邊緣導向型云邊協(xié)同的電網(wǎng)狀態(tài)感知及電壓調控輔助決策

張 杰，狄方春 ，李大鵬，陶 蕾 ，王 梓，王 淼

（1.國網(wǎng)天津市電力公司，天津 300010；2.電力調度自動化技術研究與系統(tǒng)評價北京市重點實驗室（中國電力科學研究院有限公司），北京 100192）

以大規(guī)?？稍偕茉措娏蛹{和智能化為主要特征的第三代電網(wǎng)將成為未來電網(wǎng)發(fā)展的趨勢和方向，其中數(shù)據(jù)應用將成為其主要驅動力。電力系統(tǒng)中來自同步相量測量裝置PMU（phasor mea?surement unit）、遠程測量終端RTU（remote terminal unit）及各類傳感器的量測數(shù)據(jù)呈指數(shù)增長[1]。為此，國內外針對電網(wǎng)數(shù)據(jù)應用開展了大量的研究工作，其中，美國將電力大數(shù)據(jù)應用于需求側響應DR（de?mand response）、資產(chǎn)管理AM（asset management）、運營風險分析RA（risk assessment）及政策電價決策支持等領域；澳大利亞從高級量測體系AMI（ad?vanced metering infrastructure）中提取數(shù)據(jù)進行能效分析和用戶激勵策略的制定，以達到改善能耗，減少溫室氣體排放的目的。但發(fā)達國家電力設備相對老舊，需要升級改造以適應數(shù)據(jù)集成與應用。而我國作為發(fā)展中國家，基礎設施較新，且與信息系統(tǒng)集成性較好，近年來隨著信息化技術的普及，電網(wǎng)公司著力將電力大數(shù)據(jù)與智能運行調度深度融合。

電網(wǎng)運行管理與數(shù)據(jù)深度融合，使傳統(tǒng)的物理系統(tǒng)逐漸轉變?yōu)樾畔?物理系統(tǒng)CPS（cyber physical system）。CPS應具備全面感知、云端互聯(lián)、自主決策及自我學習能力，而這些應用的實現(xiàn)都基于良好的數(shù)據(jù)基礎、穩(wěn)定的信息傳輸、堅強的網(wǎng)絡結構及高效的計算能力。

另一方面，我國高度重視以云計算和邊緣計算等新技術為代表的新一代信息產(chǎn)業(yè)發(fā)展，推動物聯(lián)網(wǎng)、云計算和人工智能等技術與基礎設施的全面融合滲透。為響應國家號召，國家電網(wǎng)有限公司提出了建設“具有中國特色國際領先的能源互聯(lián)網(wǎng)”的戰(zhàn)略目標，發(fā)布了以數(shù)字化技術和互聯(lián)網(wǎng)理念為驅動的“數(shù)字新基建”十大重點建設任務，這將極大提升公司各業(yè)務環(huán)節(jié)的整體信息化、數(shù)字化水平，其中智能調控決策系統(tǒng)將成為能源互聯(lián)網(wǎng)的核心。如何實現(xiàn)靈活的資源調配方案，規(guī)范統(tǒng)一的數(shù)據(jù)架構和平臺，以及如何建成安全抗攻擊的智能調控信息交互系統(tǒng)，均是未來能源互聯(lián)網(wǎng)發(fā)展亟待解決的關鍵技術問題[2-3]。

云計算是一種通過網(wǎng)絡實現(xiàn)計算資源的靈活配置、按需訪問和便捷共享的技術，它將資源進行整合，在網(wǎng)絡上構建龐大的資源池和數(shù)據(jù)中心。不同于云計算采用集中傳輸處理的方式，邊緣計算則將數(shù)據(jù)處理及計算與物理系統(tǒng)相結合，利用本地有限信息，采用不完全信息共享的方式，在保障信息安全的同時實現(xiàn)局部處理和決策[3-4]。

云計算與邊緣計算在數(shù)據(jù)處理及計算量、信息傳輸方式及抗攻擊能力等方面各具特點。云計算更適用于大規(guī)模多源異構數(shù)據(jù)的處理；而邊緣計算更節(jié)省數(shù)據(jù)傳輸負載，同時更好地保護敏感信息安全。目前基本建成的調控云，采用全網(wǎng)信息感知與協(xié)同交互方式，在統(tǒng)一架構、統(tǒng)一模型、統(tǒng)籌建設的技術原則基礎上，實現(xiàn)廣域、安全、及時的全局調控決策[1]。而電力系統(tǒng)邊緣計算則利用PMU等高頻、實時信息對本地局部網(wǎng)絡進行狀態(tài)感知，通過對局部可調控資源的控制，實現(xiàn)本地的優(yōu)化決策，兩種計算方式具有天然的互補性。因此，云-邊相結合的計算方式將更適用于未來存在大量數(shù)據(jù)和智能體的智能電網(wǎng)中，同時可更好地抗擊網(wǎng)絡攻擊對電網(wǎng)造成的傷害。

綜上，本文基于調控系統(tǒng)多源數(shù)據(jù)，開展邊緣端導向的云-邊協(xié)同電網(wǎng)狀態(tài)感知及電壓調控輔助決策研究。其中，調控云平臺為計算提供統(tǒng)一架構與統(tǒng)一模型的廣域數(shù)據(jù)；而邊緣側則利用云端數(shù)據(jù)及本地信息進行區(qū)域內狀態(tài)感知及優(yōu)化；云-邊協(xié)同的調控方式可在提升電網(wǎng)集約調控能力的同時，實現(xiàn)電網(wǎng)運行資源優(yōu)化整合，建成資源節(jié)約、因地制宜的調度系統(tǒng)建設模式。

1 調控云

為適應第三代電網(wǎng)的發(fā)展，電網(wǎng)調控系統(tǒng)需要在同步狀態(tài)感知、在線分析決策、調度精益化管理和數(shù)據(jù)深度學習應用等方面進行升級改造，促進電網(wǎng)調度運行由“分析型調度”逐步向“智能型調度”轉型升級[1]。云計算具有超大規(guī)模虛擬化計算能力、高可靠性數(shù)據(jù)保證、通用性和可拓展性應用、按需服務，以及計算存儲成本相對低廉等特點，與第三代電網(wǎng)中對先進調度運行技術的發(fā)展需求相吻合，而“調控云”將智能電網(wǎng)需求與云計算有機融合，形成云端計算的先進調控方式[4]。電力調控系統(tǒng)的數(shù)據(jù)具有數(shù)據(jù)量大、多源異構、價值密度低，以及數(shù)據(jù)源之間關聯(lián)性強等大數(shù)據(jù)特點，如表1所示。

表1 數(shù)據(jù)對比Tab.1 Data comparison

由表1可知，傳統(tǒng)的數(shù)據(jù)處理方式難以最大化體現(xiàn)其價值[5]，為此，調控云首先應用源數(shù)據(jù)端數(shù)據(jù)清洗技術和云端數(shù)據(jù)質量自適應更新技術，將電網(wǎng)數(shù)據(jù)進行標準化處理，并形成面向調度系統(tǒng)的多源異構調控云大數(shù)據(jù)平臺，為邊緣計算等高級應用提供數(shù)據(jù)基礎。調控云數(shù)據(jù)存儲體系如圖1所示，該體系分為同步層、統(tǒng)一層和分析層[6]。同步層中運行數(shù)據(jù)通過Kafka實時將各地區(qū)匯集的數(shù)據(jù)同步到Hbase和關系數(shù)據(jù)庫；統(tǒng)一層對數(shù)據(jù)進行清洗加工，然后通過特征值和標簽計算，形成派生數(shù)據(jù)；分析層則對數(shù)據(jù)進行聚類、學習及挖掘，并應用大規(guī)模并行分析數(shù)據(jù)庫MPP（massively parallel processing）進行指標計算。

圖1 調控云數(shù)據(jù)存儲體系Fig.1 Data storage system of cloud dispatching

2 邊緣計算

2.1 狀態(tài)感知

PMU具有全球衛(wèi)星定位系統(tǒng)GPS（global posi?tioning system）同步時鐘模塊，可為系統(tǒng)提供高采樣頻率的量測數(shù)據(jù)。因此，為提高電網(wǎng)的安全性和可靠性，PMU已成為電網(wǎng)動態(tài)過程監(jiān)測的基礎技術手段，并廣泛且成熟地應用在輸電系統(tǒng)中，其中包括狀態(tài)感知、暫態(tài)穩(wěn)定預測和控制，以及自適應失步保護等方面，具體應用見表2[7-9]。

表2 PMU在輸電系統(tǒng)中的應用Tab.2 Applications of PMUs in power transmission system

在電力系統(tǒng)中，狀態(tài)感知往往受限于系統(tǒng)拓撲信息缺失及參數(shù)錯誤，為此，本文提出一種基于PMU的網(wǎng)絡拓撲感知方法。該方法在無需完全掌握系統(tǒng)線路阻抗參數(shù)的情況下，僅根據(jù)部分節(jié)點PMU的量測信息即可對節(jié)點之間的未知網(wǎng)絡進行拓撲化簡，從而為邊緣計算提供支撐。PMU數(shù)據(jù)的網(wǎng)絡狀態(tài)辨識如圖2所示，圖2（a）中，m、n分別為系統(tǒng)中任意兩個具有PMU配置的節(jié)點，且節(jié)點m、n之間網(wǎng)絡拓撲結構未知。節(jié)點m、n之間的拓撲感知步驟如下。

圖2 基于PMU數(shù)據(jù)的網(wǎng)絡狀態(tài)辨識Fig.2 Network state identification based on PMU data

綜上，利用式（1）～（10）和節(jié)點m、n處PMU的量測信息，可以準確計算2個節(jié)點之間的阻抗參數(shù)和功率參數(shù)，并可對網(wǎng)絡中非重要節(jié)點進行化簡。

基于多個PMU數(shù)據(jù)的網(wǎng)絡狀態(tài)辨識如圖3所示。當PMU節(jié)點之間網(wǎng)絡中含有T型節(jié)點，且該T型節(jié)點的其他支路中也存在PMU節(jié)點時，需要對這2個PMU之間的簡化方法進行相應拓展。

圖3 基于多個PMU數(shù)據(jù)的網(wǎng)絡狀態(tài)辨識Fig.3 Network state identification based on data of multiple PMUs

含有PMU的原始網(wǎng)絡拓撲如圖3（a）所示，在圖3（a）中，節(jié)點n1至節(jié)點nk均為與節(jié)點m相鄰的下游PMU節(jié)點。以任意節(jié)點n1為例，首先，利用式（1）～（6）計算出虛擬節(jié)點處的電壓幅值V*和相角θ*，以及虛擬節(jié)點到節(jié)點m的阻抗和虛擬節(jié)點到節(jié)點n1的阻抗；然后，將剩余PMU節(jié)點利用其量測信息計算該節(jié)點到虛擬節(jié)點的阻抗信息，以及虛擬節(jié)點處的注入電流，即

式中：Vni∠θni為第i個下游節(jié)點的電壓幅值與相角；Ini,in∠?ni,in為流入第i個下游節(jié)點的電流幅值與相角；k為與節(jié)點m相鄰的下游DPMU節(jié)點個數(shù)。

另外，多個PMU簡化過程中形成的虛擬節(jié)點無法通過等值變換進行消去。

綜上，本文提出的網(wǎng)絡拓撲簡化方法將相鄰的2個或多個PMU之間的未知網(wǎng)絡等效成一個虛擬簡化網(wǎng)絡，簡化網(wǎng)絡中節(jié)點間的阻抗及功率參數(shù)，均可通過PMU的量測信息感知計算得出，為邊緣計算及控制決策提供網(wǎng)絡拓撲結構、線路阻抗參數(shù)，以及各個節(jié)點注入功率的數(shù)據(jù)支持。

應用本文提出的網(wǎng)絡感知方法所得的網(wǎng)絡感知結果偏差如圖4所示。

圖4 實際網(wǎng)絡與辨識網(wǎng)絡偏差Fig.4 Deviation between actual network and identification network

2.2 基于靈敏度的邊緣計算

邊緣計算應用程序在邊緣側發(fā)起，產(chǎn)生更快的網(wǎng)絡服務響應，滿足實時、智能、安全與隱私保護等需求。邊緣計算可以訪問調控云獲得廣域數(shù)據(jù)信息，并將邊緣決策信息傳遞給調控云平臺；相反云端亦可以訪問邊緣計算的歷史數(shù)據(jù)[10]，例如，在第2.1節(jié)中所述，PMU具有精準同步的量測，且安裝于電網(wǎng)重要節(jié)點終端。因此將邊緣計算模塊與PMU有機融合，可在便捷提取網(wǎng)絡量測數(shù)據(jù)的同時，進行電網(wǎng)調控的邊緣計算[10]。圖5為邊緣計算網(wǎng)絡示意，圖中空心節(jié)點代表存在電壓越限節(jié)點，而黑色節(jié)點為正常運行節(jié)點。

圖5 邊緣計算網(wǎng)絡示意Fig.5 Schematic of edge computing network

3 計算流程

由于電網(wǎng)調控運行數(shù)據(jù)分析量大且關系復雜，本文采用調控云對整個系統(tǒng)的運行狀態(tài)進行實時監(jiān)控，以便系統(tǒng)實時分析電壓薄弱環(huán)節(jié)，并將相應信息通知至邊緣端；同時，統(tǒng)一架構及規(guī)范模型的數(shù)據(jù)平臺為狀態(tài)感知及邊緣計算分析提供標準化數(shù)據(jù)支撐。邊緣端直接從PMU提取實時量測信息進行狀態(tài)感知及電壓調控策略計算。PMU可以在1 s內至少提供50個斷面的量測數(shù)據(jù)，本狀態(tài)感知方法力圖充分利用PMU高頻同步的量測數(shù)據(jù)，同時考慮調控云平臺對數(shù)據(jù)進行清洗和錯誤甄別的需求，本算法計算時間在0.04 s內。

本文提出的邊緣端導向的云-邊協(xié)同的電網(wǎng)狀態(tài)感知及調控輔助決策如圖6所示；云-邊協(xié)同的電網(wǎng)狀態(tài)感知及電壓調控輔助決策流程如圖7所示。

圖6 云-邊協(xié)同的電網(wǎng)狀態(tài)感知及調控輔助決策示意Fig.6 Schematic of power grid state awareness and dispatching decision-making support based on cloud-edge cooperation

圖7 云-邊協(xié)同的電網(wǎng)狀態(tài)感知及電壓調控輔助決策流程Fig.7 Flow chart of power grid state awareness and voltage regulation decision-making support based on cloud-edge cooperation

4 案例分析

由圖7可知，邊緣端通過調控云平臺的監(jiān)控信息得知當前系統(tǒng)運行狀態(tài)，并根據(jù)PMU實時量測，通過潮流計算評估電網(wǎng)薄弱環(huán)節(jié)，并獲得相應的電壓異常運行狀態(tài)。邊緣端利用局部PMU數(shù)據(jù)，計算求出該控制區(qū)域所需的有功、無功電壓靈敏度信息，如表3所示。

表3 控制區(qū)域所需靈敏度信息Tab.3 Sensitivity information required by control zone

圖8 電壓調節(jié)后典型節(jié)點的電壓分布Fig.8 Voltage distribution at typical nodes after voltage regulation

傳統(tǒng)的廣域最優(yōu)潮流算法利用全局信息進行綜合優(yōu)化，而本文算法則將全局信息與邊緣信息相結合，具有更快的計算效率。通過對具備無功調控能力節(jié)點的調控量進行多次計算，統(tǒng)計結果如圖9所示。由圖9可見，本文提出的云-邊協(xié)同的電壓調控方法與基于云端信息的最優(yōu)潮流算法的無功功率調節(jié)誤差效果基本一致，，其計算效率比較如表4所示。由表4可知本文方法計算所需數(shù)據(jù)量約為廣域最優(yōu)潮流算法的20%，極大地降低了對系統(tǒng)量測量與通訊量的壓力，同時降低了信息通信系統(tǒng)遭受攻擊的風險。

圖9 本文算法與廣域最優(yōu)潮流算法調控結果對比Fig.9 Comparison of control result between the proposed algorithm and wide area optimal power flow algorithm

表4 計算效率比較Tab.4 Comparison of calculation efficiency

5 結語

在能源互聯(lián)網(wǎng)建設中，調控中心調控云平臺匯聚了來自不同設備、不同業(yè)務、不同地區(qū)的多源異構數(shù)據(jù)，并在云端形成模型數(shù)據(jù)平臺、運行數(shù)據(jù)平臺及大數(shù)據(jù)平臺，為各環(huán)節(jié)調控系統(tǒng)提供實時、同步的廣域數(shù)據(jù)服務。同時也面臨著信息通信壓力和量測設備的投入成本增加，以及網(wǎng)絡信息攻擊的風險。為應對以上問題，本文應用調控云平臺中大量數(shù)據(jù)與本地量測數(shù)據(jù)相結合，實現(xiàn)云-邊協(xié)同的電網(wǎng)狀態(tài)感知和協(xié)同調控，以實現(xiàn)能源互聯(lián)網(wǎng)環(huán)境下電網(wǎng)調控智能輔助決策。具體總結如下：

（1）調控云平臺匯集了電網(wǎng)運行的多源數(shù)據(jù)，統(tǒng)一架構、統(tǒng)一模型的數(shù)據(jù)為電網(wǎng)智能化調控提供數(shù)據(jù)基礎；

（2）PMU可為電網(wǎng)提供高頻、精準同步的局部量測數(shù)據(jù)，為系統(tǒng)狀態(tài)感知及非重要節(jié)點簡化提供手段；

（3）采用云-邊協(xié)同的調控運行，將調控策略與PMU集成，進行就地邊緣計算，為運行人員提供更加高效的輔助決策，同時可有效抵御網(wǎng)絡攻擊事件對決策系統(tǒng)造成的不利影響。