调整。

数据协同会同时存在边缘节点至主设备节点以及主设备节点至边缘节点2种数据传输流向，均由各边缘节点自身的协同控制器进行作用，其数据协同的具体流程如图5所示。

系统中边缘节点实际只承担部分应用功能，用户终端对系统发起访问时，需要边缘节点和主设备节点共同响应。主设备节点承担整个区域配电物联网的全局管理，同时为边缘节点提供存储能力，边缘节点实现设备管控、协同决策和任务执行，共同为用户终端提供应用层服务。用户终端在边缘节点提交的任务，先通过边缘节点的协同控制器根据任务类型采取调度决策或任务转发，具体工作流程如图6所示。

图6 服务协同具体流程Fig.6 Specific flow of service collaboration

基于上述方案对配电网进行分区，对各分布式终端设备编号后确定边缘节点，以最小延迟为目标构建部署方案。而在推理任务过程中，信息产生单元与边缘节点的距离、通信环境等因素都会影响最终的输出结果。

为进一步减少延时，可引入DNN（深度神经网络）和设备边缘协同作用推理算法。对DNN 先进行划分，合理利用计算资源降低边缘服务器计算复杂程度，减少冗余，通过训练不同容量大小的、具有多个节点的DNN模型，选择适合应用需求的DNN模型，减轻计算负担，从而减少总延迟。

正常运行过程中，随着运行时间的不同，不同DNN层输出的数据也各不相同，表现出很大的异构性。实际中长时间运行下的层模块不一定会高效输出数据，因此将DNN分成两部分，可以先以低传输效率的工作模式将计算冗余复杂的部分先一步在服务器中进行计算，从而减少端到端等待时间。

4 仿真实验

首先在云仿真平台中对上述所提协同推理算法进行仿真验证，仿真实验中建立一个云计算中心和3 个边缘节点，设置30 组计算任务，每组计算任务分别有3个同类型的任务单元，将其分别提交至边缘节点，每组计算任务间隔1 ms，模拟实际工作过程中的传输延时变化。仿真过程中通过改变服务代理模块时间延迟进行模拟，对提交至边缘节点的任务协调处理效果进行仿真对比。

图7描述了不同调度方法下不同计算任务提交至边缘节点的执行时间，可以看出，基于最小化响应时间的方法任务完成时间稳定，并且执行时间相对较短。

图7 不同调度算法结果对比Fig.7 Diagram of data location of edge calculation

对图7中的数据取平均值，得到不同方法完成任务的平均执行时间如图8所示，结果表明，基于最小化响应时间调度平均执行时间最短。从图7和图8可以看出，通过降低用户提交任务至边缘节点时间，可提升系统工作效率，主要是由于该算法充分考虑到云计算中心和边缘节点之间计算能力的差距，通过优化的调度决策来实现。

图8 不同调度算法平均执行时间对比Fig.8 Comparison of average execution time of different scheduling algorithms

考虑到数据交换任务过多时所提方法的高业务承载能力，通过对云仿真平台各个节点进行并发线程监听各虚拟机的实时性能数据，主机和虚拟机参数如表3所示。

表3 主机和虚拟机参数Table 3 Parameters of host and virtual machines

设置不同数量的并行到达业务量，各业务量数据长度随机范围为100～10 000，进行不同压力下的场景测试，仿真结果如表4所示。

表4 不同业务测试下节点计算量Table 4 Node operations under different service tests

由表4可知，在正常区域配电物联网中，目前所设置的主机和边缘节点性能参数足以满足高业务量的数据交换任务需求，具有有效性。

为了搭建异构边缘节点网络环境，使用了4种不同的边缘设备：JetsonTX1、Jetson TX2、Jetson TK1 和Jetson NaNo（以下简称“TX1、TX2、TK1和NaNo”）。在每次生成网络拓扑时随机分配给边缘节点，先对4种边缘设备的特征状态指标采用权重矩阵进行预处理，得到状态指标处理结果如表5 所示，指标数据越小，表示其运行状态越好。

表5 预处理后的状态指标Table 5 Pre-processed state indicators

针对4 类设备所表现出的不同计算性能参数，利用Paleo框架对各分支边缘节点上时延参数进行试验运行，结果见表6。

表6 实验结果Table 6 Experimental results ms

与现有云服务器的运行时延对比发现，优化后其效率有所提升。在基于边缘计算的方法中，时延在模拟10 个不同的网络分布后取平均值，节点间带宽设置为1 Mbps，结果如图9所示。

图9 实验结果对比Fig.9 Comparison of experimental results

测试结果表明，与云服务器推理相比，当信息产生单元所上传的指令从网络中的同一分区取消时，两种方法推导精度相同的情况下，边缘计算服务器推理低于云服务器推理。

5 结语

针对现有智能配电网规模大、结构复杂、多节点的特点，本文将边缘计算技术和配电物联网相结合，基于云与边缘多维协同机制研究，从计算协同、数据协同、服务协同三方面制定协同算法和协调策略。基于PTN网络结构，提出配电物联网多终端节点配电模型，建立了基于边缘多节点协同计算的配电网物联网分布式管理模型，最后实现配电网的配电自治和协同管控，有效避免了传统集中管理的问题。