耿立卓,郝 雪,劉 璐,林春龍,高 琦
(1.國網河北省電力有限公司培訓中心,河北石家莊 050023;2.北京科東電力控制系統(tǒng)有限責任公司,北京 100192)
電力通信網作為運行通道,在電力生產控制與管理信息服務中發(fā)揮了重要的作用,保障了電網安全穩(wěn)定地運行[1]。由于電力行業(yè)對繼電保護和安全控制服務的路由配置有著嚴格的限制,如何合理地利用電力通信網中大量的非一致性業(yè)務,以降低在維護或故障狀態(tài)下的運行風險,是電力通信網進行安全防護的重要措施[2]。針對電力通信網路由優(yōu)化仿真設計,在考慮變電站間實際光纖鏈路容量限制的條件下,建立了最優(yōu)化整數線性規(guī)劃配置模型,優(yōu)化電力通信骨干網的通信通道配置[3]。但是,該方法存在長期停滯的缺陷,導致路由優(yōu)化仿真效果不佳;而另一種是根據Ad Hoc 通信網絡節(jié)點路由鏈路分析結果,結合蟻群算法自適應優(yōu)化網絡鏈路,完成Ad Hoc 通信網絡的局部路由修復[4]。但是,該算法收斂速度慢,優(yōu)化性能較差。針對上述存在的問題,提出了一種基于人工蜂群算法的電力通信網路由優(yōu)化仿真方法。
人工蜂群算法通過模擬蜜蜂采蜜行為來求解優(yōu)化問題,在相關的約束條件下,優(yōu)化問題求解是通過選取一組參數使目標函數達到最佳值。利用數學規(guī)劃的形式表示最優(yōu)問題:
式中,X表示n維實數空間向量,每一個分量都表示參數向量中各分量的約束,如gi(X)≤0 可簡單地理解為各分量的范圍。在優(yōu)化問題中,目標函數是參數矢量選取的基礎[5]。
將人工蜂群算法應用于電力通信網絡能量優(yōu)化時,首先需要對電力通信網絡協議進行數學建模,然后找到待優(yōu)化問題對應的數學模型,再利用人工蜂群算法求解實際問題[6-8]。根據電力通信網路由模型特點,進行如下假設:
1)將電力通信網路由節(jié)點部署在通信范圍內;
2)由能量模型確定通信功率,可以改變節(jié)點通信半徑;
3)所有節(jié)點均可以直接與基站節(jié)點通信;
4)通信范圍內的節(jié)點均不受限制,初始能量一致;
5)所有節(jié)點位置不可變;
6)節(jié)點能量耗盡即宣布死亡[9]。
在上述假設的前提下,針對層次結構的路由協議,可將網絡中的路由能量優(yōu)化表示為分層的方案,使通信能量最小化[10-11]:
式中,i∈CN表示簇內成員節(jié)點;j∈CH表示簇首節(jié)點;Ei表示簇內成員節(jié)點與首節(jié)點之間通信所消耗的能量;Ej表示簇首節(jié)點通信耗能[12]。
通過上述數學描述,可確定電力通信網路由能量,為路由優(yōu)化仿真提供數據支持。
通信網路由優(yōu)化仿真步驟如下:
步驟1:在待部署區(qū)域中,首先對集成網絡節(jié)點位置進行編碼;
步驟2:待種群初始化后,在最大鄰域范圍內搜索節(jié)點,此時迭代次數為0,即為初始搜索;
步驟3:將蜜蜂全部置于偵察蜂模式中,隨機產生N個可能解,計算適應度,將蜜蜂分為偵察蜂和觀察蜂[13];
步驟4:在蜂巢內進行搜索,將搜索到的解與當前解進行對比分析,借助貪婪法則選擇最優(yōu)解;
步驟5:觀察蜂群跟隨概率并進行計算;
步驟6:判斷蜜源是否超過鄰域搜索限制的次數,如果超過則放棄該蜜源,隨機尋找新的蜜源;
步驟7:記錄蜜蜂找到的最優(yōu)解,此時迭代次數為1;
步驟8:判斷是否達到最大迭代次數,若是,則轉步驟9,如果不是則返回步驟4。
步驟9:在最大迭代次數下,輸出最優(yōu)解[14]。具體如圖1 所示。
圖1 通信網路由優(yōu)化仿真步驟
在求解最佳能量路由時,該算法需要獲取電力通信網路由節(jié)點的實時剩余能量信息,確定通信消耗能量。然而,電力通信網路由節(jié)點在通信時,都會消耗大量能量[15]。針對該問題,設計了剩余能量采集算法流程:
步驟1:判斷通信數據剩余能量采集是否超時,超時則結束剩余能量采集,反之進行步驟2;
步驟2:接收電力通信網中的剩余能量信息;
步驟3:選擇節(jié)點中新節(jié)點的插入位置;
步驟4:更新選擇向量,輸出剩余能量采集結果。
根據上述剩余能量采集流程,避免因為收集剩余能量而出現不必要的能量損耗問題。
在用人工蜂群算法求解能量優(yōu)化問題時,需要根據初始化過程中的能量消耗矩陣和剩余能量獲取階段更新的剩余能量矢量向量,在下一輪電力通信網絡中的通信中從候選節(jié)點矢量選項中選擇能量消耗最小的簇頭節(jié)點組合[16]。簇頭節(jié)點采用貪心策略選擇最接近的簇節(jié)點,得到最優(yōu)的能量路由。
采用蜂群算法求解最佳能量路徑后,將設置好的簇頭節(jié)點發(fā)送至Sink 節(jié)點。收到消息后,簇頭節(jié)點改變其角色,向樹節(jié)點發(fā)送請求,獲得群集節(jié)點的信息。Sink 節(jié)點接收到訪問請求后,通過簇頭節(jié)點的移動建立Sink 節(jié)點與簇頭節(jié)點之間的通信。在此基礎上,確定了電力通信網絡最優(yōu)路徑,下一輪數據中所有節(jié)點都基于此路徑與Sink 節(jié)點完成通信。
雖然人工蜂群算法在求解全局近似最優(yōu)解方面取得了較好的效果,但是人工蜂群算法的響應速度無法滿足實際要求。若在前期部署的基站運行中發(fā)生負載偏移,將會影響網絡服務質量或造成能量浪費。因此,提出了動態(tài)調整負載敏感性的解決方案,通過優(yōu)化網絡部署方式,根據基站在一個局部負荷變化范圍內制定動態(tài)調整方案,彌補調整和運行過程中實時部署方案的不足,基站可在一定時間間隔內檢測實際負載Loadi,并根據情況進行調整[17-19]。
1)當滿足Loadi≥Cap時,即當負載超過設定的閾值時,其承受的荷載即為基站超過的負載。為使負荷分布均勻,達到較好的覆蓋效果,需在基站對應的網格內確定最遠和最近的兩個基站,開啟最近基站替換最遠基站,減少不必要的能耗。如果網格中只有一個基站,沒有任何改變,該地區(qū)的網格會在新基站投入使用后改變。若新電網繼續(xù)過載,系統(tǒng)將繼續(xù)處理,直到正確分配負荷為止。
2)當滿足Loadi<時,即基站負荷小于其容量的一定比例,表示基站接近空載。在這一過程中,將關閉基站以節(jié)省能量,區(qū)域網格劃分狀態(tài)會隨著基站關閉而改變。
最初的網格區(qū)被周圍基站的新區(qū)域所覆蓋,關閉基站的負荷由其他基站承擔。但是基站一旦關閉,就會造成基站超負荷,導致基站再次啟動時發(fā)生過載現象。由于基站啟動后負載較小,再次關閉后形成了類似“乒乓切換現象”。為避免這種現象的發(fā)生,通過采用設定最小關閉間隔時間和預先探測的方法,對基站運行狀態(tài)進行有效調整。
①設定最小關閉間隔時間
通過設定一個特定的閾值,使其最小關閉間隔時間符合基站的關閉要求。若基站開啟的時間與最后開始時間接近,而且小于特定的閾值,則基站無法關閉。如果相反,基站關閉。
②預先探測
在基站BSi即將關閉時,系統(tǒng)首先檢測基站是否造成其他基站超載。由于上一次啟動是由于其他基站負荷過大,每個基站不會關閉,若此基站關閉導致其他基站過載,則僅負責相應區(qū)域的調整和提高響應速度。
以Matlab 為仿真平臺,以圖2 所示的某節(jié)點拓撲結構進行仿真分析。
圖2 節(jié)點拓撲結構
圖2 中的該電力通信網絡范圍為100 m×100 m,節(jié)點數量為150個,路由執(zhí)行數量為2 000個,數據包大小為512 bit,節(jié)點初始能量為0.75 J。
為了驗證基于人工蜂群算法的電力通信網路由優(yōu)化仿真方法的有效性,將該方法與最優(yōu)化整數線性規(guī)劃配置模型、蟻群算法,從網絡平均剩余能量、節(jié)點存活數量兩個方面,對優(yōu)化仿真方法進行評價。
1)網絡平均剩余能量
對比人工蜂群算法、最優(yōu)化整數線性規(guī)劃配置模型、蟻群算法的網絡平均剩余能量,結果如圖3所示。
圖3 三種方法網絡平均剩余能量對比分析
由圖3 可知,使用基于人工蜂群算法最高平均剩余能量為0.67 J,最低平均剩余能量為0.34 J;使用最優(yōu)化整數線性規(guī)劃配置模型最高平均剩余能量為0.67 J,最低平均剩余能量為0.32 J;使用蟻群算法最高平均剩余能量為0.67 J,最低平均剩余能量為0.22 J。使用基于人工蜂群算法平均剩余能量要比最優(yōu)化整數線性規(guī)劃配置模型、蟻群算法高,說明網絡平均能耗較低;與最優(yōu)化整數線性規(guī)劃配置模型、蟻群算法相比,平均能量呈線性遞減,說明電力通信網絡穩(wěn)定。
2)節(jié)點存活數量
三種方法的節(jié)點存活數量對比結果如圖4所示。
圖4 三種方法節(jié)點存活數量對比分析
由圖4 可知,使用基于人工蜂群算法最大節(jié)點存活數量為98個,最小節(jié)點存活數量為83 個;使用最優(yōu)化整數線性規(guī)劃配置模型最大節(jié)點存活數量為98個,最小平均剩余能量為72 個;使用蟻群算法最大節(jié)點存活數量為96個,最小節(jié)點存活數量為60個。通過上述對比結果可知,使用基于人工蜂群算法,在網絡負載均衡方面明顯優(yōu)于最優(yōu)化整數線性規(guī)劃配置模型和蟻群算法。
基于電力通信網路由節(jié)點的位置及剩余能量信息,建立最佳能量適應度模型,并采用人工蜂群算法對電力通信網路由進行合理聚類。仿真測試結果表明,人工蜂群算法不僅能夠保證通信質量和能量平衡,同時也延長了網絡的使用壽命。在未來研究中將采用多組協同進化方法,以進一步提高算法的收斂速度和精度。