2. 辽宁石油化工大学, 辽宁 抚顺 113001;
3. 中国科学院 网络化控制系统重点实验室, 沈阳 110016;
4. 中国科学院大学, 北京 100049;
5. 萨塞克斯大学 信息学系, 英国 布赖顿 UK BN1 9SH
为应对不同服务质量需求并提升智能电网通信的系统能力及可靠性, 提出一种无线智能电表双路径维护基于因果树的认知技术.因果树通过定义智能电表程序中的度量和事件之间的因果关系, 以实现有效推理.路径维护度量根据接收信号强度指标和数据包接收成功率明确了链路状态、链路质量、相应的动态转换等路由问题.基于信道和电磁干扰所做的物理实验用于评估该种无线智能电表的可靠性.
2. Liaoning Shihua University, Fushun 113001, China;
3. Key Laboratory of Networked Control Systems, CAS, Shenyang 110016, China;
4. University of Chinese Academy of Sciences, Beijing 100049, China;
5. Department of Informatics, University of Sussex, Brighton UK BN1 9SH, United Kingdom
In order to enhance system capability and reliability in diverse scenarios of smart grid traffic with different quality of service requirements, a cognitive technology of double path maintenance for wireless smart meters is proposed using causality tree. The causality tree performs efficient reasoning by using the underlying causal relationships between metrics and events which are defined in the program of smart meters. Path maintenance metrics identify routing design issues about link states, link qualities, and correlated dynamics transitions in terms of received signal strength indicator and packet reception rate. Physical experiments are used to evaluate the reliable performance of the wireless smart meters in the scenarios of channel and electromagnetic interference.
智能电网在设备层中部署基于IEEE 802.15.4协议的无线智能电表[1].由于IEEE 802.15.4无线网络彼此之间干扰和网络带宽受限，不足以满足智能电网机器对机器(M2M, machine to machine)应用的服务质量(QoS, quality of service)需求[2]，这使得基于M2M的智能电表应当具有网络认知的自配置学习能力，明确无线节点自身能力，应对动态变化，甚至干扰场景中电网应用的QoS需求[3-4].目前跨层优化方法被限制在QoS的某一静态需求中，无法满足动态变化的QoS需求[5].计算智能方法复杂性随着目标和约束条件数目的增加呈指数增长[6].认知网络需要为无线节点建立多个加权认知图，分别面向不同任务[7].
笔者描述了基于面向工业过程自动化的工业无线网络标准技术(WIA-PA, wireless networks for industrial automation process automation)协议面向路径和设备维护信息的语义度量，并为之建立统一的因果树认知模型.其中语义度量作为被标注的原始数据，使得智能电网成为基于知识的信息认知系统.
1 路径维护度量路径是设备创建的端到端信道，所以“路径维护”依旧是由设备主导；路径维护度量侧重于描述智能电表数据传输环境，通过定义路径维护的各种度量，设备对路径维护中的信道环境变化形成认知.
1.1 WIA-PA网络拓扑如图 1所示，将WIA-PA网络表达为图G(V, L, P).
|
图 1 双路径多跳Mesh型WIA-PA网络 |
参数定义如下：
V 传感器节点的集合
L 链路的集合
P 路径的集合
L(p) 路径p∈P经过的链路集合
V(p) 路径p∈P经过的中间节点集合
P(l) 经过链路l∈L的路径集合
P(v) 节点v∈V为源节点，至网关路径集合
xl 链路l生命周期的随机变量
xp 路径p生命周期的随机变量
xP 多路径P生命周期的随机变量
x(pα, pβ) 双路径生命周期的随机变量
Fx(t) 随机变量x的累积分布函数
fx(t) 随机变量x的概率密度函数
E(x) 随机变量x的平均期望值函数
ι 链路生命周期的平均值
τ 路径生命周期的平均值
πj pα中间子路径pj的生命周期的平均值
π′j pβ中间子路径p′j的生命周期的平均值
d (pα, pβ)中间子路径对的个数
这里假设节点相对于链路具有健壮性，所以只将1条链路从创建到撤销的时间考虑为生命周期，并以此计算节点数据上传的可靠性.
1.2 多路径维护命题1 路径p(v1, v2, …，vk)由k条链路li组成，其链路生命周期随机变量xli(i = 1, 2, …, k)服从均值为l的指数分布，则该路径生命周期随机变量xp服从均值为ι=l/k的指数分布.
证明 
路径生命周期随机变量xp的累积分布函数为
|
路径生命周期随机变量xp的概率密度函数为
|
路径生命周期随机变量xp的平均期望值为
|
(1) |
其中Γ( )为换元的伽马函数.
命题2 存在从源节点v至网关s的多路径P(v)={p1, p2, …, pk, s }，且任意2个路径pi、pj∈P(v)，
证明 
其中：k为多路径中的路径个数，τi为多路径集合P中路径pi的周期随机变量均值.
多路径生命周期随机变量xP的累积分布函数为
|
多路径生命周期随机变量xP的概率密度函数为
|
不失一般性，假设路径拥有相同的长度，也就是说拥有相同的生命周期随机变量均值τ，则有
|
假设路径拥有相同的长度，生命周期随机变量xP的平均期望值为
|
(2) |
冗余路径增加了路径的生命周期，命题得证.
WIA-PA协议的超帧结构采用IEEE802.15.4标准信标使能模式.由于超帧的长度限制，无线智能电表是资源受限系统，所以维护两条路径作为主动冗余.一旦双路径中的1条被干扰，另外1条仍然能正常工作.根据式(2)，双路径维护提高了数据传输的可靠性，其路由方式可以依照不同的场景选择源路由或者图路由.
1.3 双路径维护命题3 双路径(pα, pβ)∈P(v)既有交叉节点又有交叉链路, L(pi)∩L(pj)={l1, l2, …, lk}, α≠β，存在k条交叉链路. (p1, p′1), (p2, p′2), …, (pd, p′d)是(pα, pβ)中间没有交叉链路，但有相同起止节点的子路径对，假设交叉节点完全健壮，则双路径交叉链路导致可靠性降低.
证明 双路径(pα, pβ)生命周期随机变量的概率函数为
|
双路径生命周期随机变量的累积分布函数为
|
(3) |
为对比累积分布函数，不失一般性：
假设A 双路径由2个长度、相同生命周期平均值都为τ的路径组成，且没有中间交叉节点和交叉链路.
假设B 在假设A的基础上，假设双路径存在一个中间交叉节点.
假设C 在假设A的基础上，假设双路径中一半长度为连续交叉链路.
|
表 3种假设对比 |
对于
为了避免交叉路径，每个节点维护2条上传链路，另外保留第3条链路信息作为路径重建时的后备链路.由于内存容量的限制，WIA-PA无线智能电表中维护1张邻居表和3张链路表. 3张链路表都是这张邻居表中的包含字段，分别定义了节点的3个邻居数据.依据双路径的当前状态，节点实时维护链路表和邻居表.一旦无线传感器在一定时间间隙内没有收到心跳包，则触发路径重建事件；只要1条有效路径尚存，就不会影响数据正常传输；链路表和邻居表的更新过程同路径重建保持一致.
2 设备维护度量设备维护度量侧重于描述智能设备可能面临的事件，在WIA-PA设备中定义了上百条事件(分别面向传输功率控制、数据率控制、占空比控制、阻塞控制、簇头、网关等不同任务).度量在嵌入式设备中常常以事件(event)的形式定义在程序中，当满足某一条件时，事件被触发，并发出相应的维护数据包，这些事件可以通过被动监听设备捕捉监听.
这些事件是用设备层的语义度量量化描述的过程变量，这些事件覆盖了确定的知识(known knows)、模糊的知识(unknown knows)、灰天鹅(known unknowns)和黑天鹅(unknown knows).
2.1 链路状态为了能对变化场景(数据包延迟、最短路径、数据包传输率、电池能量指标、预期传输次数、带宽、吞吐量)做出快速响应，无线智能电表每个时间窗口对链路质量做出一次评估.该评估过程取决于接收信号高强度指标(RSSI, received signal strength indicator)和数据包接收成功率(PRR, packet reception rate).依据一个时间窗口中的平均RSSI是否超出默认阈值，当前链路状态被编码为1或者0，所以3个时间窗口内存在8种可能的链路状态.其中，状态A(000) 是最理想状态，表示无干扰存在；状态H(111) 是最不理想状态，表示存在干扰或上行信号过强.
除了RSSI，PRR对于链路质量估计更加重要，保证数据传输的QoS是智能电网中智能电表的根本任务.无线智能电表是一个时变系统，其链路状态不断自主迁移，如图 2所示.
|
图 2 链路的状态转换机制 |
这8种链路状态充分考虑了3个时间窗口的历史数据，每个状态的本质就是一个低通滤波.
2.2 链路质量为了进一步施加PRR对于链路评估的影响，这8种链路状态被分类为以下4种链路质量评估.
1) 健康态：A 000, E 100；
2) 亚健康态：B 001, C 010, G 110；
3) 非健康态：D 011, F 101, H 111；
4) 突发态：不可容忍的突发事件.
其中作为健康态和非健康态的过渡状态亚健康态被用于应对非健康态，为准备措施(如跳频)提供“呼吸时间”(breathing time)——健康态能保留出至少1个时间窗口，以建立有效预备措施应对有可能出现的非健康态.即便非健康态并未如预想般发生，也只需将预备措施丢弃即可.所以一般来说，1个时间窗口不超过心跳包的时间间隔.
如果不可容忍的突发事件发生，健康态和非健康态都可在任何时间进入突发态.突发态一般来说极少发生，因为智能电表会试图通过各种措施(数据包重传、路径重建、跳频)来避免突发态的发生.对于无线智能电表来说突发态是一种完全不可预知的黑天鹅现象或者难以有效预知的灰天鹅现象.一旦突发态产生，相应的响应事件将马上被触发.
2.3 因果树WIA-PA设备维护度量中的事件可以分为6类.
1) 数据报文事件(data report event)；
2) 网关报文事件(gateway report event)；
3) 链路事件(link event)；
4) 传感器事件(sensor event)；
5) 路径事件(path event)；
6) 连接事件(connection event).
其中数据报文事件和网关报文事件作为非终结事件，将导致其他4类终结事件的发生.利用这6类事件，双路径维护可描述为因果树，如图 3所示. 图 3中的数据报文事件受到2条路径中所有可能事件的影响.任何程序上的错误、设备中的故障、链路的干扰都将导致相应事件的改变.
|
图 3 双路径维护的因果树 |
该因果推理的实现过程如图 3中文法所示，需要智能电网中的所有智能电表的事件支持.基于事件驱动的因果推理系统给予设备层维护一个全局分析推理的视角.
3 智能电网物理实验利用事件监听和因果推理，进行智能电表信道干扰室内实验和电磁干扰室外实验.
3.1 信道干扰室内实验通过对目前工作信道人工施加同频WiFi干扰，使4 m范围内的WIA-PA网络受到强干扰.被动监听设备监测链路事件，记录接收节点的RSSI和链路的PRR.如图 4所示，干扰被触发于11点钟，人工施加的干扰使得RSSI从-70 dBm升高至-40 dBm；3个事件窗口内，链路质量被评估为“亚健康态”，系统开始为重传、路径重建、跳频等事件触发做出资源准备的网络管理工作.
|
图 4 被动监听的RSSI |
在干扰前原始信道RSSI幅值尖峰在2.405 GHz处，施加干扰后尖峰跳至2.46 GHz.强烈的干扰导致“非健康态”触发跳频事件.
跳频事件的触发使得系统的工作信道避开了受WiFi干扰的频段，PRR得以回归正常值，34条链路在信道干扰下仍旧能保持95.847 1%的PRR.由此链路质量由“非健康态”提升为“亚健康态”，并最终回归至“健康态”，证明了链路在信道干扰环境中保持高可靠性.
在实验中，通过人工施加干扰信号，功能性验证了定义在无线传感器节点中的路径度量，得出了信道环境处于“亚健康态”的信道环境信息，并相应地判定为链路事件，最终导致设备节点触发“跳频事件”.该过程由设备按照预先定义的度量，用因果树推理自发完成，是设备层自主认知行为.
3.2 电磁干扰室外实验45个节点被部署于220 kV的变电站电磁干扰环境中.网络系统基本稳定，接收成功率接近100%. 图 5所示物理实验的结果验证了通过节点发送包含度量信息的维护包，实现网络的自主认知和管理；电磁干扰对于WIA-PA网络并未造成负面影响，系统路径传输可保持长时间稳定可靠.
|
图 5 45个传感器节点的PRR |
在9:46:55—15:59:19时间段内，第1组周期性采样算法每个节点以平均8 s发送一个周期数据报文；第2组均匀分布穿级采样算法每个节点以给定误差容限0.5 ℃发送非周期性报文；第3组非均匀分布穿级采样算法每个节点采用u-law解码算法u=3参数发送非周期性报文.在测试中，PRR (见图 6(a))和射频发送/接收次数(见图 6(b))等数据被记录下来.只有1个节点PRR最小为85.29%，其他节点平均PRR均为99%以上.由于设备层维护(度量、事件)占用射频发送/接收开销，数据包发送只占射频发送次数很少的部分；同时，射频接收广播数量导致射频接收数高于射频发送数.
|
图 6 PRR和发送/接收次数统计 |
在9:46:55—15:59:19共22 344 s时间段内，将射频发送次数的功率、射频接收次数的功率以及休眠功率进行累加近似计算节点平均功率：
|
式中，T为射频发送次数，R为射频接收次数.由此可得：周期性采样平均功率为334.159 mW，均匀分布穿级采样平均功率为223.974 mW，非均匀分布穿级采样平均功率为196.886 mW.室外实验中度量和事件信息以维护包的形式创建、接收、发送，占用了系统较多的带宽；然而通过对智能电网QoS需求的认知，可自适应地调整传输数据率，保证了设备低能耗的可靠传输.
4 结束语为实现智能电网设备层可靠数据传输的需求，根据RSSI和PRR为数据传输质量明确了关于链路状态、质量以及动态转换的路径维护度量.在WIA-PA设备程序中将路径与设备维护度量进行分类，以辨识无线传感器网络路径维护中不同场景QoS需求.定义了无线智能电表语义模型以实现智能电网设备层的认知系统，形成机器类型的通信过程.通过物理环境中对于智能电表语义模型中6类事件的被动监听和因果推理，验证了包含语义度量的维护包应对干扰场景能保障智能电网的QoS，实现有效维护.
| [1] |
张素香. 智能小区的商业智能[J]. 北京邮电大学学报, 2012, 35(5): 94–97.
Zhang Suxiang. Business intelligence in the smart community[J].Journal of Beijing University of Posts and Telecommunications, 2012, 35(5): 94–97. |
| [2] | Ma Chao, He Jianhua, Chen Hsiao-Hwa, et al. Uncoordinated coexisting IEEE 802.15.4 networks for machine to machine communications[J].Peer-to-Peer Networking and Applications, 2014, 7(3): 274–284. doi: 10.1007/s12083-012-0154-6 |
| [3] | Fan Zhong, Haines R J, Kulkarni P. M2M communications for e-health and smart grid: an industry and standard perspective[J].IEEE Wireless Communications, 2014, 21(1): 62–69. doi: 10.1109/MWC.2014.6757898 |
| [4] | Sabbah A I, El M A, Ibnkahla M. A survey of networking challenges and routing protocols in smart grids[J].IEEE Transactions on Industrial Informatics, 2014, 10(1): 210–221. doi: 10.1109/TII.2013.2258930 |
| [5] |
陈前斌, 张荣荣, 唐伦, 等. 联合HARQ和AMC中继系统跨层优化设计[J]. 北京邮电大学学报, 2012, 35(2): 108–112.
Chen Qianbin, Zhang Rongrong, Tang Lun, et al. Cross-layer optimization and design of combining hybrid ARQ with AMC in cooperative relay ystem[J].Journal of Beijing University of Posts and Telecommunications, 2012, 35(2): 108–112. |
| [6] | Wang Qiang, Yan Wenjie, Shen Yi. N person card game approach for solving set k-cover problem in wireless sensor networks[J].IEEE Transactions on Instrumentation and Measurement, 2012, 61(5): 1522–1535. doi: 10.1109/TIM.2011.2181781 |
| [7] | El M A, Ibnkahla M. A cognitive framework for WSN based on weighted cognitive maps and Q-learning[J].Ad Hoc Networks, 2014(16): 46–69. |