蚁群算法在应急电源管理系统中的应用

作者：迟耀丹 ，刘永峰 ，王立光 ，赵 阳 ，赵慧强 

引 言

GB 51309—2018《消防应急照明和疏散指示系统技术标准》和《建筑设计防火规范》对应急照明系统及备用电源做出规定：消防应急照明系统需采用不含重金属等对环境有害物质的蓄电池作为应急灯具的后备保障性电源，且满足火灾延续时间内应急照明设备的用电要求[1⁃2]。

应急电源管理系统是以提高整个消防系统安全性能为目的，对应急电源进行集中管理、具有电源监测和异常报警功能的管理系统[3]。《2019—2025 年中国照明电源行业市场及竞争发展趋势研究报告》中提到：2000 年以来，中国照明电源行业开始进入高速发展期，照明行业专业程度不断提高，照明电源技术参数、性能指标差异明显[2]。在这种发展趋势下，对于电源管理系统的研究提出了更高的要求。

目前电源管理系统在管理上依然沿用传统电源管理系统的管理方式，即系统对蓄电池的状态进行无差别监测[4]，由下位机采集电源信息，上位机负责信息显示的被动管理方式，这种管理方式在结构上缺乏合理性和科学性，无法发挥系统管理的宏观优势，导致系统稳定性和快速性降低。这种系统虽然能够满足日常生产，但其功能单一、规范性差、集成度低的问题使其无法适应安防产业发展[5]。在建筑综合化、规模化的形式下，寻找适合于大规模并行且具有智能特征的优化算法已成为一个重要的研究方向[6]。

本文提出的基于蚁群算法的应急电源管理方案，主要用于应急照明系统自带蓄电池的管理，采用全新、主动式的电源管理方式，充分发挥蚁群算法寻优能力，动态寻找最佳巡查路径，实现对电池单元的智能化管理。数据采集模块和现场控制器采用唤醒机制，减少系统能耗，系统监控主机与现场控制器采用差频巡查机制，在减少通信模块能量消耗的同时减少了系统的存储负担，解决了应急电源管理系统巡查方式缺乏灵活性、能量利用率低、电池寿命短的问题。

1 电源管理系统总体结构

应急电源管理系统由电源模块、数据采集模块、通信模块和上位机显示模块组成，用于管理由独立电源组成的应急电源系统[7]。

系统整体采用树状拓扑结构，如图 1 所示。上位机（即系统的监控主机）控制下层现场控制器，现场控制器控制下层电源节点，系统逐层控制，同层之间相互独立，避免节点间冲突，提高系统稳定性。应急电源系统通过对电源的输出信息进行采集、汇总、运算等操作，实现电源的电量监测、故障报警、集中管理和建立巡查档案等功能。

每个防护区域内设置若干电源节点和现场控制器，电源节点与现场控制器采用星型拓扑结构连接，应急电源随设备布置在防护区域，为设备及控制器供电，各电源节点之间无通信联系，视为独立节点。现场控制器用于接收监控主机发送的控制信息，控制电源信息采集模块采集电源电压、电流、温度信息，然后将采集到的电源数据信息通过 CAN 总线上传至监控主机；监控主机用于对电源节点采用基于蚁群算法的智能巡查并分析电源节点的荷电状态，检测结果在人机交互界面显示，并建立电源管理系统巡查档案。

2 基于蚁群算法的电源管理方案

蚁群优化(Ant Colony Optimization，ACO)算 法 由M.Dorigo于 1991年提出，是模拟蚂蚁种群外出觅食行为创立的仿生算法[8]。蚂蚁外出觅食时随机选择一条路径，发现食物后在返回蚁穴的路径上释放信息素，信息素浓度越高表示发现食物的概率越高，之后外出觅食的蚂蚁根据信息素浓度选择一条到达食物最近的路线，找到食物返回的蚂蚁同样释放信息素，形成正反馈，通过单个蚂蚁的觅食行为为蚂蚁种群找到一条最短的觅食路径[9]。

蚁群算法是一种典型的群集智能算法，具有高效并行、反馈催化的特点，通过简单个体完成该既定功能，进而实现整个系统的智能行为[10]，提供全局分布式问题的优化求解方案，在分布式电源智能管理领域表现出很高的研究和应用价值。

电源管理系统对电源节点进行集中管理，监控主机基于蚁群算法，采用主动巡查方式结合周期性定时巡查方式确定电源节点的巡查路径，并根据电源节点上传的电源数据信息分析电源节点的荷电状态。现场控制器采用固定高频率巡查电源节点，监控主机采用固定低频率发送巡查指令，采用不同频率巡查方式达到减少系统CPU 运算量、存储负荷和电能消耗的目的。

现场控制器和数据采集模块在每个系统周期内有两个状态：工作状态和休眠状态。处于工作状态时，数据采集模块在现场控制器的指示下取得电源信息，现场控制器接收节点信息并处理，完成预定工作流程；处于休眠状态时，关闭数据采集模块以节约能量，现场控制器在休眠状态下待机，保留接收上位机唤醒功能。

现场控制器巡查频率高于监控主机下达巡查指令的频率，若巡查结果无异常且未收到上位巡查指令时，现场控制器不向监控主机发送巡查结果，巡查结束后，现场控制器和节点传感器转入休眠状态，等待下一轮巡查到来；若现场控制器巡查过程中发现异常情况，现场控制器立即向监控主机上传信息，信息包含防护区域编码、故障节点编码及故障代码，监控主机根据故障信息向异常节点所在区域及相邻区域的现场控制器发出全面巡查指令，唤醒休眠状态下的节点，并接收对应现场控制器发送的巡查结果。

系统对电源节点的管理流程如图 2所示。

3 算法实现

本文设计中，电源节点间彼此独立，各电源节点按一定规则分布在防护区域内，对节点本身而言，灯具控制器向现场控制器传递该节点电源信息，与其他节点无直接通信，对于整个系统来说，监控主机向由电源节点组成的网络中投放“蚂蚁”，探测到电源异常的事件即为“找到食物”，“蚂蚁”释放信息素，现场控制器记录异常信息并向监控主机报告，节点上“信息素”的积累是基于巡查结果的叠加过程，“信息素”用来衡量节点出现异常状况的可能性，指导下一轮的巡查，这种基于时间的积累方式可以有效降低系统虚警率。

3.1 算法模型

蚁群算法无需提供全局模型，仅涉及基本数学操作，数据处理过程简单，对系统 CPU、内存要求不高，系统功能分三步实现：构建电源系统可能性解空间，建立概率分布模型；对概率分布模型进行参数化验证，产生可行解；利用可行解进行参数化概率模型的迭代更新，构建更优化参数空间[11]。

在电源管理系统的一个防护区域内，对所有电源节点进行编码，设置电源节点集合 C = { c1 ,c2 ,⋯,cn }，集合C 中任意两个节点间距离的集合用L={ij|ci,cj⊂C}表示,τi(k)为第k次巡查时i 节点发生故障的频率，代表蚂蚁在k-1次巡查中积累的信息素浓度，“蚂蚁”根据节点上信息素浓度和与其他节点间的距离综合计算状态转移概率[12]，计算公式为：

式中：Pij表示从节点i到节点j的状态转移概率；allowed为“蚂蚁”下一步可能到达节点集合，表示“蚂蚁”在该轮巡查中还未到过的节点；α为信息启发因子，表示τ的相对重要性；ηij为启发函数，表示距离在节点状态转移过程中的影响；β为距离启发因子，表示距离的相对重要性。

其中：

监控主机的电量估计系统根据接收的电源节点 f的电源数据信息，工况下的锂电池容量需大于额定容量的20%，因此对电源节点f 的荷电状态（SOC）进行判定：SOC≤20%，判定为电源节点 f异常；SOC>20%，判定为电源节点 f正常。若电源节点 f异常，则其出现故障的次数mf为1，电源节点 f发生故障的频率为：

式中：k为巡查次数，记为1；若电源节点 f 正常，则其出现故障的次数 mf为 0。

蚁群算法流程图如图3所示。

蚁群算法在电源管理系统寻优过程中分为两个阶段：

1）适应阶段。这个阶段没有信息指导系统工作，系统采用传统顺序查询方式采集数据，完善系统参数配置，历时较短。

2）协调阶段。系统经过适应阶段积累一定量的运行数据，可以自主完成巡查任务，随后整个生命周期内不断更新数据，动态调整巡查方式[13]。

现场控制器上电初始化进行节点编码、设置集合，首次巡查按节点编码顺序巡查，记巡查次数 k为 1，监控主机的电量估计系统根据接收的电源数据信息对电源节点 i 的荷电状态（SOC）进行判定，若电源节点 i 异常，则其出现故障的次数 mi 增加 1 次，电源节点 i 发生故障的频率为 τi = mik；若电源节点 i 正常，则其出现故障的次数 mi 不变，由于巡查次数的增加，电源节点发生故障的频率 τi下降。

计算电源节点 i 与剩余电源节点集合 allowed 中的电源节点的状态转移概率 Pij，Pij 最大的电源节点确定为下一巡查对象，若存在多个 Pij 值最大的电源节点，按编码顺序巡查，并将已巡查过的电源节点从剩余电源节点集合 allowed 中剔除，直至集合 allowed 中所有电源节点全部巡查完毕。

在电源管理系统中，根据节点发生异常的频率和节点间的距离计算节点状态转移概率，状态转移概率反映了未巡查节点在时间和空间上的危险性，节点巡查顺序按危险性由高到低排列，危险性越高的节点越先检查，τi值的动态更新对系统新一轮的巡查起到强调作用，避免了一条巡查路径始终处于警报状态而忽略新的危机。

3.2 仿真实验

本文基于 Matlab 软件对基于蚁群算法的电源管理系统进行仿真实验。

基于蚁群算法的电源管理系统根据各节点的异常率和节点间的距离动态规划巡查路径，通过不断的迭代运算确定最优巡查路径。在 30×30 的平面内均匀布置49 个电源节点，设置一只“蚂蚁”模拟传统电源管理方案，即按照一定的顺序对电源节点进行逐一巡查（只有一条路径），系统巡查一周经过的路径约为 321个单位。

相同场景下，监控主机释放“蚁群”（实际仿真结果表明，一定范围内蚂蚁数越多，巡查的总距离越短，超过一定数量后，巡查距离差别不大，图 4为“释放”3只蚂蚁的仿真结果），从防火区内任意节点出发，每经过一个节点计算一次状态转移概率，标记经过的节点，直至所有节点都被巡查过一遍，表示本次巡查任务结束。

图 4 为基于蚁群算法的电源管理系统仿真结果。图 4a）是优化后的电源节点巡查路径，即系统巡查一轮的最短路径；图 4b）是优化后的最短巡查距离，从图中可以看出，经蚁群算法优化后，系统巡查距离最后收敛于 246个单位。

如图 5 所示，相同面积区域内，当电源节点增加至121 个时，逐一巡查方式的巡查距离约为 560 个单位，当采用基于蚁群算法的巡查方式时，巡查距离收敛于385个单位，与传统电源管理方案相比，基于蚁群算法优化后的巡查方案具有动态性和最优性。

仿真结果表明，基于蚁群算法的系统巡查方案可以有效缩短系统巡查距离，节约系统巡查时间，基于节点异常率和空间位置规划的巡查路径，可以针对性地优先排查高风险节点，提高系统的响应速度。

4 结 语

本文设计的应急电源管理系统主要用于应急照明系统的自带蓄电池的管理，具有结构简单、控制逻辑清晰、移植性好的特点。基于蚁群算法的电源管理方案，变被动检测为主动，使系统实现智能、高效的全天候电源巡查管理任务，实现应急电源的智能化巡查管理。蚁群算法具有的反馈机制使系统不断迭代优化寻找全局最优解，使得系统巡查具有动态优化特性，从时间积累和空间距离两方面确定系统巡查路径。

审核编辑：郭婷