智能电网邻域网中5G uRLLC的上行资源调度方案

董晓丹 吴 琼

1(江苏信息职业技术学院电子信息工程学院 江苏 无锡 214153)

2(江南大学物联网工程学院 江苏 无锡 214122)

0 引 言

智能电网(Smart Grid, SG)作为下一代电网,将在发电、配电和电力通信等方面做进一步的完善,以实现其安全、可靠、灵活的要求[1]。相比于普通电网,SG将会产生海量的信息数据,需要高性能的通信网络来监视和控制流量[2]。在SG通信网络中,智能电网邻域网(SGNAN)是电力运营商与终端用户之间沟通的媒介[3],负责并处理终端发送到数据集中单元(Data Concetrator Unit, DCU)的数据,对数据传输有较高的实时性和可靠性要求[4]。SGNAN是连接高级量测基础设施、分布式电源、配电自动化等业务终端的网络[5]。考虑到访问的便利性,无线网络成为SGNAN的主要通信基础架构[6]。

虽然无线SGNAN具有覆盖范围广、造价低、部署方便等优点,而美国联邦通信委员会认为SG想要获取足够的许可频谱资源变得越来越困难[7],所以为满足SG终端用户的各种业务要求,有必要在SGNAN中设计有效的资源分配方案[4],目前已有相关工作对SGNAN中设计有效的资源分配展开研究。Zhao等[3]提出了认知无线电NAN网关的最佳频谱分配策略,该策略的决策过程以四阶段Stackelberg游戏为模型,并结合新颖的相应算法。Shah等[8]根据应用程序的服务质量(QoS)要求,将流量定义为多属性优先级类别,设计了一种基于认知通信的跨层框架。Hajjawi等[9]给出了一种基于LTE的调度方案,该方案将丢包率作为用户分类的依据,根据M-LWDF(Modified-Largest Weighted Delay First)算法对实时用户进行优先级排序,而通过比例公平算法调度非实时用户。针对基于认知无线电的无线传感器网络的能量和频谱的高效利用,Sreesha等[10]思考了一种跨多层的设计方法。Yang等[11]在认知智能网格网络中考虑了服务优先级和每个用户使用的总频谱,建立了基于公平性的频谱分配方法。Cheng 等[6]利用自适应遗传算法和二进制粒子群算法相结合的混合智能优化算法,得到了吞吐量、公平性折中的最优方案,该方案具有良好的收敛能力。Kalalas 等[5]将LTE蜂窝网络作为无线NAN的基础设施,应用集中式BBU来优化网络资源分配,提高了频谱效率。基于生态研究Lotka-Volterra方程,Webster等[12]开发了一种能适应不断变化的信道条件的资源分配方案,满足了智能电网数据包的低延迟约束,同时具有较高的公平性。

上述资源分配的研究工作都是基于4G网络,但其不能满足SGNAN的低时延、高可靠、大带宽的要求。 5G有望成为SGNAN的无线解决方案[13],因为它具有更短的调度单位、更灵活的调度方式、更大的带宽资源等特点,应用了“移动/多接入边缘计算”“网络切片”等先进技术[4]。目前还没有相关工作在SGNAN中基于5G uRLLC技术进行资源分配的研究,本文采用5G uRLLC技术建立上行链路调度模型,并使用改进人工蜂群(Artificial Bee Colony,ABC)算法求解该模型下的最佳分配方案。本文的贡献主要有：

(1) 提出基于uRLLC的SGNAN上行链路调度模型,该模型能满足SGNAN的低时延、高可靠、大带宽的要求。

(2) 根据终端业务的不同QoS要求,给其分配不同等级的优先级,用来调节它们获取资源的概率。

(3) 定义终端获取资源的权限分值函数,通过分值大小来确定终端获取资源的先后顺序,该函数综合了终端的优先级、速率和系统的公平性三个方面的因素。

(4) 定义分配矩阵和速率矩阵表示系统吞吐量的目标函数,采用改进的ABC算法求解目标函数最大值,从而获得最优的分配矩阵。

1 单小区uRLLC的SGNAN上行链路调度模型

1.1 系统场景

单小区uRLLC的SGNAN上行链路通信系统如图1所示。蜂窝系统的基站(Base Station,BS)作为SGNAN的DCU,它由各个接入点和频谱资源调度器组成。接入点即为SGNAN中提供多种服务的终端,这些服务包括了配电自动化、视频监控、汽车充电桩、毫秒级负载控制等,上行数据由家庭网关(简称HGW)汇总到SGNAN网关(简称NGW),调度器负责将频率资源分配给终端。

图1 SGNAN上行链路调度模型

5G uRLLC具有低时延、高可靠性的特点,完全能满足SGNAN中的各类服务。OFDMA技术应用于该系统中,该技术采用了相互正交的子载波,不需要增加保护带宽,提高了频谱利用率。为方便分析,本文假设每个终端最多只能被分配到1个时频资源块(Resource Block,RB),每个RB由多个子载波和时隙构成。当终端的数量大于RB的数量时,未获得RB的终端暂缓数据的传输,导致通信时延。在同等条件下,优先级越高的终端,获得RB的概率越大。但为了平衡系统的公平性和吞吐量,低优先级的终端如果连续多次未获得RB或有优越的信道条件,此时其获取RB的概率将逐渐增大。

在基于uRLLC的系统中,假设系统RB数量为M,它们的编号集为SRB={1,2,…,M},终端的数量为K,它们的编号集为Ster={1,2,…,K},其中M

(1)

4G以及之前的移动通信系统是基于信息理论标准,通常传输的数据包长度较大。为满足实时性和可靠性,SGNAN服务终端使用uRLLC技术发送的数据包则要短得多。因此,不能忽略传输误差对实际传输速率的影响,并且香农容量公式不再适用于该应用场景中。假设分配用于发送每个数据包的带宽比相干带宽窄,则在准静态平坦衰落信道上的发送器和接收器处都知道信道状态信息。根据文献[14-16]中对短包机制最大可实现速率的准确估计,第m个RB上第k个终端可实现上行速率为：

(2)

为了满足给定分组长度n0数据包传输的可靠性要求,式(2)与香农公式相比,降低了可达到的速率。Γk称为信道分散[14],计算如下：

(3)

用于测量色散信道相对于相同容量的确定性信道的随机变化范围,当SNR值很大时,Γk可以近似为1。n0是数据包的长度,ε是上行链路传输误码率。Q-1是Q函数的反函数,Q函数表示如下：

(4)

5G uRLLC需要极高的可靠性和低延迟,因此ε的值必须尽可能小,以避免重传导致较大的延迟。

1.2 目标函数

本文考虑了在指定的误码率下的数据速率计算以及随后进行的资源分配。系统总体的吞吐量即为所有终端的速率之和,其中未获得RB的终端速率为0。当知道系统所有RB的分配情况以及各终端在不同信道下的速率,系统的总吞吐量则容易求得。因此,有如下定义：

SGNAN提供多种类型的服务,根据业务的QoS需求,赋予终端不同的优先级P={1,2,…,i,…,H},其中i,H∈N+。考虑终端的优先级、速率和系统公平性三个因素,定义了终端获取RB的权限分值函数,该函数表示为：

(5)

(2) 速度矩阵：V={vmk}M×K计算系统所有RB上各终端的相应速率。其中vmk表示第m个RB上第k个终端的速率,该速率由式(2)计算获得。

(3) 系统的吞吐量可表示如下：

(6)

如果系统经过L轮的上行数据传输,那么系统每轮总的平均吞吐量表示为：

(7)

(8)

2 解决方案

2.1 总体算法描述

系统给予优先级最高的M个终端顺序分配RB,并通过改进的ABC算法来获取最优的分配方案和最大吞吐量,具体的方案如下：

Step1初始化系统相关信息,诸如RB资源数量M,终端数量K,终端的起始平均速率V0,优先级数量H,优先级为i(i∈P)的终端数量占比值βi,随机化终端与基站的距离dk等。随机产生各RB下的终端发射功率pm,各终端连续未分配到RB的次数δk置0,分配矩阵、速率矩阵的各元素值都置为0。

Step5根据式(2)求得速率矩阵V={vmk}M×K。

Step6通过ABC算法求得式(6)中T的最大值,并获得本轮相应的最优分配矩阵A*=argmaxT。

Step8重复Step3-Step7,经过L轮后,根据式(8)求得目标函数f。

2.2 ABC算法改进策略

ABC算法有较好的寻优模式,经常被应用于多变量函数的优化计算中。算法的主体部分由蜜蜂与蜜源组成,蜜蜂又可以分成采蜜蜂、观察蜂、侦察蜂3种类型,算法根据蜜蜂的采蜜机理,通过寻优机制多次迭代后得到最优的蜜源,基本的流程可参照文献[17]。本文中一个资源分配矩阵对应一组蜜源(或称解向量),矩阵的每一行作为向量中的一个解,算法随机生成多个分配矩阵,第i个分配矩阵可以表示为Ai=(Ai1,Ai2,…,Ait,…,Ain,…,AiM)T,其中t≠n。基于分配矩阵获得最优解的情况,与普通ABC算法有如下不同：

(1) 新蜜源的产生。分配矩阵是将M个RB分配给权限分值最高的M个终端,资源与终端是一一对应关系。如果要获得新的分配矩阵(一组蜜源),则需要调整它们的对应关系。于是,采蜜蜂对该组蜜源的更新等同于互换两个蜜源的位置,可表示如下：

t≠nt,n∈{1,2,…,M}

(9)

(2) 蜜源被选择概率。普通的ABC算法中,如果采蜜蜂开采的蜜源蜜汁越多,那么它被观察蜂跟随的概率越大,经过多次迭代后,低蜜汁的蜜源就会被放弃,而实际上它们含有部分有用信息。所以,为了让低蜜汁的蜜源也拥有较大的被选择概率,本文采用一种新的蜜源被选择概率计算方法：

(10)

式中：λi表示第i个蜜源被选择的概率;hi表示第i个蜜源的适应值(或称蜜汁);Z表示种群数量,则Z/2表示蜜源数量。

3 仿真分析

为了评估该上行链路资源调度模型和解决方案的性能,我们使用MATLAB工具在单个SGNAN小区中进行了数学仿真,其中DCU(或BS)位于小区中心,K个HGW随机分布在小区内部。本文方法综合了系统的公平性(Fairness)、终端的优先级(Priority) 和速率(Rate)三个因素,以此计算终端获得RB的权限分值,最后通过ABC算法得到系统吞吐量(Throughput)的最优分配方案,简称为FPRT-ABC算法。表1中结合实际给出了特定的仿真参数和设置[18],其中：fc为载波频率;f0为子载波间隔;Bs为系统带宽;BRB为RB带宽;dmax和dmin分别为HGW到DCU的最大和最小距离;pmax和pmin分别为HGW上行最大和最小发射功率;V0为各HGW的初始速率;其他参数不再赘述。PL为路径损耗,单位为dB,表示如下：

表1 系统的仿真参数及设置

PL=22lgd+28+20lgfc

(11)

式中：d为HGW到DCU的距离。

(12)

为对比FPRT-ABC算法在多优先级等级下吞吐量和公平指数的表现,表2列出了相关的参数设置。表2中,优先级等级数量H的范围为2至5,符合实际应用的需求,同时高优先级的终端数量占比保持不变,保证对比的有效性。

表2 多优先级等级和占比设置(%)

图2显示了在多优先级等级下系统吞吐量的变化,其中ε=10-5,终端的数量范围为100～140,其他参数采用了表1和表2的值。可以看出,随着优先级等级的增大,提升了高优先级终端数量的占比,导致了信道条件较差的终端被调度的概率增大,最终使得系统整体吞吐量下降。但由于利用了ABC算法的寻优能力,吞吐量最大下降幅度控制在3%以内,体现了该方法在多优先级等级情况下较好的适应能力。由于在数据仿真时,NAN中每个终端的位置都是随机设定的,因此图2中的曲线趋势没有实际意义。

图2 多优先级等级下的系统吞吐量对比

图3表示在多优先级等级下系统公平指数的变化,选取参数与图2相同。随着优先级等级的增多,高优先级终端的η值明显高于低优先级终端,这种情况导致了最高优先级终端被调度的概率逐渐增大,最低优先级终端被调度的概率逐渐变小,中间优先级终端被调度的概率变化不大。所以,随着优先级等级的增多,系统公平指数呈下降趋势。但本文在权限分值函数中,不仅考虑了优先级,而且考虑了时延和传输速率,使得高时延和信道条件好的低优先级终端也有机会获得RB,减缓了系统公平指数下降的幅度。

图3 多优先级等级下的系统公平指数对比

图2和图3的数据表明了在多优先级等级情况下,H从2增大至5,系统的吞吐量和公平指数都略有下降,但下降幅度分别控制在3%和6%以内。这证实了FPRT-ABC方法在多优先级情况下具有良好的扩展性和适应性。从数据角度出发,H取{2,3,4,5}的任意值都具有代表性,为方便分析,图4-图6都选取了H=2,β1β2={0.1,0.9}的场景。

图4 不同误码率下的系统吞吐量

图4显示了在不同误码率下的系统吞吐量变化情况,ε分别为10-4、10-5、10-6。可以看出系统的可靠性要求越高,系统的吞吐量就越低;同时说明了超短分组传输的数据速率与可靠性密切相关。

图5、图6表示3种算法的Jains公平指数与系统吞吐量的对比,其中ε=10-5。结果显示：本文提出的FPRT-ABC算法在公平性方面略低于轮询调度(RR)算法,与文献[18]方法基本持平;在吞吐量方面,FPRT-ABC算法相比于其他两个方面有较大的性能提升。这是因为RR算法为保证各终端的绝对公平性,往往较多地牺牲了系统的吞吐量;而文献[18]中,系统的公平性根据各终端预期的瞬时速率与平均速率的比值,但其未对吞吐量做更好的优化。对比以上两种方法,FPRT-ABC算法有更好的综合性能。

图5 三种方法下的系统公平指数对比

图6 三种方法下的系统吞吐量对比

4 结 语

结合智能电网的应用要求,本文讨论了将5G uRLLC技术引入智能电网的可行性。首先,建立基于uRLLC的上行链路资源调度模型,该模型基于不同业务的QoS需求分配终端不同的优先级。其次,定义终端获取RB的权限分值函数,引入时延、速率和优先级的权重因子,并给出该模型下的基于系统吞吐量的目标函数。进一步,应用改进ABC算法求解目标函数的最大值从而获得最优资源分配方案。最后,进行数值模拟和比较分析,结果验证了本文方案在保证终端公平性的同时,较大幅度地提高了系统的吞吐量。