推荐期刊
在线客服

咨询客服 咨询客服

客服电话:18910126978

咨询邮箱:zzstgw@126.com

经济论文

边云协同智能技术在电力领域的应用分析

时间:2021年03月06日 所属分类:经济论文 点击次数:

摘要:随着电力物联网规模的不断扩大和部署在电力系统各环节的设备数量的快速增加,海量边缘设备所产生的数据呈指数级爆炸增长。海量边缘数据的高效、快速和安全处理与分析给传统的云计算智能技术带来极大挑战,而边云协同智能技术因节省带宽、减少时延、保

  摘要:随着电力物联网规模的不断扩大和部署在电力系统各环节的设备数量的快速增加,海量边缘设备所产生的数据呈指数级爆炸增长。海量边缘数据的高效、快速和安全处理与分析给传统的云计算智能技术带来极大挑战,而边云协同智能技术因节省带宽、减少时延、保护数据隐私等优点具有深度助力电力领域发展的巨大潜力。首先,对边云协同智能的概念和研究现状进行了介绍,阐述了边云协同智能的特征和优势,并对其赋能电力领域进行了适用性探讨。然后,结合电力系统的建设需求,讨论了面向电力场景的边云协同智能关键技术,接着针对电力领域的两个典型场景,分别给出了基于边云协同智能技术的解决方案,并搭建仿真实验进行效果验证。最后,对全文进行了总结并对下一步的研究方向进行了简要的展望。

  关键词:智能电网;电力物联网;人工智能;边缘计算;边云协同智能

  1引言

  随着社会生产力的快速发展,各个行业的电能需求显著增加,如电动汽车的普及将导致全球电力需求增加90%[1]。而伴随着大数据、云计算、物联网、人工智能、边缘计算等信息技术和智能技术的发展,提升电网运行和管理的智能化水平成为迫切需求,将关系到全球工业化的发展和人民生活水平的提高。

  中国电机工程学会电力信息化专业委员会在2013年3月发布《中国电力大数据发展白皮书》[2],将2013年定为“中国大数据元年”,掀起了电力大数据的研究热潮。而为了适应大数据与“互联网+”融合创新应用需求,国家电网有限公司于2015年年初正式提出了“全球能源互联网”的发展战略,构建全球互联的坚强智能电网[3]。

  智能电网论文范例:智能电网规划现状及规划建设探讨

  在2016年国家能源委员会会议审议通过的《能源发展“十三五”规划》中提到的边缘计算对能源产业的发展是一个重大的机遇,国家能源局于2017年公布了首批“互联网+”智慧能源示范项目,并在2018年发布的《2018能源工作指导意见》中明确表达对能源互联网建设项目的持续支持。2019年,国家电网有限公司创新性地提出“三型两网、世界一流”定位与发展目标,发布《泛在电力物联网建设总体方案》,明确了继坚强智能电网后能源互联网的下一步发展目标,发展趋于成熟的边缘计算技术成为信息通信技术与操作技术的桥梁,可应对复杂电力网络运行控制、海量信息、复杂应用需求等带来的挑战[4-5]。现阶段,我国在电力物联网、云计算、边缘计算等方面均有了初步的探索和技术积累,可以为各种电力业务的智能化提供基本保障[6-8],但仍存在许多亟待解决的痛点。

  首先,尽管物联网技术的逐步发展与应用促使大量传感器被广泛部署到电力系统的各个环节,实现电网数据的采集,但目前电网各部门的设备种类较多且相对独立,如何快速接入异构的电网设备实现数据的实时采集仍是需要解决的问题。其次,尽管对电力大数据的挖掘和分析的研究已经进行了数年,但电网数据种类多、量级大且较难统一管理,数据的标签信息较少或缺失等,导致可用于分析的数据不足。尽管以深度学习为代表的人工智能技术是实现智慧电网核心功能的“大脑”,但其高效处理数据的能力是以高计算资源为代价的,虽然利用云端的强大计算资源可以驱动“大脑”运转,但其服务时延和网络带宽消耗均较高,因此无法满足就地处理与实时智能分析的业务需求,此外,将数据传输至云端更会给用户数据隐私带来极大的暴露风险。

  电力领域应用中的不同环节,如数据聚合、数据处理、数据分析和数据决策等,往往也会产生各种各样的业务约束要求,其中,对处理时延、传输带宽和数据隐私等有着非常高要求的应用都迫切需要尽可能在靠近网络的边缘侧提供智能处理功能。显然,传统的云中心智能无法很好地满足此类业务需求,而边云协同智能技术为解决上述问题提供了一条可行的道路,即通过端、边、云之间的协同优化,实现安全、敏捷、低成本、低时延、隐私保护的大数据和人工智能服务与应用。边云协同智能技术由于具有节省带宽、减少时延、保护数据隐私等诸多优点,已经受到工业界和学术界的关注,并广泛应用于智能家居、智慧城市和工业物联网等多个领域[9-12]。

  尽管如此,边云协同技术在电力领域的相关应用研究仍然处于初级阶段。本文旨在对面向电力领域的边云协同智能技术研究展开探索和讨论。首先,介绍了边云协同智能的概念、研究现状和优点,对其赋能电力领域进行了适用性分析,边云协同智能技术的优势刚好对应电力发展的 需求;然后,提出了两大类面向电力场景的边云协同智能关键技术,针对电力领域有带宽时延强约束和数据隐私保护需求的两个典型场景提出了基于边云协同智能技术的解决方案,并搭建仿真实验进行效果验证;最后,对全文进行总结并对边云协同智能技术进一步赋能电力领域的发展方向进行了展望。

  2边云协同智能

  2.1基本概念

  随着物联网、智能终端和5G通信技术的快速发展,万物互联的智能时代正在加速到来,智能终端和各类传感器产生的数据正在以指数级爆发增长。一种崭新的计算范例边缘计算正在迅速普及,边缘计算由于其有望节省带宽、减少时延、保护数据隐私而受到了工业界和学术界的极大关注[13]。同时,随着深度学习和硬件体系结构升级的突破,人工智能(AI,artificialintelligence)在计算机视觉、语音识别、自然语言处理甚至棋盘游戏等众多领域有着蓬勃的发展[14]。

  考虑AI在功能上对于大量数据的快速分析是必不可少的,因此,强烈要求将边缘计算和AI结合在一起,这催生了一个新的研究领域,即边缘智能。一方面,在网络边缘生成的数据需要AI才能完全释放其潜力,同时边缘计算能为AI提供丰富的应用场景,提升AI的规模和效率,称为边缘赋能AI;另一方面,可借助流行且高效的AI为边缘计算中的约束优化问题提供更好的解决方案,称为AI赋能边缘。本文旨在研究面向电力场景的边缘智能关键技术,因此属于边缘赋能AI。边缘赋能AI并非是边缘计算和AI的简单组合,它的核心价值在于实现边云协同智能,当前,尚不存在边云协同智能的正式定义和国际公认的定义。为了解决这个问题,一些研究人员提出了自己的定义[15-18]。

  在本文中,将边云协同智能定义为通过端、边、云之间的协同优化,实现敏捷、低成本、低时延的大数据和人工智能服务与应用。显然,在广义上,边云协同智能包含基于端、边、云实现人工智能服务的不同组合模式,如端边协同、边云协同、边边协同和端边云协同,还有云智能(数据全部上云,所有智能分析和决策均在云端完成)和终端智能(数据获取、处理和智能分析均在终端设备上完成)两类极端情况。在狭义上,边云协同智能是通过边和云两者之间的协同优化来提供高效的AI服务。

  2.2研究现状

  近年来,边云协同智能引起了工业界和学术界的广泛关注,并取得了初步的进展。加利福尼亚大学伯克利分校电气工程与计算机科学系多位教授联名撰写的前瞻性研究报告指出边云协同智能是人工智能系统发展的9大趋势之一[19];微软云通过结合其边缘计算平台AzureIoTEdge[20]和Azure机器学习平台赋能边云协同智能;与AzureIoTEdge相似,CloudIoTEdge[21]通过利用TensorFlowLite和EdgeTPU等GoogleAI产品,将GoogleCloud的数据处理和机器学习扩展到数十亿边缘设备。

  此外,Google提出了联邦学习框架[22],旨在利用分布式的边缘和终端设备进行机器学习模型训练,确保原始数据不上云,降低用户隐私泄露风险;AWSIoTGreengrass[23]使用在云中经过训练和优化的模型,可以轻松地在设备上本地执行推理任务;著名的Gartner将边云协同智能整合为一项新兴技术,该技术将在接下来的5~10年内达到稳定的生产力水平[24]。Google、Microsoft、Intel、IBM、阿里巴巴和华为等企业纷纷提出了试点项目,以展示边缘计算在促进AI繁荣发展的最后一步方面的优势。

  2.3特征与优势

  相比于传统的云计算,边云协同智能至少包含以下4个方面的特征与优势。1)带宽成本低。根据互联网数据中心的预测,到2025年,全球的数据总量将达到180ZB[35],而当前的网络带宽远远不能满足这样的数据传输量需求,这将成为云计算的瓶颈,此时70%以上的数据都需要在网络边缘进行处理。边云协同智能最大的优势就是将数据分析放在边缘端进行处理,避免了海量数据的上传,极大地节省了带宽成本。2)智能化水平高。边云协同智能技术通过端、边、云之间的协同优化,高效地实现各类大数据和人工智能服务与应用。其中,以深度学习为代表的机器学习算法是实现边云协同智能的核心支撑,这些AI算法对于快速分析大量数据也是必不可少的。

  3适用性分析

  现阶段,电力领域中各种智能应用的发展主要存在以下特征和需求。

  1)终端传感器泛在接入,数据呈现多元化。由于电力物联网“万物互联”的包容性与开放性,大量感知设备被广泛布置在电力系统的各个环节,除了传统电力系统的单一结构化数据,各类图片、视频、地理信息等半结构化或非结构化数据被实时灵活地获取,使得数据来源复杂多样,且这些数据的存储级别在TB级以上,同时还在迅猛增长。由于网络传输带宽的瓶颈,将所有数据全部上传到云服务器进行分析是不切实际的,通常也是不必要的。因此,需要能有效节省带宽的智能技术来助力电力物联网的建设。

  2)电网数据价值未能被充分挖掘。在电力系统中,海量电网用户产生的数据非常有价值,对这些数据的分析能为电网公司削峰填谷、提高电网利用率、防范窃电、节能降耗、系统规划等带来有利支撑。虽然电网公司在大数据领域已经进行了多年研究,但是研究成果有待进一步提高,尤其针对标签信息较少或缺失的电网数据,需要设计新的智能化算法以提高技术保障。此外,如何将数据的分析结果应用于调度、巡检等业务场景也是一大需求。

  4面向电力场景的边云协同智能关键技术

  边云协同智能技术能够促进电力领域智能化水平的全面发展。支撑电力领域的边云协同关键技术,边云协同体系架构使得电力物联网的万物互联蓝图成为现实,边云协同核心算法弥补了电力物联网的智能化有待提升的缺陷,基于边云协同的带宽时延强约束数据分析技术为电力场景下的图片/视频类应用提供支撑,而面向海量敏感、非贯通数据的边云协同智能技术将有效满足电力用户隐私保护的需求。考虑应用的广泛性和迫切性,本文主要介绍后面两个技术。

  4.1电力场景中基于边云协同的带宽时延强约束数据分析技术在电力物联网建设中,除了采集在传统电力系统中的单一结构化数据(如用户用电量数据),还需要采集语音、图片、视频等海量非结构化数据,以实现全方位电网感知和优质服务。在输电领域,通过无人机拍摄高压输电线路的高清图片来判断线路的健康状态;在变电领域,通过巡检机器人拍摄变电设备(如表计、刀闸、主变等)的视频以实时监测设备运行状态。

  此外,在电力虚拟现实(VR,virtualreality)/增强现实(AR,augmentedreality)方面,更是需要实时更新高清画质,这对网络环境要求极高。上述图片/视频类分析如果在云数据中心进行则不能保证数据处理的实时性,并且这些数据的上传对带宽要求更高。因此,这类对于带宽和时延具有非常强约束要求的图片/视频分析应用代表着边云协同智能技术在电力场景中的杀手级应用[36]。

  5应用案例分析

  边云协同智能在数据产生源提供服务,因此可以在电力各种应用场景发挥巨大的优势。本节将列举电网变电侧、用电侧的两个典型业务场景,分别介绍边云协同智能技术在各场景中的解决方案,并设计实验验证所提方案的效果,结合这些案例可以进一步表明边云协同智能技术在具有带宽时延约束和隐私保护约束的应用中的优势。

  5.1基于边云协同的变电站视频智能监控系统

  随着电力系统网络的全面改造,在各变电站均设有多个摄像头对其各个角落进行监控,以便能实时掌握变电站的情况,并及时对突发情况做出反应。主要监控对象有变电站内电力设备(如主变压器、表计、刀闸等)的外观和运行状态、线路上的设备和异常情况(如绝缘子破损、导线散股、异物悬挂等)、作业人员的行为(如是否佩戴安全帽)以及变电站的周界防护(如危险区域入侵)等。因此,变电站存储了海量的视频图像信息,结合变电站日常工作要求,如何利用好这些视频图像数据成为当前变电站运维管理工作的一项重要内容,这也是变电站实现无人值守的必要自动化项目。

  6结束语

  边云协同智能作为边缘赋能AI的核心价值体现,是提升电网稳定运行和智能化管理的有效技术手段。本文对如何利用边云协同智能技术推动电力领域发展这一问题进行了深入讨论,首先,在深入分析当前电网建设需求的基础上,介绍了边云协同智能的概念、研究现状及优点,对边云协同智能赋能电力领域进行了适用性分析。然后,针对两类典型的电力场景提出了边云协同智能关键技术,并给出具体的边云协同解决方案,之后设计实验验证其有效性。除以上介绍,面向电力场景的边云协同智能关键技术还有待深入研究,下面从两方面进行简要展望。

  1)电力领域中的边云协同智能技术还需要有统一完善的体系架构来满足电力场景下组网的多层性和异构性、服务的弹性和多样性、智能的协同性和高效性等多方面约束和需求,并且边云协同智能系统的主要任务是高质量满足用户提交的服务请求,根据系统动态性、弹性分配或释放计算资源,来提高资源利用率。因此,电力场景下的边云协同体系架构对支撑电网业务驱动的智能任务编排、资源驱动的弹性服务及各种协同方式下的智能训练和推理,具有重要的实际意义。

  2)以机器学习算法为代表的分布式数据分析技术是实现电力海量数据智能分析处理的核心。典型的机器学习算法包括深度学习、聚类、分类、关联性分析、小样本学习、强化学习等,其中监督学习、无监督学习等均已应用于电网系统,如无监督机器学习和小样本学习能对无标签的分布式智能电表数据进行实时分析来提高电网的效率。而核心机器学习算法的边云协同机制对支撑多层异构的电力场景下的分布式数据分析与挖掘具有重要意义。

  参考文献:

  [1]张聪,樊小毅,刘晓腾,等.边缘计算使能智慧电网[J].大数据,2019,5(2):64-78.ZHANGC,FANXY,LIUXT,etal.Edgecomputingenabledsmartgrid[J].BigDataResearch,2019,5(2):64-78.

  [2]中国电机工程学会电力信息化专业委员会.中国电力大数据发展白皮书[M].北京:中国电力出版社,2013:10-15.InformatizationCommitteeoftheCSEE.WhitepaperofelectricpowerbigdataofChina[M].Beijing:ChinaElectricPowerPress,2013:10-15.

  [3]王继业,郭经红,曹军威,等.能源互联网信息通信关键技术综述[J].智能电网,2015,3(6):473-485.

  作者:韩青1,高昆仑2,赵婷2,陈江琦2,杨新宇1,杨树森1