基于局部分布式学习模型的电力系统WSNs 路由算法研究*

艾久超

（中国石油集团电能有限公司供电公司，黑龙江 大庆 163453）

0 引言

电力网络系统由各种不同电压规格的变电站及电能输配线路组成[1-2]，电能输配过程具体包括变电、输电和配电三个主要环节，而电网的主要功能和主要任务就是适时调整电压，实现电能的合理输配，并以最低的供电损耗成本满足用户的电能需求[3]。但传统电力系统网络在能源利用效率、环保性能、能源配给安全性等方面都存在一定的问题与安全隐患，面对发电成本不断升高，及用户电能需求持续增长的现状，世界各国都将目光转向了新能源领域[4]。基于新能源发电的电力系统网络构建，需要满足分布式的基本要求，在电网整体布局中融合了计算机网络监控技术、无线通信技术、无线传感技术、信息控制技术等[5-7]，以便于将传统的电力网络系统打造成为智能电网系统。融合了WSNs（无线传感网络）智能监控模式的电力网络系统，具有更完善的系统安全防护功能，不仅能够在电网发生故障的第一时间定位故障点，还能够对电力故障的具体类型做出判断，迅速恢复电网功能[8-9]。WSNs 网络的通信路由算法将决定电力传感网络的健壮性，传统基于PSO 算法、蚁群算法及遗传算法的路由路径规划与选择，更适用于覆盖区域较小的局域网络，为了更好地发挥出WSNs 在电力网络安全维护中的作用，本文构建了一种局部分布式学习模型，重新规划WSNs 网络中节点的路由路径，提高和改善电力网络的通信性能。

1 WSNs 网络局部分布式学习模型的建立

WSNs 在电力系统中的应用主要体现在输电过程当中，用于对输电网络线路的监控，利用无线网络节点采集到的电压及电流信息，实现对整个网络系统功能和运行状态的监控。电网传输的环境较为复杂，除了监控电压、电流信息之外，传感器节点还要采集继电器、绝缘传感器、连接传感器及线路温度等相关的信息，电力系统WSNs 网络监控系统构成，如图1 所示。

图1 WSNs 监控网络结构设计

以中心基站、远端单元和无线终端作为WSNs的网络节点，通过控制节点之间的拓扑结构，并选用合适的节点路由通信算法，实现对电力通信网络的监控。拓扑控制具有一定可选择性与弹性空间，在电能输送、电网监控和节点布局的过程中随时调整，合理的网络拓扑结构不仅能够提升电力WSNs网络的数据吞吐量，节省节点能耗，还可以延长网络的生存时间。电力系统WSNs 中存在多种节点之间的路由路径，应用适当的路由算法可以选出一条最经济的通信传输路径，进而降低电力网络故障排查与维护的成本。WSNs 通信路由算法包括单播与多播等两种主要的模式，多播模式的层次结构更为复杂，能够从多个路由路径中选出最佳的路径。局部分布式学习模型，主要基于节点的位置信息的不断更新获取最佳的路由路径，将电力系统WSNs 网络看作一个平面，节点i(xi,yi)与节点j(xj-yi)之间的距离Lij可以表示为：

在非通用的参考坐标系下，节点i(xi,yi)与节点j(xj-yi)之间的相对位置，也可以用节点之间连接线与某一特定方向的夹角α的正弦值来确定：

基于局部分布式学习模型的WSNs 路由算法，主要是基于当前节点的位置信息更新，计算节点之间数据传输的能量消耗情况，以能量消耗最低的路径作为最佳通信路径。节点之间的通信总能耗由传输数据的能耗e1和接收数据的能耗e2两部分组成，其中传输能耗e1包括节点传输能耗与信号发射时的能耗，该部分能量的消耗不仅与传输数据的大小相关，还与节点之间传输距离的远近相关，基于能量消耗关系确定的电力系统WSNs 分布式学习模型，如式（3）和式（4）所示：

其中g代表传输能耗的映射关系，而接收数据的能耗仅与数据包的大小相关：

其中f代表接收数据消耗能量与数据包大小之间的映射关系。局部分布式学习模型采用了分簇式拓扑结构，即将全部的电力网络节点划分为多个簇，每个簇按照最优节点位置原则选举簇头，在簇间的连接上消除原有簇与簇之间的独立性。

2 基于局部分布式学习的WSNs 路由算法研究

电力网络WSNs 路由算法中节点位置信息的确认以特定坐标系下的参考坐标值为基准，获取精确的节点位置信息及节点的能力消耗信息。WSNs 网络系统中每个节点的地址标识具有唯一性，如果节点总数量越大存在的路由路径选择会越多。电力网络每两个节点之间路由生成规则相同，且节点不会将数据信息逆向传输，即不会将信息发送到节点的上一跳。路由路径选择时当前节点通过计算与周围邻居节点的相对位置信息及数据传输消耗的能量，自适应匹配与邻居节点之间的权重比例关系。在网络部署的初始阶段，簇首节点向簇内的普通节点发送信息，唤醒簇内的全部节点，簇内节点通过与簇首节点通信不断地调整最优位置及通信路径的选择。每个普通节点通过簇内信息多播的方式，与簇首节点做信息交互，簇首节点之间也采用多播的方式确定簇间通信的最佳位置。簇首节点之间交互的信息内容包括节点ID 信息、节点剩余能量信息和最新的位置信息，这些基础信息是选择最佳路径的基础。

基于局部分布式学习模型确定当前节点与邻居节点之间的剩余能量ev：

其中，N(i)为节点度指标，此时当前节点周围邻居节点的密度分布ρ：

簇间节点与簇首节点数据传输的方式采用单跳模式，簇首节点采集到簇内成员全部的位置信息与能量信息后，判断节点之间的通信距离并选择最优的通信路径。假定电力系统WSNs 中共包含M个节点，为了获取邻居节点的相关信息需要需要广播M条与邻居节点交互的信息，如果M个节点中有k个节点竞选成为了簇首节点，向整个网络广播k条竞选信息。计算邻居节点与目标节点之间的距离的权重比例关系，及能量消耗的权重比例关系制定路由路径决策。如果邻居节点的通信范围与当前目标节点的通信范围存在交集，赋予邻居节点正值的权重比例关系。所有临近邻居节点中候选转发的sink 节点选择将会影响到路由算法的性能，仅以最小跳数和节点之间的最短距离作为选择路由路径的影响因素，无法均衡节点之间的剩余能量，如果个别节点能量消耗殆尽，会导致链路的成本更高。基于此种情况首先利用局部分布式模型确定当前节点之间的相对位置及角度，并从节点之间的通信总能耗最低的角度选择最为经济的通信路径。如果只从节点之间的通信距离和相对位置角度选择路由路径，会导致个别节点功能实现、信息传递跳数增加，网络传输时延增长，降低电网WSNs 的生命周期。确定一种候选转发的sink 节点的标准η(a)：

在特定的传输距离内基于候选sink 节点信息和剩余能量信息，选择合适的路由路径和信息传输方式，不能能够保证节点的剩余能量，延长电力监控WSNs 的网络寿命，且更适合于覆盖面积较大的区域，降低由于网络结构过于复杂而造成的网络延迟，保证数据传输的可靠性和稳定性。

3 实验部分

3.1 实验环境设置与软硬件平台搭建

本文在MATLAB 仿真环境下搭建WSNs 电力网络实验平台，仿真系统包括5 个sink 节点和25 个普通传感器节点，实验区域为50m×50m，节点之间的网络拓扑结构如图2 所示。

图2 仿真WSNs 系统的拓扑结构

实验中使用的sink 节点和普通传感器节点之间的通信执行IEEE802.18.55 通用协议，节点的软硬件配置如表1 所示。

表1 电力WSNs 仿真系统的节点软硬件配置

3.2 实验结果与分析

路由算法的性能将决定WSNs 电力网络节点之间端对端的数据传输速率，本文针对节点间的传输速率共进行了10 次实验仿真，引入传统模式下的遗传算法、PSO 算法、蚁群算法与本文提出路由算法的节点传输速率对比，结果如图3 所示。

图3 端对端节点路由传输速率对比

由于本文基于局部分布式学习模型的路由算法不仅考虑到了节点的当前位置、簇首节点之间的通信距离，还以节点的剩余能耗为条件寻找最优的通信路径，因此具有更高的端对端传输效率，10 组实验的节点端对端传输效率均值95%以上；而传统模式下节点传输效率变化稳定性差，数据传输效率较低。对比10 组实验中从当前节点到目标节点的整体能量消耗情况，统计结果如表2 所示。

表2 WSNs 数据传输的整体能耗情况对比

统计结果显示文中算法的平均能耗最低，而三种传统方案的平均能耗远高于文中提出的路由算法，这主要是由于局部分布式学习模型在路由路径的选择中，考虑到了局部范围内的节点剩余能耗，不仅能够节省网络整体能耗，还可以有效避免节点出现节点过早死亡的情况，延长WSNs 电力网络的寿命。10 轮实验过后统计不同路由算法下，sink 节点和普通传感器节点的剩余数量如图4 所示。

图4 WSNs 剩余存活节点数量

10 轮实验过后PSO 路由算法下出现了4 个普通死亡节点，蚁群算法出现了6 个普通死亡节点和1 个sink 死亡节点；遗传算法出现了7 个普通死亡节点和1 个sink 死亡节点。而在文中路由算法下未出现死亡节点，表明文中路由算法具有更好的适用性，增加了电力系统WSNs 网络的健壮性。

4 结语

随着电力系统总体规模的不断扩大，发生网络故障的风险也在不断增长，将WSNs 引入电力系统，实时对电网系统的运转情况实施监控，可以有效减少由于电网故障带来的损失。为进一步提高电力系统WSNs 的健壮性，本文设计了基于局部分布式学习模型的路由算法研究，基于节点的当前位置、节点之间的最佳距离和节点的剩余能耗选择最优的通信路径，延长WSNs 的网络寿命。