杨 佳，段琪玥，许 强，冯 波
(1.重庆理工大学 电气与电子工程学院， 重庆 400054；
2.重庆工商大学 计算机科学与信息工程学院, 重庆 400067；
3.重庆市能源互联网工程技术研究中心， 重庆 400054)
随着近年来电网智能化、数字化水平的不断提升，以及《国家电网公司具有中国特色国际领先的能源互联网规划》的发布和相关产业落地，电力通信网与电网之间的联系也越来越紧密。作为能源互联网的关键成分，智能配电通信网(distribution communication network，DCN)需要将配电信息系统中的指令快速、准确地下达给远程智能终端设备。
配电通信组网整体技术框架由光纤通信、载波通信和宽带无线通信等技术共同支撑起[1-2]。在智能配电网最后一公里，电力宽带无线专网接入技术的通信覆盖范围会受基站位置的影响，具有网络铺设便捷、成本低廉、自组网及数据安全性高等特点的无线传感器网络(wireless sensor network，WSN)由于不需要特定的基站，更加适合通信节点数量大且位置特殊的配电通信系统。通过网关补充进光纤、载波等其他通信网，铺就一张完善的配电通信网，直达有线、无线公网等通信方式难以到达的配电区域。其业务按控制对象可分为以配电自动化为代表的电网生产控制业务和以精准负荷控制为代表的管理信息化业务两大类；
从服务质量(quality of service，QoS)来讲，配电自动化要求较低的实时性，但要求较高的安全性和可靠性；
而精准负荷控制短时内传输的数据量较低。相比之下配电自动化业务在特殊位置的配电通信系统中更难稳定，这也使得针对此类业务进行优化改进更具必要性[3]。配电自动化系统结构见图1。
图1 配电自动化系统结构框图
针对节点消耗问题，合理的分配能量、延长网络寿命是WSN研究的重点。学者们通常从分簇和路由两方面进行研究[4-14]。分簇路由方面，鄢丽娟等[4]提出了一种基于平均剩余能量的无线传感器网络分簇路由算法，但未给出明确的簇头选举机制，也未考虑簇头能耗。朱敏等[5]提出了一种虚拟网格分簇路由算法CRVB，在一定程度上降低了时延和能耗，但簇首选举仅考虑剩余能量单一指标。陶洋等[6]提出了一种量获取无线传感网能耗均衡分簇路由算法，由于未改善簇内节点非均匀分布的问题，使得能耗均衡性表现一般。杨佳等[7]提出了面向用电信息采集的一种新的异构无线传感器网络分簇路由协议，该方法很好地均衡了网络负载，但未考虑QoS指标，且未建立与配电网相对应的拓扑。路由方面，经典群体智能算法之一的蚁群算法(ACO)被广泛作为基本算法改进，有些学者针对移动自组织网络，基于ACO提出了多路径路由算法ARA。该算法使WSN在信息素低于某个值时进入整体休眠模式以延长网络生命周期，但未考虑节点间不必要的网络开销和时延[8]。石鑫等[9]对基本蚁群算法进行改进，对长链状输电线WSN进行路由优化，有效保障了网络的QoS，但配电网与输电线路场景之间仍存在一定区别，该方法并不能较好的适应。王建平等[10]提出一种基于信息可靠性最优并满足传输实时性的路由选择模型，应用在黄山电网后达到了电网通信指标，但未考虑网络寿命问题。Rama等[11]提出了基于ACO的WSN路径寻优和恢复算法，通过改进的启发函数，将影响节点通信和网络生命周期的各个因素纳入考虑去寻找路径，但其搜索前期信息素含量较为匮乏，容易出现盲目搜索、局部最优等现象[12-13]。
基于上述问题，提出了一种基于虚拟网格的蚁群的多目标路由(energy and best distribution of ant colony optimization based on virtual grid，EDACO-VG)算法，通过在蚂蚁寻路过程中对路径信息素进行人为干预，在下一跳概率公式启发因子中考虑节点当前能量来降低低能量节点失效的概率，避免收敛过快，从而使网络能量消耗达到平衡。同时，在信息素更新公式里综合考虑带宽、时延、丢包率等QoS指标来满足配电自动化业务要求。实验结果表明，本文算法在延迟、生命周期以及能耗均衡性上有一定优势。
1.1 能耗模型
WSN的能量模型中，节点的能耗由发射端和接收端两部分能耗组成。在传输距离d，发送1 bit的信息消耗的能量ETx(l,d)为:
(1)
(2)
由式(1)和(2)可知，在传输范围R超过门限值d时，能量消耗会快速增加，某些节点会极快地消耗掉能量，缩短网络的生命周期。本算法中限定节点的传输范围R 鉴于本文配电网WSN各节点均匀布置的特点，对其进行边长为L的虚拟网格划分，每个网格编号以[GX,GY]表示。假设sink节点位于网格顶点，且其所属网格坐标为(0,0)。共享同一顶点和同一条边的网格互为邻居网格，其坐标如图2所示，以此类推。 图2 虚拟网格示意图 为了确保相邻网格中的每个节点之间能够正常通信，网格边长L需满足： (2L)2+(2L)2≤r2 (3) 网格建立完成后，各节点通过式(4)确定其从属网格。其中⎣c」表示小于c的最大整数。 GX=⎣x/L」,GY=⎣y/L」 (4) 为了实现网络均衡耗能，在网格边缘区域建立宽为s的公共区域。在簇头选举完成后，公共区域内的普通节点加入离它最近的簇头节点成簇，而不一定是加入本网格的簇头。 通过对配电通信网各业务的通信规范参数分析来介绍常见的配电通信业务需求，明确其具体标准。智能配电通信网代表业务QoS标准见表1。 表1 智能配电通信网代表业务QoS标准 将QoS的各参数根据配电自动化业务需求定义如下: 1) 时延 (5) 式中:Delay(s)代表总延迟，是路径s所有节点上的延迟Delay(n)和节点间的延迟Delay(e)之和。可知，延迟大小与路径节点个数成正比。 2) 带宽 BandWidth(s)=max{BandWidth(e),e∈E(s)} (6) 带宽取路径s上节点间传输数据的最大值。 3) 丢包率 (7) Lost(n)代表s所有链路分支上的丢包率； 4) 剩余能量 (8) (9) 其中：Eremain代表节点的剩余能量； 若采用传统的LEACH算法，每个网格内可能会产生多个簇头。为保证簇头的唯一性，引入三角模算子，综合节点到基站距离与节点剩余能量2个目标量来选取每个网格的唯一簇头。 2.1.1目标量隶属度 节点到基站距离隶属度函数：由能量模型可知，节点通信耗能与距离之间呈正相关。选用式(10)的高斯函数作为节点到基站距离隶属度函数 (10) (11) 式(11)表示距离归一化过程。d(i)为节点i到基站距离； 节点剩余能量隶属度函数：簇头节点往往要消耗更多的能量，某节点若频繁成为簇头会破坏网络能耗的均衡性。剩余能量更多的节点担任簇头可保证负载均衡，由此选用式(12) 压缩率的变形函数作为其隶属度函数。 (12) (13) 式(13)为剩余能量归一化过程。E(i)为节点i的剩余能量，Einit为其初始能量。取A值为150，该式表明剩余能量低于一定值时，该节点当选簇头的概率将大大降低。 2.1.2三角模算子融合判决 三角模融合判决能够加强同类信息，调和矛盾信息，其表达式为： (14) 其中υd(i),υe(i)∈(0,1)，加强性表示为：F(υd(i),υe(i))≥max{υd(i),υe(i)},υd(i)≥0.5,υe(i)≥0.5或F(υd(i),υe(i))≤min{υd(i),υe(i)},υd(i)≤0.5,υe(i)≤0.5调和性表示为min(υd(i),υe(i)) 每只蚂蚁在出发寻路之前更新携带内存Mk，包含以下信息：① 需传递的数据； 当节点i需要发送信息时，首先查看路由表，如果有下一跳节点信息，则直接依照信息将数据发送，重复上述过程，直到转发至j； 图3 蚂蚁寻径示意图 蚂蚁的具体探索表达式为： (15) 蚂蚁按照式(15)寻找下一跳。其中，ηij(t)是信息启发函数，表达式为： (16) 其中Estart是初始能量。 式(15)中的τij(t)是期望启发函数 (17) ρ(0<ρ<1)是信息素的蒸发率，它可以对已有链路和无效路径上的信息素值进行调节。对ρ进行设计，初始阶段ρ保持在较大的范围内，此时下一跳节点按照先验规律进行选择，寻路具有高收敛性和低随机性； 综上所述，为使蒸发函数ρ在算法执行的各个阶段满足对收敛速度和随机搜索能力的要求，对其进行定义: (18) 其中：Δτij(t)是人为补充的信息素。本文中算法将配电通信网中关键的QoS指标如带宽、丢包率、时延结合在信息素补充式中，确保蚂蚁k在传输数据的过程中能根据业务需求选择路径。综上，代价函数的定义为： (19) 本文中，代价函数作为人为补充信息素Δτij(t)影响蚂蚁下一跳节点选择。式(19)中，ω1、ω2、ω3分别为时延、带宽和丢包率所占权重，同时需满足ω1+ω2+ω3=1 且ω1，ω2，ω3≥0。 结合式(15)—(19)可知，Δτij(t)越大，j节点被选为下一跳节点的概率就越大； m只蚂蚁的前向寻路过程实际是生成了一棵多目标路由树，当sink节点收到路由信息后，随即对其按照式(19)进行评估计算。选取最优和次优两条路径，当最优路径失效后，备用路径顶替工作来保障配电通信正常。算法的具体过程如下： 步骤1times←0(times表示迭代次数或搜索次数)； 步骤3针对蚂蚁周围的各个路径信息素浓度的改变，使用更新方程对各个轨迹强度进行更新； 步骤4每只蚂蚁k的数据变化:Δτij←0;times←times+1； 步骤5如果times<预期的搜索次数而且没有退化行为(即搜索到的都是相同解),则转回步骤2； 步骤6输出当前的最优解。 为了验证本文算法的性能，在Matlab2016b环境下进行仿真实验。因文献[13]中提出的MRFD算法基于蚂蚁算法对多步前向区域建立多路由模型，考虑剩余能量、路径单包传递能耗、条数等进行多路径的选取，并进行精简，具有相当参考性，故将其和经典蚁群算法(ACO)作为对照组，用于验证本文算法的可实施行性。 仿真中，节点随机分布在500×500的范围内，sink节点布置在(0，0)处，源节点布置在(500，500)处。仿真参数设置如表2所示。 表2 仿真参数设置 配电网自动化业务对实时性要求较低，对带宽、安全性和可靠性要求较高。因大多业务需要对配电网数据进行监测和检测，对数据保存的完整度要求高，对丢包率低的要求略高于实时传输时对带宽分配的调整，因而设置ω1、ω2、ω3分别为0.5、0.3和0.2。 将改进的EDACO-VG算法与经典的ACO和MRFD算法相比较。在实验中，参数见表2，主要从4个方面来对比算法的性能：节点存活轮数、端到端的延迟、能量开销和带宽。为了验证算法的有效性，通过网路范围内的源节点随机产生0～1 000 bits的数据包发送到目的节点。节点存活数见图4。 图4 节点存活数 ACO算法在90轮附近节点开始出现死亡； 在图5中观察3种算法源节点到目标节点的平均时延，在节点密度n为100、150、200、250、300时，经过多次实验得到最短路径平均时延。可以看出，与ACO算法和MRFD算法相比，本文算法求得的最短路径平均延时在220～320 ms附近，降低延迟约1/3，能够满足居民用电情况监测的 1 s级和负荷控制与管理通信业务的分钟级延迟要求。 由图6可知，随着时延的增加,配电自动化业务的带宽需求不断降低,且幅度逐渐趋于平缓[15]。这是因为需要根据业务重要性对带宽进行合理的权重分配，如极紧急业务(配电失电信息传输等)分得同时段较多带宽量，非紧急业务(输电装置常规信息采集等)分得较少带宽； 图5 源节点到目标节点的延迟 图6 时延对带宽需求影响 由图7可知采用本文算法、经典ACO算法和MRFD算法在发送0～1 000个数据包区间均匀取10个点时，所消耗的能量对比情况。可以看出，本文算法的能量消耗始终少于ACO算法和ARA算法，并且随着发包数量的增加，与另2种算法的能量消耗差距越来越大。 由图8可知，由于在人为补充信息素表达式时考虑了配电自动化业务的丢包率要求作为筛选指标，ED-ACO和另外2个算法相比，丢包率明显更低,更能满足配电自动化业务对高压线路的数据监控需求更加准确的特点。 图8 传输过程中节点丢包率 所提出的EDACO-VG算法在延迟、生命周期和能耗均衡性上具有优势，更能满足通信网中配电自动化业务需求。与经典蚁群算法ACO和MRFD对比，由于EDACO-VG算法在成簇阶段首次引入三角模算子融合判决节点位置和剩余能量，根据最大隶属度原则选举簇头，在一定程度上优化了网络能耗； 由于仿真时对代价函数中ω的划分较固定，算法整体能满足需要的指标，但不一定最优。接下来将探索在不同配电网业务下的ω值划分，对配电通信网中其他业务和不同业务间带宽分配满意度进行优化。1.2 网格模型
1.3 QoS多目标模型
Estart代表节点的初始能量。2.1 簇头选举
a是尖峰中心坐标、b是标准方差，皆为常数，其取值可改变函数位置形状，本文取a=0，b=1。可见，节点到基站距离越近，则υd(i)越大,其隶属于簇头的概率也越大。
2.2 蚂蚁准备阶段
② 固定值的能量；
③ 所有路过的节点、QoS参数(队列延迟，丢包率，带宽空间)。2.3 蚂蚁探索阶段
如果没有，则产生蚂蚁去寻找通向目的节点的路径。蚂蚁寻径示意图见图3。
2.4 路径信息素强度更新规则
但若一直保持初期的高收敛性，则容易导致算法陷入局部最优解而无法摆脱，此时需减小ρ，使输出结果趋于稳定。
而ω越大，其对应值在Δτij(t)中的权重越小，对其增长的影响就越小。2.5 信息更新阶段
对每个τij和Δτij进行初始化；
将每个蚂蚁各自放在待搜索区域的中心位置，待搜索区域的大小根据蚂蚁的数量和所占空间大小来确定；
MRFD算法在120轮时节点开始出现死亡；
本文算法在260轮时节点出现死亡，相较于ACO和MRFD分别延长生命周期约为180%和116.67%。很显然，在相同的运行时间下，新算法存活节点数更多，究其原因是本文算法在预设的网格中引入三角模算子，综合节点位置与剩余能量融合判决出最佳簇头。簇间路由阶段又将邻居节点剩余能量考虑进了下一跳择路方程中，且量子蚁群算法本身在全局寻优和快速收敛方面更具优势，网络能量利用率得以更加平均，网络寿命得以延长。
带宽的优化效果是否满足用户业务需求同样可以通过时延看出。如果仿真中时延始终要小于预先设定的时延违阈值且波动不大，则可以满足配电自动化业务的带宽分配QoS要求。而由图5可知，3种算法在业务传输数据时都能满足配电自动化业务的时延需求，而本文模型计算的带宽结果更平缓，更满足需求。
在下一跳转移概率信息启发函数中综合考虑了节点剩余能量和路径信息素更新，又在期望启发函数中考虑了配电自动化业务对丢包率、带宽、时延等指标等因素，找到了源节点到目标节点之间的最优路径，提高了全局搜索的能力，使得求出的解比其他2种对比算法更加适用于DCN的配电自动化业务。