基于成本與網絡負載最優的智能配電通信網絡規劃策略

王一蓉，王艷茹，賀艷華，王永惠，唐良瑞

（1. 北京國電通網絡技術有限公司，北京 100070；2. 華北電力大學電氣與電子工程學院，北京 102206）

基于成本與網絡負載最優的智能配電通信網絡規劃策略

王一蓉1，王艷茹1，賀艷華2，王永惠1，唐良瑞2

（1. 北京國電通網絡技術有限公司，北京 100070；2. 華北電力大學電氣與電子工程學院，北京 102206）

針對配電網絡單個通信終端節點數據量小、通信終端節點多的特點，在提高網絡接入節點數量的基礎上最大化網絡的負載。在宏基站、微基站部署方式上，將宏基站與微基站同時部署，以提供給微基站更多的部署選擇。在分析智能配電網絡通信業務需求、現有網絡規劃的弊端的基礎上，建立了多目標優化模型，并與單目標優化模型進行對比分析。最后，從規劃方案圖以及網絡性能分析上證明了本文所提策略的優越性。

智能配電網；異構無線網絡；網絡規劃

1 引言

隨著我國經濟的飛速發展，智能配電網通信技術取得了很大的發展。智能配電網作為智能電網的重要組成部分之一，當前通信系統單個通信節點數據量小、通信距離不夠遠、通信終端節點數量偏多的特點仍舊束縛著智能配電網的發展[1]。與此同時，智能配電網在高級配電運行（advanced distribution operation，ADO）、高級量測體系（advanced metering infrastructure，AMI）、高級資產管理（advanced asset management，AAM）3個部分的需求各不相同[2]。現有配電網通信網絡的解決方案是在條件允許的情況下，以光纖通信作為首選，以寬帶無線通信實現廣域覆蓋，以載波通信作為接入補充[3]。異構融合網絡融合多種通信技術，能夠滿足終端業務在覆蓋范圍、系統容量、數據傳輸速率和服務質量等方面的網絡性能需求[4,5]。合理的網絡規劃是異構網絡能夠更好地為智能配電網絡服務的基礎，也是多種無線技術有效運用的保障。

現有的無線網絡規劃技術多以優化算法模型入手，對于業務需求的關注較少。參考文獻[6]為了降低TD-SCDMA網絡基站建設代價，給出了一種基于免疫計算的基站選址優化方案。參考文獻[7]針對已有 3G 基站選址優化算法的不足和TD-SCDMA網絡的特點，提出了一種基于免疫算法的TD-SCDMA網絡基站選址優化方案，建立了基站選址問題的數學模型，設計了基于反學習的種群初始化方案和精英交叉策略，給出了免疫優化算法框架。因此，現有的網絡規劃算法復雜度比較大，并忽略了網絡綜合性能以及網絡需求。且傳統的網絡規劃一般先規劃宏基站站址，在宏基站規劃完成的前提下再規劃微基站站址[8-11]，增加了網絡規劃的復雜度，且重復覆蓋增加了不必要的網絡建設成本。

基于智能配電網絡的異構無線網絡規劃應該從以下幾個方面入手。針對單個通信終端節點數據量小、通信終端節點多的特點，提高網絡接入節點的數量，最大化網絡的容量。在宏基站、微基站部署方式上，將宏基站與微基站同時部署，以提供給微基站更多的部署選擇。在算法方面，以算法復雜度較低的算法進行計算，同時考慮到算法的擴展性，提供擴展性較強的優化算法。

2 系統模型

網絡規劃的核心是在保證滿足網絡通信業務需求的條件下，靈活應對飛速增加的通信需求，減少無線接入網的投資和運維成本，減少功耗和電磁污染。無線網絡規劃是整個或局部網絡設計、部署和管理中的一個重要過程，是根據建網目標確定基站數目及參數配置的一個過程，不僅與網絡建立的初始階段相聯系，還聯系到網絡改造與用戶業務需求的變化。主要涉及如下幾個問題：確定基站的數目，一個網絡需要多少個基站才能覆蓋整個服務區域、滿足現有的業務需求，甚至考慮到未來可能的業務需求；確定基站的位置，基站放在什么位置才能避免干擾，提供最佳服務質量（QoS），使整個網絡具有最佳性能；節約成本，怎樣以最小成本提供最大服務能力[12]。

本文以簡單的處理方法提供網絡模型，首先在配電網區域選擇M個候選基站地址，此站址既可用于部署宏基站也可用于部署微基站。在M個候選站址上部署K層異構無線網絡，可得基站站址候選矩陣A：

其中，kma 表示基站選擇部署的情況，“1”表示在位置m處部署k層基站，“0”表示在位置m處不部署k層基站。由于基站站址部署基站擁有唯一性，因此存在

考慮到配電網絡中終端多數是固定終端，業務類型比較穩定，為實現區域內不同配電網業務的可靠、高效傳輸，定義業務接入基站的指示函數 IDn,k,m為：

其中， Rmin,n表示滿足該配電業務n所需的最小速率。 Rn,k,m表示業務n在接入位置m處的k層基站時所能達到的業務速率，計算式為：

其中，業務n所需帶寬為 BDn，信噪干擾比為SINR n, k, m 。

業務n的信干燥比 SINR n, k, m計算式為：

其中，P out,m為基站m的發射功率，L ossn , m為基站m到業務n終端的路徑損耗， (x n, yn )為業務n終端坐標， (x m,ym )為基站m坐標，α是路徑損耗系數，一般取大于2的數，σ2為噪聲功率，I n, m為業務n終端受到其他基站的干擾。

如式（2）所示的指示函數包含了網絡規劃相關的帶寬資源分配、地理環境、干擾管理等。本文將此問題簡單處理為業務享用相同的帶寬資源，對信號傳輸信道做衰落處理，主要以基站站址變化引發的業務處理速率的變化判斷基站站址的業務處理速率的性能。因此由業務接入基站的指示函數和基站站址選擇矩陣A，可得業務接入矩陣B為：

業務接入矩陣B將矩陣A中不符合業務需求的矩陣進行剔除，保留了信道較好的基站站址。

3 優化模型

隨著智能配電網、分布式新能源和智能終端的接入，配電通信網的業務需求發生了很大變化。僅針對參考文獻[2]中新能源汽車的使用每年以2.4～2.5倍的速度增長，就為配電網通信帶來更加復雜的終端節點分布以及飛速增長的節點數目。因此智能配電網絡規劃需要在成本低廉的情況下盡可能地提高網絡接入的終端數目。由于網絡能耗與宏基站、微基站的部署數目有著較強的關聯性，本文對網絡能耗不做考慮。

式（8）給出了網絡負載量的計算式：

其中， Pth,m為基站m部署時應達到的負載阻塞門限，用于限制基站接入終端數量， Pth,m在網絡的規劃過程中起到調節作用，適用于變化快、擴展度大的智能配電通信網絡，其在仿真過程中取1。由于ηn,k,m表示基站m中的負載量占總需求負載的百分比，當實際負載接入比例大于門限P th, m 時，負載限制因素 exp(P th, m ?ηn,k,m)能夠起到降低基站負載量值的作用。

相對網絡負載量而言，網絡建設成本表達式較為簡單，主要與異構網絡規劃中涉及的網絡層次數k、基站m的部署情況 akm以及第k層基站的建設成本 ck有關，故網絡建設成本為：

因此，網絡規劃的多目標優化模型如式（11）所示，并給出最大化負載的單目標優化模型（如式（12）所示）以及成本最小化的單目標優化模型（如式（13）所示）以分析網絡規劃后的綜合網絡性能：

其中，Tload為負載量的最低門限，Tcost為網絡建設的總規劃最高成本門限。

對于上文的優化模型，采用多目標遺傳算法對其進行求解，得到最優非支配Pareto（帕拉托）解集通過優選模型對解集中的解進行排序，選擇效用值最小的解作為網絡規劃的最優解。優選模型如下[13]：

其中，J是 Pareto最優解集的個數， O2是 Pareto最優解集中的最小網絡建設成本值，即是Pareto最優解集中的最大網絡負載值，即上述式（14）所描述的優選模型能夠提供一種低復雜度的算法來解決多目標優化的問題，在智能配電網業務需求日漸嚴格的今天，此方法具有一定的擴展性，適用于性能目標不斷增加的配電通信網絡優化模型。

4 仿真結果及分析

以某一中型城市高新開發區的配用電覆蓋范圍為例，構建網絡仿真環境，得到如圖1所示的終端分布圖以及可選擇的22個基站站址。此場景為10 km×10 km區域，并分散地分布著900個配電終端。仿真過程中設置負載量的最低門限T load=2 000，最高成本門限 Tc ost=1 000萬元。

圖1 終端分布

表1 網絡規劃結果

本文在表1中給出了宏基站與微基站的站址選擇情況。負載最大化單目標模型部署了9個宏基站，而多目標優化模型部署了5個宏基站，其中成本最小化模型部署了4個宏基站。在微基站部署數目上，多目標優化模型與成本最小化單目標模型都部署了9個微基站，負載最大化單目標模型部署了8個微基站。同時給出了多目標優化、負載最大化單目標優化、成本最小化單目標優化的規劃結果，分別如圖2、圖3、圖4所示。

圖2 多目標優化模型

圖3 負載最大化單目標模型

圖4 成本最小化單目標模型

通過分析圖2～圖4的基站站址選擇情況可知，在微基站站址選擇上，單目標與多目標優化模型中站址1、2、11、12、15、17、21、22因為處于終端密集區域，始終被選擇出來以分擔宏基站負載，提高網絡性能。而在多目標模型與成本最小化模型中又分別選擇了站址8和站址10，這是由于仿真過程中本文選擇了終端就近接入的準則。其中，站址8處于宏基站3與宏基站5相鄰的小區邊緣地帶，且站址8附近終端密度較大，為提高網絡的負載量同時控制網絡建設成本，因而被選擇部署微基站。圖4展示了站址10處于宏基站5的覆蓋范圍下，并位于宏基站3、5、19的多基站邊緣地帶，且站址10與所選擇的3個宏基站之間距離較遠，相對其他兩個模型，在最小化成本單目標模型選擇的宏基站數目較少，因此，處于站址10附近的終端接入宏基站的概率比較低，選擇處于宏基站覆蓋的邊緣以及相對熱點區域的站址10部署微基站，能夠有效地分載宏基站的流量，接入網絡內更多的終端，并降低網絡建設成本。在宏基站站址的選擇上，一方面滿足了網絡全覆蓋的要求，另一方面由于網絡性能優化目標不一致而造成了單目標優化負載時，部署了較多數目的宏基站，而單目標優化成本時，則部署了較少的宏基站，這是因為宏基站相對微基站的承載能力比較強，而建設成本相對微基站高很多。圖2～圖4的規劃結果直觀展示了本文將宏基站與微基站不做分離處理的方法能更加靈活地發揮宏基站與微基站的效用。

網絡規劃后的性能如圖5和圖6所示。圖5中多目標優化模型在網絡終端數目低于 500時始終與最大化負載單目標模型保持一致，在終端數目逐漸增加的過程中，多目標優化模型相較于其他兩種算法負載的終端數目有所減少。這是因為在終端增加總數目不超過500時，網絡平均負載較低，故多目標始終與最大化負載單目標模型保持一致，在終端總數目超過 500后，多目標模型受到成本的限制，宏基站部署數目較少，故多目標模型終端負載數目較最大化負載單目標模型低。但是在終端超過700后，可以看到多目標與最大化負載單目標模型負載增長幅度仍舊處于上升的趨勢，說明其網絡擴展性比較強，可以容納更多的終端接入，最小化成本單目標模型增長幅度則處于下降的趨勢，主要是因為較少的宏基站部署影響了網絡負載性能。圖6為3種不同方法網絡建設成本的對比，將此圖與表1進行比較不難發現，宏基站的部署情況主要影響網絡的建設成本，部署較多宏基站的承載最大化單目標模型的建設成本最高，部署較多微基站的成本最小化單目標模型的建設成本最低。多目標模型與單目標模型相比，在兩個優化目標上取折中，實現了在網絡成本比較低時，能夠獲得較好的網絡負載性能，接入更多的終端節點，故其建設成本處于中間位置。

圖5 網絡負載量

圖6 3種不同方法網絡建設成本的對比

5 結束語

針對智能配電網的發展趨勢以及配電網通信網絡優化現存的弊端，本文提出的網絡規劃策略將業務需求與基站選址結合，建立了低復雜度的優化模型，能夠在成本較低的情況下保證網絡接入更多的業務終端，并能夠在網絡性能要求更加嚴格的發展過程中提高網絡的擴展性。隨著分布式電源和電動汽車等規模化發展，電網的轉變將給傳統配電網帶來諸如電壓越限、雙向潮流等問題，配電網由被動控制過渡到主動控制是未來的發展模式和方向之一，這將成為智能配電網發展的核心[14]。在下一步的工作中，應當適應傳統配電網絡向主動配電網轉換的思路，建立適應于主動配電網絡發展的網絡規劃策略。將5G、SDN、邊緣計算等新興的技術與主動配電網相融合，建立主動配電通信網絡系統[15-17]。

[1]沈大剛. 一種新型智能配電終端的設計與研究[J]. 電氣工程學報, 2016, 11(6): 48-54. SHEN D G. Design and research of a new type of intelligent power distribution terminal[J].Chinese Journal of Electrical Engineering, 2016, 11 (6): 48-54.

[2]馬釗, 安婷, 尚宇煒. 國內外配電前沿技術動態及發展[J].中國電機工程學報, 2016, 36(6): 1552-1567. MA Z, AN T, SHANG Y W. State of the art and development trends of power distribution technologies[J]. Proceedings of the Chinese Society for Electrical Engineering, 2016, 36(6): 1552-1567.

[3]陸一鳴, 劉東, 柳勁松, 等. 智能配電網信息集成需求及模型分析[J]. 電力系統自動化, 2010, 34(8): 1-4. LU Y M, LIU D, LIU J S, et al. Information integration demand and model analysis for smart distribution grid[J]. Automation of Electric Power Systems, 2010, 34(8): 1-4.

[4]盛潔, 唐良瑞, 郝建紅. 智能配電環境感知融合網絡的研究[J].電力系統保護與控制, 2011, 39(24): 127-131. SHENG J, TANG L R, HAO J H. Research of ambient composite networks towards the smart distribution grid[J]. Power System Protection and Control, 2011, 39(24): 127-131.

[5]JO H S, SANG Y J, XIA P, et al. Heterogeneous cellular networks with flexible cell association: a comprehensive downlink SINR analysis[J]. IEEE Transactions on Wireless Communica-tions, 2011, 11(10): 3484-3495.

[6]朱思峰, 劉芳, 柴爭義. 基于免疫計算的TD-SCDMA網絡基站選址優化[J]. 通信學報, 2011, 32(1): 106-110. ZHU S F, LIU F, CHAI Z Y. Immune computing-based base station location planning in the TD-SCDMA network[J]. Journal on Communications, 2011, 32(1): 106-110.

[7]張英杰, 毛賜平, 俎云霄, 等. 基于免疫算法的 TD-SCDMA網絡基站選址優化[J]. 通信學報, 2014, 35(5): 44-48. ZHANG Y J, MAO C P, ZU Y X, et al. Immune algorithm-based base station location optimization in the TD-SCDMA network[J]. Journal on Communications, 2014, 35(5): 44-48.

[8]LI X, ZHANG X, WANG W. An energy-efficient cell planning strategy for heterogeneous network based on realistic traffic data[C]// 2014 International Conference on Computing, Management and Telecommunications, April 27-29, 2014, Da Nang, Vietnam. New Jersey: IEEE Press, 2014: 122-127.

[9]WANG S, ZHAO W, WANG C. Budgeted cell planning for cellular networks with small cells[J]. IEEE Transactions on Vehicular Technology, 2015, 64(10): 4797-4806.

[10]SAPPIDI R, MOSHARRAFDEHKORDI S, ROSENBERG C, et al. Planning for small cells in a cellular network: why it is worth it[C]// Wireless Communications and Networking Conference, April 6-9, 2014, Istanbul, Turkey. New Jersey: IEEE Press, 2014: 2277-2282.

[11]ZHAO W, WANG S, WANG C, et al. Cell planning for heterogeneous networks: An approximation algorithm[C]//IEEE Conference on Computer Communications, April 17-May 2, 2014, Toronto, Canada. New Jersey: IEEE Press, 2014: 1087-1095.

[12]MAPLE C, GUO L, ZHANG J. Parallel genetic algorithms for third generation mobile network planning[C]// International Conference on Parallel Computing in Electrical Engineering, September 7-10, 2004, Dresden, Germany. New Jersey: IEEE Press, 2004: 229-236.

[13]張連文, 夏人偉. Pareto最優解及其優化算法[J]. 北京航空航天大學學報, 1997(2): 206-211. ZHANG L W, XIA R W. Pareto optimal solution and optimization method[J]. Journal of Beijing University of Aeronautics and Astronautics, 1997(2): 206-211.

[14]趙波, 王財勝, 周金輝, 等. 主動配電網現狀與未來發展[J].電力系統自動化, 2014, 38(18): 125-135. ZHAO B, WANG C S, ZHOU J H, et al. Present and future trend of active distribution network[J]. Automation of Electric Power Systems, 2014, 38(18): 125-135.

[15]周逸凡, 趙志峰, 張宏綱. 基于智能SDN面向5G的異構蜂窩網絡架構[J]. 電信科學, 2016, 32(6): 28-35. SHOU Y F, ZHAO Z F, ZHANG H G. Towards 5G: heterogeneous cellular network architecture design based on intelligent SDN paradigm[J]. Telecommunications Science, 2016, 32(6): 28-35.

[16]張建敏, 謝偉良, 楊峰義. 5G超密集組網網絡架構及實現[J].電信科學, 2016, 32(6): 36-43. ZHANG J M, XIE W L, YANG F Y. Architecture and solutions of 5G ultra dense network[J]. Telecommunications Science, 2016, 32(6): 36-43.

[17]劉宜明, 李曦, 紀紅. 面向5G超密集場景下的網絡自組織關鍵技術[J]. 電信科學, 2016, 32(6): 44-51. LIU Y M, LI X, JI H. Key technology of network self-organization in 5G ultra-dense scenario[J]. Telecommunications Science, 2016, 32(6): 44-51.

王艷茹（1985?），女，北京國電通網絡技術有限公司工程師，主要從事電力信息通信、無線通信等方面研究工作。

賀艷華（1992?），女，華北電力大學電氣與電子工程學院博士生，主要從事異構無線網絡資源管理、配電網通信等方面的研究工作。

王永惠（1991?），女，北京國電通網絡技術有限公司工程師，主要從事電力信息通信技術方面的研究工作。

唐良瑞（1966?），男，華北電力大學電氣與電子工程學院教授、博士生導師，主要從事無線通信、信息安全、電力系統通信等方面的研究工作。

Smart distribution communication network planning strategy based on optimal cost and network load

WANG Yirong1, WANG Yanru1, HE Yanhua2, WANG Yonghui1, TANG Liangrui2
1. Beijing Guodiantong Network Technology Co., Ltd., Beijing 100070, China 2. School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China

Considering of the characteristics such as small amount data of single communication terminal node and large scale distribution of terminal nodes, the strategy of network planning should increase the number of access nodes and maximize the capacity of the network. In the macro and micro base station deployment, the macro base station and the micro base station were simultaneously deployed to provide more deployment options for the micro base station. Based on the analysis of the demand of smart distribution network communication services and the drawbacks of the existing network planning, a multi-objective optimization model was established and a single objective optimization model was established for comparative analysis. Finally, the superiority of the strategy was proved from the scheme diagram and network performance analysis.

smart distribution network, heterogeneous wireless network, network planning

s: The National Natural Science Foundation of China (No.51507063), State Grid Science and Technology Project

TP393

A

10.11959/j.issn.1000?0801.2017189

王一蓉（1979?），女，北京國電通網絡技術有限公司教授級高級工程師，主要從事電力信息通信、無線通信等方面研究工作。

2017?03?17；

2017?06?06

國家自然科學基金資助項目（No.51507063）；國家電網科技資助項目