蜂巢结构动态算法在智能用电信息管理 系统中的应用方法研究

陈洪雨 李春海 芦 斌 刘晓龙 崔振伟

（石家庄科林电气股份公司，石家庄 050222）

目前国家大力发展智能电网，制定了“全覆盖、全采集、全预付费”的总体目标，用电信息管理系统是智能电网的重要组成部分之一。国内的用电信息管理系统的采集方式主要有RS-485 方式抄表、电力线载波方式抄表、微功率无线方式抄表等几种方案[1-2]。随之产生的是网络的通信质量问题,包括丢包率增加，通信线路不通等。现在国内外OLT（optical line terminal，光线路终端）设备采用的QoS 算法一般是是神经网络算法、粒子群算法、数据副本放置算法等[3]，这些算法主要是针对一般的应用，并没有考虑用电信息采集领域的特殊性：一般应用具备视频、语音等业务的处理，而这些在用电信息采集领域中不涉及，其涉及的通信业务包括终端抄表、主站远程维护、居民用户远程登录主站进行业务处理（例如电量查询、远程缴费）等。根据上述算法做出的带宽分配在数据传输中缺陷主要表现在误差大、稳定性差、线路延迟时间长、丢包率高等。为了解决上述问题，本文提出了一种蜂巢结构动态算法，根据用电信息采集的不同业务种类和当前网络状况，计算出对应的优先级，并以此为依据进行动态带宽分配。

1 蜂巢结构动态算法

蜂巢结构动态优化算法采用六角形的蜂巢稳定结构，对QoS 进行算法优化。其流程是对输入信号进行处理，在满足延迟条件下找到满足最小耗费、最小丢包率的最优解[4]。

蜂巢结构动态算法的步骤如下：

1）对网络输入信息进行归一化预处理，即将其对应处理为0 到1 之间的数，因为若数据的范围较大，不利于蜂巢结构算法的学习，故将输入数据都 置于0 到1 范围内，具体公式为：式中，xi为第i项输入信息，xmin为输入信息的最小值，xmax为输入信息的最大值。注意对于每层有n个蜂巢结构节点的情况，即i=1,2,…,n，j=1,2,…,n，对于第k层的第i个蜂巢结构节点，有n个权值系数wi1,wi2,…,win，并且在输入样本x时取x=(x1,x2,…,xn)。

2）赋值权值wij的初值。对各层的权值wij置一个较小的非零随机数。

3）选择传递函数。本蜂巢结构采用稳定性较好的高斯型传递函数。

设第k层的i个蜂巢结构节点的输入总和为uik，输出为yik，从k-1 层的第j个蜂巢结构节点到第k层的第i个蜂巢结构节点的权系数为wij，各个蜂巢结构节点的传递函数为f，对于第k层的第i个蜂巢结构节点的输出yik，有

步骤4）设置误差期望值和误差函数。定义误差函数e，取期望输出和实际输出之差的3/2 次平方和作为误差函数，则有

式中，yi为输出单元的期望值；xim为实际输出，期望输出也是实验数据，m为第m层，误差期望值设置为1e-5。

5）计算各层的输出，将对应的权重值和实验数据带入传递函数中进行优化输出。

6）根据输出和步骤四中的计算公式计算误差，误差满足需求条件时，优化处理结束；误差不满足需求条件，修正权重值。是否满足需求条件就是误差是否小于设定的误差期望值。

权值修正具体过程如下：

由于蜂巢结构算法按误差e函数的负梯度方向修改权值系数，故权值系数wij的修改量

其中：η为学习速度，即步长，一般取0～1 之间的数。

由于

故而有

令

从上面可知，求dik的公式：

把xim和期望输出yi进行比较计算，若两者不等，则产生误差信号e，按下面公式修改权值系数：

其中

上面公式中，求取本层dik时，要用到下一层的dik+1。可见，误差函数的求取是从输出层到输入层的反向传播过程，不断进行递归求取误差，使其最小化。通过多个样本反复训练，同时向误差逐渐减小的方向修改权值系数，最终消除误差。当蜂巢结构的层数较多时，所用的计算量很大，故收敛速度不快。为了加快收敛速度，一般考虑上一次的权值系数，并以它作为本次修正的依据之一，修正公式如下：

式中，η即步长，一般取0.1～0.4；a为权值系数修正常数，取a=0.7～0.9。

返回步骤5）继续执行。

在确定算法模型时，需要计算处理层数和各权值，这时的算法完全采用上述步骤。在计算处理层数时，使用较少的输入数据就可以得出结论；在计算各权值时，处理层数已经确定，为了得到最优解，需要使用大量输入数据。当算法模型确定后，在实际应用中，算法不再执行计算误差、优化权值的步骤，只是通过计算得到最终的输出[5-7]。

2 算法仿真分析

2.1 蜂巢结构算法模型建立

智能用电信息管理系统包括主站服务器、光纤智能用电管理终端和智能光纤电能表。主站服务器与光纤智能用电管理终端的GEPON 接口通过光纤连接，这里主站服务器是OLT 端，进行光通信的管理，光纤智能用电管理终端是ONU 端；光纤智能用电管理终端的PON 接口和智能光纤电能表通过光纤连接[8-9]。如图1所示。

图1 智能用电信息管理系统

输入信息具体指的是根据研发过程中实验测得的符合电力系统居民抄表业务技术领域的光纤通信的各种数据或经验数据。大量的数据是确定算法模型的基础，数据定义见表1。

表1 输入数据

归一化后的具体数据见表2。

表2 输入数据归一化

首先确定输入节点数及输出节点数：输入有四个，分别是发起源、方向、剩余带宽和流量速率，输出只有一个，因此这里采用常用的确定处理层数的经验公式中，n=4，m=1，a为[3,12]之间的常数，经计算得出处理层数n1的范围为6～15[10]。

将6～15 分别作为算法的处理层数，使用少量的经验数据输入给算法进行优化计算，计算的结果见表3。

表3 处理层数

从以上结果表中可以得到，当处理层层数为13时，蜂巢结构的误差最低为1.2387e-007，所以处理层层数最后确定为13 层。

表3中，蜂巢结构实际误差为实际输出与期望输出的差值，蜂巢结构设定误差是为蜂巢结构理论误差阀值。

确定了处理层数后，蜂巢结构动态算法中处理层数设置为13，将经验数据输入蜂巢结构动态算法，通过计算来确定算法中的权值。

参看图2，首先将输入数据进行归一化处理，既将所有输入数据处理成0～1 之间的数值；初始化权值，将各权值设置为小于1 的非零随机数；选择传递函数：用高斯型传递函数；将对应的权值和输入信号代入传递函数，逐层计算，得出最后结果；设置误差期望值和误差函数，误差函数为期望输出和实际输出之差的3/2 次平方和，计算误差；如果误差满足需求条件确定当前权值，否则修正权值重新计算。

图2 优化计算权值的流程图

最后的算法模型如图3所示。

上面所述的需求条件是指：在电力系统居民抄表业务技术领域，满足通信的标准，例如在通信中，64 个PON 同时通信，根据每个PON 口不同的通信业务，需分配不同的带宽，满足通信的正常工作；如果具备双通道通信条件，则选择最优的路径。针对应用，需设定最低条件，针对算法中就是设定的误差限定值或误差期望值[11-13]。

2.2 蜂巢结构算法与神经网络算法对比分析

处理层数13，上述的权值以及高斯型传递参数等就确定了蜂巢结构动态算法模型。将算法模型固化到光纤智能用电管理终端的蜂巢结构动态算法模块中。在实际应用中，将实际数据输入算法，经计算得出优先级，进而进行动态带宽分配。将五组输入数据带入到神经网络算法和蜂巢算法中，经过仿真得到输出数据见表4。

由以上表格可知：蜂巢算法较神经网络算法误差小，收敛稳定、收敛速度快，验证了蜂巢算法的高效性和适用性。

由仿真图4、图5可知，蜂巢算法的误差数量级是10-5，而神经网络算法的误差数量级是100，相比较蜂巢结构算法的误差较小，而其迭代步数较多，稳定性更好。

图4 蜂巢算法Matlab 仿真误差曲线结果图

图5 神经网络算法Matlab 仿真误差曲线结果图

表5是具体数据经过算法计算的输出与期望输出的比对。

表5 算法计算的输出与期望输出的比对

可以看出，经本算法计算的结果与期望输出非常接近，符合实际需求。证明了蜂巢结构算法在用电信息管理系统的可行性和高效性。

3 结论

本文提出了一种新型的蜂巢结构算法，对智能用电信息管理系统进行优化处理，相较于传统的神经网络高斯算法，本文提供的算法，经过试验证明较传统的算法可根据不同的业务计算出优先级并作为动态带宽分配的参数，可以大大降低业务数据的传输延迟和丢包率高，保证业务数据的正常传输，并可以针对不同环境不同现场情况智能的对于业务数据的传输进行分配，提高数据传输的效率和质量，大大提高了数据带宽分配的实时性和高效性，同时也保证OLT 光纤传输中重要数据的传输速率和品质。提高了用电信息管理系统的稳定性和可靠性、高效性[14-15]。

[1] 吕娜娜,王翠丽.用电采集系统及其研究[J].消费电子,2014(10): 674-679.

[2] 赵莉,何容,蒲箭,等.用电信息采集异常精确定位技术研究[J].电气技术,2014(1): 54-57,80.

[3] 胡江溢,祝恩国,杜新纲,等.用电信息采集系统应用现状及发展趋势[J].电力系统自动化,2014,38(2): 131-135.

[4] 刘潇潇,常国锋.基于神经网络和蚁群算法融合的QoS 组播路由求解[J].计算机测量与控制,2013,21(12): 3365-3367.

[5] 梁根,梁活民,秦勇.多重链路时延优化动态可用带宽分配算法[J].计算机应用研究,2012,29(10): 3926-3928.

[6] 赵维佺,李迪.CAN 网络化运动控制系统的动态带宽分配算法[J].华南理工大学学报(自然科学版),2010,38(10): 61-67.

[7] 高政南,樊卫华,陈庆伟,等.基于模糊反馈的网络控制系统分层调度策略[J].南京理工大学学报(自然科学版),2010,34(4): 496-502.

[8] Chunlin Sha,Hongyong Zhao,Fengli Ren.A new delayed projection neural network for solving quadratic programming problems with equality and inequality constraints[J].Neurocomputing.2015,168: 1164-1172.

[9] Guo Dongsheng,Zhang Y,Xiao Zhengli,et al.Common Nature of learning between BP-type and Hopfield-type neural networks[J].Neurocomputing,2015,167: 578-586.

[10] 喻宗泉.神经网络控制[M].3 版.西安: 西安电子科技大学出版社,2009.

[11] 杜景林,郑若钦,谢立.WSANs 中基于蜂巢结构的移动容错恢复算法[J].物理学报,2015(1): 416-425.

[12] 解基源,王建中,李彬.GPON 在智能配电网络中的应用及其带宽分配[J].高技术通信,2013,23(10): 1083-1088.

[13] 李超.EPON 上行接入中动态带宽分配算法研究[D].成都: 电子科技大学,2006.

[14] 江晓明,朱娜,董亮,等.改进的神经网络EPON 动态带宽分配方法[J].计算机工程与应用,2012,48(36): 112-115.

[15] 张琦毓.基于GPON 的配用电通信组网方案及带宽分配研究[D].保定: 华北电力大学,2013.