香港大学研究团队：突破智能电表技术 推动电力系统边缘智能化新纪元

电力系统是全社会碳排放的主力军，建设高比例可再生能源接入的新型电力系统对于实现我国碳达峰、碳中和的目标具有举足轻重的作用。需求侧的高效管理是支撑可再生能源消纳的重要举措。智能电表作为智能电网配用电管理系统中的关键终端设备，通过收集细粒度的用电数据，为需求侧的灵活性挖掘提供了强有力的支撑。据最新统计数据显示，我国智能电表的保有量已超过6．5亿只，覆盖率超过了99％的用电客户，成为电网精益化管理的重要基石。

然而，现有的智能电表技术存在较大的局限性。它们仅将收集的计量数据上传至云平台中心，这种集中式的数据传输方式不仅可能引发用户隐私泄露的风险，还可能增加通讯网络的负担，导致能源管理效率低下。如果智能电表能够在本地对收集的海量数据进行智能分析处理，不仅可以在无需额外投资的情况下提高能源利用效率，降低用户电力消费，还能有效减轻中心云平台的数据处理压力。但是，智能电表的内存、计算和通信硬件资源有限，难以支撑复杂的模型训练。同时，智能电表收集的用户数据包含敏感隐私信息，这在一定程度上阻碍了多设备之间的直接数据共享，限制了智能电表的智能化发展。

在这一背景下，香港大学王毅教授领导的研究团队，通过结合联邦学习和分割学习，提出了一种创新的云－边－端架构，成功解决了智能电表在硬件资源和数据资源方面的双重限制的问题。他们的研究成果“Introducing Edge Intelligence to Smart Meters via Federated Split Learning”在国际知名学术期刊《Nature Communications》上发表。研究团队通过最优模型分割、并行模型训练和分层模型聚合等创新技术，实现了在资源受限的智能电表上的能源分析算法部署。该框架利用分布式数据对部署在多个边缘设备上的模型进行协作训练，实现了电网不同层级设备之间的算力－数据协同，极大地提高了能源管理效率和数据安全性。实验结果表明，在智能电表192KB的内存限制下，该方法能够减少95．5％的内存占用、94．8％的训练时间并降低50％的通讯开销，同时保持了与传统集中式方法相当甚至更优的预测准确性，从而使能源分析算法部署到资源受限的智能电表上成为可能。

香港大学研究团队的这项研究技术的突破，对于加快新型电力系统的数字化进程具有重要意义，预示着电力行业将进入一个全新的智能化时代。在这个时代，智能电表将不再是简单的数据收集器，而是成为电力系统中的智能终端节点，能够自主地进行数据分析和决策，从而实现更加精细化的能源管理。这不仅能够提高能源利用效率，降低能源消费成本，还能够为用户带来更加个性化和自主化的电力服务体验。此外，通过边缘智能化，电力公司能够更好地管理和优化电网资源，提高电网的稳定性和可靠性。同时，这也为电力行业的创新提供了新的可能性，例如，通过智能电表收集的数据，可以开发出更多的智能电网应用，如需求响应管理、分布式能源管理、电动汽车充电管理等，从而为电力行业带来新的增长点。总而言之，这项工作标志着电力行业向更智能、更环保、更经济的未来发展迈出了坚实的一步。（冯婷）