基于智能光網絡系統的配用電業務承載方案研究

楊鴻珍，趙建朋，范 超，劉俊毅，由奇林，董亞文

（1.國網浙江省電力有限公司信息通信分公司，杭州 310007；2.國網信息通信產業集團安徽繼遠軟件有限公司，合肥 230088）

0 引言

近年來，隨著分布式電源、微電網、智能用電、電動汽車等業務的快速發展，配電網功能和形態發生顯著變化[1]。配電網成為有源電網，潮流雙向流動，負荷也主動參與電網調節，這使得電網與用戶之間建立了雙向互動的能源流和信息流。作為承載配電網各類業務的通信基礎設施，配電通信系統的穩定性、安全性、自愈性越發顯得重要[2-3]。

配電通信系統主要分為骨干層與接入層，骨干層通信網絡為配電主站與子站之間的通信通道，而接入層通信網絡則是從配電主站至配電終端的通信接入通道。通信骨干層原則上采用光纖專網，而接入層網絡因地制宜，可綜合采用光纖專網、無線專網、中低壓電力線載波、無線公網等多種方式[4]。

隨著供電可靠性要求不斷提高，國網公司提出建設泛在電力物聯網，增加末端信息采集的頻度和廣度，強化配電網自愈保護能力，因此大量高頻采集、保護以及計算機視覺業務將依賴通信網絡的傳輸。業務數據類型由過去窄帶低速串口電量信息、2M 保護專線，逐步過渡至分鐘級采集、毫秒級控制、視頻/圖像等大帶寬IP（互聯網協議）業務[5-6]。采用無源光網絡建設配電通信系統接入層，能夠充分滿足配電網發展對通信網帶寬資源利用的高效性、靈活性、可靠性和可管理性要求。PON（無源光網絡）是一種樹形拓撲網絡，且網絡設備均為無源的，具有經濟性高、安裝便捷等優點。無源光網絡主要由局端OLT（光線路終端）、用戶側ONU（光網絡單元）和無源分纖/分光設備組成。PON 因其設備的經濟性高、組網靈活等優勢，廣泛應用于電信光分配網絡，為用戶家庭寬帶接入提供了便捷方式。

面對承載業務的多樣化，傳統TDM（時分復用）“剛性通道”網絡帶寬資源共享方式容易造成資源的浪費，采用IP 統計方式承載業務可以提高帶寬利用效率，但容易在網絡負載較高時發生帶寬、時延敏感業務無法得到及時、可靠、穩定傳輸的問題，因此有必要為不同顆粒度業務需要提供面向業務通信需求的承載保障措施，設計端到端QoS 路由策略。文獻[7]針對網絡流量建立路徑代價及分布模型，提出了一種基于瓶頸鏈路的最小代價路徑路由選擇算法。文獻[8]則針對保護業務低時延通信需求，綜合最大化鏈路利用率開展路由選擇算法研究，通過遺傳算法求得滿足時延要求的、最大利用鏈路資源的保護業務傳輸路徑。文獻[9]提出了一種二進制粒子群算法求解多優先級業務擁塞規避問題。文獻[10]考慮電力通信網多播路由場景，利用改進的量子進化算法求解在多約束條件下的最小代價多播樹。

本文主要依托配用電領域光纖網絡智能系統生成的網絡拓撲信息，采用了群智能優化算法求解了多約束條件下代價最小路由選擇問題。算法充分考慮了配用電生產控制與管理信息業務差異化QoS 需求，通過研究原組合優化問題的對偶形式，設計了嵌套的粒子群算法，從而獲得多約束條件下最優路徑結果。最后，仿真實驗開展了相關算法的性能對比分析。

1 配用電智能無源光網絡

得益于星形、環形組網與電網拓撲高度耦合，電網企業采用xPON（EPON 或GPON）光纖接入技術可以實現從廠站至用戶側配用電線路上電力終端的全覆蓋，為各類業務提供靈活的接入。OLT設備安裝于220 kV 或110 kV 變電站，ONU 終端放置于環網柜、開關柜、用戶臺區側；從OLT 的下聯接口至ONU 的上聯接口之間稱作無源光網絡，網絡采用了高分光比無源器件為多個終端提供時分通道；PON 網路的上下行數據傳輸方式有所不同。下行通道采用了廣播方式將所有終端數據發送至各個ONU，ONU 通過分組的報文頭地址段匹配來接收屬于自己的數據；而上行通道則采用了TDMA（時分多址）接入方式。

為了滿足配電自動化、電能質量監測、臺區用戶用能信息實時采集處理、用戶費控與雙向友好互動等典型或新型配用電業務承載需求，本文提出采用無源光網絡綜合承載多種配用電業務，如圖1 所示。圖1 中光網絡針對于配電業務采用不等比分光，雙PON 口上聯至不同變電站OLT（也可以雙上聯至同一變電站OLT 不同的PON口）實現手拉手保護，同時，為增強帶寬利用效率，在臺區側ONU 下聯FE（快速以太網）口與用采集中器相連，通過傳輸用電信息采集規約實現與用采主站通信。不同變電站OLT 北向通過交換機或路由器接入上一級SDH（同步數字傳輸體制）主干傳輸網絡，傳輸網絡通過MSTP（多業務傳輸平臺）/IP 協議實現了不同數據協議的統一的、IP 化傳輸。為了保障多業務信息安全防護負荷電力監控系統安全防護要求，提升配用電無源光網絡的可觀可測、運維效率，本小節分別針對基于配用電無源光網絡的安全防護、運維管理展開論述。

圖1 配用電網無源光網絡多業務統一承載方案示意

圖1 采取多項措施滿足不同配用電業務安全防護等級要求。在傳輸網絡側，利用SDH 的時隙化通道實現配電、用電業務傳輸物理隔離；在變電站OLT 設備側采用了不同業務板卡實現了生產控制與管理信息業務的接入匯聚物理隔離；在光網絡中，采用不同波長、不同纖芯同樣實現了不同安全防護等級業務的物理隔離；在ONU 設備側，采用雙ONU 分別承載不同大區業務實現物理隔離，并為不同業務劃分VLAN（虛擬局域網）實現同一大區內不同業務之間邏輯隔離的安全防護效果；在通信控制協議層面，PON 網絡采用了三重攪動及數字證書實現了數據加密與接入認證方式[11]。

隨著配用電應用系統建設的不斷推進，基于PON 技術的光纖分配網絡規模不斷增長，主要體現為光網絡設備數量增多、光纖跳接日益頻繁、光纖資源分布越來越分散，采用紙質標簽標記，人工記錄光纖資源方式的光配線網絡管理方式難以為繼。本節提出一種基于uID（非接觸電子標簽）的智能光網絡系統，如圖2 所示。

圖2 智能無源光分配網絡系統

針對傳統光網絡的智能化改造十分便捷，以光交接箱為例，改造包含3 個步驟：首先，采用電子標簽與跳纖連接頭強綁定，在普通跳纖兩端增加eID（電子標簽），實現連接關系的自動識別；智能插框增加控制電路及指示燈，可自動讀取eID 跳纖信息，也可通過亮燈指導施工；然后，增加主處理單元用于收集各業務插框信息，統一上傳到ODN（光分配網）網管。同時，整套智能系統還提供了手持終端，可通過藍牙與對纖器相連，以及通過無線公網與ODN 網管對接，實現設備信息的自動采集上報、自動下載工單，極大提高了巡檢搶修的效率。針對傳統光網絡的設備改造可以通過設備的充分利舊、從TMS（終端管理系統）[12]導入初始資源信息至ODN 網管，最終完成了向智能光網絡系統的平滑演進。該智能改造可以實現完整的光網絡拓撲自動生成，形成管線、端口資源管理能力；對接GIS（網格管理系統）實現故障快速定位；優化提升工單管理系統的自動化、便捷性。

2 基于智能拓撲信息的業務QoS 的路由選擇算法研究

2.1 多約束QoS 路由模型

本節將基于智能光網絡的網絡拓撲、管線、端口信息，針對配用電不同業務QoS 需求開展最優路由選擇算法的研究，解決業務的可靠、穩定傳輸問題。任意網絡拓撲可以抽象為加權有向圖G=（E，V），其中V 為網絡節點集合，E 為鏈路集合。每條鏈路（i，j）∈E 由代價參數cost（i，j）以及帶寬參數bandwidth（i，j）、時延參數delay（i，j）等QoS 性能指標唯一刻畫；類似的，每個網絡節點n∈V 也由代價參數cost（n），丟包率參數packet_loss（n）和時延參數delay（n）等QoS 性能指標唯一刻畫。上述所有QoS 參數均為非負的。定義P（s，t）為從源節點s 至目的節點t 所有鏈路和網絡節點集合。給定路徑約束條件如下：

式中：

目標函數cost[P（s，t）]定義為：

求解獲得某路徑滿足上述所有約束條件，并最小化路徑花費的優化問題被稱為MCOP（多約束最優路徑）問題。即便是僅包含1 個或2 個約束條件的MCOP 問題都已被證明為NP（非確定性）完全問題[13]。因此除了遍歷算法之外，求解該問題的最優解是十分困難的，下文將設計啟發式算法求解該優化問題。

2.2 粒子群算法基本原理

粒子群算法被廣泛應用于各類連續性函數最優化問題。該算法基于族群間協作的仿生學原理，群體中的每一個個體通過在解空間中搜索來不斷調整自己的運行軌跡，調整方式既包含基于群體中其他個體的協作信息，還包含了自身歷史經驗信息。這種結合了先驗信息與似然信息的優化策略構成了一種群體貝葉斯機制，自然界中天空飛翔的鳥群，江海中結群而游的魚群等，都采用了類似的全體性協作方式完成覓食、躲避障礙物等行為。科學家正是通過觀察動物界的這種協作智能設計出了各種群智能算法。

以鳥群覓食為例，在某處存在食物等待鳥群的發現，而所有的鳥都事先不知道食物的具體位置，那么對于鳥群而言選擇最靠近食物的某只鳥的區域搜索是一種有效的策略。粒子群算法基于該設想設計出了一般數學優化模型與求解方式。很顯然，設計面向最優化問題的粒子群算法必須首先構造一個群體，而該群體中的每一個個體就是“粒子”，此“粒子”可以類比于尋找最優解（食物）的鳥兒。此外，每一個粒子應該在最優化問題的解空間內開展搜索，這比鳥群在三維空間中搜索食物更加抽象。開始時，所有粒子可以均勻分布在解空間之中，且每個粒子均包含其在解空間的位置變換函數來調整其位置；參考上述鳥群覓食策略，這個位置變換函數應至少包含自身經驗與群體協作兩個要素；綜上，所有粒子均可以通過自身搜索與協作來快速找出問題的最優解。

考慮一個由M 個粒子組成的群體在D 維解空間搜索，第i 粒子的當前位置為xm=（xm1，xm2，…，xmD），速度為vm=（vm1，vm2，…，vmD），為了評價粒子當前位置的好壞，還需設計適應函數，并將xm代入F（xm）求適應值，最直接的就是以最優化問題的目標函數作為適應函數。將粒子自身歷史最優位置記為pbestm=（pm1，pm2，…，pmD）；而所有粒子中最優位置記為gbest=（gm1，gm2，…，gmD），為了降低粒子在搜索過程中位置變換幅度過大而導致的收斂速度變慢問題，將粒子在第d（1≤d≤D）維的位置變化范圍限定在[Xmin，d，Xmax，d]內，速度變化范圍限定在[-Vmin，d，Vmax，d]內。

粒子群算法第k 次迭代中粒子i 的第d 維速度更新公式為：

第k 次迭代中粒子i 的第d 維位置更新公式為：

式中：w 為當前速度的非負慣性系數；c1，c2分別為個體歷史最優和群體最優的加權系數；r1，r2為服從某一概率分布的隨機變量。設置慣性系數的目的在于避免粒子過快的進入當前最優值，阻止局限于局部次優解的可能性；通過增加c1，c2和r1，r2來確保粒子以適合的步長改變當前位置，并引入一定的隨機性，從而保證了所有粒子在搜索過程中增強協作性，降低局部次優解對粒子搜索的影響。粒子群算法基本步驟如下：

（1）將族群初始化，以隨機的方式求出每個粒子的初始位置與速度。

（2）根據適應函數計算出其適應值以作為判斷每個粒子當前位置的優劣。

（3）找出每個粒子到目前為止，搜尋過程中的最優解pbestm。

（4）找出所有粒子到目前為止所搜尋到的全體最優解gbest。

（5）判斷算法是否收斂，若是則終止迭代并輸出結果，否則根據式（8）—（9）定義的更新公式計算粒子新的位置。

2.3 路由選擇算法設計

本小節設計一種基于粒子群優化算法的最優路徑求解方法，首先定義路徑時延函數和路徑丟包率懲罰因子分別為λdl和λpl，于是可以定義粒子群優化算法的匹配度函數如下：

其中，

至此，多約束最優路徑問題可以通過求解如下最大最小化問題獲得，問題建模如下：

其中，內層最小化問題被描述為給定（λdl，λpl）時的最小化問題，通過傳統的基于鏈路狀態（如迪杰斯特拉算法）路由選擇算法求解獲得最優路徑P*（s，d），而外層最大化問題則被描述為給定P*（s，d）時的最大化問題，通過粒子群優化算法獲得。基于上述分析，本文所提出的最優路徑計算方法具體執行步驟如下：

第一步：參數初始化。確定粒子數量M，搜索空間維數D=2（因為搜索空間為λdl≥0，λpl≥0），每個粒子的初始位置與速度，速度變化范圍下限Vmin，d，上限Vmax，d，加速度常數c1，c2，隨機數r1，r2，慣性常量w。根據智能ODN 網管所提供的網絡拓撲信息，包括節點QoS 參數向量（dl，pl，cost）、拓撲中每條鏈路的QoS 參數向量（dl，bw，cost）的參數值。假設路由請求R（s，t）=（s，t）以及相應QoS 屬性約束值（DL，BW，PL），設置算法收斂條件如迭代次數達最大值LOOP 或相鄰兩次迭代獲得的路徑代價之差在一個足夠小的范圍ε 內。

第二步：依據網絡拓撲中鏈路帶寬信息和帶寬約束條件，從G=（E，V）中將不滿足帶寬約束條件的鏈路刪減掉。

第三步：通過經典路由選擇算法求解給定（λdl，λpl）時的最小化問題[P*（s，d）]+λdlZdl+λplZpl獲得最優路徑P*（s，d），并作為第四步的初始值。

第五步：重復第三步、第四步直到算法收斂，求出最終的多約束QoS 條件下的最優路徑P*（s，d）。

3 仿真分析

本節針對提出的基于粒子群最優路徑算法開展實驗仿真分析。圖3 所示為浙江杭州地區某用戶側配變臺區無源光網絡接入至變電站傳輸網的網絡拓撲抽象圖。采用本文所提算法與隨機路徑分配、遺傳算法進行性能仿真對比，相關鏈路與網絡節點QoS 參數值已在拓撲圖中標注出來，且每條鏈路、每個網絡節點分別以三元組（延遲，帶寬，代價）（延遲，丟包率，代價）唯一刻畫。

通過計算機執行蒙特卡洛仿真，其中粒子個數M=10，迭代結束條件為路徑代價變化在某個最優值的ε 鄰域內或當迭代次數超過100。

仿真實驗以某配電自動化三遙業務路由請求R（s，t）=（9，4）為例，其路徑約束充分考慮遙控業務的可靠性（99.99%）與及時性（延時小于1 s），設置路徑約束三元組為（dl=1，bw=70，pl=0.000 1）。圖3 中還給出了基于本文算法所計算得到的最優路徑（用粗線條標注出），其中，節點⑤至節點⑦之間虛線鏈路由于帶寬不滿足要求而刪除。

圖3 網絡抽象拓撲圖

通過圖4 的對比發現，采用本文設計的路由選擇算法較隨機路徑分配方法、遺傳算法能夠在滿足多約束QoS 條件下獲得更低的鏈路代價、更快的收斂速度，這主要是源于2 個方面的原因。首先，本文設計的算法提供了一種兩階段優化策略，外層采用了粒子群群智能優化算法，通過粒子之間的協作求解最優懲罰因子，內層采用了經典路由選擇算法求解出最優路徑；其次，除了初始階段粒子群算法的位置、速度函數是隨機分配的，在后續迭代過程中，這些函數的初始值均來自于上次迭代計算中內層經典路由選擇算法計算的最優路徑，因此加快了粒子群優化算法的收斂速度。

圖4 算法收斂速度仿真對比

4 結語

首先，面向配用電業務場景，提出了基于無源光網絡的電力多業務承載建設方案，從通信網組網方案、信息安全防護、光網絡智能化運維等角度開展應用研究。接著，基于非接觸式電子標簽、移動終端、智能光網絡網管建立了一套針對智能電網通信網的自動化管理系統，提升了網絡狀態信息采集與運維效率。最后，以智能光網絡系統的網絡狀態信息可觀、可測為基礎，面向配用電不同業務的多QoS 約束條件，設計了最優路徑算法，該算法基于群智能優化算法，通過智能粒子群之間的協作優化方式，實現了最優路徑的快速迭代計算，并與其他傳統算法相比，具有收斂速度較快，性能較優等優勢。