基于交互时长的通信协议应用诊断与优化方法

巫钟兴，丁忠安，夏桃芳，朱子旭，王雅平

(1.中国电力科学研究院有限公司，北京 100192； 2.国网福建省电力有限公司营销服务中心，福州 350009)

0 引 言

为满足电能信息采集业务需求的快速发展，电力行业电测量标准化技术委员会组织编制发布了电力行业技术标准DL/T 698.45《电能信息采集与管理系统 第4-5部分：通信协议—面向对象的数据交换协议》(以下简称面向对象协议)，该协议采用面向对象方法建模，具有灵活扩展、采集高效、数据溯源性好等技术特点[1-3]。目前面向对象协议已在电力公司广泛应用，很好的支撑了多表合一、高频数据采集、停电事件上报等业务应用[4-5]。

目前电能信息采集方案配置主要采用人员经验判断方式，通常按照台区的规模、用户类型、本地通信方式等主要特征，大体上制定若干套固定的采集方案，并通过主站下发至采集终端，后续采集终端按照采集方案策略执行数据采集任务。由于台区用电情况和设备运行工况的复杂多样，固定的采集方案难以适应各种各样的台区特征和动态多变的台区环境，导致采集效率不高，难以充分发挥出面向对象协议灵活配置的技术优势[6-7]。

电能信息采集的通信环节主要分为主站与终端的远程通信和终端与电能表的本地通信。远程通信主要采用4G无线公网通信信道，存在通信成本较高和偏远地区信号差等问题，但总体来说其通信带宽高、稳定性好，通信交互问题较少。本地通信主要采用电力线载波、微功率无线、RS-485等通信方式，通信速率较低，容易受到干扰，测量点数量大，其通信效率对整个电能信息采集系统的影响较大。由于电力线载波在本地通信中占比最大，因此本文主要针对电力线载波通信方式进行研究。

本文主要聚焦面向对象协议应用中涉及本地通信环节的采集策略相关参数，针对电力线载波通信提出一种基于通信报文交互时长的诊断与优化方法。报文监测分析作为一种数据记录存储和关键信息提取的有效手段，在电力行业应用广泛，文献[8]研究了智能变电站过程层网络报文特性并进行通信配置，文献[9]将通信报文分析用于继电保护故障信息系统。而多元线性回归作为一种经典的数据分析方法，由多个自变量组合成最优组合进行预测或估计，预测效果更符合实际，并且在农业、建筑、地理环境、金融、教育等各行各业得到了广泛的应用[10-15]。递归最小二乘广泛应用于信号处理、系统辨识和线性优化等领域[16-19]。本文通过监控报文分析提取典型特征量，利用多元线性回归和遗忘因子最小二乘建立一次通信交互时长模型，并根据典型特征库数据进行模型更新。根据建立的一次通信交互时长模型，对台区当前采集方案进行诊断，判断方案中任务周期的合理性，并以最大化抄表效率为优化目标，通过数据项和历史记录读取组合的方式调整报文长度，进行采集方案优化，实现“一台区一方案”和方案动态调整，提高系统的采集效率，并通过试点应用验证了该方法的可行性。

1 一次通信交互时长计算模型

1.1 影响交互时长的特征量

一次通信交互时长是指终端与电能表之间完成一次报文收发所需要的时间。一次通信交互时长主要取决于多个通信交互特征量，包括：请求报文长度、响应报文长度、载波通信速率、终端本体与路由模块通信速率、电能表本体与载波模块通信速率、终端响应延时、电能表响应延时。一旦台区确定，则台区设备和线路确定，在台区正常工况下，可认为载波通信速率、终端本体与路由模块通信速率、电能表本体与载波模块通信速率均为定值，故载波传输时间、终端本体与路由模块通信时间、电能表本体与载波模块通信时间可认为与报文长度成正比；而终端响应延时、电能表响应延时取决于终端本体和电能表本体，分为可变延时和固定延时两部分，可变延时可认为与报文长度成正比，固定延时为设备响应固定时间开销。综上可知，一次通信交互时长可分为与报文长度成正比部分和固定开销部分，即可认为一次通信交互时长与请求和响应报文长度是线性相关的。

利用报文监测分析软件，长期监测台区终端和电表之间通信报文，在剔除通信不良或干扰严重时段通信报文后，针对台区正常通信报文，展开多维度多层次典型特征统计，提取请求报文长度、响应报文长度、一次通信交互时长、波特率等典型特征量，建立通信特征量典型特征库，为模型建立和迭代更新提供数据支撑。

1.2 模型建立

多元线性回归是以多个解释变量的给定值为条件的回归分析，是研究一个因变量和多个自变量之间依存关系的统计方法，它能估计多个自变量x的线性系数，使组成的线性方程最佳地预测因变量y的值。多元线性回归模型的一般形式为：

yi=β0+β1xi1+…+βpxip+εi,i=1,2,...,n

(1)

式中β0,β1,…,βp是回归系数，εi是相互独立且服从同一正态分布的随机误差，n是独立样本个数，该模型详细展开可表示为：

(2)

为书写和表示方便，可以把该模型写成矩阵表达式的形式：

Y=Xβ+ε

(3)

式中Y是由n次不同状态下获得的因变量观测值构成的n维向量；X是由n次不同状态下自变量样本构成的n×(p+1)阶矩阵；β是因变量回归系数构成的p+1维向量；ε是n维随机误差向量。若X的列满秩，可得到β的最小二乘估计：

(4)

统计学已证明是β的无偏估计，从而得到不含偏差项的样本回归函数：

(5)

基于1.1节对通信交互特征量的分析，可以将一次通信交互时长理解为与请求报文长度、响应报文长度线性相关的特征量，通过从典型特征库中选取一定时间段内分布在不同长度区间的报文及相应交互时长作为样本，基于多元线性回归建立如下一次通信交互时长模型：

tone=a1Ltx+a2Lrx+a0

(6)

式中tone指一次通信交互时长(ms)，Ltx,a1为请求报文长度(byte)及其回归系数;Lrx,a2为响应报文长度(byte)及其回归系数;a0为固定时间开销。

上述模型可以体现样本所在时间段内一次通信交互时长与请求报文长度、响应报文长度之间的线性关系。但随着时间推移，台区运行工况可能发生变化，这一线性关系也可能发生变化。因此，间隔一定时间周期后，要从典型特征库中选取最新样本进行模型在线更新。完全选取新样本数据重新计算模型，对存储要求高，计算效率低，故考虑使用递归最新小二乘算法，利用新样本对估计结果进行修正，减少存储要求，提高计算效率，提高模型准确率。

递归最小二乘更新公式[16]为：

(7)

式中βn表示用前n次观测数据得到的最优估计；Xn表示第n次观测自变量样本数据；yn表示第n次观测因变量样本数据；Pn=(ATA)-1表示用前n次观测数据得到的逆矩阵，这里没有直接求逆，而是通过Pn-1和Xn计算得到。

由于递归最小二乘算法认为不同时刻样本数据是一样的，对于样本的重要性不够重视，因此引入遗忘因子[20-22]的概念来提高当前样本的重要性。将Pn带入Kn，得到Kn计算公式为：

(8)

引入遗忘因子后，Kn计算公式更新为：

(9)

式中k指遗忘因子；k越大则当前观测样本的权重越大，历史样本的作用遗忘越快。

利用多元线性回归建立一次通信交互时长模型后，间隔一定时间引入新的样本数据，采用遗忘因子递归最小二乘法进行模型在线更新，提高模型的准确性。

2 通信协议应用诊断方法

基于一次通信交互时长模型，进行通信协议应用诊断，判断采集方案中任务周期是否合理，即任务周期内能否完成本台区所有的抄读任务。

将不同任务的单次请求报文长度和单次响应报文长度带入一次通信交互时长模型，计算出不同任务的一次通信交互时长。然后根据台区规模可以计算出每个任务的单周期实际采集耗时，具体如式(10)所示。

(10)

(11)

式中β为周期冗余系数，主要考虑为各任务失败重试留一定时间冗余量。

将各任务调整后采集周期TZ与原采集周期T进行比较，若TZ>T，则说明终端无法在该周期内完成该采集任务，采集周期不合理，应该参考TZ进行任务采集周期修正。

3 通信协议应用优化方法

3.1 周期性任务采集耗时优化模型构建

针对每种周期性采集任务，通过增加其一次通信交互的报文长度，减少通信交互次数，从而减少任务整体采集耗时，尽可能提高通信效率，既有利于用户规模大、通信工况差的台区提高抄表成功率，也有利于为台区数据采集方案中配置更多抄读任务。因此建立如下周期性任务采集耗时优化模型：

(12)

对于确定的周期性任务，一旦确定其数据项组合形式以及一次读取历史记录条数，相应的请求报文和响应报文长度即可确定，因此可通过不同数据项组合以及一次读取多条历史记录的方式增大一次通信交互的报文长度，从而形成不同长度的收发报文组合；同时，完成该任务一天采集量的收发报文中包含的有效数据总长度可认为是固定的，增大一次通信交互报文长度后，相应地，一天内执行该任务的通信交互次数也随之减少，通信效率随之提高。图1为通信效率随报文长度变化趋势图。

图1 通信效率随报文长度变化趋势图Fig.1 Variation trend of communication efficiency with message length

通信效率随一次通信交互报文长度的变化呈现正相关的变化趋势，一次通信交互报文越长，通信效率越高。

3.2 二次优化周期性任务采集耗时优化模型

分析周期性任务采集耗时优化模型可知，某周期性任务一天收发报文中包含的有效数据总长度固定的情况下，任务总耗时中与报文长度相关部分也近似为固定值，只有任务总耗时中固定开销部分随着交互次数的减少而减少；所以尽可能增大一次通信交互报文长度，减少交互次数，即可最小化任务总耗时，最大化通信效率；但与此同时，一次通信交互报文越长，通信交互时丢帧可能性越高，通信成功率越低。

因此对周期性任务采集耗时优化模型进行再次优化，结合典型特征库统计分析，根据实际通信需求对优化模型调整如下：

(13)

式中Rsuc为不同报文长度下一次通信交互成功率;Rlimit为一次通信交互成功率阈值;Rsuc可根据通信特征量典型特征库统计计算得到;Rlimit可根据实际应用需求设置。图2为通信效率和成功率随报文长度变化趋势图。

图2 再次优化后通信效率和成功率随报文长度变化趋势图Fig.2 Variation trend of communication efficiency and success rate with message length after optimization

通信效率和通信成功率随一次通信交互报文长度的变化呈现相反的变化趋势，故优化模型在通信效率和通信成功率二者之间进行权衡，在满足通信成功率阈值的前提下，尽可能增大一次通信交互报文长度，减少通信交互次数，提高通信效率。

上述模型可看作一个线性规划模型，求解上述优化模型，即可得到当前台区各周期任务效率最高的抄读方式以及相应各周期任务实际抄读周期，可参考求解结果进行采集方案配置，实现通信协议应用优化。

4 诊断与优化流程

通信协议应用方案诊断与优化流程见图3。

图3 诊断与优化流程Fig.3 Diagnosis and optimization flow

首先，利用报文监测分析软件长期监测台区终端和电表之间通信报文，建立台区通信特征量典型特征库。其次，从典型特征库选取适量样本数据，包括一次通信交互时长、请求和相应报文长度，利用多元线性回归建立一次通信交互时长模型。再次，针对台区当前采集方案，基于交互时长模型计算方案中周期性任务的估计周期，判断当前任务周期的合理性。然后，针对台区当前采集方案，建立周期性任务采集耗时优化模型，利用数据项和历史记录读取组合的方式减少通信交互次数，提高通信效率。最后，一定时间周期后，从典型特征库选取最新样本，利用引入遗忘因子的递归最小二乘法对一次通信交互时长模型进行在线更新样本数据，开启新一轮通信协议应用诊断和优化。

5 应用结果与分析

5.1 抄读效率分析

为验证所提算法的有效性，以某试点台区应用数据为例进行分析。该台区的用户规模为N=500，周期性任务S为15 min曲线任务(数据项：电压、电流、正向有功总电能)，对应任务的采集周期为为15 min。

从台区典型特征库中选取最近7天内的100组样本数据，每组样本包括请求报文长度、响应报文长度、一次通信交互时长。为提高所建模型的有效性，样本中请求报文和响应报文长度尽可能分布在不同长度区间内，然后利用选取的样本数据计算模型回归系数，得到一次通信交互时长模型为：

tone=8.6Ltx+11.3Lrx+212

(14)

任务S通常的单次请求报文长度Ltx=71，和单次响应报文长度Lrx=112，带入式(10)可以计算出该任务的单周期实际采集耗时约为17.4 min，大于原任务的采集周期15 min，即在15 min周期内无法完成该曲线任务的抄读，应进行任务周期修正，如将曲线任务S的抄读周期改为30 min。

将任务S的抄读周期修正为30 min，即一天要完成48点曲线数据采集，完成一天数据采集量的收发报文中包含的有效数据总长度固定，通过历史记录读取组合的方式调整任务的单次报文长度，一天内执行该任务的通信交互次数也随之变化，该映射关系如表1所示，表最后一列体现了不同报文长度下一次通信交互的成功率，由该台区典型特征库统计得到。

表1 不同历史记录读取组合抄读情况Tab.1 Different ways of reading historical records

令一次通信交互成功率阈值Rlimit= 95%，将表1中满足通信交互成功率阈值的报文长度数据代入式(13)，得到完成该任务一天采集量的最短耗时，即为该任务效率最高的抄读方式；此时该任务一天通信交互6次，一次抄读8条历史记录，可参考该结果进行采集方案配置。

根据历史记录数据读取组合调整报文长度，提高了系统的电能信息采集效率，说明文中方法具有较好的实用性。

5.2 对电能信息采集效率的对比分析

为了更好的验证文中方法的性能，将目前采用人员经验判断方式进行电能信息采集的方案设为传统方法，与文中所提进行电能信息采集的方法进行对比，对比结果如表2所示，其中任务耗时是指完成周期性任务一天采集量的采集总耗时。

表2 两种方法对比结果Tab.2 Comparison results of two methods

通过表2可知，在执行不同的周期性任务时，相比传统的人工经验判断方式，使用文中提出的基于交互时长的通信协议应用诊断与优化方法进行电能信息采集，采集效率始终有较大提升。而且，在任务抄读周期越短时，采集效率提升越明显；这是由于抄读周期越短，传统方法通信交互次数越多，使用文中方法进行优化后，通信交互次数下降越明显，采集效率提升越大。对比结果进一步说明了文中方法在实际应用上具有良好性能。

6 结束语

针对目前电能信息采集方案难以匹配台区通信工况导致采集效率不高的问题，提出了一种基于交互时长的通信协议应用诊断与优化方法。通过监控报文分析提取典型特征量，利用多元线性回归和遗忘因子最小二乘建立一次通信交互时长模型，计算周期任务交互时长判断任务周期合理性，通过数据项和历史记录读取组合的方式增长报文长度，提高通信效率。该方法充分考虑了台区间的通信工况差异性，为提高低压台区抄表效率和成功率提供了一种行之有效的思路。在后续的研究中，还可以从结合采集任务优先级和建立通信成功率模型两方面着手，进一步提高优化方法的实用性。