基于边缘计算技术的多元负荷管理系统设计

岳鹏, 夏峰

(1.南瑞集团(国网电力科学研究院)有限公司, 江苏, 南京 211106;2.国电南瑞科技股份有限公司, 江苏, 南京 211106)

0 引言

近年来我国的电力能源总量逐步增加,能源结构逐步优化,截止到2021年我国全年发电量超过75 030亿千瓦,从装机容量角度来看,发电装机累积容量超过20亿千瓦[1],当前能源结构中火电仍为电力的主要能源,但清洁能源的发电量逐渐增加。光伏、风能发电组件等分布式清洁能源的接入可能会影响大电网的运行稳定性,给能源协调控制优化带来挑战[2]。

在当前研究中,文献[3]方法利用均匀分布概率模型表示电力负荷的不确定性,计算光伏电站的出力曲线。文献[4]系统将风电出力表示为鲁棒区间模型,考虑到了风电出力波动场景下发电机组的组合优化调度问题。文献[5]系统中对人工神经网络进行了改进,对气温因素、负荷特性之间的相关性进行了分析。现有文献中存在的技术虽然提高了电力负荷批量控制能力,但具体采用的技术方案薄弱,电力负荷控制管理终端运行过程中多元负荷调度能力较差,数据信息分析能力弱。

1 多元负荷管理系统设计

本文进行多元负荷管理系统的设计,对电力负荷进行研究,根据不同类型负荷的特性对主要负荷进行分类和管理,解决电力供需不平衡的问题。通过系统完成电网资源数据、空间资源数据、电力负荷历史使用数据的数据交换和共享[6-7],使各个区域内的电力负荷管理中心互通互联,开展电网资源调度工作,提高了业务办理效率。

多元负荷管理系统架构如图1所示。

图1 多元负荷管理系统架构

本文系统从整体上可分为3层架构:计算层、数据层和应用层,计算层中具有多个边缘计算服务器作为边缘节点分布在各个地区,用户可以将大多数计算任务和存储需求卸载到距离较近的边缘服务器上处理,在执行计算任务时具有较好的实时性,减少了网路中的数据延迟。计算层通过边缘缓存提高网络带宽效率,将电力负荷管理中心的数据缓存到边缘节点交换网络中的带宽资源。数据层中用来存储历史电力负荷、电网设备、电网拓扑结构、资源属性等数据,大数据框架中的MAPREDECE模块将过滤的数据集转换为另一种格式,再将映射过程中创建的数据组合起来。应用层给电力企业的管理人员提供多个模块的应用服务,有利于进行电力资源调度[8]。为保证系统中各应用模块数据的一致性,采用MULTI-RAFT协议解决分布式事务日志的同步问题,通过QUORUM机制保证系统的数据查询、电力负荷数据统计、电力空间数据计算等服务的高可用性。

2 多元负荷管理模块硬件设计

多元负荷管理模块具有集中器中继的功能,可连接多个电力负荷采集设备。计量模块采用高集成度、高精度、低功耗的SOC RN2026A64芯片,并集成ARMCortex-M0微处理器、多路复用ASRADC、独立供电硬件温补RTC,具有多路闪存,支持计量测量、精度自检、事件上报等多种功能,保证测量精度的电压范围为2.8～5.5 V。多元负荷管理模块主要由供电电源模块、计量模块、管理模块、接线端口、同步采样模块、数据处理模块、实时时钟模块等组成,多元负荷管理模块整体结构如图2所示。

图2 多元负荷管理模块整体结构

多元负荷管理模块中加入了数据隔离模块,使用增强型高速四通道隔离芯片ISO7742FDW,工作电压为2.25～5.5 V,传输速率高达100 Mbs,具有较好的隔离效果,传播时延低至10.7 ns。AVCC1作为负荷计量模块的电源输入,使用10 Ω的电阻与AVCC2进行隔离,并外接一个1 μF的电容并联一个0.1 μF的电容去耦。电流采集通道为IAN-ICN和IAP-ICP,电压采集通道为UAN-UCN和UAP-UCP,采用完全差分输入方式作为负荷计量芯片的输入,直接与多路电流、电压采样电路连接。计量单元中具有7路ADC瞬时采样数据寄存器,放大倍数可配置,内置1.25 V±1%ADC基准电压。负荷采集模块采用多路高精度同步采样的方式,采集同一条线路多个支路的电压、电流信号,具有更多的负荷参量采集通道,负荷采样电路如图3所示。

图3 负荷采样电路

电路中使用了AIT300-5V高精度电流传感器,将直流大电流转换为5 V的直流小电压,通过9个电阻串联的方式,将输入的大电压信号转换为小电压信号,电阻阻值设为300 kΩ。接收到系统发生的采集任务时,多元负荷管理模块将启动AD数据采集的时间信号转发给计量模块,计量模块接收到时间信号后开始倒计时,倒计时接收启动DMA中断,并保存开始时刻对应的电力负荷数据。计量模块存储完一个周波的数据后,使用外部引脚通知管理模块,管理模块通过SPI读取已经缓存好的负荷数据。

3 多元负荷调度优化

多元负荷构成较为复杂,在普通建筑型负荷的应用场景下可分为:照明负荷、办公负荷、生活负荷等,在工业园区的应用中电机负荷的成分较高。在对电力负荷特性进行分析时,要考虑到自身用电量的变化规律,和天气条件、工作日等外界因素引起的负荷变化、电价政策等因素造成负荷波动的情况。对一个地区的电力负荷进行分析能够得出当地负荷在不同周期内的发展情况,了解实际用电情况,从各角度各时段内表示负荷变化情况。本研究对电网各模块进行优化,保证电网以更高效率、更安全的方式运行。具体步骤如下。

步骤一:输出不同的数据信息,电网分布式电源中,光伏发电的发电功能受温度、辐射条件等多个因素的影响,输出功率可表示为

(1)

式(1)中,Ppv表示光伏发电功率,Pstc表示最大输出功率,Gac表示辐射强度,Gstc表示最大辐射强度,K表示温度系数,Tc、Tr表示光伏电池温度。风电机组的输出功率受到风速影响,具有不确定性,可表示为

(2)

步骤二:储能单元的电荷状态分析,当风速超过一定阈值后,风电机组开始运行,使用控制器调节发电机组保证机组以最大功率运行,使风能利用系数达到较高的水平。在电网中的储能单元能够有效抵消负荷与其他能源出力的波动,保证电网处于稳定状态,实现电力能源的跨时段转移,解决电力负荷的供需不平衡问题。储能单元的电荷状态可表示为

SOC(t)=SOC(t-1)+Pcsb(t)ηc-Pdcsb(t)/ηd

(3)

式(3)中,SOC(t)表示电荷状态,Pcsb表示充电能力,Pdcsb表示放电能量,ηc表示充电效率,ηd表示放电效率。多元负荷优化调度模型如图4所示。

图4 多元负荷优化调度模型

步骤三:划分负荷调度时段,电力需求侧负荷单元集合为U={1,2,…,N},电力负荷优化需要对每个负荷单元进行有效的控制,在每个调度时间段内工作状态的集合与售电功率的集合可表示为

(4)

式(4)中,Li(t)表示负荷单元完成工作的标志,Psell(t)表示售电功率,T表示调度周期划分的时段数,N表示电力负荷单元总数。优化调度模型的目标函数为在确保电力负荷单元满足的情况下,通过调度可控单元制定合理的工作计算,调度分布式电源和储能单元使运行成本最低,目标函数可表示为

(5)

式(5)中,M表示分布式电源数量,PGi(t)表示分布式电源的输出功率,BGi(t)表示电量报价,Pb(t)表示买入的功率,Bb(t)表示购电价格,Ps(t)表示出售的功率,Bs(t)表示出售电价。当光伏发电和风力发电的输出功率超过电力负荷单元的总功率时,把超出的功率输送给电网,同时储能单元向电网供电,在满足电力负荷需求的同时,出售多余的电能,并缓解了电网高峰时段的用电压力。

步骤四:当电力负荷需求小于中输出功率时,在判断当前时段是否为电价高峰,当是电价高峰时,再判断储能单元是否达到放电功率最小值,当未达到电价高峰时,再判断储能单元是否充满电。当储能单元达到放电功率最小值,智能电源与剩余电源供给电网,当储能单元未达到放电功率最小值,将多余输出功率供给电网。当储能单元充满时,也可以将多余输出功率供给电网,当储能单元未充满电时,像储能单元充电。

4 应用测试

系统终端与基站通过无线网络连接,系统终端产生的业务请求和负荷数据计算任务通过基站到达边缘计算服务器中进行处理。边缘计算实验环境如图5所示。

图5 边缘计算实验环境

由于实验过程中系统终端产生的任务大多数为电力负荷的统计和计算任务,计算量较大且数据量较小,每次计算任务的数据量范围为1～5 MB,设定边缘计算资源的仿真参数如表1所示。

表1 边缘计算资源的仿真参数

边缘计算实验环境中系统终端为计算机客户端,操作系统使用Windows 10,处理器使用Intel i5 10400F,内存使用XPG-ZI 16GB DDR4 2666,显卡使用GTX 1660Ti GA OC6G。实验计算机上有HBase、Flume、Kafka等组件,安装有JDK1.8并完成环境变量的配置。

本文进行应用测试使用的实验数据为某建筑工作日和节假日产生的用电负荷数据,通过对原始数据进行统计和叠加后,得到实际数据并统计分布式能源的用电实际负荷。电力负荷实验数据如表2所示。

表2 电力负荷实验数据

为验证本研究系统的计算能力,模拟不同业务请求与网络规模对业务请求完成时间的影响,设定每个任务所需的计算量为0.02FLOPS,任务达到率为2个/s,最大容忍时延设为0.5～1.5 s,文献[3]系统和文献[4]系统同时进行实验作为对比,文献[3]系统采用电力负荷批量控制的方法实现负荷批量控制,通过设置控制中心,实现对电力终端的管控,通过功率控制实现电力负荷控制,文献[4]系统通过负荷控制,该系统通过远程抄表的方式实现电力营销管理分析。在实现与不同文献进行对比分析时,每个业务请求下的平均完成时间如图6所示。

图6 业务请求完成时间

图6中描述了系统在不同最大容忍时延的情况下,业务请求的平均完成时间变化情况,在最大容忍时延低于0.5 s时,系统的业务请求完成时间普遍较小。当最大容忍时延增加到0.9以上时,文献[3]系统和文献[4]系统对每个业务请求的完成时间增加到0.6 s以上,文献[3]系统的最大平均完成时间高达0.92 s,文献[4]系统的最大平均完成时间为0.84 s。

进行电力负荷优化调度测试时,以24 h为一个优化调度周期,分为96个时间段,每个时段的时长为15 min。其中电灯、冰箱等用电器作为基础负荷、空调等用电器作为可中断负荷,其他用电器作为连续负荷。随机状态下的电力负荷曲线作为优化前的数据,优化结果如图7所示。

图7 优化结果

对比优化前后的电力负荷变化曲线可知,本研究系统能够有效优化电力负荷,在满足各个负荷单元运行的同事,降低了负荷水平。在8～10 h用电高峰时段,优化前的电力负荷最高达到9.6 kW,并且此时电价较高,16～18 h时间段和20～22 h时间段内,电力负荷最高达到4 kW左右,不可中断负荷的运行时段都为连续时段。经过优化后,在0～8 h电力负荷水平明显降低,18～22 h负荷水平有所增加,负荷从电价较高时段向较低时段转移,降低了家庭用电负荷使用的电力费用。

5 总结

本文设计出多元负荷管理系统,并应用了边缘计算提高了系统的计算能力和数据存储能力,在进行电力负荷计算和优化调度任务中能够将计算任务发送到边缘节点中处理,有效地满足系统实时或延迟敏感应用程序的需求。本文在电力负荷优化调度研究中,不同类型电力负荷的运行受到人为因素影响,不同地区的用电行为存在较大的差异,还需采集用电大数据进行深入研究。