摘要：隨著電力物聯網規模的不斷擴大和部署在電力系統各環節的設備數量的快速增加，海量邊緣設備所產生的數據呈指數級爆炸增長。海量邊緣數據的高效、快速和安全處理與分析給傳統的云計算智能技術帶來極大挑戰，而邊云協同智能技術因節省帶寬、減少時延、保護數據隱私等優點具有深度助力電力領域發展的巨大潛力。首先，對邊云協同智能的概念和研究現狀進行了介紹，闡述了邊云協同智能的特征和優勢，并對其賦能電力領域進行了適用性探討。然后，結合電力系統的建設需求，討論了面向電力場景的邊云協同智能關鍵技術，接著針對電力領域的兩個典型場景，分別給出了基于邊云協同智能技術的解決方案，并搭建仿真實驗進行效果驗證。最后，對全文進行了總結并對下一步的研究方向進行了簡要的展望。

　　關鍵詞：智能電網;電力物聯網;人工智能;邊緣計算;邊云協同智能

　　1引言

　　隨著社會生產力的快速發展，各個行業的電能需求顯著增加，如電動汽車的普及將導致全球電力需求增加90%[1]。而伴隨著大數據、云計算、物聯網、人工智能、邊緣計算等信息技術和智能技術的發展，提升電網運行和管理的智能化水平成為迫切需求，將關系到全球工業化的發展和人民生活水平的提高。

　　中國電機工程學會電力信息化專業委員會在2013年3月發布《中國電力大數據發展白皮書》[2]，將2013年定為“中國大數據元年”，掀起了電力大數據的研究熱潮。而為了適應大數據與“互聯網+”融合創新應用需求，國家電網有限公司于2015年年初正式提出了“全球能源互聯網”的發展戰略，構建全球互聯的堅強智能電網[3]。

　　智能電網論文范例：智能電網規劃現狀及規劃建設探討

　　在2016年國家能源委員會會議審議通過的《能源發展“十三五”規劃》中提到的邊緣計算對能源產業的發展是一個重大的機遇，國家能源局于2017年公布了首批“互聯網+”智慧能源示范項目，并在2018年發布的《2018能源工作指導意見》中明確表達對能源互聯網建設項目的持續支持。2019年，國家電網有限公司創新性地提出“三型兩網、世界一流”定位與發展目標，發布《泛在電力物聯網建設總體方案》，明確了繼堅強智能電網后能源互聯網的下一步發展目標，發展趨于成熟的邊緣計算技術成為信息通信技術與操作技術的橋梁，可應對復雜電力網絡運行控制、海量信息、復雜應用需求等帶來的挑戰[4-5]。現階段，我國在電力物聯網、云計算、邊緣計算等方面均有了初步的探索和技術積累，可以為各種電力業務的智能化提供基本保障[6-8]，但仍存在許多亟待解決的痛點。

　　首先，盡管物聯網技術的逐步發展與應用促使大量傳感器被廣泛部署到電力系統的各個環節，實現電網數據的采集，但目前電網各部門的設備種類較多且相對獨立，如何快速接入異構的電網設備實現數據的實時采集仍是需要解決的問題。其次，盡管對電力大數據的挖掘和分析的研究已經進行了數年，但電網數據種類多、量級大且較難統一管理，數據的標簽信息較少或缺失等，導致可用于分析的數據不足。盡管以深度學習為代表的人工智能技術是實現智慧電網核心功能的“大腦”，但其高效處理數據的能力是以高計算資源為代價的，雖然利用云端的強大計算資源可以驅動“大腦”運轉，但其服務時延和網絡帶寬消耗均較高，因此無法滿足就地處理與實時智能分析的業務需求，此外，將數據傳輸至云端更會給用戶數據隱私帶來極大的暴露風險。

　　電力領域應用中的不同環節，如數據聚合、數據處理、數據分析和數據決策等，往往也會產生各種各樣的業務約束要求，其中，對處理時延、傳輸帶寬和數據隱私等有著非常高要求的應用都迫切需要盡可能在靠近網絡的邊緣側提供智能處理功能。顯然，傳統的云中心智能無法很好地滿足此類業務需求，而邊云協同智能技術為解決上述問題提供了一條可行的道路，即通過端、邊、云之間的協同優化，實現安全、敏捷、低成本、低時延、隱私保護的大數據和人工智能服務與應用。邊云協同智能技術由于具有節省帶寬、減少時延、保護數據隱私等諸多優點，已經受到工業界和學術界的關注，并廣泛應用于智能家居、智慧城市和工業物聯網等多個領域[9-12]。

　　盡管如此，邊云協同技術在電力領域的相關應用研究仍然處于初級階段。本文旨在對面向電力領域的邊云協同智能技術研究展開探索和討論。首先，介紹了邊云協同智能的概念、研究現狀和優點，對其賦能電力領域進行了適用性分析，邊云協同智能技術的優勢剛好對應電力發展的 需求;然后，提出了兩大類面向電力場景的邊云協同智能關鍵技術，針對電力領域有帶寬時延強約束和數據隱私保護需求的兩個典型場景提出了基于邊云協同智能技術的解決方案，并搭建仿真實驗進行效果驗證;最后，對全文進行總結并對邊云協同智能技術進一步賦能電力領域的發展方向進行了展望。

　　2邊云協同智能

　　2.1基本概念

　　隨著物聯網、智能終端和5G通信技術的快速發展，萬物互聯的智能時代正在加速到來，智能終端和各類傳感器產生的數據正在以指數級爆發增長。一種嶄新的計算范例邊緣計算正在迅速普及，邊緣計算由于其有望節省帶寬、減少時延、保護數據隱私而受到了工業界和學術界的極大關注[13]。同時，隨著深度學習和硬件體系結構升級的突破，人工智能(AI,artificialintelligence)在計算機視覺、語音識別、自然語言處理甚至棋盤游戲等眾多領域有著蓬勃的發展[14]。

　　考慮AI在功能上對于大量數據的快速分析是必不可少的，因此，強烈要求將邊緣計算和AI結合在一起，這催生了一個新的研究領域，即邊緣智能。一方面，在網絡邊緣生成的數據需要AI才能完全釋放其潛力，同時邊緣計算能為AI提供豐富的應用場景，提升AI的規模和效率，稱為邊緣賦能AI;另一方面，可借助流行且高效的AI為邊緣計算中的約束優化問題提供更好的解決方案，稱為AI賦能邊緣。本文旨在研究面向電力場景的邊緣智能關鍵技術，因此屬于邊緣賦能AI。邊緣賦能AI并非是邊緣計算和AI的簡單組合，它的核心價值在于實現邊云協同智能，當前，尚不存在邊云協同智能的正式定義和國際公認的定義。為了解決這個問題，一些研究人員提出了自己的定義[15-18]。

　　在本文中，將邊云協同智能定義為通過端、邊、云之間的協同優化，實現敏捷、低成本、低時延的大數據和人工智能服務與應用。顯然，在廣義上，邊云協同智能包含基于端、邊、云實現人工智能服務的不同組合模式，如端邊協同、邊云協同、邊邊協同和端邊云協同，還有云智能(數據全部上云，所有智能分析和決策均在云端完成)和終端智能(數據獲取、處理和智能分析均在終端設備上完成)兩類極端情況。在狹義上，邊云協同智能是通過邊和云兩者之間的協同優化來提供高效的AI服務。

　　2.2研究現狀

　　近年來，邊云協同智能引起了工業界和學術界的廣泛關注，并取得了初步的進展。加利福尼亞大學伯克利分校電氣工程與計算機科學系多位教授聯名撰寫的前瞻性研究報告指出邊云協同智能是人工智能系統發展的9大趨勢之一[19];微軟云通過結合其邊緣計算平臺AzureIoTEdge[20]和Azure機器學習平臺賦能邊云協同智能;與AzureIoTEdge相似，CloudIoTEdge[21]通過利用TensorFlowLite和EdgeTPU等GoogleAI產品，將GoogleCloud的數據處理和機器學習擴展到數十億邊緣設備。

　　此外，Google提出了聯邦學習框架[22]，旨在利用分布式的邊緣和終端設備進行機器學習模型訓練，確保原始數據不上云，降低用戶隱私泄露風險;AWSIoTGreengrass[23]使用在云中經過訓練和優化的模型，可以輕松地在設備上本地執行推理任務;著名的Gartner將邊云協同智能整合為一項新興技術，該技術將在接下來的5～10年內達到穩定的生產力水平[24]。Google、Microsoft、Intel、IBM、阿里巴巴和華為等企業紛紛提出了試點項目，以展示邊緣計算在促進AI繁榮發展的最后一步方面的優勢。

　　2.3特征與優勢

　　相比于傳統的云計算，邊云協同智能至少包含以下4個方面的特征與優勢。1)帶寬成本低。根據互聯網數據中心的預測，到2025年，全球的數據總量將達到180ZB[35]，而當前的網絡帶寬遠遠不能滿足這樣的數據傳輸量需求，這將成為云計算的瓶頸，此時70%以上的數據都需要在網絡邊緣進行處理。邊云協同智能最大的優勢就是將數據分析放在邊緣端進行處理，避免了海量數據的上傳，極大地節省了帶寬成本。2)智能化水平高。邊云協同智能技術通過端、邊、云之間的協同優化，高效地實現各類大數據和人工智能服務與應用。其中，以深度學習為代表的機器學習算法是實現邊云協同智能的核心支撐，這些AI算法對于快速分析大量數據也是必不可少的。

　　3適用性分析

　　現階段，電力領域中各種智能應用的發展主要存在以下特征和需求。

　　1)終端傳感器泛在接入，數據呈現多元化。由于電力物聯網“萬物互聯”的包容性與開放性，大量感知設備被廣泛布置在電力系統的各個環節，除了傳統電力系統的單一結構化數據，各類圖片、視頻、地理信息等半結構化或非結構化數據被實時靈活地獲取，使得數據來源復雜多樣，且這些數據的存儲級別在TB級以上，同時還在迅猛增長。由于網絡傳輸帶寬的瓶頸，將所有數據全部上傳到云服務器進行分析是不切實際的，通常也是不必要的。因此，需要能有效節省帶寬的智能技術來助力電力物聯網的建設。

　　2)電網數據價值未能被充分挖掘。在電力系統中，海量電網用戶產生的數據非常有價值，對這些數據的分析能為電網公司削峰填谷、提高電網利用率、防范竊電、節能降耗、系統規劃等帶來有利支撐。雖然電網公司在大數據領域已經進行了多年研究，但是研究成果有待進一步提高，尤其針對標簽信息較少或缺失的電網數據，需要設計新的智能化算法以提高技術保障。此外，如何將數據的分析結果應用于調度、巡檢等業務場景也是一大需求。

　　4面向電力場景的邊云協同智能關鍵技術

　　邊云協同智能技術能夠促進電力領域智能化水平的全面發展。支撐電力領域的邊云協同關鍵技術，邊云協同體系架構使得電力物聯網的萬物互聯藍圖成為現實，邊云協同核心算法彌補了電力物聯網的智能化有待提升的缺陷，基于邊云協同的帶寬時延強約束數據分析技術為電力場景下的圖片/視頻類應用提供支撐，而面向海量敏感、非貫通數據的邊云協同智能技術將有效滿足電力用戶隱私保護的需求。考慮應用的廣泛性和迫切性，本文主要介紹后面兩個技術。

　　4.1電力場景中基于邊云協同的帶寬時延強約束數據分析技術在電力物聯網建設中，除了采集在傳統電力系統中的單一結構化數據(如用戶用電量數據)，還需要采集語音、圖片、視頻等海量非結構化數據，以實現全方位電網感知和優質服務。在輸電領域，通過無人機拍攝高壓輸電線路的高清圖片來判斷線路的健康狀態;在變電領域，通過巡檢機器人拍攝變電設備(如表計、刀閘、主變等)的視頻以實時監測設備運行狀態。

　　此外，在電力虛擬現實(VR,virtualreality)/增強現實(AR,augmentedreality)方面，更是需要實時更新高清畫質，這對網絡環境要求極高。上述圖片/視頻類分析如果在云數據中心進行則不能保證數據處理的實時性，并且這些數據的上傳對帶寬要求更高。因此，這類對于帶寬和時延具有非常強約束要求的圖片/視頻分析應用代表著邊云協同智能技術在電力場景中的殺手級應用[36]。

　　5應用案例分析

　　邊云協同智能在數據產生源提供服務，因此可以在電力各種應用場景發揮巨大的優勢。本節將列舉電網變電側、用電側的兩個典型業務場景，分別介紹邊云協同智能技術在各場景中的解決方案，并設計實驗驗證所提方案的效果，結合這些案例可以進一步表明邊云協同智能技術在具有帶寬時延約束和隱私保護約束的應用中的優勢。

　　5.1基于邊云協同的變電站視頻智能監控系統

　　隨著電力系統網絡的全面改造，在各變電站均設有多個攝像頭對其各個角落進行監控，以便能實時掌握變電站的情況，并及時對突發情況做出反應。主要監控對象有變電站內電力設備(如主變壓器、表計、刀閘等)的外觀和運行狀態、線路上的設備和異常情況(如絕緣子破損、導線散股、異物懸掛等)、作業人員的行為(如是否佩戴安全帽)以及變電站的周界防護(如危險區域入侵)等。因此，變電站存儲了海量的視頻圖像信息，結合變電站日常工作要求，如何利用好這些視頻圖像數據成為當前變電站運維管理工作的一項重要內容，這也是變電站實現無人值守的必要自動化項目。

　　6結束語

　　邊云協同智能作為邊緣賦能AI的核心價值體現，是提升電網穩定運行和智能化管理的有效技術手段。本文對如何利用邊云協同智能技術推動電力領域發展這一問題進行了深入討論，首先，在深入分析當前電網建設需求的基礎上，介紹了邊云協同智能的概念、研究現狀及優點，對邊云協同智能賦能電力領域進行了適用性分析。然后，針對兩類典型的電力場景提出了邊云協同智能關鍵技術，并給出具體的邊云協同解決方案，之后設計實驗驗證其有效性。除以上介紹，面向電力場景的邊云協同智能關鍵技術還有待深入研究，下面從兩方面進行簡要展望。

　　1)電力領域中的邊云協同智能技術還需要有統一完善的體系架構來滿足電力場景下組網的多層性和異構性、服務的彈性和多樣性、智能的協同性和高效性等多方面約束和需求，并且邊云協同智能系統的主要任務是高質量滿足用戶提交的服務請求，根據系統動態性、彈性分配或釋放計算資源，來提高資源利用率。因此，電力場景下的邊云協同體系架構對支撐電網業務驅動的智能任務編排、資源驅動的彈性服務及各種協同方式下的智能訓練和推理，具有重要的實際意義。

　　2)以機器學習算法為代表的分布式數據分析技術是實現電力海量數據智能分析處理的核心。典型的機器學習算法包括深度學習、聚類、分類、關聯性分析、小樣本學習、強化學習等，其中監督學習、無監督學習等均已應用于電網系統，如無監督機器學習和小樣本學習能對無標簽的分布式智能電表數據進行實時分析來提高電網的效率。而核心機器學習算法的邊云協同機制對支撐多層異構的電力場景下的分布式數據分析與挖掘具有重要意義。

　　參考文獻：

　　[1]張聰,樊小毅,劉曉騰,等.邊緣計算使能智慧電網[J].大數據,2019,5(2):64-78.ZHANGC,FANXY,LIUXT,etal.Edgecomputingenabledsmartgrid[J].BigDataResearch,2019,5(2):64-78.

　　[2]中國電機工程學會電力信息化專業委員會.中國電力大數據發展白皮書[M].北京:中國電力出版社,2013:10-15.InformatizationCommitteeoftheCSEE.WhitepaperofelectricpowerbigdataofChina[M].Beijing:ChinaElectricPowerPress,2013:10-15.

　　[3]王繼業,郭經紅,曹軍威,等.能源互聯網信息通信關鍵技術綜述[J].智能電網,2015,3(6):473-485.

　　作者：韓青1，高昆侖2，趙婷2，陳江琦2，楊新宇1，楊樹森1