基于URLLC的分布式光伏运维数据传输技术
2021-12-14王文天姜小涛葛磊蛟嵇文路李泽平
王文天，姜小涛，葛磊蛟，方 磊，嵇文路，李泽平
（1.国网江苏省电力有限公司南京供电分公司，江苏 南京 210019; 2.天津大学电气自动化与信息工程学院，天津 300072）
0 引 言
分布式光伏具有点多面广、分散无序等特点，是我国“碳达峰、碳中和” 能源战略的重要支持技术之一[1]。分布式光伏运维数据是实现分布式光伏精细化、精益化管理的重要基础，一般通过有线和无线混合模式传输，但由于分布式光伏数量多、分布范围广，且单个分布式光伏电站数据具有生成频率高、实时运维信息量小等特点，为有效实现在保证分布式光伏运维数据的精度前提下降低采集成本，现有基于无线传输技术的分布式光伏运维数据的高可靠传输方案面临较大的挑战[2-3]。
近年来，为实现光伏运维数据高可靠低时延采集，国内外的专家和学者们展开了研究。文献[4-5]从采集系统的下位机着手，使用SOPC代替传统单片机实现数据采集，并通过RS232/RS485串口协议和GPRS将数据发送至监控后台。一定程度上满足了数据实时采集的要求，但具有线缆铺设成本高和蜂窝网络资费高的缺点。基于此，专家考虑采用PLC（电力线载波通信）代替传统串口通信，降低建设成本。但PLC方式每次加入新设备都需要重新分配载波，可拓展性差。因此PLC通常与无线通信方式相结合实现数据采集传输[6]。文献[7-8]分别提出采用ZigBee和LoRa实现光伏电站节点与上机位终端之间数据传输，以此替代传统有线通信方式进行监控组网，有效降低了光伏系统构建和运维的成本，但该方法依旧无法保证数据传输的实时性。基于此，文献[9]利用无线透传进行数据采集并基于NB-IoT（窄带物联网）通过智能汇流箱上传云服务器提高了数据监测的实时性，但依旧无法解决无线通信阶段的延时问题。同时在实际应用场景中，分布式光伏电站一般建在用户场地附近，数据采集终端须架设在较高的通信塔上才能改善楼宇和环境遮挡所引起非视距传输现象，以此保证采集数据的可靠性和稳定性，给设备维护造成不便。
根据以上分析，利用传统有线或无线的方式进行光伏运维数据传输会大大增加数据监测系统的构建和运维成本，且采集数据的可靠性和实时性也无法确保。因此本文基于无人机（unmanned aerial vehicle，UAV）的快速部署能力强、视距（line of sight，LOS）传输增益高和成本低等优点，利用无人机辅助通信技术代替现有无线通信实现光伏运维数据高可靠、低时延传输。
与传统方式相比，UAV辅助通信无需收发两端具有直接的通信链路，而利用UAV作中继间接实现设备无线连接[10-12]。因此，在满足通信可靠性的前提下可将数据采集终端安装在地面，减少前期安装成本的同时方便后期设备维护。此外，本文利用UAV实现无线中继通信的方案可进一步与PLC、NB-IoT相结合构建完整的数据采集系统。文献[11]研究了UAV在短包传输条件下最小化系统误码率的中继方案，然而该模型只考虑单个发送端和接收端，UAV仅作为解码转发信号的中继，极大地限制了算法的推广。基于此，本文从光伏电站实际场景出发，考虑多发送端传输模型，无人机作为中继承担信息暂时存储的任务，并提出一种更具普适性的中继方案优化算法。
超可靠低延时通信（ultra-reliable and low latency communications，URLLC）作为5G通信支持的三大应用场景之一[13]，通常采用短包传输方式以满足低时延要求[14]。在此情况下传统基于大数定律的香农信道容量不再适用，文献[15]首次提出基于短包传输机制的信道可实现容量计算方法，实现了URLLC系统性能评价。由于光伏系统单个分布式光伏电站实时生成的运维数据量小且对时效性要求高，因此有必要采用短包传输实现低延时，达到数据实时监控的目的。
由于光伏电站和接收终端之间的信道增益受到环境因素的影响，本文考虑UAV作为解码转发（decode and forward，DF）中继在其上方飞行以辅助分布式光伏电站与终端之间通信。本文的主要目标是联合优化分组长度分配和UAV位置，以使在有限分组长度和低延时约束下的解码误码率最小化。基于此，本文提出一种基于交替方向乘子法（alternating direction method of multipliers，ADMM）[16]以及随机扰动的交替迭代方法实现分组长度分配和UAV路径规划。一方面采取ADMM加速对偶法迭代速度，另一方面利用随机扰动避免全局迭代陷入局部最优点。实验结果表明，本文提出的交替迭代方法性能可比拟穷举搜索法，且相比于穷举搜索法具有收敛性好、复杂度低、运算速度快等优点。
1 系统模型
图1 无人机中继传输模型
由于放大转发（amplify and forward，AF）模式下中继节点对收到的数据不进行任何的解调或解码操作，只对信号的功率做归一化处理，然后用自身的发射功率将信号放大后发射给目的节点，尽管该方案操作简单、开销小、复杂度低，但在放大有用信号的同时也放大了噪声。考虑到URLLC要求，本文UAV作为DF中继且以时分多址正交接入技术（TDMA）接收来自分布式光伏电站信息。如图1所示，分布式光伏电站的运维数据传输过程可分为两个阶段：阶段一对应分布式光伏电站到UAV的传输，阶段二对应UAV到接收终端的传输。现将分组长度做如下分配：假设第一阶段分配给A1和A2两个设备的分组长度分别为m1和m2，分配给第二阶段的分组长度为m0。根据短包传输机制[17]，分组长度满足
式中：Tmax——系统传输持续时间；
B——无线传输带宽；
M——系统总分组长度。
UAV悬停在一定高度时，无线信号可无遮挡地在发信端和接收端之间直线传播，即满足LOS传输特性[18]，因此可采用自由空间路径损耗信道模型对信道进行简化：
式中：dT,R——收发两端的距离；
α——路径损耗系数；
β——基准距离dref=1 m时的信道功率增益，即
式中：GANT——天线增益；
fc——载波频率。
则分布式光伏电站A1和A2到UAV的信道功率增益可表示为
其中dAi,UAV为光伏电站Ai到UAV的距离。类似地，UAV到接收终端T的信道增益可表示为
其中dUAV,T为UAV到接收终端T的距离。假设UAV和分布式光伏电站的信息发送功率固定为PUAV和PA。根据文献[15]，URLLC要求下以分组长度mi发送L的数据包在无人机端的解码误码率可表示为
此外，为了尽可能整体降低误码率ε，本文假设分组资源利用率能够达到理想的饱和状态，即式（1）取到等号。综上所述，本文的目标为联合优化两个传输阶段分组资源分配和无人机路径规划，以最小化整体解码误码率。因此该优化问题可以表述为
问题（8）将分布式光伏运维数据传输模型等效为有限分组长度机制下误码率最小化问题。根据式（8），系统目标函数ε不是关于无人机位置x以及分组长度mi（i=0,1,2）联合凸的函数，即该多目标优化问题难以直接在凸优化的框架内解决。因此本文提出了一种基于随机扰动ADMM的交替迭代方法，该算法能在较低的复杂度下求得问题（8）的全局最优解，并得到中继系统中UAV的目标位置和无线传输过程中最佳的频带和时隙资源分配。
2 算法设计
近似可直观理解为：要使保证整个通信链路的解码误码率最小，每个链路的误码率都应尽可能足够小。经过近似后，由3个分量（ε0、ε1、ε2）组成，且每个分量都是包含分组长度和UAV位置两个优化变量的函数。若假设UAV位置x已知，根据式（4）～（5）可得3个链路固定的信道功率增益，继而式（9）的3个分量都是关于对应链路分组长度的函数，即：
若假设分组分配mi（i=0,1,2）已知，则式（9）仅是关于x的函数。根据上述目标函数特点，本文设计了分组长度与无人机位置的交替优化方法。
首先固定x优化，假设mi取值连续并计算式（6）～（7）的一阶和二阶导数，根据凸函数的二阶条件可证每一链路的误码率表达式都为凸函数，即εi（mi）是关于mi的凸函数。由此性质可被展开为3个可分离的凸函数。根据目标函数的这一分离形式以及优化问题（8）满足线性约束项条件，本文引入ADMM来优化mi（i=0,1,2）分配方案。ADMM的基本思想是利用对偶上升和对偶分解求解原问题的对偶形式，并在基础上利用乘子法在对偶问题上加入惩罚项。这样不仅可以松弛强凸条件，而且能够将加速迭代收敛速度。首先根据式（8）写出其增广拉格朗日函数：
式中：λ——对偶变量；
ρ——惩罚因子；
µ——尺度变换后的对偶变量，µ=λ/ρ。
根据ADMM算法，具体的交替更新过程可表示为
图2 二分搜索法
图3分别绘制了函数g（x）及其导数关于的x曲线。由图3可知g（x）为拟凸函数，即随着x不断增大，函数g（x）首先表现出凸性，然后为凹，紧接着又表现为凸性。且存在一个位置xopt，当0
图3 函数g（x）及其导数关于x的曲线
在实际仿真实验中，分组长度和位置交替迭代过程中容易在初始位置陷入局部最优点无法进一步收敛，即一次交替过程中开始固定的位置等于本次迭代结束时优化得到位置。为克服该问题，本文在迭代中为分组长度引入随机扰动，具体表示如下：
式中：m0,opt、m1,opt和m2,opt——固定UAV位置时最优的分组长度；
n1,n2∈[1,Nmax]——两个随机整数。
从而得到加入随机扰动后的3组长度分配，全局迭代算法具体过程如图4所示。
图4 全局迭代算法
根据上述全局迭代算法，中继系统可以得到每一次无线传输中UAV的目标位置x和不同时隙的最佳分组长度分配mi（i=0,1,2）。进一步对不同传输过程应用全局迭代算法可实现UAV路径规划，从而实现分布式光伏运维数据的高可靠低延时传输。
3 仿真分析
本节对上述提出的基于ADMM算法和扰动的交替迭代算法进行仿真，并将其与穷举搜索法和现有算法[10]进行性能比较。文献[10]算法的主要思想是不断调整mi以便平衡每个链路的误码率，并在应用基于梯度的方法找出最佳无人机部署之前采用距离离散化来初步确定无人机范围，文献[10]表明该算法能够低复杂度地解决无人机部署和URLLC资源分配联合优化问题。结果表明本文所提出的算法与文献[10]的方法性能基本相同，但复杂度更低。首先将系统参数设置如表1所示。
表1 系统的主要参数
图5和图6首先讨论了ADMM和全局迭代的收敛情况。由图5可知，当固定UAV位置于终端接收机与其距离最远处发电站的中间位置，同时按发送数据包大小分配初始分组长度，ADMM能在5次以内完成迭代，即tA=5。
图5 给定不同初始值ADMM迭代的收敛情况
图6 对于不同初始固定位置全局算法的迭代收敛情况
图6给出了不同初始位置情况下全局算法的迭代收敛情况。由图6可知，对于不同的初始UAV位置，本文所提出的全局算法基本能在迭代10次之内达到收敛，即tG=10。由此可见本文所提出的全局算法具有较好的收敛性能，该性能增益主要来源于ADMM中对偶上升的思想以及惩罚项的加速迭代作用。为了减少不必要的迭代，加快运算速度，本文在仿真实验中选取人为可控的初始值，从而降低算法的复杂度。
图7对不同算法性能进行比较并分析了M值大小对解码误码率的影响。
图7 分组长度M的大小对解码误码率的影响
由图可知：
1）增大分组长度可以有效地降低误码率。但M值变大将对系统带宽提出更高的要求，并且会对数据传输的实时性造成影响。
2）当M>180时，误码率达到10–5以下，达到有限码长下高可靠性要求[10]。
最后将本文所提全局迭代算法与其他方法进行性能比较。其中“固定分组长度”表示以数据包大小分配mi并采用二分法搜索最优的UAV位置；“固定无人机位置”表示固定x=D2/2并采用ADMM分配最优分组长度；“穷举搜索法”表示计算所有可能情况并比较得到最优解。由仿真结果可知：
1）本文提出的全局迭代算法与文献[10]方法和穷举搜索法的性能基本相同且明显优于其他两种方法。
2）此外由表2可知，相比于文献[10]方法和穷举搜索法，本文提出的全局迭代算法复杂度更低，运算速度更快。
表2 算法复杂度和运算时间比较
4 结束语
本文考虑基于无人机辅助通信的分布式光伏运维数据采集技术。采用无人机作为中继系统，通过短包传输技术辅助分布式光伏电站和终端接收机之间通信。在此基础上为保证无线传输的可靠性，使得系统的整体解码误码率达到最小，本文提出了基于URLLC要求的无人机中继系统联合优化悬停位置和通信链路分组长度分配的问题，并且针对多个发送端单个接收端的模型提出了一种基于随机扰动ADMM的低复杂度迭代算法。仿真结果表明，本文算法能在较少的迭代次数内达到收敛，且该算法与穷举搜索法具备基本相同的性能，但复杂度更低，运算速度更快。
