面向業務可靠承載的電力彈性光網絡自主協同決策

陳亞鵬 劉朋矩 周振宇 白暉峰 張 頡

（1.新能源電力系統全國重點實驗室（華北電力大學） 北京 102206 2.北京智芯微電子科技有限公司 北京 100192 3.國網四川省電力公司電力科學研究院 成都 610041）

0 引言

“碳達峰、碳中和”戰略目標的提出為我國能源電力行業的綠色發展道路指明了方向[1]。在此背景下，未來的新型電力系統建設離不開先進信息通信技術與電力技術的深度融合，各類新興電力業務的廣泛開展將進一步推動電網向全面感知、實時交互方向演進[2]。電力通信骨干網以業務的高效可靠承載為手段，是確保電力系統安全穩定運行的重要基礎設施，跨域、跨層、跨級的源網荷儲高效互動與多能廣泛互聯也給電力通信骨干網的數據承載能力帶來挑戰[3-4]。因此，如何融合新一代信息通信技術，變革升級傳統技術應用，提升電力通信骨干網的業務可靠承載能力，支撐電能的廣域傳輸與調控，已成為一個亟須解決的難題[5]。

彈性光網絡（Elastic Optical Network, EON）是業界廣泛認可的下一代光傳送網絡建設方案之一[6]。隨著電力系統不確定性的增強，該技術也為解決電力通信骨干網中電力業務與網絡資源的靈活協同提供了良好方案[7-8]。相較于傳統電力通信骨干網基于單光通道的同步數字體系（Synchronous Digital Hierarchy, SDH）和基于多光通道波分復用調制的光傳送網（Optical Transport Network, OTN）制式[9]，EON 采用光正交頻分復用方式進行調制，其細顆粒度的頻譜分配方式可完美對接電力業務的多樣性與隔離性需求，從而有效提升電力通信骨干網的業務可靠承載能力，以“比特推動瓦特”，對于我國電力行業的數字化轉型發展、科技創新能力提升有著重要意義。

電力EON 主要通過路由與頻譜分配（Routing and Spectrum Allocation, RSA）實現網絡資源利用優化與業務可靠性保障[10]。針對RSA 優化問題，諸如線性規劃、分支定界法、單純形法、松弛法等數學工具被廣泛采用[11-12]，隨著網絡規模和業務流量的爆發式增長，遺傳算法、粒子群優化算法等啟發式算法的研究與應用也越發廣泛[13-14]。但上述研究大多在業務請求給定的前提下開展，缺乏長時業務性能提升角度的考量，導致突發性和隨機性較強的電力業務與動態變化的網絡資源之間自主協同能力差，造成頻譜資源浪費，難以支撐電力業務的可靠承載。

在此基礎上，文獻[8]通過引入數據隊列的表示方法，結合線性規劃實現在動態業務到達情況下的在線RSA 優化；文獻[15]將整數線性規劃與啟發式算法相結合，在保障業務傳輸穩定性的前提下最大化網絡資源利用率；文獻[16]提出了一種基于深度強化學習的RSA 優化策略，通過對環境的學習克服網絡波動性對業務處理成功率的影響。然而，上述研究多從網絡整體性能提升的單一角度開展，針對電網中保護控制、數據采集、移動應用等不同類型業務的差異化服務質量（Quality of Service,QoS）保障方面的研究仍較為匱乏。文獻[17]指出應當依據電力業務中斷時對電力系統的影響程度進行優先級劃分；文獻[18-19]則依照不同業務性能需求進行優先級劃分，為本文研究奠定了基礎。此外，電力通信骨干網中大量并發接入的業務請求都傾向于占據更優的網絡資源，使得其他業務或網絡整體性能受損，傳統基于整數線性規劃或啟發式算法的優化方法存在復雜度高、易陷入局部最優等問題，而一些博弈論及匹配算法雖然為解決該問題提供了良好思路，但在保障業務可靠傳輸需求的前提下，如何有效協調其對有限網絡資源的競爭仍面臨挑戰。

綜上所述，結合電力業務特性，支撐業務可靠承載的電力EON 資源與業務協同方法仍面臨挑戰。針對上述問題，本文提出面向業務可靠承載的電力EON 自主協同決策方法。首先，構建不同類型業務可靠性約束模型及電力EON 中的業務與資源協同問題，優化目標為考慮業務優先級、頻譜利用率、頻譜碎片化程度的加權網絡效用；然后，基于李雅普諾夫（Lyapunov）優化和匹配算法，提出一種面向業務可靠承載（Service Reliable Bearing,SRB）的電力彈性光網絡RSA 優化算法，被命名為SR2BA 算法，該算法通過虛擬隊列漂移實現隊列可靠性約束偏差感知，并通過聚合路徑與頻隙資源將原本業務請求、路徑、頻隙之間的三維匹配問題降維為一對一匹配問題；接著，引入升價匹配算法在統一的時間周期內實現多業務請求與網絡資源之間的自主協同，確保電力業務的可靠承載；最后，通過具有普適性的仿真對比，驗證所提算法在網絡效用提升、業務可靠性約束滿足等方面的優越性能。

1 電力EON 中的RSA 問題簡述

電力EON 中的RSA 問題涉及頻譜分配與路由選擇兩個方面，且兩者緊密耦合，其中頻譜分配的最小單位是頻隙，多個連續的頻隙被稱為頻隙塊。相較于傳統電力通信骨干網，電力EON 中的RSA問題具有以下特征：

1）頻隙的連續性約束：若某業務請求需要多個頻隙進行數據傳輸，則這幾個頻隙必須是連續不可間斷的。

2）頻隙的一致性約束：同一業務請求的路由鏈路上，相鄰鏈路上該業務占據的頻隙位置必須相同。

3）頻隙的不可復用性約束：任意路徑上的單個頻隙不能同時被分配給多個業務請求。

電力EON 中的RSA 問題示例如圖1 所示。以圖1 為例，假設某電力業務請求需要使用兩個頻隙將數據從節點1 傳輸至節點6，鏈路1→4 盡管有兩個空閑頻隙，但由于不滿足連續性約束而不能被使用，所以只能使用鏈路1→2 上后四個頻隙中任意兩個連續頻隙進行傳輸。當業務請求到達節點2 后，鏈路2→3 和2→5 的空閑頻隙均滿足連續性與一致性約束，但鏈路3→6 上的兩個連續空閑頻隙與鏈路 1→2 上的位置不同，無法滿足一致性約束，因此，該電力業務請求最終只能使用路徑1→2→5→6上后四個頻隙中任意兩個連續頻隙完成數據傳輸。從其建立到釋放期間，該路徑上被占用兩個頻隙無法再給其他電力業務請求使用。此時若有另外一個需要兩個頻隙進行傳輸的業務請求自節點1 向節點6 發出，若之前業務請求占據頻隙3 和4，則此時網絡無法支持新業務請求傳輸，因此控制平面在進行決策時應當盡可能使業務請求優先占據連續頻隙塊的邊緣位置，從而減輕頻隙碎片化現象，避免因連續頻隙數無法滿足業務請求傳輸所需的最小頻隙數量而造成的頻譜資源浪費。

圖1 電力EON 中的RSA 問題示例Fig.1 Example of RSA problem in the power EON

2 系統模型

2.1 電力EON 網絡模型

依據軟件定義電力通信網絡（Software Defined Power Communication Network, SDPCN）架構[16,20]，本文構建的電力EON 模型如圖2 所示，主要包含數據平面、業務平面、控制平面和應用平面。其中，數據平面包含光纖鏈路、路由器等物理基礎設施，用于承載電力業務數據的傳輸。業務平面包含的業務類型可分為保護控制、移動應用、數據采集三大類[21-22]，不同類型業務在數據量、優先級、可靠性需求等方面特性不一，持續的電力業務根據其自身特性與需求的不同分別進入對應的業務請求隊列，并進一步產生業務請求，釋放到數據平面中。控制平面可以根據動態的電力業務請求信息和時變的網絡資源可用性自主調整策略，在統一的時間周期中完成對頻譜資源的利用，以實現電力業務請求與底層物理資源的自主協同適配，實現對電力業務的可靠承載，支撐應用平面具體電力應用實現。應用平面則包含倒閘控制、差動保護、電力巡檢、故障檢測、用能采集等具體電力應用。

圖2 電力EON 模型Fig.2 Power EON model

數據平面的網絡拓撲用 G = { V ,E }表示，其中V 為路由節點集合，E 表示不同路由節點之間光鏈路集合，若存在光鏈路使V 中的路由節點vx和vy直接連通，則ex,y∈E 。每條鏈路上的頻隙個數為J，用集合 J= {1 ,… ,j,…,J}表示，每個頻隙支持的傳輸速率與調制方式有關[10]。總優化時長被劃分為T個等長的時隙[23]，定義為集合 T= {1 ,… ,t,…,T}，每個時隙的長度為τ。

2.2 業務模型

依據電力通信網中不同類型業務對電網安全穩定運行的影響程度[17,24]，業務平面中共包含N個優先級不同的業務，對應形成N個業務請求隊列，用集合 N = {1 ,… ,n,…,N}表示。不同業務的優先級參數被定義為nμ，優先級越高，表明該業務對于電力系統安全穩定運行越重要，例如緊急保護與控制業務優先級更高，而廣域測量系統等業務優先級則較低。第n個隊列在當前時隙初的隊列積壓為Qn(t)，數據到達量為An(t)，且滿足An(t) =λn(t)A0，其中A0為單個業務數據包的大小，λn(t)為業務到達率，即單個時隙內業務數據包的到達數量。每個時隙開始時，第n個隊列隨機生成I n(t)個業務請求，定義為集合In(t) = {1,… ,in(t) ,…,I n(t)}，第i n(t)個業務請求用rn,i(t) = {SDn,i(t) ,DDn,i(t) ,Rn,i(t)}表示，其中 SDn,i(t)、DDn,i(t)和R n,i(t)分別為該業務請求的源節點、目的節點及數據量大小，且Rn,i(t)滿足

第n個業務請求隊列的積壓大小為

2.3 可靠性約束模型

為確保各類電力業務的可靠承載，應當盡可能避免業務請求隊列因持續積壓而導致的數據丟失問題[26]。業務請求隊列積壓長度可以作為電力業務可靠性指標的關鍵參數，從長時角度來看，應當確保數據丟失事件的發生概率盡可能小。因此，本文將不同業務請求隊列的可靠性需求建模為如式（7）的概率約束。

式中，Pr 為概率函數；Qn,max為業務隊列的緩沖區容量；σn為數據丟失事件的發生概率約束，σn?1。概率約束的非凸及非光滑特性導致優化問題難以求解，基于馬爾可夫不等式[27]，上述概率約束被轉換為如式（8）的業務可靠性約束。

式中，E為期望函數。

2.4 優化問題構建

電力EON 以電力業務的可靠高效承載為目的，因此本文以提升頻譜利用率和減輕頻譜碎片化程度為手段，在有限網絡資源下盡可能傳輸更多的業務數據，減少數據丟失事件的發生概率，保障業務可靠性約束得到滿足。首先，電力EON 頻譜利用率用單個頻隙傳輸的電力業務數據量表示， 即Rn,i(t)(t)。其次，為降低頻譜碎片化程度，在網絡效用中增加，結合第1 節中實例，當該業務請求占據頻隙3 和4 時，，而占據頻隙4 和5 時，，因此在后續的頻譜分配決策時，業務請求會優先占據可用頻譜塊的靠后邊緣位置，從而獲得更大的網絡效用，降低頻譜碎片化程度。最后，在優化時還應當考慮電力業務優先級，在同等條件下優先保障高優先級業務的可靠傳輸。綜上所述，建立電力EON 網絡效用函數為

式中，κ為平衡優化目標數量級的尺度參數，其實際意義在于避免優化目標之間較大倍數關系導致在實際優化時某一項指標因所占比重太小而被忽視；(t)為候選路徑k n,i(t)上自第j個頻隙開始的連續空閑頻隙數量。優化目標為在保障電力業務可靠性約束的前提下最大化電力EON 的長時網絡效用，即

式中，1C 為不同類型業務數據到達量約束；2C 為單個業務請求的數據量大小約束；3C 為不同類型業務請求的總數據量大小約束；C4為候選路徑上的頻隙可用性約束；C5為RSA 指示變量的取值范圍約束；C6為單個業務請求的不可分割性約束；C7為頻隙的不可復用性約束；8C 為業務可靠性約束。

3 電力EON 自主協同決策方法

3.1 問題轉換

有關未來時隙的電力業務信息與網絡信息都難以準確預知，但由于長時優化目標和約束的存在，導致優化問題P1 無法被直接求解。因此，基于李雅普諾夫優化算法將原始優化問題轉換為無需任何先驗統計信息與未來信息的在線優化問題[28]。

首先，根據虛擬隊列概念，設置有關電力業務可靠性約束8C 的虛擬隊列，用于表示截至當前時隙末業務數據積壓與長時可靠性約束之間的偏差，虛擬隊列積壓隨時隙的變化情況可被表示為

其次，構造李雅普諾夫優化漂移函數。定義第t個時隙電力EON 的虛擬隊列狀態指示向量為

定義李雅普諾夫函數為

式（13）可用于表征當前網絡虛擬隊列的擁塞程度，函數值越大隊列積壓現象越嚴重，即當前時隙偏離長時約束的程度越大，從而實現可靠性約束偏差感知。為在保障電力業務數據可靠傳輸的同時優化網絡效用，定義時隙間李雅普諾夫漂移與優化目標的加權差為

式中，V用于衡量長時約束8C 與優化目標之間的重要程度，V0＞ ，V越大，表明越傾向于優化網絡效用。李雅普諾夫漂移與優化目標加權差的上界為

式中，?為與優化變量無關的正常數項。式（15）的詳細推導過程見附錄。

最后，長時隨機優化問題P1 可以被轉換為單一時隙確定性優化問題，即

相較于P1，P2 將長時隊列穩定性約束融入優化目標，并可通過虛擬隊列積壓變化實現可靠性約束偏差感知，P2 的在線優化僅依賴當前時隙網絡及業務信息。

3.2 算法設計

本文所提SR2BA 算法基于匹配算法對P2 進行求解。首先，頻隙一致性、連續性及不可復用性等約束導致多個業務請求選擇同一頻隙的沖突無法解決。因此，為解決上述沖突，SR2BA 算法將P2 轉換為不同類型業務請求、路徑、頻隙之間的三維匹配問題。在此基礎上，進一步通過將路由與頻隙聚

合為資源塊{kn,i(t),j} ，將路徑選擇決策變量與頻隙

定義1（一對一匹配關系）：定義θ表示業務請求集合與可用路徑上的可用資源塊集合之間的一對一關系映射，且

當θ[rn,i(t)]= {kn,i(t),j} 時，表示資源塊{kn,i(t),j}被分配給業務請求rn,i(t)進行數據傳輸，即(t)=1，θ[rn,i(t)] =rn,i(t)表示該業務請求未分配到任何資源塊。

其次，針對降維后的一對一匹配問題，SR2BA算法的執行主體控制平面通過對業務平面與數據平面的實時感知，進行升價匹配，并將獲得的最終決策下發到網絡中。具體而言，SR2BA 算法共包含初始化、偏好列表建立、基于迭代匹配的自主協同決策、決策下發與隊列更新四個階段，SR2BA 算法見表1。

表1 SR2BA 算法Tab.1 SR2BA algorithm

具體過程如下。

1）初始化：給定所有業務請求隊列的初始積壓Qn(1 )及空集Ω，初始化虛擬隊列積壓Yn(1 )及RSA指示變量為0。

2）偏好列表建立：在匹配算法中，偏好用來表示電力業務請求rn,i(t)對于資源塊{kn,i(t) ,j} 的相對“喜愛程度”大小，即電力業務請求選擇不同資源塊獲得的性能回報。該性能回報數值與優化問題P2 的優化目標一致，并在此基礎上增加虛擬匹配價格用于解決匹配沖突問題。每個時隙初，初始化匹配關系θ為空集。基于 P2，業務請求rn,i(t)對資源塊{kn,i(t),j} 的匹配偏好定義為

式中，ρk,j(t)為占據資源塊{kn,i(t),j} 所需的虛擬匹配價格，其初始值被置為0。控制平面依據偏好值降序排列為業務請求建立偏好列表。

3）基于迭代匹配的自主協同決策：每個業務請求向其偏好列表中第一個資源塊發起匹配申請，當任意鏈路上的同一頻隙同時接收到超過兩個業務請求的匹配申請時，將對應包含該頻隙的資源塊加入集合Ω中，否則該資源塊被暫時匹配給唯一向其發起申請的業務請求。當發生如上所述的頻隙選擇沖突時，集合Ω中的資源塊{kn,i(t),j} 依據不同價格梯度 Δρk,j更新其匹配價格

所有業務請求重新計算對資源塊的偏好值{kn,i(t),j} ，并更新其偏好列表。一些業務請求的偏好列表中可能會因為該資源塊的偏好值下降導致排序發生變化，這些業務請求會轉而向列表中當前排名第一的資源塊重新發起匹配請求而放棄原本的選擇。重復如上的升價過程，直至僅剩一個業務請求向其發起匹配請求時，該資源塊會被匹配給僅剩的一個業務請求，并被移出集合Ω，從而解決頻隙選擇沖突問題。若對于rn,i(t)而言，所有候選資源塊均已被匹配給其他業務請求，則θ[rn,i(t)] =rn,i(t)。

重復上述迭代匹配過程直至不存在θ[rn,i(t)]=?，且Ω=?。

4）決策下發與隊列更新：控制平面根據最終的匹配結果下發策略給數據平面，若θ[rn,i(t)]={kn,i(t),j} ，則(t)=1。業務平面依據獲得的性能更新Qn(t+1)和Yn(t+1)，然后進入下一個時隙繼續執行優化。

4 算法仿真及結果分析

4.1 仿真參數及對比算法設置

本文在IEEE 30 節點電力測試系統拓撲情況下進行仿真，仿真工具為Matlab。參考文獻[17-19,24]，共設置五種典型的電力業務，優先級自高到低依次為緊急控制與保護上報業務、廣域測量系統業務、數據采集與監視控制系統業務、故障錄波業務、生產管理系統業務，不同業務到達率的區間范圍為[9,15]、[25,35]、[70,80]、[100,140]、[100,140]。本文主要仿真參數設置見表2[16-18,24]。

表2 仿真參數Tab.2 Simulation parameters

本文通過與以下兩種算法對比來驗證所提SR2BA 算法性能，對比算法具體設置如下：

1）基于最小化隊列漂移加懲罰的路由與頻隙分配（ Min Drift Plus Penalty-based Routing and Spectrum Allocation, MDPP-RSA）算法[8]：該算法在保障業務請求隊列穩定性的情況下以最大化頻譜利用率為優化目標，但無法保障業務可靠性約束。

2）基于首尾精確適配的路由與頻隙分配（First-Last Exact Fit-based RSA, FLEF-RSA）算法[30]：該算法僅以最大化頻譜利用率和頻譜連續度為優化目標，但無法保障業務可靠性約束，當出現頻隙選擇沖突時，業務請求以隨機順序搶占該頻隙。

4.2 仿真結果及分析

圖3a 和圖3b 分別給出了電力EON 平均網絡效用和頻譜利用率隨時隙變化的對比情況。平均網絡效用指一個時隙內所有業務請求獲得的累計網絡效用除以當前時隙的業務請求數量后得到的結果，能夠更好地減少實驗偶然性對結果造成的波動影響。陰影部分為仿真得到的實際數值結果，由于業務到達的動態性與網絡資源的時變性，其數值呈現波動態勢。為便于直觀展示SR2BA 算法在平均網絡效用以及頻譜利用率方面的性能提升效果，繪制擬合曲線進行分析。當t=500 時，相較于MDPP-RSA算法和FLEF-RSA 算法，SR2BA 算法的平均網絡效用分別提升了18.45%、35.71%，頻譜利用率分別提升了33.52%、54.41%。SR2BA 算法在最大化頻譜利用率時增加了頻譜連續度的考量，控制平面會從電力業務性能保障和網絡性能提升兩個角度進行自主決策優化。隨著時隙的不斷增加，業務數據隊列與虛擬隊列積壓會持續增加，導致在后續優化中SR2BA 算法會傾向于保障業務可靠性約束而忽略網絡效用優化，因此平均網絡效用與頻譜利用率均有所降低。而MDPP-RSA 算法盡管以最大化頻譜利用率為優化目標，但會導致路徑上的碎片化頻譜無法支撐其他業務請求傳輸，造成頻隙資源浪費。FLEFRSA 算法的隨機搶占機制導致電力業務可靠性無法保障，整個網絡系統的吞吐量下降，網絡效用和頻譜利用率都較低。

圖3 平均網絡效用和頻譜利用率隨時隙變化對比情況Fig.3 Comparison of average network utility and spectrum utilization rate versus time slots

圖4 給出了電力EON 累積吞吐量隨時隙變化的對比情況。當t=500 時，相較于MDPP-RSA 算法和FLEF-RSA 算法，SR2BA 算法的累積吞吐量分別提升了9.86%、15.17%。

圖4 累積吞吐量隨時隙變化的對比情況Fig.4 Comparison of cumulative throughput versus time slots

圖5 給出了電力業務請求隊列與業務可靠性虛擬隊列積壓的對比情況。相較于MDPP-RSA 算法和FLEF-RSA 算法，SR2BA 算法的平均業務請求隊列積壓分別降低了51.87%、80.18%，平均虛擬隊列積壓分別降低了54.50%、81.45%。SR2BA 算法考慮了業務請求隊列的可靠性約束，并通過時隙間虛擬隊列積壓值的演變實現隊列可靠性偏差感知，并自主調整資源分配決策，避免持續積壓導致電力業務數據丟失，對于實現業務可靠承載有著重要意義。而MDPP-RSA 算法和FLEF-RSA 算法均無法滿足電力業務可靠性約束，導致數據隊列積壓持續增加。但由于MDPP-RSA 算法考慮了數據隊列穩定性，性能比FLEF-RSA 算法略優。

圖5 業務可靠性虛擬隊列積壓對比情況Fig.5 Comparison of service reliability virture queue backlog

圖6 給出了業務優先級對業務請求隊列積壓和業務可靠性虛擬隊列積壓的影響。SR2BA 算法在進行決策時通過對業務優先級的自主感知，實現電力業務差異化QoS 需求保障，優先保障對電網安全穩定運行更為重要的業務數據傳輸。

圖6 業務優先級對業務請求隊列積壓和業務可靠性虛擬隊列積壓的影響Fig.6 Impact of service priority on service request queue backlogand service reliability virtual queue backlog

圖7 給出了網絡中業務請求平均到達率對業務請求隊列積壓的影響。相較于MDPP-RSA 算法和FLEF-RSA 算法，SR2BA 算法可有效提升電力通信骨干網數據承載量，能夠在較大業務請求平均到達率情況下維持更小的隊列數據積壓，有效支撐未來大規模新興電力業務的發展。SR2BA 算法考慮了頻譜碎片化程度的影響，給不同業務請求分配頻隙時，會盡可能預留更大的頻譜資源給其他業務請求使用，從而減輕頻譜碎片化程度，以確保傳輸更大的業務數據量。

圖7 平均到達率對業務請求隊列積壓的影響Fig.7 Impact of average arrival rate on service request queue backlog

圖8 給出了權重V對平均網絡效用和虛擬隊列積壓的影響。隨著V的增大，網絡效用逐漸增大，同時業務可靠性虛擬隊列積壓也增大。因為當權重V增大，網絡效用在優化目標中占據的比值增加，SR2BA 算法會傾向于優先確保網絡效用提升，忽略電力業務可靠性保障，導致網絡效用和業務可靠性虛擬隊列積壓增大。

圖8 權重V 對平均網絡效用和虛擬隊列積壓的影響Fig.8 Impact of of weight V on average network utility and virtual queue backlog

5 結論

本文針對電力通信骨干網面臨的頻譜資源受限、資源調配靈活性差等挑戰，提出一種面向業務可靠承載的電力EON 自主協同決策方法。通過在優化中考慮頻譜利用率和頻譜碎片化程度有效提升網絡數據承載量，并通過虛擬隊列漂移實現隊列可靠性約束偏差感知，避免因持續積壓導致的數據丟失問題，實現不同優先級業務的可靠性傳輸保障。相較于MDPP-RSA 和FLEF-RSA 算法，所提方法在網絡效用與頻譜利用率提升、業務可靠性保障等方面具有性能優勢，其中平均網絡效用提升18.45%、35.71%，頻譜利用率提升33.52%、54.41%，累計吞吐量提升9.86%、15.17%，業務請求隊列積壓降低51.87%、80.18%，虛擬隊列積壓降低54.50%、81.45%。

本文研究成果作為電力與信息通信領域相融合的前瞻性理論研究，可為下一代電力通信骨干網的部署提供可行技術方案，提升電力通信骨干網的業務數據承載能力，為大規模新興電力業務的開展提供強有力的保障。在未來研究中，將針對新型電力系統建設背景下電力通信傳輸網中高度時變的業務與網絡特性，進一步結合先進的人工智能算法，研究復雜度更低、適應能力更強的業務與資源自主協同決策方法。

附 錄

式（15）推導過程如下。

首先，給出如下不等式關系

結合式（8）推導可得

又因為

可得

其中，?滿足