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,?？?570203)

2(海南電網有限責任公司 信息通信分公司,?？?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(yè)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(shù)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(tǒng)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(fā)揮各自的特點和優(yōu)勢來提高整個配電通信網絡的性能.建立目標函數(shù)模型,最大限度的提高網絡的業(yè)務吞吐能力,提高性能,采用粒子群算法設計和優(yōu)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(yōu)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(yè)務主要包括用戶信息采集、電力資源分配、負荷管理、故障監(jiān)測等,其模型如圖1.

圖1 配電通信網模型

在當前的環(huán)境下,各大網絡的架設和安排基本成型,如果對于現(xiàn)有網絡進行重新定位和規(guī)劃、架構不切實際,而在原有網絡結構的基礎上,進行資源優(yōu)化整合,達到提高配電網業(yè)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(jù)配電業(yè)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(jù)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(jù)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(xiàn)有物理網絡的情況下,為網絡系統(tǒng)的構建和優(yōu)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(yōu)勢,提高服務質量,給用戶更好的業(yè)務感受,滿足了智能電網業(yè)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(lián),沒有一一對應的需求,可根據(jù)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(shù)據(jù)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(yè)務需求.對于配電通信網中的主要業(yè)務可以分為控制操作和數(shù)據(jù)管理兩大部分[13].根據(jù)各自的業(yè)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(shù)據(jù)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(yè)務的吞吐能力[14].

在不改變現(xiàn)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(yè)務的虛擬網絡,因此可以有效避免業(yè)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(shù)據(jù)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(yōu)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(shù)字化處理實際業(yè)務中的控制操作和數(shù)據(jù)管理,通過映射描述將整個問題進行抽象化,達到最優(yōu)化業(yè)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(jié)點是固定不變的,因此二者具有相同的節(jié)點集合Ns,節(jié)點的數(shù)量可以定義為n,每個節(jié)點包括兩種狀態(tài),即發(fā)射子載波和接受子載波,其中第i個節(jié)點的發(fā)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(shù)據(jù)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(jié)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(jù)實際業(yè)務工作情況,主要包括3 種狀態(tài),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(jù)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(shù)據(jù)傳輸?shù)男Ч?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(jié)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(jié)點分配相應的子載波來滿足不同的業(yè)務請求.對于特定的PLC和WMN 物理網絡,可以根據(jù)不同節(jié)點的業(yè)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(yōu)化,保證整個網絡具有最大的業(yè)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(jié)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(yè)務優(yōu)化問題是典型的NP 問題.普通的優(yōu)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(yōu)解,因此需要采用一種更優(yōu)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(yōu)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(yōu)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(shù)少,與其他算法相比,數(shù)據(jù)優(yōu)化方面的優(yōu)勢更為明顯.

對現(xiàn)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(jù)網絡適用情況,定義種群中粒子個體數(shù)量為M,整個域內的最優(yōu)化的解存在于D維的空間中.定義粒子種群中的參數(shù)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(shù)的最優(yōu)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(shù)用f表示.適應度函數(shù)的選取對于粒子的最優(yōu)解選取至關重要,直接決定了函數(shù)的收斂速度和求解過程.改函數(shù)主要決定于目標函數(shù),對于配電通信網來說,其最終的目標函數(shù)既是整個網絡的業(yè)務吞吐能力,即:max:

可以將適應度函數(shù)進行變形得:

式(5)中,a,b為函數(shù)約束系數(shù),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(tǒng)系數(shù),g和h是兩個小于1的正數(shù).

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(shù)據(jù)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(xiàn)整個網絡調整的目的,最終實現(xiàn)業(yè)務吞吐能力最強.

WMN 網絡的虛擬映射粒子群算法的實現(xiàn)過程包括有:

Step 1.初始化實驗環(huán)境,根據(jù)條件分別設置M,u,c和d等實驗參數(shù);

Step 2.初始化粒子群參數(shù),設定節(jié)點數(shù)量n和可用于分配的子載波數(shù)量k,調整子載波分配,使其與節(jié)點要求數(shù)據(jù)成比例;

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

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

Step 5.根據(jù)式(5)、式(6)對子載波分配方案進行再次優(yōu)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(yōu)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(jié)點,每個節(jié)點均有一個發(fā)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(shù)量為20個,迭代上限設定為200 次,其他參數(shù)設定如表1所示.

表1 仿真參數(shù)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(shù)據(jù),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(qū)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(shù)更少,只是需要根據(jù)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(qū)別并不大,不會影響整個電力系統(tǒng)的運行效率.

(2)滿意程度

設定數(shù)據(jù)傳輸速率達到15 Mb/s 時為傳輸目標速率,將各個節(jié)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(shù)據(jù)達標率情況,從圖2中可以看出,粒子算法的數(shù)據(jù)達標率很高,均超過75%,對比遺傳算法,雖然其有部分節(jié)點數(shù)據(jù)達標率超過88%,但有個別節(jié)點傳輸數(shù)據(jù)極低,不滿足資源分配優(yōu)化的目的,從而證明在資源分配方面粒子算法具有明顯優(yōu)勢.

圖2 傳輸達標率比較

(3)最大業(yè)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(shù)據(jù)速率要求越高的情況下,優(yōu)勢越明顯.

圖3 最大業(yè)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(yè)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(shù)據(jù)需求越大時,差別越明顯.

圖4 誤包率對于業(yè)務吞吐量的影響

改變操控可靠性的需求量,進一步比較業(yè)務吞吐量的區(qū)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(yè)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(yè)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(yōu)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(shù)對于計算準確度的影響,利用Rastrigin函數(shù)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?shù)螖?shù)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(yōu)解的情況,得到最大的任務吞吐量.

圖6 迭代次數(shù)對于準確度的影響

改變本文的測試條件,將網絡節(jié)點數(shù)量由10 個增加到20 個,種群數(shù)量由10 個變?yōu)?0 個,得到迭次數(shù)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(yōu)解,需要將迭代次數(shù)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(shù)等條件,獲得全局最優(yōu)解.

但從結果的比較來看,各種情況的粒子群算法都是優(yōu)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(shù)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(jù)PLC 網絡和WMN 網絡的特點,對其安排不同的工作任務,發(fā)揮各自網絡的優(yōu)勢和特點,將更多的子載波用于業(yè)務吞吐上,從而大大提高該模型的業(yè)務吞吐量.

將該數(shù)據(jù)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(shù)據(jù)處理結果更合理,業(yè)務吞吐量大,服務效果更好,各節(jié)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.