基于SCMA的智能電網網絡切片資源分配算法

摘 要：在智能電網建設中，不同電力通信場景需要滿足的電力指標不同，通過網絡切片技術可以針對其業務特性滿足其時延、傳輸速率、帶寬等需求。針對切片資源合理分配的挑戰，提出了一種基于稀疏碼多址（SCMA）的網絡切片資源分配方法。在系統模型中，考慮了含有超可靠低時延通信（uRLLC）和增強型移動帶寬（eMBB）切片的SCMA系統鏈路，使用功率分配因子和拉格朗日乘數來解決功率分配問題，并提出采用啟發式快速匹配貪婪算法解決子載波分配問題。通過仿真結果分析，該方法能夠降低系統總功耗，提高資源利用率，驗證了其有

效性。

關鍵詞：智能電網；稀疏碼多址；網絡切片；資源分配；貪婪算法；拉格朗日對偶分解

中圖分類號：TP301.6；TN929.5 文獻標識碼：A 文章編號：2095-1302（2025）08-00-05

0 引 言

在我國大力推動建設智能電網的時代潮流之下，分布式電源、配電自動化、電力信息采集[1]等業務快速發展，用電客戶、電力設備和電力終端的通信需求急劇增大。傳統電力系統通信技術由于技術限制，其帶寬、用戶連接數、通信時延不能滿足實際電網業務的需求。第五代移動通信技術擁有更快的數據傳輸速率，超低的無線時延，更強大的接入能力以及更可靠的信息交互能力，能夠滿足實際工作中對高速率、低時延、大連接等性能的需求[2]。將5G技術應用于電網，可以滿足電力相關業務對可靠性、高效率、大容量等性能的需求。

網絡切片技術[3]是5G的關鍵技術之一，可以根據業務的性能要求和應用場景進行精確劃分，從而為智能電網的業務應用場景提供差異化服務，保障電力通信的可靠性、精確性與安全性。由于通信用戶數量和業務場景的增加，對有限的頻譜資源帶來了巨大的考驗，因此迫切需要合理、高效、可靠的切片資源分配方式。文獻[4]聚焦于無線資源與計算資源，優化了切片網絡的系統總功耗。文獻[5]提出了加權比例資源分配算法來改善網絡切片間資源管理的公平性問題。文獻[6]引入深度強化學習構建基于卷積神經網絡的切片資源動態調度模型，從而提高網絡資源利用率。

SCMA（Sparse Code Multiple Access）[7-8]是一種新型非正交多址技術，將多維調制和稀疏擴頻技術融合起來，在有限的頻譜資源下，提高了系統的吞吐量，減少了資源的浪費，近年來，SCMA的能效優化問題受到了越來越多的關注。文獻[9]針對SCMA系統提出了一種單用戶子載波功率分配，組內功率分配和組間功率分配結合的多層級功率分配模型，最大程度提高了系統的總容量。文獻[10]考慮SCMA系統中用戶間干擾信號對系統容量的影響，提出了一種通過聯合迭代優化子載波分配和功率分配使系統和速率最大化的算法。文獻[11]為優化系統吞吐量，提出了一種基于頻譜帶寬的資源分配算法。文獻[12]在SCMA系統中同時考慮公平性和服務質量，通過優化公平指數，進一步提升了用戶體驗。

根據上述文獻，現有切片資源分配研究主要集中在將系統資源分配給各個切片，而較少關注切片內用戶的資源管理問題。盡管SCMA技術能夠有效優化系統內的資源分配，但現有研究通常假設所有用戶處于同一場景，缺乏對多類用戶并存情況的深入探討。因此，針對智能電網業務場景，本文在優化切片內資源管理問題的同時，進一步探究SCMA在系統中多類用戶并存條件下的應用性能，提出一種基于SCMA的網絡切片資源管理方法。該方法在滿足用戶服務質量和不同切片需求的前提下，實現切片內系統總功耗的最

小化。

1 系統模型

本文設想同時含有uRLLC（Ultra-Reliable Low Latency Communications）與eMBB（Enhanced Mobile Broadband）切片

的下行服務小區SCMA系統鏈路由一個基站，J個子載波，與Q個用戶組成。小區用戶包含兩類，一類是uRLLC切片用戶，有Q1個用戶；另一類是eMBB用戶，有Q2個用戶。子載波集為J=[1， 2， 3， ...， j]，用戶集為Q=[1， 2， 3， ...， q]，如圖1所示。在系統中使用SCMA編碼器將用戶輸入的比特信息映射到SCMA碼本的N維碼字上，一個用戶對應一個碼本。對于每個用戶的碼本，N維碼字內含有L個非零的稀疏向量，這表示此用戶占據了該對應子載波的位置。用函數F={fj， q}表示用戶碼本和子載波的映射關系矩陣，fj， q=1表示第q個用戶碼本占據了第j個子載波的位置，否則fj， q=0。

在系統中，需要確保每個用戶最多可以分配du個子載波，每個子載波最多可以分配給dl個用戶，Rq代表eMBB切片網絡中用戶q的速率，Tj， q2表示uRLLC切片網絡中用戶q的時延。在上述數學模型中，C1約束條件表示用戶在eMBB切片網絡中的最小傳輸速率要求，C2約束條件表示用戶在uRLLC切片網絡中傳輸的最大時延，C3約束條件限制了每個用戶最多可以分配的子載波數，C4約束條件限制了每個子載波最多可以分配的用戶數，C5約束條件確保了系統功率的非負性。針對以上問題的求解涉及非凸優化，為了簡化求解過程，將對問題進行分步求解。首先對系統的功率分配問題進行求解，得到用戶的功率分配策略后，在此基礎上再求解子載波分配問題。

2 功率與子載波分配聯合優化算法

2.1 功率分配算法

針對輸電線路無人機巡檢、配電房視頻監控、無線視頻等電力應用場景，由于系統具有uRLLC切片與eMBB切片共存的情況，分別考慮兩種情況。在eMBB切片中，固定uRLLC切片的系統參數。在滿足eMBB切片最小傳輸速率要求與功率分配約束條件下，eMBB切片中的系統模型如下：

2.2 子載波分配算法

對于SCMA系統的子載波分配問題，若通過窮舉法搜索獲取最優的子載波分配，不僅算法設計較為復雜，并且隨著用戶數量上升，計算所需代價也會提升，不易實施。而貪婪算法[14]是尋找問題最優解的常用方法，省去了為尋找最優解的窮舉操作，簡單高效。對此綜合考慮eMBB與uRLLC網絡切片共存的用戶特性以及上述功率分配算法，提出了一種啟發式快速匹配貪婪算法。

3 仿真結果分析

3.1 仿真參數以及對比實驗設置

本文使用MATLAB平臺進行仿真實驗。假設基站在一個半徑為350 m的圓形小區內，其中du=2，dl=3，并且用戶均勻的分布在小區內，基站發射功率為0.2 W，兩種切片網絡中的高斯白噪聲均為150 dBm/Hz，子載波的帶寬為156 kHz，系統的信道模型為瑞利多徑衰落信道。仿真參數見表1。

將本文優化的資源分配算法性能與其他兩種算法進行比較，第一種為傳統的正交頻分復用（Orthogonal Frequency Division Multiplexing， OFDM）算法：將功率均勻分配給每一個子載波，并且一個用戶占據一個子載波。第二種對比算法為移除再分配（Remove and Reallocate， RAR）SCMA算法[15]：先對用戶進行隨機的子載波分配，通過迭代去除其中效果最差的一組，之后為更新的載波重新分配功率。

3.2 結果分析

圖2展示了系統總功率與用戶傳輸速率需求之間的關系。隨著用戶傳輸速率需求的增加，系統總功率也隨之增大。當用戶傳輸速率需求較小時，傳統的OFDM算法與SCMA算法所需的系統總功率差異不明顯；然而，隨著用戶傳輸速率需求的提升，OFDM方案所需的系統功率顯著高于SCMA方案。此外，本文提出的算法相較于RAR算法，在降低系統總功率方面表現出更顯著的效果。

圖3展示了系統總功率與用戶和基站之間距離的關系。為了保證用戶的通信質量，隨著用戶與基站距離的增加，基站需要提供的發射功率也隨之提高。傳統的OFDM算法在子載波分配時主要依據用戶與子載波之間的信道條件，隨著用戶與基站距離的增加，信道條件惡化，所需的功率顯著增大。相比之下，本文算法通過在子載波上進行多次最優選擇，受距離變化的影響較小，從而顯著降低了對系統總功率的需求。

圖4展示了系統總功率與系統用戶數之間的關系，在多用戶和多載波的系統中，用戶的頻域多樣性是一個非常重要的指標，系統所需總功率隨著用戶數的增加而增加。用戶數越大，對頻譜資源的要求也越高，系統的總功率也越大，相比于傳統的OFDM算法，SCMA算法可以更充分地利用頻譜資源，從而大大降低系統功率。本文算法相比于RAR算法，頻譜分配更加合理，節能效果更明顯。

圖5展示了系統總功率的累積分布函數（Cumulative Distribution Function， CDF）對比結果。與OFDM算法和RAR算法相比，本文提出的方法能夠顯著降低系統總功率。這得益于本文算法通過多次聯合迭代優化子載波和功率分配策略，實現了更高的資源利用效率。此外，本文算法的CDF曲線相比于另外兩種算法收斂速度更快，進一步驗證了算法的有效性和優越性。

4 結 語

本文針對智能電網業務場景需求，提出一種基于SCMA的網絡切片系統模型，系統內同時含有uRLLC切片與eMBB切片。首先固定一個切片參數，對另一個切片通過引入功率分配因子和拉格朗日對偶分解求出最優功率分配策略。在此基礎上，為了降低算法復雜度，提出一種啟發式快速匹配貪婪算法優化子載波分配策略。仿真結果表明，相比傳統的OFDM算法和移除再分配算法，本文的聯合優化功率和子載波分配算法在降低系統功耗方面具有更好的表現，對實際電力通信業務場景具有重要的參考價值與意義。

參考文獻

[1]趙宏昊，畢慶剛，盧斌，等.電力無線專網在智能電網中的創新應用[J].電力信息與通信技術，2019，17（1）：110-115.

[2] CHETTRI L， BERA R. A comprehensive survey on internet of things （IoT） toward 5G wireless systems [J]. IEEE internet of things journal， 2020， 7（1）： 16-32.

[3] HEGDE P， MEENA S. A survey on 5G network slicing-epitome and opportunities for a novice [C]// 2021 12th International Conference on Computing Communication and Networking Technologies. Kharagpur， India： IEEE， 2021.

[4] GUO K， SHENG M， TANG J， et al. On the interplay between communication and computation in green C-RAN with limited fronthaul and computation capacity [J]. IEEE transactions on communications， 2018， 66（7）： 3201-3216.

[5] FOSSATI F， MORETTI S， PERNY P， et al. Multi-resource allocation for network slicing [J]. IEEE/ACM transactions on networking， 2020， 28（3）： 1311-1324.

[6] WANG H， WU Y， MIN G， et al. Data-driven dynamic resource scheduling for network slicing： a Deep reinforcement learning approach [J]. Information sciences， 2019， 498： 106-116.

[7] SONG G， WANG X， CHENG J. Signature design of sparsely spread code division multiple access based on superposed constellation distance analysis [J]. IEEE access， 2017， 5： 23809-23821.

[8] NIKOPOUR H， BALIGH H. Sparse code multiple access [C]// IEEE International Symposium on Personal Indoor amp; Mobile Radio Communications. London， UK： IEEE， 2013： 332-336.

[9] HAN S， HUANG Y， MENG W， et al. Optimal power allocation for SCMA downlink systems based on maximum capacity [J]. IEEE transactions on communications， 2018， 67（2）： 1480-1489.

[10] XIONG G， SUN J. An optimal resource allocation algorithm based on sum rate maximization for uplink SCMA system [C]// IEEE 18th International Conference on Communication Technology. Chongqing， China： IEEE， 2018： 805-810.

[11]潘甦，張嘵波. SCMA系統中基于等效頻譜帶寬的無線資源分配[J].南京郵電大學學報（自然科學版），2018，38（4）：12-17.

[12] CHEN C， TIAN H， NIE G. Fairness resource allocation scheme for gbr services in downlink SCMA system [C]// IEEE/CIC International Conference on Communications in China （ICCC）. Chongqing， China： IEEE， 2020： 190-195.

[13] DENG Z， YUE M， CHOSO A. An Efficient augmented lagrangian-based method for linear equality-constrained lasso [C]// 2020 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Barcelona， Spain： IEEE， 2020： 5760-5764.

[14]王震，劉瑞敏，朱陽光，等.一種求解TSP問題的改進遺傳算法[J].電子測量技術，2019，42（23）：91-96.

[15] ZHU W， QIU L， CHEN Z. Joint subcarrier assignment and power allocation in downlink SCMA systems [C]// 2017 IEEE 86th Vehicular Technology Conference （VTC-Fall）. Toronto， ON， Canada： IEEE， 2017： 1-5.