智慧电网中的应用场景和对应边缘计算解决方案.docx

边缘计算使能智慧电网(探讨)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2528万千伏安扩大到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%o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(informationcommunicationstechnology,ICT)与操作技术(operationtechnology,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(NationalInstituteOfStandardsandTechnology,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。在智慈电网的实施过程中，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加究院于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(EuropeanTelecommunicationsStandardsInstitute,ETSD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，ETSl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(EdgecomputingConsortium,ECOo2017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EdgeTPU和软件CloUdIoTEdge,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亳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(VirtUaIreality,VR)0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，即实现了已有服务的无障碍迁移，也满足了复杂需求下的敏捷开发。3相关技术边缘计算的产生依托于现有的通信、存储、计算等技术。先进的网络和通信技术，如工业自动化无线网络(WireIeSSnetworkforindustrialautomation-factoryautomation,WIA-FA)技术和5G通信技术，推动了边缘计算的发展，轻量化的人工智能算法使得边缘计算具备神经网络运算能力。同时，边缘计算使用的容器技术和任务调度技术保证了边缘任务的有序、安全和高效。本节重点介绍与边缘计算相关的技术。3.1 计算技术与云计算相比，边缘计算更靠近数据源头，能够节省数据传输时间，同时也对降低时延有了更高的要求。然而，边缘设备受到资源的约束较大，在处理资源密集型任务时，需要将任务分配到资源充足的云环境中。边缘计算技术主要包括计算卸载和时延控制。计算卸载技术能够将计算任务卸载到边缘计算服务器或边缘云服务器中，有效优化资源分配，并降低时延和能量消耗。现有的研究工作多将计算卸载描述为多用户计算卸载博弈问题，使用分布式计算卸载决策进行任务卸载。3.2 存储技术边缘计算在数据存储和数据处理方面具有较高的实时性要求，这就需要能够高效地存储和访问不间断的数据。高速预缓存技术能够有效地提升边缘计算的低时延性能。边缘节点能够预测用户的流量需求，并在分布式节点中预先缓存可能需要的内容，这种方式大大减少了从远程数据中心下载信息的时延。TranTX等人提出了协作的边缘缓存方式，在进行边缘缓存的同时进行边缘处理，从而提高缓存的性能，节约网络成本。3.3 网络技术边缘计算设备之间、设备与云之间使用有线或无线连接，目前常用的通信技术包括3G、4G、W1.AN、ZigBee等。同时许多先进的网络技术也在不断发展，为边缘计算提供了高性能的传输环境。下面介绍几种先进的网络技术及其在边缘计算系统中发挥的作用。内容分发网络(COntentdeliVerynetWOrk,CDN)是基于互联网的高速缓存网络。CDN将代理服务器部署在网络的边缘，综合考虑节点的连接状态、负载等信息，将相关内容发送给接近的代理服务器，从而降低下载时延，提高响应速度。CDN和边缘计算同样接近用户，但CDN主要用于网络大文件分发，边缘计算则聚焦在行业和细分的业务上。因此，CDN将会逐渐将传统的集中式数据中心转化成部署在网络边缘侧的微型数据中心，通过接入边缘计算实现更低的时延，并提供更稳定的服务。软件定义网络(Softwaredefinednetworking,SDN)是一种网络虚拟化方法,通过将控制平面与数据平面分离，实现对网络流量的灵活控制。SDN与边缘计算结合能够帮助系统进行网络资源管理，缓解网络冲突和分组丢失等问题，从而优化资源利用率，减少系统时延。网络功能虚拟化(networkfunctionvirtualization,NFV)利用虚拟化技术将网络功能与底层物理基础设施解耦。虚拟化技术使应用程序可以根据实际需求自动部署和灵活扩展，可与高效的迁移技术结合，实现低时延和高吞吐量。3.4 人工智能在工业和生活领域，人工智能算法得到了越来越多的应用，例如自动驾驶、监控设备对异常目标的识别和智能音箱的自然语言处理。现今机器学习框架有TenSOrFk)W和Caffe等，但是大部分算法需要较多的计算资源，无法在边缘设备(如树寿派、Jetson)中运行。随着边缘计算的广泛应用，针对边缘设备的算法开始出现，例如2017年谷歌公司发布的TensorFIow1.ite可以用于移动设备和嵌入式设备，另外开源社区的CafTe高级版本CafTe2提供对移动端的支持。结合人工智能技术，边缘计算将在智能安防、自动驾驶、工业自动化等领域获得广泛的应用。3.5 容器隔离技术隔离技术是支撑边缘计算稳健发展的重要研究技术，边缘设备需要通过有效的隔离技术保证服务的可靠性和服务质量。隔离技术需要考虑两方面，一是计算资源的隔离，对应用程序使用的资源总量进行限制，各个应用程序仅能使用分配的内存、中央处理器(centralprocessingunit,CPU)和网络资源。计算资源隔离使得各个应用程序不会因为资源越界而产生干扰，同时便于系统统计应用程序的资源使用情况和进行应用状态控制，如暂停、恢复、中断等。二是数据的隔离，即不同应用程序应具有不同的访问权限。在云计算场景下，某一个应用程序的崩溃可能导致整个系统的不稳定，造成严重的后果，而在边缘计算下，这一情况变得更加复杂。例如，在自动驾驶场景中，进程既要相互通信，又不可对车辆行驶数据产生干扰。此外，对数据进行隔离能够有效地限制其他程序对隐私数据的访问，增强边缘系统的隐私保护能力。目前在云计算场景下主要使用虚拟机和Docker容器技术等方式保证资源隔离。边缘计算可汲取云计算发展的经验，研究适合边缘计算场景的虚拟机与容器隔离技术。容器化是一种通过将应用程序封装在容器中实现细粒度资源控制和隔离的技术，能够实现轻量化编程，且获得了主要云供应商的本机支持，包括亚马逊公司的ElaStie计算云(EC2)容器服务、谷歌公司的ContainerEngine和微软公司的Azure容器服务。容器化本质上是配置内核用于管理应用程序使用的资源。容器为