多通信方式下的配電通信網融合管理信息模型①

李 博,張煥域,林 密,何書毅,張 宇,劉小敏

1(海南電網有限責任公司,海口 570203)

2(海南電網有限責任公司 信息通信分公司,海口 570203)

目前,隨著智能電網時代的來臨,對于配電網的要求也越來越高[1].配電網業務繁雜,覆蓋面廣,其通信組網的方式也多種多樣,主要包括無線通信、有線光纖網絡、本地局域網絡等,因此需要一個合適的組網方式來滿足整體需求.終端設備數量大、分布不均、密度隨各地條件不同而不能平衡,都大大加劇了通信網絡的復雜程度,給系統運行維護提出了難題.因此一個合格的配電通信網融合管理模型是十分必要的[2].

本文采用混合網絡框架,將無線網和有線網混合虛擬,以電力線載波通信(Power Line Carrier communication,PLC)[3]和無線mesh 網絡(Wireless Mesh Network,WMN)[4]為例.發揮各自的特點和優勢來提高整個配電通信網絡的性能.建立目標函數模型,最大限度的提高網絡的業務吞吐能力,提高性能,采用粒子群算法設計和優化無線虛擬網絡映射,對新建立的模型進行仿真驗證,通過與遺傳算法的比較,證明了采用本文的算法具有明顯的優勢[5].

1 智能配電通信網混合網絡模型

1.1 配電通信網模型

配電通信網的業務主要包括用戶信息采集、電力資源分配、負荷管理、故障監測等,其模型如圖1.

圖1 配電通信網模型

在當前的環境下,各大網絡的架設和安排基本成型,如果對于現有網絡進行重新定位和規劃、架構不切實際,而在原有網絡結構的基礎上,進行資源優化整合,達到提高配電網業務效率的目的,是目前最行之有效的方法[6].網絡虛擬化技術可以在不改變物理網絡的情況下,大幅提高原有網絡的利用效率,因此成為解決配電通信網絡問題的一個重要解決手段和方法[7].

網絡虛擬化在一個公用的物理網絡上,根據配電業務性質和要求的不同構建不同的虛擬網絡,虛擬網絡獨立運作,根據需求調整資源配置,能夠有效提升服務水平、降低維護成本[8].由于配電網的形式多樣,使得虛擬網絡中最主要的問題是網絡映射,如何根據多種類型的有線和無線網絡構建有效的虛擬網絡,成為解決問題的關鍵[9].

1.2 混合網絡虛擬化

網絡虛擬化通過提供虛擬網絡,允許多個網絡相互獨立工作,從而允許在不改變現有物理網絡的情況下,為網絡系統的構建和優化提供了可能和手段[10].在不同的網絡需求情況下,可以對實際情況進行調整,改變網絡結構的布局,靈活運用網絡優勢,提高服務質量,給用戶更好的業務感受,滿足了智能電網業務多樣性的要求,應用前景廣闊[11].

網絡虛擬化[12]技術中,虛擬網絡和物理網絡相互獨立,也相互關聯,沒有一一對應的需求,可根據實際映射情況,做靈活處理,大大提高了網絡的利用效率.

對于PLC 網絡和WMN 網絡來說,各自具有各自的特點,對于數據的傳輸速率也差別明顯.應用虛擬網絡對其進行映射,從而可以用來處理各種通信業務需求.對于配電通信網中的主要業務可以分為控制操作和數據管理兩大部分[13].根據各自的業務特點,控制操作對于反饋意見的實時性要求高,可以使用PLC 網絡進行處理,而數據處理部分的工作量大,對于網絡要求較高,需要使用WMN 網絡進行處理,從而最大限度的提高整個網絡業務的吞吐能力[14].

在不改變現有通信設備的前提下,混合網絡的虛擬化,需要合適的映射方法來將虛擬資源和物理網絡對應,并保證虛擬網絡互相不干擾,獨自完成網絡的任務安排[15].對于WMN 網絡,可通過不同的子載波來描述不同業務的虛擬網絡,因此可以有效避免業務干擾.

1.3 虛擬網絡映射問題模型

配電通信網的資源映射問題是構建網絡虛擬化的關鍵問題,因此將實際情況進行數據化處理的方法選擇成為其中的關鍵.為了有效抽象化PLC和WMN 網絡,使得網絡處理能力得到最優化的效果,需要將整個虛擬網絡進行層級化處理,從而構建底層網絡模型,虛擬請求模型和映射描述3 個部分.底層網絡進行抽象化處理,請求模型數字化處理實際業務中的控制操作和數據管理,通過映射描述將整個問題進行抽象化,達到最優化業務處理能力的目的.

(1)底層網絡模型

在整個網絡模型中,利用無向的帶權圖GS(NS,ES)來描述底層網絡結構,分別使用GSp(NS,ESp)和GSw(NS,ESw)代表PLC 網絡和WMN 網絡.由于通信網節點是固定不變的,因此二者具有相同的節點集合Ns,節點的數量可以定義為n,每個節點包括兩種狀態,即發射子載波和接受子載波,其中第i個節點的發射子載波和接受子載波分別用ST(i)和SR(i)來表示.ESw和ESp分別代表了PLC 網絡和WMN 網絡的鏈路集合,并用Rep 來描述該鏈路的數據傳輸可靠性.

(2)虛擬請求模型

虛擬請求模型的構建與底層網絡模型情況十分類似,采用同樣的方法,構建Gv(Nv,Ev),Nv在這里主要用于描述網絡中的虛擬節點,Ev對應的描述網絡中的虛擬鏈路集合.整個虛擬請求模型中根據實際業務工作情況,主要包括3 種狀態,分別為控制請求c(i)、操作請求o(i)和流量請求b(i).

控制請求和操作請求分別包含了消息報文的多種信息,如報文長度、報文時間和可靠性等.因此可以根據實際情況將控制和操作請求分別描述為c(i)=(Lc(i),Dc(i),Rc(i))和o(i)=(Lo(i),Do(i),Ro(i)).由于網絡帶寬的限制,需要通過傳輸概率Pc(i)和Po(i)來表示數據傳輸的效果.采用fb(i)表示流量請求中經過映射后的實際流量部分,可以用于整個網絡的映射描述.

(3)映射描述

映射描述情況是指將虛擬網絡上的請求反饋到PLC和WMN 等物理網絡上,用g代表某種約束情況下的虛擬網絡映射情況描述,即:

其中,Gv′是Gv的子集.

配電通信網中的設備均是固定的,因此整個虛擬網絡中的節點沒有設備映射的問題.從而可以采用多址接入技術,對每個節點分配相應的子載波來滿足不同的業務請求.對于特定的PLC和WMN 物理網絡,可以根據不同節點的業務請求,構建子載波矩陣Tc(i,j)、To(i,j),和Tb(i,j)來記錄并完成網絡的最優化,保證整個網絡具有最大的業務吞吐能力.從而可以得到最大吞吐能力為:

其中,fb(i)為第i個節點映射后滿足的流量大小,S(i)為子載波的總量.由式(2)可知,改虛擬網絡的業務優化問題是典型的NP 問題.普通的優化算法由于計算復雜在這里并不適用,遺傳算法雖然能夠降低復雜度,但是很難找到全局最優解,因此需要采用一種更優化的算法來降低上式的復雜程度,本文采用了基于粒子群的算法來完成配電通信網虛擬化網絡的最優解計算,并證明其比有效性.

2 配電通信網的虛擬化算法

2.1 算法分析

粒子群算法(Particle Swarm Optimization,PSO)是－種群體智能最優化求解的算法,來源于鳥群對于食物的位置判斷特性,該算法適用于配電通信網絡對于信息位置等的判斷,且求解方法簡單,調整參數少,與其他算法相比,數據優化方面的優勢更為明顯.

對現有的粒子群算法進行調整,使其更適合于配電通信網,其中的一些概念需要重新定義.根據網絡適用情況,定義種群中粒子個體數量為M,整個域內的最優化的解存在于D維的空間中.定義粒子種群中的參數Xi(t),Vi(t),Pi(t).分別代表位置、速度、最佳點.種群的最佳位置點定義為Pg(t).為了獲得目標函數的最優化解,其最佳位置可以定義為:

其中,初始點Pi(0)的最佳位置為Xi(0),適應度函數用f表示.適應度函數的選取對于粒子的最優解選取至關重要,直接決定了函數的收斂速度和求解過程.改函數主要決定于目標函數,對于配電通信網來說,其最終的目標函數既是整個網絡的業務吞吐能力,即:max:

可以將適應度函數進行變形得:

式(5)中,a,b為函數約束系數,S為子載波總量.

在配電通信網絡中,粒子的目的在于對于子載波進行分配調整,其位置向量Xi(t)可以用矩陣Tc(i,j)、To(i,j),和Tb(i,j)來表示.速度向量Vi(t)對應子載波分配方式的調整,從而可以得到:

速度:

位置:

其中,u,c和d為系統系數,g和h是兩個小于1的正數.

2.2 算法設計

對于本文涉及的配電通信網絡中,混合網絡主要包括PLC和WMN 兩部分,該網絡的通信過程主要包括:

(1)計算PLC 網絡上資源利用情況,得到實時數據的傳輸成功結果,從而將剩余的資源分配給WMN 網絡,用于子載波的計算調整;

(2)對剩余的網絡資源,按照粒子群算法的原理,完成子載波分配實現整個網絡調整的目的,最終實現業務吞吐能力最強.

WMN 網絡的虛擬映射粒子群算法的實現過程包括有:

Step 1.初始化實驗環境,根據條件分別設置M,u,c和d等實驗參數;

Step 2.初始化粒子群參數,設定節點數量n和可用于分配的子載波數量k,調整子載波分配,使其與節點要求數據成比例;

Step 3.判斷適應度是否收斂,對子載波的適應度函數進行求解,得到滿足粒子群算法映射的適應度;

Step 4.根據得到的適應度函數和式(3)、式(4)對子載波分配方案進行優化管理;

Step 5.根據式(5)、式(6)對子載波分配方案進行再次優化和調整;

Step 6.重復上述步驟Step 3～Step 5,直至迭代中止,輸出分配方案和吞吐量結果.

3 實驗分析和討論

為了驗證粒子群算法的有效性,采用Matlab 2017對其進行驗證,并將仿真結果與遺傳算法進行比較,依次從計算時間、滿意程度和吞吐能力幾方面來證明本算法的優勢.

設定仿真條件為:整個網絡中存在一個控制中心和10 個網絡節點,每個節點均有一個發射終端和一個接收終端,共128 個子載波用于分配,種群粒子數量為20個,迭代上限設定為200 次,其他參數設定如表1所示.

表1 仿真參數設定

(1)平均映射時間

分別利用Matlab 對兩種模型進行計算,均計算100 次后,比較兩種算法的平均映射時間見表2.從表中可以看到,從計算時間上看,粒子群算法由于需要處理更多的信息數據,計算量大,因此其計算所需要的時間更長,但是總體來說兩者的區別并不明顯.

表2 平均映射時間對比

從計算復雜度來說,粒子群算法的求解簡單且需要調整的參數更少,只是需要根據粒子分布情況來定義配電通信網中的子載波分配問題,盡管存在些許延遲,但是從映射時間的比較來看,與其他算法的區別并不大,不會影響整個電力系統的運行效率.

(2)滿意程度

設定數據傳輸速率達到15 Mb/s 時為傳輸目標速率,將各個節點的實際速率與目標速率進行比較,得到算法在整個網絡中的數據達標率情況,從圖2中可以看出,粒子算法的數據達標率很高,均超過75%,對比遺傳算法,雖然其有部分節點數據達標率超過88%,但有個別節點傳輸數據極低,不滿足資源分配優化的目的,從而證明在資源分配方面粒子算法具有明顯優勢.

圖2 傳輸達標率比較

(3)最大業務吞吐量

圖3顯示了兩種算法的吞吐能力對比情況,在混合網絡的情況下,虛擬化映射后的結果可以看到,粒子群算法大大強于遺傳算法,傳輸數據速率要求越高的情況下,優勢越明顯.

圖3 最大業務吞吐量對比

為了更清楚的比較兩個模型的效果,改變混合網絡中PLC 網絡的誤包率,進一步比較最大業務吞吐量如圖4所示.圖中可以看到隨著誤包率的下降,兩個模型的吞吐能力都在增強,主要是由于誤包率越高,需要分配給可靠性部分的子載波部分就會越大,從而造成用于吞吐量部分就會變少.但是圖中同樣可以比較出,在相同的誤包率情況下,粒子模型的吞吐量還是要大于遺傳算法,數據需求越大時,差別越明顯.

圖4 誤包率對于業務吞吐量的影響

改變操控可靠性的需求量,進一步比較業務吞吐量的區別.如圖5所示,可以看出,當操控需求增大時,其變化過程與誤包率結果類似,兩個模型的業務吞吐量都會逐漸降低.其原因同樣是由于較多的子載波被安排給操控可靠性,因此用于吞吐量的部分被減弱.

圖5 可靠性需求對于業務吞吐量的影響

粒子群算法是通過在迭代過程中不斷比較局部與全局最優解的關系,從而得到任務吞吐量的極大值.為了比較迭代次數對于計算準確度的影響,利用Rastrigin函數對本文算法進行測試,計算結果如圖6所示,圖中可以看出粒子群算法的收斂速度較快,當迭代次數低于200 次是,其計算準確度已經能夠達到準確度100%,獲得全局最優解的情況,得到最大的任務吞吐量.

圖6 迭代次數對于準確度的影響

改變本文的測試條件,將網絡節點數量由10 個增加到20 個,種群數量由10 個變為20 個,得到迭次數與計算準確程度的關系,如圖7所示,從中可知,為了得到該種情況下的全局最優解,需要將迭代次數更新為600 次.對于工作條件更復雜的情況,需要通過增大迭代次數等條件,獲得全局最優解.

但從結果的比較來看,各種情況的粒子群算法都是優于遺傳算法的,進一步證明粒子群算法更適合用于配電通信網絡.

圖7 改變條件后的迭代次數與準確度的關系

4 結束語

為了解決配電通信網中各種網絡信息融合的問題,本文建立了基于粒子群算法的混合網絡的資源映射模型.將WMN和PLC 兩個不同類型的網絡映射到同一個物理網絡上,根據PLC 網絡和WMN 網絡的特點,對其安排不同的工作任務,發揮各自網絡的優勢和特點,將更多的子載波用于業務吞吐上,從而大大提高該模型的業務吞吐量.

將該數據處理算法與遺傳算法進行對比,并在多種情況下反復驗證,證明了該模型更適合于配電通信網絡.從仿真結果可以看到,本模型所采用的粒子群算法盡管評價映射時間較遺傳算法大些,但是其數據處理結果更合理,業務吞吐量大,服務效果更好,各節點的公平性更高,證明其搜索的范圍更廣,結果更合理,為配電通信網融合管理模型的建立提供了新的思路.