基于分層的電力通信方式智能優化算法研究?

程效偉 袁平亮 劉 超

（國網甘肅省電力公司信息通信公司 蘭州 730050）

1 引言

近年來，隨著智能電網的不斷發展，通信網絡承載的各類電網業務快速增多，通信網絡在電網生產運行與經營管理中正扮演著越來越重要的角色。特別是安全穩定、繼電保護等實時性較高的重要電網業務，以及視頻會議等大顆粒流媒體業務，其對電力通信網絡的承載能力、穩定性和魯棒性提出了越來越高的要求。然而，在實際長期運行的電力通信網絡中，通信設備或網絡元件的失效是常見且不可避免的，當通信網絡中某些鏈路、通道或節點發生失效時，上面所承載的電網業務通常會受到這些失效因素的影響，可能會導致電網業務的中斷，進而對整個電網的安全生產運行產生潛在隱患［1～2］。因此，在電力通信專業中業務方式的設計與保護是一項基礎性的日常關鍵工作，業務方式的設計好壞將直接影響到整個通信網絡的承載能力和資源利用效率，而業務方式的保護則可以有效提高電網業務的穩定性和魯棒性。

電網業務的方式設計在本質上是根據電力系統的特點，求解有限網絡資源條件下通道路由調配的最優解。在經典的路由尋址算法中，基于圖論的廣度優先算法（Breadth First Search，BFS）、深度優先算法（Depth First Search，DFS）、Floyd 算法以及DijKstra算法通常用于計算最短路徑或基于業務重要性和資源可用性等多約束條件的組合［3～7］。隨著通信網絡規模與拓撲結構復雜性的不斷增大，傳統路由尋址算法的空間復雜性與時間復雜性也呈指數級別增長。

本文在對電力通信網絡分層分析的基礎上，針對電力系統的特點，提出了通信網絡的業務關聯結構模型。通過對典型蟻群算法基本原理的研究，借助其所特有的自適應路徑優化搜索優勢，將蟻群算法與電網分層優化模型相結合，提出了一種基于分層的電力通信方式智能優化算法，從而得到一個具有較低算法復雜度的電力通信網絡資源調配優化方法。仿真結果表明，該算法能在較低方式設計失敗率下可獲得更優化的路徑調配，具有較好的實用性和有效性。

2 通信網絡業務關聯結構模型

電力通信網是一種網架結構復雜、技術體制多樣的拓撲網絡，在網絡資源有限的情況下，需要進行方式設計的優化，開展高效、合理的資源調配從而獲得較高的資源利用率和可靠的業務保障率。傳統的業務方式設計通常針對業務層面開展網絡資源的調配，優化方式設計，這種設計模式有利于網絡的擴展和設計的獨立性，但也容易造成各層之間邏輯關系的割裂以及網絡資源的浪費，難以從整體上對整個通信網絡資源進行最優化的調配［8～9］。

本文在借鑒OSI 七層網絡通信協議框架的基礎上，結合電力系統的特點和要求，提出電力通信網的業務關聯結構模型，將其分成物理層、邏輯層和業務層，各層級之間是一種承載耦合的關系。通過綜合考慮鄰層或多層之間的制約影響因素，構建一個跨層級的業務關聯結構模型，將分散在分層的制約影響因素進行協調融合，轉化成數學優化問題，再使用優化理論去分析求解，進而保證方式設計能夠達到整體最優或近似最優。其通信網絡業務關聯結構模型如圖1所示。

在物理層上通信設備之間傳送的是光電物理信號，在邏輯層上通信網元之間通過電路通道進行連接，在業務層上業務網元之間傳送的是電網相關業務。

圖1 通信網絡業務關聯結構模型圖

3 基于分層的智能優化路徑算法

3.1 蟻群算法基本原理

蟻群算法（Ant Clony Optimization，ACO）是由意大利學者Dorigo M 等首先提出，它作為一種尋找路徑的啟發式智能搜索算法，在旅行商問題、工序的排序問題，圖的著色問題，網絡路由的尋址問題等領域得到了廣泛研究與大量應用。由于蟻群算法具有信息分布式性、動態性、隨機性和異步性等特點，它可以更好地滿足全局網絡路由的最優尋址［10～13］。其主要原理是蟻群在尋找食物過程中，通過辨別所經路徑遺留的信息素濃度強度，形成正反饋機制，進而引導整個蟻群尋找到最優的食物路徑［14～16］。

蟻群算法的數據模型：設定整個蟻群數量為S，路徑di，j在t 時刻的信息素強度為τi，j(t)且初始時刻τi，j(0)為常量c，則螞蟻n 在di，j上遺留的單位長度信息素強度為，信息素的揮發速度為ρ(0 ≤ρ ＜1)。信息素強度更新規則為

不聽話歸不聽話，周小羽對于麻糍來講，卻是受用的。麻糍每天回家時，都會見到周小羽在門口等，黑夜月夜一個樣。這個就令麻糍蠻感動的。麻糍說，小羽，你要好好讀書，爸爸以后給你買很好看的書。小羽說，我不要書，我只要你早點回來。麻糍說，你以后把等我回家的時間去做你喜歡做的事。

若Ln為螞蟻n 在本次循環中所經路徑長度，則

其中，Q為常量。

利用蟻群的這種特性用信息素來代替整個網絡的每個節點路徑情況，信息素的強度以概率值來表示，每經過一個節點后會更新當前所經路徑的信息素。

在通信網絡尋徑過程中，設定ηi，j為路徑di，j的可預見度，路徑重要度為α(α ≥0)，路徑可預見性重要度為β(β ≥0)，T 為網絡中可行頂點集合，則螞蟻n在t時刻的選擇下一節點跳轉概率為

典型蟻群算法實現的流程如圖2所示。

圖2 典型蟻群算法流程圖

3.2 分層優化模型

設定一通信網絡的拓撲為G(V，E，W)。其中，V=(V1，V2，V3，…，V5) 為網絡節點集合，E=(E1，E2，E3，…，EL) 為 網 絡 路 徑 集 合，W=(W1，W2，W3，…，WM)為每條路徑上可用的鏈路集合。

根據圖1 的通信網絡業務關聯結構模型，將網絡拓撲分為物理、邏輯和業務三層。每一層的網絡路徑權值根據各層特性設定相應的權值，物理層以誤碼率作為權重指標，邏輯層以帶寬可用容量作為權重指標，業務層以鏈路長度作為權重指標。其分層示意如圖3所示。

圖3 拓撲分層示意圖

利用分層優化模型進行方式業務設計時，通過從下至上分層蟻群尋址，依次對每一層拓撲查找起點、終點之間的可用鏈路，下層的信息素強度可以作為上層選擇下一節點，每層得到的鏈路集合通過“與”算法進行比較，得到最優路徑解。分層優化模型只需一次路徑計算過程，即可實現路徑計算與方式優化設計，計算更簡單，且方式設計失敗率較低。

3.3 基于分層的改進算法

基于分層優化的改進算法可以讓每只螞蟻在進行路徑尋址的同時，完成業務方式的優化，即先行在物理層進行誤碼率的判定，再在邏輯層進行帶寬容量的判定，最終在業務層完成整個通信業務方式的優化設計。

在實際仿真實驗中，首先確定通信網絡的拓撲結構，通信設備的誤碼率、帶寬容量等參數，然后將蟻群算法與分層優化模型相結合，依次在各個拓撲圖中查找通路。其具體流程如下：

1）構建分層優化模型的通信網絡拓撲，給定的網絡拓撲各路徑的初始狀態信息存儲在數組集合A，其中信息素初始值用τi，j(0)表示；

2）將跳數t和螞蟻值n設置為0；

3）螞蟻分別從物理層、邏輯層和業務層的起點出發到達第一個節點，查詢禁忌表和相應的參數表，得到本層級下一跳的可能鏈路集合；

4）將各層級的可能鏈路集合進行“與”運算，若交集不為空，則該鏈路的下一個節點可作為下一跳地址，并將該條鏈路的下一節點存儲到數組集合A中，并繼續執行步驟8）；

5）若交集為空，則該條鏈路的下一節無法存儲到數組集合A中，并更新信息素表；

6）從數組集合A 中選擇一條可用鏈路跳轉到下一節點，判定是否為終點，若不是終點則跳數t=t+1，繼續執行步驟8）；

7）若為結點，則程序結束；

8）判定當前跳數t是否為起點到終點所經路由的最大跳數T，若t ≥T ，則程序結束；若t ＜T ，則執行步驟9）；

9）判定所有螞蟻是否已完成搜索，若螞蟻值n ≥S ，則程序結束；若n ＜S ，則執行步驟3）。

4 仿真分析

為分析基于分層的改進算法，本文模擬了一個具有14 個節點、21 條光纜的通信網絡。如圖4 所示。

圖4 仿真網絡拓撲結構圖

設定此仿真網絡中的所有節點均具有無限制的光纖轉換能力，通過對基于分層優化模型的蟻群改進算法進行仿真驗證，計算方式設計失敗率。方式設計失敗率是指在方式設計過程中，由于帶寬容量、路徑性能等限制因素，建立失敗的方式開通申請數量占整個方式開通申請總數量的比值。

對此仿真網絡采用傳統蟻群算法和基于分層的改進算法的方式設計失敗率進行實驗驗證，仿真結果如圖5所示。

圖5 方式設計失敗率仿真對比圖

由圖5 可見，無論傳統蟻群算法還是基于分層的改進算法，其方式設計失敗率均會隨著通信網絡中方式開通申請數量的逐漸增加而不斷升高，但在同等方式開通申請數量下，基于分層的改進算法的方式設計失敗率明顯低于與傳統蟻群算法的方式設計失敗率。特別在方式開通申請數量為60 以及140 時，方式設計失敗率的差值可達到0.1。因此，與傳統蟻群算法相比，采用基于分層的改進算法作為方式設計優化算法可以降低方式設計失敗率，達到提高工作效率，保障業務安全的目的。

5 結語

近年來，智能電網的持續增長導致通信網絡承載的電網業務數量急劇遞增，確保電網業務的安全可靠傳輸已經成為電力通信專業日常工作的重中之重。在當前電力系統中，電網重要業務均基于骨干傳輸通信網中，因此業務保障技術和業務優化能力是確保電網業務的安全可靠傳輸的必要條件，而方式設計則是業務保障技術和業務優化的基礎。

本文提出的一種基于分層的電力通信方式智能優化算法，在仿真分析中通過與典型蟻群算法的對比表明，該算法具有較好的可行性與實用性。為使得基于分層的改進算法具有更好的適用性和通用性，后續研究工作將在真實電力通信網絡環境中進行下一步的優化與改進，從而能夠實際指導電力通信專業的電網方式設計與優化工作。