香港大學研究團隊：突破智慧電錶技術 推動電力系統邊緣智慧化新紀元

電力系統是全社會碳排放的主力軍，建設高比例可再生能源接入的新型電力系統對於實現我國碳達峰、碳中和的目標具有舉足輕重的作用。需求側的高效管理是支撐可再生能源消納的重要舉措。智慧電錶作為智慧電網配用電管理系統中的關鍵終端設備，通過收集細粒度的用電數據，為需求側的靈活性挖掘提供了強有力的支撐。據最新統計數據顯示，我國智慧電錶的保有量已超過6．5億隻，覆蓋率超過了99％的用電客戶，成為電網精益化管理的重要基石。

然而，現有的智慧電錶技術存在較大的局限性。它們僅將收集的計量數據上傳至雲平台中心，這種集中式的數據傳輸方式不僅可能引發用戶隱私洩露的風險，還可能增加通訊網路的負擔，導致能源管理效率低下。如果智慧電錶能夠在本地對收集的海量數據進行智慧分析處理，不僅可以在無需額外投資的情況下提高能源利用效率，降低用戶電力消費，還能有效減輕中心雲平臺的數據處理壓力。但是，智慧電錶的記憶體、計算和通信硬體資源有限，難以支撐複雜的模型訓練。同時，智慧電錶收集的用戶數據包含敏感隱私資訊，這在一定程度上阻礙了多設備之間的直接數據共用，限制了智慧電錶的智慧化發展。

在這一背景下，香港大學王毅教授領導的研究團隊，通過結合聯邦學習和分割學習，提出了一種創新的雲－邊－端架構，成功解決了智慧電錶在硬體資源和數據資源方面的雙重限制的問題。他們的研究成果“Introducing Edge Intelligence to Smart Meters via Federated Split Learning”在國際知名學術期刊《Nature Communications》上發表。研究團隊通過最優模型分割、並行模型訓練和分層模型聚合等創新技術，實現了在資源受限的智慧電錶上的能源分析演算法部署。該框架利用分佈式數據對部署在多個邊緣設備上的模型進行協作訓練，實現了電網不同層級設備之間的算力－數據協同，極大地提高了能源管理效率和數據安全性。實驗結果表明，在智慧電錶192KB的記憶體限制下，該方法能夠減少95．5％的記憶體佔用、94．8％的訓練時間並降低50％的通訊開銷，同時保持了與傳統集中式方法相當甚至更優的預測準確性，從而使能源分析演算法部署到資源受限的智慧電錶上成為可能。

香港大學研究團隊的這項研究技術的突破，對於加快新型電力系統的數字化進程具有重要意義，預示著電力行業將進入一個全新的智慧化時代。在這個時代，智慧電錶將不再是簡單的數據收集器，而是成為電力系統中的智慧終端節點，能夠自主地進行數據分析和決策，從而實現更加精細化的能源管理。這不僅能夠提高能源利用效率，降低能源消費成本，還能夠為用戶帶來更加個性化和自主化的電力服務體驗。此外，通過邊緣智慧化，電力公司能夠更好地管理和優化電網資源，提高電網的穩定性和可靠性。同時，這也為電力行業的創新提供了新的可能性，例如，通過智慧電錶收集的數據，可以開發出更多的智慧電網應用，如需求響應管理、分佈式能源管理、電動汽車充電管理等，從而為電力行業帶來新的增長點。總而言之，這項工作標誌著電力行業向更智慧、更環保、更經濟的未來發展邁出了堅實的一步。（馮婷）