陳永東，劉友波，沈曉東，許立雄，劉 進，李利娟

（1. 四川大學(xué)電氣工程學(xué)院,四川省成都市 610044；2. 華電（寧夏）能源有限公司,寧夏回族自治區(qū)銀川市 750004；3. 湘潭大學(xué)自動化與電子信息學(xué)院,湖南省湘潭市 411105）

0 引言

隨著分布式智能電網(wǎng)的演進與能源政策的更迭,打造更加智能、高效、綠色的城市能源系統(tǒng)（urban energy systems,UES）,成為優(yōu)化城市能源結(jié)構(gòu)和資源配置的必然選擇［1-2］。UES 逐步演變?yōu)橐钥稍偕茉礊橹鲗?dǎo),高度融合微網(wǎng)、園區(qū)、光儲充等能源要素,全面集成5G、人工智能（artificial intelligence,AI）、超算等技術(shù)要素,多能協(xié)同、靈活互動、廣泛參與的新型能源生態(tài)系統(tǒng)［3］。

新技術(shù)和新模式的涌現(xiàn)使得UES 資源稟賦耦合愈加緊密,其功能定位、技術(shù)支撐和市場機制發(fā)生了深刻變化,“弱可觀、強隨機、高要求”矛盾凸顯［4-5］。分布式智能終端和用能設(shè)備時空分布相較以往更加分散,系統(tǒng)感知能力較弱、底層運行數(shù)據(jù)缺失、區(qū)域信息交互水平有限?；谠朴嬎愕募惺竭\行調(diào)控機理模型刻畫難度、海量數(shù)據(jù)處理需求、網(wǎng)絡(luò)時延帶寬壓力和安全隱私問題持續(xù)增長,難以實現(xiàn)資源的遠程聚合管理與廣域優(yōu)化利用,系統(tǒng)運行調(diào)控面臨巨大考驗［6］。為緩解云端調(diào)度中心運行調(diào)控壓力,以往上傳至云端的數(shù)據(jù)信息應(yīng)能于本地進行處理,這就要求智能終端應(yīng)具備一定數(shù)據(jù)處理、計算和分析能力,終端間應(yīng)能通過信息交互實現(xiàn)協(xié)同,并依賴邊緣感知、通信、優(yōu)化、控制等技術(shù),以適應(yīng)UES 運行控制、能量管理、需求響應(yīng)、市場交易等場景需求。邊緣智能（edge intelligence,EI）的分布式特征更加貼近分布式資源分布空間,為其提供了從云端下沉至邊緣的解決方案,在數(shù)據(jù)源頭完成任務(wù)分析與決策反饋,就近向終端用戶提供存儲、計算、通信等服務(wù),緩解云端調(diào)度中心管控壓力,滿足差異化能源應(yīng)用場景要求［7］。

如何運用邊緣智能重構(gòu)集中式管控鏈路,是助力UES 運行調(diào)控的關(guān)鍵。本文立足于新型電力系統(tǒng)建設(shè)對城市能源發(fā)展提出的新需求,以邊緣智能技術(shù)理念作為分布式資源廣泛融合、交互、協(xié)調(diào)和優(yōu)化的基礎(chǔ),圍繞面向UES 分布式資源的邊緣智能理念、發(fā)展驅(qū)動、關(guān)鍵技術(shù)及架構(gòu)、應(yīng)用場景、發(fā)展挑戰(zhàn)和未來前景等問題進行了分析和探討,希望能夠為UES 運行調(diào)控提供理論指導(dǎo)和路徑參考。

1 UES 分布式資源與挑戰(zhàn)

1.1 分布式資源優(yōu)勢

能源供給側(cè)結(jié)構(gòu)性改革推動能源發(fā)展由粗放向精細轉(zhuǎn)變,分布式資源近用戶優(yōu)勢開始顯現(xiàn)［8］。由于其以清潔能源為主,在減小污染物排放的同時,也避免因線路建設(shè)帶來的土地占用及環(huán)境破壞；同時也有效延緩網(wǎng)架投資建設(shè)壓力,降低遠距離送電產(chǎn)生的電能損耗,減少對集中供能的依賴［9］；另外,其有機融合冷、熱、電、儲等技術(shù),實現(xiàn)多能互補和綜合梯級利用,限制系統(tǒng)冗余,平抑負荷峰谷差,緩解調(diào)峰調(diào)頻壓力［10］。

1.2 UES 面臨的挑戰(zhàn)

分布式資源布局區(qū)域廣闊、點多、量小,細粒度信息難以獲取,實際配置完整且精確的“四遙”饋線仍屬少數(shù),計量布點與精度離系統(tǒng)完全可觀還有相當(dāng)距離［11-12］。物理機理模型精細刻畫尚難,而現(xiàn)有研究對模型觀測精度要求又較高,使得機理模型分析方法難以完全適應(yīng)新型系統(tǒng)級物理對象［13］。雖有針對性方法予以解決,但仍面臨邊界條件無法保證、計算效率低下、容易陷入局部最優(yōu)等問題［14-16］。信息不全與精確建模之間的矛盾,以及實際系統(tǒng)中的現(xiàn)實問題,制約了模型驅(qū)動方法的適用性和實用性。大量邊緣終端接入,動輒TB 級甚至PB 級數(shù)據(jù)流涌向云端,將給云端調(diào)度中心帶來通信時延、帶寬占用、能源消耗、隱私安全、算力開銷、單點故障等問題,難以有效適應(yīng)高滲透分布式資源的即插即用與協(xié)調(diào)優(yōu)化［17］。

AI 通過挖掘數(shù)據(jù)潛在規(guī)律與價值,從數(shù)據(jù)層面解決物理機理模型因簡化近似造成的規(guī)律丟失問題,提高系統(tǒng)安全態(tài)勢感知能力,降低二次設(shè)備投資范圍與成本［18-19］。邊緣計算（edge computing,EC）利用本地部署優(yōu)勢,降低通信時延與帶寬占用壓力,縮短攻擊時限,增加有效攻擊總面積,系統(tǒng)安全系數(shù)與經(jīng)濟性能得到提升［20-21］。如何合理利用上述技術(shù),是UES 安全經(jīng)濟運行的關(guān)鍵。

2 數(shù)據(jù)驅(qū)動的邊緣智能關(guān)鍵技術(shù)

2.1 邊緣智能理念

邊緣智能是邊緣計算和AI 深度融合的嶄新范式,不是機械的本地化AI 計算,涉及多業(yè)務(wù)領(lǐng)域交叉,高度依賴實際應(yīng)用場景,目前尚未形成公認(rèn)的學(xué)術(shù)定義。傳統(tǒng)觀點認(rèn)為邊緣智能是在邊緣側(cè)運用AI 的范式,但不能完全體現(xiàn)邊緣智能內(nèi)涵與外延,其范圍不應(yīng)局限于邊緣,還應(yīng)包含云-邊協(xié)同機制［22-23］。文獻［24］將邊緣智能分為AI for edge 和AI on edge,前者側(cè)重于借助AI 解決EC 中的優(yōu)化問題,后者則側(cè)重于如何在邊緣部署AI 算法。文獻［25］指出邊緣智能是計算節(jié)點在邊緣側(cè)提供的高級數(shù)據(jù)分析、實時決策等相關(guān)服務(wù)。文獻［26］則認(rèn)為邊緣智能是基于EC 運行機制和網(wǎng)絡(luò)結(jié)構(gòu),依托其低時延、分布式特性,驅(qū)動AI 自主學(xué)習(xí)、決策能力下沉,為智能應(yīng)用提供多層次的資源支持和性能優(yōu)化。AI 為EC 提供技術(shù)和方法,通過EC 擴展其適用性。EC 為AI 提供應(yīng)用場景和平臺,通過AI 釋放其潛力和可擴展性。邊緣智能尚處于初級階段,關(guān)鍵技術(shù)難關(guān)有待攻克?，F(xiàn)有研究更多是從信息領(lǐng)域視角探索AI 模型訓(xùn)練推理優(yōu)化策略,面向UES 分布式資源的邊緣智能理念和技術(shù)還鮮有提出。

本文認(rèn)為面向UES 分布式資源的邊緣智能理念,是利用“智能+X（以AI、超算為基礎(chǔ),以5G 為通信骨干,以聯(lián)邦學(xué)習(xí)打破數(shù)據(jù)孤島,以區(qū)塊鏈建立安全可信屏障,以AI 芯片為智能應(yīng)用承載媒介的多維技術(shù)集大成者）”技術(shù),引導(dǎo)云端服務(wù)下沉,在邊緣提供數(shù)據(jù)分析處理、進化趨優(yōu)決策、自組織與協(xié)同、安全隱私保護等高級服務(wù),實現(xiàn)能量流、信息流與業(yè)務(wù)流的高度融合,為城市能源應(yīng)用提供多層次資源支持和性能優(yōu)化,集多端協(xié)同、軟硬兼容、可遷移可擴展的高級城市能源服務(wù)形態(tài)于一體。

2.2 邊緣智能體系架構(gòu)及關(guān)鍵技術(shù)

邊緣智能以云-邊-端為層次劃分,形成全鏈路資源聯(lián)合與技術(shù)應(yīng)用體系,其架構(gòu)如圖1 所示。

圖1 面向UES 分布式資源的邊緣智能體系架構(gòu)Fig.1 EI architecture for UES distributed resources

云端調(diào)度中心從全局視角明確UES 頂層設(shè)計內(nèi)容,對各環(huán)節(jié)組成要素統(tǒng)籌規(guī)劃與綜合利用,兼顧全局與局部、長期與短期利益,對邊緣數(shù)據(jù)進行集中處理,回傳邊緣分布式執(zhí)行,并保存邊緣決策結(jié)果。

邊緣節(jié)點位于云-端之間,物理上更加靠近終端,對終端原始數(shù)據(jù)分析決策,將結(jié)果上傳、下發(fā)和保存。智能變電站可充當(dāng)邊緣節(jié)點,分別與主站中心、鄰域變電站交互形成云-邊協(xié)同、邊-邊協(xié)同模式,實現(xiàn)多個邊緣節(jié)點的協(xié)同自治與分布式資源的安全管理,讓AI 在云-端之間按需流動。

終端設(shè)備主要包含分布式電源、電動汽車、新型負荷等,通過將AI 推理或訓(xùn)練任務(wù)卸載至鄰近邊緣節(jié)點,以完成終端設(shè)備的本地計算與邊緣節(jié)點較強算力的協(xié)同互補,進而降低終端設(shè)備自身資源消耗。云-邊-端全鏈路體系為集中式管控時延、帶寬、隱私等剛性約束提供解決方案,其關(guān)鍵技術(shù)如下。

2.2.1 自感知決策技術(shù)

自感知決策依托新型計量傳感獲取細粒度資源數(shù)據(jù)特征。借助AI 在數(shù)字層面提供態(tài)勢感知、狀態(tài)推理手段,各能源主體動態(tài)調(diào)整自身運行狀態(tài),閉環(huán)作用于物理系統(tǒng),實現(xiàn)末端資源有序管控與系統(tǒng)全景信息感知,提升系統(tǒng)實時快速響應(yīng)能力［27］。目前,多參量高靈敏感知機理與芯片化集成設(shè)計尚不清晰,物理數(shù)據(jù)特征時空演變規(guī)律認(rèn)知尚淺,數(shù)據(jù)驅(qū)動的感知理論體系亦不完善。

2.2.2 異質(zhì)數(shù)據(jù)管理技術(shù)

多源異構(gòu)數(shù)據(jù)持續(xù)匯聚,云-邊-端協(xié)同管理十分重要。終端存放數(shù)據(jù)標(biāo)識和許可信息,通過安全訪問機制驗證數(shù)據(jù)一致性和完整性；邊緣節(jié)點對終端數(shù)據(jù)進行加密、簽名、存儲與上鏈；云端存儲數(shù)據(jù)加密映射關(guān)系,通過共識機制,實現(xiàn)數(shù)據(jù)跨域共享與隱私保護［28］。其核心價值在于高密度知識生成、理解與表達,更好地串聯(lián)和呈現(xiàn)知識,提升海量終端精細化管理與高并發(fā)能力［29］。異構(gòu)數(shù)據(jù)的跨域集成、深度可信融合、知識動態(tài)推理與表達依然是數(shù)據(jù)管理過程中的巨大難題。

2.2.3 自趨優(yōu)進化技術(shù)

自趨優(yōu)指能源主體自主調(diào)節(jié)自身運行狀態(tài)向更優(yōu)態(tài)過渡的過程［30-32］。現(xiàn)有研究主要集中于自趨優(yōu)指標(biāo)邊界定義與算法運用,如何建立自趨優(yōu)驅(qū)動機制與響應(yīng)規(guī)則,實現(xiàn)單體決策與全局目標(biāo)相容一致還須探索。以強化學(xué)習(xí)為代表的趨優(yōu)算法因高試錯成本制約了其實際應(yīng)用可能［33］,利用機器學(xué)習(xí)和專家經(jīng)驗構(gòu)建虛擬學(xué)習(xí)環(huán)境,結(jié)合遷移、增量學(xué)習(xí)實現(xiàn)知識廣度繼承和深度生長,大幅降低資源開銷及試錯代價,形成閉環(huán)式自趨優(yōu)進化全棧學(xué)習(xí)框架已成為熱點。

2.2.4 多態(tài)協(xié)同技術(shù)

僅依賴邊緣智能將面臨算力需求與資源受限、服務(wù)質(zhì)量與安全隱私等多對矛盾,云-邊-端全局性協(xié)同是解決上述矛盾的關(guān)鍵［28］。云-邊協(xié)同:邊緣負責(zé)本地數(shù)據(jù)處理,云端負責(zé)知識挖掘和模型訓(xùn)練升級；邊-邊協(xié)同:邊緣節(jié)點協(xié)同配合,解決單節(jié)點資源限制；邊-端協(xié)同:增強邊緣節(jié)點能力；云-邊-端協(xié)同:利用整個鏈路資源,解決能源主體矛盾。模型壓縮、模型分割、聯(lián)邦學(xué)習(xí)等模型優(yōu)化技術(shù),大數(shù)據(jù)治理、聯(lián)盟區(qū)塊鏈、任務(wù)調(diào)度優(yōu)化等系統(tǒng)級優(yōu)化技術(shù),AI芯片承載、嵌入式開發(fā)等硬件優(yōu)化技術(shù)尚待突破［34］。

2.2.5 通信安全技術(shù)

電力通信安全主要依賴寬帶電力線載波、光纖復(fù)合電纜等有線通信與衛(wèi)星、蜂窩、個人局域等無線通信技術(shù),以網(wǎng)絡(luò)邊界隔離保護為主的安全分區(qū)、橫向隔離、縱向認(rèn)證主被動安全防護體系［35］。然而,邊緣智能分布式、離散化特征使得安全防護加固難以實施,高級定制化、特征多樣化攻擊手段可能會弱化終端安全能力［36］。如何平衡抵御攻擊有效性和數(shù)據(jù)可用性,實現(xiàn)異常威脅感知、隔離和阻斷,形成以芯片為核心的通信安全免疫體系,解決信息物理攻擊實時發(fā)現(xiàn)和防滲透難題愈加重要。

2.2.6 硬件支撐技術(shù)

芯片是部署AI 的關(guān)鍵,AI 芯片包括圖形處理單元（graphics processing unit,GPU）、半定制化現(xiàn)場可編程門陣列（field programmable gate array,FPGA）、定制化專用集成電路（application specific integrated circuit,ASIC）和類腦計算芯片［37-38］,主流廠商及其產(chǎn)品如表1 所示。

表1 AI 芯片信息Table 1 Information of AI chip

針對特定場景進行針對性設(shè)計、軟硬件定制和性能優(yōu)化是解決場景與芯片不匹配的有效方案［39-40］,如何從技術(shù)角度對其進行分類與選擇亟須解決。此外AI 機理尚不清晰,芯片實現(xiàn)原理亦在探索,這也是指導(dǎo)芯片優(yōu)化設(shè)計和通用的基本前提。近年來,中國在電力芯片研發(fā)方面取得了較大突破與進展,主要包括主控芯片、傳感芯片、通信芯片、安全芯片和射頻識別芯片,并在發(fā)、輸、變、配、用、調(diào)等環(huán)節(jié)實現(xiàn)了落地應(yīng)用。如:南方電網(wǎng)數(shù)字研究院研發(fā)的“伏羲FUXI-H”主控芯片已應(yīng)用于繼電保護、配電自動化、計量自動化領(lǐng)域；北京智芯微電子科技研發(fā)的電力傳感芯片已在源網(wǎng)荷側(cè)得到了大規(guī)模應(yīng)用；深圳力合微電子研發(fā)的物聯(lián)網(wǎng)通信芯片已應(yīng)用于電網(wǎng)終端信息采集、多表集抄、能效管理方面；華為研發(fā)的“鯤鵬”系列安全芯片已在南方電網(wǎng)輸電線路巡檢方面得到試點應(yīng)用等。

2.2.7 軟件支撐技術(shù)

傳統(tǒng)固化的軟件結(jié)構(gòu)難以適應(yīng)UES 大規(guī)模定制生產(chǎn)需求,不同軟件平臺因標(biāo)準(zhǔn)與技術(shù)相異難以兼容,信息傳輸?shù)托Ш臅r,且需停機調(diào)試給系統(tǒng)帶來安全風(fēng)險,無法應(yīng)對時變場景。邊緣智能軟件平臺包含面向終端、面向邊緣、面向云-邊-端協(xié)同的開源平臺［28］,終端平臺注重解決終端應(yīng)用開發(fā)及部署難題,邊緣平臺著眼于優(yōu)化和重建網(wǎng)絡(luò)邊緣基礎(chǔ)設(shè)施,云-邊-端協(xié)同平臺將云端服務(wù)拓展至終端末梢,主流廠商及其平臺如表2 所示。如何系統(tǒng)化支持能源應(yīng)用需求是邊緣智能軟件平臺未來發(fā)展趨勢之一。近年來,北京智芯微電子科技研發(fā)的樞紐4.0、湖南麒麟信安科技研發(fā)的麒麟系列、安科瑞研發(fā)的Acrelcloud 系列、深圳宏電研發(fā)的Smart 2000、廣州虹科電子科技研發(fā)的Edge Xpert 等操作系統(tǒng)得到了廣泛部署與應(yīng)用。

表2 邊緣智能開源平臺Table 2 EI open source platform

3 邊緣智能在UES 的應(yīng)用場景

UES 背景下邊緣智能應(yīng)用場景得到了極大豐富,具體如表3 所示。

表3 邊緣智能應(yīng)用場景及關(guān)鍵技術(shù)Table 3 Application scenarios and key technologies of EI

3.1 有源配電網(wǎng)的分布式運行控制

分布式資源增加了有源配電網(wǎng)運行控制難度,一致性、交替方向乘子等分布式協(xié)同控制方法因參數(shù)獲取困難、假設(shè)性較強難以適配有源配電網(wǎng)的實際特性［41］。多智能體深度強化學(xué)習(xí)結(jié)合邊緣計算成為當(dāng)前及未來分布式協(xié)同控制的主流方法,主要用于配電網(wǎng)分布式電源調(diào)度、無功優(yōu)化、故障恢復(fù)等方面［42］,其技術(shù)架構(gòu)如圖2 所示。

圖2 有源配電網(wǎng)的分布式運行控制技術(shù)架構(gòu)Fig.2 Distributed operation control technology architecture of active distribution network

分布式電源優(yōu)化調(diào)度是提升系統(tǒng)新能源消納能力、實現(xiàn)經(jīng)濟運行的重要手段。文獻［43］考慮源荷不確定性,設(shè)計了基于多智能體近端策略優(yōu)化（MAPPO）的分布式電源優(yōu)化調(diào)度框架。配電網(wǎng)運行方式、無功功率受新能源出力波動影響,容易造成饋線電壓越限,如何協(xié)調(diào)不同響應(yīng)尺度控制資源應(yīng)對電壓波動是配電網(wǎng)運行控制主要研究方向。文獻［44］利用多智能體深度確定性策略梯度（MADDPG）實現(xiàn)了弱通信條件下的配電網(wǎng)自主電壓控制。極端天氣增加了配電網(wǎng)故障蔓延的可能,如何利用現(xiàn)有可控資源實現(xiàn)故障快速恢復(fù),提高系統(tǒng)韌性響應(yīng)是亟須解決的問題。文獻［45］提出了計及拓撲變化的配電網(wǎng)故障恢復(fù)方法,但是在拓撲變化較大時模型泛化能力較弱。上述研究尚未考慮分布式資源的聚合效應(yīng),將協(xié)調(diào)控制對象上升至集群級別,實現(xiàn)有源配電網(wǎng)集群間的協(xié)同運行控制。

3.2 多主體自趨優(yōu)能量管理

新邊界條件下,能源主體產(chǎn)用能關(guān)系發(fā)生了深刻變化,決策機制由集中調(diào)度向自趨優(yōu)協(xié)調(diào)變革,能量管理依賴集群自律、分級協(xié)調(diào)的分層遞階式結(jié)構(gòu)［46-47］,以滿足用戶電能質(zhì)量要求和系統(tǒng)供電可靠性要求。涉及主體主要包括家庭、建筑、微網(wǎng)、電動汽車、儲能等,邊緣控制器部署于各自能量管理系統(tǒng)當(dāng)中,其技術(shù)架構(gòu)如圖3 所示。

圖3 多主體自趨優(yōu)能量管理技術(shù)架構(gòu)Fig.3 Technology architecture of multi-agent selfoptimizing energy management

大量家庭柔性負荷增加了運行管理復(fù)雜性,文獻［48］對比了不同情境下家庭用戶與電網(wǎng)間的優(yōu)化調(diào)度效果。建筑能耗占總能耗的1/3,其能耗管理愈加重要,文獻［49］更加注重建筑能耗管理的經(jīng)濟性,忽略了對建筑負荷的控制。電動汽車無序充電將對系統(tǒng)穩(wěn)定、交通狀況造成影響,文獻［50］利用雙重深度Q 網(wǎng)絡(luò)（DDQN）優(yōu)化電動汽車充電行為,緩解車-站-網(wǎng)-路協(xié)調(diào)壓力。挖掘儲能的雙向調(diào)節(jié)潛力是輔助系統(tǒng)正常運行的重要舉措,文獻［51］通過DDQN 優(yōu)化共享儲能實時控制策略實現(xiàn)動態(tài)經(jīng)濟運行。上述研究側(cè)重個體趨優(yōu)自治,未考慮全局相容關(guān)系,或是僅考慮整體特性,忽略個體交互行為,且僅針對單一能量形態(tài),尚未解決冷熱電聯(lián)產(chǎn)間的耦合優(yōu)化。

3.3 廣域靈活需求響應(yīng)

充分挖掘分布式電源、柔性負荷、儲能等需求側(cè)資源響應(yīng)潛力,通過價格信號或激勵機制引導(dǎo)和鼓勵用戶主動優(yōu)化電力消費模式與市場參與行為,是實現(xiàn)供需動態(tài)平衡的關(guān)鍵［52］。響應(yīng)資源辨識與潛力分析是開展需求響應(yīng)的前提,可為調(diào)度中心提供較為直接的量化參考。此外用戶應(yīng)能在本地對市場信號做出反應(yīng),根據(jù)市場信息實現(xiàn)自身用能行為優(yōu)化和市場行為策略選擇,其技術(shù)架構(gòu)如圖4 所示。文獻［53］假設(shè)目標(biāo)域與源域分布相似,提出基于遷移學(xué)習(xí)的響應(yīng)潛力評估方法。文獻［54］考慮分時電價利用DDQN 優(yōu)化用戶用能行為。文獻［55］提出了云-邊協(xié)同需求響應(yīng)方法,云端負責(zé)模型離線訓(xùn)練,邊緣定期復(fù)制更新、在線推理和決策。

圖4 廣域靈活需求響應(yīng)技術(shù)架構(gòu)Fig.4 Technology architecture of wide-area flexible demand response

現(xiàn)有研究大多假設(shè)完美通信,當(dāng)通信質(zhì)量不佳時,達到納什均衡需要更多迭代次數(shù)和收斂時間,會對系統(tǒng)產(chǎn)生較大延時影響。為滿足靈活高效、安全可靠的需求響應(yīng)要求,響應(yīng)服務(wù)平衡與優(yōu)化技術(shù)不斷涌現(xiàn)。文獻［56］提出了一種邊緣云部署方法,緩解需求響應(yīng)管理平臺業(yè)務(wù)處理壓力。文獻［57］利用邊緣緩存與分發(fā)機制,有效提高用戶實際響應(yīng)能力。邊緣云部署與邊緣緩存須基于具體骨干網(wǎng)架進行部署設(shè)計,既要考慮通信服務(wù)質(zhì)量和業(yè)務(wù)可靠性,也要避免邊緣節(jié)點處理計算壓力過大。

3.4 多模式電力能源市場

電力市場放松監(jiān)管推動市場模式逐漸由計劃經(jīng)濟轉(zhuǎn)向市場經(jīng)濟。前者需以完全信息、充裕算力、社會福利最大化為前提,集中確定資源配置方案,其自上而下的量價模式無法滿足市場主體商業(yè)訴求,難以完全適應(yīng)新型市場形態(tài)［58］；后者通過市場力自適應(yīng)市場局部可觀特性,降低市場準(zhǔn)入門檻。無論是計劃經(jīng)濟還是市場經(jīng)濟,以往主要利用雙層優(yōu)化、博弈論等刻畫市場主體交易行為,求解復(fù)雜難以保證納什均衡和反映市場主體間的動態(tài)交互行為［59］。

源荷分散化使得能源交易向無中心定價和端對端交易發(fā)展,無中心定價須根據(jù)實際情況設(shè)計合適的定價機制,端對端交易被視為“共享經(jīng)濟”的實例。文獻［60］提出基于深度確定性策略梯度（DDPG）的社區(qū)能源定價策略,文獻［61］借助Qlearning 刻畫產(chǎn)銷用戶端對端交易行為。區(qū)塊鏈解決了市場主體間協(xié)調(diào)困難、信任缺失、信息不對稱等問題［62］?，F(xiàn)有研究側(cè)重于對市場交易行為的局部細節(jié)探討,對定價機制選擇分析鮮有系統(tǒng)性研究［63］。市場經(jīng)濟雖然靈活簡單,但其假設(shè)競爭充分、無外部性。計劃經(jīng)濟和市場經(jīng)濟并不完全獨立,在具體交易環(huán)節(jié)設(shè)計時,應(yīng)綜合考慮市場影響因素,完善市場價格形成機制,引導(dǎo)市場主體參與能源交易,其技術(shù)架構(gòu)如圖5 所示。

圖5 多模式電力能源市場技術(shù)架構(gòu)Fig.5 Technical architecture of multi-mode power energy market

3.5 邊緣流數(shù)據(jù)學(xué)習(xí)

傳統(tǒng)隱患排查、缺陷治理、安全管控因識別、輔控置信度較低,主要依賴人工排查和事后處理。文本、圖像、音視頻等數(shù)據(jù)流激增使得數(shù)據(jù)分析、人力投入、反應(yīng)滯后問題突出,增加了運維管理難度、系統(tǒng)安全隱患與故障恢復(fù)時間［64］。邊緣智能推動算力算法向攝像頭、無人機、便攜式穿戴等前端感知設(shè)備遷移,幫助運維人員厘清設(shè)備狀態(tài)和故障來由,并將分析結(jié)果推送至個人終端,為智能運檢、應(yīng)急保障、協(xié)同作業(yè)、實景指揮、遠程會商提供技術(shù)支撐,其架構(gòu)如圖6 所示。

圖6 邊緣流數(shù)據(jù)學(xué)習(xí)技術(shù)架構(gòu)Fig.6 Technology architecture of edge stream data learning

設(shè)備狀態(tài)分析囊括文本信息挖掘與圖像特征識別,其本質(zhì)在于利用AI 算法提取設(shè)備狀態(tài)數(shù)據(jù)關(guān)聯(lián)關(guān)系,解決“看得懂”的問題。文獻［65］考慮缺陷文本信息內(nèi)在邏輯,提出缺陷記錄自動檢索方法；文獻［66］利用YOLO3 實現(xiàn)輸電線路螺栓缺陷實時檢測；文獻［67］提出了輕量級輸電線路覆冰厚度終端級辨識方法。然而,電力健康管理知識圖譜構(gòu)建、安全管控標(biāo)準(zhǔn)劃分、設(shè)備狀態(tài)數(shù)據(jù)集制定還相當(dāng)匱乏,設(shè)備狀態(tài)演化機理尚不清晰,狀態(tài)評估理論體系亦不完善,設(shè)備微弱特征信號提取仍然困難,亟待借助專家系統(tǒng)和多維智能手段進行運維管理認(rèn)知及風(fēng)險智慧識別。

3.6 設(shè)備應(yīng)用

AI 芯片為管理智能終端設(shè)備、搭載AI 算法提供技術(shù)支撐,其已成為邊緣智能落地的迫切需要和必然趨勢,其選型策略亦是加持UES 運行控制、能量管理、需求響應(yīng)、市場交易等應(yīng)用場景的關(guān)鍵。文獻［67］將卷積神經(jīng)網(wǎng)絡(luò)（CNN）部署于華為Atlas 200 DK,并搭載Ascend 310 智能芯片和Hi3559 攝像頭,在線識別輸電線路覆冰厚度。英偉達最近正在合作開發(fā)特定軟件定義智能電網(wǎng)芯片,該芯片需要連接一個由ARM CPU 和Nvidia GPU 組成的Nvidia Jetson 輔助模塊,在其上固化AI 模型,整體嵌入智能電表,以增強電網(wǎng)彈性［68］。目前,電力能源領(lǐng)域針對邊緣智能的嵌入式應(yīng)用和裝置開發(fā)還鮮有研究,尚處于技術(shù)框架和AI 模型優(yōu)化的探索階段。

4 UES 邊緣智能研究展望

邊緣智能在實際落地過程中,仍然存在大量應(yīng)用難點與痛點有待繼續(xù)突破和完善,如圖7 所示,具體主要包含如下6 個方面。

圖7 面向UES 分布式資源的邊緣智能研究展望Fig.7 Research prospect of EI for distributed energy resources in USE

1）通信模式方面:通信質(zhì)量是保證精準(zhǔn)感知、決策的前提,邊緣智能背景下UES 計算任務(wù)從骨干網(wǎng)下沉至接入網(wǎng),設(shè)備交互愈加頻繁,傳統(tǒng)通信模式難以滿足具體應(yīng)用需求。后續(xù)研究應(yīng)考慮通信范圍、帶寬、頻段、協(xié)議、拓撲等因素,形成面向全局的自適應(yīng)通信優(yōu)化方法,為不同應(yīng)用場景提供按需應(yīng)變的通信服務(wù),滿足實時、可靠的電力需求。

2）安全隱私方面:以往以網(wǎng)絡(luò)邊界預(yù)防為主的安全防護體系難以適應(yīng)邊緣分布式、離散化特征。如何從系統(tǒng)身份認(rèn)證、訪問控制、入侵檢測、密鑰管理、信任評估等方面探究面向UES 的“零信任”安全防護路徑,以降低發(fā)、輸、變、配、用等各環(huán)節(jié)數(shù)據(jù)泄露以及軟硬件系統(tǒng)設(shè)備癱瘓風(fēng)險,解決物理、網(wǎng)絡(luò)、數(shù)據(jù)、應(yīng)用安全隱患,保障UES 隱私及運行安全,是后續(xù)研究的重點。

3）智能算法方面:AI 已突破了從“不能用、不好用”到“可以用”的技術(shù)拐點,但距離“很好用”尚存諸多挑戰(zhàn)［69］。UES 應(yīng)用場景復(fù)雜多變,應(yīng)綜合考慮實際問題復(fù)雜度、數(shù)據(jù)可用性、泛化能力、能耗瓶頸等因素,構(gòu)建“云-邊-端”側(cè)穩(wěn)定可解釋的AI 模型,對其進行多場景測試,明確模型“有效邊界”,根據(jù)不同場景探索靈活的模型優(yōu)化更新策略,形成邊緣智能全棧學(xué)習(xí)框架。

4）云-邊協(xié)同方面:云-邊協(xié)同作為邊緣智能的核心價值體現(xiàn),二者并非割裂或相互替代關(guān)系,仍需協(xié)同補充。后續(xù)研究應(yīng)考慮如何發(fā)揮“云-邊-端”側(cè)數(shù)據(jù)、模型、存儲、算力、網(wǎng)絡(luò)等資源優(yōu)勢,結(jié)合能源應(yīng)用場景構(gòu)建更具體、更具可行性的云-邊協(xié)同實施框架和方案,以滿足不同應(yīng)用場景下的服務(wù)彈性和多樣性、智能協(xié)同性和高效性等方面的需求約束,支撐多種協(xié)同方式下的智能任務(wù)編排、訓(xùn)練和推理等。

5）機制設(shè)計方面:傳統(tǒng)優(yōu)化迭代算法面對多樣化、時變場景適應(yīng)能力較差,難以驅(qū)動UES 整體趨優(yōu)運行。為使全局趨優(yōu)運行,并確保這種趨優(yōu)自主進行,如何制定局部與全局的動態(tài)激勵相容規(guī)則,各能源主體在規(guī)則約束下進行協(xié)同與競爭,自組織建立動態(tài)邏輯耦合是應(yīng)重點考慮的內(nèi)容。同時,應(yīng)考慮如何形成市場長效激勵機制,通過市場力實現(xiàn)對能源主體行為的動態(tài)引導(dǎo),宏觀調(diào)控安全有序用能。

6）業(yè)務(wù)場景方面:邊緣智能產(chǎn)品形態(tài)、應(yīng)用模式尚不成熟,未來如何將其融入UES 規(guī)劃、運行、控制、交易等業(yè)務(wù)場景各環(huán)節(jié),構(gòu)建多場景業(yè)務(wù)融合服務(wù)體系和多源信息交互平臺,形成以底層芯片、終端設(shè)備、網(wǎng)絡(luò)設(shè)備、云端平臺等一體化的全棧式解決方案,實現(xiàn)前后端之間的相互協(xié)調(diào)聯(lián)動與業(yè)務(wù)場景的認(rèn)知和理解,促進信息物理深度融合。

此外,考慮邊緣業(yè)務(wù)不同時序邏輯、計算終端微服務(wù)設(shè)計差異性和關(guān)聯(lián)性,制定邊緣智能資源優(yōu)化配置方案［69-70］,基于不同應(yīng)用場景,完成邊緣軟硬件模擬實驗、半實物仿真及工程測試。

5 結(jié)語

新型技術(shù)、資源、機制等多要素融合給城市能源發(fā)展帶來諸多挑戰(zhàn),傳統(tǒng)集中式管控手段難以充分挖掘和釋放UES 資源潛力空間以實現(xiàn)信息物理互補協(xié)同,無法有效應(yīng)對運行調(diào)控風(fēng)險。UES 分布式資源邊緣智能的核心功能實現(xiàn)需要以資源精準(zhǔn)感知和海量異質(zhì)數(shù)據(jù)管理為基礎(chǔ),以趨優(yōu)進化、多態(tài)協(xié)同和通信安全為擴展,以軟硬件結(jié)合支撐落地,突破集中式管控技術(shù)壁壘,為城市能源服務(wù)“充電”。目前,邊緣智能尚處于初步嘗試階段,從理論到實踐還需解決通信模式、安全隱私、智能算法、云-邊協(xié)同、機制設(shè)計和業(yè)務(wù)場景等方面的諸多難題。