基于局部分布式學習模型的電力系統WSNs 路由算法研究*

艾久超

（中國石油集團電能有限公司供電公司，黑龍江 大慶 163453）

0 引言

電力網絡系統由各種不同電壓規格的變電站及電能輸配線路組成[1-2]，電能輸配過程具體包括變電、輸電和配電三個主要環節，而電網的主要功能和主要任務就是適時調整電壓，實現電能的合理輸配，并以最低的供電損耗成本滿足用戶的電能需求[3]。但傳統電力系統網絡在能源利用效率、環保性能、能源配給安全性等方面都存在一定的問題與安全隱患，面對發電成本不斷升高，及用戶電能需求持續增長的現狀，世界各國都將目光轉向了新能源領域[4]。基于新能源發電的電力系統網絡構建，需要滿足分布式的基本要求，在電網整體布局中融合了計算機網絡監控技術、無線通信技術、無線傳感技術、信息控制技術等[5-7]，以便于將傳統的電力網絡系統打造成為智能電網系統。融合了WSNs（無線傳感網絡）智能監控模式的電力網絡系統，具有更完善的系統安全防護功能，不僅能夠在電網發生故障的第一時間定位故障點，還能夠對電力故障的具體類型做出判斷，迅速恢復電網功能[8-9]。WSNs 網絡的通信路由算法將決定電力傳感網絡的健壯性，傳統基于PSO 算法、蟻群算法及遺傳算法的路由路徑規劃與選擇，更適用于覆蓋區域較小的局域網絡，為了更好地發揮出WSNs 在電力網絡安全維護中的作用，本文構建了一種局部分布式學習模型，重新規劃WSNs 網絡中節點的路由路徑，提高和改善電力網絡的通信性能。

1 WSNs 網絡局部分布式學習模型的建立

WSNs 在電力系統中的應用主要體現在輸電過程當中，用于對輸電網絡線路的監控，利用無線網絡節點采集到的電壓及電流信息，實現對整個網絡系統功能和運行狀態的監控。電網傳輸的環境較為復雜，除了監控電壓、電流信息之外，傳感器節點還要采集繼電器、絕緣傳感器、連接傳感器及線路溫度等相關的信息，電力系統WSNs 網絡監控系統構成，如圖1 所示。

圖1 WSNs 監控網絡結構設計

以中心基站、遠端單元和無線終端作為WSNs的網絡節點，通過控制節點之間的拓撲結構，并選用合適的節點路由通信算法，實現對電力通信網絡的監控。拓撲控制具有一定可選擇性與彈性空間，在電能輸送、電網監控和節點布局的過程中隨時調整，合理的網絡拓撲結構不僅能夠提升電力WSNs網絡的數據吞吐量，節省節點能耗，還可以延長網絡的生存時間。電力系統WSNs 中存在多種節點之間的路由路徑，應用適當的路由算法可以選出一條最經濟的通信傳輸路徑，進而降低電力網絡故障排查與維護的成本。WSNs 通信路由算法包括單播與多播等兩種主要的模式，多播模式的層次結構更為復雜，能夠從多個路由路徑中選出最佳的路徑。局部分布式學習模型，主要基于節點的位置信息的不斷更新獲取最佳的路由路徑，將電力系統WSNs 網絡看作一個平面，節點i(xi,yi)與節點j(xj-yi)之間的距離Lij可以表示為：

在非通用的參考坐標系下，節點i(xi,yi)與節點j(xj-yi)之間的相對位置，也可以用節點之間連接線與某一特定方向的夾角α的正弦值來確定：

基于局部分布式學習模型的WSNs 路由算法，主要是基于當前節點的位置信息更新，計算節點之間數據傳輸的能量消耗情況，以能量消耗最低的路徑作為最佳通信路徑。節點之間的通信總能耗由傳輸數據的能耗e1和接收數據的能耗e2兩部分組成，其中傳輸能耗e1包括節點傳輸能耗與信號發射時的能耗，該部分能量的消耗不僅與傳輸數據的大小相關，還與節點之間傳輸距離的遠近相關，基于能量消耗關系確定的電力系統WSNs 分布式學習模型，如式（3）和式（4）所示：

其中g代表傳輸能耗的映射關系，而接收數據的能耗僅與數據包的大小相關：

其中f代表接收數據消耗能量與數據包大小之間的映射關系。局部分布式學習模型采用了分簇式拓撲結構，即將全部的電力網絡節點劃分為多個簇，每個簇按照最優節點位置原則選舉簇頭，在簇間的連接上消除原有簇與簇之間的獨立性。

2 基于局部分布式學習的WSNs 路由算法研究

電力網絡WSNs 路由算法中節點位置信息的確認以特定坐標系下的參考坐標值為基準，獲取精確的節點位置信息及節點的能力消耗信息。WSNs 網絡系統中每個節點的地址標識具有唯一性，如果節點總數量越大存在的路由路徑選擇會越多。電力網絡每兩個節點之間路由生成規則相同，且節點不會將數據信息逆向傳輸，即不會將信息發送到節點的上一跳。路由路徑選擇時當前節點通過計算與周圍鄰居節點的相對位置信息及數據傳輸消耗的能量，自適應匹配與鄰居節點之間的權重比例關系。在網絡部署的初始階段，簇首節點向簇內的普通節點發送信息，喚醒簇內的全部節點，簇內節點通過與簇首節點通信不斷地調整最優位置及通信路徑的選擇。每個普通節點通過簇內信息多播的方式，與簇首節點做信息交互，簇首節點之間也采用多播的方式確定簇間通信的最佳位置。簇首節點之間交互的信息內容包括節點ID 信息、節點剩余能量信息和最新的位置信息，這些基礎信息是選擇最佳路徑的基礎。

基于局部分布式學習模型確定當前節點與鄰居節點之間的剩余能量ev：

其中，N(i)為節點度指標，此時當前節點周圍鄰居節點的密度分布ρ：

簇間節點與簇首節點數據傳輸的方式采用單跳模式，簇首節點采集到簇內成員全部的位置信息與能量信息后，判斷節點之間的通信距離并選擇最優的通信路徑。假定電力系統WSNs 中共包含M個節點，為了獲取鄰居節點的相關信息需要需要廣播M條與鄰居節點交互的信息，如果M個節點中有k個節點競選成為了簇首節點，向整個網絡廣播k條競選信息。計算鄰居節點與目標節點之間的距離的權重比例關系，及能量消耗的權重比例關系制定路由路徑決策。如果鄰居節點的通信范圍與當前目標節點的通信范圍存在交集，賦予鄰居節點正值的權重比例關系。所有臨近鄰居節點中候選轉發的sink 節點選擇將會影響到路由算法的性能，僅以最小跳數和節點之間的最短距離作為選擇路由路徑的影響因素，無法均衡節點之間的剩余能量，如果個別節點能量消耗殆盡，會導致鏈路的成本更高。基于此種情況首先利用局部分布式模型確定當前節點之間的相對位置及角度，并從節點之間的通信總能耗最低的角度選擇最為經濟的通信路徑。如果只從節點之間的通信距離和相對位置角度選擇路由路徑，會導致個別節點功能實現、信息傳遞跳數增加，網絡傳輸時延增長，降低電網WSNs 的生命周期。確定一種候選轉發的sink 節點的標準η(a)：

在特定的傳輸距離內基于候選sink 節點信息和剩余能量信息，選擇合適的路由路徑和信息傳輸方式，不能能夠保證節點的剩余能量，延長電力監控WSNs 的網絡壽命，且更適合于覆蓋面積較大的區域，降低由于網絡結構過于復雜而造成的網絡延遲，保證數據傳輸的可靠性和穩定性。

3 實驗部分

3.1 實驗環境設置與軟硬件平臺搭建

本文在MATLAB 仿真環境下搭建WSNs 電力網絡實驗平臺，仿真系統包括5 個sink 節點和25 個普通傳感器節點，實驗區域為50m×50m，節點之間的網絡拓撲結構如圖2 所示。

圖2 仿真WSNs 系統的拓撲結構

實驗中使用的sink 節點和普通傳感器節點之間的通信執行IEEE802.18.55 通用協議，節點的軟硬件配置如表1 所示。

表1 電力WSNs 仿真系統的節點軟硬件配置

3.2 實驗結果與分析

路由算法的性能將決定WSNs 電力網絡節點之間端對端的數據傳輸速率，本文針對節點間的傳輸速率共進行了10 次實驗仿真，引入傳統模式下的遺傳算法、PSO 算法、蟻群算法與本文提出路由算法的節點傳輸速率對比，結果如圖3 所示。

圖3 端對端節點路由傳輸速率對比

由于本文基于局部分布式學習模型的路由算法不僅考慮到了節點的當前位置、簇首節點之間的通信距離，還以節點的剩余能耗為條件尋找最優的通信路徑，因此具有更高的端對端傳輸效率，10 組實驗的節點端對端傳輸效率均值95%以上；而傳統模式下節點傳輸效率變化穩定性差，數據傳輸效率較低。對比10 組實驗中從當前節點到目標節點的整體能量消耗情況，統計結果如表2 所示。

表2 WSNs 數據傳輸的整體能耗情況對比

統計結果顯示文中算法的平均能耗最低，而三種傳統方案的平均能耗遠高于文中提出的路由算法，這主要是由于局部分布式學習模型在路由路徑的選擇中，考慮到了局部范圍內的節點剩余能耗，不僅能夠節省網絡整體能耗，還可以有效避免節點出現節點過早死亡的情況，延長WSNs 電力網絡的壽命。10 輪實驗過后統計不同路由算法下，sink 節點和普通傳感器節點的剩余數量如圖4 所示。

圖4 WSNs 剩余存活節點數量

10 輪實驗過后PSO 路由算法下出現了4 個普通死亡節點，蟻群算法出現了6 個普通死亡節點和1 個sink 死亡節點；遺傳算法出現了7 個普通死亡節點和1 個sink 死亡節點。而在文中路由算法下未出現死亡節點，表明文中路由算法具有更好的適用性，增加了電力系統WSNs 網絡的健壯性。

4 結語

隨著電力系統總體規模的不斷擴大，發生網絡故障的風險也在不斷增長，將WSNs 引入電力系統，實時對電網系統的運轉情況實施監控，可以有效減少由于電網故障帶來的損失。為進一步提高電力系統WSNs 的健壯性，本文設計了基于局部分布式學習模型的路由算法研究，基于節點的當前位置、節點之間的最佳距離和節點的剩余能耗選擇最優的通信路徑，延長WSNs 的網絡壽命。