一种基于云-边-端架构的柔性负荷调度方法及系统

本技术涉及电网智能调度领域，尤其涉及一种基于云-边-端架构的柔性负荷调度方法及系统。

背景技术：

1、随着智能电网技术的发展，电力系统的调度策略正逐渐从传统的集中式管理向分布式管理演变。然而，现有电力调度系统大多依赖于集中式的数据处理中心，所有的调度命令和控制决策都需要集中处理。这种结构在数据量大和网络状态复杂的情况下，容易导致信息处理和命令下达的延迟，尤其是在紧急情况下无法实时响应，如突发的大规模负荷变化或故障。

2、此外，随着可再生能源的快速增长和电动车充电需求的上升，电网负荷的不确定性和波动性增大。然而，传统的调度系统设计通常较为固定，缺乏必要的灵活性来适应这种快速变化的能源结构和消费模式。

3、针对上述问题，目前业界暂未提出较佳的技术解决方案。

技术实现思路

1、本技术提供一种基于云-边-端架构的柔性负荷调度方法、系统、存储介质、计算机程序产品及电子设备，用以至少解决目前相关技术中中心化负荷调度导致的时效性和灵活性较差的问题。

2、第一方面，本技术实施例提供一种基于云-边-端架构的柔性负荷调度方法，云-边-端架构包含云层平台服务器、多个边缘层节点和多个端层传感器组；每一端层传感器组分别针对电网中唯一对应的电网设备而设置；每一边缘层节点分别用于管理至少一个端层传感器组；云层平台服务器分别用于管理至少一个边缘层节点；其中，该方法包括：基于各个端层传感器组采集并上传电网运行数据和电网设备环境数据；所述电网运行数据包含电网母线电压、电网母线电流和电网供电频率；所述电网设备环境数据包含环境温度、环境湿度和光照强度；基于边缘层节点，使用调度决策模型处理各个所管理的端层传感器组所对应的电网运行数据和电网设备环境数据，以生成相应的负荷调节指令，实现对该端层传感器组所设置的电网设备的负荷状态进行调节；基于云层平台服务器周期性地从各个所管理的边缘层节点收集电网运行数据、电网设备环境数据及相应的负荷调节指令，以更新电网运行调度日志；基于调度异常风险识别模型处理所述电网运行调度日志，以检测对应存在调度决策异常的至少一个目标边缘层节点；确定各个所述目标边缘层节点分别所对应的模型调整参数；将各个所述模型调整参数发送至相应的目标边缘层节点，使得该目标边缘层节点利用所述模型调整参数对其上所部署的调度决策模型进行迭代更新；所述调度决策模型采用集成在线学习模块的模糊双曲正切模型，其包含输入模块、模糊推理模块、输出模块和在线学习模块；

3、输入模块用于针对电网运行数据和电网设备环境数据进行预处理，以确定相应的输入数据特征；所述输入模块的结构为：

4、x＝f(d,e)

5、式中，d表示电网运行数据，e表示电网设备环境数据；f表示预处理函数；x表示预处理后的输入特征向量；

6、模糊推理模块用于计算所述输入数据特征相对于模糊规则库中各个模糊规则的隶属度，以得到相应的隶属度集合；所述模糊规则库中的每一模糊规则分别具有相应的负荷调节信息；所述模糊推理模块的结构为：

7、

8、

9、式中，i＝1,2,…,n；j＝1,2,…,m；n表示模糊规则库中的规则总数；m表示输入特征向量的特征维度总数；表示输入特征向量x对于第i条模糊规则ri的隶属度；表示第j个特征xj对于模糊规则ri中第j个模糊集aij的隶属度函数，并选用高斯函数；sij表示模糊集aij的最高隶属度点，σij表示高斯函数标准差；

10、输出模块，用于根据所述隶属度集合确定负荷调节指令；所述输出模块的结构为：

11、

12、式中，wi表示针对第i条模糊规则的权重；yi表示第i条模糊规则所对应的负荷调节信息；y表示负荷调节指令所对应的综合负荷调节信息；

13、在线学习模块，用于在检测到从云层平台服务器所接收到的模型调整参数的情况下，基于所接收的模型调整参数对所述模糊推理模块进行调整优化；所述在线学习模块的结构为：

14、

15、式中，δwi表示模型调整参数中的权重调整量；表示更新前针对第i条模糊规则的权重；ηw表示权重学习率；表示更新后针对第i条模糊规则的权重；

16、

17、

18、式中，和分别表示更新前的最高隶属度点和高斯函数标准差；δsij和δσij分别表示模型调整参数中针对最高隶属度点和高斯函数标准差的调整量；ηc和ησ分别表示针对最高隶属度点和高斯函数标准差的学习率。

19、第二方面，本技术实施例提供基于云-边-端架构的柔性负荷调度系统，云-边-端架构包含云层平台服务器、多个边缘层节点和多个端层传感器组；每一端层传感器组分别针对电网中唯一对应的电网设备而设置；每一边缘层节点分别用于管理至少一个端层传感器组；云层平台服务器分别用于管理至少一个边缘层节点；其中，该系统包括：数据采集单元，用于基于各个端层传感器组采集并上传电网运行数据和电网设备环境数据；所述电网运行数据包含电网母线电压、电网母线电流和电网供电频率；所述电网设备环境数据包含环境温度、环境湿度和光照强度；负载调节单元，用于基于边缘层节点，使用调度决策模型处理各个所管理的端层传感器组所对应的电网运行数据和电网设备环境数据，以生成相应的负荷调节指令，实现对该端层传感器组所设置的电网设备的负荷状态进行调节；调度日志更新单元，用于基于云层平台服务器周期性地从各个所管理的边缘层节点收集电网运行数据、电网设备环境数据及相应的负荷调节指令，以更新电网运行调度日志；调度异常识别单元，用于基于调度异常风险识别模型处理所述电网运行调度日志，以检测对应存在调度决策异常的至少一个目标边缘层节点；调整参数确定单元，用于确定各个所述目标边缘层节点分别所对应的模型调整参数；决策模型迭代单元，用于将各个所述模型调整参数发送至相应的目标边缘层节点，使得该目标边缘层节点利用所述模型调整参数对其上所部署的调度决策模型进行迭代更新；所述调度决策模型采用集成在线学习模块的模糊双曲正切模型，其包含输入模块、模糊推理模块、输出模块和在线学习模块；输入模块用于针对电网运行数据和电网设备环境数据进行预处理，以确定相应的输入数据特征；所述输入模块的结构为：

20、x＝f(d,e)

21、式中，d表示电网运行数据，e表示电网设备环境数据；f表示预处理函数；x表示预处理后的输入特征向量；

22、模糊推理模块用于计算所述输入数据特征相对于模糊规则库中各个模糊规则的隶属度，以得到相应的隶属度集合；所述模糊规则库中的每一模糊规则分别具有相应的负荷调节信息；所述模糊推理模块的结构为：

23、

24、

25、式中，i＝1,2,…,n；j＝1,2,…,m；n表示模糊规则库中的规则总数；m表示输入特征向量的特征维度总数；表示输入特征向量x对于第i条模糊规则ri的隶属度；表示第j个特征xj对于模糊规则ri中第j个模糊集aij的隶属度函数，并选用高斯函数；sij表示模糊集aij的最高隶属度点，σij表示高斯函数标准差；

26、输出模块，用于根据所述隶属度集合确定负荷调节指令；所述输出模块的结构为：

27、

28、式中，wi表示针对第i条模糊规则的权重；yi表示第i条模糊规则所对应的负荷调节信息；y表示负荷调节指令所对应的综合负荷调节信息；

29、在线学习模块，用于在检测到从云层平台服务器所接收到的模型调整参数的情况下，基于所接收的模型调整参数对所述模糊推理模块进行调整优化；所述在线学习模块的结构为：

30、

31、式中，δwi表示模型调整参数中的权重调整量；表示更新前针对第i条模糊规则的权重；ηw表示权重学习率；表示更新后针对第i条模糊规则的权重；

32、

33、

34、式中，和分别表示更新前的最高隶属度点和高斯函数标准差；δsij和δσij分别表示模型调整参数中针对最高隶属度点和高斯函数标准差的调整量；ηc和ησ分别表示针对最高隶属度点和高斯函数标准差的学习率。

35、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术任一实施例的基于云-边-端架构的柔性负荷调度方法的步骤。

36、第四方面，本技术实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本技术任一实施例的基于云-边-端架构的柔性负荷调度方法的步骤。

37、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任一实施例的基于云-边-端架构的柔性负荷调度方法的步骤。

38、通过本技术提供的一种基于云-边-端架构的柔性负荷调度方法，能够至少产生如下的技术效果：

39、(1)通过在边缘层节点部署调度决策模型，实现对端层传感器组所对应电网设备的实时监控和负荷调整，利用边缘计算的使用降低了对中心处理的依赖，减少了数据传输和处理的延迟，尤其是在紧急情况下能迅速做出反应，如大规模负荷变化或系统故障，提高电力调度的实时性和响应速度，从而保障电网的稳定运行。

40、(2)调度决策模型采用集成在线学习模块的模糊双曲正切模型，允许系统对调度不合理的边缘层节点的调度决策模型进行及时修正，增强了电网系统的调度灵活性和自适应性，能有效应对可再生能源和电动车等新兴负荷的波动性和不确定性，提升电网对不同电源和负荷变化的适应能力。

41、(3)通过云层平台服务器周期性对各个边缘层节点的电网运行数据进行数据收集和处理，使得系统平台能持续关注各个边缘层节点的调度决策性能是否达标，并在识别到潜在的异常调度决策时，能够通过下发模型调整参数进行更新优化，无需人工干预，降低人工运维成本。此外，通过这种闭环反馈机制，系统能够不断自我校正和优化，提高了整体系统的可靠性和稳定性。

42、(4)通过由边缘层节点管理针对各个电网设备的负荷调度，而中心云层平台服务器只负责监督各个边缘层节点的负荷调度性能，实现分布式和区域个性化的负荷管理，减少了对集中式信息处理中心的依赖，还有效分散了中心化调度管理所导致的风险，提高系统调度的鲁棒性。

43、(5)模糊推理模块的应用使得系统能够更加精细地处理和解析复杂多维的电网运行数据和电网设备环境数据，通过模糊逻辑提高了决策的准确性和效率。同时，集成的在线学习模块确保系统持续进化，保持边缘层节点的调度决策结果的时效性和精确性。

44、通过本技术方案，采用了云-边-端架构实施分布式的区域电力设备调度管理，数据处理和柔性负荷调节操作能够在离数据源较近的设备完成，显著提升了整个电网系统的操作效率、安全性和可靠性，为应对未来电网发展中的挑战提供了强有力的技术支持。