CN115175274A - 面向智能配电的5g异构无线网络接入选择方法 - Google Patents

Abstract

本发明公开了面向智能配电的5G异构无线网络接入选择方法，本发明考虑不同类型业务的不同需求，通过FAHP确定网络属性的主观权值。根据预处理的网络参数采用AEW确定客观权值。最终使用矩估计理论来获得综合权值并选取最优网络。本方法通过FAHP来计算网络属性的主观权重，提高了决策的可靠性，并利用AEW进行再修正，可以显著降低网络属性差异带来的敏感性，本方法通过矩估计理论来获得组合权重从而选取最优网络，可以较好地体现业务需求和网络属性之间的关系，并得到合适的权重系数。本方法能够保证智能配电业务在5G网络中的QoS业务需求。仿真结果证明，本发明相比传统的AHP和FAHP方法可以有效降低网络阻塞率和切换率。

Description

面向智能配电的5G异构无线网络接入选择方法

技术领域

本发明涉及一种面向智能配电的5G异构无线网络接入选择方法，属于智能配电网技术领域。

背景技术

作为配电系统的核心组成部分，智能配电网(Smart Distribution Grid,SDG)将信息交互、安全通信和智能计算综合应用于配电和用电的全过程，从而实现安全高效的电力供应链。随着各种先进通信技术在电网中的广泛应用，SDG对服务质量(Quality ofService,QoS)的要求逐渐提高。由于配电终端的用户节点数量多、分布范围广、密度不均匀，难以使用有线通信或者单一的无线通信实现对终端的全覆盖。因此，在SDG中引入异构无线网络(Heterogeneous Wireless Network,HWN)是未来配电通信网的发展趋势，其可以确保电力数据传输的安全可靠。

此外，5G网络系统相比较传统网络需要实现更高的数据速率、更低的时延和海量规模的设备连接。研究表明，5G异构网络有望为多样化的终端业务和应用提供有延迟约束的QoS性能。于是，采用5G HWN的智能配电系统可以进一步改善网络性能并提升用户满意度。然而，随着候选网络和判决因素的数量不断增加，HWN接入选择问题会愈加复杂和困难。因此，需要为SDG在5G异构网络中设计一种合适的接入选择方案，来保障不同配电业务的QoS。

许多现存工作都针对HWN的网络选择问题进行了相应研究，为了获取用户的业务偏好，基于多属性决策的接入方法被广泛应用于HWN。通过对网络属性的重要程度进行量化，普遍使用层次分析法(Analytic Hierarchy Process,AHP)来确定最优网络。通过引入模糊值，模糊层次分析法(FuzzyAHP,FAHP)可以进一步提高AHP的性能。此外，采用多目标选择函数还可以构造一种改进的逼近理想值接入选择算法，其中属性的权重系数可以根据业务进行动态调整。然而，这类传统的多属性决策方法无法考虑用户传输业务的内容，具有较大的主观性，导致无法正确得到HWN环境的网络属性权重。

发明内容

本发明为SDG提出一种新的HWN选择方案来保证配电用户的QoS。为了体现5G网络的特性，构建了智能配电5G异构网络系统，提出了一种基于FAHP和反熵权(Anti-EntropyWeight,AEW)的接入方法，命名为FAHP-AEW。首先，将基于QoS的属性参数进行标准化处理来确保获得准确的业务需求。随后，通过FAHP和AEW分别确定网络属性的主观权重和客观权重。最后，采用矩估计方法获得综合权重，从而选取最优网络。仿真结果显示，提出的方法可以有效改善HWN性能，有着更低的阻塞率和切换率。

本发明采用的技术方案为面向智能配电的5G异构无线网络接入选择方法，该方法包括以下步骤：

步骤1，获取5G HWN配电网系统中每个网络的属性参数。

构建5G智能配电HWN模型，其由5G、LTE-A和WiMax网络组成。在5G HWN模型下，配电终端可以根据业务需求和网络状态，在5G网络环境中选择合适的接入网络以保证业务的QoS。假设SDG的通信节点处于M个无线网络的重叠覆盖区域内，每个无线网络包括N个网络属性。当访问的用户节点数量未达到网络容量限制时，假设网络能够提供稳定的服务。那么，通过平均原始测量值得到第m(1≤m≤M)个候选网络中第n(1≤n≤N)个属性的测量值x_mn，其可以表示为：

其中，T_mn和

分别表示在第m个网络中第n个属性的测量数据量和第k个原始测量数据。

步骤2，基于QoS的属性参数预处理。

为了综合考虑业务的QoS属性，使用FAHP和AEW分别计算业务偏好的主观权重和网络属性的客观权重。

对于网络属性，采用SDG业务的QoS性能参数作为评价指标。属性参数的归一化预处理需要分类进行，对于效益属性，即测量值越大越好的属性，通过极大值法进行预处理：

而对于成本属性，即测量值越小越好的属性，通过极小值法进行预处理：

其中，r_mn表示预处理后对于第m个候选网络中第n个属性的参数值，

步骤3，基于FAHP的主观赋权。

FAHP利用模糊集或模糊数来处理决策准则之间的不确定性和模糊性，对用户偏好及环境变化更为敏感，可以提高决策的可靠性。根据SDG的业务需求，HWN接入选择问题的FAHP层次结构模型包括三层，分别为目标层、准则层和方案层。在准则层，为了与传统通信业务的QoS区分，本方法所考虑的SDG业务的QoS属性基于配电站间的信息交互，包括带宽、时延、抖动、丢包率、成本和能效。

在FAHP，采用三角模糊数TFN来表示成对属性之间的相对重要性，其可以定义为a＝(l,f,u)，l≤f≤u，其中l、f、u分别代表下限值、最有利值和上限值。通过FAHP方法确定属性主观权重的步骤如下：

步骤3.1，构造模糊一致判决矩阵A为：

其中，a_ij＝(l_ij,f_ij,u_ij)表示第i(1≤i≤N)个网络属性相对于第j(1≤j≤N)个网络属性的相对重要性，且当i≠j时a_ji＝1/a_ij。

步骤3.2，计算第i个网络属性的综合模糊值F_i＝(l_i,f_i,u_i)为：

其中

表示TFN向量的哈达马积。

步骤3.3，计算综合模糊值F_j大于F_i的概率V(F_j≥F_i)为：

步骤3.4，计算对应的初始主观权重

其定义为：

步骤3.5，经标准化得到第n个属性的主观权重

为：

步骤4，基于AEW的客观赋权。

采用AEW进行再修正。通过AEW方法确定属性客观权重的步骤如下：

步骤4.1，属性参数归一化：

步骤4.2，计算第n个网络属性的反熵：

步骤4.3，计算第n个网络属性的的客观权重：

步骤5，主客观权重的组合赋权。

由于网络属性的性质间存在差异，使用矩估计理论来确定权重系数，分别用α和β表示主观权重和客观权重所占的比重，主客观权重的组合赋权步骤如下：

步骤5.1，应用矩估计理论，计算第n个网络属性的主客观权重系数α_n和β_n：

步骤5.2，综合考虑主客观因素，计算第n个网络属性的组合赋权：

步骤6，通过加权求和计算第m个无线网络的隶属度Y_m：

步骤7，根据各个网络的隶属度Y_m，在M个候选网络中选择第λ个网络进行接入，其中

与现有技术相比，本发明具有以下优点：

(1)本方法构建的5G智能配电HWN模型可以更好地反应5G网络的性能，能够保证智能配电业务在5G网络中的QoS业务需求。

(2)本方法通过FAHP来计算网络属性的主观权重，提高了决策的可靠性，并利用AEW进行再修正，可以显著降低网络属性差异带来的敏感性，

(3)本方法通过矩估计理论来获得组合权重从而选取最优网络，可以较好地体现业务需求和网络属性之间的关系，并得到合适的权重系数。仿真结果证明，本发明相比传统的AHP和FAHP方法可以有效降低网络阻塞率和切换率。

附图说明

图1面向智能配电的5G异构无线接入网系统。

图2基于FAHP-AEW的权重计算流程图。

图3FAHP的层次模型。

图4不同接入选择方案的平均阻塞率对比。

图5不同接入选择方案的平均切换率对比。

图6各个候选网络的选择概率。

具体实施方式

以下结合附图和实施例对本发明进行详细说明。

面向智能配电的5G异构无线网络接入选择方法，该方法包括以下步骤：

步骤1，获取5G HWN配电网系统中每个网络的属性参数。

为了区别于传统的SDG异构网络模型，本发明构建了5G智能配电HWN模型，其由5G、LTE-A和WiMax网络组成，如图1所示。在HWN环境下，用户的需求不是一成不变的，尤其是对于5G网络。在5G HWN模型下，配电终端可以根据业务需求和网络状态，在5G网络环境中选择合适的接入网络以保证业务的QoS。假设SDG的通信节点处于M个无线网络的重叠覆盖区域内，每个无线网络包括N个网络属性。当访问的用户节点数量未达到网络容量限制时，假设网络能够提供稳定的服务。那么，通过平均原始测量值得到第m(1≤m≤M)个候选网络中第n(1≤n≤N)个属性的测量值x_mn，其可以表示为：

其中，T_mn和

分别表示在第m个网络中第n个属性的测量数据量和第k个原始测量数据。

步骤2，基于QoS的属性参数预处理。

为了综合考虑业务的QoS属性，本发明使用FAHP和AEW分别计算业务偏好的主观权重和网络属性的客观权重。如此，通过结合主客观权重求得综合权重，其详细流程如图2所示。

对于网络属性，采用SDG业务的QoS性能参数作为评价指标。一般的，属性参数的归一化预处理需要分类进行，对于效益属性，即测量值越大越好的属性(如带宽和能效)，通过极大值法进行预处理：

而对于成本属性，即测量值越小越好的属性(如时延、抖动、丢包率和成本)，通过极小值法进行预处理：

其中，r_mn表示预处理后对于第m个候选网络中第n个属性的参数值，

步骤3，基于FAHP的主观赋权。

传统AHP方法不能很好地体现候选网络中各因素的变化趋势与理想方案之间的差异性。FAHP利用模糊集或模糊数来处理决策准则之间的不确定性和模糊性，对用户偏好及环境变化更为敏感，可以提高决策的可靠性。根据SDG的业务需求，HWN接入选择问题的FAHP层次结构模型如图3所示，其中包括三层，分别为目标层、准则层和方案层。确定了层次结构，即确定了属性之间的影响关系，业务的需求决定了决策的准则。在准则层，为了与传统通信业务的QoS区分，本方法所考虑的SDG业务的QoS属性主要基于配电站间的信息交互，包括带宽、时延、抖动、丢包率、成本和能效。

在FAHP，本方法采用三角模糊数(Triangular Fuzzy Numbers,TFN)来表示成对属性之间的相对重要性，其可以定义为a＝(l,f,u)，l≤f≤u，其中l、f、u分别代表下限值、最有利值和上限值。属性的相对重要性与TFN值之间的对应关系如表1所示。

表1 TFN值的重要程度

通过FAHP方法确定属性主观权重的步骤如下：

步骤3.1，构造模糊一致判决矩阵A为：

其中，a_ij＝(l_ij,f_ij,u_ij)表示第i(1≤i≤N)个网络属性相对于第j(1≤j≤N)个网络属性的相对重要性，且当i≠j时a_ji＝1/a_ij。

步骤3.2，计算第i个网络属性的综合模糊值F_i＝(l_i,f_i,u_i)为：

其中

表示TFN向量的哈达马积。

步骤3.3，计算综合模糊值F_j大于F_i的概率V(F_j≥F_i)为：

步骤3.4，计算对应的初始主观权重

其定义为：

步骤3.5，经标准化得到第n个属性的主观权重

为：

步骤4，基于AEW的客观赋权。

基于FAHP的主观赋权法可以得到结果普遍认可的方案，但单纯使用FAHP的随意性和主观性过强，无法达到数学方法的准确性。因此，本方法采用AEW进行再修正。与通常使用较多的熵权法相比，AEW对网络属性差异的敏感性大大降低，其克服了极端情况下会出现过小属性权重的问题。对于AEW，反熵的特征与熵相反，即某个属性的无序程度越大，则反熵值越大，从而权重也越大。通过AEW方法确定属性客观权重的步骤如下：

步骤4.1，属性参数归一化：

步骤4.2，计算第n个网络属性的反熵：

步骤4.3，计算第n个网络属性的的客观权重：

步骤5，主客观权重的组合赋权。

由于网络属性的性质间存在差异，因此对应的主客观权重所占的比重不同。传统方法一般采用普通组合加权进行系数赋值，这样不能正确反应主客观权重之间的关系，也就无法体现业务需求对决策的影响。本方法使用矩估计理论来确定权重系数，分别用α和β表示主观权重和客观权重所占的比重，主客观权重的组合赋权步骤如下：

步骤5.1，应用矩估计理论，计算第n个网络属性的主客观权重系数α_n和β_n：

步骤5.2，综合考虑主客观因素，计算第n个网络属性的组合赋权：

步骤6，通过加权求和计算第m个无线网络的隶属度Y_m：

步骤7，根据各个网络的隶属度Y_m，在M个候选网络中选择第λ个网络进行接入，其中

验证基于FAHP-AEW的智能配电5G HWN接入选择方法的有效性。仿真并分析了提出方法与传统的自适应AHP和FAHP方法的网络性能。仿真场景采用图1所示的5G HWN系统。仿真过程中，随机产生各网络的初始业务分布，其中实时性业务和非实时性业务随机生成。假设在无线网络的重叠覆盖区域内配电用户随机分布，其数量从50逐渐增加至150。

图4给出了不同接入选择方案的平均阻塞率。可以看出，当用户数小于90时，由于网络有足够的资源，三种方法的平均阻塞率均为0。随着用户数量的增加，阻塞率逐渐提高。此外，还可以看到提出的FAHP-AEW方法始终拥有最低的平均阻塞率，因为FAHP-AEW考虑了业务需求与网络属性共同对SDG的影响。当用户数为150时，与AHP和FAHP相比，FAHP-AEW的阻塞率可以分别降低20.8％和13.1％。

不同接入选择方案在平均切换率上的对比如图5所示。总体上，随着用户数量的不断增加，三个方法的平均切换率都存在波动性。从图5还可以看出，本文提出的方法相比较FAHP和AHP有着更低的平均切换率，这有助于抑制乒乓效应。由于FAHP-AEW方法采取综合决定权重的方式，从而加强了各个网络属性之间的关联性并减少了不确定的决策结果。

图6给出了在不同方法下的候选网络选择概率。可以看到，在所有方案中都是5G网络被用户选择的概率最高，因为5G网络有着更加优异的QoS性能。对于AHP和FAHP，5G网络的选择概率远高于LTE-A和WiMax网络的选择概率。这样的结果容易造成5G网络负载过重及网络性能的下降，以及LTE-A和WiMax的网络资源浪费。相反，FAHP-AEW可以合理分配网络资源来均衡负载，这提升了HWN的整体性能。

Claims (2)

1.面向智能配电的5G异构无线网络接入选择方法，其特征在于：该方法包括以下步骤：

步骤1，获取5G HWN配电网系统中每个网络的属性参数；

构建5G智能配电HWN模型，其由5G、LTE-A和WiMax网络组成；在5G HWN模型下，配电终端可以根据业务需求和网络状态，在5G网络环境中选择合适的接入网络以保证业务的QoS；假设SDG的通信节点处于M个无线网络的重叠覆盖区域内，每个无线网络包括N个网络属性；当访问的用户节点数量未达到网络容量限制时，假设网络能够提供稳定的服务；那么，通过平均原始测量值得到第m(1≤m≤M)个候选网络中第n(1≤n≤N)个属性的测量值x_mn，其可以表示为：

其中，T_mn和

分别表示在第m个网络中第n个属性的测量数据量和第k个原始测量数据；

步骤2，基于QoS的属性参数预处理；

为了综合考虑业务的QoS属性，使用FAHP和AEW分别计算业务偏好的主观权重和网络属性的客观权重；

对于网络属性，采用SDG业务的QoS性能参数作为评价指标；属性参数的归一化预处理需要分类进行，对于效益属性，即测量值越大越好的属性，通过极大值法进行预处理：

而对于成本属性，即测量值越小越好的属性，通过极小值法进行预处理：

其中，r_mn表示预处理后对于第m个候选网络中第n个属性的参数值，

步骤3，基于FAHP的主观赋权；

FAHP利用模糊集或模糊数来处理决策准则之间的不确定性和模糊性，对用户偏好及环境变化更为敏感，提高决策的可靠性；根据SDG的业务需求，HWN接入选择问题的FAHP层次结构模型，包括三层，分别为目标层、准则层和方案层；本方法所考虑的SDG业务的QoS属性基于配电站间的信息交互，包括带宽、时延、抖动、丢包率、成本和能效；

在FAHP，采用三角模糊数TFN来表示成对属性之间的相对重要性，其定义为a＝(l,f,u)，l≤f≤u，其中l、f、u分别代表下限值、最有利值和上限值；

步骤4，基于AEW的客观赋权；

采用AEW进行再修正；通过AEW方法确定属性客观权重的步骤如下：

步骤4.1，属性参数归一化：

步骤4.2，计算第n个网络属性的反熵：

步骤4.3，计算第n个网络属性的的客观权重：

步骤5，主客观权重的组合赋权；

由于网络属性的性质间存在差异，使用矩估计理论来确定权重系数，分别用α和β表示主观权重和客观权重所占的比重，主客观权重的组合赋权步骤如下：

步骤5.1，应用矩估计理论，计算第n个网络属性的主客观权重系数α_n和β_n：

步骤5.2，综合考虑主客观因素，计算第n个网络属性的组合赋权：

步骤6，通过加权求和计算第m个无线网络的隶属度Y_m：

步骤7，根据各个网络的隶属度Y_m，在M个候选网络中选择第λ个网络进行接入，其中

2.根据权利要求1所述的面向智能配电的5G异构无线网络接入选择方法，其特征在于：步骤3中，通过FAHP方法确定属性主观权重的步骤如下：

步骤3.1，构造模糊一致判决矩阵A为：

其中，a_ij＝(l_ij,f_ij,u_ij)表示第i(1≤i≤N)个网络属性相对于第j(1≤j≤N)个网络属性的相对重要性，且当i≠j时a_ji＝1/a_ij；

步骤3.2，计算第i个网络属性的综合模糊值F_i＝(l_i,f_i,u_i)为：

其中

表示TFN向量的哈达马积；

步骤3.3，计算综合模糊值F_j大于F_i的概率V(F_j≥F_i)为：

步骤3.4，计算对应的初始主观权重

其定义为：

步骤3.5，经标准化得到第n个属性的主观权重

为：

Images