边缘导向型云边协同的电网状态感知及电压调控辅助决策

张 杰，狄方春 ，李大鹏，陶 蕾 ，王 梓，王 淼

（1.国网天津市电力公司，天津 300010；2.电力调度自动化技术研究与系统评价北京市重点实验室（中国电力科学研究院有限公司），北京 100192）

以大规模可再生能源电力接纳和智能化为主要特征的第三代电网将成为未来电网发展的趋势和方向，其中数据应用将成为其主要驱动力。电力系统中来自同步相量测量装置PMU（phasor mea⁃surement unit）、远程测量终端RTU（remote terminal unit）及各类传感器的量测数据呈指数增长[1]。为此，国内外针对电网数据应用开展了大量的研究工作，其中，美国将电力大数据应用于需求侧响应DR（de⁃mand response）、资产管理AM（asset management）、运营风险分析RA（risk assessment）及政策电价决策支持等领域；澳大利亚从高级量测体系AMI（ad⁃vanced metering infrastructure）中提取数据进行能效分析和用户激励策略的制定，以达到改善能耗，减少温室气体排放的目的。但发达国家电力设备相对老旧，需要升级改造以适应数据集成与应用。而我国作为发展中国家，基础设施较新，且与信息系统集成性较好，近年来随着信息化技术的普及，电网公司着力将电力大数据与智能运行调度深度融合。

电网运行管理与数据深度融合，使传统的物理系统逐渐转变为信息-物理系统CPS（cyber physical system）。CPS应具备全面感知、云端互联、自主决策及自我学习能力，而这些应用的实现都基于良好的数据基础、稳定的信息传输、坚强的网络结构及高效的计算能力。

另一方面，我国高度重视以云计算和边缘计算等新技术为代表的新一代信息产业发展，推动物联网、云计算和人工智能等技术与基础设施的全面融合渗透。为响应国家号召，国家电网有限公司提出了建设“具有中国特色国际领先的能源互联网”的战略目标，发布了以数字化技术和互联网理念为驱动的“数字新基建”十大重点建设任务，这将极大提升公司各业务环节的整体信息化、数字化水平，其中智能调控决策系统将成为能源互联网的核心。如何实现灵活的资源调配方案，规范统一的数据架构和平台，以及如何建成安全抗攻击的智能调控信息交互系统，均是未来能源互联网发展亟待解决的关键技术问题[2-3]。

云计算是一种通过网络实现计算资源的灵活配置、按需访问和便捷共享的技术，它将资源进行整合，在网络上构建庞大的资源池和数据中心。不同于云计算采用集中传输处理的方式，边缘计算则将数据处理及计算与物理系统相结合，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时实现局部处理和决策[3-4]。

云计算与边缘计算在数据处理及计算量、信息传输方式及抗攻击能力等方面各具特点。云计算更适用于大规模多源异构数据的处理；而边缘计算更节省数据传输负载，同时更好地保护敏感信息安全。目前基本建成的调控云，采用全网信息感知与协同交互方式，在统一架构、统一模型、统筹建设的技术原则基础上，实现广域、安全、及时的全局调控决策[1]。而电力系统边缘计算则利用PMU等高频、实时信息对本地局部网络进行状态感知，通过对局部可调控资源的控制，实现本地的优化决策，两种计算方式具有天然的互补性。因此，云-边相结合的计算方式将更适用于未来存在大量数据和智能体的智能电网中，同时可更好地抗击网络攻击对电网造成的伤害。

综上，本文基于调控系统多源数据，开展边缘端导向的云-边协同电网状态感知及电压调控辅助决策研究。其中，调控云平台为计算提供统一架构与统一模型的广域数据；而边缘侧则利用云端数据及本地信息进行区域内状态感知及优化；云-边协同的调控方式可在提升电网集约调控能力的同时，实现电网运行资源优化整合，建成资源节约、因地制宜的调度系统建设模式。

1 调控云

为适应第三代电网的发展，电网调控系统需要在同步状态感知、在线分析决策、调度精益化管理和数据深度学习应用等方面进行升级改造，促进电网调度运行由“分析型调度”逐步向“智能型调度”转型升级[1]。云计算具有超大规模虚拟化计算能力、高可靠性数据保证、通用性和可拓展性应用、按需服务，以及计算存储成本相对低廉等特点，与第三代电网中对先进调度运行技术的发展需求相吻合，而“调控云”将智能电网需求与云计算有机融合，形成云端计算的先进调控方式[4]。电力调控系统的数据具有数据量大、多源异构、价值密度低，以及数据源之间关联性强等大数据特点，如表1所示。

表1 数据对比Tab.1 Data comparison

由表1可知，传统的数据处理方式难以最大化体现其价值[5]，为此，调控云首先应用源数据端数据清洗技术和云端数据质量自适应更新技术，将电网数据进行标准化处理，并形成面向调度系统的多源异构调控云大数据平台，为边缘计算等高级应用提供数据基础。调控云数据存储体系如图1所示，该体系分为同步层、统一层和分析层[6]。同步层中运行数据通过Kafka实时将各地区汇集的数据同步到Hbase和关系数据库；统一层对数据进行清洗加工，然后通过特征值和标签计算，形成派生数据；分析层则对数据进行聚类、学习及挖掘，并应用大规模并行分析数据库MPP（massively parallel processing）进行指标计算。

图1 调控云数据存储体系Fig.1 Data storage system of cloud dispatching

2 边缘计算

2.1 状态感知

PMU具有全球卫星定位系统GPS（global posi⁃tioning system）同步时钟模块，可为系统提供高采样频率的量测数据。因此，为提高电网的安全性和可靠性，PMU已成为电网动态过程监测的基础技术手段，并广泛且成熟地应用在输电系统中，其中包括状态感知、暂态稳定预测和控制，以及自适应失步保护等方面，具体应用见表2[7-9]。

表2 PMU在输电系统中的应用Tab.2 Applications of PMUs in power transmission system

在电力系统中，状态感知往往受限于系统拓扑信息缺失及参数错误，为此，本文提出一种基于PMU的网络拓扑感知方法。该方法在无需完全掌握系统线路阻抗参数的情况下，仅根据部分节点PMU的量测信息即可对节点之间的未知网络进行拓扑化简，从而为边缘计算提供支撑。PMU数据的网络状态辨识如图2所示，图2（a）中，m、n分别为系统中任意两个具有PMU配置的节点，且节点m、n之间网络拓扑结构未知。节点m、n之间的拓扑感知步骤如下。

图2 基于PMU数据的网络状态辨识Fig.2 Network state identification based on PMU data

综上，利用式（1）～（10）和节点m、n处PMU的量测信息，可以准确计算2个节点之间的阻抗参数和功率参数，并可对网络中非重要节点进行化简。

基于多个PMU数据的网络状态辨识如图3所示。当PMU节点之间网络中含有T型节点，且该T型节点的其他支路中也存在PMU节点时，需要对这2个PMU之间的简化方法进行相应拓展。

图3 基于多个PMU数据的网络状态辨识Fig.3 Network state identification based on data of multiple PMUs

含有PMU的原始网络拓扑如图3（a）所示，在图3（a）中，节点n1至节点nk均为与节点m相邻的下游PMU节点。以任意节点n1为例，首先，利用式（1）～（6）计算出虚拟节点处的电压幅值V*和相角θ*，以及虚拟节点到节点m的阻抗和虚拟节点到节点n1的阻抗；然后，将剩余PMU节点利用其量测信息计算该节点到虚拟节点的阻抗信息，以及虚拟节点处的注入电流，即

式中：Vni∠θni为第i个下游节点的电压幅值与相角；Ini,in∠ϕni,in为流入第i个下游节点的电流幅值与相角；k为与节点m相邻的下游DPMU节点个数。

另外，多个PMU简化过程中形成的虚拟节点无法通过等值变换进行消去。

综上，本文提出的网络拓扑简化方法将相邻的2个或多个PMU之间的未知网络等效成一个虚拟简化网络，简化网络中节点间的阻抗及功率参数，均可通过PMU的量测信息感知计算得出，为边缘计算及控制决策提供网络拓扑结构、线路阻抗参数，以及各个节点注入功率的数据支持。

应用本文提出的网络感知方法所得的网络感知结果偏差如图4所示。

图4 实际网络与辨识网络偏差Fig.4 Deviation between actual network and identification network

2.2 基于灵敏度的边缘计算

边缘计算应用程序在边缘侧发起，产生更快的网络服务响应，满足实时、智能、安全与隐私保护等需求。边缘计算可以访问调控云获得广域数据信息，并将边缘决策信息传递给调控云平台；相反云端亦可以访问边缘计算的历史数据[10]，例如，在第2.1节中所述，PMU具有精准同步的量测，且安装于电网重要节点终端。因此将边缘计算模块与PMU有机融合，可在便捷提取网络量测数据的同时，进行电网调控的边缘计算[10]。图5为边缘计算网络示意，图中空心节点代表存在电压越限节点，而黑色节点为正常运行节点。

图5 边缘计算网络示意Fig.5 Schematic of edge computing network

3 计算流程

由于电网调控运行数据分析量大且关系复杂，本文采用调控云对整个系统的运行状态进行实时监控，以便系统实时分析电压薄弱环节，并将相应信息通知至边缘端；同时，统一架构及规范模型的数据平台为状态感知及边缘计算分析提供标准化数据支撑。边缘端直接从PMU提取实时量测信息进行状态感知及电压调控策略计算。PMU可以在1 s内至少提供50个断面的量测数据，本状态感知方法力图充分利用PMU高频同步的量测数据，同时考虑调控云平台对数据进行清洗和错误甄别的需求，本算法计算时间在0.04 s内。

本文提出的边缘端导向的云-边协同的电网状态感知及调控辅助决策如图6所示；云-边协同的电网状态感知及电压调控辅助决策流程如图7所示。

图6 云-边协同的电网状态感知及调控辅助决策示意Fig.6 Schematic of power grid state awareness and dispatching decision-making support based on cloud-edge cooperation

图7 云-边协同的电网状态感知及电压调控辅助决策流程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

由图7可知，边缘端通过调控云平台的监控信息得知当前系统运行状态，并根据PMU实时量测，通过潮流计算评估电网薄弱环节，并获得相应的电压异常运行状态。边缘端利用局部PMU数据，计算求出该控制区域所需的有功、无功电压灵敏度信息，如表3所示。

表3 控制区域所需灵敏度信息Tab.3 Sensitivity information required by control zone

图8 电压调节后典型节点的电压分布Fig.8 Voltage distribution at typical nodes after voltage regulation

传统的广域最优潮流算法利用全局信息进行综合优化，而本文算法则将全局信息与边缘信息相结合，具有更快的计算效率。通过对具备无功调控能力节点的调控量进行多次计算，统计结果如图9所示。由图9可见，本文提出的云-边协同的电压调控方法与基于云端信息的最优潮流算法的无功功率调节误差效果基本一致，，其计算效率比较如表4所示。由表4可知本文方法计算所需数据量约为广域最优潮流算法的20%，极大地降低了对系统量测量与通讯量的压力，同时降低了信息通信系统遭受攻击的风险。

图9 本文算法与广域最优潮流算法调控结果对比Fig.9 Comparison of control result between the proposed algorithm and wide area optimal power flow algorithm

表4 计算效率比较Tab.4 Comparison of calculation efficiency

5 结语

在能源互联网建设中，调控中心调控云平台汇聚了来自不同设备、不同业务、不同地区的多源异构数据，并在云端形成模型数据平台、运行数据平台及大数据平台，为各环节调控系统提供实时、同步的广域数据服务。同时也面临着信息通信压力和量测设备的投入成本增加，以及网络信息攻击的风险。为应对以上问题，本文应用调控云平台中大量数据与本地量测数据相结合，实现云-边协同的电网状态感知和协同调控，以实现能源互联网环境下电网调控智能辅助决策。具体总结如下：

（1）调控云平台汇集了电网运行的多源数据，统一架构、统一模型的数据为电网智能化调控提供数据基础；

（2）PMU可为电网提供高频、精准同步的局部量测数据，为系统状态感知及非重要节点简化提供手段；

（3）采用云-边协同的调控运行，将调控策略与PMU集成，进行就地边缘计算，为运行人员提供更加高效的辅助决策，同时可有效抵御网络攻击事件对决策系统造成的不利影响。