图1 山地变电站物联网结构图
Fig.1 Monitoring RFID system for mountain substation equipment
摘要 为了解决山地变电站监测信号的碰撞问题，该文首先构建山地变电站物联网监测系统，研究传统帧时隙ALOHA算法并进行仿真和识别效率分析，鉴于该算法吞吐率较低、局限性的弊端，提出改进帧时隙ALOHA算法。然而当监测信号量持续增大时，会导致信号识别成功率急剧降低产生安全运行问题。因此，该文对该算法进行了二次改进，研究了可并行识别的改进帧时隙ALOHA算法，搭建了变电站物联网测试平台，最后经过仿真验证，该改进算法保证了吞吐率随着信号量增大时保持相对稳定，提高了山地变电站监测信号被成功识别的概率，保障了变电站的安全。
关键词：物联网 山地变电站 碰撞 并行识别 改进ALOHA算法
为了保证当前社会使用电能的稳定性，必须确保变电站运行安全可靠。山地变电站由于处于复杂的地理位置和恶劣的气候条件之中，更需要监测众多影响变电站安全稳定运行的参量。山地变电站特殊的外界环境使其更难监测识别各参量信号，因此在山地变电站中，研究如何高效识别监测信号至关重要。
物联网（Internet of Things, IoT）技术的跨越式发展给变电站安全监测提供了新的方案和思路[1]。其中射频识别（Radio Frequency Identification, RFID）技术运用较为广泛，但在实际运用过程中，一个阅读天线要同时接收很多待识别标签，通信通道阻塞造成了标签信号碰撞问题。
目前，标签碰撞问题已经得到了广泛的关注,已有大量的标签防碰撞算法被提出。随着标签量的大幅度增加和识别范围的需求，大量阅读器被引入，阅读器碰撞问题的研究日趋迫切。国内外的研究者通过大量验证实验，发现目前常用的几种技术为：频分复用、波分复用、空分复用和时分复用应用在标签防碰撞领域中是切实可行的，但是由于目前应用较多的射频标签属于无源标签，在功耗和芯片功能方面有很大的限制[2-3]。
超高频第二代标准是全球电子产品代码（标准化组织）（EPCG）起草的基于频分多路Class1 Generation2 UHF（EPCC1G2）算法，该算法提出将阅读器之间通信与标签识别通信分开不同信道以避免碰撞，但标签没有频率选择功能，所以该算法未能解决“阅读器-阅读器”碰撞问题。欧盟采用基于载波监听（Carrier Sense Multiple Access, CSMA）机制的ETSIEN302208-l，作为阅读器防碰撞标准，该算法中阅读器在识别标签前先监听信道是否有数据传输，若信道空闲，则识别标签；若信道忙，则重新监听信道。但是该算法存在“隐藏终端”问题，不能有效地解决阅读器防碰撞问题。姜涛等提出的EMRCA算法复杂度较高，且算法效率较低；杨扬等提出的Season算法在共同识别阶段不能有效地避免阅读器之间的碰撞，使得算法第一阶段效率较低；张杰等提出的MTRSP算法性能较好，但算法复杂度高，不适合大规模应用[4-6]。由于时间、频率资源的有限性，这些算法性能均有缺点和不足，且算法相对复杂。
在现行系统中，防碰撞算法较多采用时分复用技术，经研究发现这种方法吞吐率较低，且在数量增大时具有一定的局限性。
因此，本文结合物联网技术，把物联网与山地变电站进行融合，将一种二次改进后的可并行识别的帧时隙ALOHA算法运用到山地变电站监测信号识别技术上，能够有效提高监测信号识别准确率并且将识别率稳定下来，解决了识别率随着监测信号量增大而急剧下降的弊端。
本文构建了山地变电站物联网感知层、网络层和应用层三层体系架构，如图1所示。其中，感知层对应RFID、天线、读写器；传输层对应网络；应用层对应变电站监测终端等[7-8]。
图1 山地变电站物联网结构图
Fig.1 Monitoring RFID system for mountain substation equipment
根据图1，RFID主要用来采集变电站设备及周边环境的电子标签数据，并配合传感器及摄像头构成感知层。在变电站中，准确地获取信息至关重要，通过变电站中的电子标签对站内、站外各类需要监测的信息进行感知，再通过读写器天线对分布在各个点的大量电子标签进行识别，为提高识别准确率，需要进行相应的识别算法研究[9-10]。其中，电子标签附着在变电站设备上，读写器用于读取设备信息，同时传达应用层的读写命令给电子标签，如图2所示。
图2 变电站RFID原理
Fig.2 Substation RFID schematic
帧时隙ALOHA算法是在设定的帧长内，待识别的标签以相同概率选择一帧内的任一时隙发送数据，若该时隙中有且只有一个标签响应，即识别成功[11-12]；若该时隙内没有标签响应或有m（m＞1）个标签同时响应，则发生了空时隙和碰撞时隙，导致识别失败。
假设物联网监测系统中的一个阅读器时隙数目为
，标签数目为
，某个时隙内的标签数为
[13-14]。则在一个时隙中标签数目符合二项式分布
，如式（1）所示。
（1）当已知标签数，则总的时隙数目的期望值
为
（2）根据式（2）可得，当
时，时隙里标签数为0，即该时隙空闲率E为
（3）当
时，即时隙里只有一个标签请求识别，则该时隙吞吐率S为
（4）根据冲突率=1-空闲率-吞吐率，则冲突率C为
（5）设置帧长N为16、32、64、128及256时标签数目分别与成功率、冲突率、空闲率的关系曲线如图3所示。从图3中可以看出无论帧长是多少，对监测信号的成功识别率都趋于37%附近，并且当系统达到最大成功率时，标签数目总是与帧长基本相等；当标签数远大于帧长时，冲突率也会大大增加，最终趋近于1；而当标签数基本等于帧长时，冲突率也较低；随着标签数的增多，空闲率也在减少，导致不能及时识别故障信息而发生变电站安全隐患问题。因此，需对传统帧时隙ALOHA算法进行改进。
图3 仿真结果
Fig.3 Simulation result
引入FastICA算法，则可以实现多标签在同一时隙中的并行识别。假设一个变电站中有阅读器天线
个，在某个固定时隙内，同一被测对象中的
个标签同时向接收阅读器返回信号
，该个天线接收到的信号为
，再经FastICA处理后的信号为
，则存在
（6）式中，A为
维的混合矩阵；W为
维的解混矩阵。通过求出解混矩阵W，并估计出个估计信号
，从而结束识别过程[15]。
再结合式（1）~式（5），可计算出Si、E、C、D分别为
（7）式中，D为多标签可识别率；
为改进后的吞吐率。
设置帧长N为16、32、64、128及256时，标签数n分别与吞吐率、空闲率、冲突率的关系曲线如图4所示。
图4 改进算法识别仿真
Fig.4 Improved algorithm recognition simulation
由图4可见，经过第一次改进后，算法能够实现对变电站多个监测信号的并行识别，并且能够将吞吐率提高最大至97.5%，是原始帧时隙ALOHA算法的吞吐率的2.64倍。
然而当山地变电站的监测信号量持续增大时，选定的不同帧长都将导致成功识别信号率急剧降低。虽然一定信号量范围内能提高成功识别率，但依然会造成无法及时识别信号而产生变电站的安全稳定问题。因此，文章对改进后的帧时隙ALOHA算法进行二次改进及优化。
4.1.1 帧长选择
从图4中的吞吐率可以看出，当帧长取不同值时，吞吐率达到最高点所对应的标签数是不一样的。此时，若以固定的帧长来识别被测对象标签，当标签数不足时，帧长则偏长，将会导致识别空闲时隙过多；当被测对象标签数多余时，则帧长偏短，将会导致碰撞时隙过多[16]。
结合式（7），根据待测标签数量，合理调整帧长，可让吞吐率维持在最佳状态。当吞吐率处于理想状态时，不同帧长和对应的标签数的临界点为
（8）由于帧长最大不能超过256，且必须是2的整数次幂（8~256），由式（8）可以求出帧长与标签数的关系为
（9）由式（9）根据标签数调整帧长，任意输入标签数选定帧长，当标签数为100时，系统自动设定帧长为32；为500时，自动设定为128；为1 300时，自动设定为256。
虽然解决了标签数在一定范围内因帧长设置不合理导致的随着标签数增大吞吐率急剧下降的弊端，但是当
以后，由于取最大值256，吞吐率依然急剧下降。
4.1.2 标签分组
因此，当标签数目以后，系统吞吐率会降低。为了解决这个问题，可以将总表签数进行合理分组。假设分为
组和
组，则组和组临界值为
（10）对于监测信号量比较大时，帧长优先考虑取值为256，吞吐率能够在相对较高的水平。若监测信号量较少时，根据式（10）选取合适的，保证吞吐率能够根据的值合理选择帧长。本算法优先选择
，得到标签数与分组数
的关系为
（11）式中，
表示向下取整。
通过式（11）首先对标签进行分组，再令信号沿着帧长取不同吞吐率选择帧长，执行并行识别算法，该算法流程如图5所示。
图5 可并行识别的改进帧时隙ALOHA算法流程
Fig.5 Improved ALOHA algorithm flow chart
基于“云南电网公司输变电设备在线监测系统”获取部分监测数据，搭建了变电站物联网测试平台如图6所示，并结合Matlab进行仿真验证。
图6 变电站物联网测试平台
Fig.6 Test platform substation IoT
变电站物联网测试平台可以对物联网络性能、RFID及移动应用测试单元和变电站物联网络进行测试。
与传统帧时隙ALOHA算法、固定帧时隙自动分组ALOHA算法的吞吐率相比，最终优化后的并行识别分组算法吞吐率的性能达到了一个理想的水平。分别取山地变电站监测信号n=500、n=1 000、n=2 000的情况，对比三种算法的吞吐率S曲线图，如图7所示。
图7 三种算法对比
Fig.7 Comparison of three algorithms
由图7可见，无论取山地变电站监测信号n=500、n=1 000、n=2 000，最终可并行识别的改进帧时隙ALOHA算法，其吞吐率从刚开始就变化到一个很高的水平，之后就在90%以上波动，整个过程中吞吐率比之前两种算法都高出很多，且稳定在90%以上[17]。
本文将吞吐率划分为低（0~40%）、中（40%~ 70%）、较高（70%~90%）、高（＞90%）四个等级[17]见表1。
表1 对比数据分析
Tab.1 Comparative data analysis
一个识别周期内吞吐率范围低中较高高 最终优化前标签数n135180285715 最终优化后标签数n47101 290 最终优化前标签数n占比（%）10.3813.8421. 9255.00 最终优化后标签数n占比（%）0.300.530.7699.20
由表1可见，在最终优化之前，即改进帧时隙ALOHA算法中，一个识别周期内共包含1 300个监测信号，其中处于低识别率的有135个，占比10.38%；处于中等识别率的有180个，占比13.84%；处于高识别率的有285个，占比21.92%；处于较高识别率的有715个，占比55.00%。仅有一半的监测信号能够具有90%以上的识别率，其余监测信号的识别率都不算理想[17]。
而在最终优化后，即可并行识别的改进帧时隙ALOHA算法中，一个识别周期内有1 300个监测信号，其中处于低识别率的仅有4个，占比0.30%，是优化之前的0.029倍；处于中等识别率的仅有7个，占比0.53%，是优化之前的0.038倍；处于高识别率的有10个，占比0.76%，是优化之前的0.035倍；处于较高识别率的有1 290个，占比99.2%，是优化之前的1.80倍[17]。
最后，为了更加准确验证具体RFID的准确率，实验中随机抽取某个RFID，对其数据进行了多天的发送和接收，接着随机抽取某24h时间段的RFID原信号及解混后的信号进行对比分析，如图8所示。
图8 RFID原信号及解混后的信号
Fig.8 RFID original signal and unblended signal
由图8可见，执行本文算法后，发送的四种信号均被有效接收，准确率达到90%，最差标签位于首尾两侧，最佳标签位于中间位置。因此，本文提出的最终优化可并行识别的改进帧时隙ALOHA算法适合山地变电站物联网监测系统，满足变电站对信号识别的准确率要求。
本文研究了山地变电站监测信号识别率算法，先对原始帧时隙ALOHA算法进行改进，但在信号量增大时仍存在缺陷；接着进行二次改进，研究了可并行识别的改进帧时隙ALOHA算法；最后经过仿真验证，有99.2%的监测信号能够处在高于90%吞吐率的水平，是优化之前的1.80倍，并且最高吞吐率97.5%是传统帧时隙ALOHA算法37.0%的2.64倍。因此本文提出的算法解决了山地变电站物联网监测系统中的信号碰撞问题，为后续山地变电站监测信息高效准确的传输处理提供保障，保证了变电站的安全稳定运行。
参考文献
[1] 虞阳. RFID防冲突算法研究与仿真[D]. 哈尔滨: 哈尔滨工业大学, 2010.
[2] 袁莉芬, 杜余庆, 何怡刚, 等. 可并行识别的分组动态帧时隙ALOHA标签防碰撞算法[J]. 电子与信息学报, 2018(4): 944-950. Yuan Lifen, Du Yuqing, He Yigang, et al. Anti-collision algorithm for packet dynamic frame slotted ALOHA tags that can be identified in parallel[J]. Journal of Electronics & Information Technology, 2018(4): 944-950.
[3] 杜余庆. 基于盲源分离的RFID标签防碰撞算法研究[D]. 合肥: 合肥工业大学, 2018.
[4] 姜涛, 张明宇, 崔晓丹, 等. 电力系统静态电压稳定域边界快速搜索的优化模型[J]. 电工技术学报, 2018, 33(17): 4167-4179. Jiang Tao, Zhang Mingyu, Cui Xiaodan, et al. Optimization model for fast boundary search of static voltage stability domain in power system[J]. Transactions of the China Electrotechnical Society, 2018, 33(17): 4167-4179.
[5] 杨扬. 基于RFID的无线传输系统[J]. 科技经济导刊, 2017(16): 17-18. YangYang. Radio transmission system based on RFID[J]. Technology and Economic Guide, 2017(16): 17-18.
[6] 张杰, 刘辉, 欧伦伟. 改进的FastICA算法研究[J]. 计算机工程与应用, 2014, 50(6): 210-212. Zhang Jie, Liu Hui, Ou Lunwei. Research on improved FastICA algorithm[J]. Computer Engineering and Applications, 2014, 50(6): 210-212.
[7] 张慧, 卢文冰, 赵雄文, 等. 基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究[J]. 电工技术学报, 2018, 33(16): 3879-3888. Zhang Hui, Lu Wenbing, Zhao Xiongwen, et al. Research on noise modeling of power line communication channel based on least squares support vector machine and wavelet neural network[J]. Transactions of the China Electrotechnical Society, 2018, 33(16): 3879-3888.
[8] 孙若凡, 冯勇华, 杨奇, 等. 一种帧长优化的动态时隙ALOHA算法[J]. 光通信研究, 2017(1):54-56. Sun Ruofan, Feng Yonghua, Yang Qi, et al. A dynamic time slot ALOHA algorithm for frame length optimization[J]. Optical Communication Research, 2017(1): 54-56.
[9] 李飞高, 张贵林. 基于ALOHA的分组动态帧时隙RFID系统防碰撞算法[J]. 轻工学报, 2012, 27(3): 80-82. LI Feigao, Zhang Guilin. Anti-collision algorithm for packet dynamic frame slotted RFID system based on ALOHA[J]. Acta Metallurgica Sinica, 2012, 27(3): 80-82.
[10] Duroc Y, Tedjini S. RFID.A key technology for Humanity[J]. ComptesRendus Physique, 2018, 19(1-2): 64-71.
[11] Zhao Qi, Li Haolin, Wang Xinying, et al. Analysis of users’ electricity consumption behavior based on ensemble clustering[J]. Global Energy Interconne-ction, 2019, 2(6): 480-489.
[12] 张波, 疏许健, 黄润鸿. 感应和谐振无线电能传输技术的发展[J]. 电工技术学报, 2017, 32(18): 3-17. Zhang Bo, Shu Xujian, Huang Runhong. development of inductive and resonant wireless energy transmission technology[J]. Transactions of the China Electrotechnical Society, 2017, 32(18): 3-17.
[13] Peng Qingsong, Zhang Ming, Wu Weimin. Variant enhanced dynamic frame slotted ALOHA algorithm for fast object identification in RFID system[C]//IEEE International Workshop on Anti-Counterfeiting, Security, Identification, IEEE, Xiamen, China, 2007: 88-91.
[14] 武海艳, 宫娜娜. 基于物联网的变电站安全作业系统[J]. 计算机系统应用, 2015, 24(3): 115-119. Wu Haiyan, Gong Nana. Substation safety operation system based on internet of things[J]. Journal of Computer Systems, 2015, 24(3): 115-119.
[15] 陈厚合, 王长江, 姜涛, 等. 基于投影能量函数和Pin-SVM的电力系统暂态稳定评估[J]. 电工技术学报, 2017, 32(11): 67-76. Chen Houhe, Wang Changjiang, Jiang Tao, et al. Power system transient stability assessment based on projection energy function and Pin-SVM[J]. Transactions of the China Electrotechnical Society, 2017, 32(11): 67-76.
[16] 韦肖燕, 李欣然, 钱军, 等. 采用储能电源辅助的暂态稳定紧急控制方法[J]. 电工技术学报, 2017, 32(18): 286-300. Wei Xiaoyan, Li Xinran, Qian Jun, et al. Transient stability emergency control method based on energy storage power supply[J]. Transactions of the China Electrotechnical Society, 2017, 32(18): 286-300.
[17] 周洁. 基于变电站RFID无线监测系统监测信号防碰撞算法研究[D]. 昆明: 昆明理工大学, 2019.
Improved Framed Slot ALOHA Algorithm of Parallel Identification for Substation Signals in IoT Environment
Abstract This paper first constructed a mountain substation monitoring system in IoT environment, studied the traditional frame slot ALOHA algorithm and carried out simulation and efficiency analysis in order to solve the collision problem of monitoring signals in mountain substations. In view of the low throughput and limitation of the algorithm, the improved frame slot ALOHA algorithm was studied and simulation and recognition efficiency analysis was carried out. However, when the monitoring semaphore continues to increase, the success rate of signal recognition will be reduced sharply, resulting in a safe operation problem. Then the second improved frame slot ALOHA algorithm was studied, and the substation IoT test platform was built. Finally, the simulation proved that the throughput remains relatively stable as the semaphore increases, so the probability of successful identification with monitoring signal of mountain substation is improved, and the safety of the substation is guaranteed.
keywords：Internet of things(IoT), mountain substation, collision, parallel recognition, improved ALOHA algorithm
中图分类号：TM769
DOI: 10.19595/j.cnki.1000-6753.tces.191623
中国博士后科学基金面上项目（2019M653496）和云南省首批博士后科研基金一等资助项目（SCPS环境下云南变电站风险预警模型研究）资助。
收稿日期 2019-11-22
改稿日期 2020-07-22
王洪亮 男，1984年生，博士，副教授，研究方向为电力物联网、电力系统分析。E-mail：whl010011@163.com
束洪春 男，1961年生，教授，博士生导师，研究方向为电力系统故障定位以及行波分析。E-mail：kmshc@sina.com.cn（通信作者）
（编辑 赫蕾）