王宏剛，孫明月，簡燕紅，米娜

（國家電網(wǎng)有限公司大數(shù)據(jù)中心，北京市西城區(qū) 100052）

0 引言

近年來，以物聯(lián)網(wǎng)、5G和人工智能為代表的新一代信息技術(shù)的成功應(yīng)用，使得物聯(lián)網(wǎng)技術(shù)與電力業(yè)務(wù)的結(jié)合更加緊密[1]。隨著物聯(lián)網(wǎng)在智能電網(wǎng)應(yīng)用的產(chǎn)業(yè)化、規(guī)?；?，實際應(yīng)用中將初步形成電力物聯(lián)網(wǎng)建設(shè)發(fā)展標準體系，通過電力物聯(lián)網(wǎng)技術(shù)的積極探索和深入實踐，適應(yīng)分布式能源、儲能、電動汽車等交互式用能設(shè)施大規(guī)模并網(wǎng)接入，能夠更好地滿足人民群眾美好生活的用能需求[2]。但是，隨著電力物聯(lián)網(wǎng)接入設(shè)備規(guī)模的擴大，傳統(tǒng)的集中式基站將無法滿足大規(guī)模電力設(shè)備的無線通信需求[3]。

傳統(tǒng)集中式蜂窩網(wǎng)絡(luò)的性能通常受到小區(qū)間干擾的限制。尤其是靠近小區(qū)邊界的設(shè)備，不僅接收基站的信號質(zhì)量差，還會受到臨近小區(qū)強烈的干擾[4-5]。文獻[6]提出分布式多入多出(multipleinput-multiple-output，MIMO)、協(xié)調(diào)多點傳輸?shù)燃夹g(shù)可以通過基站之間的相干協(xié)作來減少這種小區(qū)間干擾，但是也帶來大量的回程開銷和高部署成本。而在無蜂窩網(wǎng)絡(luò)中，大量配備多天線的接入點（access point，AP）密集分布在電力設(shè)備周圍，這樣可以利用良好的傳播路徑和信道硬化特性，在設(shè)備間干擾較小的情況下復(fù)用多個設(shè)備，并具有較高的宏分集和較低的路徑損耗[7]。但是，同一時刻全部的AP被激活用來服務(wù)某個設(shè)備時會對其他的設(shè)備產(chǎn)生嚴重的干擾。

對于每個設(shè)備來說，篩選出有效的AP組合相比全AP傳輸具有更高的頻譜效率(spectrum effectiveness，SE)和能量效率(energy efficiency,EE)[8]。文獻[9]提出以設(shè)備與AP的歐式距離為基準的AP選擇算法，直接選擇距離最近的AP。文獻[10]進一步提出了一種把有用信號與設(shè)備間干擾信號的差值作為篩選條件的AP選擇算法，該算法下每個設(shè)備能選擇一個有效信道增益最高的AP。但是，這些方案同一時刻只利用一個AP服務(wù)設(shè)備，且都沒考慮同AP服務(wù)下的設(shè)備間干擾?？紤]多AP服務(wù)的情況下，文獻[11]提出了2種分別基于接收功率排序與基于大尺度衰落系數(shù)排序的方法，并篩選出占比達到95%的AP，進一步優(yōu)化系統(tǒng)總的能量效率。但是占比閾值的確定只能根據(jù)歷史經(jīng)驗，在時變的動態(tài)信道環(huán)境下不具有時效性和魯棒性。

對于傳統(tǒng)的全AP傳輸和基于信道特征進行排序的方法，由于AP和設(shè)備的規(guī)模及性能指標的非線性優(yōu)化給理論分析帶來巨大的挑戰(zhàn)。為了更有效地實時利用多AP的頻譜和能量資源，在傳統(tǒng)機器學(xué)習(xí)支持向量機（support vector machine，SVM）分類器[12]和K鄰近（K-nearest neighbor，KNN）聚類[13]的標簽化分類基礎(chǔ)上，本文考慮通過基于深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）的人工智能新技術(shù)來改進。通過使用離線數(shù)據(jù)集訓(xùn)練DNN代替復(fù)雜的理論分析對AP進行有效篩選可以獲得近似最優(yōu)解，仿真結(jié)果表明，所提出的算法能夠進一步提升無蜂窩網(wǎng)絡(luò)多設(shè)備的平均頻譜效率，并具有更低能耗。

1 系統(tǒng)模型

考慮在一個去蜂窩電力物聯(lián)網(wǎng)系統(tǒng)中，由L個配置M根天線的AP服務(wù)K個相互獨立的單天線設(shè)備，其中L>K。將AP隨機分布在一個半徑為r的電力物聯(lián)網(wǎng)覆蓋的大區(qū)域中，所有AP通過高速回程網(wǎng)絡(luò)連接到中央處理器。在無蜂窩時分雙工系統(tǒng)下，將每個相干間隔分為2個階段：上行導(dǎo)頻訓(xùn)練和下行的數(shù)據(jù)傳輸。每個相干間隔長度一般設(shè)為τc，其中一部分τp用于上行導(dǎo)頻訓(xùn)練，剩余一部分(τc?τp)用于下行數(shù)據(jù)傳輸。

1.1 上行導(dǎo)頻訓(xùn)練

所有設(shè)備將自己導(dǎo)頻序列發(fā)送給所有設(shè)備，每個導(dǎo)頻符號歸一化傳輸信噪比(signal to noise，SNR)為ρp。設(shè)第k個設(shè)備的導(dǎo)頻序列且‖φk‖2=1，其中k=1,···,K。則第l個AP接收的導(dǎo)頻信號為

式中：Wp,l為M×τp噪聲矩陣，每個元素都服從CN(0,1)的獨立同分布；glk∈CM×1為 第k個設(shè)備與第l個AP之間的信道向量，可以建模為

式中： βlk為當(dāng)前信道的大尺度衰落系數(shù)；hlk為第k個設(shè)備與第l個AP的之間的瑞利信道向量。考慮正交導(dǎo)頻估計的信道向量為，則有估計誤差向量。導(dǎo)頻正交必須滿足導(dǎo)頻長度大于總設(shè)備個數(shù)，此時才有對任意設(shè)備k，和服從分布：

1.2 下行數(shù)據(jù)傳輸

在進行下行數(shù)據(jù)傳輸?shù)倪^程中，所有AP將信號X=[x1···xl···xL]∈CL×1同時傳輸給電力物聯(lián)網(wǎng)覆蓋范圍內(nèi)的所有電力設(shè)備，且有‖xl‖2=1。在總的傳輸功率為pT，每臺設(shè)備的傳輸功率為 ρk的情況下，第k個設(shè)備接收的信號[14]為

式中：nk～CN(01×M,IM)為加性噪聲向量。

利用最大比合并檢測技術(shù)，用戶k信號的接收信干噪比[15]：

2 性能分析

2.1 頻譜效率分析

由于AP并不能獲得該系統(tǒng)下實際的信道狀態(tài)信息，但可以假定能獲取信道狀態(tài)的統(tǒng)計信息。利用以往研究的近似計算方法求取頻譜效率的容量邊界，上行數(shù)據(jù)傳輸?shù)目蛇_率為

式中：Ak為有用信號；Bk為不確定性增益；Dkk′為設(shè)備間的干擾信號；nk為信道噪聲。由于AP數(shù)目一般較大，有效的信道增益一般在信道增益均值上下浮動，可以根據(jù)式(6)的接收信號展開，Ak有用信號進一步展開為：

則此時無蜂窩時分雙工系統(tǒng)總的頻譜效率為

2.2 能量效率分析

將總功耗分為以下3個部分：設(shè)備端消耗的功率，AP端電路功耗和回程功耗。所消耗的總功率[16]為

式中：Pk=(μk)?1ρkN0+Ptc,kk，為設(shè)備 消耗的功率；μk為 功率放大系數(shù)；N0為噪聲功率；Ptc,k為設(shè)備端的電路功耗。

而第l個AP的回程功耗[17]為

則系統(tǒng)總功耗為

該系統(tǒng)下，總的能量效率[18]可以表達為

3 AP選擇算法

考慮所有AP及設(shè)備靜止分布在某個電力物聯(lián)網(wǎng)覆蓋范圍內(nèi)，為使范圍內(nèi)AP與設(shè)備端盡量實現(xiàn)有效連接，利用DNN算法進行有效AP的篩選，從而有限消除用戶間干擾以及降低系統(tǒng)的能耗?；贒NN的AP選擇算法分為兩步，分別為數(shù)據(jù)的生成預(yù)處理，以及標簽的篩選迭代。

3.1 數(shù)據(jù)預(yù)處理

在將數(shù)據(jù)輸入DNN框架之前，需要對數(shù)據(jù)進行預(yù)處理，首先根據(jù)理論，生成信道數(shù)據(jù)集G以及對應(yīng)的AP選擇方案構(gòu)成DNN的輸入和輸出。然后，提取信道數(shù)據(jù)集中的大尺度衰落系數(shù)作為信道的表征，生成特征向量fs，并將輸出標簽Bs定義為AP的組合形式，那么s便是AP的組合種類。

將特征向量進行標準化處理，并設(shè)計關(guān)鍵性能指標，本文所優(yōu)化的是頻譜效率和能量效率，關(guān)鍵性能指標便是與2個性能息息相關(guān)的信號干擾噪聲比（signal interference to noise rate,SINR），遍歷所有的AP選擇方案，則訓(xùn)練集和測試集中最優(yōu)的AP選擇方案對應(yīng)著最大的SINR，由此生成對應(yīng)的特征向量與最優(yōu)AP組合的數(shù)據(jù)集，并把其中75%的數(shù)據(jù)用作訓(xùn)練，25%的數(shù)據(jù)用于測試。

3.2 基于DNN的AP選擇

首先，搭建DNN算法的總體框架，除了輸入層和輸出層以外，設(shè)所提出的DNN采用了Q個隱藏層，每個隱藏層都設(shè)有相同的神經(jīng)元N，采取線性整流函數(shù)（rectified linear unit，ReLU）作為神經(jīng)元的激活函數(shù)。將從訓(xùn)練集G提取的特征向量fs和 分類標簽Bs成對作為輸入第一層可以獲得對應(yīng)的輸出為

式中：W1∈RN×1為 第一層的訓(xùn)練權(quán)重；b1∈RN×1為第一層的訓(xùn)練偏置；=fs為輸入層。

那么，對于第q(1

式中：Wq∈RN×N為第q層 的訓(xùn)練權(quán)重；bq∈RN×1為第q層的訓(xùn)練偏置。

最后，對于最后一層，在[0,1]區(qū)間內(nèi)采用柔性最大值傳輸函數(shù)來表征輸出矢量的元素，其結(jié)果可以表示為

通過迭代公式（16）到公式（18）的過程，基于最小交叉熵損失和函數(shù)不斷訓(xùn)練各層的權(quán)重與偏置值，函數(shù)表示如下：

式中為根據(jù)分類標簽所期望得到的值，那么對于一個新的測試集Gnew來說，就是將其特征向量fnew提取出來，重復(fù)上述步驟，并求解能夠獲得最大的m值。

4 仿真結(jié)果

為驗證本文提出的AP選擇算法的合理性和有效性，首先利用Matlab平臺生成帶有信道特征的訓(xùn)練集和測試集數(shù)據(jù)，然后將數(shù)據(jù)打包輸入深度學(xué)習(xí)框架Pytorch進行DNN算法的迭代，其中，隱藏層層數(shù)Q和神經(jīng)元個數(shù)N在經(jīng)過了模型調(diào)整和參數(shù)優(yōu)化之后的值設(shè)定在了4層和14個?；谌鹄诺老?，采用Cost 231 Walfish-Ikegami模型中的路徑損耗βlk=?34.53?38lgdlk+δ進行10000次實驗，其中dlk、δ分別為不同環(huán)繞情況下的最小值的距離和陰影衰落系數(shù)。其他相關(guān)參數(shù)見表1。

表1 仿真參數(shù)Table 1 Simulation parameter

在AP數(shù)目和位置確定的情況下，設(shè)備平均SE與設(shè)備數(shù)的關(guān)系如圖1所示。當(dāng)AP個數(shù)為50時，由圖1可以看出，隨著設(shè)備數(shù)的增加，設(shè)備的平均SE會降低，這是因為隨著設(shè)備數(shù)的增加，設(shè)備間干擾會逐漸強烈。將所提出的基于DNN的AP選擇算法與全AP傳輸對比可以看出AP選擇能通過選擇有效AP連接，使設(shè)備平均SE得到較大幅度的提升。相同條件下文獻[11]中基于信道系數(shù)排序的AP選擇算法只考慮了端與端之間的信道增益，沒考慮設(shè)備間干擾，所以最后性能沒有本文所提出的AP選擇算法好。另外，文獻[12]和文獻[13]中利用SVM和KNN的效果因為線性參數(shù)結(jié)構(gòu)的性質(zhì)也遠沒有本文提出的DNN的算法效果好。

圖1 不同AP總數(shù)下設(shè)備數(shù)與設(shè)備平均SE的關(guān)系Fig.1 Relationship among the number of devices and average SE of devices under different APs

圖2為AP數(shù)與總SE的關(guān)系，從仿真圖中可以看出所有AP傳輸方式下總的頻率都隨著AP數(shù)的增加逐漸增加，并趨于穩(wěn)定。隨著AP數(shù)的增加，服務(wù)同一個設(shè)備的AP也會增多，由此造成的設(shè)備間干擾也會提升。由此也可以看出在該系統(tǒng)下AP越多反而會使設(shè)備干擾顯著增加，使最后的頻譜效率趨于平穩(wěn)。通過比較不同AP傳輸方式可以看出，所提出的基于DNN的AP選擇算法得到的總SE性能相較于其他傳輸方式有較大的提升。但是在AP個數(shù)不大時，由于95%的閾值設(shè)置，被篩除的AP不多，傳統(tǒng)的基于信道排序的算法擁有更好的性能。

圖3顯示了在小區(qū)范圍分別為1 km和2 km時，AP總數(shù)對總的EE的影響。仿真圖也間接驗證了圖2結(jié)果：AP數(shù)目越多，系統(tǒng)的整體性能并不一定越好。即AP數(shù)目越多，設(shè)備間干擾也尤為顯著，全AP傳輸下的無效AP也越多。同時由圖3可以看出隨著小區(qū)范圍越大，總的SE越小。因為隨著小區(qū)范圍的增大，在相同數(shù)目AP下，造成的平均路徑損耗也會更大。圖3中顯示AP選擇的全AP傳輸下的性能要好，且所提出的基于干擾抑制信道的AP選擇算法的EE相比另外2種AP選擇算法提升效果更好。因為該種算法考慮干擾抑制能力，相比別的算法，選擇的AP組合更有效。

圖2 AP數(shù)與總SE的關(guān)系Fig.2 Relationship between the number of APand thetotal SE

圖3 不同小區(qū)范圍下AP總數(shù)對EE的關(guān)系Fig.3 Relationship between total APand EE in different cell ranges

圖4展示了經(jīng)過模型參數(shù)優(yōu)化調(diào)整后的DNN算法的測試集與訓(xùn)練集的正確率及損失。由圖4可以看出，測試集的數(shù)據(jù)在經(jīng)過了多次迭代后，正確率能夠逐漸逼近訓(xùn)練集的準確率，達到95%以上，而訓(xùn)練集的學(xué)習(xí)準確率隨著迭代次數(shù)的增加也能逐漸逼近100%的準確率。

圖4 DNN訓(xùn)練集和測試集的準確率及損失圖Fig.4 Accuracy and loss of DNN training set and test set

5 結(jié)語

與傳統(tǒng)的全AP傳輸和基于信道系數(shù)排序的AP選擇算法相比，DNN算法不需要進行人為閾值排序和篩選，而是直接描述信道特征與AP組合之間的關(guān)系，能夠達到更高的頻譜效率和能量效率。另外，與其他機器學(xué)習(xí)的算法如SVM和KNN相比，由于DNN不受限于線性參數(shù)結(jié)構(gòu)，DNN擬合參數(shù)的效果也更好。除了優(yōu)越的擬合效果，DNN的優(yōu)勢還在于其實時性以及能夠處理復(fù)雜場景，比如干擾較多的變電站和發(fā)電廠。通過分析無法人為定義的存在較多干擾的信道內(nèi)在特征，可以實時地預(yù)測當(dāng)前的最優(yōu)選擇，從而保障當(dāng)變電站線路出現(xiàn)部分故障時，傳感器數(shù)據(jù)仍然能夠上傳，但是目前只考慮了設(shè)備間的相互干擾，當(dāng)存在區(qū)域性的電磁電磁干擾或者人為主動干擾，如何有效利用深度神經(jīng)網(wǎng)絡(luò)算法還有待研究。