電力物聯(lián)網(wǎng)中基于深度學習的無蜂窩接入點選擇算法

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的成功應用，使得物聯(lián)網(wǎng)技術與電力業(yè)務的結合更加緊密[1]。隨著物聯(lián)網(wǎng)在智能電網(wǎng)應用的產(chǎn)業(yè)化、規(guī)模化，實際應用中將初步形成電力物聯(lián)網(wǎng)建設發(fā)展標準體系，通過電力物聯(lián)網(wǎng)技術的積極探索和深入實踐，適應分布式能源、儲能、電動汽車等交互式用能設施大規(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)模電力設備的無線通信需求[3]。

傳統(tǒng)集中式蜂窩網(wǎng)絡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)絡中，大量配備多天線的接入點（access point，AP）密集分布在電力設備周圍，這樣可以利用良好的傳播路徑和信道硬化特性，在設備間干擾較小的情況下復用多個設備，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被激活用來服務某個設備時會對其他的設備產(chǎn)生嚴重的干擾。

對于每個設備來說，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服務設備，且都沒考慮同AP服務下的設備間干擾。考慮多AP服務的情況下，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)機器學習支持向量機（support vector machine，SVM）分類器[12]和K鄰近（K-nearest neighbor，KNN）聚類[13]的標簽化分類基礎上，本文考慮通過基于深度神經(jīng)網(wǎng)絡（deep neural network，DNN）的人工智能新技術來改進。通過使用離線數(shù)據(jù)集訓練DNN代替復雜的理論分析對AP進行有效篩選可以獲得近似最優(yōu)解，仿真結果表明，所提出的算法能夠進一步提升無蜂窩網(wǎng)絡多設備的平均頻譜效率，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K個相互獨立的單天線設備，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：上行導頻訓練和下行的數(shù)據(jù)傳輸。每個相干間隔長度一般設為τc，其中一部分τp用于上行導頻訓練，剩余一部分(τc?τp)用于下行數(shù)據(jù)傳輸。

1.1 上行導頻訓練

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

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個設備與第l個AP之間的信道向量，可以建模為

式中： βlk為當前信道的大尺度衰落系數(shù)；hlk為第k個設備與第l個AP的之間的瑞利信道向量?？紤]正交導頻估計的信道向量為，則有估計誤差向量。導頻正交必須滿足導頻長度大于總設備個數(shù)，此時才有對任意設備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)的所有電力設備，且有‖xl‖2=1。在總的傳輸功率為pT，每臺設備的傳輸功率為 ρk的情況下，第k個設備接收的信號[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，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)的生成預處理，以及標簽的篩選迭代。

3.1 數(shù)據(jù)預處理

在將數(shù)據(jù)輸入DNN框架之前，需要對數(shù)據(jù)進行預處理，首先根據(jù)理論，生成信道數(shù)據(jù)集G以及對應的AP選擇方案構成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，并設計關鍵性能指標，本文所優(yōu)化的是頻譜效率和能量效率，關鍵性能指標便是與2個性能息息相關的信號干擾噪聲比（signal interference to noise rate,SINR），遍歷所有的AP選擇方案，則訓練集和測試集中最優(yōu)的AP選擇方案對應著最大的SINR，由此生成對應的特征向量與最優(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，設所提出的DNN采用了Q個隱藏層，每個隱藏層都設有相同的神經(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的輸出為

式中：W1∈RN×1為 第一層的訓練權重；b1∈RN×1為第一層的訓練偏置；=fs為輸入層。

那么，對于第q(1

式中：Wq∈RN×N為第q層 的訓練權重；bq∈RN×1為第q層的訓練偏置。

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)不斷訓練各層的權重與偏置值，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，重復上述步驟，并求解能夠獲得最大的m值。

4 仿真結果

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練集和測試集數(shù)據(jù)，然后將數(shù)據(jù)打包輸入深度學習框架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，設備平均SE與設備數(shù)的關系如圖1所示。當AP個數(shù)為50時，由圖1可以看出，隨著設備數(shù)的增加，設備的平均SE會降低，這是因為隨著設備數(shù)的增加，設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)結構的性質(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)下設備數(shù)與設備平均SE的關系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，服務同一個設備的AP也會增多，由此造成的設備間干擾也會提升。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練集的準確率，達到95%以上，而訓練集的學習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，與其他機器學習的算法如SVM和KNN相比，由于DNN不受限于線性參數(shù)結構，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，可以實時地預測當前的最優(yōu)選擇，從而保障當變電站線路出現(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備間的相互干擾，當存在區(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)絡算法還有待研究。