基于蚁群算法的电力通信网络节点故障检测系统

彭波涛，戈伟

（广东顺德电力设计院有限公司，广东佛山 528300）

0 引言

由于电力通信网络在传输过程中受到各种干扰因素的影响，容易出现各种各样的通信故障［1］。基于电力通信网络的重要性，相关领域研究人员对其开展了深入的研究，并将如何实现对电力通信网络故障位置进行更加及时的定位作为了研究的重点，并提出了相应的解决方案。孙宇嫣等［2］提出基于深度学习的智能变电站通信网络故障诊断与定位方法，对不同监测节点的故障特征信息进行分析，基于深度学习原理，构建基于深度置信网络的通信网络故障诊断模型，对通信网络故障进行诊断与定位。该方法虽然能够对故障原因进行诊断，但是在故障节点定位时，出现定位时效性差的问题。孙达山［3］提出基于电网运维大数据的继电保护通信系统故障定位方法，根据故障定位的实际需求，选择合理的数据源，采用贝叶斯算法设计并完善故障定位流程，利用路由拓扑法实现故障定位。但是该方法的定位准确率较低，影响故障定位效果。

为了解决这一问题，本文在现有检测系统的基础上，引入蚁群算法，设计一种新的电力通信网络节点故障检测系统。设计采集模块、管理模块、分析模块和运行显示模块，采集电力通信网络节点运行参数，基于蚁群算法的理论，对电力通信网络节点故障进行判断，并根据判断结果对故障位置进行定位，以期维护电力通信网络正常运行。

1 设计原理

本文基于蚁群算法，提出一种新的电力通信网络节点故障检测系统。蚁群算法是通过模拟自然环境当中的蚁群觅食行为，进而演化而来的一种全局优化算法［4］。当前蚁群算法的应用主要集中在计算机领域、交通领域当中，可实现对调度问题、车辆路由问题、网络路由问题等合理解决。蚁群算法具有较大的错容能力，在信息的反馈和寻找具有较好的优越性［5］。可以根据蚂蚁行走的位置［6］，对故障节点进行较为准确地定位。

2 系统硬件设计

为实现对电力通信网络在运行过程中对节点的故障检测，本文在引入蚁群算法的基础上，尝试设计一种全新的故障检测系统［7］。该系统可划分为4个基本模块，分别为采集模块、管理模块、分析模块和运行显示模块。图1 所示为本文故障检测系统功能模块基本组成示意图。

图1 本文故障检测系统功能模块基本组成

在具体运行过程中，本文故障检测系统能够通过传感器完成对电力通信网络运行参数采集，并将获取到的所有参数导入到与上位机相连接的服务器当中，实现对采集参数的初步汇总。结合电力通信网络运行的实际特点，生成方便后续对其故障进行判断的检测样本［8］。将生成的检测样本传输到分析模块当中，利用EEPROM 芯片完成对其抽样检测、异常定位和消息生成。将检测结果在LED 显示屏当中显示，以此完成整个故障检测的过程。

基于上述基本检测流程，为了确保各个模块稳定运行，对其各模块下的硬件进行优化选型。

首先，针对本文故障检测系统当中的传感器进行选型，选用ACS758-549型号传感器，利用其完成对电力通信网络环境当中各个节点运行参数的采集，表1 所示为ACS758-549 型号传感器性能参数指标。由表可知，本文选择的传感器应用到检测系统当中能够充分满足系统在后续运行时的精度和响应需求，确保对故障检测的精度以及效率。同时，将该型号传感器应用到本文检测系统当中具备安装方便、体积小、节省空间等优势，由于该传感器的设计只有一种因此适用于宽电流额定范围，对电力通信网络复杂的运行环境具有更高的抗扰度。

表1 ACS758-549 型号传感器性能参数指标

其次，针对用于实现阶段故障检测和判断的芯片进行选择。选用AT24C256C-SSHL-T 型号EEPROM 芯片，该型号芯片的工作电源电压为1.8～5.5 V；工作温度范围在-45～85 ℃；采用LQFP32 封装结构。将蚁群算法的程序输入到该型号EEPROM芯片当中，利用其完成对检测样本的分析和处理。

最后，针对LED 显示屏进行选择，为了实现对节点故障情况的直观描述，并方便电力通信网络节点管理用户对其进行管理，选择在电力监控中心安装一台LSTV-P1.25LED超清显示屏，该型号显示屏的像素构成为1R1G1B；像素密度为640 000点／m2；像素间距为1.25 mm；亮度为200～1 000 cd／m2

可调。由于该型号显示屏采用自发光原理，因此在色彩表达上十分突出，能够实现对色彩的高真实度还原，方便系统管理用户更直观地对故障情况以及故障位置查明。

3 系统软件设计

3.1 电力通信网络节点运行参数采集及检测样本生成

利用本文上述选择的ACS758-549 型号传感器对电力通信网络节点运行参数进行采集。选择在WSN 当中完成对所有节点传感器的设置，并针对其采集到的参数信息进行汇总，通过汇总的方式，将节点运行参数汇总，以此能够让系统管理用户更加全面地获取到WSN 节点相关信息，从而为后续故障判断提供更可靠的依据。将上述汇总的运行参数作为检测样本，通过对检测数据样本的计算和分析，实现对其故障检测［9］。按照上述论述内容在完成对电力通信网络节点运行参数采集，为了确保后续故障检测的精度，针对获取到的运行参数还需要对其进行训练，并完成对其电力通信网络权值和阈值的修正［10］，修正时可依据如下公式完成：

式中：m（t）为被修正后的样本数据；W（t）为修正前的样本数据；a为修正系数；b为修正补偿数值。

结合上述公式，完成对电力通信网络权值和阈值的修正。同时，为了能够实现对是否完成修正的判断，针对完全修正概率进行计算，其公式为：

式中：P｛N（t）＝i｝为完全修正概率；p（t）为随机变量。

当按照式（2）计算得出的P｛N（t）＝i｝数值为1 时，则说明此时样本数据被完全修正，可将其代入到后续检测流程当中；当P｛N（t）＝i｝数值小于1 时，则说明此时样本数据没有被完全修正，还需要将其代入到式（1）中完成二次修正，直到最终P｛N（t）＝i｝值为1。按照上述内容，完成对样本数据的处理，并将其作为检测样本带入到对其节点故障判断当中。

3.2 基于蚁群算法的电力通信网络节点故障判断

在电力通信网络出现故障问题时，FTU 或RTU 上传到本文故障检测系统当中的故障信号通常是离散的0、1 信号，在引入蚁群算法后，针对节点是否存在故障的判断实质是全局寻优［11］，对此可通过构建评价函数的方式，实现对其故障节点的判断，其表达式为：

式中：F（i）为评价结果；I 为电力通信网络中各个分段开关位置上的电流越限信号，存在故障电流则I 值为1，否则I 值为0；Ij为需要进行检测和判断的通信网络节点电流越限信号；S为在电力通信网络当中各个设备的状态。

在按照公式（3）计算之前，还需要对各个节点与造成通信网络故障的关系进行判断［12］，其表达式为：

从式（4）中可以看出，I 仅与采集到的实时故障电流有关，与设备的运行状态无关。结合这一特点，将上述生成的检测样本代入到式（3）中完成对其故障判断，以此不仅能够找出故障节点的具体位置，同时检测结果能够不受线路上设备的影响，进而提升了故障检测的精度。

4 对比实验

通过上述论述，在引入蚁群算法的基础上，设计了一种全新的故障检测系统。为了验证该系统的运行优势，选择将本文设计的故障检测系统作为实验组，将文献［2］提出的基于深度学习的智能变电站通信网络故障诊断与定位方法作为对照组，完成对比实验。

为了实现对两种系统的应用验证，选择以某电力企业的电力通信网络环境作为实验环境，在环境当中节选一段如图2 所示的通信线路作为研究对象。

图2 实验中电力通信网络线路

可以看出，该通信线路上共分布41 个节点，人为设置其中10个节点为故障阶段。分别利用两种检测系统对其故障进行检测。为了方便比较，选择将检测准确率作为评价指标，其计算公式为：

式中：Precision为检测准确率；TP 为正确判定为故障节点的数量；FP为非故障节点数量。

根据式（5）计算得出两种检测系统的检测结果准确率，如表2所示。结合表中的数据可以看出，实验组的Precision值明显高于对照组，始终保持在90%以上，因此进一步证明，本文提出的基于蚁群算法的故障检测方法在实际应用中检测结果的准确率得到有效提高，可为电力通信网络的安全、稳定运行提供保障条件。

表2 实验组与对照组检测系统实验结果对比

5 结束语

通过本文上述论述，在引入蚁群算法的基础上，提出了一种全新的故障检测系统，并结合实验的方式验证了其应用可行性。同时，通过研究得出，在应用蚁群算法后，能够有效解决传统检测方法在应用中存在扩大搜索空间与寻找最优解之间的矛盾问题，进而为故障节点的判断提供更高精度的条件。同时，本文提出的检测系统在应用中能够不受电力通信网络中各类连接设备运行的影响，充分适用复杂的电力通信环境，得到的检测结果具有更高的可靠性。在具体应用当中，可将本文检测系统得出的结果作为依据，对电力通信网络进行维护和维修决策制定，确保整个电力企业的可持续发展。