基于ILP和最优光路的智能电网实时虚拟拓扑模型

余战秋

(安徽工业经济职业技术学院,安徽 合肥 230051 )

智能电网[1]系统即是对所有单元和数据网络同时进行优化。在发电和配电单元之外，快速、可靠、安全的双向通信网络对于电网的稳定性来说至关重要，实时发电、智能感知、优化和能量管理方法要求性能优秀的双向数据通信系统。由于智能电网单元常常分布在不同的地理位置，因此对于关键任务运行来说，在智能电网组件和通信网络之间的有线和无线通信技术之外[2]，还需要可靠、安全、优化和低延迟的智能电网骨干通信网络。

在可用带宽和有限资源的约束下，人们希望以最小限度的跳数、拥塞、数据丢失、波长以及最低延迟量构建出可靠的通信网络。为此，很多研究者对其进行了研究与开发。如文献[3]基于光网络中1:1保护和共享保护的保护光路在非故障情况下是“虚光路”特性，提出了一种节能的1:1保护路由波长分配的框架。文献[4]开发了另一个启发式解法，但其不能保证得到全局最优解；文献[5]使用了一个显式路由技术以最大限度降低网络拥塞。文献[6]提出了一个基于启发式的最短路径确定算法，优化了带宽通信业务的分配。文献[7]则提出了一个局部启发式优化方案，用于光突发交换网络[8]中的虚拟拓扑设计。独立的网络资源优化方法可以与智能电网单元相集成，并可以将优化算法应用到实时操作中。

此外，通过拓展现有商用骨干网络的可行性，可以最大限度节约初始投入和维护成本。在网络优化之外，研究人员还提出了许多智能电网运营的优化方法，比如智能电网一体化的鲁棒框架或智能化框架[9,10]，以及用于智能电网中最优分配的多目标优化框架[11]等。

本文研究考虑了骨干网络传播、传输、交换过程和数据检索延迟项，并构建出一个基于延迟的整数线性规划(Integer Linear Programming, ILP)框架。提出的ILP框架通过对网络流量和延迟数据的成功整合，自适应地定义端到端智能电网通信的网络拓扑，从而确定大部分实时操作的最优虚拟拓扑。此外，该框架在网络数据以及可能的运行约束下，通过利用智能化实时感知、决策制定和网络学习能力，实现了智能电网的最优运营。提出的框架源于凸优化，因此该框架提供了合理的计算复杂度，对实际应用的网络规模具有可伸缩性，其不但具备良好的收敛性，且能够在应用到不同数量的智能电网组件时得到近全局最优解。

1 智能电网中的延迟问题

智能电网控制中心根据估计出的电力需求实现发电和配电运营的优化。同时，智能电表也会生成用户实时用电的数据，这些海量数据会被快速发送到控制中心，为运营控制、经济优化提供额外分析。在该过程中，网络延迟经常发生，网络延迟一般指源和目的地之间数据行程的时间总量，包括数据传输、交换过程以及数据检索延迟等。因此，在设计光网络时，不但需要考虑到高负载(大量数据流量)的处理能力，同时还需要在最小跳数、最小链路长度和链路容量等其他可能约束的同时，降低网络的延迟。其核心问题是在骨干网络中不同的数据流量下，对智能电网单元之间的光路创建进行优化，以进行高效的实时操作。

目前，数据传输延迟组件和SprintLink IP性能工具可被用于监测网络性能和相关的延迟量，其中，SprintLink骨干网是全球一级商用网络，服务供应商在OC-192骨干网标准[12]下提供互联网通信环境，包括10-Gb以太网光纤链路、同步光网络标准，并支持传输多数据流的标准化协议。WDM就是应用到SprintLink网络的主要复用方案，可充分利用该网络的全部带宽。

2 提出的ILP框架

本文提出的ILP框架能够通过建立连续专用的通信信道或确保所需带宽，在智能电网中实现源至目的地之间的高效数据传输，从而最大限度降低公共或私有网络中的数据传输延迟，以进行高效的实时操作。此外，可以根据实际数据通信速率和期望的带宽要求，对智能电网的网络配置进行调整。

为了便于演示所提算法，本文利用实时SprintLink网络特征，采用了一个带有不同网络延迟量的异地分布的光网络架构，考虑到了使用专用或公共通信系统的潜在智能电网发电和配电单元。该简化网络模拟了一个有代表性的智能电网架构，其中包括潜在的可再生和不可再生组件、控制中心、以及用户密集型特征等。本文采用的简单光网络如图1所示，其中V表示图的顶点，代表一个节点；E表示图的弧，使用OC-192标准光纤链路。且每个链路E={ei}均包含一组波长W={We,i}和容量C，即每个光纤按波长等分以进行数据传输，并将WDM作为复用协议，表2给出了其他变量和常量。

图1 一个简化网络

表1 ILP框架的变量和常量

下面介绍本文ILP的公式表示：

1)网络中的节点可被表示为：

i，j,s，d∈N

(1)

式中，(i,j)为网络中任意一对节点；(s,d)分别为N中的源节点和目的节点。

2)网络中的物理链路可以表示为：

e={1,2,3,…,E}

(2)

式中，e表示成对节点(i,j)之间的任何一条物理链路，使用OC-192通信电缆，传输速率为10 Gb/s。

3)与每个光纤相关联的波长可以表示为：

w={1,2,3,…，W}

(3)

式中，w表示一个特定的波长。应用WDM以实现波分。

4)生成的光路可以表示为：

(4)

当使用波长w在光纤链路e中生成了一条光路时，则上式的变量变为1；否则，变量为0。

5)光路路由和波长分配

在沿着物理路径的中间节点之间建立光信道(即“光路”)。光路的主要优势在于两端节点成为了虚拟邻近节点。但从物理位置方面考虑，这两个节点可能并非邻近节点，因为现实中两者的地理位置可能很远。每当有一个数据请求时，必须沿着物理路径对其进行路由，并分配一个特定的波长，即包含一些约束的光路RWA过程。通过以下约束，使得每个节点n建立起一条光路：

(5)

下式可以确保使用链路e和波长w仅会生成一条光路：

(6)

通过下式的约束，使得在光纤链路e上建立起的一条光路le的长度小于或等于光路长度最大值：

(7)

下面的约束，可以确保产生的光路被限制在从源至目的地所允许的最大跳数之内：

(8)

6)波长连续性约束

如果一个网络未使用波长变换器，则WDM系统中的所有连接均需要在所有链路上使用特定的波长，这被称为波长连续性约束。如图2所示，在简化SprintLink网络中通过约束强制，实现网络对波长变换器的约束，使强制光路在通过不同节点时使用相同的波长，从而有效移除了每个变换器的波长变换延迟。

图2 简化光网络中的波长连续性约束

(9)

7)流路由约束

为了增加路由效率，有必要对数据流进行路由。在流应用中，数据流的变化是造成延迟和抖动的主要原因。因此，本文建立起以下约束，从而在不造成拥塞和延迟的前提下对数据流进行路由：

(10)

这样就确保了成对节点之间的链路中有合适的流量控制，从而决定了一个光交叉连接器的交换容量。下式表示成对节点之间的流总是小于或等于链路容量C，其中u表示最大链路利用率因子：

(11)

8)流量损失

在实际场景中，流量损失可能与业务流相关，可描述为：

(12)

一般可以通过与链路中的数据流直接相关的交换延迟(Ds)和相应的光路建立延迟(Dlp)，确定生成最优虚拟拓扑的ILP框架目标函数如下：

(13)

通过最小化公式(13)即可得到ILP最优化框架。

3 仿真结果

为便于演示并降低计算复杂度，本文在仿真实验中将包含大量节点和链路的SprintLink光网络缩减为5个节点的骨干网络，在计算简化光网络ILP数值解的仿真实验中，使用的计算机配置了Intel i3 2.45GHz处理器和2GB内存。用于WDM光网络规划的仿真软件是MATPLANWDM[13]，本文用其配置了简化骨干网络。MATPLANWDM软件的输入包括：(1)简化骨干网络的用户定义网络拓扑，如图4所示，其中每个节点表示一个智能电网单元位置；(2)网络仿真的流量矩阵：通过该矩阵对实时操作中某个特定时刻链路的数据业务量进行表征；(3)相关的技术约束：包括骨干网络中一个链路所需的波长数量及其光纤总容量。该工具用于网络规划、物理拓扑和潜在虚拟拓扑的用户定义算法的实施提供了便利。

图3 ILP所生成的虚拟拓扑

在图3中，包含5个节点的智能电网架构用于实施本文提出的ILP框架。由于该通信网络给定了网络传输延迟和相关的ILP约束，因此，本文提出的框架旨在建立实时操作的最优光路，通过流量矩阵对一个特定时间帧下的有代表性的真实网络操作进行模拟。下式的流量矩阵是基于包含5个节点的网络和均匀(0，10)概率分布模式(即假定矩阵中所有节点是等间距和等可能的)。

基于网络流量情况和期望的智能电网单元通信要求，根据更新后的流量矩阵、ILP公式和期望的智能电网操作规程可以得出不同的虚拟拓扑，从而可以实现网络学习和智能化决策的制定。一旦在MATPLANWDM中生成了骨干网络以及合适的网络拓扑，则可使用MATLAB求解提出的ILP优化框架(如式(13)所示)。图4(a)给出了通过ILP优化公式，从源(节点5)至目的地(节点1)所得到的光路。该光路在链路中使用了特定的波长，箭头方向表示建立起的路由。与之类似，图4(b)给出了根据ILP优化公式，预期的智能电网数据从源(节点1)至目的地(节点5)所得出的光路。该光路在相同的物理链路中使用了波长，箭头的方向表示与图4(a)进行数据传输同步发生的路由方向。对于简化网络，ILP的计算时间可以忽略不计，因此其性能表现优于传统的启发式或非线性方法。

图4 同步路由仿真结果

4 结论与展望

本文提出了一个基于延迟的骨干通信网络ILP框架，其适用于智能电网的高级实时操作。本文展示了基于延迟的最优虚拟拓扑设计，以及最优光路生成的相关网络要求。提出的框架能够在一个给定的时间帧中对网络流量和预期智能电网数据传输进行不间断监控，从而实现了网络学习、智能感知以及自适应的决策制定。

未来本文将研究用于大规模商用网络的智能电网实施过程，实时计算智能电网操作的复杂度。