边缘计算在电力物联网中的优化应用

基于电力物联网的边缘计算调控优化技术

1. 引言

电能是一种重要的能源，人类生产和生活都依赖于它。随着世界发展，家庭用电的负载不断增加，对电能质量的要求也越来越高。长期以来，一次能源是主要的能量来源电网，是一种传统的发电方式。尽管这种传统发电方式能够满足许多用户的电力需求，但其缺陷日益明显。为了解决这一普遍存在的突发问题，无功补偿已应用于电网并取得了一定成效。人们对电网重构的关注越来越多，无功补偿设备的使用也日益广泛。

关于无功补偿设备技术的研究，国外起步较早，发展迅速。帕尔德希提出了一种双层规划模型，用于测定电力网络中电源的初始参数并建立数学模型，并采用粒子群优化算法计算电源的最优并网点和并网容量。然而，由于电力系统模型较为简化，所得结论相对单一且有限，但其提出的双边模型具有一定的新颖性[1]。我国对无功补偿的研究起步较晚，但应用前景广泛，发展迅速。毛玉仪基于边缘计算家庭能源系统的框架，设计了一种基于数据融合和异构平台运行协同的四层架构，为边缘计算技术在智能用电领域的应用提供了新思路[2]。

本文基于电力物联网的边缘计算，研究了调控优化技术，并探讨了GPSO算法在电力网络无功补偿中的应用。由于无功补偿设备具有经济性、灵活性和环保等优点，能够有效改善传统发电模式中存在的问题。由于当前电力系统网络成熟且完善，也使得电力网络更加复杂和沉重，电力系统的潮流分布难以改变，而无功补偿设备恰好弥补了这一不足，因此合理利用无功补偿设备是目前解决电力网络发展的关键。该技术不仅改善了远距离供电的状况，还倡导可持续发展，是调控与优化的重要技术。

2. 基于电力物联网的边缘计算调控优化技术研究

2.1. 电力网络无功补偿方式

(1) 变电站补偿

当电力网络中的无功功率损耗较大时，可在变电站将补偿装置接入电力网络，通过提供无功功率来提高电网的功率因数。无功功率的供应会提升母线电压，从而补偿电网中的无功功率损耗。并且，补偿装置通常安装在低压母线上，以确保更稳定的运行和更高的安全性[3]。

(2) 随机补偿

随机补偿是指将补偿装置连接到电动机，不仅可以减少系统的无功功率损耗，还能提高电动机输出的能量。随机补偿具有安装方便、使用寿命长、投资少等优点，适用于无功功率补偿。

(3) 随器补偿

随器补偿是一种在变压器二次侧安装设备以在无负载时进行补偿的方法，具有高效率。缺点是电力网络中安装的变压器数量多且分布广泛，需要更多的安装资金，后期维护成本也较高[4]。

(4) 跟踪补偿

跟踪补偿是一种将补偿装置集成到电力网络中以保护整体，并对电力网络中用户侧的低压位置进行补偿的方法。跟踪补偿在工作模式上类似于跟随补偿。跟踪补偿对电力网络具有更好的补偿效果，但其运行成本较高且设备复杂[5]。

(5) SVG静止无功发生器

通过内部电子开关的频繁动作，产生与谐波电流相反的电流，并利用产生的无功功率滤除谐波，采用电能转换技术实现系统的无功补偿。

(6) SVC静止无功补偿装置

通过外部检测电路检测系统的电流信息，然后由控制芯片分析当前的电流信息，并由控制器给出补偿后的驱动信号。最后，由电力电子逆变电路组成的逆变电路输出补偿电流[6]。

2.2. 电力网络无功补偿装置

电力系统中常用的设备包括同步调相机、静止无功补偿器、有载调压变压器、电容器等[7]。

(1) 同步调相机调节

当电网发生无功功率损耗时，同步调相机可以向系统输送无功功率。同步电机通过控制功率因数来调节自身产生的无功功率，但其受同步电机工作极限的限制。同步摄像机运行稳定且易于使用，但由于其高成本以及运行和后期维护的高成本，无法广泛应用。

(2) 静态无功补偿器

静态无功补偿器也可以快速改变电力网络的无功功率，从而实现无功优化的效果，因此通常被用作无功补偿装置。静态无功补偿器具有强适应性、低功率损耗和易于维护的特点，因此可在电力网络中应用。

(3) 有载调压变压器

改变电力网络中有载调压变压器的分接头位置，可有效调节电力网络中的线路电压，并结合无功补偿改善电力网络中的潮流分布。然而，由于有载调压变压器本身不具备提供无功功率的条件，只能重新分配无功功率，因此无法像并联补偿电容器那样直接补偿无功功率，容易引发电压崩溃，仅适用于无功功率损耗较小的情况[8]。

(4) 电容器

电力网络中接入的电容器可提供无功功率，当连接多个电容器时，它们将同时接入电力网络。若电容器需输出较大的无功功率，则需提高电压；反之，若需要较小的无功功率，则电压会降低。由于电容器在无功补偿中具有不连续性，调节能力较差，有时会引起谐振。但由于其低成本、在电力网络中设备易于安装以及故障修复简单，因此在电网中广泛应用[9]。

2.3. 电力物联网边缘计算

资源利用率的标准差 (RUSD) 表示移动边缘计算服务器上多维资源利用的离散程度。标准差越小，资源利用率的偏差越小，资源利用率越均衡。第i台服务器的资源利用率标准差的计算公式为：

$$
RUSD_i = \sqrt{\frac{1}{k} \sum_{k}(u_{ik} - u_{ave,i})^2}
$$

其中 $ u_{ik} $ 表示为MEC i服务器上第k维资源的利用率，而 $ u_{ave,i} = \frac{1}{k} \sum_{k} u_{ik} $ 表示为MEC服务器的平均资源利用率。当MEC服务器上某种资源的利用率较高，而其他资源的利用率很低且较为均衡时，MEC服务器的该值也较低，但实际上此类资源的剩余量较小[10]。

3. 基于电力物联网的边缘计算优化实验研究

3.1 实验数据收集

本文研究了基于电力物联网边缘计算的调控优化技术，并与传统PSO算法和GA算法进行对比。
三种算法的节点数量从0逐渐增加到20至120。通过比较节点电压值，节点电压值范围为0.94pu至1.06pu。

3.2 实验设计

(1) GPSO算法的原理

1) 在PSO算法中加入选择与交叉操作，根据设定的概率筛选出部分优秀粒子，并进入混合资源池，对混合资源池中的粒子进行交叉匹配，匹配完成后，子代粒子替代父代粒子继续存在于混合资源池中，确保整个混合资源池中粒子总数保持不变并实现信息共享，从而加快收敛速度。

2) 在PSO算法过程中，若检测到粒子无法跳出小范围解空间，则对无法继续收敛的粒子执行变异操作。将迭代速度趋于零的粒子重新初始化，以帮助粒子重新优化。

(2) GPSO算法的流程

1) 粒子群的初始化。
2) 设置GPSO算法的参数。
3) 根据不同的求解问题，设定合适的适应度值，即目标函数，并通过求解该函数获得不同粒子的目标值。
4) 从整个种群中选择目标值较高的粒子，并将其加入杂交池。
5) 通过轮盘赌选择法确定概率，根据选择概率对杂交池中的粒子进行交叉配对，比较生成的子代粒子与父代粒子的目标值，若目标值更高，则继续算法运行；
6) 通过测量的群体目标值的变化特征来观察算法是否处于停滞状态。如果此时算法停滞，则向种群中加入变异操作以获得变异概率。
7) 计算当前目标值，并与个体极值进行比较，如果更优，则替换个体极值；
8) 计算当前目标值与全局极值的比较，并在更优时进行替换；
9) 更新粒子速度与位置；
10) 如果适应度值满足精度要求或达到最大迭代次数，则结束算法以获得全局最优解。否则，重复第三步并继续迭代运行。

4. 实验基于电力物联网边缘计算优化的态势分析

4.1 某地区实际算例的GPSO算法分析

利用Matlab软件通过牛拉法对某地区的实际电力网络模型进行仿真。同时，采用GPSO算法进行无功补偿，并以最小网损为目标值。经过25次迭代收敛后，某地区实际电力网络的最小网损为0.85MW，网损降低了12.9%。某地区实际电力网络有无补偿装置的电压对比见表1。

表1. 电压对比

节点数量	0	20	40	60	80	100	120
初始状态	1.05pu	0.955pu	1.05pu	0.956pu	1.041pu	0.956pu	1.021pu
GPSO	1.05pu	0.998pu	1.05pu	0.997pu	1.047pu	0.999pu	1.029pu

在节点18和节点95接入补偿装置后，某地区实际电力网络系统的节点电压提升至[0.95, 1.05]范围内，电压得到合理提升。由于存在约束条件，整体电压水平得到优化。

4.2 三种算法的无功补偿比较

PSO和遗传算法用于优化某地区实际考试中的无功功率，按照相同方法对某地区的例子进行处理，并与GPSO算法进行比较，如图1所示。

通过算法计算得到具有相应容量的补偿设备，并在某地区改进了粒子群优化在无功优化中的应用。实际示例系统接入补偿设备后，无功补偿设备方面，GPSO算法在某地区实际示例系统中对节点电压的改善程度最强，同时对保持整个系统的电压水平稳定帮助最大。从三个算例中三种算法优化后有效参数的对比可以看出，在节点较少的电力网络系统中，PSO算法和GA算法能够有效进行无功优化，优化效果略逊于GPSO算法；但在具有大量节点的电力网络系统中，PSO算法和GA算法的优化结果不理想，而GPSO算法仍具有良好的优化效果，因此GPSO算法更适用于电力网络的实际无功优化。

5. 结论

针对电力物联网的边缘计算，本文研究了调控优化技术。通过GPSO算法对三个算例的无功功率进行优化，并通过适应度函数分析GPSO算法的无功补偿效果，即临界状态下的有功功率损耗和系统节点电压。经GPSO算法进行无功补偿后，电网的有功功率损耗降低，节点电压升高，整个电网保持稳定。分析了GPSO算法计算出的最佳位置和最佳容量对补偿效果的影响。结果表明，在最佳位置配置具有最佳容量的无功补偿设备时补偿效果最好，证明了GPSO算法进行无功优化的有效性。同时，对比遗传算法和粒子群优化算法进行无功补偿后的节点电压及有功网损数据，证明GPSO算法具有更明显的迭代速度和无功优化效果，GPSO算法更适用于基于电力物联网边缘计算的调控优化，因此将GPSO算法应用于电网无功补偿是一种更优的调控优化技术。