模糊理論在智能變電站通信網絡評價中的應用

栗會峰，李鐵成，栗維勛

（1.國網河北省電力有限公司電力科學研究院，河北 石家莊 050021；2.國網河北省電力有限公司，河北 石家莊 050021）

1 引言

“泛在電力物聯網”的提出加速了智能電網的發展。智能變電站作為其關鍵部分之一，完成控制、測量、保護等任務[1]。通信網絡作為智能變電站的“神經系統”，是站內設備連接的紐帶，運行是否可靠關系著整個電網安全和穩定[2]。因此，對其進行綜合評價具有重要的實際意義。

目前，關于智能變電站通信網絡評價方法的研究主要集中于經驗分析、統計分析、智能算法等。在文獻[3]中，將模糊神經網絡和模糊c均值聚類相結合用于智能變電站通信網絡狀態評估。結果表明，該方法評估較為準確，可為狀態檢修提供依據。在文獻[4]中，提出了一種基于可靠性框圖RED法和隨機模擬法相結合的智能變電站通信網絡可靠性評估方法。可靠性分析與靈敏度分析相結合，有助于實現更可靠的變電站通信網絡體系結構，彌補其自身的不足。在文獻[5]中，提出了一種組網方法用于智能變電站通信網絡。結果表明，該方法提高了網絡的可靠性。在文獻[6]中，將灰色理論和云模型用于智能變電站設備狀態評估。結果表明，該方法評估準確率高，可為智能變電站二次設備和系統的維護提供準確、及時的科學指導。然而，智能變電站的通信網絡相對復雜，上述方法的指標不明確，通信網絡的性能無法得到全面評估，適應性有待進一步加強。

因此，提出了一種模糊理論用于智能變電站通信網絡綜合評價。采用隸屬函數將元素轉化為隸屬度，并結合層次分析法和斯皮爾曼相關系數法確定權值，根據隸屬度和權值得到綜合評價結果。通過算例對幾種情況進行了比較和分析。

2 系統概述

智能變電站三層兩層結構是我國應用最廣泛的一種網絡結構[7]。三層為過程層、間隔層、站控層，兩層為過程層網絡和站控層網絡。層內和層間數據傳輸采用高速以太網，MMS、GOOSE和SV報文實現數字信息交換。典型的系統結構，如圖1所示。

圖1 系統結構Fig.1 System Structure

3 模糊理論的綜合評價方法

模糊綜合評價法首先對因素等級劃分，采用隸屬函數將因素轉化為隸屬度[8]。將各要素的隸屬度進行組合，得到評價目標的總體評價結果。該方法結果清晰，系統性強。具體流程，如圖2所示。

圖2 模糊綜合評價流程Fig.2 Fuzzy Comprehensive Evaluation Process

3.1 模糊關系矩陣

智能變電站的通信狀態可以用因素{u1，u2，…，un}來評價。異常為因素ui與正常偏差，這里用劣化度Gi來表示，取值范圍［0，1][9]。

劣化度Gi接近1表示第i個要素處于不良狀態，劣化度為0表示狀態良好。設第i因素的參考值和閥值分別為uis和uia，劣化度Gi[10]如式（1）所示。

如果劣化值大于1，則該值為1。小于0時，該值為0。

采用隸屬函數將劣化程度Gi轉化各評價等級的隸屬度，采用三種模式的梯形隸屬函數。降半梯模式的劣化程度越小，越接近評價等級。升半梯模式的劣化程度越大，越接近評價等級。在梯形模式下，劣化程度在一定范圍內接近評價等級。

3.2 權值確定方法

這里采用層次分析法和斯皮爾曼相關系數法相結合的方法確定權值[11]。

3.2.1 層次分析法

在該方法中，因素分為兩個層次[12]。通過專家設置相對重要性，建立判斷矩陣，過程如下。

（1）將因素分層

（2）建立判斷矩陣

根據重要性建立判斷矩陣，因素數n的判斷矩陣[13]，如式（2）所示。

其中，aij為因素i相對因子j的重要性，取值為（1～9）之間的整數。aij=1，表示因素i和j同等重要。

（3）通過矩陣計算權值

使用方根法對最大特征值進行計算。特征向量W和最大本征值λmax[14]，如式（3）、式（4）所示。

使用最大特征值檢查判斷矩陣的一致性，如式（5）所示。

式中：CI—判斷矩陣的一致性因子；RI—平均隨機一致性因子（通過查表獲得）；CR—判斷矩陣的一致性比，Cr＜0.1滿足一致性要求。

3.2.2 斯皮爾曼相關系數法

斯皮爾曼相關系數法是一種基于秩的方法，設有n個元素的數據集X、Y，其中元素xi與yi。斯皮爾曼相關系數法首先對每個集合中的元素按大小進行排序，然后對每個元素的秩進行設置。通過秩相關系數rs對數據集關聯性進行度量。rs[15]如式（6）所示。

式中：Xi、Yi—元素xi和yi的秩；n—元素數。rs=1為元素相同，rs=-1為元素相反，rs=0為元素怒相互獨立。。

如果兩個因素高度相關，則兩個因素綜合評價所代表的大部分信息將是冗余的。在獲得因素相關系數后，因素客觀權值[16]，如式（7）所示。

式中：rij—第j個評價因素與第i個因素的相關系數；—第j評級因子在綜合評級中的客觀權值。

評價因素的總權值wj通過加入主客觀比值η參數進行計算，如式（8）所示。

3.3 通信狀態綜合評價方法

將報文傳輸效果、負荷狀態和異常風險作為評價因素。評價因素的劃分，如圖3所示。

圖3 評價因素Fig.3 Evaluation Factors

評價一級因素為報文傳輸效果U1、負荷狀態U2和異常風險U3。二級因素為最大傳輸時間U11、最大丟包率U12、最大傳輸效率U13、最大利用率U21、最大隊列占用率U22、最小吞吐率U23、節點脆弱程度U31、異常信息威脅級別U32和異常消息攔截率U33。一級因素通過二級因素進行評價，通信狀態通過一級因素進行評價。

（1）報文傳輸效果U1

最大傳輸時間U11是評估過程中消息傳輸時間的最大值[17]，如式（9）所示。

報文丟包率U12是單位時間內丟棄的報文數與報文數據流中發送的所有報文數之比，如式（10）所示。

式中：Nloss、Nsum—丟棄和發送報文數。

傳輸效率U13 為報文的總凈發送時間與報文發送時間之比[18]，如式（11）所示。

（2）負載狀態因素U2

發送端口的利用率U21是單位時間內端口發送的數據總量與數據率的比值，如式（12）所示。

式中：Ssend—單位時間內從端口發送的數據總量；Rdata—數據率。

發送端口的隊列占用率U22為內部端口上等待隊列的消息數與隊列總容量的比值，如式（13）所示。

式中：Nque_i、Ni—第i個子隊列中的容量和報文數。

端口吞吐量率U23為單位時間內端口發送的數據總量與到達發送端口的數據量之比[19]，如式（14）所示。

式中：Sdata—單位時間內到達端口的數據量。

（3）異常危險因素U3

節點脆弱程度U31為節點受到異常報文的影響或發送異常報文的程度。式（14）所示源節點、目標節點的脆弱程度。

式中：Vnode_t—第t次評估得到的節點脆弱程度；Ban_t—第t次評估期間是否存在異常信息；ρ1—衰減因子，0＜ρ1＜1。

當前異常信息的威脅程度U32由本次評估周期內異常數據流樣本的占用情況和上次評估結果確定，如式（16）所示。

式中：ATt—第t評價得到的異常信息的威脅程度；Pan_t—第t次評估期間異常數據流樣本的占有率；ρ2—衰減因子，0 ＜ρ2＜1。

異常報文截獲率U33表示主要通過交換機上配置的識別和過濾方法抵御異常報文的能力[20]，如式（17）所示。

式中：Nfil—截獲的異常數據流樣本數；Nanor—異常數據流樣本數。

這里因素值分為四個級別（V1良好、V2正常、V3注意、V4異常）。

4 仿真結果與分析

4.1 參數設置

為了驗證該方法的優越性，對網絡在空閑狀態、繁忙狀態和異常非受控狀態（情況1～3）下的通信狀態進行了綜合評估。設置數據速率為1000Mbit∕s，SV 報文：長度300Byte，傳輸頻率1200Hz。GOOSE 報文：長度300Byte，傳輸周期5000ms 或2ms。SNTP報文：長度100Byte，傳輸頻率1s。

空閑時GOOSE 報文傳輸周期為5000ms，沒有MMS報文傳輸。繁忙時GOOSE報文傳輸周期為2ms，增加3個MMS報文（各30Mbit∕s）。異常為不受控制的情況。三種情況下各二次因素的劣化度，如表1所示。

表1 不同情況二級因素劣化度Tab.1 Deterioration Degree of Secondary Factors Under Different Conditions

在計算各因素的劣化度后，根據斯皮爾曼相關系數法對二級因素評價一級因素時的客觀權值進行確定，并給出綜合評價權重（主客觀比η=0.5），如表2所示。

表2 二級因素的客觀權值和綜合權值Tab.2 Objective Weight and Comprehensive Weight of Secondary Factors

通過二級因素的客觀權值和劣化度加權計算一級因素的劣化度，確定報文一級因素的客觀權值和綜合權值，如表3 所示。

表3 一級因素客觀權值和綜合權值Tab.3 Objective Weight and Comprehensive Weight of Primary Factors

從表3可以看出，在主客觀結合后，增加了異常風險因素的權值。這是因為這些因素與報文傳輸效果和負載狀態的相關性較低。

4.2 空閑情況

空閑條件下各二級因素對各評估等級的隸屬度，如表4 所示。如最大傳輸時間U11隸屬度計算：

表4 二級因素對評價等級的隸屬度1Tab.4 Membership Degree of Secondary Factors to Evaluation Grade 1

由于網絡負荷較低，且無異常情況，因此將所有因素歸類為良好和正常。

空閑條件下各一級因素和整體通信狀態對各評估等級的隸屬度，如表5所示。如報文傳輸效果U1的隸屬度計算：

表5 一級因素和通信狀態對評價等級的隸屬度1Tab.5 Membership Degree of Primary Factors and Communication Status to Evaluation Grade 1

從表5可以看出，對U1、U2、U3的評價結果為正常，但U1評價結果接近正常，總體通信狀態評價為V1良好。

4.3 繁忙情況

繁忙條件下各二級因素對評級等級的隸屬度，如表6所示。在繁忙情況下，增加的數據包流量會增加網絡負載，進而增加數據包之間沖突產生等待時間和幅度增加。因此，繁忙狀態下的U11、U13、U21趨于正常水平。

表6 二級因素對評價等級的隸屬度2Tab.6 Membership Degree of Secondary Factors to Evaluation Grade 2

正常繁忙情況下各一級因素及通信狀態的隸屬度，如表7所示。從表7可以看出，相比于空閑狀態，U1和U2屬于良好等級的程度有所降低，而屬于正常等級的程度有所上升。總體評價結果仍以良好為主，但隸屬于正常的程度有所增加。

表7 一級因素和通信狀態評價等級的隸屬度2Tab.7 Membership Degree of Primary factors and Communication Status to Evaluation Grade 2

4.4 異常情況（未受控制）

異常消息在受控制時各二級因素對評估等級的隸屬度，如表8所示。大量的異常報文會使網絡負擔過重，導致網絡擁塞。消息在網絡中的最大傳輸時間呈指數增長，導致丟包，從而使各種二次因素的劣化度最大化，完全隸屬于異常級別。

表8 二級因素評價等級的隸屬度3Tab.8 Membership Degree of Secondary Factors to Evaluation Grade 3

由于網絡中的一些節點被控制，會發出大量的異常報文，導致各種因素出現嚴重劣化，未被截獲的異常報文會給正常報文帶來嚴重的負面影響。這種情況下，各一級因素及通信狀態的隸屬度，如表9所示。從表9可以看出，各一級因素和通信狀態的評價都為異常。從以上評價可以看出，該方法可以反應整個通信網絡的狀態，也可以進一步反映報文傳輸效果、負荷狀態、異常風險。

表9 一級因素和通信狀態評價等級的隸屬度3Tab.9 Membership Degree of Primary Factors and Communication Status to Evaluation Grade 3

5 結論

提出了一種模糊理論用于智能變電站通信網絡綜合評價，通過隸屬函數將元素轉換為隸屬度，并結合層次分析法和斯皮爾曼相關系數法確定權值，根據隸屬度和權重得到綜合評價結果。結果表明，文中方法可以準確地反應整個通信網絡的狀態。該研究還處于起步階段，為了建立更全面的異常行為分析模型，改進檢測技術，有必要對各種攻擊方法進行深入研究。