基于风险均衡度的电力5G通信链路自动选择方法研究

孙 静，张 荣，王 平

（国网芜湖供电公司，安徽芜湖 241000）

随着5G 通信与智能技术的发展，智能电网系统在日常生活中的应用程度也越来越高[1]。智能电网利用通信及控制技术完成电网资源的自动化分配，系统主要包括物理和信息空间。其中，物理空间是指电网中的电线、电源与负载等物理实体，而信息空间则是指电网中的监控设备、网络及计算设备等[2-3]。

信息空间中的通信传输链路承载着继电保护与调度自动化等关键服务，若这些连接中断可能会对电网造成严重损害。而当通信传输链路承载的业务中断或无法接入时，将威胁电网的可靠运行[4-5]。在这种情况下便需重建多条服务路由，以提高服务及网络的可靠性。服务路由重构是基于所设置的指标对路由进行重新设置，也称为风险平衡。因此有必要分析风险程度，并提出路由重构策略来平衡网络风险。而合理分配电力通信业务路由，可以保证业务的可靠性，进而降低网络风险。

1 智能电网风险评估模型

1.1 电网风险空间传播类型

智能电网中，信息空间的风险可能会转移到电力空间[6]。而信息空间与电力空间之间的相互作用则通过信息流及能量流来衡量，且电网的能量分布决定了系统的运行状态[7]。在信息空间中，电网系统将智能终端设备控制信号的改变转换为物理状态的变化，从而影响电网的能量分布。网络物理电力系统(CPPS)中的交互过程如图1 所示。

图1 CPPS中信息流和能量流的交互过程

图1 中，能量流即功率流，信息流则是指信息传递及处理的过程。同时信息流控制着电网中的物理实体，例如开关切换、负载变化等。由此调整电网的运行状态，从而影响能量流[8]。因此，信息系统中的控制信号将直接操纵电力系统的运行。

1.2 电网负载压力风险

智能电网中，电站的负载压力风险值是通过分析电网与路由相关的节点风险值来确定的。当电网出现通信链路中断的情况后，为了保证CPPS 的稳定运行，电网会采用路由重建的方法来优化路由，从而降低电站的负载压力。电站在电网中的负载并非一个固定值，其随着电网负载的改变而变化。因此，电站负载压力可通过其负载在电网中的比例来衡量。

站点负载压力是业务路径链路内所有站点压力负载的总和，其大小代表着电网负载的压力，压力越大表示链路的负载压力也越大，且节点分配不均匀。电站负载压力定义如下：

其中，Pn是业务n路由路径的总节点数，N是业务的总数，是第n个业务路由路径中节点i的负载压力值，Ln是电网中业务n的电站负载压力值，Ltotal则为电网中所有业务路由路径内站点的负载压力总和。因此，电网通信传输链路在电站负载压力下的故障风险值G1=Ltotal。

1.3 电网业务风险

电网中的业务风险主要通过分析路由路径相关联的链路风险值来确定，而信息交互靠通信链路进行传递。若通信链路中断，将影响电网的业务。因而，业务风险可通过业务平均通信延迟与业务风险平衡度两个维度来进行分析。

1）业务平均通信延迟。电网中的某些业务，例如电网继电保护、稳定控制等业务对实时性的要求较高。若这些业务不能在短时间内完成，将导致电力系统的误操作。因此，延迟是一个较为重要的指标。业务平均通信延迟可定义为：

式中，Dn表示第n个业务的延迟，是所有业务的平均通信延迟，而业务平均通信传输链路故障的风险值则为G2=。

2）业务风险平衡度。业务风险平衡度用于衡量电网中每个通信链路所承载的业务分布。平衡度过高表示电网中的业务分布不均匀，即存在通信链路业务过载或轻载[9-10]；而平衡度越低，则表明整个网络的业务分布越均衡，业务运行的风险也相对较小。其定义如下：

式中，BD 是网络中所有Gi的标准偏差，则业务风险平衡度上通信传输链路的故障风险值为G3=BD。

2 智能电网风险计算

2.1 风险模型

风险通常是指故障的不确定性，可表示为故障发生概率与风险后果的乘积，且风险=故障概率×风险后果值。若通信传输链路中断，则风险值可表示为：

式中，H是跨空间的风险传递概率，P是通信传输链路中断的失效概率，I是错误出现的风险后果值。I1、I2和I3分别表示电网负载压力、业务平均通信延迟、业务风险平衡度的风险后果值。

因此风险值最小化是链路选择的基本原则，也是需求解的目标函数。为了使服务能够在网络上均匀分布，需要为每个指标设置约束。CPPS 网络路由重建策略的目标函数定义为：

式中，Dmax是每个业务的最大延迟，Rmax是每个链接的最大上限承载业务数。Lmax是每个业务通过电站负载压力总和的上限，α、β、θ是上述三个不同指标的权重。因此，目标函数即是在式（9）约束条件下求解f的最小值。

2.2 遗传算法

上述风险评估模型可以考虑在如何快速完成多业务路由重构的条件下，满足电网负载压力、业务平均通信延迟及业务风险平衡度这三个不同的因素。文中使用改进选择操作的遗传算法(Genetic Algorithm，GA)来解决这一问题。

1）编码机制。传统二进制编码中的编码长度与节点数成指数关系，而该文采用了一种可变长度的染色体编码方法[11](Chromosome coding)，对第一个节点取业务的起始节点，然后从其他相连的节点中随机选取一个作为下一个染色体节点，并将该节点从节点集中删除。重复此步骤，直至染色体编码节点为业务目标节点。此种情况下染色体的长度是不确定的，但最大长度不超过电网中所有的业务节点数。

2）种群初始化。利用式（9）剔除不满足约束条件的通信链路，并对剩下满足约束条件的链路进行编码，以完成种群的初始化。最后，随机选择M个链路以获得M个初始种群。

3）适应度函数。适应度函数识别群体中个体的优缺点，适应值越大意味着个体越优。故适应度函数定义为：

根据式（7）可知，f越小越接近问题的最优解。所以，该文采用逆形式来满足适应度较大的条件。

4）选择。该文采取“精英主义”的最佳保存方法与“轮盘赌”策略(Roulette wheel selection)相结合的方式完成种群的选择[12-13]。

假设种群数量为M，将种群均分为两组，并取适应度较高的一组保留下来，且个体数为0.5M；然后，在剩下的0.5M个体中继续以上步骤得到0.25M个体；再通过“轮盘赌”选择策略，从上一代个体中选择0.75M个体，将其与之前的0.25M组成M个个体；而最终的交叉及变异操作，则是通过重组后的M个新个体来执行的。

5）交叉和变异。在父代群体中以交叉概率Pc随机抽取两个个体并交换二者的部分结构，以形成两个新的个体。变异是通过改变染色体上的部分基因来进行的，其发生的概率较小。在染色体中随机选取一个节点作为突变点，且业务起始节点到突变点之间的节点保持不变，而突变点到业务目标点之间的节点重新随机选择。已选定的节点将从节点集中删除，以避免其在路径中形成循环。

3 案例分析

该文在图2 所示的拓扑中测试所设计的方法，该拓扑与文献[9]和[14]所采用的实验架构和参数相同，共有17 个节点与25 条通信传输链路，链路上有四项服务，分别为[1,15]、[2,17]、[3,17]、[4,16]。

图2 部分电网的拓扑图

根据文献[9]和[14]中获得的链路故障记录可以看到，链路13-14 失效的概率P1为0.213 7，链路13-17 的失效概率P2为0.282 6。表1 所示为电站的负载压力值，为了方便计算，电站负荷压力值的影响为缩放比。

表1 电站负荷压力

文中仅考虑直接风险，而风险传递概率为1。在链路13-14 和13-17 均中断的情况下，使用文中提出的算法重构业务的通信链路。在遗传算法中[15-16]，设置染色体长度为7，初始种群为100，迭代次数为200，交叉率Pc与变异率Pm则分别为0.9 及0.055。风险评估的总值用数字1 表示，每个影响因素的权重可根据特征向量的比例分别得到，α=0.569 6，β=0.097 4，θ=0.333 0，且α+β+θ=1。

采用该算法计算每个业务的通信链路，并与基于“轮盘赌”选择策略的遗传算法及Dijkstra 算法进行比较，路径对比情况如表2 所示。

表2 服务路由路径对比

从表中可以看出，由于链路13-14 和13-17 均被中断，因此无法到达目的地节点13 的业务。而与其他两种方法相比，所提算法选择的路径较优、节点路径的节点数最少且风险也更低。各项指标的比较结果，如图3 所示。

图3 指标比较

由图可知，在平均通信延迟指标方面，该文算法的结果虽然高于Dijkstra 算法，但其仍在可接受的范围内。原因在于原始服务路径考虑了最短延迟指标，故无法从多个角度为业务提供最优路径。而该文算法的业务风险均衡度优于Dijkstra 算法以及采用轮盘赌策略的遗传算法。此外分别计算三种算法的风险值，其中Dijkstra 算法的风险值为6.620%、轮盘赌策略的遗传算法为4.421%，该文算法的风险值则为3.143%。由此可知，该文算法的风险平衡效果较优。

4 结束语

文中主要研究CPPS 中通信链路中断后，基于风险均衡度考虑的业务通信链路重构方法。通过考虑网络中节点与链路的风险，选取电网站点负载压力值、业务通信延迟及业务风险平衡度作为影响因子，并建立风险评估模型。同时结合“精英主义”方法及“轮盘赌”方法来选取初始种群，进而提出了一种改进的遗传算法，再通过此算法重构业务路径。最终通过仿真实验，证明了该算法的有效性。