基于重尾分布模型的智能电网通信系统业务流建模及其性能分析

谢连芳

(国网四川省电力公司绵阳供电公司,四川,绵阳 621000)

0 引言

智能电网是电网的智能化。它通过先进的传感和测量技术、先进的设备技术、先进的控制方法在集成的高速双向通信网络的基础上构建而成[1-2]。根据系统运行特点,智能电网的站级网络目标含监视、控制、告警及信息交互等,而其对应的主要业务有数据采集、监视控制、操作闭锁以及保护信息管理[3]。其中,通信行为及其业务数据具备特定的操作需求并呈现着一定的复杂性。智能电网的监测实验表明了以泊松分布为代表的短相关性去建模现代网络流量已不再符合,使用一种具备长相关特性的建模方法将更为实用。这也就是说网络流量的突发传输特征与传统业务量模型并不相同,不会因为统计时间尺度的增加而平滑[4-5]。智能电网通信系统的业务流量的复杂特性对网络的设计、分析和仿真都有着很大的影响,建立一种能满足网络实际运行过程中实时、精确、突发性强的信息交互需求的精确的数学模型将具有重要的意义。

本文在研究智能电网数据传输特点的基础上,结合重尾分布模型,提出一种面向站级通信业务的流量建模方法,并通过仿真对流量与网络性能的影响关系进行了分析。

1 站级业务行为

站级运行中的业务数据可以分为周期性、突发性、随机性三类[6]。其中,周期性的报文指监控主机轮询报文、智能设备周期上传或传给站控层的开关报文。随机性的报文指跳闸命令、智能电子设备与监控机间互发的录波数据、事件记录文件[7]。突发性的报文指保护动作、控制等随机事件发生后所产生的事件报告、控制命令、变位信息以及文件传输。

业务模型具有站控层、间隔层与过程层的分层分布式结构,站内信息传输主要有以下几种。

1) 间隔层与过程层之间的通信

控制测量单元与继电保护装置均属于间隔层的设备,与间隔层其他设备可自由交换数据,间隔层中的设备主要采集故障与正常情况下的交流电气量、设备的状态信息与故障诊断信息量。

2) 间隔层内部通信

间隔层内部功能模块之间,继电保护装置与监控、测量、控制设备间的数据通信主要包括开关状态、设备运行的状态、测量数据、同步采样信息等。

3) 间隔层之间的通信

间隔层之间的数据交换主要有:主后备切换的工作状态、相关保护的闭锁动。

4) 间隔层和站控层之间的通信

(1) 测量数据以及状态信息

设备故障与正常状态下的测量与计算值,刀闸、开关、主变挡位、运行状态、保护装置动作信息等。

(2) 操作信息

开关遥控分合闸命令,主变挡位升降急停的调节,保护装置的压板投入退出等。

(3) 参数信息

安全自动装置与继电保护装置的保护定值。

5) 站控层内部通信

站控层中不同设备间存在数据交换,按照功能与任务来传送所需要的状态信息、操作命令、测量数据等。站级网通信模型中节点交互产生与电网运维任务相关的业务报文,本文将根据其特点进行流量建模。

(1) 周期性业务流:模型中采用等间隔固定周期方式形成业务,报文大小相同。

(2) 随机性业务流:采用泊松分布作为业务到达模型。到达间隔Tn服从期望为λ分布,其数学表达式为Tn=1-e-λt。

(3) 突发性业务流:采用自相似数学模型来进行描述。所产生突发性业务流在到达时间上有着先后顺序,表现出一种长程相关统计特征,而这种特性则可用数学上的自相似性来进行描述。

2 自相似业务序列

突发业务流量可用自相似模型来描述。自相似业务流突发生成并成批到达,极易引发短期内节点报文队列更加拥塞,排队延迟增大。基于泊松模型的网络设计已无法较好地描述业务流的特征。因此,如何去选择适当的数学工具,建立精确易实现的智能电网业务流量模型有着重要意义。

2.1 自相似的数学定义

智能电网突发业务流可视为一种离散时间序列。给定离散时间随机过程S(t)为{xt,t= 0,1,2,…}。平稳时间序列的m重聚集序列为S(m),各聚集时间序列的均值所生成的新序列为

(1)

观测聚集时间序列的k阶自相关函数r(k),若各尺度分块聚集后的序列相关系数和原序列一致,即经过压缩以后过程的统计特征如均值μ=E[Xt]、方差σ2=E[(Xt-μ)2]、自相关函数r(k) =E[(Xt-μ)(Xt+k-μ)]/σ2,k=1,2,3…仍然不变,则此数据过程就是一种自相似过程。

广义平稳自相似过程数学描述:具有参数β(0<β<1)的离散随机过程X为自相似过程,若对m=1,2,…,各时间聚集序列尺度下方差 Var(x(m))=Var(x)/mβ,自相关函数rx(m)(k)=rx(k),并且H=1-β/2。

式中,H为Hurst自相似系数,自相关函数需满足R(k)=H(2H-1)k2H-2。当0.5

网络通信过程中数据量较大并且事件的产生具有一定随机特性,准确的自相似现象一般难以观测到。模型中可将流量传输序列视作随机过程样本,并放宽自相似指标,只关注各尺度聚集序列中特定统计指标,就能够观测到业务流的统计自相似特性。

2.2 自相似流量的产生方法

通信过程中可采用具有重尾分布的ON/OFF模型模拟自相似业务流量的发生。由数据解析发现,通信网中文件长度、ON/OFF周期时长分布,网络终端工作时间、等待时长、文件传输时长、报文产生间隔等均符合一种无穷方差的重尾分布特征,是引发业务流呈现自相似特性的重要根源。由此,自相似流量序列的产生可通过重尾分布近似得出。

重尾分布的数学描述为

P(X>x)～x-α,x→∞,0<α<2

(2)

这种分布的尾部遵循能量分布的规则呈双曲线型衰减,比起尾部呈指数衰减的分布来说,其衰减过程要慢很多。参数α称形状参数,描述拖尾分布的重量,α越小,该分布曲线的拖尾就越重。帕累托(pareto)分布是一种较为典型的重尾分布,其分布函数的数学描述如下:

F(x)=f(x)=0;(x

(3)

pareto分布具有无限方差,如果α≤1时,分布具有无穷均值。随着α减小,概率大部分聚于尾部。数据发送持续过程中,ON或OFF时长分布若有任意一个是重尾分布,则无穷个此业务源的汇聚流将呈现自相似特征。利用该方法产生的自相似序列,其自相似程度和α紧密相关:H=(3-α)/2,α值越小(1<α<2),自相似程度越大。

ON/OFF模型描述了网络数据源的最基本行为,能解释自相似流量产生的原因,可以应用于网络的特定层处理特定问题。就自相似业务对网络性能影响的研究结果表明,业务流的自相似特性,使得网络性能的分析比起短相关特性的流量模型来讲更加复杂,网络性能随着自相似程度的递增,在丢包率、吞吐量以及延迟性能上会表现得更差。

3 业务量模型的加载及通信仿真

3.1 通信网仿真模型的建立

流量建模与网络系统的性能仿真评价具有密不可分的联系,是其中一个非常重要的环节。本文对智能电网站级网络业务流模型进行了研究,通过改变不同的业务流量参数,对网络的性能,包括吞吐量、网络平均响应时间、丢包率等进行分析。仿真采用OPNET MODELER14.5软件,其模型建立分为网络层、节点层和进程层。

假定所仿真的站级通信网为16节点单元,不考虑操作任务、层次关系、优先级别等因素,所建立网络拓扑结构包括15个IDE节点,1个监控节点S1,信道交换速率100 Mbit/s。建立网络拓扑图如图1所示。

图1 网络拓扑图

子网节点模型如图2所示。定义Self-similar scourec和Possion source源节点分别产生具有长相关特性的自相似突发业务流和无记忆的泊松随机业务流。泊松序列可利用source源节点的possion模型得到,自相似序列将采用多源汇聚的重尾ON/OFF序列给出。节点模型中的queue模块负责对汇聚合成序列进行排队统计处理。

图2 节点模型

设置IED0-IED14节点以固定间隔0.02 s,S1为目标节点,周期性发送上报数据。设置S1节点及IDE1-IDE8的source源模块以泊松分布产生随机业务报文,且报文产生间隔λ为10 ms,报文大小服从均值0.3 kbyte/s的负指数分布。设置IDE4-IDE14及S1节点中的Self-similar scoure模块ON/OFF时长分布为Pareto(k,α),仿真时间5 min。实验中,通过改变ON/OFF时长分布的形状参数α取值,获取不同自相似系数H,从而考察网络性能在各种突发强度下的变化规律。定义自相似源节点和Possion源节点分别生成具有长相关特性的自相似突发流量和无记忆泊松随机流量。实验中,通过改变ON/OFF时长分布的形状参数α的值,得到不同的自相似系数H,从而研究不同突发强度下网络性能的变化规律。不同α值下的网络性能指标如表1所示。

表1 不同α取值下的网络性能指标

3.2 仿真结果分析

图3是在不同自相似系数H下的网络平均延迟性能结果图。3条曲线分别代表H从0.6～0.9时延迟的变化情况。当H值为0.9时,网络延迟达到0.122 ms,网络性能最差。这是因为突发业务的自相似特性会使得流量序列带来长相关和慢衰减方差特性,从而造成业务报文在转发排队过程中造成信元丢失率呈重尾方式变化。且有限容量的缓冲器会引起业务量相关结构的变化,从而引发各项性能指标的下降。

图3 随着自相似系数H改变时网络延迟曲线变化

3.3 合成序列的自相关性分析

如图4所示,在queue模块中对汇聚业务序列进行了自相关性分析统计。实验过程中,每次统计15 000个连续样本数据包,并结合方差-时间图检验法对样本数据进行统计相关性分析,所得合成业务流的H值检验结果如表2所示。

表2 合成业务流参数

图4 合成业务图

实验过程中,每次统计15 000个连续样本数据包,并结合方差-时间图检验法对样本数据进行统计相关性分析,所得合成业务流的H值检验结果如表2所示。

由表2可知,各类业务汇聚序列自相似系数H仍分布于(0.5,1)。由此可知,节点合成所得业务量在一定的时间尺度下依然具有统计自相似性,且合成后H值有所减小。

3.4 仿真结论

(1) 由实验结果表明,自相似业务流的长相关性和突发性不会因为与短相关业务的汇聚合成而被平滑,合成后流量的统计特性依然具有较强的自相似性。模型所产生的仿真业务流序列能较好地符合站级网络业务流统计特性的基本特征,验证了业务流产生模型的有效性。

(2) 站级网络的周期性报文负荷较低,对网络性能影响较小,但遇随机事件时(故障发生)所做出的响应动作(如大量文件的传输)会造成负载加重,显著影响网络性能。因此有必要考虑不同突发程度下的站级网性能情况,以合理指导网络规划和设计。

4 总结

本文对智能电网运行时的相关业务行为及统计特性进行分析,并给出了一种结合其业务行为特点的流量建模及网络仿真方法。实验表明,此方法能较好地体现站级智能电网的通信特点,揭示了不同突发强度下的网络性能规律,从而为智能通信网络业务量特性分析、协议设计及网络配置规划提供参考。站级网络的周期性报文负荷较低,对网络性能影响较小,但遇随机事件时所做出的响应动作,如大量文件的传输、各种信号命令的传递、会造成负载加重,显著影响网络性能。且由于智能电网特殊的工作指标,对信息流传递的实时性与可靠性均有严格要求。因此有必要考虑在不同突发程度下的站级网性能变化情况,从而合理指导网络规划设计。