智能电网中数据聚合器与智能电表的优化方法

《Electricity》：An Optimization Method for Data Aggregators and Smart Meters in Smart Grids

　　

本研究提出了一种新型数学优化模型，用于优化智能电网中数据聚合器（Data Aggregators）的数量，并将每个智能电表（Smart Meters）分配至至少一个数据聚合器。该模型基于集合覆盖问题（Set-Covering Problem, SCP），旨在寻找覆盖全部元素的最小集合数量。在智能电网场景中，这些元素即为智能电表。研究人员采用分支定界算法（Branch-and-Bound Algorithm）求解该优化模型，针对不同智能电网场景下的多个算例进行了求解。场景中采用了实际参数，包括大量智能电表（数量范围为15至900台，理论分析中使用23 dBm和30 dBm两种输出功率）、数据聚合器成本、分散度、最大预算以及信号传播损耗等。测试在小规模、中等规模和大规模算例中均以较低计算时间达到了目标函数的最优值。理论分析用于评估从数据聚合器接收的信号，表明其能够以高质量信号接收信息。所提出的模型为相关利益方提供了见解，可辅助智能电网的实施。此外，该模型可为工程师优化智能电表与数据聚合器分层网格结构内的数据流提供蓝图。

## 研究背景与问题

智能电网作为传统电网向高效、可靠、可持续方向演进的关键技术，正受到研究人员与工程师的广泛关注。传统电网在电力配送的最后阶段存在显著的损耗问题，而智能电网通过先进的电子技术、可再生能源整合以及消费者参与，为提升能源分配效率提供了系统性解决方案。智能电表作为智能电网的重要组成部分，能够实现双向通信、实时反馈消费信息，并支持电动汽车电池的储能与分配功能。然而，在智能电网的实际部署中，智能电网控制中心（Smart Grid Control Center, SGCC）直接与数百万台智能电表通信被认为是不可行的，这主要基于技术、经济和安全三方面考量：大量智能电表同时传输数据将导致网络拥塞或冲突；智能电表采用的低功耗无线技术（如ZigBee或电力线通信）传输范围有限，通常不足100米；为每台智能电表建立专用广域网（WAN）成本高昂；直接连接数百万台设备会指数级增加网络 destruction 攻击的入口点；且原始高分辨率用电数据可能泄露消费者隐私习惯。因此，数据聚合器的引入至关重要，其负责测量、故障检测，并作为SGCC与智能电表之间的桥梁，同时通过隐私保护技术提供匿名化聚合数据。

在数据聚合器的部署优化方面，现有研究仍存在不足。最优数据聚合器位置的选择是一项挑战性任务，尤其在拥有数千台电表的大型城市中。尽管已有文献尝试解决该问题，但现有模型在灵活性、成本优化维度以及通信可靠性保障方面存在局限。例如，部分模型要求每台智能电表仅向一个数据聚合器发送数据，缺乏应对设备故障的冗余机制；部分研究采用启发式算法需要大量参数校准，且在大参数值时出现性能停滞。在此背景下，本研究旨在构建一个更加灵活、全面的优化模型，以支持智能电网的高效部署与运营。

## 研究设计与主要结论

本研究提出了数据聚合器与智能电表优化问题（Optimization of Data Aggregators and Smart Meters, ODASM），将其建模为二元整数非线性规划问题，并采用线性化技术转化为整数规划问题以求解。该模型在集合覆盖问题基础上，引入最大预算约束和分散度约束，优化安装成本、传输成本、延迟成本、分散度以及数据聚合器采购最大预算五类成本。与现有研究相比，该模型的核心差异在于：允许智能电表向多个数据聚合器发送数据，提升了系统应对设备故障的灵活性；明确考虑数据聚合器之间的空间分散度；采用精确算法（分支定界算法）无需参数校准即可获得全局最优解；且专注于纯无线通信网络，更易于维护、具有更好的可扩展性和网络安全性。

研究通过理论分析评估了智能电表与数据聚合器之间的信号传播特性。基于路径损耗模型，研究确定了最大通信距离 d_max = 100 m的合理性，并发现该距离可扩展至140 m。在23 dBm和30 dBm两种智能电表输出功率条件下，数据聚合器接收的信号功率处于?27.01 dBm至?77.05 dBm范围内，表明其可在可接受到最优的信噪比（Signal-to-Noise Ratio, SNR）范围内高效运行。

## 关键技术方法

研究采用的技术方法主要包括以下方面：在模型构建上，基于集合覆盖问题框架，引入欧几里得距离（Euclidean Distance）计算设备间空间关系，采用数学线性化技术处理非线性约束，将模型转化为标准整数规划问题；在算法求解上，应用分支定界算法（Branch-and-Bound Algorithm），通过LINDO求解器实现，该方法通过系统性地划分搜索空间、计算边界并剪枝，确保获得全局最优解且无需参数校准；在场景生成上，构建了小、中、大三类算例集，涵盖15至900台智能电表，采用星型拓扑结构（Star Topology），在0.25 km2至2.25 km2的平面区域内随机分布设备；在验证指标上，引入最大预算与全局最优成本的百分比偏差 δ_B、渗透率 R_p（评估现有数据聚合器适应智能电表增长的能力）以及有效运行最大距离 d_max三项新指标；此外，针对大规模算例，采用分解策略将原问题降维为多个低维子问题分别求解。

## 研究结果

**优化模型求解结果（对应原文5.1节）**

本研究针对三类算例集进行了全面测试。第一组小规模算例（15-40台智能电表，4-15个候选数据聚合器）中，目标函数成本随智能电表和数据聚合器数量增加而上升，分配的数据聚合器数量为3至9个，δ_B在0.3%至54.4%之间，渗透率 R_p 为3.8至9.0，所有算例计算时间均少于1秒，且间隙值（Δ）为零，达到全局最优。第二组中等规模算例（20-100台智能电表，固定10个候选数据聚合器）中，目标函数成本变化平稳，分配的数据聚合器数量为5至7个，R_p 为4.0至16.7，δ_B 在1.6%至36.4%之间，计算时间同样低于1秒。第三组大规模算例（315-900台智能电表，分布于9个区域）中，智能电表数量增至810-900时，分配的数据聚合器数量仅57至67个，表明分层架构具有良好弹性；R_p 为3.9至14.3，δ_B 最低达3.9%（实例3），最高12.1%（实例6），计算时间略高于小规模算例但仍保持高效。

**信号传播损耗发现（对应原文5.2节）**

针对最大距离假设 d_max = 100 m，研究评估了不同频率（f₁ = 169 MHz，f₂ = 902 MHz，f₃ = 2400 MHz）和路径损耗指数（γ = 2, 3, 4）下的信号传播特性。当 γ = 2 时，100 m 处路径损耗分别为57.01 dB、71.55 dB和80.05 dB，f₁ 和 f₂ 信号质量良好，f₃ 为轻度可接受；当 γ = 3 时，仅 f₁ 保持良好质量；当 γ = 4 时，f₁ 为轻度良好，其余为轻度可接受。扩展至120 m和140 m距离时，信号损耗变化较小。综合评估表明，d_max = 100 m 的假设成立，且在特定条件下可扩展至140 m。

**PMU分配性能评估（对应原文5.3节）**

为验证框架通用性，研究将其应用于基于IEEE 33节点径向配电系统的最优PMU配置问题（Optimal PMU Placement Problem, OPP）。该问题可视为MDSCP的特例，采用基于连通性的覆盖矩阵替代传统覆盖矩阵。在不考虑零注入母线（Zero Injection Buses, ZIBs）情况下，算法确定最优需要11个PMU；考虑ZIBs后，通过辅助二元变量扩展可观性约束，仅需8个PMU。安装成本在$100,000至$152,000均匀分布时，最优配置总成本为$1,265,000（实例5），所有算例均达到全局最优（Δ = 0），计算时间约1秒。

## 讨论与结论

**讨论部分总结**

研究人员将所提出的数学优化模型与现有文献进行了深入对比。与k近邻算法（k-Nearest Neighbors, kNN）等启发式方法相比，本研究采用的分支定界算法无需参数校准，避免了k值较大时算法停滞的问题。与混合无线有线网络优化研究相比，纯无线方案在维护性、可扩展性和安全性方面具有固有价值。模型中的最大预算约束有效控制了电力公司的资本支出，渗透率指标 R_p = 3.8至16.7显著低于文献中28至36.25的比例，表明在预算约束下数据聚合器的服务效率得到提升。

在信号传播方面，路径损耗作为评估指标以间接方式整合入模型，主要在约束（3）中通过最大距离 d_max 体现其对延迟成本和低延迟通信的保障作用。研究结果支持 d_max = 100 m 的有效性，并为扩展至140 m提供了理论依据，这为工程师在实际部署中平衡覆盖范围与信号质量提供了灵活空间。

研究还讨论了可复现性问题，详细列出了所有技术参数：数据聚合器成本的离散均匀分布、算例规模、平面区域面积、欧几里得距离、设备工作频率以及信号传播损耗参数等，以确保研究结果的可靠验证。

**研究结论翻译**

正如文献[7]所指出的，智能电网是一种新型的电力传输方式，为电力分配提供了增强的弹性、灵活性和可靠性。此外，智能电网显著优于传统电网，对环境的危害更小。

利用智能电网和可再生能源发电的概念，可以减少温室气体排放。因此，所提出的数学优化模型在考虑电力系统可持续性足迹的同时，为智能电网提供了支持。

此外，本研究提出了一种新的数学优化模型，以最小化智能电网中数据聚合器的数量，并将每个智能电表分配至数据聚合器。采用分支定界算法对该模型进行了多个算例的验证。测试显示了算法的优异性能，且计算时间较低。此外，本文介绍的算法无需与启发式方法或其他技术进行基准比较，因为其本身排除了参数调整的需要。

本研究呈现的测试中，智能电表与所分配数据聚合器的比率（R_p）在3.8至16.7之间。这些测试考虑了最大预算，因此该比率低于文献中呈现的比例。该比率的降低是由于在所提出的模型中，数据聚合器在最大预算约束下被迫连接更多智能电表。

智能电表用于提高电力质量和消费者的电费成本。在住宅中安装太阳能光伏板发电以及采用white tariff（时段电价）对于智能电网的实施具有优势。在这方面，智能电表将促进范式转变，将住宅消费者转变为产消者（prosumers）。

另一方面，数据聚合器和智能电表等设备将通过减少非技术损耗和改善电力配电网络管理，为电力公司带来更多利润。此外，遵守巴西国家电力能源局（ANEEL）的法律、法规和合同义务，将为电力公司带来更多利益。最后，本研究提出的模型可以为数据聚合器的采购设定资本投资限额，这也将助力电力公用事业行业。

为验证所提出的框架，研究在IEEE 33节点径向配电系统上进行了仿真，并将结果与现有基准进行了比较。

此外，研究观察了若干发现的含义和对结果的实践洞察，特别是这些结论对未来智能电网架构设计的影响。这些发现对采用数据聚合器和智能电表的架构部署具有重大意义，因为其优先考虑可扩展性和低延迟，以适应来自智能电表设备日益增长的数据量。

研究结果为参与智能电网实施的利益相关方提供了可操作的见解，并为工程师优化智能电表与数据聚合器等分层网格结构内的数据流提供了蓝图。从实践角度看，所提出的研究表明，数据聚合器的技术整合对于提升系统弹性至关重要。结果突出了需要支持各种通信协议的互操作框架。

在智能电表与数据聚合器的无线通信中，由于路径损耗，这两个设备之间需要保持最大距离（d_max）。通过使用两种类型的智能电表，评估了数据聚合器接收的信号，表明其在多种频率下能够以高质量信号接收信息。此外，研究得出结论：最大距离 d_max 为100 m的假设有效，且在所采用的方向上可扩展至140 m。

因此，为实现成功部署，建议将数据聚合器放置在最大距离100至140 m的范围内，以最小化丢包率。此外，此处获得的实践洞察可指导智能电表和数据聚合器能效数据处理单元的开发。

研究还强调，本研究使用和呈现了所有参数和策略，以维持本研究的可复现性。所呈现计算结果的可靠性和有效性可以保证所提出研究的复现性。

本研究的局限性如下：第一，假设每个消费者的智能电表均具有良好的无线通信带宽；第二，所提出的模型未考虑数据聚合器与智能电表之间通信的加密数据。因此，若考虑这两项限制，最大预算和数据聚合器成本将有所不同。关于智能电网基础设施安全的更多细节，建议参考文献[49]，其讨论了智能电网面临的网络安全威胁和攻击。

最后，本研究提出的优化数学模型是一个NP-hard问题，可用于大规模问题。在这种情况下，可采用元启发式算法求解该模型的大规模算例。因此，对于未来工作，建议采用以下元启发式算法：遗传算法（Genetic Algorithm）[50]和迭代局部搜索（Iterated Local Search）[51]。此外，根据文献[52]，这些元启发式算法将确保以下特性：探索（多样化）、开发（ intensification）、避免过早收敛以及收敛速度。