周振宇，賈澤晗，廖海君，趙雄文，張磊

（1.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206；2.東南大學(xué)移動(dòng)通信國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096；3.國(guó)網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003）

1 引言

電力物聯(lián)網(wǎng)（PIoT,power Internet of things）是實(shí)現(xiàn)電力系統(tǒng)各環(huán)節(jié)萬(wàn)物互聯(lián)、人機(jī)交互的工業(yè)級(jí)物聯(lián)網(wǎng)，基于深度的感知能力和先進(jìn)的信息通信技術(shù)提高電網(wǎng)精準(zhǔn)控制、智能調(diào)度的水平，推動(dòng)傳統(tǒng)電力系統(tǒng)向能源互聯(lián)網(wǎng)轉(zhuǎn)變[1]。配用電是電網(wǎng)的重要場(chǎng)景之一，配用電電力物聯(lián)網(wǎng)的建設(shè)對(duì)分布式能源友好接入、新型負(fù)載彈性承載以及用戶多樣性用能需求保障具有重要作用。然而，由于無(wú)線資源和計(jì)算資源的限制，配用電電力物聯(lián)網(wǎng)中海量終端的并發(fā)接入極大地增加了接入網(wǎng)的承載壓力，導(dǎo)致網(wǎng)絡(luò)擁塞、過(guò)載等問(wèn)題，嚴(yán)重威脅電網(wǎng)的安全穩(wěn)定運(yùn)行。因此，海量終端的接入控制問(wèn)題一直是備受關(guān)注的研究熱點(diǎn)。

6G 系統(tǒng)將在5G 系統(tǒng)“萬(wàn)物互聯(lián)”的基礎(chǔ)上進(jìn)一步拓展至“萬(wàn)物智聯(lián)”[2]，為解決配用電電力物聯(lián)網(wǎng)海量終端的接入控制問(wèn)題提供了可能。一方面，與5G 相比，6G 時(shí)代終端連接密度將可提高100 倍，達(dá)到每平方千米1 億。另一方面，人工智能（AI,artificial intelligence）技術(shù)將進(jìn)一步提高接入控制和資源管理的智能化水平[3]?，F(xiàn)有的接入控制技術(shù)可分為競(jìng)爭(zhēng)和非競(jìng)爭(zhēng)兩大類。針對(duì)競(jìng)爭(zhēng)接入場(chǎng)景，文獻(xiàn)[4]提出了一種自適應(yīng)調(diào)整接入類別限制（ACB,access class barring）因子的方法，基于最小均方算法優(yōu)化ACB 因子的選擇策略，提高了高擁塞期間的接入成功概率，降低了接入時(shí)延。文獻(xiàn)[5]提出了一種分組群呼預(yù)退避方案，有效提高了終端資源共享的公平性。文獻(xiàn)[6]提出了一種動(dòng)態(tài)隨機(jī)接入資源分配機(jī)制，通過(guò)引入終端序號(hào)對(duì)終端加以區(qū)分，進(jìn)而降低前導(dǎo)碼沖突概率。然而，競(jìng)爭(zhēng)接入控制技術(shù)依賴于基站與終端之間的頻繁信令交互，只適用于連接密度不高的場(chǎng)景，難以滿足爆炸式增長(zhǎng)的終端接入需求[7]。與競(jìng)爭(zhēng)接入控制技術(shù)相比，非競(jìng)爭(zhēng)接入控制技術(shù)具有信令開(kāi)銷低、資源利用率高、承載能力大等優(yōu)點(diǎn)。第三代合作伙伴計(jì)劃（3GPP,the third generation partnership project）在Release14中引入了快速上行鏈路授權(quán)技術(shù)[8]，允許獲得上行鏈路許可的終端在沒(méi)有發(fā)送任何調(diào)度請(qǐng)求的情況下直接在基站預(yù)分配的信道上進(jìn)行數(shù)據(jù)傳輸，降低信令開(kāi)銷和接入沖突發(fā)生的概率。文獻(xiàn)[9]介紹了快速上行鏈路授權(quán)技術(shù)的基本原理，探討了海量終端接入場(chǎng)景下快速上行鏈路授權(quán)面臨的機(jī)遇與挑戰(zhàn)。文獻(xiàn)[10]提出了一種基于壓縮感知技術(shù)的快速授權(quán)信令，允許時(shí)延敏感型終端在接收授權(quán)信令后立即進(jìn)行上行鏈路訪問(wèn)，降低了接入時(shí)延。然而，現(xiàn)有技術(shù)大多基于全局信息已知的假設(shè)，在實(shí)際應(yīng)用中具有局限性。由于網(wǎng)絡(luò)資源與信令開(kāi)銷的限制，基站無(wú)法準(zhǔn)確獲得海量終端的全部信息，包括終端狀態(tài)、信道增益、隊(duì)列積壓等。綜上所述，面向高密度、萬(wàn)物智聯(lián)的6G 電力物聯(lián)網(wǎng)接入控制研究在國(guó)際上仍處于起步階段，迫切需要對(duì)全局信息不確定場(chǎng)景下的接入模型、接入控制算法、仿真驗(yàn)證等方面進(jìn)行深入研究。

強(qiáng)化學(xué)習(xí)是解決全局信息不確定場(chǎng)景下連續(xù)決策問(wèn)題的有效方法，已被廣泛應(yīng)用于終端接入控制方面的相關(guān)研究。文獻(xiàn)[11]介紹了2 種基于強(qiáng)化學(xué)習(xí)的無(wú)線接入技術(shù)：基于毫米波的智能切換技術(shù)和基于多主體強(qiáng)化學(xué)習(xí)的多無(wú)線接入技術(shù)（Multi-RAT,multi-radio access technology）。文獻(xiàn)[12]提出了一種基于強(qiáng)化學(xué)習(xí)的基站選擇算法，終端通過(guò)自組織的方式選擇負(fù)載較輕的基站接入，有效解決了接入點(diǎn)選擇問(wèn)題，緩解了網(wǎng)絡(luò)擁塞。文獻(xiàn)[13]利用強(qiáng)化學(xué)習(xí)解決了非授權(quán)用戶信道選擇問(wèn)題，通過(guò)減少信道轉(zhuǎn)換過(guò)程，降低了接入時(shí)延，提高了系統(tǒng)容量。文獻(xiàn)[14]提出了一種基于強(qiáng)化學(xué)習(xí)的路由選擇方法，通過(guò)利用與基站交互獲得的反饋信息，動(dòng)態(tài)優(yōu)化路由選擇策略，降低了路由開(kāi)銷。然而，以上研究均將終端作為策略學(xué)習(xí)優(yōu)化主體，要求終端具有較強(qiáng)的算力和能量資源，在計(jì)算資源受限、低功耗的電力物聯(lián)網(wǎng)中不再適用。此外，上述研究均假設(shè)所有終端在每個(gè)時(shí)隙都處于活躍狀態(tài)，而電力物聯(lián)網(wǎng)終端僅在有數(shù)據(jù)傳輸時(shí)處于活躍狀態(tài)，其余時(shí)隙則處于休眠狀態(tài)。文獻(xiàn)[15]提出了一種基于強(qiáng)化學(xué)習(xí)的快速上行鏈路授權(quán)方案，通過(guò)優(yōu)化信息價(jià)值、最大可容忍接入時(shí)延與傳輸速率的加權(quán)和，降低接入時(shí)延，提高網(wǎng)絡(luò)吞吐量。然而，該方案忽略了海量終端接入場(chǎng)景下終端能量效率對(duì)網(wǎng)絡(luò)長(zhǎng)期性能的影響，以及不同終端的差異化接入需求，容易導(dǎo)致信息價(jià)值低、最大可容忍接入時(shí)延高與傳輸速率低的終端產(chǎn)生嚴(yán)重的數(shù)據(jù)隊(duì)列積壓，影響數(shù)據(jù)的及時(shí)傳輸。

為了解決電力物聯(lián)網(wǎng)海量終端接入沖突嚴(yán)重、隊(duì)列積壓大、能量效率低等問(wèn)題，本文采用快速上行鏈路授權(quán)技術(shù)和強(qiáng)化學(xué)習(xí)，提出了基于上下文學(xué)習(xí)的接入控制（CLAC,context-aware learning-based access control）算法，在保障終端接入服務(wù)質(zhì)量需求的同時(shí)，提升網(wǎng)絡(luò)總能量效率。首先，基于強(qiáng)化學(xué)習(xí)理論，將基站建模為智能體，進(jìn)行上行鏈路授權(quán)策略和收益的設(shè)計(jì)，并利用李雅普諾夫優(yōu)化對(duì)長(zhǎng)期的優(yōu)化目標(biāo)與約束進(jìn)行解耦。其次，基站在每個(gè)時(shí)隙初預(yù)測(cè)活躍終端的集合，并根據(jù)終端性能上界選擇終端分發(fā)授權(quán)，獲得授權(quán)的終端進(jìn)行數(shù)據(jù)傳輸，計(jì)算能量效率與接入性能的加權(quán)和并反饋給基站。最后，基站依據(jù)終端反饋更新所執(zhí)行策略的性能上界，通過(guò)不斷迭代實(shí)現(xiàn)策略優(yōu)化。

2 系統(tǒng)模型

2.1 接入模型

基于快速上行鏈路授權(quán)的配用電電力物聯(lián)網(wǎng)多小區(qū)海量終端接入模型如圖1 所示。

圖1 基于快速上行鏈路授權(quán)的終端接入模型

整個(gè)網(wǎng)絡(luò)由J個(gè)小區(qū)和K（K＞＞J）個(gè)終端組成，每個(gè)小區(qū)包含一個(gè)基站、一個(gè)邊緣服務(wù)器及若干待接入終端。其中，基站為終端提供無(wú)線接入服務(wù)，邊緣服務(wù)器與基站位于相同位置并提供計(jì)算服務(wù)?；炯媳硎緸镾={s1,s2,…,sJ}，終端集合表示為U={u1,u2,…,uK}。定義基站sj所覆蓋終端集合表示為Nj?U，基站sj與基站sj′覆蓋重疊區(qū)域內(nèi)的終端集合表示為Nj∩j′=Nj∩Nj′。本文采用時(shí)隙模型，總時(shí)間周期被劃分為T個(gè)等長(zhǎng)的時(shí)隙，每個(gè)時(shí)隙的長(zhǎng)度為τ，總時(shí)隙集合表示為T={1,2,…,T}。假設(shè)在一個(gè)時(shí)隙內(nèi)基站與終端之間的信道狀態(tài)信息是不變的，而在時(shí)隙間發(fā)生變化。由于配用電電力物聯(lián)網(wǎng)終端的事件驅(qū)動(dòng)激活或周期性激活等特點(diǎn)，本文假設(shè)終端具有2 種狀態(tài)，即活躍態(tài)與休眠態(tài)，當(dāng)終端具有數(shù)據(jù)傳輸需求時(shí)，自動(dòng)處于活躍態(tài)；否則處于休眠態(tài)。在每個(gè)時(shí)隙初，基站預(yù)測(cè)處于活躍態(tài)的終端集合并選擇終端分發(fā)上行鏈路許可，獲得授權(quán)的終端可與基站建立連接并進(jìn)行數(shù)據(jù)傳輸。由于傳統(tǒng)云計(jì)算技術(shù)在配用電海量終端并發(fā)接入時(shí)存在網(wǎng)絡(luò)通信壓力大、傳輸成本高等缺點(diǎn)，本文考慮采用邊緣計(jì)算技術(shù)[16]，即終端將任務(wù)數(shù)據(jù)卸載到邊緣服務(wù)器進(jìn)行處理。系統(tǒng)參數(shù)如表1 所示。

表1 系統(tǒng)參數(shù)

2.2 任務(wù)傳輸模型

本文采用任務(wù)劃分模型[16]，將任務(wù)劃分為有限個(gè)相同大小的子任務(wù)。假設(shè)每個(gè)時(shí)隙初到達(dá)終端uk的子任務(wù)數(shù)量為Ak(t)個(gè)，每個(gè)子任務(wù)的大小為ρ，所有的數(shù)據(jù)首先被存儲(chǔ)在uk的本地任務(wù)緩存區(qū)中。當(dāng)uk與基站建立連接時(shí)，將任務(wù)數(shù)據(jù)卸載到邊緣服務(wù)器進(jìn)行計(jì)算。存儲(chǔ)在uk本地緩存區(qū)中的任務(wù)數(shù)據(jù)被建模為隊(duì)列qk，隊(duì)列積壓為Qk(t)，其在第t+1個(gè)時(shí)隙初的隊(duì)列積壓為

其中，Uk(t)表示uk在第t個(gè)時(shí)隙卸載到邊緣服務(wù)器的任務(wù)數(shù)據(jù)量。定義活躍指示變量為ak(t)，當(dāng)終端存在數(shù)據(jù)傳輸需求時(shí)，即Qk(t)＞0，終端處于活躍態(tài)，表示為ak(t)=1；否則處于休眠態(tài)，表示為ak(t)=0。定義授權(quán)指示變量為x k,j(t)，x k,j(t)=1表示在時(shí)隙t終端uk獲得基站sj的許可，否則x k,j(t)=0。

考慮上行數(shù)據(jù)傳輸，終端uk與基站sj之間數(shù)據(jù)傳輸?shù)男旁氡葹?/p>

其中，PTX,k是傳輸功率，gk,j(t)是第t個(gè)時(shí)隙uk與sj之間的信道增益，Bk,j是傳輸帶寬，N0是噪聲功率譜密度。因此，傳輸速率[17]為

終端uk在第t個(gè)時(shí)隙傳輸?shù)交緎j的數(shù)據(jù)量為

終端uk在第t個(gè)時(shí)隙的吞吐量為

2.3 能量效率模型

在第t個(gè)時(shí)隙，終端uk將任務(wù)數(shù)據(jù)卸載到基站sj的能耗為傳輸功率與傳輸時(shí)延的乘積，即

uk將任務(wù)數(shù)據(jù)卸載到sj的能量效率定義為吞吐量U k,j(t)與能耗E k,j(t)的比值，即單位能量可以傳輸?shù)臄?shù)據(jù)量大小，單位為bit/J[18]，表示為

2.4 接入服務(wù)質(zhì)量需求模型

令Xk,T和分別表示終端uk在T個(gè)時(shí)隙獲得基站授權(quán)的總時(shí)隙數(shù)和處于活躍態(tài)的總時(shí)隙數(shù)，則

接入服務(wù)質(zhì)量需求模型可定義為

其中，ηk∈(0,1]表示uk的接入服務(wù)質(zhì)量約束。考慮到電力物聯(lián)網(wǎng)終端差異化的接入服務(wù)質(zhì)量約束，可以通過(guò)合理設(shè)置不同類型終端的ηk參數(shù)值，滿足海量終端差異化的接入需求。

2.5 優(yōu)化目標(biāo)

本文的優(yōu)化目標(biāo)是在接入服務(wù)質(zhì)量需求的長(zhǎng)期約束下，最大化網(wǎng)絡(luò)總能量效率。因此，優(yōu)化目標(biāo)表示為

其中，C1表示基站可授權(quán)的終端數(shù)量為M；C2表示在每個(gè)時(shí)隙，每個(gè)終端只能被一個(gè)基站授權(quán)進(jìn)行數(shù)據(jù)傳輸；C3為接入服務(wù)質(zhì)量需求長(zhǎng)期約束。

3 算法設(shè)計(jì)

3.1 問(wèn)題轉(zhuǎn)化

由于短期的基站決策與長(zhǎng)期的優(yōu)化目標(biāo)和約束相耦合，P1難以直接求解。借助李雅普諾夫優(yōu)化中虛擬隊(duì)列[19]的概念，可以將接入服務(wù)質(zhì)量需求長(zhǎng)期約束 C3轉(zhuǎn)化為隊(duì)列穩(wěn)定性約束。定義一個(gè)接入服務(wù)質(zhì)量需求赤字虛擬隊(duì)列Fk(t)，其更新計(jì)算式為

式(12)的意義為，終端uk在第t個(gè)時(shí)隙實(shí)際接入性能與規(guī)定要求之間的偏差。

根據(jù)李雅普諾夫理論，定義向量ψ(t)=[Fk(t)]，李雅普諾夫函數(shù)表示為

李雅普諾夫漂移定義為L(zhǎng)(ψ(t))在連續(xù)2 個(gè)時(shí)隙變化的期望值，表示為

在接入服務(wù)質(zhì)量需求的長(zhǎng)期約束下，定義漂移減獎(jiǎng)勵(lì)來(lái)權(quán)衡最小化漂移或最大化獎(jiǎng)勵(lì)，即最小化接入服務(wù)質(zhì)量需求赤字或最大化能量效率，表示為

將式(13)和式(14)代入式(15)并化簡(jiǎn)，可得漂移減獎(jiǎng)勵(lì)的上界為

其中，C為常數(shù)，不影響李雅普諾夫優(yōu)化。因此，將P1轉(zhuǎn)化為最小化漂移減獎(jiǎng)勵(lì)的上界（或最大化漂移減獎(jiǎng)勵(lì)上界的相反數(shù)），表示為

其中，θk,j(t)是漂移減獎(jiǎng)勵(lì)上界的相反數(shù)，即能量效率和接入性能的加權(quán)和，表示為

其中，VEE和VFFk(t)分別為能量效率和接入性能的權(quán)重。相似的計(jì)算式推導(dǎo)可見(jiàn)文獻(xiàn)[20-21]。

3.2 MAB 理論與UCB 算法

轉(zhuǎn)化后的問(wèn)題P2 可以建模為一個(gè)多臂老虎機(jī)（MAB,multi-armed bandit）[22]問(wèn)題，并利用上置信界（UCB,upper confidence bound）[23]算法求解。

傳統(tǒng)MAB 模型假設(shè)一個(gè)老虎機(jī)存在多個(gè)搖臂，玩家反復(fù)從多個(gè)搖臂中選擇一個(gè)執(zhí)行，每次執(zhí)行后，玩家都會(huì)從一個(gè)穩(wěn)定的概率分布中得到一個(gè)數(shù)值獎(jiǎng)勵(lì)，即回報(bào)。MAB 問(wèn)題是指玩家如何在有限次的動(dòng)作中最大化累積收益。

UCB 算法是強(qiáng)化學(xué)習(xí)中解決MAB 問(wèn)題的一個(gè)有效方法。玩家在每次決策中選擇性能上界估計(jì)值最大的搖臂，觀察收益，并更新其性能經(jīng)驗(yàn)估計(jì)值作為下一次決策的依據(jù)。第k個(gè)搖臂的性能上界為

其中，zk(t)表示到時(shí)隙t選擇第k個(gè)搖臂獲得的累積回報(bào)；nk(t)表示到時(shí)隙t第k個(gè)搖臂被選擇的總次數(shù)；?＞0表示算法對(duì)探索的偏好，其值越大代表越傾向于探索，反之表示越傾向于利用。zk(t)/nk(t)表示到時(shí)隙t第k個(gè)搖臂的性能經(jīng)驗(yàn)估計(jì)值。置信區(qū)間表示估計(jì)值的不確定度，其值隨著該搖臂被選擇次數(shù)的增加而減小，意味著性能經(jīng)驗(yàn)估計(jì)值逐漸接近搖臂的實(shí)際期望值。

3.3 CLAC 算法

基于MAB 理論，本文將基站和終端分別建模為玩家與搖臂，并利用基于終端狀態(tài)感知的UCB算法求解基站累積收益最大化問(wèn)題。

傳統(tǒng)MAB 問(wèn)題假設(shè)所有終端在每個(gè)時(shí)隙都是可用的，并不適用于終端具有活躍和休眠2 種狀態(tài)的場(chǎng)景。因此，本文考慮一種改進(jìn)的動(dòng)態(tài)MAB 問(wèn)題，即活躍終端的集合是隨時(shí)間動(dòng)態(tài)變化的。然而，快速上行鏈路授權(quán)架構(gòu)下，基站無(wú)法感知所有終端的狀態(tài)，當(dāng)基站在時(shí)隙t選擇了一個(gè)處于休眠態(tài)的終端時(shí)，由于該終端沒(méi)有數(shù)據(jù)傳輸需求，會(huì)造成資源浪費(fèi)。因此，本文考慮基站具有一個(gè)活躍終端預(yù)測(cè)算法[24]，預(yù)測(cè)算法可根據(jù)網(wǎng)絡(luò)流量模型在每個(gè)時(shí)隙預(yù)測(cè)終端uk的活躍概率Pk(t)，并建立一個(gè)活躍終端集合。本文所提CLAC 算法可與多種活躍終端預(yù)測(cè)算法組合使用，具有較強(qiáng)的擴(kuò)展性和兼容性。

考慮2 種類型的網(wǎng)絡(luò)流量，即周期性流量和事件驅(qū)動(dòng)型流量。由于傳統(tǒng)UCB 算法在解決動(dòng)態(tài)MAB 問(wèn)題時(shí)具有局限性，本文結(jié)合預(yù)測(cè)算法對(duì)其進(jìn)行了改進(jìn)，并在傳統(tǒng)UCB 算法的基礎(chǔ)上加入了終端狀態(tài)感知，其性能上界為

其中，z k,j(t)表示到時(shí)隙t基站sj選擇終端uk獲得的累積回報(bào)，n k,j(t)表示到時(shí)隙t終端uk處于活躍態(tài)且被授權(quán)的總時(shí)隙數(shù)，表示到時(shí)隙t終端uk處于活躍態(tài)的總時(shí)隙數(shù)。與傳統(tǒng)UCB 算法相比，本文算法只計(jì)算所選終端活躍的總時(shí)隙數(shù)，而不是算法迭代的總次數(shù)，能夠保證V k,j(t)的計(jì)算更準(zhǔn)確。z k,j(t)、n k,j(t)以及的更新式分別為

本文所提CLAC 算法如算法1 所示，包含3 個(gè)階段，分別為初始化階段、決策階段和學(xué)習(xí)階段。

算法1CLAC 算法

本文所提CLAC 算法具有以下優(yōu)點(diǎn)。

1) 終端狀態(tài)感知?；净诮K端狀態(tài)感知僅在活躍終端集合中選擇終端授權(quán)，避免因?qū)⑹跈?quán)分發(fā)給休眠終端而導(dǎo)致資源浪費(fèi)，降低網(wǎng)絡(luò)性能。

2) 接入服務(wù)質(zhì)量需求感知?；净诮尤敕?wù)質(zhì)量需求感知?jiǎng)討B(tài)優(yōu)化終端授權(quán)策略。例如，當(dāng)終端uk實(shí)際接入性能與規(guī)定要求偏離嚴(yán)重時(shí)，F(xiàn)k(t)會(huì)逐漸增大，使基站為其授權(quán)，保證其接入性能。

4 仿真分析

4.1 仿真參數(shù)設(shè)置

本文通過(guò)對(duì)比不同的仿真算法來(lái)驗(yàn)證所提CLAC 算法的性能，對(duì)比算法設(shè)置如下。

1) 能量效率接入控制（EEAC,energy-efficient access control）算法。該算法基于終端狀態(tài)預(yù)測(cè)算法最大化網(wǎng)絡(luò)總能量效率，而未考慮接入服務(wù)質(zhì)量需求長(zhǎng)期約束。

2) 基于學(xué)習(xí)的接入控制（LAC,learning-based access control）算法。該算法在接入服務(wù)質(zhì)量需求長(zhǎng)期約束下最大化網(wǎng)絡(luò)總能量效率，但未考慮終端狀態(tài)預(yù)測(cè)。

3) 快速上行鏈路授權(quán)（FULG,fast uplink grant）算法[8]。該算法隨機(jī)向終端分發(fā)上行鏈路授權(quán)，未考慮終端接入服務(wù)質(zhì)量需求約束、能量效率以及狀態(tài)預(yù)測(cè)。

仿真參數(shù)設(shè)置如表2 所示。

4.2 仿真結(jié)果分析

不同算法下網(wǎng)絡(luò)性能的對(duì)比如圖2 所示。圖2(a)～圖2(d)分別顯示了4 種算法下網(wǎng)絡(luò)平均能量效率、平均隊(duì)列積壓、滿足接入服務(wù)質(zhì)量需求的終端比例和平均接入服務(wù)質(zhì)量需求赤字積壓隨時(shí)隙的變化情況。

由圖2(a)可以看出，由于只考慮了能量效率優(yōu)化，EEAC 算法的能量效率性能最優(yōu)，但隨著時(shí)隙的增加，所提CLAC 算法逐漸逼近EEAC 算法的性能。

由圖2(b)可以看出，所提CLAC 算法性能最優(yōu)，能夠?qū)㈥?duì)列積壓維持在較低水平，相較于EEAC 算法、LAC 算法和FULG 算法，平均隊(duì)列積壓分別降低了77.90%、97.68%和83.83%。

表2 仿真參數(shù)

由圖2(c)可以看出，所提CLAC 算法性能明顯優(yōu)于其他3 種算法，相較于EEAC 算法、LAC 算法和FULG 算法，滿足接入服務(wù)質(zhì)量需求的終端比例分別提高了15.07%、77.46%和54.95%。綜合圖2(a)和圖2(c)可以看出，CLAC 算法實(shí)現(xiàn)了能量效率與接入性能的平衡，在保證終端接入服務(wù)質(zhì)量需求的前提下，盡可能使網(wǎng)絡(luò)總能量效率最大化，而EEAC算法則通過(guò)犧牲終端接入性能換取更高的能量效率。

圖2 不同算法下網(wǎng)絡(luò)性能對(duì)比

由圖2(d)可以看出，由于具備終端狀態(tài)感知和接入服務(wù)質(zhì)量需求感知，CLAC 算法可以使接入服務(wù)質(zhì)量需求赤字積壓最小。結(jié)合圖2(c)和圖2 (d)可知，LAC 算法滿足接入服務(wù)質(zhì)量需求的終端比例較低，但接入服務(wù)質(zhì)量需求赤字積壓較小，這是因?yàn)長(zhǎng)AC 算法考慮了接入服務(wù)質(zhì)量需求約束，將授權(quán)頻繁地分發(fā)給接入服務(wù)質(zhì)量需求較高的終端，而忽略了大量接入服務(wù)質(zhì)量需求較低的終端。綜合圖2 可以看出，CLAC 算法綜合性能最優(yōu)。

圖3 顯示了CLAC 算法終端平均能量效率和滿足接入服務(wù)質(zhì)量需求的終端比例隨預(yù)測(cè)準(zhǔn)確率的變化情況?？梢钥闯觯S著預(yù)測(cè)準(zhǔn)確率的提高，終端平均能量效率與滿足接入服務(wù)質(zhì)量需求的終端比例均增大。原因在于，當(dāng)預(yù)測(cè)準(zhǔn)確率較低時(shí)，基站會(huì)頻繁地為休眠終端分發(fā)授權(quán)，導(dǎo)致活躍終端無(wú)法接入，造成資源浪費(fèi)，降低網(wǎng)絡(luò)整體性能。當(dāng)預(yù)測(cè)準(zhǔn)確率達(dá)到0.6 時(shí)，CLAC 算法平均能量效率超過(guò)2×106bit/J，滿足接入服務(wù)質(zhì)量需求的終端比例可達(dá)0.6。結(jié)合圖2 可以看出，當(dāng)預(yù)測(cè)準(zhǔn)確率達(dá)到0.6 及以上時(shí)，CLAC 算法性能均優(yōu)于LAC 算法和FULG 算法。文獻(xiàn)[9,24]研究了終端狀態(tài)預(yù)測(cè)算法，且具有良好的預(yù)測(cè)準(zhǔn)確率。因此，CLAC 算法具有實(shí)用性。

圖3 CLAC 算法性能隨預(yù)測(cè)準(zhǔn)確率的變化

圖4 顯示了終端平均能量效率和滿足接入服務(wù)質(zhì)量需求的終端比例隨α的變化情況，其中α為VEE與VF的比值，用于表征終端對(duì)能量效率和接入服務(wù)質(zhì)量需求的關(guān)注度。仿真結(jié)果表明，隨著α的增大，終端越來(lái)越關(guān)注能量效率而忽略接入性能，因此終端平均能量效率逐漸增加，滿足接入服務(wù)質(zhì)量需求的終端比例逐漸下降。此仿真結(jié)果為實(shí)際應(yīng)用中VEE與VF的設(shè)置提供了參考，在接入服務(wù)質(zhì)量需求約束下，通過(guò)合理設(shè)置VEE與VF參數(shù)值可以提高網(wǎng)絡(luò)性能。

圖4 CLAC 算法性能隨α 的變化

定義終端活躍而未被授權(quán)的情況為接入失敗。圖5 分別顯示了4 種算法下終端接入失敗次數(shù)隨接入服務(wù)質(zhì)量需求的變化關(guān)系，以一個(gè)終端為例，圖5中的點(diǎn)表示其接入失敗。由圖5(a)可以看出，在CLAC 算法中，接入失敗次數(shù)隨著接入服務(wù)質(zhì)量需求的增大而減小。從圖5(b)可以看出，在EEAC 算法中，接入服務(wù)質(zhì)量需求為0.8、0.9 的終端接入失敗次數(shù)明顯多于接入服務(wù)質(zhì)量需求為0.6 的終端，且與接入服務(wù)質(zhì)量需求為0.2、0.3 的終端基本相同，終端接入失敗次數(shù)并不會(huì)隨接入服務(wù)質(zhì)量需求的增加而減少，因此EEAC 算法不具有接入服務(wù)質(zhì)量需求感知能力，無(wú)法滿足終端差異化的接入服務(wù)質(zhì)量需求。由于LAC 算法與CLAC 算法均具有接入服務(wù)質(zhì)量需求感知能力，因此LAC 算法接入失敗情況的趨勢(shì)與CLAC 算法基本一致。但LAC 算法不具有終端狀態(tài)感知能力，導(dǎo)致活躍終端接入失敗次數(shù)增加。由圖5(a)和圖5 (c)可以看出，LAC 算法較CLAC算法點(diǎn)更密集，即終端接入失敗次數(shù)更多。分析數(shù)值結(jié)果表明，相較于LAC 算法，CLAC 算法的接入失敗次數(shù)可降低45.97%。FULG 算法下終端接入失敗的總次數(shù)較多，且不同接入服務(wù)質(zhì)量需求的終端接入失敗情況大致相同，終端的差異化接入服務(wù)質(zhì)量需求未得到滿足。

5 結(jié)束語(yǔ)

圖5 終端接入失敗次數(shù)隨接入服務(wù)質(zhì)量需求的變化

本文針對(duì)電力物聯(lián)網(wǎng)海量終端接入沖突嚴(yán)重、隊(duì)列積壓大、能量效率低等問(wèn)題，提出了具有終端狀態(tài)感知和接入服務(wù)質(zhì)量需求感知能力的CLAC算法。該算法在滿足終端接入服務(wù)質(zhì)量需求的同時(shí)，能夠提高網(wǎng)絡(luò)總能量效率，降低隊(duì)列積壓。仿真結(jié)果表明，相較于EEAC 算法、LAC 算法和FULG算法，CLAC 算法滿足接入服務(wù)質(zhì)量需求的終端比例可分別提高15.07%、77.46%和54.95%，平均隊(duì)列積壓可分別降低77.90%、97.68%和83.83%。未來(lái)將進(jìn)一步研究基于流量建模和終端狀態(tài)預(yù)測(cè)的6G 電力物聯(lián)網(wǎng)接入控制算法。