基于數據融合的高效可靠智能電網通信技術

桂海濤，秦麗文，楊 鑫，吳 凡，侯和明

(1.廣西電網公司桂林供電局，桂林 541002；2.廣西電網公司電力科學研究院，南寧 530023)

現代智能電網是在傳統電網基礎上,輔以大規模的信息通信技術和可再生能源集成。它會聚合電網用戶的各種信息進行分析,以建立一個經濟高效、具有較高自動化的電力系統。此電力系統致力于實現高質量的供應、低損耗的傳輸、安全的供電。信息通信技術與智能電網的結合,將可再生能源整合到現有電網中,實現雙向傳輸、雙向信息傳輸、快速隔離和恢復停電、優化終端用戶能耗。在智能電網中，信息和通信技術基礎設施使物理基礎設施更加高效[1]，確保更多可再生能源和智能設備的安全整合，有效的電力供應，保證自愈能力，并允許客戶對其用電有更多的控制。

通信信息系統作為電力系統安全、穩定、高效運行的重要支撐，貫穿于各個應用環節。在當前智能電網發展的趨勢下通信信息系統的建成與完善將實現各項生產、運行、服務信息的全面采集和高效處理。實現電網資源的優化配置和高效利用。通信系統的優劣將直接決定著整個智能配電系統性能的好壞[2]。當前，有線和無線的通信方式均適用于智能電網系統，其中光纖和電力線通信(power line communication，PLC)是有線方式中的熱門方法。無線通信有衛星、蜂窩、無線個人局域網通信技術(wireless personal area network communication technologies，WPAN)等技術。隨著第五代移動通信技術(5th generation mobile communication technology，5G)網絡的出現，移動蜂窩網絡正朝著實現大規模容量、大范圍連通和大規模處理的方向發展，它將成為智能電網實現遠端節點信息共享的最佳選擇。文獻[3]中探索了5G蜂窩的設備間(device-to-device，D2D)應用，提出了一種D2D的無線資源分配方案，可最大化蜂窩用戶的總速率。文獻[4]中對5G碎片化頻譜聚合提供了方案，并設計了傳輸幀結構，能達到較好的低延遲效果。

智能電網處理海量數據需要一種高效、可靠的通信技術。目前的一些融合通信的方法的普遍缺點是融合需要相當長的時間，難以滿足智能電網服務的要求。文獻[5]中提出了一種用于高速載波通信和無線通信融合的功率控制方法。但存在通信路徑選擇耗費時間過久的問題，不能保證電網中的高效通信。文獻[6]中提出了一種電力線與無線信道切換的算法。但未深入考慮組網方案。文獻[7]使用了一種無線專網和光纖通信相融合的方法。但未能考慮網絡的節點變動因素，可擴展性較差。

移動邊緣計算(mobile edge computing，MEC)作為一種新興且有前景的技術，在其提供的環境中，云計算資源和能力被放置在移動網絡的邊緣，更接近設備和終端用戶。智能終端是安裝在終端用戶家中的智能設備，可以收集實時測量數據并進行遠程操作，從而使電力系統的管理更加高效。這些數據通常包括消耗的能量，電流電壓和安培數，以及許多其他參數[8]。從智能終端到數據管理系統的通信可以通過不同的有線或無線網絡技術數據完成[9]。其中智能終端到邊緣服務器的通信采用5G蜂窩技術，這是因為它具有高數據傳輸速率和超低延遲的性能優勢，又由于有授權頻帶，入侵控制在蜂窩網絡中更好，對敏感能源數據的安全和隱私的安全風險更有彈性[10]。通信基于成熟的、被廣泛采用的通信基礎設施，使智能計量部署能夠跨越廣大地區和遠程端點連接到同一管理網絡[11]。這有助于在不同地理區域的網絡實體之間進行有效的信息交換。

因此，現從高效可靠的智能電網通信方式出發，結合經濟、技術成熟度、技術適用范圍等因素，采用一種新的融合組網方式，達到快速融合組網，以實現高效可靠的通信。

同時，在電力通信網絡中，為了獲取更大的監測區域的數據和收集更可靠的數據，往往會密集部署無線傳感器，導致相鄰節點收集的數據重疊，有時會導致節點上的數據完全相同。數據融合技術用于將每個節點的數據發送到其他節點或基站，目標是刪除冗余數據，降低能源消耗。目前主要采用的數據融合算法是基于傳統的客戶/服務器模式。這個模型有以下問題：首先，企業的擴張能力較弱。在網絡中添加新節點時，通常需要調整網絡結構以保持負載均衡。其次，該模型的網絡時延和能耗較大。處理節點可以同時接收傳感器發送的數據，但處理節點只能按照給定的順序接收數據。當接收到的數據量增加或傳感器數量增加時，就會發生網絡延遲。這直接導致能源消耗的增加。最后，該模型的能耗不均勻。處理數據的節點需要連接到周圍的節點，這會導致該節點消耗更多的能量。如果一個節點需要頻繁地處理數據，則可以讓它成為超級節點，或者以一種更有效的方式來處理數據。以上兩種方法都會產生額外的網絡開銷。針對上述問題，現分析智能電網的需求和網絡架構，建立多尺度數據融合模型，并在K均值聚類算法的基礎上，提出一種最優的權重數據融合與處理方法。該方法包括為每個節點分配權重并研究測量的準確性。

1 新型融合組網技術

通信架構為有線和無線融合的通信，因此融合的方式需要重點解決。為了達到高性能的通信效率及可靠性，采用了一種新的融合方案，提出的融合優勢如下。

1.1 組網融合方式

有線和無線相互補充。在適合有線通信的區域選擇有線網絡承載通信；在不適合有線通信的區域使用無線網絡承載通信。

有線和無線在部分區域重疊。部分有線通信網絡即便部署到的地區，也無法接入到終端，此類終端采用無線網絡接入；部分有線故障度高的區域，采用無線通信作為有線通信網的互補方式。

有線和無線融合網絡主要由至少一個匯聚節點和大量的終端節點組成，匯聚節點和終端節點之間的關系是典型的“主從”關系。在該網絡中，匯聚節點負責整個融合網絡的數據采集、存儲和處理。

圖1描述了本系統的整體架構，在本架構中服務器被分配到基站中，每個基站覆蓋一定的地理邊界和若干房屋。每個房子都有一個實現通過無線蜂窩與MEC進行雙向通信的智能終端。邊緣服務器可以通過有線或無線網絡在廣域網中通信，這樣測量數據就可以發送到數據管理系統。此外，傳輸到MEC的數據可以存儲在邊緣，用戶可以在需要時使用。除智能終端外，測量傳感器、執行器，包括用戶授權的設備都可以與MEC上運行的服務器進行交互。圖 2 顯示了可以運行在邊緣服務器及其通信接口上的應用程序的內部設計。服務器可以運行一個或多個應用程序，這些應用程序可以與智能電表或其他設備、云或彼此通信。圖2中顯示了兩個服務器，其中每個服務器同時運行應用程序A和B，應用程序可以執行特定的進程，并具有特定的通信接口來接收和發送數據。在本例中，MEC服務器A中的應用程序A通過廣域網接口與數據管理系統通信，通過智能終端接口與智能終端通信，通過側接口與MEC服務器B中的另一個應用程序A通信。

圖1 智能電網通信過程Fig.1 Smart grid communication process

圖2 MEC服務器的內部設計Fig.2 The interior design of the MEC server

該體系結構具有以下兩個優點，使其可用于加強智能電網的系統管理。

(1)高效率。通過MEC，在設備和用戶附近提供服務，實現低延遲[12]。低延遲對智能電網的某些特性非常重要，如功率均衡、實時監控、故障處理、發送警報和自修復，由于MEC的參與，智能終端可以更快地處理各種突發事件，進而達到高效的目的。

(2)城市移動網絡大范圍覆蓋。電信公司提供的現有移動網絡基礎設施允許在覆蓋范圍較廣的區域內實現擬議的架構，因為蜂窩網絡通常覆蓋大部分或全部城市地區。此外，良好的網絡覆蓋也能最大限度地減少網絡中斷問題，這也為在智能電網中交付檢測到的問題提供了更好的支持。

1.2 組網融合方案

為了實現電力線通信與無線通信融合，需要對媒體訪問控制(media access control，MAC)層集成、網絡分層、網絡聚類。這是因為電力線通信與無線通信的差異會大大增加網絡的復雜性，通過上述方法可以增強融合組網的物理層能力，提高組網性能及通信的可靠性和效率。圖 3 為網絡分層步驟，圖4為網絡聚類步驟。

圖3 網絡分層過程 Fig.3 Network layering process

圖4 網絡聚類Fig.4 Network clustering process

由于電力線通信和無線通信的物理層的獨立性，融合通信網絡的MAC層集成是必要的[13]。目前，有兩種收斂模型的方法：獨立的MAC收斂和統一的MAC收斂。

獨立MAC收斂可以通過與獨立MAC層協議的簡單硬件集成來實現。在這種融合方法中，協議轉換和混合組網均被采用以實現融合通信，并通過一些必要的資源管理和調度來增強。因此，可以整體上提高融合網絡的可靠性。

統一的MAC收斂采用公共MAC層進行PLC和無線通信。在該解決方案中，必須通過動態頻譜檢測來獲取PLC或無線通信的信號，然后通過Turbo代碼來減少符號間干擾。這樣就可以進行聯合信道評估，對兩個信道進行比較，實現統一的MAC層結構。

實際上，在混合網絡條件下，統一的MAC收斂可以避免MAC層中不必要的協議轉換。受益于統一的MAC融合，可以實現資源調度，訪問控制和網絡管理等，以保證整個系統的服務質量。圖5為統一MAC層融合通信系統圖。

圖5 統一MAC層融合通信系統圖Fig.5 Unified MAC layer fusion communication system diagram

傳統的組網融合主要采用交疊分簇算法：規定一個簇員可以屬于多個簇，采用縱向網絡拓撲結構，節點間可進行橫向通信從而將縱向網絡拓撲結構擴展為復雜網狀拓撲。具體過程可表述為：根節點發送廣播進行分簇，首先收到第一層節點的應答，并為它們分配邏輯地址，第一層地址分配完成后進行第二層地址的分配，第一層的節點作為第二層的簇根節點，為第二層的節點分配邏輯地址，以此類推，直到所有節點分配完畢。此種算法能適應信道質量的實時變化，邏輯通信鏈路破壞時有一定自愈能力，但組網融合需要花費相當長的時間，很難滿足智能電網性能要求。

在PLC與無線融合通信系統中，融合網絡采用分層集群拓撲結構。圖6為分層集群拓撲結構圖。在典型的PLC與無線融合系統中，匯聚節點可以直接與鄰居節點建立通信，鄰居節點設置為level1節點。而且匯聚節點和其余節點之間的通信必須通過中繼路徑實現，整個網絡內的所有節點可以劃分為幾個不同的級別，從level1到leveln。匯聚節點定義為R0級節點，節點Ri(i=1,2，…，L)是直接與Ri-1級節點通信的節點。核心節點首先觸發網絡層次結構，搜索其下游節點。之后，R1級節點也會進行網絡尋找R2級節點。重復此操作，可以找到每個節點所屬的級別。這樣，網絡層次結構就這樣完成了，這個過程的細節可以描述如下。

圖6 分層集群拓撲結構Fig.6 Hierarchical cluster topology

步驟 1核心節點通過電力線和無線信道廣播網絡搜索消息，消息中攜帶節點ID和級別Ri。

步驟 2各終端節點收到組網搜索消息后，提取其上游節點的節點ID和級別Ri，從電力線和無線信道分別獲取信噪比(signal to noise ratio，SNR)SNRPLC和SNRWC。

步驟 3如果終端節點的級別大于Ri+1，則設該節點的級別為Ri+1。

步驟 4終端節點對其上游節點的節點ID、級別Ri、SNRPLC、SNRWC等信息進行重新編碼。

步驟 5終端節點向其上游級節點Ri發送應答消息。

步驟 6Ri級終端節點收到下游節點的應答消息，提取節點ID、Ri級、SNRPLC、SNRWC等信息，并向下游節點發送確認消息。

步驟 7所有Ri+1級節點收到確認消息，完成這些節點的網絡層次，通過發送網絡搜索消息觸發新一輪的網絡搜索動作。

步驟 8重復步驟 2 ～步驟 7 的操作，直到整個網絡中所有節點都完成相應級別的網絡層次結構。

網絡分層完成后再進行網絡聚類。在此期間，根據PLC和無線信道的連接程度和鏈路質量，選擇每一級集群節點。然后，這些集群組織其他節點，形成整個融合網絡。這種網絡聚類的描述如下。

步驟 1每個節點通過PLC和無線信道設置并廣播自己的聚類競爭周期時間給鄰居節點。

步驟 2每個節點只接收并保存來自同級鄰居節點的聚類競爭消息。

步驟 3當聚類競爭周期結束時，每個節點根據式(1)計算自身的聚類競爭值Vc。

(1)

式(1)中：D為節點連接度；n為其鄰居節點的和；m為信噪比優于閾值的鄰居節點數，其和為加權因子，其值必須滿足關系式為

(2)

步驟 4每個節點與同級的鄰居節點交換Vc。

步驟 5每個節點將本身的Vc與鄰居節點比較，若沒有鄰居節點的Vc高于它則將其本身設置為聚類節點,否則它成為常見的節點并發送應用消息到一個Vc最高的節點。

步驟 6每個聚類節點向上游節點發送中繼請求消息。

步驟 7聚類節點收到上游節點的中繼確認消息后，得到上游節點的SNRPLC和SNRWC。

步驟 8聚類各節點選擇上游簇頭中的中繼節點，向融合網絡核心節點發送組網注冊消息，該消息包含了集群所有節點的信息。

步驟 9重復步驟 1～步驟 8，直到所有節點在核心節點上完成注冊。

該方法保持了PLC與無線信道之間鏈路的一致性，不需要進行復雜的計算，也不需要對網絡信令消息進行擴展。因此，與原交疊分簇算法相比，該方案沒有明顯增加復雜性。

2 數據融合

2.1 多尺度數據融合

在智能電網和人機通過數據中心進行交互時，數據融合模型分為4個層次:數據注冊、對象細化、風險評估和流程細化，如圖7所示。

圖7 多級數據融合模型Fig.7 Multi-level data fusion model

智能電網中的通信網絡通常包含各種各樣的數據，這些數據可能包括控制數據、保護數據和監控數據。數據注冊功能將不同類別的數據對齊到一個公共的參考框架中。對象細化旨在將位置信息和電子設備的屬性結合起來，以定位、監視和識別設備。對象細化包括狀態估計、諧波估計和故障診斷。狀態估計可以從監控和數據采集(supervisory control and data acquisition，SCADA)系統通過遠程終端單元(remote terminal unit，RTU)定期收集的遠程捕獲的測量數據集確定電力系統最可能的狀態。作為電力系統監測、標準檢查程序和補償實踐的重要組成部分，諧波估計計算先進計量基礎架構(advanced meter infrastructure，AMI)系統的幅值和相位等諧波參數。故障診斷就是對智能電網中的故障進行識別和定位。

風險是需要保護的可能性損失。如果沒有風險，就沒有保護的必要。在檢查風險時，必須識別漏洞和威脅。風險評估包括分析資產，識別信息和資產的價值，識別漏洞和潛在風險(由于威脅造成的)，風險降低措施以及與接受、避免或轉移風險相關的決策。

流程細化是監控整個數據融合流程的過程，并尋求在操作和物理約束條件下對數據融合進行優化。對于智能電網，這個級別通常涉及地理分布上的收集和處理和使用自適應系統對系統故障和其他問題進行自我調整。

參照上述模型，圖 8 所示的多尺度數據融合可以通過以下3步實現。

圖8 多尺度數據融合Fig.8 Multi-scale data fusion

(1)多尺度數據融合。將來自不同類型傳感器的數據對齊到一個公共的參考框架中。

(2)特征矩陣提取。從輸入數據中提取相關信息，以執行期望的任務，形成特征矩陣。

(3)推理與決策。在知識庫的基礎上，利用貝葉斯定理、Dempster-Shafer(D-S)準則、人工神經網絡等方法生成融合結果。

2.2 基于最佳權重分配的數據融合算法

在傳統的數據融合處理算法中，公共節點和宿節點之間的環境差異很小。公共節點和宿節點均采用K均值算法或分布式K均值算法進行數據融合。該算法的數據融合思想是對從第一個節點到最后一個節點的冗余數據進行加權平均處理，最終達到數據融合的目的。這種方法簡單直觀。

聚類算法的最終目的是根據情況將空間數據集X劃分為K個聚類。群集的中心是Y。通常，應考慮以下幾點：數據中心是否存在集群趨勢；如果有趨勢，如何通過算法找到這些聚類；聚類劃分后，通過算法驗證分組的正確性。

在傳統的加權算法中，通過簡單的加權平均處理多個節點的冗余數據，然后直接獲得融合數據。這種方法的優點是可以實時處理動態對的原始數據。數據融合模型簡單易懂，定義如下：假設每個節點具有相同的采集靈敏度并且每個普通節點都可以正常工作，加權平均值的算法公式為

(3)

上述公共節點和宿節點使用相同的加權融合算法在數據傳輸之前執行數據融合，從而減少了網絡中傳輸的數據量。但是這種方法過于理想化。在現實的數據采集環境中存在許多干擾。由于干擾導致的錯誤數據無法輕易消除。接收器節點受到的影響更大。由于數據之間的相關性，一個錯誤的數據將導致整個宿節點的較大誤差，這將嚴重影響數據的準確性。

傳統加權算法的主要前提是群集中每個節點的采樣條件是一致的，但是在實際環境中這顯然是不可能的[14]。每個節點和受監視的對象都可能受到環境的影響。并且每個節點獲取的數據與實際數據之間存在偏差。傳統的數據融合算法通常會忽略數據采集與實際數據之間的偏差，并為所有數據分配相等的權重。該操作不可避免地導致不正確的數據融合。因此，可以使用最優權重算法：3個節點分別被賦予權重因子 1、權重因子 2 和權重因子 3，將所有具有權重因子的節點融合到數據融合中心。

結合傳統的數據融合方法和權重因子，該算法的整體模型如圖 9 所示。加權值直接表示對每個數據的關注程度。數據的準確性越高，節點的數據誤差越小，權重也越大。相反，精度越低，節點數據的誤差越大，權重越小[15]。在為每個節點分配適當的權重之后，將對平均值進行處理，從而將大大提高測量值的準確性。在加權值算法的數據融合過程中，權重分布非常重要[16]。當數據合適時，傳統的數據融合算法和加權算法有很大的不同。動態加權的方法有很多，例如距離統計、最小方差等[17]。采用最小方差法，以最優條件實現最優權重分配，使總平均值誤差最小。假設要估計的真值是T，則

圖9 最優權重數據算法流程圖Fig.9 Flow chart of optimal weight data algorithm

(4)

(5)

(6)

由于方差是加權因子的二次函數，因此方差必須具有最小值。根據拉格朗日定律，得到定律為

(7)

計算總和的偏導數以獲得最小平均方差，即

(8)

3 仿真

為了突出本文算法的優越性，采用融合組網方式和最優權重融合算法/中央集中算法對實驗結果進行比較。首先探究本文算法的優勢。表 1 為最優權重算法的節點數和錯誤率。為了進一步研究最優權重分配算法，使上述算法的數據更加準確。假定最優權重分配算法和中心集中算法的初始條件相同，并且它們具有相同的K矩數。執行算法后，可以對群集進行劃分。表 2 顯示了這兩個實驗的結果。將最優權重分配算法的實驗結果與集中式算法的實驗結果進行了比較。隨著網絡節點數量的增加，最優權重分配算法在執行時間上具有優勢。

表1 最優權重分配算法Table 1 Optimal weight allocation algorithm

表2 最優權重分配算法和中心集中算法的所需時間Table 2 The time required for the optimal weight allocation algorithm and the centralized algorithm

另外，數據融合的過程會影響算法的成本。假設節點的有效通信半徑為 30 m，數據的相關半徑定義為 50 m。實驗分別采用最小生成樹算法、最佳權重分配算法和中心集中算法進行仿真，所得到的仿真圖描述了3種算法的通信和融合成本。

圖10顯示了3種算法的總能耗的比較，圖 11 顯示了3種算法的數據融合成本的比較。顯然，當單元融合成本最低時，最小生成樹算法和最優權重分配算法具有更好的數據融合效果，這是由于兩種方法以較低的融合成本消除了冗余數據。在最小生成樹算法和中央集中式算法的實現過程中，每節點個都需要參與數據融合，因此其通信能耗大約是一個常數。在執行過程中，最優權重分配算法的每個節點都直接參與數據融合，這就導致數據融合成本的快速增加。在最佳權重分配算法中，由于數據融合的高昂成本，某些節點被禁止進行數據融合。因此，最優權重分配算法與其他兩種算法的最大區別在于，數據融合的能耗將隨著融合成本的增加而降低。

圖10 3種算法的總能耗比較Fig.10 Comparison of total energy consumption of the three algorithms

圖11 3種算法的數據融合消耗比較Fig.11 Comparison of data fusion consumption of the three algorithms

然后對小區區域網的通信進行了探究，即智能終端與其對應MEC服務器之間通信的平均延遲。可以注意到，聚集器的使用率是智能電網部署時要考慮的重要參數。圖 12 為不同聚合百分比下的平均延遲。

由圖12可以看出，聚集率在實際智能電網部署中產生了重要作用。最后對本文算法的融合組網方式與傳統方式進行比較，表 3 為不同節點數下通信成功率的比較?？擅黠@看出本文算法的融合組網方式具有較好的性能。

圖12 不同聚合百分比下智能終端與MEC服務器的平均延遲Fig.12 Average latency of smart terminals and MEC servers at different aggregation percentages

表3 通信成功率比較Table 3 Comparison of success rate of communication

4 結論

針對智能配電網通信網絡復雜、工作環比較混亂、通信點多的問題。在不同通信區域采用適合的通信方式，并提出了新的組網方案，并采用了數據融合的方法，根據仿真結果可以表明達到了智能電網高效通信的目的，具有較好的性能。