边缘计算使能智慧电网

边缘计算使能智慧电网

张聪，樊小毅，刘晓腾，庞海天，孙立峰，刘江川 

1. 中国科学技术大学计算机科学与技术学院，安徽 合肥 230027；

 2. 深圳江行联加智能科技有限公司，广东 深圳 518000； 

3. 清华大学计算机科学与技术系，北京 100084

 

摘要：

随着物联网技术、高速通信技术、智能芯片技术的发展，协同利用这些技术提高传统电网在设备数据收集、储能策略分析和用电安全监控等方面的效能成为亟待解决的难题。对边缘计算技术如何助力电力企业智能化转型进行了着重分析，讨论了边缘计算在构建低时延、轻量级、高效能和高可靠的智慧电网平台方面的优势，介绍了智慧电网中的各类应用场景和对应的边缘计算解决方案。最后，对国内外两种边缘计算平台及其使用的主要技术和应用场景进行了分析。

关键词： 边缘计算 ; 电网智能化 ; 容器和虚拟化

论文引用格式：

张聪, 樊小毅, 刘晓腾, 庞海天, 孙立峰, 刘江川. 边缘计算使能智慧电网. 大数据[J], 2019, 5(2): 64-78

ZHANG C，FAN X Y,LIU X T, PANG H T, SUN L F, LIU J C . Edge computing enabled smart grid. Big Data Research[J], 2019, 5(2): 64-78

1 引言

改革开放以来，我国生产力的快速发展极大地增加了各行业对电力消耗的需求。从1978年底至2017年底，全国220千伏及以上输电线路长度从2.3万千米增加到68.8万千米；同时，变电容量从2 528万千伏安扩大到40亿千伏安。国际能源署《世界能源展望2018》报告显示，至2040年，我国的能源需求将增加26%。届时，人们对电气化技术的青睐也会使其全面渗入居民住宅和工业领域中，如电动汽车的普及，从而导致全球电力需求将增加90%。面对全球范围内电力需求的持续增长，如何有效地提高电网管理和控制的智能化水平，将成为关系到全球工业化发展和人民生活水平的巨大挑战。

随着物联网技术、人工智能技术和高速通信技术的逐步发展，与智慧电网相关的各种解决方案层出不穷，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使得大规模数字传感器可以被广泛地部署到电网设备中，实现该场景下电网数据的采集，但目前电网中设备种类较多，不同区域间的设备相对独立，如何快速接入不同区域和类型的电网设备，实现异构数据的大规模实时采集仍是需要解决的问题。其次，以深度学习网络为代表的人工智能技术可以大幅度提升海量数据的处理和分析能力，是实现智慧电网核心功能的“大脑”。但是，该技术需要大量的计算资源，而普通电网设备不具备此类资源。虽然利用云计算提供的弹性计算资源可以驱动“大脑”的运转，但其服务时延仍然较高，且无法处理敏感数据，因此不能很好地实现海量数据的实时分析和隐私保护。最后，高速通信技术的实施部署（如5G通信）能够保障电力场景中传感器数据的传输，提供稳定的网络连接，并将最终的判断和决策及时进行反馈。但该技术只能提供高速稳定的网络连接方式，在物联网技术和人工智能技术都存在痛点的情况下，其作用有限。此外，地形和区域限制导致部分电网设备位置偏僻，部署的传感器可能不在高速通信基站的覆盖范围内，电力运营商无法持续收集此类数据。

最近，在国家电网有限公司2019年提出的《泛在电力物联网建设大纲》中，发展趋于成熟的边缘计算技术成为信息通信技术（information communications technology， ICT）与操作技术（operation technology， OT）的桥梁。泛在物联是指任何时间、任何地点、任何人、任何物之间的信息连接和交互。泛在电力物联网就是围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术和先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。泛在电力物联网是泛在物联网在电力行业的具体表现形式和应用落地。根据美国国家标准与技术研究院（National Institute of Standards and Technology， NIST）的标准，智慧电网是一个将多种数字计算方式、通信技术和服务集成到电力系统基础设施中的电网系统。智慧电网作为构建泛在电力物联网的重要一环，可以利用边缘计算技术实现。在智慧电网的实施过程中，边缘计算利用容器技术可以实现不同设备中异构数据的实时采集，可以提供弹性计算资源承载深度学习模型。边缘的计算资源配置可以满足小区域数据离线处理和分析，从而保障各类数据的安全传输和处理。此外，边缘计算借助高速通信技术可以降低网络时延，提高网络传输带宽的利用率，实现高效稳定的数据传输。

本文首先介绍边缘计算的发展历程和技术特点，然后聚焦智慧电网中的几类业务特点，分析典型应用场景，并分别介绍边缘计算技术在各场景中的解决方案和相关技术，最后介绍国内外两种边缘计算平台及其相关技术和应用场景。最近几年，随着硬件性能的不断提升，各类设备计算和存储能力不断提高，边缘计算技术获得较大发展，并受到学术界和工业界的广泛关注。

2 发展背景及进展

微软亚洲研究院于2008年提出了边缘计算的概念，但相关技术受限于设备和网络性能，与实际应用场景结合后不能提供较好的用户体验。2013年，诺基亚西门子通信技术有限公司和IBM公司联合推出了可以在移动基站中运行的计算平台，首次使用移动边缘计算描述边缘服务。2014年，欧洲电信标准协会（European Telecommunications Standards Institute， ETSI）成立了工业规范组，开始推动边缘计算的标准化，提出生态系统和价值链。2016年，ETSI提出多接入边缘计算，将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络（如Wi-Fi）,华为技术有限公司、英特尔公司、ARM公司等联合成立边缘计算产业联盟（Edge Computing Consortium，ECC）。2017年，ECC推出边缘计算参考架构2.0，包含业务动态调度、云端部署协调等解决方案。2018年，谷歌公司推出两款大规模开发和部署智能联网设备的产品：云端芯片Edge TPU和软件Cloud IoT Edge，促进了基于人工智能的解决方案的部署。

近年来，随着物联网在行业领域的逐步深入，终端设备数量急剧增加。据思科公司互联网业务解决方案部称，2010年连接互联网的终端设备多达125亿台，预计到2020年将达到500亿台。终端设备的运行使网络末端产生了大量数据，如何从海量数据获得有效信息，变得极富挑战性。传统的解决方案是将与数据分析相关的计算任务转移到云计算平台上执行。现代云计算平台于2006年由亚马逊公司提出，该类平台依赖虚拟化技术，可以有效地整合各类系统资源，降低任务管理和运行的成本，并为用户提供弹性且高效的计算服务。然而，庞大的用户侧数据运算如果完全依赖于云计算平台，会占用大量的网络带宽，导致云计算性能出现瓶颈。此外，越来越多的场景需要高速响应的计算服务，而云计算平台与物理设备的松耦合使得云计算存在时延和抖动，因此，那些需要将端到端时延控制在几十毫秒内的应用程序直接从云计算平台获得的收益有限，如无人驾驶和虚拟现实（virtual reality，VR）。边缘计算使用分布式计算范式，将数据、应用程序下放到边缘设备节点，计算主要或完全在分布式的边缘设备节点上执行，而不是在云中进行。随着越来越多的第三方应用以容器化而不是虚拟机的方式部署，边缘计算也逐步向容器化发展，即