配电自动化无线专网中基于干扰抑制的小区深度覆盖和频谱分配策略

郑 欢，唐元春，林文钦

(国网福建省电力有限公司 经济技术研究院，福州 350012)

0 引 言

随着经济的快速发展，各级电网规模迅速扩大。目前的配电网系统架构非常复杂，其分布和覆盖具有“点多面广”的特点。最近几年，我国越来越多的城市搭建了先进的配电自动化系统，促进了我国电力系统的发展，也为整个电力系统的稳定运行提供了坚实的基础[1]。

配电自动化是新一代通信技术、配电以及用户数据等的集成，它是配电系统高效运行的有力保证，进一步提高了配电系统及事故的快速监测、保护和控制功能[2]。然而，随着配电自动化系统日趋完善，其相应的通信系统开始面临着诸多新的挑战，对远程控制主站与终端之间的高效互联提出了更高的要求[3]。作为配电自动化正常运行的基础保证，建设一个安全、可靠的配电自动化通信网对配电自动化的可靠运行至关重要[4]。

目前，配电自动化通信系统中使用的通信技术主要有3种：光纤通信、无线公网通信和电力无线专网通信。

光纤通信目前应用最为广泛，其具有高可靠性、宽频带和大容量的特点。但是，随着智能配电网络的继续扩展，架设大量光纤所需要的高额资本和运维开销是难以承受的，且很多新兴业务的需求无法通过光纤通信完成。此外，光纤的采用有一定的地理位置和环境等方面的条件限制，一旦自然灾害发生，那么光缆的运行就会受到影响，较为严重时甚至会出现中断的情况，这不利于配电网的安全稳定运行。基于此，有必要采取新的通信模式来适应配电自动化业务的通信需求。无线公网通信主要依靠3大电信运营商提供的无线公共移动通信网络承载电力业务，具有成本低、业务上线快速和维护简便等特点[2]，在一定程度上弥补了光纤通信的不足和缺陷。但其安全保障措施并不完善，因为通过无线公网进行遥控操作有可能会造成电力信息的泄露，进而引发电力系统的安全事故。随着对电力信息安全防范的要求逐渐提高，我国已经出台了明确规定，不允许通过公网对电力设备实施遥控操作[1]。电力无线专网基于成熟4G技术和先进5G技术，与电力专用频谱有机结合，专用于承载电力业务，它是泛在电力物联网的重要支撑。对于配电自动化系统，无线专网通信系统的组网主要由业务终端、通信终端、基站、回传网、核心网、业务承载网和业务主站几部分构成。

电力无线专网的网络配置方式较为高效便捷，进行组网操作时也较灵活；其次，电力无线专网的安全性也有足够的保障，该项技术支持物理隔离外网及其相关内网，能使信息传递更为安全稳定。综合来看，电力无线专网能够避免光纤通信和无线公网通信技术存在的缺陷，对其合理高效地运用可以解决很多实际问题，如光纤线路铺设成本高昂、GPRS在线率低和信号覆盖面比较少等。

针对电力无线专网的组网方式，传统的依靠宏基站提供连续覆盖的组网方式已无法满足配电终端用户日益增长的通信需求，且受站址资源和传输资源等限制，新增宏基站会极大提升电力公司的部署规划成本，并仍无法解决因建筑物遮挡和人口密度分布不均等所导致的网络覆盖盲点、盲区和部分区域容量受限问题[5-7]。因此，宏微协同组网方式被广泛采用。宏微协同组网，即在传统宏蜂窝小区基础上引入低功率小基站(微基站)，用以补充覆盖和吸收热点地区业务。与宏站相比，微站覆盖范围小、体积小且部署灵活简便，不会对网络其他小区造成严重的强干扰。采用宏微协同组网可以实现精细、高效率的网络部署，同时降低电力公司的组网成本。在电力公司频谱资源有限的情况下，宏微同频组网是一种主要的宏微协同方式，但这会带来较为严重的宏微间干扰，影响系统性能和微站的业务分流效果。因此，如何抑制宏微同频组网下的小区间干扰尤为关键。

已有许多工作深入分析了宏微协同组网方式的覆盖能力、干扰情况和系统容量增益等系统性能，并深入探究了宏微协同组网中的干扰管理和资源分配等问题。文献[8]对不同场景下长期演进(long term evolution，LTE)宏微基站同频组网性能进行了验证研究，分析了3种典型场景下微基站部署前后的网络容量增益、覆盖能力提升以及同频干扰情况，给出了部分场景下宏微同频组网与异频组网的增益对比，并介绍了微基站的优势回传方案。在文献[9]的第3章中，作者提出了一种基于非完全着色的干扰协调方案，该方案联合了着色分簇和资源分配，首先根据设定的小基站干扰阈值构建无向干扰图，接着利用图论中的着色算法对小基站进行分簇，最后根据小基站的负载状态动态地分配子信道。文献[10]提出了一种能够适应超密集网络动态负载场景宏微协作的干扰最小化资源分配算法，首先通过宏微协作交换小区子带干扰信息，然后为高功率用户分配邻区子带干扰较小的资源来降低小区间干扰。最后，当小区业务部分加载时，算法还通过为高功率用户分配更多的带宽资源来降低它们的功率谱密度，从而进一步降低小区间干扰。

然而，现有的大多数相关研究都是在宏微基站间采用频率复用技术(即正交频谱分配)，或者通过调整宏微基站各自的发射功率或给宏基站配置一定比例的几乎空白子帧(almost blank subframe, ABS)等方式来降低小区间干扰，没有考虑宏微基站协作，将干扰信号变为有用信号，通过联合传输等方式降低干扰、提高用户通信质量；也没考虑结合动态ABS配置、多点协作传输和小区合并等技术，从多方面、多维度降低网络中的干扰，以显著提升网络覆盖性能，提升系统容量。

基于上述讨论，本文通过联合考虑宏微基站间联合传输、宏基站动态ABS配置和微小区间小区合并等，提出了一种复杂度较低的宏微同频组网下基于干扰抑制的小区深度覆盖和频谱分配策略，该策略会根据网络当前的信道状态和用户请求业务量动态地配置当前的子帧类型、决策当前最优小区合并因子，并基于此为各小区的用户分配合适的子载波数量，以实现网络的连续深度覆盖和加权和速率最大。

1 系统模型和问题描述

1.1 系统模型

图1 宏微协同组网下行传输场景图Fig.1 Downlink transmission scenario for macro-micro cooperative networking

1.2 用户速率

(1)

(2)

(3)

(4)

(5)

(6)

对于当前子帧为ABS时的情况，网络中各类用户的信干噪比和瞬时速率与子帧为正常子帧时的分析类似，只是所有变量所代表的含义是在当前子帧为ABS背景下的，也即相关变量中的上标“off”改写为“on”，因此，本文在这里不再赘述。

(7)

(8)

1.3 问题描述

为了进一步提升宏微同频组网下的网络覆盖性能和系统容量，本文从MBS和近微小区联合传输、MBS动态ABS配置和边缘微小区合并等多角度出发，探究宏微同频组网下基于干扰抑制的小区深度覆盖和频谱分配策略，以实现在网络深度连续覆盖的同时最大化网络加权和速率。本文所探究的问题可建模为

s.t.

C4.α(t)={0,1}

(9)

(9)式中，约束条件C1说明了宏小区内部子载波正交分配，任一子载波最多分配给一个MUE，且任一MUE获得的子载波数量不能超过网络可用子载波总量。类似地，约束条件C2和C3分别表示近微小区和边缘虚拟小区的子载波分配原则，其中，近微小区和边缘虚拟小区内部均采用子载波正交分配策略。约束条件C5指示小区合并因子为自然数且不超过边缘微小区的数量。为了描述方便，本文在后面的阐述中省略时间索引t。

值得注意的是，优化问题(9)式的目标函数中用户瞬时速率的权重为各用户当前的业务请求量，这是为了更为公平地在用户间分配频谱资源。业务请求数据量较大的用户应优先获得子载波，以降低时延，防止网络拥塞，相反，业务请求量较小或者当前无数据需要传输的用户应获得较少的频谱资源或者将其从子载波分配进程中排除，以防止其占用资源，降低系统吞吐量。

(9)式可被转化并分解为多个可并行求解的子问题，从而获得一种计算复杂度较低的策略。因此，(9)式不算是一个NP-hard问题。

2 基于干扰抑制的小区深度覆盖和频谱分配策略

2.1 问题转化

为了求解优化问题(9)式，忽略约束条件C5，在小区合并因子f固定的条件下， (9) 式的目标函数可以改写为

(10)

(10) 式的第1项和第2项有相似的形式，分别表示正常子帧和ABS下的网络加权和速率，由于子帧类型指示变量α是二进制变量，因此，可以分别计算当子帧为正常子帧和ABS时的宏微小区最优子载波分配，得到相应的网络加权和速率，之后，再比较2种情况下的网络加权和速率，以确定当前子帧的最终类型。

2.2 问题求解

以α=1，即当前子帧为ABS为例，与(10)式对应的待求解优化问题表示为

s.t. C1—C3

(11)

s.t. C1

(12)

(13)

由(12)式和 (13)式 可以得到(宏)小区内的最优子载波分配策略，具体如算法1所示。

算法1 (宏)小区内最优子载波分配策略

3.根据(13)式计算子载波i的最优分配，即确定得到子载波i的用户m*

4.判断MUEm*是否已经获得了最够的子载波数量(即已无数据可传)，具体操作如下。

ifTm*=0

else

按下式更新MUEm*当前的待传业务数据量

end if

5.若所有用户均分配到足够的子载波，则break

6.end for

算法1中，τ为每个TTI的长度。每分配一个子载波后，需要判断得到该子载波的用户是否已经获得了足够的频率资源用以传输业务数据，若是，则将其从后续的子载波分配过程中排除，避免资源浪费。

对于(虚拟)微小区的子载波分配问题，优化问题(11)式的目标函数中的第2项可以改写为

(14)

至此，当前子帧为ABS时的网络加权和速率最大化问题，即优化问题(11)式得以完整解决。如前所述，通过比较当前子帧为正常子帧和ABS时的网络加权和速率，可以确定最终的子帧配置类型。当子帧为正常子帧时(α=0)，网络加权和速率最大化问题的求解与上述当子帧为ABS时的求解过程一致，本文不再赘述。综上，针对优化问题(9)式，本文提出的基于干扰抑制的小区深度覆盖和频谱分配策略具体如算法2所示。

算法2 基于干扰抑制的小区深度覆盖和频谱分配策略

2.forα=0 andα=1

3.宏小区和各近微小区分别根据算法1计算小区内最优子载波分配策略

5.根据算法1遍历计算小区合并因子f固定配置下各边缘虚拟小区内的最优子载波分配策略

6.end for

7.比较所有小区合并因子f配置下的网络加权和速率，选择使目标函数值最大的f和相应的各小区子载波分配作为最优的小区合并因子配置和资源分配策略

8.end for

9.比较正常子帧和ABS下的网络加权和速率，选择较大的作为当前子帧的最终配置类型，进而确定所配置子帧类型下的最优小区合并因子和各小区子载波分配策略

3 仿真和讨论

3.1 仿真部署

为了验证本文提出的宏微同频组网下基于干扰抑制的小区深度覆盖和频谱分配策略的正确性和有效性，评估其所具有的潜在性能增益优势，仿真参数如表1所示。本节中，基于表1中的仿真参数搭建系统级仿真平台，其中，考虑一个0.5 km×0.5 km的宏微同频组网下行传输场景，宏微基站间全频率复用系统中所有可用的子载波资源。MBS位于网络中心，mRBS在MBS的覆盖范围内随机部署，且覆盖半径为100 m。仿真中将算法2和文献[9]中基于非完全着色的干扰协调方案和文献[10]中宏微协作的干扰最小化资源分配算法对比(分别用Proposed, Interference Coordination和CCRA-IM表示)，并对仿真结果进行讨论分析，以评估本文所提算法所能带来的系统性能增益。

表1 仿真参数

3.2 仿真结果分析

图2描述了系统实施本文提出的干扰抑制机制前后，用户SINR分布的变化情况。仿真实验中考虑了1个MBS，2个近mRBS，8个边缘mRBS，且网络服务用户的平均业务请求量设为λ=1 kbits。从图2可以看出，实施了干扰抑制技术后，用户SINR有明显提升，有效降低了网络中的干扰水平，网络覆盖性能也进而得到增强。这是因为，本文考虑从多维度(多域)联合进行干扰抑制以降低用户所受到的跨层和同层干扰。首先，时域上，本文考虑MBS动态ABS配置，在当前时隙被配置为ABS时，MBS降功率发射，此时mRBS的服务用户所受到的跨层干扰会降低。频域上，由于本文考虑了宏微基站间全频率复用，各小区内部正交分配子载波资源，因而整个系统在显著提升资源利用率的同时尽可能地降低了各用户所受到的小区间同层干扰。空域上，由于近微小区的边缘用户(CRE用户)会受到MBS较为严重的跨层干扰，因此，本文考虑了MBS和近mRBS为小区边缘CRE用户联合传输，将较强的干扰信号转变为有用信号，以降低其所受到的跨层干扰。本文采用小区合并技术对边缘微小区进行小区合并，将其划分成多个虚拟小区，各虚拟小区内的所有mRBS为其用户进行联合传输，从而减小边缘微小区用户所受到的同层干扰。综上，本文通过时域、频域和空域联合干扰抑制技术，从不同维度上减少用户受到的跨层和同层干扰，有效降低了宏微同频组网中的干扰水平，提升了组网的覆盖性能。

图2 多域干扰抑制技术实施前后网络SINR分布Fig.2 Network SINR distribution before and after the implementation of multi-domain interference suppression technology

针对图2中所考虑的网络场景部署，更为直观地，图3和图4分别展示了本文提出的多域联合干扰抑制策略执行前后的网络覆盖强度(SINR)示意图。

图3 多域干扰抑制前网络覆盖强度示意图Fig.3 Schematic diagram of network coverage intensity before multi-domain interference suppression

从图3和图4可以明显看到，本文所考虑的宏微同频组网场景中，通过灵活部署低功率小基站，同时从多种维度尽可能降低网络中的干扰水平，能够实现对网络覆盖盲点、盲区进行补盲，对网络弱覆盖区域实现覆盖增强，促进整个网络的连续深度覆盖，以更好地满足各用户的服务质量(quality of service, QoS)需求，提升系统服务水平。

图4 多域干扰抑制后网络覆盖强度示意图Fig.4 Schematic diagram of network coverage intensity after multi-domain interference suppression

图5 基于干扰抑制的小区深度覆盖和频谱分配策略随基站数量的变化情况Fig.5 Interference mitigation-based cell in-depth coverage and spectrum allocation strategy change along with the number of BS

图6比较了不同算法下系统平均和频谱效率(spectral efficiency, SE)随基站数量变化的情况，其中，网络中共有11个基站，包括1个MBS，2个近mRBS和8个边缘mRBS，且设网络中用户的平均业务请求量为λ=1 kbits。从图6可以看出，3种算法下的系统平均和SE均随着BS数量的增加逐渐增大，但增长速率是逐渐减小的，且本文提出的基于干扰抑制的小区深度覆盖和频谱分配策略下的系统平均和SE要优于其他2种算法。这是因为，随着网络中BS数量增加，频谱资源的复用因子越大，频谱效率也就越大。但是，随着BS数量的持续增加，微小区间的同层干扰和宏微小区间的跨层干扰也会逐渐加重，因而会影响系统平均和SE的增长。对于Interference Coordination算法，文献[9]没有考虑系统动态ABS配置和宏微基站间协作等以降低网络中的干扰，因此，其系统平均和SE会低于本文所提算法。在CCRA-IM算法中，文献[10]通过宏微协作交换小区子带干扰信息，为高功率用户分配邻区子带干扰较小的资源，但当系统中基站数量达到一定时，由于小区间的干扰加重，邻区子带干扰较小的资源可能会不足，此时就会出现低功率用户获得邻区子带干扰严重的资源的情况，这会导致该类用户的传输质量极差，进而影响系统平均和SE性能。此外，文献[10]也没有联合考虑动态ABS配置和小区合并等多种干扰抑制技术以减小用户所受到的干扰。

图6 系统平均和谱效vs. BS数量Fig.6 System average total spectrum efficiency vs. the number of BS

图7展示了不同算法下用户平均实际吞吐量随平均业务请求量λ变化的情况，其中，网络中共有11个BS，包括1个MBS，2个近mRBS和8个边缘mRBS。从图7可以看出，随着用户平均业务请求量的增加，3种算法下的用户平均实际吞吐量也逐渐增大，但其增长幅度越来越缓慢。这是因为，当平均业务请求量较小的时候，网络中各用户分配到的子载波资源相对较多，其分别能将当前到达的业务数据量完全传输出去，因而用户平均实际吞吐量会随λ的增加逐渐增多。当用户平均业务请求量较大时，此时各用户待传的业务数据量都比较多，由于各小区可用的子载波资源是有限的，因而会出现各用户所得子载波数量不够的情况，此时各用户实际能传输的数据量小于其当前到达的业务数据量，仍未传完的数据包只能暂存在基站中等待下一时隙再发送，因此，此时用户平均实际吞吐量随λ增加的增长速度会逐渐减小，甚至不再会随平均业务请求量的增加而增大。另一方面，在任一平均业务请求量λ下，CCRA-IM和Interference Coordination算法下的用户平均实际吞吐量都低于本文提出的基于干扰抑制的小区深度覆盖和频谱分配算法下的用户平均实际吞吐量。这是因为，文献[9-10]均没有考虑动态ABS配置、基站间协作联合传输等机制降低网络中的干扰从而提高频谱传输效率，文献[10]也没有考虑小区合并技术，未将原先的物理小区边缘高干扰区域转变为虚拟小区的中心区域以降低边缘mRBS间的同层干扰。因此，在相同平均业务请求量λ下，CCRA-IM和Interference Coordination算法下的用户平均实际吞吐量会比本文所提算法下的用户平均实际吞吐量要小。

图7 用户平均实际吞吐量vs.平均业务请求量λFig.7 Average actual throughput of users vs. average traffic request λ

图8对比了不同算法下用户平均业务请求队列随时隙数量变化的情况，其中，网络中共考虑11个BS，包含1个MBS，2个近mRBS和8个边缘mRBS，且设用户在每个时隙内的平均业务请求量为λ=1 kbits。从图8可以看出，3种算法下的用户平均业务请求队列(数据积压量)均随着时隙数量的增加慢慢增大，本文提出的基于干扰抑制的小区深度覆盖和频谱分配策略下的平均数据积压量变化最为缓慢，CCRA-IM算法下的业务数据积压得最快。这是因为，由于系统可用的子载波数量是有限的，当各用户当前时隙请求的业务数据量发送不完时，会将来不及发送出去的数据暂存下来，等待下一时隙再发送。因为本文所考虑的网络场景中联合考虑了动态ABS配置、边缘mRBS小区合并和基站间协作联合传输等机制降低用户所受到的干扰，提升网络覆盖性能和传输效率，而文献[10] 没有考虑小区合并技术，文献[9-10]均没有考虑动态ABS配置、基站间协作联合传输等机制降低网络中的干扰，因此，由图6和图7可以看出，在给定的平均业务请求量λ下，CCRA-IM和Interference Coordination算法下的系统平均和谱效和用户平均实际吞吐量均小于本文所提算法，这意味着其他2种对比算法在单位子载波上传输的数据量相对较少，会消耗更多的子载波。因此，在子载波资源不充足或用户平均业务请求量λ较大时，本文所提算法能在有限的频谱资源上传输相对更多的业务请求数据，各用户业务请求队列中每次积压的数据量比其他2种算法更少，累积速度也更低。

图8 平均业务请求队列vs.时隙数量Fig.8 Average traffic request queue vs. the number of time slots

4 结束语

无线专网技术在配电自动化系统中的应用能满足电力智能终端在安全、可靠、灵活、泛在、低时延等方面的差异化通信需求。本文针对配电自动化电力无线专网宏微同频组网场景下的小区深度覆盖和频谱分配问题，联合考虑宏微基站间联合传输、宏基站动态ABS配置和微小区间合并，构建了一个以最大化网络加权和速率为目标的非线性优化问题，进而提出一种基于干扰抑制的小区深度覆盖和频谱分配策略，可以在降低网络干扰、促进网络深度连续覆盖的同时提升系统容量。