基于WSN 的输电线路状态监测与数据采集跨层优化方法*

宰红斌 刘建国 唐保国 马建国 上官明霞 单荣荣

(1. 国网晋城供电公司运维检修部 晋城 048000；2. 国网山西省电力公司 太原 030021；3. 国电南瑞科技股份有限公司 南京 211106)

1 引言

近年来，随着电力物联网的发展，电力系统在实现电能分配、故障处理等功能的基础上，增加了灾难故障应急、配网自动化等新需求[1]。例如，采空区地质塌陷易造成输电杆塔倾斜与基础不均匀沉降的问题，而倾斜与沉降产生的非荷载应力极有可能使杆塔出现构件破坏、断裂、变形等事故，威胁电力系统的运行安全[2]。因此，利用可靠的通信技术对输电线路进行有效的状态监测与数据采集已成为全国电力行业关注的热点安全问题。在此背景下，需要构建可靠高效的输电线路监测通信系统，对线路中各种重要数据的采集以及运行状态的监测予以支撑。因此对通信网络的改进优化，对电力物联网中输电线路状态全方位监测具有重要意义[3]。

无线传感器网络(Wireless sensor network，WSN)作为一种具有很强自组织性的传感器网络，具有经济性高、组网方便以及容错率高等特点，适合应用于输电线路监测[4]。基于WSN 的输电线路监控网络一般包括三层数据收集，第一层的基本传感器节点(Basic sensor node，BSN)收集监测数据，第二层的数据中继节点(Data relay node，DRN)将监测数据传送到增强型中继节点(Enhanced relay node，ERN)，第三层中ERN 通过蜂窝网络或因特网网关连接到数据管理中心(Data management center，DMC)，而具有网关功能的中继传感器的位置是产生延迟的关键因素之一[5-6]。文献[7]假设传感器之间有一个理想的无线信道，信道传播损耗决定了每个节点的传输范围，选择合适的DRN 数量能够有效提高传输效率。但在高压输电线路附近存在大量的电磁噪声源，尤其是电晕噪声，可能会干扰无线通信信道，影响监测过程中数据传输的可靠性。文献[8]基于ZigBee构建WSN 用于监控高压输电线路，考虑了收集数据中存在脉冲噪声的问题，但未分析链路的延迟和ERN 位置等问题。文献[9]使用高斯白噪声模型模拟有损无线链路，由于脉冲噪声，该模型不适用于高压输电线路附近的无线链路。

由于复杂的电力系统结构，无线传感网络所需要覆盖的节点及区域规模较大，对数据传输的可靠性具有很高的要求，且存在电磁干扰，因此基于传统分层设计的WSN 在恶劣的无线环境下性能较差，并且缺乏对DRN 正确定位的深入研究[10]。为此，提出了一种基于无线传感网的输电线路状态监测与数据采集跨层优化方法。

2 输电线路数据传输模型与分析

两个高压变电站之间通常装配60～125 座输电杆塔，大致呈直线排列，形成链路拓扑结构。因此，构建线性分层模型以收集高压输电线路系统的数据。在所提模型中，输电线路配备了ZigBee 收发器，并且采用基于树的拓扑结构设计ZigBee 网络。其中BSN 是ZigBee 端节点，放置于高压输电线路电极，感应物理和机械参数；DRN 是ZigBee 中继节点，设置于两个杆塔之间，以满足传输距离的要求；而ERN 连接至ZigBee 网关的协调器。系统的数据传输模型如图1 所示。

图1 输电线路的数据传输模型

在输电线路状态监测与数据采集中使用WSN有很多优点，可以测量如温度、应变、塔架、其他设备振动等参数[11]。但也存在很多问题，由于WSN需要在规定的时间内将大量数据可靠地传送到控制中心，对延迟与可靠性方面的要求较高。其中延迟是消息从源离开到目的地接收消息过程中所测量处理时间和网络传输时间的总和。可靠性为在端到端的延迟限制内成功接收消息的概率。根据输电线路实际运行中，网络延迟和可靠性的近似要求分别为4 s 和99%。

2.1 可靠性分析

通过提供错误反馈，自动重复请求(Automatic repeat reQuest，ARQ)协议增强了无线链路的可靠性，即接收方在发送数据包时会自动请求发送方重新发送数据包检测数据包中的错误，但这也增加了系统延迟[12]。为了评估ARQ 对系统端到端可靠性的影响，将特定ARQ 策略的链路可靠性定义为lR

式中，Pl为在链路l上成功传输数据包的概率，N为允许的传输次数。最小重传次数N*可使用目标链路可靠性lR获得

2.2 延迟分析

数据包在链路l上的总延迟定义为lD，包括三个延迟分量，其中传输延迟tD等于分配给传出链路的时隙长度；媒体访问控制层(Media access control,MAC)延迟DMAC为分组在MAC 层中经历的延迟；排队延迟Dq为数据包在节点处等待的时间量[14]。则lD计算如下

式中，DSIFS和DACK分别是短帧间空间(Short interframe space，SIFS)和ACK 传输时间的持续时间。

2.2.2 MAC 层延迟

假设所有传感器的物理层和MAC 层都使用时隙IEEE 802.15.4 标准，标准中的媒体接入层采用CSMA/CA 机制，则信道接入过程如图2 所示。

图2 CSMA/CA 机制的信道接入过程

MAC 初始化四个变量，退避次数(NB= 0)、竞争窗口(CW= 2)、退避指数(BE=macMinBE)和重传时间(RT= 0)。在范围为[0;2BE- 1]个单元的随机完全退避周期之后，节点执行第一个清除信道评估(Clear channel assessment，CCA)。如果两个连续的CCA 空闲，则节点开始分组传输；如果任一CCA由于忙信道而失败，MAC 子层将同时增加NB和BE的值，最大值分别为需要CSMA/CA 算法退避的最大次数macMaxCSMABackoffs和macMaxBE。数据包CCA 失败次数，取决于NB和BE的值。重复此过程，直到达到BOs(MaxBackoffs)的最大值或BE(MaxBE)的最大值。此时，数据包被丢弃并声明信道访问失败，否则，CSMA/CA 算法生成一个随机数的完全退避周期并重复该过程。

所提方法选择马尔可夫模型建模MAC 层经历的预期延迟。基于该模型，如果Cj是与节点在第j次成功发送数据包事件相关的延迟，则退避计数器为0，并且发生两个成功的CCA，表示如下

式中，T为退避期延迟，sT和cT分别为分组成功传输和分组冲突传输的时间段，X j为发生成功的分组传输，Xt为n次尝试内成功的分组传输，Pr 为变量的条件概率。为了找到预期的退避延迟，考虑了两个CCA 期间忙信道的所有可能性。

2.2.3 排队延迟

式中，ζl和λl分别为链路l预期延迟和预期成功概率。

上述中应用重传次数为N*的ARQ 达到所需的可靠性，意味着在由于链路信道噪声而导致的N*个传输失败后，包将被丢弃。每个链路的预期延迟可以导出如下

式中，Yi是第i次尝试中成功传输的事件，Yt是N*尝试中至少一次的成功传输。通过假设每个链路中的错误概率为Pel，可得到

最后，端到端延迟可以通过使用式(10)～(12)计算L个链路的延迟之和进行计算。

3 数据采集跨层优化

在数据采集中进行跨层优化，使WSN 的效用最大化，其中每个链接的效用定义为

式中，w为权重系数；在协调器中收集数据的效用是链路可靠性和平均延迟之间的加权权衡，可以通过增加可靠性或减少延迟来增加，且可以通过改变权重w调整两者的重要性。

基于式(13)，假设所有链路的错误概率相等，便可得到跨层优化问题，使网络的效用最大化，同时满足可靠性和延迟约束。所提的数据采集跨层优化问题描述为

式中， 1O为第一个约束条件，保证端到端可靠性不会低于应用程序的可靠性要求0.99；O2 为第二个约束条件，确保端到端延迟小于最大延迟可接受的等待时间，假设为1 s。通过解决上述优化问题，可找到最佳链接数L以及最优路径，以同时满足输电线路监测系统的可靠性和延迟要求，并且降低网络损耗。

3.1 优化算法

跨层优化问题是混合整数非线性优化问题，本文解决方案是链路自适应直接搜索(Link adaptive direct search，LADS)算法[15]，通过多次迭代找到最佳解决方法。LADS 算法每次迭代的目标是在链路上生成一个试验点，以改进当前可用的最佳解。当一个迭代无法实现这一点时，下一个迭代将在更精细的链路上启动[16]。每个LADS 迭代由三个步骤组成：轮询、搜索和更新，且相应的函数在链路的一些试验点上进行计算，链路的离散结构在迭代j时式中，τ＞1 是一个固定的有理数，jω是一个有限的整数，如果迭代j成功，则其值为正或空；如果迭代失败，则其值严格为负，即失败后链路大小参数减小，成功后可能增大。LADS 算法求解跨层优化问题的具体步骤如图3 所示。

图3 LADS 算法求解跨层优化问题的流程

3.2 路由算法

为了进一步提高WSN 的数据传输可靠性，在LADS 算法获得最优链数后使用量子蚁群算法进行路由选择，该算法结合了进化计算和量子计算。量子蚁群算法每只蚂蚁下一时刻所选择的位置会根据选择概率在移动之前进行确定；而选择概率的获得则是依据每条路径上的可见度大小和信息素强度进行判断，再结合使用量子比特更新每只蚂蚁的位置[17-18]。在量子进化算法中，代表每只蚂蚁当前位置信息的量子比特由量子旋转门进行更新，最终实现蚂蚁的移动[19-20]。量子蚁群算法流程如下所示。

(1)time← 0(times为迭代次数)；初始化每个信息素ijχ和信息素变量ijχΔ ；每个待搜索区域的中心位置为每个蚂蚁的初始位置，根据蚂蚁数量和蚂蚁所占空间的大小可以确定待搜索区域的大小。

(7) 若times<预期搜索次数，且没有退化行为则返回步骤(2)。

(8) 获得当前最优解并输出。

4 仿真结果与讨论

为了验证所提方法的性能，在Matlab2016a 平台上搭建系统仿真模型进行试验论证。假设连接到每个DRN 的五个BSN 中的每一个都具有Poisson流量分布，速率为每时隙0.02 包。通过考虑电晕噪声的Γ、A、0P和1P四个参数的二态信道，分析了四种不同信道状态的性能如下：很好的频道低冲动频道为“良好”状态；良好频道中等冲动频道为“良好”状态；不良频道中等冲动频道为“不良”状态；极差频道高冲动频道为“不良”状态。其中典型电晕脉冲通道的仿真参数值如表1 所示。

表1 典型电晕脉冲通道的仿真参数

4.1 通道条件对包错误率、延迟的影响

通道条件和电晕噪声会对分组错误率(Packet error rate，PER)产生不同的影响，其中两种不同强度的电晕噪声对信道信噪比的影响如图4 所示。

从图4 可以看出，信道越冲动，PER 越高。例如，当SNR= 10时，PER 更为冲动通道将为0.01，而对于较少脉冲的通道，将为0.000 05。而不同类型通道的端到端延迟情况如图5 所示。

图4 不同强度电晕噪声对信噪比的影响

图5 不同通道类型与端到端延迟的关系

从图5 可以看出，对于非常好的信道，延迟最小为0.019 s，对于非常坏的信道，延迟最小为0.024 s。对于非常坏的信道，预计会有更多的有错误的包，反过来会导致损坏和丢失帧的更多重传。相比之下，对于非常好的信道，分组受到的影响较小，并且发生较少数量的分组损坏和重传。因此，端到端延迟较少。

4.2 数据传输对比分析

WSN 中每个传感器节点都对应的存在各自最优路径，传感器将通过该路径将采集到的数据传输给协调器。在单位时间内，不同方法下协调器接收的数据量如图6 所示。

从图6 可看出，WSN 在执行数据传输任务时，所提方法中，协调器接收到的数据量在单位时间内呈缓慢增加趋势，最终在总数据量为32 000 bit 时趋于稳定，而文献[7]方法和文献[9]方法分别在29 000 bit 和24 000 bit 时达到稳定状态。因此，相比于其他方法，所提方法在数据传输时的路径选择更具优势。

图6 单位时间内不同方法下协调器接收的数据量对比

由于输电线路所处环境复杂，传感器节点的通信易中断，从而导致数据包的丢失。因此，对于所提方法的性能需要利用数据包接收率(Packet reception rate，PRR)进行进一步的评估，其中PRR=数据的接收量/数据的发送量，对于所提试验环境，不同方法的PRR 如图7 所示。

图7 不同方法的PRR 对比结果

从图7 可看出，相比于文献[7]和文献[9]方法，所提方法的数据包接收率更高，具有更好的数据包接收可靠性。由于量子蚁群算法的优势在路径搜索阶段的充分利用，使得全局最优路径能够更好地获得，并且利用LADS 算法得到最佳链数，大大提高了数据传输可靠性，可以更好地适应电力环境下WSN 的工作要求。

4.3 最佳跳数分析4.3.1 端到端延迟与跳数的关系

跳数和端到端延迟之间的直接关系如图 8所示。

图8 端到端延迟与跳数的关系

从图8 可以看出，随着跳数从1 增加到10，延迟从0.02 s 增加到0.2 s。增加跳数，每跳的排队延迟和处理延迟将会导致端到端延迟。并且在不同通道条件下，端到端延迟不同，与良好信道相比，坏信道会经历更多的延迟，这进一步论证了坏信道会引入更多的错误数据，导致ARQ 和传输延迟增加。

4.3.2 PER 与跳数的关系

分组错误率和跳数之间的关系如图9 所示。

图9 PER 与跳数的关系

从图9 可以看出，随着跳数的增加，PER 没有显著增加，但在同一跳数下，条件越好的信道，其PER 越低。因此可得出，信道条件对PER 的影响比跳数更为明显。

基于以上论述，可以找到了满足不同信道条件下最优跳数。当信道条件良好时，最优跳数为42，且延迟为1 s，可靠性为99%；当信道条件较差时，最优跳数为20；对于非常坏的信道，最优跳数仅为1。通过调节权重w便可灵活权衡延迟可靠性，获得最佳数据传输链路。

5 结论

针对高压输电线路中易产生电晕噪声的问题，结合通信网络服务质量所要求的低延迟和高可靠性要求，提出了一种基于无线传感器网络的跨层优化方法。传感器数据被收集并发送到具有ZigBee 网关的个人区域网络协调员。采用跨层优化的方法寻找满足应用延迟和可靠性要求的DRN 的最佳数目。并考虑寻找ERNs 位置的物理和MAC 层参数，得出电晕噪声对可用DRN 数目有显著影响的结论。为了简化分析，假设齐次链路即所有链路具有相同的错误概率。结论总结如下。

(1) 针对输电线路状态监测与数据采集的具体情况，设计了系统通信模型，并深入分析可靠性和延迟，在最大可靠性约束下，需要控制传输延迟以满足给定的时间限制。

(2) 由于基于WSN 输电线路的数据采集存在延迟较高的问题，提出了跨层优化方法，将寻找最佳传感器节点数的问题化为混合整数非线性规划，并通过链路自适应直接搜索算法进行求解，以获得最优链路。

(3) 针对现有输电线路的WSN 规模较大时会出现数据传输可靠性低等问题，为此提出了基于量子蚁群的WSN 路由算法，能实现全局最优，有效地找出最佳路由路径。

在电力系统通信业务的大背景下，提出的方法研究暂时都还只停留在理论仿真阶段，需要进行进一步的实际工况验证，并保证较高的稳定性和可靠性才能在实际电力系统环境中推广应用。