计及边缘计算任务分配优化的电能质量分析

doi:10.16628/j.cnki.2095-8188.2021.06.016

摘要/Abstract

摘要：

针对传统的电能质量分析需要在低压侧部署大量的监测站,且对通信通道和计算设备的数据传输能力及计算能力有一定要求,提出一种计及边缘计算任务分配优化的电能质量分析方法。首先构建云边协同模式下的电能质量分析系统框架,将电能质量分析算法希尔伯特-黄变换(HHT)部署于边缘层,从而构建一种基于边缘计算的电能质量分析模型;然后分析电能质量监测的任务分配问题,利用遗传算法对其进行求解,生成最优任务分配策略。以某一台区下的电能数据为例,验证了所提方法的可靠性和准确性,同时将任务分配优化后的结果和现有方法对比,所提方法具有更低的能效代价,可广泛应用于实际工程。

关键词: 边缘计算, 任务分配策略, 电能质量, 希尔伯特-黄变换, 遗传算法

Abstract:

Systematic power quality analysis requires the deployment of a large number of monitoring stations on the low voltage side,and there are certain requirements for the data transmission and computing capabilities of communication channels and computing equipment.To this end,this paper proposed a power quality analysis method that takes into account the optimization of edge computing task allocation.First,it builds a power quality analysis system framework under the cloud-side collaboration mode,deploys the power quality analysis algorithm Hilbert-Huang Transform (HHT) at the edge layer,thereby building a power quality analysis model based on edge computing.Then the task allocation problem of power quality monitor is analyzed,the genetic algorithm is used to solve it,and to generate the optimal task allocation strategy.Taking the electric energy data under a certain area as an example,the reliability and accuracy of the analysis method in this paper are verified.At the same time,the results of task allocation optimization are compared with the existing methods.The optimization method in this paper has a lower energy efficiency cost and can be widely used in actual engineering.

Key words: edge computing, task allocation strategy, power quality, Hilbert-Huang transform, genetic algorithm

中图分类号:

TM732

李学军, 郭建华, 赵尔敏, 张振南, 魏凯, 袁铁江. 计及边缘计算任务分配优化的电能质量分析[J]. 电器与能效管理技术, 2021, 0(6): 92-98.

LI Xuejun, GUO Jianhua, ZHAO Ermin, ZHANG Zhennan, WEI Kai, YUAN Tiejiang. Power Quality Analysis Considering Edge Computing Task Allocation Optimization[J]. LOW VOLTAGE APPARATUS, 2021, 0(6): 92-98.

图/表 9

图1

图2

图3

图4

表1

表2

表3

图5

图6

参考文献 24

[1]	奚培锋, 薛吉. 低压电器通信技术发展及未来趋势[J]. 电器与能效管理技术, 2019(15):36-41.
[2]	汪宗达. 智能电表数据采集系统的应用研究[D]. 天津:天津大学, 2015.
[3]	夏道止, 李建华, 方万良, 等. 电力系统分析[M]. 北京: 中国电力出版社, 2004.
[4]	尹柏强, 何怡刚, 朱彦卿. 一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法[J]. 中国电机工程学报, 2015, 35(4):866-872.
[5]	宋海军, 黄传金, 刘宏超, 等. 基于改进LMD的电能质量扰动检测新方法[J]. 中国电机工程学报, 2014, 34(10):1700-1708.
[6]	黄南天, 张卫辉, 蔡国伟, 等. 采用改进多分辨率快速S变换的电能质量扰动识别[J]. 电网技术, 2015, 39(5):1412-1418.
[7]	徐志超, 杨玲君, 李晓明. 基于聚类改进S变换与直接支持向量机的电能质量扰动识别[J]. 电力自动化设备, 2015, 35(7):50-58,73.
[8]	刘科研, 盛万兴, 张东霞, 等. 智能配电网大数据应用需求和场景分析研究[J]. 中国电机工程学报, 2015, 35(2):287-293.
[9]	张逸, 杨洪耕, 叶茂清. 基于分布式文件系统的海量电能质量监测数据管理方案[J]. 电力系统自动化, 2014, 38(2):102-108.
[10]	梁振锋, 祖莹, 刘伟, 等. 基于用电信息采集数据的电能质量分析[J]. 供用电, 2020, 37(10):58-64.
[11]	王鹤, 李石强, 于华楠, 等. 基于分布式压缩感知和边缘计算的配电网电能质量数据压缩存储方法[J]. 电工技术学报, 2020, 35(21):135-146.
[12]	杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 34(1):57-70.
[13]	YU N H, LI C J, LI R. Classification of composite power quality disturbance signals based on HHT and S-transform[C]// 3rd International Conference on Electric and Electronics, 2013:416-421.
[14]	李文帆, 刘志刚, 孙婉璐, 等. 基于HHT的电能质量检测系统研制[J]. 电力系统保护与控制, 2011, 39(23):123-127.
[15]	杜建卫. 希尔伯特黄变换方法及其在特征提取中的应用研究[D]. 北京:北京科技大学, 2017.
[16]	陈中, 方国权, 赵奇, 等. 面向区域级用户的非侵入式负荷监测技术应用方法[J]. 电力自动化设备, 2020, 40(8):126-132.
[17]	代亚杰. 基于傅里叶变换和小波变换的电能质量谐波检测及扰动分析[D]. 太原:中北大学, 2020.
[18]	张然, 郭俊宏, 蓝新斌, 等. 基于深度置信网络的电能质量扰动检测与分类[J]. 广东电力, 2020, 33(6):92-98.
[19]	董立志, 刘皓明, 周辉, 等. 基于Stackelberg博弈的售电侧放开环境下电能质量定价方法[J]. 电力需求侧管理, 2020, 22(2):28-33.
[20]	周刚, 肖斐, 艾芊, 等. 基于多阶段近邻排序法与实体匹配法的电能质量关联分析方法[J]. 电器与能效管理技术, 2019(14):14-20,33.
[21]	马智远, 周凯, 许中. 基于数据融合技术的电能质量扰动关联分析[J]. 电器与能效管理技术, 2019(3):56-63.
[22]	罗雪莲, 刘桂英, 刘香银. 基于小波变换与希尔伯特-黄变换的微电网暂态电能质量扰动检测及辨识研究[J]. 电力电容器与无功补偿, 2020, 41(3):182-188.
[23]	何柳, 粟时平, 罗雪莲, 等. 风电并网暂态电能质量扰动的检测与识别[J]. 电力电容器与无功补偿, 2020, 41(1):221-226.
[24]	吴凯, 施康明. 基于SVD和PNN的电能质量扰动分析方法[J]. 浙江电力, 2018, 37(4):63-67.

组号	起始时间/s		误差 /%	终止时间/s		误差 /%
组号	理论值	实际值	误差 /%	理论值	实际值	误差 /%
1	0.215	0.214	0.465	0.455	0.454	0.219
2	0.243	0.246	1.234	0.46	0.459	0.217
3	0.340	0.339	0.294	0.565	0.564	0.176
4	0.370	0.369	0.270	0.455	0.454	0.219
5	0.450	0.454	0.888	0.556	0.554	0.359
6	0.555	0.554	0.180	0.658	0.661	0.455
7	0.580	0.582	0.344	0.672	0.674	0.297
8	0.627	0.629	0.318	0.700	0.699	0.142
9	0.670	0.672	0.298	0.780	0.778	0.256
10	0.670	0.674	0.597	0.920	0.918	0.217

组号	理论值/V	暂降后幅值/V	检测暂降值/V	误差 /%
1	164	70.79	149.20	9.019
2	160	71.78	148.22	7.363
3	153	73.62	146.37	4.327
4	146	75.60	144.39	1.096
5	142	76.87	143.12	0.792
6	140	77.43	142.56	1.828
7	138	78.07	141.92	2.843
8	135	78.35	141.64	4.919
9	134	78.14	141.85	5.860
10	127	77.93	142.06	11.862

参数名称	数值
本地设备计算能力/(bit·s^-1)	5×10⁶
本地设备计算能耗率/(J·bit^-1)	3.5×10^-7
边缘设备计算能力/(bit·s^-1)	5×10⁷
边缘设备计算能耗率/(J·bit^-1)	1.5×10^-6
通信通道带宽/(Mbit·s^-1)	200
传输数据能耗率/(J·bit^-1)	2×10^-7