CN114977163A - 基于5g网络的主动配电网需求响应的无线资源分配方法 - Google Patents

基于5g网络的主动配电网需求响应的无线资源分配方法 Download PDF

Info

Publication number
CN114977163A
CN114977163A CN202210621755.8A CN202210621755A CN114977163A CN 114977163 A CN114977163 A CN 114977163A CN 202210621755 A CN202210621755 A CN 202210621755A CN 114977163 A CN114977163 A CN 114977163A
Authority
CN
China
Prior art keywords
formula
base station
data packet
iteration
regulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210621755.8A
Other languages
English (en)
Other versions
CN114977163B (zh
Inventor
徐晓冰
唐皓辰
李奇越
孙伟
李帷韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210621755.8A priority Critical patent/CN114977163B/zh
Publication of CN114977163A publication Critical patent/CN114977163A/zh
Application granted granted Critical
Publication of CN114977163B publication Critical patent/CN114977163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
    • Y04S40/126—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment using wireless data transmission

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于5G网络的主动配电网需求响应的无线资源分配方法，包括：1、构建主动配电网下行网络环境；2、将传输数据包按照基站编号、用户编号和数据包种类进行编码；3、以最小功耗波动为目标函数，构建具有线性约束的混合整数线性规划模型；4、利用样本平均近似策略，建立不同用户需求分类下的概率约束规划模型；5、利用长短时记忆神经网络对用户家庭电力负荷进行预测；6、联合拉格朗日对偶算法和信赖域算法，构造搜索全局最优分配方案，对每个数据包分配一种最优的调制编码方案和资源块。本发明能够在保证用户服务质量的同时，实现5G基站参与主动配电网的削峰填谷，并有效降低系统峰谷差和丢包率。

Description

基于5G网络的主动配电网需求响应的无线资源分配方法
技术领域
本发明涉及主动配电网需求响应优化运行领域，具体地说是一种基于5G网络的主动配电网需求响应的无线资源分配方法。
背景技术
主动配电网能够通过先进的智能量测和实时控制技术，对运行实时状态进行全面态势感知，对其内部的分布式电源等分布式可控资源进行主动管理和实时控制，旨在解决电网兼容性问题和大规模间歇性可再生能源的应用问题。为了满足主动配电网全面信息采集、分布式可控资源调度和主动参与需求响应优化运行等需求，就必须依靠高速、可靠、高效且安全的现代信息与通信系统。在此背景下，第五代移动通信技术(5th-GenerationMobile Communication Technology，5G)能够支持海量数据终端互联，提供超可靠和低延迟通信服务，具有高速率、广连接、高可靠等特点，非常适合在主动配电网中应用。
然而，5G的超高频将导致其传输距离变短，基站密度更大，这使得5G基站的功耗迅猛增加，大概为4G基站的3倍以上。由于5G基站庞大的数量和用电灵活性，这使得5G基站蕴含了强大的参与主动配电网需求响应的潜力。实际上，5G基站的下行传输功耗很大，其中可调功耗约占满载功耗的40％左右，且与无线资源分配有关。基于选择的调制编码方式和其对应的信噪比，基站能够对待传输的数据包分配不同方案的资源块，从而调整相应的发射功率。因此，可以对5G网络进行合理的无线资源分配，使得调控5G基站的下行功耗以参与主动配电网的需求响应优化运行。
苏黎世联邦理工学院周宸宇等人提出了一种基于移动用户接入控制的5G通信基站需求响应方法(中国电机工程学报，2021，“基于移动用户接入控制的5G通信基站需求响应”)。作者建立了一种基于移动用户接入的基站群成本优化模型，以最小化总购电成本为目标，综合考虑能量和通信流量约束，并提出一种启发式迭代算法进行模型求解，以支撑5G基站参与需求响应。但是，此方法没有考虑通过分配无线资源的方式调控基站的下行功耗，且能量调控策略较为粗放，无法达到主动配电网中精细调控的目标。
华北电力大学电气与电子工程学院麻秀范等人提出了一种计及通信负载的5G基站储能调控策略(电工技术学报，2021，“计及通信负载的5G基站储能调控策略”)。作者设计了以盘活通信基站闲置储能资源为目的的5G基站云储能系统，提出计及通信负载的基站储能可调度潜力分析方法，并建立了5G基站储能参与电网协同调度模型。算例分析结果表明，作者所提5G基站储能调控策略能够降低储能充放电对备电作用的影响，并利用基站通信负载的时间差异性与空间互补性，有效达到辅助电网削峰填谷、减少基站运营成本的效果，使电网与通信运营商互利共赢。但是，此方法仅考虑储能电池的作用，没有考虑基站的下行功耗调控，没有体现出5G的特点。
国网河南省电力公司经济技术研究院杨萌等人发明了一种考虑5G通信基站电力网络拓扑分布的基站调控方法(公开号：CN114254506A)，方法包括：分析5G宏基站与微基站地理分布与电气分布特性，绘制考虑网络拓扑的5G宏基站与微基站分布图；分析5G基站供用电特性，构建基站功耗模型、用户分布与需求模型、基站储能供电可靠性模型；构建内层优化模型，考虑移动通信服务商需求以5G基站用电总费用最小为优化目标；构建外层优化模型，考虑电网需求以拓扑节点峰谷差最小为优化目标；利用启发式算法综合考虑服务商与电网双方需求内外嵌套迭代求解5G基站有源天线单元发射功耗、内部储能充放电策略与移动用户连接方案。该专利能够综合考虑通信服务商与电网的需求，优化基站调控策略。但是此方法没有考虑5G基站下行功耗的调控潜力，没有考虑5G无线资源分配和用户多样化的服务质量需求，无法实现能源与通信混合的需求响应。
发明内容
本发明是为避免上述现有技术所存在的不足之处，提供一种基于5G网络的主动配电网需求响应的无线资源分配方法，以期能够通过合理地分配5G网络下行链路的通信资源，激励5G基站参与主动配电网需求响应优化运行，并在保证用户服务质量需求的同时，实现主动配电网的削峰填谷，实现能源与通信混合的需求响应。
本发明为解决技术问题采用如下技术方案：
本发明一种基于5G网络的主动配电网需求响应的无线资源分配方法的特点是应用于由B个5G基站、H个用户家庭以及每个基站覆盖范围内的N个用户设备所构成的主动配电网下行网络环境中，并按如下步骤进行：
步骤一、在所述下行网络环境中，令第b个5G基站内的第n个用户设备传输第k种类型的数据量为DSb，n，k；1＜b＜B；1＜n＜N；1＜k＜K；K表示每个用户设备请求的数据包类型总数；
步骤二、假设所述下行网络环境中包含M种调制编码方式，且观测周期划分为T个调控周期，令DSb，n，k，m，t表示数据量DSb，n，k选择第m种调制编码方式，并在第t个调控周期中传输的数据包；1＜m＜M，1＜t＜T；
步骤三、以所述下行网络环境中功耗波动的最小值为目标函数，并根据5G通信协议、功率控制和用户服务质量要求建立一系列约束条件，从而构成具有线性约束的混合整数线性规划模型；
步骤3.1、利用式(1)建立目标函数min
Figure BDA0003674881870000031
Figure BDA0003674881870000032
式(1)中，
Figure BDA0003674881870000033
表示第t个调控周期和t-1个调控周期之间的负荷峰谷差，
Figure BDA0003674881870000034
表示传输数据包DSb，n，k，m，t时的5G基站下行通信功耗，并由式(2)得到；
Figure BDA0003674881870000035
表示第t个调控周期内的用户家庭电力负荷；
Figure BDA0003674881870000036
表示在第t-1个调控周期中传输数据包DSb，n，k，m，t时的5G基站下行通信功耗；
Figure BDA0003674881870000037
表示第t-1个调控周期内的用户家庭电力负荷；|·|表示取绝对值；
Figure BDA0003674881870000038
式(2)中，xb，n，k，m，t表示决策变量，并决定数据包DSb，n，k，m，t是否被传输；当数据包DSb，n，k，m，t传输时，令xb，n，k，m，t＝1；否则，令xb，n，k，m，t＝0；Rk，m表示数据包DSb，n，k，m，t的传输速率；
Figure BDA00036748818700000313
表示数据包DSb，n，k，m，t传输时消耗在每个资源块RB上的功率；
Figure BDA00036748818700000314
表示向右取整；
步骤3.2、利用式(3)-式(7)建立所述目标函数的约束条件：
Figure BDA0003674881870000039
Figure BDA00036748818700000310
Figure BDA00036748818700000311
Figure BDA00036748818700000312
xb，n，k，m，t∈{0，1} (7)
式(3)表示5G协议中的功率控制模型，其中，α表示路径损耗补偿因子；db，n表示第n个用户设备到第b个基站的距离；PL(·)表示5G基站测量的下行路径损耗，μ表示热干扰噪声；SINRm表示第m种调制编码方式的信噪比要求；
式(4)表示分配在资源块上的功率不能超过5G基站的最大发射功率Pmax；
式(5)表示每个数据包只能有一种调制编码方式和数据类型的选择；
式(6)表示每种数据包的传输速率应超过其对应的传输速率要求，其中，
Figure BDA0003674881870000041
表示第k种类型数据包的传输速率要求；
式(7)表示目标函数的决策变量是一个0-1变量；
步骤四、根据不同数据包类型的比例，利用样本平均近似策略，建立不同用户需求分类下的概率约束规划模型；
步骤4.1、利用式(8)建立不同用户需求分类下的概率约束规划模型：
Figure BDA0003674881870000042
式(8)中，rk，t表示第t个调控周期内第k种数据包类型的比例，Dt表示第t个调控周期的持续时间，Y表示每个时隙上的资源块总数，δ表示置信度，Pr{·}表示概率；
步骤4.2、设
Figure BDA0003674881870000048
为第t个调控周期内第k种数据包类型比例rk，t的第i个独立同分布的样本，i＝1，2，…I，I表示样本总量；
步骤4.3、利用式(9)-式(12)所示的样本平均近似策略得到概率约束，并作为所述目标函数的其他约束条件：
Figure BDA0003674881870000043
Figure BDA0003674881870000044
Figure BDA0003674881870000045
Figure BDA0003674881870000046
式(9)-式(12)中，G表示惩罚因子，
Figure BDA0003674881870000047
表示5G基站下行通信中第t个调控周期内第k种数据包类型比例rk，t的第i个示性函数；
步骤五、利用长短时记忆神经网络对用户家庭电力负荷进行预测；
步骤5.1、获取电力负荷数据集并进行归一化预处理后作为训练集；
步骤5.2、构造长短时记忆神经网络，包括1个输入层、1个输出层及多个隐藏层；其中，输出层采用全连接层；
所述训练集输入所述长短时记忆神经网络的输入层中，并经过隐藏层的特征提取后，输出用户家庭电力负荷预测值；
步骤5.3、利用梯度下降法对所述长短时记忆神经网络进行训练，并计算损失函数，以更新网络参数，当达到最大训练次数或是损失函数收敛时，得到最优家庭电力负荷预测模型；
步骤六、联合拉格朗日对偶算法和信赖域算法，得到搜索全局最优分配方案；
步骤6.1、利用式(13)建立非预期性约束：
Figure BDA0003674881870000051
式(13)中，
Figure BDA0003674881870000052
表示第i个独立同分布样本下的决策变量；
Figure BDA0003674881870000053
表示第i-1个独立同分布样本下的决策变量；
利用式(14)将式(1)所示的目标函数用
Figure BDA0003674881870000054
表示为包含非预期约束的目标函数
Figure BDA0003674881870000055
Figure BDA0003674881870000056
步骤6.2、引入拉格朗日乘子，将所述混合整数线性规划模型表述为两层优化模型，包括内层优化模型和外层优化模型；
令λ1.
Figure BDA0003674881870000057
λ＝[λ1，λ2]T，其中，λ1表示式(10)的拉格朗日乘子，λ2表示式(13)的拉格朗日乘子，
Figure BDA00036748818700000512
表示式(13)中第i个样本下非预期约束的拉格朗日乘子；λ表示拉格朗日乘子矩阵；利用式(15)建立所述内层优化模型：
Figure BDA0003674881870000058
式(15)中，
Figure BDA0003674881870000059
表示内层优化模型的目标函数；
基于拉格朗日乘子矩阵λ，利用式(16)建立所述外层优化模型：
Figure BDA00036748818700000510
步骤6.3、利用式(17)来确定搜索全局最优分配方案的搜索方向D：
Figure BDA00036748818700000511
步骤6.4、迭代求解所述搜索全局最优分配方案：
步骤6.4.0、初始化调控周期t＝1；
步骤6.4.1、定义当前迭代步数为a，并初始化a＝1；
定义第a-1步迭代下式(10)的拉格朗日乘子为λ1(a-1)，并初始化λ1(a-1)＝0；
定义第a-1步迭代第i个样本下非预期约束的拉格朗日乘子为
Figure BDA0003674881870000061
并初始化
Figure BDA0003674881870000062
Figure BDA0003674881870000063
定义第a-1步迭代下拉格朗日乘子矩阵为λ(a-1)；
定义第a-1步迭代下内层优化模型的目标函数为
Figure BDA0003674881870000064
令θL为步长上限，且θL＞1；令θU为步长下限，且θU＜1；
令s(a-1)为第a-1步迭代下的步长，并初始化s(a-1)＝1；令迭代步数上限为A；
步骤6.4.2、求解对应于第a-1步迭代下拉格朗日乘子矩阵λ(a-1)的内层优化模型，得到第a-1步迭代的最优决策变量
Figure BDA0003674881870000065
及最优目标函数值
Figure BDA0003674881870000066
步骤6.4.3、判断a＝0是否成立，若成立，则将a+1赋值给a后，返回步骤6.4.2；否则，执行步骤6.4.4；
步骤6.4.4、若
Figure BDA0003674881870000067
则令s(a)＝θL×s(a-1)；若
Figure BDA0003674881870000068
Figure BDA0003674881870000069
则令s(a)＝θU×s(a-1)；否则，令s(a)＝s(a-1)；
步骤6.4.5、通过式(17)计算第a步迭代的搜索方向D(a)，并令λ(a+1)＝λ(a)+s(a)×D(a)；
步骤6.4.6、若对任意的第i1个样本和第i2个样本，存在第i1个样本的决策值
Figure BDA00036748818700000610
和第i2个样本的决策值
Figure BDA00036748818700000611
相同，则令第a步迭代的最优决策变量
Figure BDA00036748818700000612
即为所述混合整数线性规划模型的最优无线资源分配方案；
若a＞A，则表示第a步迭代的最优决策变量
Figure BDA00036748818700000613
为近似解，并作为所述混合整数线性规划模型的最优无线资源分配方案；否则，将a+1赋给a后，转入步骤6.4.2；
步骤6.4.7、将t+1赋值给t后，返回步骤6.4.1顺序执行，直至t＝T+1时为止。
与已有技术相比，本发明有益效果体现在：
1、本发明首次提出利用无形的通信资源作为参与主动配电网需求响应的研究，它不需要在基站中新装任何的硬件设备或控制器，即可完成信息与能源混合的需求响应，实现了通信运营商和电网的双赢。
2、本发明提出的基于5G网络的主动配电网需求响应的无线资源分配方法，综合考虑了用户家庭电力负荷预测、5G无线资源分配优化和5G基站下行功耗调控，不仅能够实现5G基站的降本增效，而且能够实现主动配电网的削峰填谷。
3、本发明精细划分用户需求分类，并通过样本平均近似策略处理不同用户需求分类下的概率约束规划模型，克服了传统算法对于随机变量分布类型的依赖，能够保证用户多样化的服务质量要求。
附图说明
图1所示为本发明中主动配电网下行通信系统架构图。
具体实施方式
本实施例中，如图1所示，一种基于5G网络的主动配电网需求响应的无线资源分配方法，其特征是应用于由B个5G基站、H个用户家庭以及每个基站覆盖范围内的N个用户设备所构成的主动配电网下行网络环境中，每个5G基站与用户家庭均连接至主动配电网，并应用智能电表测量其用电功耗；同时，5G基站为其覆盖范围内的用户设备提供下行通信服务，以支持其文本、语音及视频等需求，无线资源分配方法是按如下步骤进行：
步骤一、在下行网络环境中，令第b个5G基站内的第n个用户设备传输第k种类型的数据量为DSb，n，k；1＜b＜B；1＜n＜N；1＜k＜K；K表示每个用户设备请求的数据包类型总数；本实施例中，5G基站数量B＝100，每个基站覆盖范围内共有用户数量N＝100，用户家庭数量H＝5000，用户设备请求的数据包类型总数K＝3，分别为文本类型、语音类型和视频类型，且三种类型的数据包大小在[100，1000]字节范围内；
步骤二、假设下行网络环境中包含M种调制编码方式，且观测周期划分为T个调控周期，令DSb，n，k，m，t表示数据量DSb，n，k选择第m种调制编码方式，并在第t个调控周期中传输的数据包；1＜m＜M，1＜t＜T；本实施例中，M＝16，一个调控周期持续时间为15分钟，故T＝96；
步骤三、以下行网络环境中功耗波动的最小值为目标函数，并根据5G通信协议、功率控制和用户服务质量要求建立一系列约束条件，从而构成具有线性约束的混合整数线性规划模型；
步骤3.1、利用式(1)建立目标函数min
Figure BDA0003674881870000071
Figure BDA0003674881870000072
式(1)中，
Figure BDA0003674881870000073
表示第t个调控周期和t-1个调控周期之间的负荷峰谷差，
Figure BDA0003674881870000074
表示传输数据包DSb，n，k，m，t时的5G基站下行通信功耗，并由式(2)得到；
Figure BDA0003674881870000081
表示第t个调控周期内的用户家庭电力负荷；
Figure BDA0003674881870000082
表示在第t-1个调控周期中传输数据包DSb，n，k，m，t时的5G基站下行通信功耗；
Figure BDA0003674881870000083
表示第t-1个调控周期内的用户家庭电力负荷；|·|表示取绝对值；
Figure BDA0003674881870000084
式(2)中，xb，n，k，m，t表示决策变量，并决定数据包DSb，n，k，m，t是否被传输；当数据包DSb，n，k，m，t传输时，令xb，n，k，m，t＝1；否则，令xb，n，k，m，t＝0；Rk，m表示数据包DSb，n，k，m，t的传输速率，查表1可得；
Figure BDA0003674881870000085
表示数据包DSb，n，k，m，t传输时消耗在每个资源块RB上的功率；
Figure BDA00036748818700000814
表示向右取整；
步骤3.2、利用式(3)-式(7)建立目标函数的约束条件：
Figure BDA0003674881870000086
Figure BDA0003674881870000087
Figure BDA0003674881870000088
Figure BDA0003674881870000089
xb，n，k，m，t∈{0，1} (7)
式(3)表示5G协议中的功率控制模型，其中，α表示路径损耗补偿因子，α＝0.9；db，n表示第n个用户设备到第b个基站的距离，在50-500m的范围内；PL(·)表示5G基站测量的下行路径损耗，PL(db，n)＝15.3+37.6×lg(db，n)；μ表示热干扰噪声，μ＝0；SINRm表示第m种调制编码方式的信噪比要求，查表1可得；
式(4)表示分配在资源块上的功率不能超过5G基站的最大发射功率Pmax，本实施例中Pmax＝23dBm；
式(5)表示每个数据包只能有一种调制编码方式和数据类型的选择；
式(6)表示每种数据包的传输速率应超过其对应的传输速率要求，其中，
Figure BDA00036748818700000810
表示第k种类型数据包的传输速率要求；本实施例中，假设文本类型数据包的传输速率要求为
Figure BDA00036748818700000811
语音类型数据包的传输速率要求为
Figure BDA00036748818700000812
视频类型数据包的传输速率要求为
Figure BDA00036748818700000813
Figure BDA0003674881870000091
式(7)表示目标函数的决策变量是一个0-1变量；
表1每种调制编码方式下的传输速率与信噪比范围
Figure BDA0003674881870000092
步骤四、根据不同数据包类型的比例，利用样本平均近似策略，建立不同用户需求分类下的概率约束规划模型；
步骤4.1、利用式(8)建立不同用户需求分类下的概率约束规划模型：
Figure BDA0003674881870000093
式(8)中，rk，t表示第t个调控周期内第k种数据包类型的比例，可由5G基站检测而得；Dt表示第t个调控周期的持续时间，Dt＝9×105个时隙；Y表示每个时隙上的资源块总数，Y＝106；δ表示置信度，δ＝0.99；Pr{·}表示概率；
步骤4.2、设
Figure BDA0003674881870000101
为第t个调控周期内第k种数据包类型比例rk，t的第i个独立同分布的样本，i＝1，2，…I，I表示样本总量，I＝10000；
步骤4.3、利用式(9)-式(12)所示的样本平均近似策略得到概率约束，并作为目标函数的其他约束条件：
Figure BDA0003674881870000102
Figure BDA0003674881870000103
Figure BDA0003674881870000104
Figure BDA0003674881870000105
式(9)-式(12)中，G表示惩罚因子，G＝200；
Figure BDA0003674881870000106
表示5G基站下行通信中第t个调控周期内第k种数据包类型比例rk，t的第i个示性函数；
步骤五、利用长短时记忆神经网络对用户家庭电力负荷进行预测；
步骤5.1、获取电力负荷数据集并进行归一化预处理后作为训练集；
步骤5.2、构造长短时记忆神经网络，包括1个输入层、1个输出层及多个隐藏层；其中，输出层采用全连接层；
训练集输入长短时记忆神经网络的输入层中，并经过隐藏层的特征提取后，输出用户家庭电力负荷预测值；
步骤5.3、利用梯度下降法对长短时记忆神经网络进行训练，并计算损失函数，以更新网络参数，当达到最大训练次数或是损失函数收敛时，得到最优家庭电力负荷预测模型；
步骤六、联合拉格朗日对偶算法和信赖域算法，得到搜索全局最优分配方案；
步骤6.1、利用式(13)建立非预期性约束：
Figure BDA0003674881870000107
式(13)中，
Figure BDA0003674881870000108
表示第i个独立同分布样本下的决策变量；
Figure BDA0003674881870000109
表示第i-1个独立同分布样本下的决策变量；
利用式(14)将式(1)所示的目标函数用
Figure BDA00036748818700001010
表示为包含非预期约束的目标函数
Figure BDA0003674881870000111
Figure BDA0003674881870000112
步骤6.2、引入拉格朗日乘子，将混合整数线性规划模型表述为两层优化模型，包括内层优化模型和外层优化模型；
令λ1,
Figure BDA0003674881870000113
λ＝[λ1,λ2]T，其中，λ1表示式(10)的拉格朗日乘子，λ2表示式(13)的拉格朗日乘子，
Figure BDA0003674881870000114
表示式(13)中第i个样本下非预期约束的拉格朗日乘子；λ表示拉格朗日乘子矩阵；利用式(15)建立内层优化模型：
Figure BDA0003674881870000115
式(15)中，
Figure BDA0003674881870000116
表示内层优化模型的目标函数；
基于拉格朗日乘子矩阵λ，利用式(16)建立外层优化模型：
Figure BDA0003674881870000117
步骤6.3、利用式(17)来确定搜索全局最优分配方案的搜索方向D：
Figure BDA0003674881870000118
步骤6.4、迭代求解搜索全局最优分配方案：
步骤6.4.0、初始化调控周期t＝1；
步骤6.4.1、定义当前迭代步数为a，并初始化a＝1；
定义第a-1步迭代下式(10)的拉格朗日乘子为λ1(a-1)，并初始化λ1(a-1)＝0；
定义第a-1步迭代第i个样本下非预期约束的拉格朗日乘子为
Figure BDA0003674881870000119
并初始化
Figure BDA00036748818700001110
Figure BDA00036748818700001111
定义第a-1步迭代下拉格朗日乘子矩阵为λ(a-1)；
定义第a-1步迭代下内层优化模型的目标函数为
Figure BDA00036748818700001112
令θL为步长上限，且θL>1；令θU为步长下限，且θU<1；
令s(a-1)为第a-1步迭代下的步长，并初始化s(a-1)＝1；令迭代步数上限为A，本实施例中，A＝200；
步骤6.4.2、求解对应于第a-1步迭代下拉格朗日乘子矩阵λ(a-1)的内层优化模型，得到第a-1步迭代的最优决策变量
Figure BDA0003674881870000121
及最优目标函数值
Figure BDA0003674881870000122
其中，最优目标函数中的
Figure BDA0003674881870000123
是由最优家庭电力负荷预测模型预测输出的；
步骤6.4.3、判断a＝0是否成立，若成立，则将a+1赋值给a后，返回步骤6.4.2；否则，执行步骤6.4.4；
步骤6.4.4、若
Figure BDA0003674881870000124
则令s(a)＝θL×s(a-1)；若
Figure BDA0003674881870000125
Figure BDA0003674881870000126
则令s(a)＝θU×s(a-1)；否则，令s(a)＝s(a-1)；
步骤6.4.5、通过式(17)计算第a步迭代的搜索方向D(a)，并令λ(a+1)＝λ(a)+s(a)×D(a)；
步骤6.4.6、若对任意的第i1个样本和第i2个样本，存在第i1个样本的决策值
Figure BDA0003674881870000127
和第i2个样本的决策值
Figure BDA0003674881870000128
相同，则令第a步迭代的最优决策变量
Figure BDA0003674881870000129
即为混合整数线性规划模型的最优无线资源分配方案；
若a＞A，则表示第a步迭代的最优决策变量
Figure BDA00036748818700001210
为近似解，并作为混合整数线性规划模型的最优无线资源分配方案；否则，将a+1赋给a后，转入步骤6.4.2；
步骤6.4.7、将t+1赋值给t后，返回步骤6.4.1顺序执行，直至t＝T+1时为止。
综上所述，本方法适用于主动配电网中接入大量5G基站的场景，通过对5G网络进行无线资源分配，进而对5G基站开展有效的能量管理和功耗调控，能够在保证用户服务质量的同时，实现主动配电网削峰填谷，改善电网的负荷特性，有效降低了系统峰谷差和丢包率，实现了信息与能源混合的需求响应。

Claims (1)

1.一种基于5G网络的主动配电网需求响应的无线资源分配方法，其特征是应用于由B个5G基站、H个用户家庭以及每个基站覆盖范围内的N个用户设备所构成的主动配电网下行网络环境中，并按如下步骤进行：
步骤一、在所述下行网络环境中，令第b个5G基站内的第n个用户设备传输第k种类型的数据量为DSb，n，k；1＜b＜B；1＜n＜N；1＜k＜K；K表示每个用户设备请求的数据包类型总数；
步骤二、假设所述下行网络环境中包含M种调制编码方式，且观测周期划分为T个调控周期，令DSb，n，k，m，t表示数据量DSb，n，k选择第m种调制编码方式，并在第t个调控周期中传输的数据包；1＜m＜M，1＜t＜T；
步骤三、以所述下行网络环境中功耗波动的最小值为目标函数，并根据5G通信协议、功率控制和用户服务质量要求建立一系列约束条件，从而构成具有线性约束的混合整数线性规划模型；
步骤3.1、利用式(1)建立目标函数
Figure FDA0003674881860000011
Figure FDA0003674881860000012
式(1)中，
Figure FDA0003674881860000013
表示第t个调控周期和t-1个调控周期之间的负荷峰谷差，
Figure FDA0003674881860000014
表示传输数据包DSb，n，k，m，t时的5G基站下行通信功耗，并由式(2)得到；
Figure FDA0003674881860000015
表示第t个调控周期内的用户家庭电力负荷；
Figure FDA0003674881860000016
表示在第t-1个调控周期中传输数据包DSb，n，k，m，t时的5G基站下行通信功耗；
Figure FDA0003674881860000017
表示第t-1个调控周期内的用户家庭电力负荷；|·|表示取绝对值；
Figure FDA0003674881860000018
式(2)中，xb，n，k，m，t表示决策变量，并决定数据包DSb，n，k，m，t是否被传输；当数据包DSb，n，k，m，t传输时，令xb，n，k，m，t＝1；否则，令xb，n，k，m，t＝0；Rk，m表示数据包DSb，n，k，m，t的传输速率；
Figure FDA0003674881860000019
表示数据包DSb，n，k，m，t传输时消耗在每个资源块RB上的功率；
Figure FDA00036748818600000110
表示向右取整；
步骤3.2、利用式(3)-式(7)建立所述目标函数的约束条件：
Figure FDA0003674881860000021
Figure FDA0003674881860000022
Figure FDA0003674881860000023
Figure FDA0003674881860000024
xb，n，k，m，t∈{0，1} (7)
式(3)表示5G协议中的功率控制模型，其中，α表示路径损耗补偿因子；db，n表示第n个用户设备到第b个基站的距离；PL(·)表示5G基站测量的下行路径损耗，μ表示热干扰噪声；SINRm表示第m种调制编码方式的信噪比要求；
式(4)表示分配在资源块上的功率不能超过5G基站的最大发射功率Pmax；
式(5)表示每个数据包只能有一种调制编码方式和数据类型的选择；
式(6)表示每种数据包的传输速率应超过其对应的传输速率要求，其中，
Figure FDA0003674881860000025
表示第k种类型数据包的传输速率要求；
式(7)表示目标函数的决策变量是一个0-1变量；
步骤四、根据不同数据包类型的比例，利用样本平均近似策略，建立不同用户需求分类下的概率约束规划模型；
步骤4.1、利用式(8)建立不同用户需求分类下的概率约束规划模型：
Figure FDA0003674881860000026
式(8)中，rk，t表示第t个调控周期内第k种数据包类型的比例，Dt表示第t个调控周期的持续时间，Y表示每个时隙上的资源块总数，δ表示置信度，Pr{·}表示概率；
步骤4.2、设
Figure FDA0003674881860000027
为第t个调控周期内第k种数据包类型比例rk，t的第i个独立同分布的样本，i＝1，2，…I，I表示样本总量；
步骤4.3、利用式(9)-式(12)所示的样本平均近似策略得到概率约束，并作为所述目标函数的其他约束条件：
Figure FDA0003674881860000031
Figure FDA0003674881860000032
Figure FDA0003674881860000033
Figure FDA0003674881860000034
式(9)-式(12)中，G表示惩罚因子，
Figure FDA0003674881860000035
表示5G基站下行通信中第t个调控周期内第k种数据包类型比例rk，t的第i个示性函数；
步骤五、利用长短时记忆神经网络对用户家庭电力负荷进行预测；
步骤5.1、获取电力负荷数据集并进行归一化预处理后作为训练集；
步骤5.2、构造长短时记忆神经网络，包括1个输入层、1个输出层及多个隐藏层；其中，输出层采用全连接层；
所述训练集输入所述长短时记忆神经网络的输入层中，并经过隐藏层的特征提取后，输出用户家庭电力负荷预测值；
步骤5.3、利用梯度下降法对所述长短时记忆神经网络进行训练，并计算损失函数，以更新网络参数，当达到最大训练次数或是损失函数收敛时，得到最优家庭电力负荷预测模型；
步骤六、联合拉格朗日对偶算法和信赖域算法，得到搜索全局最优分配方案；
步骤6.1、利用式(13)建立非预期性约束：
Figure FDA0003674881860000036
式(13)中，
Figure FDA0003674881860000037
表示第i个独立同分布样本下的决策变量；
Figure FDA0003674881860000038
表示第i-1个独立同分布样本下的决策变量；
利用式(14)将式(1)所示的目标函数用
Figure FDA0003674881860000039
表示为包含非预期约束的目标函数
Figure FDA00036748818600000310
Figure FDA00036748818600000311
步骤6.2、引入拉格朗日乘子，将所述混合整数线性规划模型表述为两层优化模型，包括内层优化模型和外层优化模型；
令
Figure FDA0003674881860000041
λ＝[λ1，λ2]T，其中，λ1表示式(10)的拉格朗日乘子，λ2表示式(13)的拉格朗日乘子，
Figure FDA0003674881860000042
表示式(13)中第i个样本下非预期约束的拉格朗日乘子；λ表示拉格朗日乘子矩阵；利用式(15)建立所述内层优化模型：
Figure FDA0003674881860000043
式(15)中，
Figure FDA0003674881860000044
表示内层优化模型的目标函数；
基于拉格朗日乘子矩阵λ，利用式(16)建立所述外层优化模型：
Figure FDA0003674881860000045
步骤6.3、利用式(17)来确定搜索全局最优分配方案的搜索方向D：
Figure FDA0003674881860000046
步骤6.4、迭代求解所述搜索全局最优分配方案：
步骤6.4.0、初始化调控周期t＝1；
步骤6.4.1、定义当前迭代步数为a，并初始化a＝1；
定义第a-1步迭代下式(10)的拉格朗日乘子为λ1(a-1)，并初始化λ1(a-1)＝0；
定义第a-1步迭代第i个样本下非预期约束的拉格朗日乘子为
Figure FDA0003674881860000047
并初始化
Figure FDA0003674881860000048
Figure FDA0003674881860000049
定义第a-1步迭代下拉格朗日乘子矩阵为λ(a-1)；
定义第a-1步迭代下内层优化模型的目标函数为
Figure FDA00036748818600000410
令θL为步长上限，且θL＞1；令θU为步长下限，且θU＜1；
令s(a-1)为第a-1步迭代下的步长，并初始化s(a-1)＝1；令迭代步数上限为A；
步骤6.4.2、求解对应于第a-1步迭代下拉格朗日乘子矩阵λ(a-1)的内层优化模型，得到第a-1步迭代的最优决策变量
Figure FDA00036748818600000411
及最优目标函数值
Figure FDA00036748818600000412
步骤6.4.3、判断a＝0是否成立，若成立，则将a+1赋值给a后，返回步骤6.4.2；否则，执行步骤6.4.4；
步骤6.4.4、若
Figure FDA00036748818600000413
则令s(a)＝θL×s(a-1)；若
Figure FDA00036748818600000414
Figure FDA0003674881860000051
则令s(a)＝θU×s(a-1)；否则，令s(a)＝s(a-1)；
步骤6.4.5、通过式(17)计算第a步迭代的搜索方向D(a)，并令λ(a+1)＝λ(a)+s(a)×D(a)；
步骤6.4.6、若对任意的第i1个样本和第i2个样本，存在第i1个样本的决策值
Figure FDA0003674881860000052
和第i2个样本的决策值
Figure FDA0003674881860000053
相同，则令第a步迭代的最优决策变量
Figure FDA0003674881860000054
即为所述混合整数线性规划模型的最优无线资源分配方案；
若a＞A，则表示第a步迭代的最优决策变量
Figure FDA0003674881860000055
为近似解，并作为所述混合整数线性规划模型的最优无线资源分配方案；否则，将a+1赋给a后，转入步骤6.4.2；
步骤6.4.7、将t+1赋值给t后，返回步骤6.4.1顺序执行，直至t＝T+1时为止。
CN202210621755.8A 2022-06-01 2022-06-01 基于5g网络的主动配电网需求响应的无线资源分配方法 Active CN114977163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210621755.8A CN114977163B (zh) 2022-06-01 2022-06-01 基于5g网络的主动配电网需求响应的无线资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210621755.8A CN114977163B (zh) 2022-06-01 2022-06-01 基于5g网络的主动配电网需求响应的无线资源分配方法

Publications (2)

Publication Number Publication Date
CN114977163A true CN114977163A (zh) 2022-08-30
CN114977163B CN114977163B (zh) 2024-03-08

Family

ID=82958868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210621755.8A Active CN114977163B (zh) 2022-06-01 2022-06-01 基于5g网络的主动配电网需求响应的无线资源分配方法

Country Status (1)

Country Link
CN (1) CN114977163B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417496A (zh) * 2019-07-15 2019-11-05 重庆邮电大学 一种基于能效的认知noma网络顽健资源分配方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113766446A (zh) * 2020-11-04 2021-12-07 国网安徽省电力有限公司 基于5g网络的智能电网信息采集的数据调度与资源分配方法
CN114006399A (zh) * 2021-09-30 2022-02-01 华北电力大学 一种规模化5g基站参与配电网需求响应的优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417496A (zh) * 2019-07-15 2019-11-05 重庆邮电大学 一种基于能效的认知noma网络顽健资源分配方法
CN113766446A (zh) * 2020-11-04 2021-12-07 国网安徽省电力有限公司 基于5g网络的智能电网信息采集的数据调度与资源分配方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN114006399A (zh) * 2021-09-30 2022-02-01 华北电力大学 一种规模化5g基站参与配电网需求响应的优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢锦玲;初文奇;於慧敏;郭金体;马冲;: "基于需求侧响应的主动配电网多源协调优化调度", 电力科学与工程, no. 11, 28 November 2018 (2018-11-28) *

Also Published As

Publication number Publication date
CN114977163B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Han et al. On optimizing green energy utilization for cellular networks with hybrid energy supplies
CN106454920B (zh) 一种lte与d2d混合网络中基于时延保证的资源分配优化算法
CN112601284B (zh) 基于多智能体深度强化学习的下行多小区ofdma资源分配方法
Liu et al. Deep reinforcement learning based dynamic resource allocation in 5G ultra-dense networks
Ma et al. Spectrum allocation and power optimization for demand-side cooperative and cognitive communications in smart grid
CN105490794B (zh) Ofdma毫微微小区双层网络基于分组的资源分配方法
CN112512065A (zh) 支持mec的小小区网络中在移动感知下的卸载和迁移算法
CN115866787A (zh) 融合终端直传通信和多接入边缘计算的网络资源分配方法
CN105142208B (zh) 嵌入m2m的蜂窝网络中高能效的功率和时隙分配方法
CN113453358A (zh) 一种无线携能d2d网络的联合资源分配方法
CN109788540A (zh) D2d系统中基于能量采集的功率控制和信道分配方法
CN108521672B (zh) 一种分布式无线能量和信息传输系统的资源分配方法
Liu et al. Toward hybrid backscatter-aided wireless-powered Internet of Things networks: Cooperation and coexistence scenarios
Das et al. Reinforcement learning-based resource allocation for M2M communications over cellular networks
CN114977163B (zh) 基于5g网络的主动配电网需求响应的无线资源分配方法
CN110691383A (zh) 一种资源分配方法及装置
Abdelhakam et al. Energy‐efficient BBU pool virtualisation for C‐RAN with quality of service guarantees
CN115915454A (zh) Swipt辅助的下行资源分配方法及装置
Khan et al. Artificial neural network-based joint mobile relay selection and resource allocation for cooperative communication in heterogeneous network
Lu et al. Joint uav deployment and energy transmission design for throughput maximization in iort networks
CN109561494B (zh) 一种混合供电物联网的资源分配方法、装置以及设备
Li et al. Intelligent power control algorithm in heterogeneous wireless cellular networks
Selmi et al. Joint uplink and downlink resource allocation for device to device communications
CN117135658A (zh) 基于5g基站资源参与电网需求响应的控制方法及装置
Fu et al. Adaptive resource management for cognitive power line communication system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant