基于邊緣計(jì)算的虛擬電廠架構(gòu)及光伏出力預(yù)測(cè)算法研究

洪 媛，黃 亮，2，謝長(zhǎng)君，張銳明

（1.武漢理工大學(xué)，湖北 武漢430070；2.復(fù)變時(shí)空（武漢）數(shù)據(jù)科技有限公司，湖北 武漢430070；3.廣東廣順新能源動(dòng)力科技有限公司，廣東 佛山528000）

0 引言

眾所周知，電力需求的不斷增長(zhǎng)以及全球范圍內(nèi)能源緊缺和環(huán)境污染等問(wèn)題的日益嚴(yán)峻，使得傳統(tǒng)能源發(fā)電的弊端日趨嚴(yán)峻。太陽(yáng)能、風(fēng)能等可再生清潔能源有著發(fā)電成本低、有利于保護(hù)環(huán)境等優(yōu)勢(shì)，成為了未來(lái)全球能源發(fā)展的主要方向［1］。分布式可再生能源在運(yùn)行時(shí)，其出力的隨機(jī)性、間歇性和波動(dòng)性較大，當(dāng)這些具有發(fā)電不確定性的分布式能源接入到傳統(tǒng)大電網(wǎng)體系中將會(huì)降低電網(wǎng)的安全性和供電可靠性。為了解決這一問(wèn)題，可以采用虛擬電廠（Virtual Power Plant，VPP）技術(shù)對(duì)分布式電源進(jìn)行靈活控制，實(shí)現(xiàn)分布式電源的協(xié)調(diào)控制與能量管理，從而保證電網(wǎng)的安全穩(wěn)定運(yùn)行。虛擬電廠通過(guò)配套的調(diào)控及通訊技術(shù)將分布式電源（distributed generation，DG）、可控負(fù)荷（dispatchable load，DL）和分布式儲(chǔ)能設(shè)施（distributed energy storage，DES）聚合成一個(gè)整體［2］，使其能夠?qū)Ω黝惙植际侥茉促Y源進(jìn)行調(diào)控，并參與電力市場(chǎng)及其輔助服務(wù)市場(chǎng)運(yùn)營(yíng)，實(shí)現(xiàn)實(shí)時(shí)電能交易，同時(shí)優(yōu)化資源利用，提高供電可靠性［3］。

但是，隨著可再生能源等分布式發(fā)電資源數(shù)量不斷增加以及各類智能化城市、家居等智能終端設(shè)備的大量接入，電網(wǎng)企業(yè)與電力用戶之間、電氣設(shè)備與控制中心之間會(huì)產(chǎn)生大量的數(shù)據(jù)流［4］，隨著人們對(duì)智能終端設(shè)備應(yīng)用需求種類的不斷增多，智能終端及電氣設(shè)備使用的時(shí)空分布相比于傳統(tǒng)也會(huì)更加分散，對(duì)傳統(tǒng)電力系統(tǒng)的數(shù)據(jù)采集及分析將是一個(gè)巨大的挑戰(zhàn)［5］。云計(jì)算的性能在萬(wàn)物互聯(lián)帶來(lái)的海量數(shù)據(jù)的沖擊下，正逐漸達(dá)到處理極限。其一，隨著終端設(shè)備的增加，實(shí)時(shí)性數(shù)據(jù)會(huì)大量產(chǎn)生，這樣對(duì)云中心服務(wù)器的計(jì)算效率帶來(lái)了很大的挑戰(zhàn)；其二，對(duì)網(wǎng)絡(luò)帶寬的要求也會(huì)伴隨著終端設(shè)備的增加而大大提高，例如，無(wú)人駕駛汽車技術(shù)裝載在車?yán)锏谋姸鄶z像頭和傳感器每秒將產(chǎn)生約1 GB的實(shí)時(shí)路況捕捉數(shù)據(jù)信息，這些數(shù)據(jù)在現(xiàn)有的網(wǎng)絡(luò)帶寬下，難以實(shí)時(shí)傳輸［6］。顯然，隨著大量移動(dòng)終端設(shè)備的接入，集中式的云計(jì)算已經(jīng)無(wú)法應(yīng)對(duì)在數(shù)據(jù)接納和實(shí)時(shí)性等方面的要求［7］，那么就需要加入邊緣計(jì)算。

邊緣計(jì)算是指在網(wǎng)絡(luò)邊緣側(cè)對(duì)海量的邊緣數(shù)據(jù)進(jìn)行處理，以此來(lái)減輕云計(jì)算中心的壓力和對(duì)云計(jì)算中心的依賴，從而有效實(shí)現(xiàn)邊緣網(wǎng)絡(luò)一定程度的自主性，降低脫網(wǎng)威脅［8］；同時(shí)利用邊緣計(jì)算優(yōu)化路由、節(jié)點(diǎn)、帶寬等網(wǎng)絡(luò)關(guān)鍵參數(shù)，有利于實(shí)現(xiàn)智能路由［9］。此外，其在電力應(yīng)用方面目前已有大量理論研究支撐：文獻(xiàn)［10］認(rèn)為結(jié)合通信網(wǎng)絡(luò)、邊緣計(jì)算和物聯(lián)網(wǎng)技術(shù)的信息物理系統(tǒng)（CPS）將能為泛在感知、智能控制和多能源互聯(lián)互通的主動(dòng)配電網(wǎng)的實(shí)現(xiàn)提供重要保障，文獻(xiàn)［11］則給出在CPS建模過(guò)程中可能需要解決的技術(shù)問(wèn)題。在電力需求方面，文獻(xiàn)［12］指出邊緣計(jì)算能夠很好地解決可再生能源等分布式發(fā)電資源數(shù)量不斷增加以及電氣設(shè)備自動(dòng)化程度的不斷提高使得電氣設(shè)備使用的時(shí)空分布更加分散及數(shù)據(jù)的采集和分析困難等問(wèn)題。文獻(xiàn)［13］基于相關(guān)的需求響應(yīng)協(xié)議設(shè)計(jì)了邊緣計(jì)算節(jié)點(diǎn)的通信協(xié)議和架構(gòu)，并展望了其在需求響應(yīng)領(lǐng)域中的應(yīng)用。

為此，本文提出一種將邊緣計(jì)算運(yùn)用到虛擬電廠的架構(gòu)設(shè)計(jì)的理念，借助于邊緣計(jì)算的優(yōu)勢(shì)解決虛擬電廠在數(shù)據(jù)分析、處理方面的弊端，將邊緣計(jì)算應(yīng)用在虛擬電廠中，可以有效地提高各分布式電源產(chǎn)生的巨量數(shù)據(jù)的存儲(chǔ)和處理效率，減少傳輸數(shù)據(jù)所占用的帶寬，使得虛擬電廠更加有效及快速地對(duì)各類分布式能源進(jìn)行優(yōu)化調(diào)度，提高其可靠性及實(shí)時(shí)性；同時(shí)將灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型首次用于預(yù)測(cè)該架構(gòu)邊緣側(cè)的光伏出力，為光伏出力預(yù)測(cè)提供了新途徑并提高其適用性和準(zhǔn)確性。

1 基于邊緣計(jì)算的虛擬電廠

1.1 基于邊緣計(jì)算的虛擬電廠架構(gòu)設(shè)計(jì)

伴隨大量分布式能源發(fā)電設(shè)備和儲(chǔ)能設(shè)備的離并網(wǎng)以及需求側(cè)響應(yīng)，虛擬電廠對(duì)大數(shù)據(jù)處理技術(shù)的需求顯而易見。不僅如此，如天氣信息、負(fù)載用電歷史數(shù)據(jù)、儲(chǔ)能設(shè)備運(yùn)行狀態(tài)等各種數(shù)據(jù)決定了虛擬電廠大數(shù)據(jù)的多源特性。為了解決現(xiàn)有虛擬電廠中的實(shí)時(shí)性不足等現(xiàn)實(shí)問(wèn)題，本文提出基于邊緣計(jì)算的虛擬電廠架構(gòu)。

如圖1 所示為虛擬電廠的一種典型結(jié)構(gòu)框架，主要包括分布式可再生能源機(jī)組、用戶負(fù)荷（居民負(fù)荷、商業(yè)負(fù)荷、工業(yè)負(fù)荷、可控負(fù)荷等）、可控發(fā)電機(jī)組、分布式儲(chǔ)能設(shè)備（儲(chǔ)能電池系統(tǒng)、電動(dòng)汽車等）和控制協(xié)調(diào)中心幾部分［14］。從圖2 可以看出，虛擬電廠通過(guò)信息通信技術(shù)整合分散在多地域、多樣化、多層級(jí)的分布式發(fā)電機(jī)組、分布式儲(chǔ)能系統(tǒng)和可控負(fù)荷進(jìn)行協(xié)同優(yōu)化調(diào)度，以“虛擬”實(shí)體身份參與電力系統(tǒng)調(diào)度和市場(chǎng)交易，且自始至終與主網(wǎng)保持雙向能量流、通信流和交易流的交換，整體呈現(xiàn)出運(yùn)行柔性、系統(tǒng)開放、出力可控特征。

基于邊緣計(jì)算的虛擬電廠架構(gòu)如圖2 所示，其在各分布式能源、用戶負(fù)荷、分布式儲(chǔ)能和分布式燃料機(jī)組與虛擬電廠協(xié)調(diào)控制中心的信息通訊路徑內(nèi)加入邊緣計(jì)算節(jié)點(diǎn)，對(duì)智能電表數(shù)據(jù)進(jìn)行采集并將傳輸?shù)陌l(fā)電、用電數(shù)據(jù)進(jìn)行處理，以縮短時(shí)延和減輕控制協(xié)調(diào)中心的服務(wù)器運(yùn)算壓力。

圖1 虛擬電廠典型結(jié)構(gòu)框架Fig.1 Typical structural framework of virtual power plants

在邏輯應(yīng)用上，邊緣計(jì)算節(jié)點(diǎn)（edge computing node，ECN）可以分成4 類，分別是智能化設(shè)備、輕量級(jí)計(jì)算系統(tǒng)、智能網(wǎng)關(guān)系統(tǒng)和智能分布式系統(tǒng)。它們都具有數(shù)字化、網(wǎng)絡(luò)化、智能化等特征，并且能夠提供網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)等資源技術(shù)。ECN的主要功能包括總線協(xié)議適配、實(shí)時(shí)連接、實(shí)時(shí)數(shù)據(jù)分析、時(shí)間數(shù)據(jù)序列訪問(wèn)、策略執(zhí)行、設(shè)備即插即用以及資源管理等。在基于邊緣計(jì)算的虛擬電廠架構(gòu)體系中，智能電表、氣象傳感器等屬于設(shè)備級(jí)節(jié)點(diǎn)，可以獲取實(shí)時(shí)的分布式能源發(fā)電量、儲(chǔ)能系統(tǒng)容量、用戶負(fù)荷數(shù)據(jù)及氣象預(yù)測(cè)；每個(gè)智能網(wǎng)關(guān)都支持多類型網(wǎng)絡(luò)接口和總線協(xié)議并適配多種網(wǎng)絡(luò)拓?fù)洌梢詫?shí)現(xiàn)系統(tǒng)互聯(lián)并提供本地計(jì)算能力和足量存儲(chǔ)空間，此外，還能夠和云端系統(tǒng)建立聯(lián)系進(jìn)行協(xié)同管理；智能分布式系統(tǒng)框架基于分布式架構(gòu)，可以在邊緣側(cè)擴(kuò)展網(wǎng)絡(luò)、計(jì)算和存儲(chǔ)功能，實(shí)現(xiàn)資源面向市場(chǎng)需求的動(dòng)態(tài)調(diào)度。

圖2 基于邊緣計(jì)算的虛擬電廠架構(gòu)Fig.2 Virtual power plant architecture based on edge computing

本文設(shè)計(jì)的基于邊緣計(jì)算的虛擬電廠架構(gòu)采用了集中與分散控制模式，將邊緣計(jì)算節(jié)點(diǎn)作為低層控制，虛擬電廠能源管理中心為高層控制。分布式可再生能源發(fā)電、用戶負(fù)荷、分布式燃料機(jī)組和分布式儲(chǔ)能作為虛擬電廠的組成部分，各個(gè)邊緣計(jì)算節(jié)點(diǎn)控制著其對(duì)應(yīng)的部分，能源管理中心將各邊緣計(jì)算節(jié)點(diǎn)連接起來(lái)進(jìn)行信息交互和決策運(yùn)算。虛擬電廠的優(yōu)化運(yùn)行由邊緣計(jì)算模塊與能源管理中心共同完成，邊緣計(jì)算節(jié)點(diǎn)進(jìn)行數(shù)據(jù)的采集并做預(yù)處理，能源管理中心接收處理結(jié)果進(jìn)行運(yùn)算并生成最優(yōu)決策方案。這種結(jié)構(gòu)充分發(fā)揮了集中式控制結(jié)構(gòu)和分散式控制結(jié)構(gòu)的各自優(yōu)勢(shì)，不僅確保了整個(gè)虛擬電廠的協(xié)調(diào)運(yùn)行，也提高了決策效率。

在虛擬電廠的運(yùn)行過(guò)程中，邊緣計(jì)算與云計(jì)算都是必不可少的，而且需要相互協(xié)同。云計(jì)算專注于對(duì)非實(shí)時(shí)和長(zhǎng)期數(shù)據(jù)的分析，在定期維護(hù)和業(yè)務(wù)決策支撐等領(lǐng)域存在優(yōu)勢(shì)。邊緣計(jì)算則聚焦實(shí)時(shí)的、短周期的數(shù)據(jù)分析，及時(shí)本地處理，能更好地實(shí)時(shí)智能化處理和執(zhí)行本地業(yè)務(wù)。在“云邊協(xié)同”架構(gòu)中，邊緣計(jì)算通過(guò)在邊緣服務(wù)器部署的智能算法對(duì)終端采集到的數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析和算法運(yùn)算，提取出的特征量和預(yù)測(cè)結(jié)果將作為虛擬電廠最優(yōu)運(yùn)行決策的重要參考來(lái)源。虛擬電廠內(nèi)部業(yè)務(wù)包括遠(yuǎn)程能源管理、光伏消納等，與電網(wǎng)的聯(lián)結(jié)業(yè)務(wù)有可再生能源消納、需求側(cè)競(jìng)價(jià)等，這些業(yè)務(wù)在出力過(guò)程中可能會(huì)存在沖突，需要根據(jù)完成效益進(jìn)行協(xié)同。業(yè)務(wù)的協(xié)同為管理協(xié)同的進(jìn)行奠定了基礎(chǔ)，管理人員不需要對(duì)現(xiàn)有的管理模式進(jìn)行更改，只需根據(jù)傳輸?shù)皆浦行牡挠幸饬x數(shù)據(jù)并反饋給智能終端，保證運(yùn)維服務(wù)的完善，定期對(duì)電力市場(chǎng)交易規(guī)則進(jìn)行更新，將電網(wǎng)資源進(jìn)行整合并控制不確定性，以確保電網(wǎng)的安全、穩(wěn)定、可靠的運(yùn)行。

相較于現(xiàn)有虛擬電廠架構(gòu)，基于邊緣計(jì)算的虛擬電廠調(diào)度系統(tǒng)具有類型多、數(shù)量大的智能終端，未來(lái)也會(huì)向高密度和集成化的多個(gè)子系統(tǒng)方向發(fā)展。虛擬電廠調(diào)度系統(tǒng)在邊緣側(cè)就能進(jìn)行數(shù)據(jù)處理，通過(guò)小型高性能的計(jì)算單元將高層控制的一些業(yè)務(wù)分散在各邊緣節(jié)點(diǎn)處進(jìn)行，這樣一來(lái)不但網(wǎng)絡(luò)整體的數(shù)據(jù)計(jì)算和存儲(chǔ)能力得到全面擴(kuò)展，也提高了業(yè)務(wù)的實(shí)時(shí)性和準(zhǔn)確性。它綜合現(xiàn)有各類能源管理系統(tǒng)的優(yōu)勢(shì)，能夠全面精準(zhǔn)展示發(fā)電產(chǎn)量和用戶能耗。

1.2 邊緣計(jì)算節(jié)點(diǎn)中的智能終端設(shè)計(jì)

虛擬電廠的協(xié)調(diào)控制離不開完善的計(jì)量技術(shù)［15］，該技術(shù)能夠幫助虛擬電廠掌握其內(nèi)部不同單元的運(yùn)行信息狀態(tài)，控制虛擬電廠分布式電源的出力工況。智能計(jì)量技術(shù)通過(guò)主動(dòng)性智能化的監(jiān)控終端，采集發(fā)電和用電數(shù)據(jù)并獲取用戶冷熱電氣水等能源消費(fèi)需求量和能源供給量，實(shí)現(xiàn)自助抄表，為確定區(qū)域內(nèi)的能源需求和供給量提供重要的技術(shù)支持。想要實(shí)現(xiàn)虛擬電廠的智能化運(yùn)行，必須依賴智能計(jì)量技術(shù)，實(shí)現(xiàn)分布式能源、用戶負(fù)荷等內(nèi)部的能量管理平衡，既能實(shí)時(shí)獲取虛擬電廠內(nèi)部的能量需求，又能夠及時(shí)進(jìn)行能量供給決策，以達(dá)到能量供需平衡的目標(biāo)。對(duì)終端用戶來(lái)說(shuō)，智能化的計(jì)量技術(shù)可以幫助用戶分析其不同能源的消費(fèi)行為，為優(yōu)化用戶的能源消費(fèi)行為和獲取最佳的用能效益提供關(guān)鍵的決策依據(jù)。

本文設(shè)計(jì)的邊緣計(jì)算節(jié)點(diǎn)中的智能終端不僅具有智能計(jì)量技術(shù)還具備智能網(wǎng)關(guān)的作用，同時(shí)還與邊緣計(jì)算服務(wù)器進(jìn)行通訊并分析用戶用電行為和最佳用能效率等。智能終端的系統(tǒng)模塊設(shè)計(jì)如圖3所示，硬件總體設(shè)計(jì)主要分為3個(gè)部分：核心部分是主控單元，主要包括MCU芯片，電源模塊、安全模塊（掉電保護(hù)）、電能計(jì)量模塊，存儲(chǔ)模塊、RTC時(shí)鐘、LCD顯示、RS485串口模塊等部分；其次是受控單元，主要是擴(kuò)展IO口，控制著負(fù)荷開關(guān)等，根據(jù)應(yīng)用場(chǎng)景的變化可選擇固態(tài)開關(guān)或普通開關(guān)；另外是串口通信和人機(jī)交互模塊，要想通過(guò)智能計(jì)量設(shè)備內(nèi)置的算法或與云端后臺(tái)管理系統(tǒng)中的命令和算法進(jìn)行遠(yuǎn)程控制和數(shù)據(jù)采集監(jiān)測(cè)，則需要實(shí)現(xiàn)智能計(jì)量設(shè)備與云端后臺(tái)管理系統(tǒng)間的實(shí)時(shí)通信功能設(shè)計(jì)，智能終端將采集的分布式能源出力及用戶側(cè)負(fù)荷通過(guò)以太網(wǎng)、WIFI等上傳給邊緣計(jì)算節(jié)點(diǎn)的服務(wù)器端。

圖3 智能終端功能模塊圖Fig.3 Smart terminal function module diagram

2 邊緣側(cè)出力預(yù)測(cè)優(yōu)化算法

上文有提到可以通過(guò)在邊緣服務(wù)器中部署算法程序來(lái)對(duì)終端采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析和數(shù)據(jù)處理，并將數(shù)據(jù)計(jì)算運(yùn)行結(jié)果作為虛擬電廠的優(yōu)化決策依據(jù)的問(wèn)題描述。受各種天氣因素的影響，可再生能源的發(fā)電量具有較大的波動(dòng)性，因此，對(duì)可再生能源發(fā)電機(jī)組的出力預(yù)測(cè)成為了邊緣側(cè)智能算法的重要組成部分。以預(yù)測(cè)光伏發(fā)電站出力為例，目前主要有兩類出力預(yù)測(cè)方法：統(tǒng)計(jì)學(xué)和人工智能。統(tǒng)計(jì)學(xué)方法主要有多元線性回歸模型、三維模型等，人工智能方法主要有BP 神經(jīng)網(wǎng)絡(luò)、灰色模型、粒子群和支持向量機(jī)等［16］。采用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)光伏出力，易出現(xiàn)局部最優(yōu)的狀況［17-18］；為了避免BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)處理時(shí)陷入局部最優(yōu)，提出了引入自適應(yīng)學(xué)習(xí)率調(diào)節(jié)和陡度因子的BP神經(jīng)網(wǎng)絡(luò)算法，能夠加快算法的收斂速度［19］；將遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)算法相結(jié)合也能用于預(yù)測(cè)光伏出力［20-21］；采用支持向量機(jī)的辦法預(yù)測(cè)光伏出力時(shí)，在預(yù)測(cè)長(zhǎng)期的、數(shù)據(jù)量較大的光伏出力系統(tǒng)上，收斂性不理想且精確度不高［22-25］；運(yùn)用馬爾可夫鏈預(yù)測(cè)模型進(jìn)行光伏出力預(yù)測(cè)，對(duì)數(shù)據(jù)波動(dòng)性較大的光伏系統(tǒng)出力預(yù)測(cè)有著較高的準(zhǔn)確性［26］；采用基于灰色模型預(yù)測(cè)光伏出力時(shí)對(duì)原始數(shù)據(jù)的要求比較高［27］。

針對(duì)上述問(wèn)題，本文建立了一種基于灰色系統(tǒng)GM（1，2）模型和馬爾可夫鏈預(yù)測(cè)的組合預(yù)測(cè)模型。

2.1 灰色GM(1,2)-馬爾可夫預(yù)測(cè)模型原理

2.1.1 灰色系統(tǒng)模型

灰色系統(tǒng)模型預(yù)測(cè)聚焦于各影響因素之間的發(fā)展聯(lián)系，能夠把含有不確定因素的系統(tǒng)進(jìn)行定量預(yù)測(cè)［28］，通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行累加處理生成有規(guī)律的序列并建立灰色微分方程，從而建立起灰色系統(tǒng)預(yù)測(cè)模型，然后從中發(fā)現(xiàn)原始數(shù)據(jù)波動(dòng)的規(guī)律［29］，以此為基礎(chǔ)對(duì)未來(lái)狀態(tài)進(jìn)行規(guī)律的、科學(xué)的預(yù)測(cè)［30］。將隨機(jī)變量作為灰色模型變量，先累加處理歷史數(shù)據(jù)，使處理后的數(shù)據(jù)具有更強(qiáng)的規(guī)律性，之后根據(jù)灰色模型得到的相應(yīng)灰色微分方程進(jìn)一步處理數(shù)據(jù)，最后利用逆處理推出原始數(shù)據(jù)的預(yù)測(cè)值［31］。

在處理數(shù)據(jù)量少、數(shù)據(jù)波動(dòng)性不大的系統(tǒng)時(shí)灰色GM（1，1）預(yù)測(cè)模型能有較高的準(zhǔn)確性，但當(dāng)數(shù)據(jù)波動(dòng)較大時(shí)往往不能很好地掌握其波動(dòng)規(guī)律，從而導(dǎo)致預(yù)測(cè)結(jié)果不夠精確［32］。而GM（1，2）模型在灰色GM（1，1）預(yù)測(cè)模型的基礎(chǔ)上增加一個(gè)與主序列有著較強(qiáng)關(guān)聯(lián)性的從序列，能夠在原始數(shù)據(jù)隨機(jī)性較大時(shí)保證預(yù)測(cè)結(jié)果的高精確性，其模型如下：

取光伏發(fā)電功率作為原始數(shù)據(jù)序列：

其相關(guān)因素的從序列為：

建立的灰色生成模型為：

得到相應(yīng)的微分方程

式（6）中，a為灰色模型的發(fā)展系數(shù)，b為灰色系統(tǒng)的灰色系數(shù)。

通過(guò)求解式（6）微分方程得到灰色模型預(yù)測(cè)方程為：

求得相應(yīng)的原始數(shù)據(jù)預(yù)測(cè)值為：

2.1.2 馬爾可夫鏈模型

馬爾可夫鏈?zhǔn)且粋€(gè)具有離散狀態(tài)和時(shí)間分布的時(shí)間序列，存在隨機(jī)性和無(wú)后效性，運(yùn)用馬爾可夫鏈進(jìn)行預(yù)測(cè)可以進(jìn)行有效的動(dòng)態(tài)預(yù)測(cè)［33］。下面是其預(yù)測(cè)模型搭建的基本步驟：

設(shè)定隨機(jī)過(guò)程{xn，n ∈T}，其中的時(shí)間參數(shù)T 滿足T ={0，1，2，…}，狀態(tài)空間I ={i0，i1，i2，…}，如果該隨機(jī)過(guò)程{xn，n ∈T}對(duì)任意時(shí)間參數(shù)T 和狀態(tài)空間I，滿足如式（10）所示的條件分布

則該隨機(jī)過(guò)程{xn，n ∈T}稱為馬爾可夫鏈。

當(dāng)該隨機(jī)系統(tǒng)中，一種狀態(tài)變成另一種狀態(tài)時(shí)，稱為狀態(tài)轉(zhuǎn)移，馬爾可夫鏈的一個(gè)狀態(tài)更改為另一個(gè)狀態(tài)的過(guò)程中，存在狀態(tài)轉(zhuǎn)移概率分布，其轉(zhuǎn)移條件概率如式（11）所示

若存在狀態(tài)Xn= i 轉(zhuǎn)移到Xn+1= j 的轉(zhuǎn)移概率Pij與時(shí)間參數(shù)n無(wú)關(guān)，則該馬爾可夫鏈?zhǔn)驱R次的，其狀態(tài)轉(zhuǎn)移矩陣最終是趨于穩(wěn)定的。

2.1.3 灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型

若原始數(shù)據(jù)具有較大的波動(dòng)性和隨機(jī)性，采用灰色系統(tǒng)模型預(yù)測(cè)時(shí)會(huì)產(chǎn)生較大誤差。

馬爾可夫鏈能夠很好地反映隨機(jī)過(guò)程的特征，具有無(wú)后效性的特點(diǎn)，同時(shí)光伏發(fā)電量受到天氣變化的極大影響，這是一個(gè)隨機(jī)過(guò)程，波動(dòng)較大。馬爾可夫鏈預(yù)測(cè)模型使用狀態(tài)之間的轉(zhuǎn)移概率來(lái)預(yù)測(cè)未來(lái)狀態(tài)，可以很好地反映隨機(jī)因素的影響，在原始數(shù)據(jù)波動(dòng)性較大的預(yù)測(cè)中依然可以有效地進(jìn)行預(yù)測(cè)。故本文將灰色GM（1，2）模型與馬爾可夫鏈組合起來(lái)，以期獲得更高的預(yù)測(cè)精度。

建立灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型總體分為以下幾步：

1）通過(guò)對(duì)光伏發(fā)電量序列及其相關(guān)因素的分析，確定GM（1，2）預(yù)測(cè)中相關(guān)因素序列x(0)2，取n天的光伏發(fā)電量作為原始數(shù)據(jù)，建立灰色系統(tǒng)GM（1，2）模型；

2）利用灰色系統(tǒng)GM（1，2）模型，預(yù)測(cè)出發(fā)電量；

3）以灰色系統(tǒng)模型的預(yù)測(cè)結(jié)果為基礎(chǔ)，選用合適的狀態(tài)劃分方式對(duì)n天光伏發(fā)電量的實(shí)際數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)進(jìn)行狀態(tài)劃分，建立馬爾可夫鏈預(yù)測(cè)模型進(jìn)行修正來(lái)得到最終的預(yù)測(cè)結(jié)果。

灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型流程具體步驟如圖4所示。

圖4 灰色GM(1，2)-馬爾可夫預(yù)測(cè)模型流程圖Fig.4 Gray GM(1，2)-markov predictive model flow chart

之后，對(duì)灰色GM（1，2）預(yù)測(cè)進(jìn)行馬爾可夫修正來(lái)進(jìn)一步提高其準(zhǔn)確性。首先，需要進(jìn)行狀態(tài)劃分，為了修正灰色預(yù)測(cè)值，可以對(duì)誤差進(jìn)行狀態(tài)劃分，從而減小灰色預(yù)測(cè)值的誤差來(lái)提高精確度，將發(fā)電功率實(shí)際值與預(yù)測(cè)值進(jìn)行誤差分析，計(jì)算n 天內(nèi)灰色GM（1，2）預(yù)測(cè)值與實(shí)際發(fā)電量之間的相對(duì)誤差ε（k）。

其中k = 1，2，…，n，然后把相對(duì)誤差劃分成m 個(gè)狀態(tài)，若ε（k）∈（d1i，d2i），i = 1，2，…，m，那么第k天的相對(duì)誤差處于Ei狀態(tài)，d1i，d2i為Ei狀態(tài)的上界和下界；劃分好狀態(tài)區(qū)間后，根據(jù)相對(duì)誤差確定各天相對(duì)誤差所對(duì)應(yīng)的狀態(tài)，按照步長(zhǎng)的不同，根據(jù)式（13）分別求取其對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移矩陣P(k)；分析預(yù)測(cè)日所處時(shí)間和前K天（含當(dāng)天）中每一天各自的時(shí)間間隔，即確定狀態(tài)轉(zhuǎn)移步長(zhǎng)k，在狀態(tài)轉(zhuǎn)移矩陣P(k)中按步長(zhǎng)k的不同，各自取應(yīng)的行組成新的矩陣，作為預(yù)測(cè)下一時(shí)刻系統(tǒng)所處狀態(tài)的概率分布矩陣P；根據(jù)概率分布矩陣，確定概率最大的狀態(tài)為預(yù)測(cè)日所處的誤差狀態(tài)Ei，則最終的預(yù)測(cè)值為

由此便完成了對(duì)灰色GM（1，2）模型預(yù)測(cè)值的馬爾可夫修正，縮小預(yù)測(cè)誤差，進(jìn)一步提高灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型的準(zhǔn)確性。

2.2 算例仿真

以遼寧省錦州市某光伏電站2015年1月6日至20日的發(fā)電量為原始數(shù)據(jù)，采用灰色GM（1，2）-馬爾可夫預(yù)測(cè)模型對(duì)其光伏發(fā)電量進(jìn)行預(yù)測(cè)。

2.2.1 灰色系統(tǒng)GM（1，2）模型預(yù)測(cè)

該光伏電站原始數(shù)據(jù)如表1所示。

表1 6-20日光伏實(shí)際功率與輻照強(qiáng)度Table 1 6-20 days of actual PV power and irradiation intensity

搭建MATLAB仿真模型，用灰色系統(tǒng)GM（1，2）模型對(duì)其15 d的發(fā)電量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5所示。

圖5 灰色系統(tǒng)GM(1，2)模型預(yù)測(cè)結(jié)果Fig.5 Gray system GM(1，2)model prediction results

根據(jù)馬爾可夫鏈狀態(tài)空間劃分方法結(jié)合實(shí)際數(shù)據(jù)，將相對(duì)誤差分為5 種狀態(tài)，劃分標(biāo)準(zhǔn)如表2。繪制15 d實(shí)際值與灰色系統(tǒng)預(yù)測(cè)值對(duì)比表格并按表2的劃分確定相對(duì)誤差所處的狀態(tài)如表3。

表2 相對(duì)誤差劃分狀Table 2 Relative error division

表3 6-20日光伏實(shí)際出力與灰色系統(tǒng)預(yù)測(cè)出力Table 3 6-20 PV actual output and grey system forecast power

2.2.2 加權(quán)馬爾可夫鏈預(yù)測(cè)

從表2 每天的狀態(tài)，根據(jù)式（6）可以計(jì)算出1 到5步長(zhǎng)的概率轉(zhuǎn)移矩陣。

選取預(yù)測(cè)日，以1 日～11 日為例，前5 日的相對(duì)誤差所在的狀態(tài)作為初始狀態(tài)，離預(yù)測(cè)日遠(yuǎn)近將轉(zhuǎn)移步數(shù)分為1，2，3，4，5，在對(duì)應(yīng)的概率轉(zhuǎn)移矩陣中，取初始狀態(tài)所在的行向量構(gòu)成新的矩陣：

計(jì)算可得1月11日的最終發(fā)力預(yù)測(cè)值為3 496.5 kWh，同理得到灰色-馬爾可夫鏈預(yù)測(cè)結(jié)果如表4所示。

通過(guò)對(duì)比表3 和表4，可以看出僅僅通過(guò)灰色GM（1，2）模型預(yù)測(cè)的發(fā)電量仍存在較大誤差，相對(duì)誤差最高達(dá)17%，對(duì)比經(jīng)過(guò)馬爾可夫鏈修正的預(yù)測(cè)結(jié)果，其相對(duì)誤差明顯縮小，最大不超過(guò)5%。由此可以看出，將灰色GM（1，2）預(yù)測(cè)模型同馬爾可夫鏈結(jié)合起來(lái)，各自的優(yōu)勢(shì)得以發(fā)揮。運(yùn)用灰色GM（1，2）模型對(duì)邊緣側(cè)光伏出力進(jìn)行預(yù)測(cè)時(shí)，其預(yù)測(cè)結(jié)果雖然具有一定的精度但效果不太理想，利用在預(yù)測(cè)數(shù)據(jù)波動(dòng)性、隨機(jī)性較大系統(tǒng)時(shí)表現(xiàn)較好的馬爾可夫鏈進(jìn)行修正后，使得最終的預(yù)測(cè)結(jié)果更加精確。

表4 灰色-馬爾可夫鏈預(yù)測(cè)結(jié)果Table 4 Grey-markov chain predictionresults

3 結(jié)語(yǔ)

為了解決分布式能源大量接入到電網(wǎng)所帶來(lái)的沖擊以及滿足虛擬電廠在數(shù)據(jù)處理和實(shí)時(shí)性的要求，提出了基于邊緣計(jì)算的虛擬電廠架構(gòu)，在虛擬電廠架構(gòu)中增加邊緣節(jié)點(diǎn)把邊緣計(jì)算技術(shù)用于實(shí)時(shí)數(shù)據(jù)的處理，從而提高其可靠性及實(shí)時(shí)性。同時(shí)對(duì)虛擬電廠邊緣側(cè)的光伏出力進(jìn)行預(yù)測(cè)，提供了一種光伏出力預(yù)測(cè)的優(yōu)化算法并對(duì)其進(jìn)行了算例分析其實(shí)用性，為邊緣計(jì)算及虛擬電廠的應(yīng)用及發(fā)展提供了理論基礎(chǔ)和創(chuàng)新思路。

［參考文獻(xiàn)］（References）

［1］ 陳熙，付威，季青川，等.綜合能源服務(wù)改造項(xiàng)目經(jīng)濟(jì)效益評(píng)價(jià)方法研究［J］.湖北電力，2019，43（03）：42-48.CHEN Xi，F(xiàn)U Wei，JI Qingchuan，et al.Research on economic benefit evaluation method of integrated energy service renovation projects［J］.Hubei Electric Power，2019，43（03）：42-48.

［2］ Yuchang Kang，Lo Kwoklun，Kockar Ivana.Optimal energy management for virtual power plant with renewable generation［C］.Proceedings of The 9th Asia-Pacific Power and Energy Engineering Conference（APPEEC），2017.

［3］ 衛(wèi)志農(nóng)，余爽，孫國(guó)強(qiáng)，等.虛擬電廠的概念與發(fā)展［J］.電力系統(tǒng)自動(dòng)化，2013，37（13）：1-9.WEI Zhinong，YU Shuang，SUN Guoqiang.Concept and development of virtual power plant［J］.Automation of Electric Power Systems，2013，37（13）：1-9.

［4］ 洪博文，李瓊慧，何永勝，等.虛擬電廠在分布式光伏發(fā)電應(yīng)用示范區(qū)中的應(yīng)用及前景［J］.電力建設(shè)，2017，38（09）：32-37.HONG Bowen，LI Qionghui，HE Yongsheng.Applications and prospect of virtual power plant in distributed photovoltaic generation application demonstration area［J］.Electric Power Construction，2017，38（09）：32-37.

［5］ 趙佶.邊緣計(jì)算網(wǎng)關(guān)設(shè)備的構(gòu)建和部署問(wèn)題的研究［D］.大連：大連理工大學(xué)，2018.ZHAO Ji.Research on the construction and deployment of edge computing gateway devices ［D］.Dalian：Dalian University of Technology，2018.

［6］ 蔡德福，曹侃，唐澤洋，等.大數(shù)據(jù)技術(shù)在電力系統(tǒng)的應(yīng)用［J］.湖北電力，2016，40（06）：22-26.CAI Defu，CAO Kan，TANG Zeyang，et al.Application of big data technologies in power system［J］.Hubei Electric Power，2016，40（06）：22-26.

［7］ Pand?i? Hrvoje，Kuzle Igor，Capuder Tomislav.Virtual power plant mid-term dispatch optimization［J］.Applied Energy，2013，（101）：134-141.

［8］ 施巍松，孫輝，曹杰，等.邊緣計(jì)算：萬(wàn)物互聯(lián)時(shí)代新型計(jì)算模型［J］.計(jì)算機(jī)研究與發(fā)展，2017，54（05）：907-924.SHI Weisong，SUN Hui，CAO Jie，et al.Edge computing-an emerging computing model for the internet of everything era［J］.Journal of Computer Research and Development，2017，54（05）：907-924.

［9］ 楚俊生，張博山，林兆驥.邊緣計(jì)算在物聯(lián)網(wǎng)領(lǐng)域的應(yīng)用及展望［J］.信息通信技術(shù)，2018，（05）：31-39.CHU Junsheng，ZHANG Boshan，LIN Zhaoji.Application and expectation of edge computing in internet of things［J］.Information and Communications Technologies，2018，（05）：31-39.

［10］ 劉宗長(zhǎng).CPS、云計(jì)算、邊緣計(jì)算在工業(yè)智能中的應(yīng)用探索［J］.軟件和集成電路，2017，（08）：94-95.

［11］ John C.Edison，Lee Edward A.，Matic Slobodan，et al.Timecentric models for designing embedded cyber-physical syste-ms ［R］.Electrical Engineering and Computer Sciences，University of California at Berkeley，2009.

［12］ 李彬，賈濱誠(chéng)，陳宋宋，等.邊緣計(jì)算在電力供需領(lǐng)域的應(yīng)用展望［J］.中國(guó)電力，2018，51（11）：154-162.LI Bin，JIA Bincheng，CHEN Songsong，et al.Prospect of application of edge computing in the field of supply and demand［J］.Electric Power，2018，51（11）：154-162.

［13］ 李彬，賈濱誠(chéng)，曹望璋，等.邊緣計(jì)算在電力需求響應(yīng)業(yè)務(wù)中的應(yīng)用展望［J］.電網(wǎng)技術(shù)，2018，42（01）：79-87.LI Bin，JIA Bincheng，CAO Wangzhang，et al.Application prospect of edge computing in power demand response business［J］.Power System Technology，2018，42（01）：79-87.

［14］ 常鞏.計(jì)及不確定性因素和偏差電量互補(bǔ)的虛擬電廠群優(yōu)化調(diào)度研究［D］.長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2018.CHANG Gong.Optimal scheduling research for virtual power plant cluster considering uncertainty and deviation electric quantity complementation ［D］.Changsha： Changsha University of Science and Technology，2018.

［15］ 馮其芝.含微電網(wǎng)的虛擬電廠分層隨機(jī)優(yōu)化調(diào)度［D］.南京：東南大學(xué)，2015.FENG Qizhi.The hierarchical and stochastic optimal dispatch of virtual power plant containing micro-grid［D］.Nanjing：Southeastern University，2015.

［16］ 周潮，邢文洋，李宇龍.電力系統(tǒng)負(fù)荷預(yù)測(cè)方法綜述［J］.電源學(xué)報(bào)，2012，（06）：32-39.ZHOU Chao，XING Wenyang，LI Yulong.Summarization on load forecasting method of electrical power system［J］.Journal of Power Supply，2012，（06）：32-39.

［17］ Paoli Christophe，Voyant Cyril，Muselli Marc，et al.Forecasting of preprocessed daily solar radiation time series using neural networks［J］.Solar Energy，2010，84（12）：2146-2160.

［18］ 袁曉玲，施俊華，徐杰彥.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電短期出力預(yù)測(cè)［J］.可再生能源，2013，31（07）：11-16.YUAN Xiaoling，SHI Junhua，XU Jieyan.Short-term power forecast for photovoltaic generation based on BP neutral network［J］.Renewable Energy Resources，2013，31（07）：11-16.

［19］ 劉娟，楊俊杰.基于改進(jìn)的GA-BP 神經(jīng)網(wǎng)絡(luò)光伏發(fā)電短期出力預(yù)測(cè)［J］.上海電力學(xué)院學(xué)報(bào)，2018，34（01）：9-13.LIU Juan，YANG Junjie.PV short-term output forecasting based on improved GA-BP neural network［J］.Journal of Shanghai University of Electric Power，2018，34（01）：9-13.

［20］ 栗然，李廣敏.基于支持向量機(jī)回歸的光伏發(fā)電出力預(yù)測(cè)［J］.中國(guó)電力，2008，41（02）：74-78.LI Ran，LI Guangmin.Photovoltaic power generation output forecasting based on support vector machine regression technique［J］.Electric Power，2008，41（02）：74-78.

［21］ 朱永強(qiáng)，田軍.最小二乘支持向量機(jī)在光伏功率預(yù)測(cè)中的應(yīng)用［J］.電網(wǎng)技術(shù)，2011，35（07）：54-59.ZHU Yongqiang，TIAN Jun.Application of least square support vector machine in photovoltaic power forecasting［J］.Power System Technology，2011，35（07）：54-59.

［22］ Jie Shi，Lee Wei-Jen，Yongqian Liu，et al.Forecasting power output of photovoltaic systems based on weather classification and support vector machines［J］.IEEE Transactions on Industry Applications，2018，48（03）：1064-1069.

［23］ 單英浩，付青，耿炫，等.基于改進(jìn)BP-SVM-ELM 與粒子化SOM-LSF 的微電網(wǎng)光伏發(fā)電組合預(yù)測(cè)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2016，36（12）：3334-3342.SHAN Yinghao，F(xiàn)U Qing，GENG Xuan，et al.Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization［J］.Proceedings of the CSEE，2016，36（12）：3334-3342.

［24］ 王繼東，宋智林，冉冉.基于改進(jìn)支持向量機(jī)算法的光伏發(fā)電短期功率滾動(dòng)預(yù)測(cè)［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2016，28（11）：9-13.WANG Jidong，SONG Zhilin，RAN Ran.Short-term photovoltaic power generation rolling forecast based on optimized SVM［J］.Proceedings of the CSU-EPSA，2016，28（11）：9-13.

［25］ 李英姿，賀琳，牛進(jìn)蒼.基于馬爾可夫鏈的光伏并網(wǎng)發(fā)電量預(yù)測(cè)［J］.太陽(yáng)能學(xué)報(bào)，2014，35（04）：611-616.LI Yingzi，HE Lin，NIU Jincang.Forecasting power generation of grid-connected solar PV system based on markov chain［J］.Acta Energiae Solaris Sinica，2014，35（04）：611-616.

［26］ 丁明，徐寧舟.基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)方法［J］.電網(wǎng)技術(shù)，2011，35（01）：152-157.DING Ming，XU Ningzhou.A method to forecast short-term output power of photovoltaic generation system based on markov chain［J］.Power System Technology，2011，35（01）：152-157.

［27］ 王飛，米增強(qiáng)，甄釗，等.基于天氣狀態(tài)模式識(shí)別的光伏電站發(fā)電功率分類預(yù)測(cè)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（34）：75-82.WANG Fei，MI Zengqiang，ZHEN Zhao，et al.A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition［J］.Proceedings of the CSEE，2013，33（34）：75-82.

［28］ 周悅，蔡田，盧子敬.基于調(diào)度運(yùn)行數(shù)據(jù)的穩(wěn)定極限分析［J］.湖北電力，2017，41（09）：11-14.ZHOU Yue，CAI Tian，LU Zijin.Analysis on stability limit which base on dispatching data［J］.Hubei Electric Power，2017，41（09）：11-14.

［29］ 鄭偉潔.灰色系統(tǒng)預(yù)測(cè)模型的構(gòu)建及其實(shí)證應(yīng)用［D］.寧波：寧波大學(xué)，2014.ZHENG Weijie.Construction and application of grey forecast system model［J］.Ningbo：Ningbo University，2014.

［30］ Min Jin，Xiang Zhou，Zhi M.Zhang，et al.Short-term power load forecasting using grey correlation contest modeling［J］.Expert Systems With Applications，2011，39（01）：773-779.

［31］ XIE Naiming，YUAN Chaoqing，YANG Yingjie.Forecasting China's energy demand and self-sufficiency rate by grey forecasting model and Markov model［J］.International journal of electrical power and energy systems，2015，66（05）：1-8.

［32］ 王璐，沙秀艷，薛穎.改進(jìn)的GM（1，1）灰色預(yù)測(cè)模型及其應(yīng)用［J］.統(tǒng)計(jì)與決策，2016，（10）：74-77.

［33］ 李燕斌，張久菊，肖俊明.灰色-馬爾可夫鏈統(tǒng)計(jì)組合模型在光伏發(fā)電功率短期預(yù)測(cè)中的應(yīng)用［J］.電測(cè)與儀表，2015，52（23）：111-116.LI Yanbin，ZHANG Jiuju，XIAO Junming.Photovoltaic power short-term forecasting based on Gray-Markov chain statistical combination model［J］.Electrical Measurement &Instrumentation，2015，52（23）：111-116.