|
[color=rgba(0, 0, 0, 0.9)][size=1em]近年来，随着分布式电源、微电网、智能用电、电动汽车等业务的快速发展，配电网功能和形态发生显著变化[1]。配电网成为有源电网，潮流双向流动，负荷也主动参与电网调节，这使得电网与用户之间建立了双向互动的能源流和信息流。作为承载配电网各类业务的通信基础设施，配电通信系统的稳定性、安全性、自愈性越发显得重要[2-3]。 [color=rgba(0, 0, 0, 0.9)][size=1em]配电通信系统主要分为骨干层与接入层，骨干层通信网络为配电主站与子站之间的通信通道，而接入层通信网络则是从配电主站至配电终端的通信接入通道。通信骨干层原则上采用光纤专网，而接入层网络因地制宜，可综合采用光纤专网、无线专网、中低压电力线载波、无线公网等多种方式[4]。 [color=rgba(0, 0, 0, 0.9)][size=1em]随着供电可靠性要求不断提高，国网公司提出建设泛在电力物联网，增加末端信息采集的频度和广度，强化配电网自愈保护能力，因此大量高频采集、保护以及计算机视觉业务将依赖通信网络的传输。业务数据类型由过去窄带低速串口电量信息、2M 保护专线，逐步过渡至分钟级采集、毫秒级控制、视频/图像等大带宽IP（互联网协议）业务[5-6]。采用无源光网络建设配电通信系统接入层，能够充分满足配电网发展对通信网带宽资源利用的高效性、灵活性、可靠性和可管理性要求。PON（无源光网络）是一种树形拓扑网络，且网络设备均为无源的，具有经济性高、安装便捷等优点。无源光网络主要由局端OLT（光线路终端）、用户侧ONU（光网络单元）和无源分纤/分光设备组成。PON 因其设备的经济性高、组网灵活等优势，广泛应用于电信光分配网络，为用户家庭宽带接入提供了便捷方式。 [color=rgba(0, 0, 0, 0.9)][size=1em]面对承载业务的多样化，传统TDM（时分复用）“刚性通道”网络带宽资源共享方式容易造成资源的浪费，采用IP 统计方式承载业务可以提高带宽利用效率，但容易在网络负载较高时发生带宽、时延敏感业务无法得到及时、可靠、稳定传输的问题，因此有必要为不同颗粒度业务需要提供面向业务通信需求的承载保障措施，设计端到端QoS 路由策略。文献[7]针对网络流量建立路径代价及分布模型，提出了一种基于瓶颈链路的最小代价路径路由选择算法。文献[8]则针对保护业务低时延通信需求，综合最大化链路利用率开展路由选择算法研究，通过遗传算法求得满足时延要求的、最大利用链路资源的保护业务传输路径。文献[9]提出了一种二进制粒子群算法求解多优先级业务拥塞规避问题。文献[10]考虑电力通信网多播路由场景，利用改进的量子进化算法求解在多约束条件下的最小代价多播树。 [color=rgba(0, 0, 0, 0.9)][size=1em]本文主要依托配用电领域光纤网络智能系统生成的网络拓扑信息，采用了群智能优化算法求解了多约束条件下代价最小路由选择问题。算法充分考虑了配用电生产控制与管理信息业务差异化QoS 需求，通过研究原组合优化问题的对偶形式，设计了嵌套的粒子群算法，从而获得多约束条件下最优路径结果。最后，仿真实验开展了相关算法的性能对比分析。 1 配用电智能无源光网络[color=rgba(0, 0, 0, 0.9)][size=1em]得益于星形、环形组网与电网拓扑高度耦合，电网企业采用xPON（EPON 或GPON）光纤接入技术可以实现从厂站至用户侧配用电线路上电力终端的全覆盖，为各类业务提供灵活的接入。OLT设备安装于220 kV 或110 kV 变电站，ONU 终端放置于环网柜、开关柜、用户台区侧；从OLT 的下联接口至ONU 的上联接口之间称作无源光网络，网络采用了高分光比无源器件为多个终端提供时分通道；PON 网路的上下行数据传输方式有所不同。下行通道采用了广播方式将所有终端数据发送至各个ONU，ONU 通过分组的报文头地址段匹配来接收属于自己的数据；而上行通道则采用了TDMA（时分多址）接入方式。 [color=rgba(0, 0, 0, 0.9)][size=1em]为了满足配电自动化、电能质量监测、台区用户用能信息实时采集处理、用户费控与双向友好互动等典型或新型配用电业务承载需求，本文提出采用无源光网络综合承载多种配用电业务，如图1 所示。图1 中光网络针对于配电业务采用不等比分光，双PON 口上联至不同变电站OLT（也可以双上联至同一变电站OLT 不同的PON口）实现手拉手保护，同时，为增强带宽利用效率，在台区侧ONU 下联FE（快速以太网）口与用采集中器相连，通过传输用电信息采集规约实现与用采主站通信。不同变电站OLT 北向通过交换机或路由器接入上一级SDH（同步数字传输体制）主干传输网络，传输网络通过MSTP（多业务传输平台）/IP 协议实现了不同数据协议的统一的、IP 化传输。为了保障多业务信息安全防护负荷电力监控系统安全防护要求，提升配用电无源光网络的可观可测、运维效率，本小节分别针对基于配用电无源光网络的安全防护、运维管理展开论述。 [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=0.8em]图1 配用电网无源光网络多业务统一承载方案示意 [color=rgba(0, 0, 0, 0.9)][size=1em]图1 采取多项措施满足不同配用电业务安全防护等级要求。在传输网络侧，利用SDH 的时隙化通道实现配电、用电业务传输物理隔离；在变电站OLT 设备侧采用了不同业务板卡实现了生产控制与管理信息业务的接入汇聚物理隔离；在光网络中，采用不同波长、不同纤芯同样实现了不同安全防护等级业务的物理隔离；在ONU 设备侧，采用双ONU 分别承载不同大区业务实现物理隔离，并为不同业务划分VLAN（虚拟局域网）实现同一大区内不同业务之间逻辑隔离的安全防护效果；在通信控制协议层面，PON 网络采用了三重搅动及数字证书实现了数据加密与接入认证方式[11]。 [color=rgba(0, 0, 0, 0.9)][size=1em]随着配用电应用系统建设的不断推进，基于PON 技术的光纤分配网络规模不断增长，主要体现为光网络设备数量增多、光纤跳接日益频繁、光纤资源分布越来越分散，采用纸质标签标记，人工记录光纤资源方式的光配线网络管理方式难以为继。本节提出一种基于uID（非接触电子标签）的智能光网络系统，如图2 所示。 [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=0.8em]图2 智能无源光分配网络系统 [color=rgba(0, 0, 0, 0.9)][size=1em]针对传统光网络的智能化改造十分便捷，以光交接箱为例，改造包含3 个步骤：首先，采用电子标签与跳纤连接头强绑定，在普通跳纤两端增加eID（电子标签），实现连接关系的自动识别；智能插框增加控制电路及指示灯，可自动读取eID 跳纤信息，也可通过亮灯指导施工；然后，增加主处理单元用于收集各业务插框信息，统一上传到ODN（光分配网）网管。同时，整套智能系统还提供了手持终端，可通过蓝牙与对纤器相连，以及通过无线公网与ODN 网管对接，实现设备信息的自动采集上报、自动下载工单，极大提高了巡检抢修的效率。针对传统光网络的设备改造可以通过设备的充分利旧、从TMS（终端管理系统）[12]导入初始资源信息至ODN 网管，最终完成了向智能光网络系统的平滑演进。该智能改造可以实现完整的光网络拓扑自动生成，形成管线、端口资源管理能力；对接GIS（网格管理系统）实现故障快速定位；优化提升工单管理系统的自动化、便捷性。 2 基于智能拓扑信息的业务QoS 的路由选择算法研究2.1 多约束QoS 路由模型[color=rgba(0, 0, 0, 0.9)][size=1em]本节将基于智能光网络的网络拓扑、管线、端口信息，针对配用电不同业务QoS 需求开展最优路由选择算法的研究，解决业务的可靠、稳定传输问题。任意网络拓扑可以抽象为加权有向图G=（E，V），其中V 为网络节点集合，E 为链路集合。每条链路（i，j）∈E 由代价参数cost（i，j）以及带宽参数bandwidth（i，j）、时延参数delay（i，j）等QoS 性能指标唯一刻画；类似的，每个网络节点n∈V 也由代价参数cost（n），丢包率参数packet_loss（n）和时延参数delay（n）等QoS 性能指标唯一刻画。上述所有QoS 参数均为非负的。定义P（s，t）为从源节点s 至目的节点t 所有链路和网络节点集合。给定路径约束条件如下： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]式中： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]目标函数cost[P（s，t）]定义为： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]求解获得某路径满足上述所有约束条件，并最小化路径花费的优化问题被称为MCOP（多约束最优路径）问题。即便是仅包含1 个或2 个约束条件的MCOP 问题都已被证明为NP（非确定性）完全问题[13]。因此除了遍历算法之外，求解该问题的最优解是十分困难的，下文将设计启发式算法求解该优化问题。 2.2 粒子群算法基本原理[color=rgba(0, 0, 0, 0.9)][size=1em]粒子群算法被广泛应用于各类连续性函数最优化问题。该算法基于族群间协作的仿生学原理，群体中的每一个个体通过在解空间中搜索来不断调整自己的运行轨迹，调整方式既包含基于群体中其他个体的协作信息，还包含了自身历史经验信息。这种结合了先验信息与似然信息的优化策略构成了一种群体贝叶斯机制，自然界中天空飞翔的鸟群，江海中结群而游的鱼群等，都采用了类似的全体性协作方式完成觅食、躲避障碍物等行为。科学家正是通过观察动物界的这种协作智能设计出了各种群智能算法。 [color=rgba(0, 0, 0, 0.9)][size=1em]以鸟群觅食为例，在某处存在食物等待鸟群的发现，而所有的鸟都事先不知道食物的具体位置，那么对于鸟群而言选择最靠近食物的某只鸟的区域搜索是一种有效的策略。粒子群算法基于该设想设计出了一般数学优化模型与求解方式。很显然，设计面向最优化问题的粒子群算法必须首先构造一个群体，而该群体中的每一个个体就是“粒子”，此“粒子”可以类比于寻找最优解（食物）的鸟儿。此外，每一个粒子应该在最优化问题的解空间内开展搜索，这比鸟群在三维空间中搜索食物更加抽象。开始时，所有粒子可以均匀分布在解空间之中，且每个粒子均包含其在解空间的位置变换函数来调整其位置；参考上述鸟群觅食策略，这个位置变换函数应至少包含自身经验与群体协作两个要素；综上，所有粒子均可以通过自身搜索与协作来快速找出问题的最优解。 [color=rgba(0, 0, 0, 0.9)][size=1em]考虑一个由M 个粒子组成的群体在D 维解空间搜索，第i 粒子的当前位置为xm=（xm1，xm2，…，xmD），速度为vm=（vm1，vm2，…，vmD），为了评价粒子当前位置的好坏，还需设计适应函数，并将xm代入F（xm）求适应值，最直接的就是以最优化问题的目标函数作为适应函数。将粒子自身历史最优位置记为pbestm=（pm1，pm2，…，pmD）；而所有粒子中最优位置记为gbest=（gm1，gm2，…，gmD），为了降低粒子在搜索过程中位置变换幅度过大而导致的收敛速度变慢问题，将粒子在第d（1≤d≤D）维的位置变化范围限定在[Xmin，d，Xmax，d]内，速度变化范围限定在[-Vmin，d，Vmax，d]内。 [color=rgba(0, 0, 0, 0.9)][size=1em]粒子群算法第k 次迭代中粒子i 的第d 维速度更新公式为： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]第k 次迭代中粒子i 的第d 维位置更新公式为： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]式中：w 为当前速度的非负惯性系数；c1，c2分别为个体历史最优和群体最优的加权系数；r1，r2为服从某一概率分布的随机变量。设置惯性系数的目的在于避免粒子过快的进入当前最优值，阻止局限于局部次优解的可能性；通过增加c1，c2和r1，r2来确保粒子以适合的步长改变当前位置，并引入一定的随机性，从而保证了所有粒子在搜索过程中增强协作性，降低局部次优解对粒子搜索的影响。粒子群算法基本步骤如下： [color=rgba(0, 0, 0, 0.9)][size=1em]（1）将族群初始化，以随机的方式求出每个粒子的初始位置与速度。 [color=rgba(0, 0, 0, 0.9)][size=1em]（2）根据适应函数计算出其适应值以作为判断每个粒子当前位置的优劣。 [color=rgba(0, 0, 0, 0.9)][size=1em]（3）找出每个粒子到目前为止，搜寻过程中的最优解pbestm。 [color=rgba(0, 0, 0, 0.9)][size=1em]（4）找出所有粒子到目前为止所搜寻到的全体最优解gbest。 [color=rgba(0, 0, 0, 0.9)][size=1em]（5）判断算法是否收敛，若是则终止迭代并输出结果，否则根据式（8）—（9）定义的更新公式计算粒子新的位置。 2.3 路由选择算法设计[color=rgba(0, 0, 0, 0.9)][size=1em]本小节设计一种基于粒子群优化算法的最优路径求解方法，首先定义路径时延函数和路径丢包率惩罚因子分别为λdl和λpl，于是可以定义粒子群优化算法的匹配度函数如下： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]其中， [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]至此，多约束最优路径问题可以通过求解如下最大最小化问题获得，问题建模如下： [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=1em]其中，内层最小化问题被描述为给定（λdl，λpl）时的最小化问题，通过传统的基于链路状态（如迪杰斯特拉算法）路由选择算法求解获得最优路径P*（s，d），而外层最大化问题则被描述为给定P*（s，d）时的最大化问题，通过粒子群优化算法获得。基于上述分析，本文所提出的最优路径计算方法具体执行步骤如下： [color=rgba(0, 0, 0, 0.9)][size=1em]第一步：参数初始化。确定粒子数量M，搜索空间维数D=2（因为搜索空间为λdl≥0，λpl≥0），每个粒子的初始位置与速度，速度变化范围下限Vmin，d，上限Vmax，d，加速度常数c1，c2，随机数r1，r2，惯性常量w。根据智能ODN 网管所提供的网络拓扑信息，包括节点QoS 参数向量（dl，pl，cost）、拓扑中每条链路的QoS 参数向量（dl，bw，cost）的参数值。假设路由请求R（s，t）=（s，t）以及相应QoS 属性约束值（DL，BW，PL），设置算法收敛条件如迭代次数达最大值LOOP 或相邻两次迭代获得的路径代价之差在一个足够小的范围ε 内。 [color=rgba(0, 0, 0, 0.9)][size=1em]第二步：依据网络拓扑中链路带宽信息和带宽约束条件，从G=（E，V）中将不满足带宽约束条件的链路删减掉。 [color=rgba(0, 0, 0, 0.9)][size=1em]第三步：通过经典路由选择算法求解给定（λdl，λpl）时的最小化问题
[P*（s，d）]+λdlZdl+λplZpl获得最优路径P*（s，d），并作为第四步的初始值。 [color=rgba(0, 0, 0, 0.9)][size=1em]第四步：通过粒子群算法求解给定时的最大化问题
[P*（s，d）]+λdlZdl+λplZpl获得惩罚因子最优解（
），并作为下一次迭代中第三步的初始值。 [color=rgba(0, 0, 0, 0.9)][size=1em]第五步：重复第三步、第四步直到算法收敛，求出最终的多约束QoS 条件下的最优路径P *（s，d）。 3 仿真分析[color=rgba(0, 0, 0, 0.9)][size=1em]本节针对提出的基于粒子群最优路径算法开展实验仿真分析。图3 所示为浙江杭州地区某用户侧配变台区无源光网络接入至变电站传输网的网络拓扑抽象图。采用本文所提算法与随机路径分配、遗传算法进行性能仿真对比，相关链路与网络节点QoS 参数值已在拓扑图中标注出来，且每条链路、每个网络节点分别以三元组（延迟，带宽，代价）（延迟，丢包率，代价）唯一刻画。 [color=rgba(0, 0, 0, 0.9)][size=1em]通过计算机执行蒙特卡洛仿真，其中粒子个数M=10，迭代结束条件为路径代价变化在某个最优值的ε 邻域内或当迭代次数超过100。 [color=rgba(0, 0, 0, 0.9)][size=1em]仿真实验以某配电自动化三遥业务路由请求R（s，t）=（9，4）为例，其路径约束充分考虑遥控业务的可靠性（99.99%）与及时性（延时小于1 s），设置路径约束三元组为（dl=1，bw=70，pl=0.000 1）。图3 中还给出了基于本文算法所计算得到的最优路径（用粗线条标注出），其中，节点⑤至节点⑦之间虚线链路由于带宽不满足要求而删除。 [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=0.8em]图3 网络抽象拓扑图 [color=rgba(0, 0, 0, 0.9)][size=1em]通过图4 的对比发现，采用本文设计的路由选择算法较随机路径分配方法、遗传算法能够在满足多约束QoS 条件下获得更低的链路代价、更快的收敛速度，这主要是源于2 个方面的原因。首先，本文设计的算法提供了一种两阶段优化策略，外层采用了粒子群群智能优化算法，通过粒子之间的协作求解最优惩罚因子，内层采用了经典路由选择算法求解出最优路径；其次，除了初始阶段粒子群算法的位置、速度函数是随机分配的，在后续迭代过程中，这些函数的初始值均来自于上次迭代计算中内层经典路由选择算法计算的最优路径，因此加快了粒子群优化算法的收敛速度。 [color=rgba(0, 0, 0, 0.9)]
[color=rgba(0, 0, 0, 0.9)][size=0.8em]图4 算法收敛速度仿真对比 4 结语[color=rgba(0, 0, 0, 0.9)][size=1em]首先，面向配用电业务场景，提出了基于无源光网络的电力多业务承载建设方案，从通信网组网方案、信息安全防护、光网络智能化运维等角度开展应用研究。接着，基于非接触式电子标签、移动终端、智能光网络网管建立了一套针对智能电网通信网的自动化管理系统，提升了网络状态信息采集与运维效率。最后，以智能光网络系统的网络状态信息可观、可测为基础，面向配用电不同业务的多QoS 约束条件，设计了最优路径算法，该算法基于群智能优化算法，通过智能粒子群之间的协作优化方式，实现了最优路径的快速迭代计算，并与其他传统算法相比，具有收敛速度较快，性能较优等优势。
| 
