电力物联网中基于深度学习的无蜂窝接入点选择算法

王宏刚，孙明月，简燕红，米娜

（国家电网有限公司大数据中心，北京市西城区 100052）

0 引言

近年来，以物联网、5G和人工智能为代表的新一代信息技术的成功应用，使得物联网技术与电力业务的结合更加紧密[1]。随着物联网在智能电网应用的产业化、规模化，实际应用中将初步形成电力物联网建设发展标准体系，通过电力物联网技术的积极探索和深入实践，适应分布式能源、储能、电动汽车等交互式用能设施大规模并网接入，能够更好地满足人民群众美好生活的用能需求[2]。但是，随着电力物联网接入设备规模的扩大，传统的集中式基站将无法满足大规模电力设备的无线通信需求[3]。

传统集中式蜂窝网络的性能通常受到小区间干扰的限制。尤其是靠近小区边界的设备，不仅接收基站的信号质量差，还会受到临近小区强烈的干扰[4-5]。文献[6]提出分布式多入多出(multipleinput-multiple-output，MIMO)、协调多点传输等技术可以通过基站之间的相干协作来减少这种小区间干扰，但是也带来大量的回程开销和高部署成本。而在无蜂窝网络中，大量配备多天线的接入点（access point，AP）密集分布在电力设备周围，这样可以利用良好的传播路径和信道硬化特性，在设备间干扰较小的情况下复用多个设备，并具有较高的宏分集和较低的路径损耗[7]。但是，同一时刻全部的AP被激活用来服务某个设备时会对其他的设备产生严重的干扰。

对于每个设备来说，筛选出有效的AP组合相比全AP传输具有更高的频谱效率(spectrum effectiveness，SE)和能量效率(energy efficiency,EE)[8]。文献[9]提出以设备与AP的欧式距离为基准的AP选择算法，直接选择距离最近的AP。文献[10]进一步提出了一种把有用信号与设备间干扰信号的差值作为筛选条件的AP选择算法，该算法下每个设备能选择一个有效信道增益最高的AP。但是，这些方案同一时刻只利用一个AP服务设备，且都没考虑同AP服务下的设备间干扰。考虑多AP服务的情况下，文献[11]提出了2种分别基于接收功率排序与基于大尺度衰落系数排序的方法，并筛选出占比达到95%的AP，进一步优化系统总的能量效率。但是占比阈值的确定只能根据历史经验，在时变的动态信道环境下不具有时效性和鲁棒性。

对于传统的全AP传输和基于信道特征进行排序的方法，由于AP和设备的规模及性能指标的非线性优化给理论分析带来巨大的挑战。为了更有效地实时利用多AP的频谱和能量资源，在传统机器学习支持向量机（support vector machine，SVM）分类器[12]和K邻近（K-nearest neighbor，KNN）聚类[13]的标签化分类基础上，本文考虑通过基于深度神经网络（deep neural network，DNN）的人工智能新技术来改进。通过使用离线数据集训练DNN代替复杂的理论分析对AP进行有效筛选可以获得近似最优解，仿真结果表明，所提出的算法能够进一步提升无蜂窝网络多设备的平均频谱效率，并具有更低能耗。

1 系统模型

考虑在一个去蜂窝电力物联网系统中，由L个配置M根天线的AP服务K个相互独立的单天线设备，其中L>K。将AP随机分布在一个半径为r的电力物联网覆盖的大区域中，所有AP通过高速回程网络连接到中央处理器。在无蜂窝时分双工系统下，将每个相干间隔分为2个阶段：上行导频训练和下行的数据传输。每个相干间隔长度一般设为τc，其中一部分τp用于上行导频训练，剩余一部分(τc−τp)用于下行数据传输。

1.1 上行导频训练

所有设备将自己导频序列发送给所有设备，每个导频符号归一化传输信噪比(signal to noise，SNR)为ρp。设第k个设备的导频序列且‖φk‖2=1，其中k=1,···,K。则第l个AP接收的导频信号为

式中：Wp,l为M×τp噪声矩阵，每个元素都服从CN(0,1)的独立同分布；glk∈CM×1为 第k个设备与第l个AP之间的信道向量，可以建模为

式中： βlk为当前信道的大尺度衰落系数；hlk为第k个设备与第l个AP的之间的瑞利信道向量。考虑正交导频估计的信道向量为，则有估计误差向量。导频正交必须满足导频长度大于总设备个数，此时才有对任意设备k，和服从分布：

1.2 下行数据传输

在进行下行数据传输的过程中，所有AP将信号X=[x1···xl···xL]∈CL×1同时传输给电力物联网覆盖范围内的所有电力设备，且有‖xl‖2=1。在总的传输功率为pT，每台设备的传输功率为 ρk的情况下，第k个设备接收的信号[14]为

式中：nk～CN(01×M,IM)为加性噪声向量。

利用最大比合并检测技术，用户k信号的接收信干噪比[15]：

2 性能分析

2.1 频谱效率分析

由于AP并不能获得该系统下实际的信道状态信息，但可以假定能获取信道状态的统计信息。利用以往研究的近似计算方法求取频谱效率的容量边界，上行数据传输的可达率为

式中：Ak为有用信号；Bk为不确定性增益；Dkk′为设备间的干扰信号；nk为信道噪声。由于AP数目一般较大，有效的信道增益一般在信道增益均值上下浮动，可以根据式(6)的接收信号展开，Ak有用信号进一步展开为：

则此时无蜂窝时分双工系统总的频谱效率为

2.2 能量效率分析

将总功耗分为以下3个部分：设备端消耗的功率，AP端电路功耗和回程功耗。所消耗的总功率[16]为

式中：Pk=(µk)−1ρkN0+Ptc,kk，为设备 消耗的功率；µk为 功率放大系数；N0为噪声功率；Ptc,k为设备端的电路功耗。

而第l个AP的回程功耗[17]为

则系统总功耗为

该系统下，总的能量效率[18]可以表达为

3 AP选择算法

考虑所有AP及设备静止分布在某个电力物联网覆盖范围内，为使范围内AP与设备端尽量实现有效连接，利用DNN算法进行有效AP的筛选，从而有限消除用户间干扰以及降低系统的能耗。基于DNN的AP选择算法分为两步，分别为数据的生成预处理，以及标签的筛选迭代。

3.1 数据预处理

在将数据输入DNN框架之前，需要对数据进行预处理，首先根据理论，生成信道数据集G以及对应的AP选择方案构成DNN的输入和输出。然后，提取信道数据集中的大尺度衰落系数作为信道的表征，生成特征向量fs，并将输出标签Bs定义为AP的组合形式，那么s便是AP的组合种类。

将特征向量进行标准化处理，并设计关键性能指标，本文所优化的是频谱效率和能量效率，关键性能指标便是与2个性能息息相关的信号干扰噪声比（signal interference to noise rate,SINR），遍历所有的AP选择方案，则训练集和测试集中最优的AP选择方案对应着最大的SINR，由此生成对应的特征向量与最优AP组合的数据集，并把其中75%的数据用作训练，25%的数据用于测试。

3.2 基于DNN的AP选择

首先，搭建DNN算法的总体框架，除了输入层和输出层以外，设所提出的DNN采用了Q个隐藏层，每个隐藏层都设有相同的神经元N，采取线性整流函数（rectified linear unit，ReLU）作为神经元的激活函数。将从训练集G提取的特征向量fs和 分类标签Bs成对作为输入第一层可以获得对应的输出为

式中：W1∈RN×1为 第一层的训练权重；b1∈RN×1为第一层的训练偏置；=fs为输入层。

那么，对于第q(1

式中：Wq∈RN×N为第q层 的训练权重；bq∈RN×1为第q层的训练偏置。

最后，对于最后一层，在[0,1]区间内采用柔性最大值传输函数来表征输出矢量的元素，其结果可以表示为

通过迭代公式（16）到公式（18）的过程，基于最小交叉熵损失和函数不断训练各层的权重与偏置值，函数表示如下：

式中为根据分类标签所期望得到的值，那么对于一个新的测试集Gnew来说，就是将其特征向量fnew提取出来，重复上述步骤，并求解能够获得最大的m值。

4 仿真结果

为验证本文提出的AP选择算法的合理性和有效性，首先利用Matlab平台生成带有信道特征的训练集和测试集数据，然后将数据打包输入深度学习框架Pytorch进行DNN算法的迭代，其中，隐藏层层数Q和神经元个数N在经过了模型调整和参数优化之后的值设定在了4层和14个。基于瑞利信道下，采用Cost 231 Walfish-Ikegami模型中的路径损耗βlk=−34.53−38lgdlk+δ进行10000次实验，其中dlk、δ分别为不同环绕情况下的最小值的距离和阴影衰落系数。其他相关参数见表1。

表1 仿真参数Table 1 Simulation parameter

在AP数目和位置确定的情况下，设备平均SE与设备数的关系如图1所示。当AP个数为50时，由图1可以看出，随着设备数的增加，设备的平均SE会降低，这是因为随着设备数的增加，设备间干扰会逐渐强烈。将所提出的基于DNN的AP选择算法与全AP传输对比可以看出AP选择能通过选择有效AP连接，使设备平均SE得到较大幅度的提升。相同条件下文献[11]中基于信道系数排序的AP选择算法只考虑了端与端之间的信道增益，没考虑设备间干扰，所以最后性能没有本文所提出的AP选择算法好。另外，文献[12]和文献[13]中利用SVM和KNN的效果因为线性参数结构的性质也远没有本文提出的DNN的算法效果好。

图1 不同AP总数下设备数与设备平均SE的关系Fig.1 Relationship among the number of devices and average SE of devices under different APs

图2为AP数与总SE的关系，从仿真图中可以看出所有AP传输方式下总的频率都随着AP数的增加逐渐增加，并趋于稳定。随着AP数的增加，服务同一个设备的AP也会增多，由此造成的设备间干扰也会提升。由此也可以看出在该系统下AP越多反而会使设备干扰显著增加，使最后的频谱效率趋于平稳。通过比较不同AP传输方式可以看出，所提出的基于DNN的AP选择算法得到的总SE性能相较于其他传输方式有较大的提升。但是在AP个数不大时，由于95%的阈值设置，被筛除的AP不多，传统的基于信道排序的算法拥有更好的性能。

图3显示了在小区范围分别为1 km和2 km时，AP总数对总的EE的影响。仿真图也间接验证了图2结果：AP数目越多，系统的整体性能并不一定越好。即AP数目越多，设备间干扰也尤为显著，全AP传输下的无效AP也越多。同时由图3可以看出随着小区范围越大，总的SE越小。因为随着小区范围的增大，在相同数目AP下，造成的平均路径损耗也会更大。图3中显示AP选择的全AP传输下的性能要好，且所提出的基于干扰抑制信道的AP选择算法的EE相比另外2种AP选择算法提升效果更好。因为该种算法考虑干扰抑制能力，相比别的算法，选择的AP组合更有效。

图2 AP数与总SE的关系Fig.2 Relationship between the number of APand thetotal SE

图3 不同小区范围下AP总数对EE的关系Fig.3 Relationship between total APand EE in different cell ranges

图4展示了经过模型参数优化调整后的DNN算法的测试集与训练集的正确率及损失。由图4可以看出，测试集的数据在经过了多次迭代后，正确率能够逐渐逼近训练集的准确率，达到95%以上，而训练集的学习准确率随着迭代次数的增加也能逐渐逼近100%的准确率。

图4 DNN训练集和测试集的准确率及损失图Fig.4 Accuracy and loss of DNN training set and test set

5 结语

与传统的全AP传输和基于信道系数排序的AP选择算法相比，DNN算法不需要进行人为阈值排序和筛选，而是直接描述信道特征与AP组合之间的关系，能够达到更高的频谱效率和能量效率。另外，与其他机器学习的算法如SVM和KNN相比，由于DNN不受限于线性参数结构，DNN拟合参数的效果也更好。除了优越的拟合效果，DNN的优势还在于其实时性以及能够处理复杂场景，比如干扰较多的变电站和发电厂。通过分析无法人为定义的存在较多干扰的信道内在特征，可以实时地预测当前的最优选择，从而保障当变电站线路出现部分故障时，传感器数据仍然能够上传，但是目前只考虑了设备间的相互干扰，当存在区域性的电磁电磁干扰或者人为主动干扰，如何有效利用深度神经网络算法还有待研究。