一种电力5G混合场景下通信资源联合优化算法

技术领域

本发明涉及通信技术领域，具体涉及一种电力5G混合场景下通信资源联合优化算法。

背景技术

随着可再生能源和分布式能源的渗透率不断提高，高比例分布式可再生能源和微电网建设改变了传统配电网的形态。庞大智能终端的接入也增加了配电网业务终端系统数据传输、储存和分析的负担。5G技术可满足新型电力系统业务数字化的发展需要，逐渐应用到系统业务传输中。电力系统智能巡检和监控等业务可使用5G的eMBB关键技术，而URLLC场景可用于支撑应急指挥业务、远程调度等应用。多种电力业务和5G场景并存时，如何对通信资源进行优化分配成为研究热点。

近年来，许多学者针对eMBB和URLLC用户的资源分配与网络切片进行了一些研究，但是大多数是针对独立场景的研究，较少考虑eMBB和URLLC混合场景下的通信资源联合问题。虽然少数研究涉及5G混合场景的带宽和功率资源分配问题，但是都极少考虑边缘计算条件下的计算资源、功率和带宽资源的联合优化问题。面向业务可靠性、时延等性能多重目标需求，以及功率、计算资源和带宽资源等整体约束，开展5G混合通信场景下的性能优化和资源联合分配具有重要实际意义和难度。

发明内容

本发明旨在提供一种电力5G混合场景下通信资源联合优化算法，用于解决以上问题。

本发明的技术方案是：一种电力5G混合场景下通信资源联合优化算法，包括如下步骤：

S1，系统模型构建；

S2，URLLC延迟性能最小化建模。

优选地，步骤S1具体为：

设定一个上行链路单蜂窝场景，其中有K个具有异构需求的移动设备用户需要完成计算密集型的任务，将移动设备集分为两个子集，第一个子集为URLLC业务用户，U

同一蜂窝小区下的URLLC用户和eMBB用户连接到同一基站，变电站边缘基站里配置了相应的MEC服务器进行边缘计算；URLLC设备需要实现低的延迟，即在延迟约束下，将数据传输到边缘云处理，并将处理结果下载到每个URLLC移动设备；eMBB设备需要消耗低的能量，延迟限制比URLLC用户低；单天线基站(BS)是边缘云的网关，移动设备用户通过它卸载计算数据；

设F为边缘云网关的计算能力，以单位时间内CPU周期数衡量计算能力大小，F

总系统带宽B被划分为K个正交的子信道，满足以下约束关系：

其中B

0

则可实现的传输速率为：

其中N

将数据卸载到云端所需的卸载时间为：

其中，L

数据在云端计算所需要的时间为：

其中C

URLLC的传输时延为t

数据卸载所需要的能耗表示为：

设E

优选地，步骤S2具体为：

由于两个用户子集U

在总CPU容量、带宽以及传输功率约束下，找到各个用户设备的最优功率、带宽和云计算容量分配方案，以获得最优的最小URLLC延迟阈值，问题的数学模型表示为：

优化目标为：

约束条件(C1-C7)包括：

C1:

C2:

C3:

C4:

C5:0

C6:

C7:

其中T

约束C1和C2对总体延迟与可靠性进行约束；约束C3、C4限制了URLLC和mMTC设备的卸载能耗；约束C5定义了每个用户传输功率的上限和下限；C6和C7保证了每个移动用户分配的带宽和CPU频率分别被限制在最大带宽和CPU容量内；

目标函数与约束分别是关于T

本发明的有益效果在于：

在智能电网快速建设的环境下，解决了变电站多种混合业务共存的问题；考虑变电站5G上行传输链路中，超可靠低时延通信(URLLC)业务与增强移动带宽(eMBB)业务共存的场景，可在保证eMBB业务性能的基础上综合提升URLLC的时延性能。

附图说明

图1为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法总体流程示意图；

图2为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法中变电站蜂窝小区边缘计算模型示意图；

图3为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法中平均URLLC延迟阈值与eMBB可靠性的函数关系示意图；

图4为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法中平均URLLC延迟阈值与URLLC能耗阈值函数关系示意图；

图5为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法中平均URLLC延迟阈值与eMBB延迟阈值函数关系示意图；

图6为本发明实施例提供的一种电力5G混合场景下通信资源联合优化算法中平均URLLC延迟阈值与传输数据大小的函数关系示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，本发明的实施方式不限于此。

实施例1

如图1所示，为一种电力5G混合场景下通信资源联合优化算法总体流程示意图。

如图2所示，系统模型中，同一蜂窝小区下的URLLC用户和eMBB用户连接到同一基站，变电站边缘基站里配置了相应的MEC服务器进行边缘计算。

用户参数设置：仿真结果是通过蒙特卡洛模拟得到的。URLLC和eMBB用户均匀分布在半径为R＝500m的圆形区域内，瑞利衰落下的随机信道增益h

如图3和图4，为能耗阈值、可靠性约束与URLLC用户平均延迟阈值的关系示意图。图3中将URLLC能耗阈值E

本发明提出的优化算法性能明显优于固定带宽方案和固定CPU频率方案。因为可变CPU频率对减少URLLC延迟的影响很小，MEC服务器的计算能力非常大，导致执行时间非常短。对于给定的增加的能量阈值，延迟阈值降低。

如图5所示，为URLLC延迟阈值与eMBB延迟阈值的关系示意图。同样可以看出，优化方案提出的资源分配优于固定带宽和固定CPU这两种方案。

如图6所示，显示了不同信道增益系数下，平均URLLC延迟阈值与设备数据量大小的关系。可以观察到，随着数据量大小L的增加，URLLC延迟阈值也在增大，但优化方案增加更为平滑，因为内点算法能够调整分配给URLLC用户的带宽，以抵消任务大小增加对卸载延迟的影响。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的流程并不一定是实施本发明所必须的。