面向配电网的5G 异构网络部署策略*

张 平 ，邱 超 ，张琳娟 ，郑 征 ，樊 冰 ，辛亚楠

(1.国网河南省电力公司经济技术研究院，河南 郑州 450000；2.华北电力大学 新能源电力系统国家重点实验室，北京 102206)

0 引言

随着能源互联网的发展与“双碳”目标的提出，配电网将产生一批新兴业务，已有业务的通信需求及分布特征也将发生变化。5G 通信技术具有大带宽、低时延和广连接的突出优势[1]，与能源互联网发展战略、配电网业务需求高度吻合，是支撑配电网通信的最佳选择。

5G 宏基站覆盖范围小于3G/4G 基站，需要通过部署微基站实现网络覆盖[2-4]。已有基站部署策略研究中，大多采用遗传算法[5-6]、免疫算法[7-9]、贪婪算法[10]等算法进行基站部署策略优化求解。上述研究忽略了终端的多样性，还未实现多种基站联合部署。

为满足配电网业务通信未来需求，本文提出一种考虑终端重要性的宏微基站联合部署策略(Terminal Importance-based Base Station Deployment Strategy，TI-BSDS)。该策略基于配电网业务对通信指标的需求程度求解各业务重要度，然后基于配电终端承载业务情况得到配电终端重要度，最后以覆盖重叠度、部署成本、终端加权信干噪比为优化目标，采用遗传算法求解部署方案，实现终端全覆盖，提高重要配电终端的通信服务质量。

1 系统模型

5G 基站工作频段高，信号衰减大，其覆盖半径仅为4G 基站的0.3～0.5 倍[2]，仅部署宏基站难以满足网络建设低成本、高效益目标。微基站覆盖半径小，建造成本低，因而本文采用“宏微协同”的异构网络架构，其网络模型如图1 所示。

图1 分层异构网络模型

2 配电终端重要性

2.1 配电业务重要度

针对非数值型指标，通过映射函数f1实现数值化：

其中，K 为通信指标集，通信指标k∈K，将业务类型按照对指标要求的高低程度升序排序，对指标要求越高的业务类型序号越大，要求相同的业务排序随机；业务类型s∈S；q(k，s)为业务类型s 在指标k 下排序后的序号；s(k，q)为指标k 下序号q 对应的业务类型；符号≻表示左侧业务类型比右侧业务类型重要；≺≻表示两侧业务类型同等更重要。

针对数值差异较小的指标，本文通过映射函数f2扩大差异并归一化：

其中，yk为业务对指标的需求值，分别为业务对指标k 需求的最小值和最大值；0＜X＜1，为映射后的区间下限值。

针对数值跨度较大的指标，本文通过映射函数f3缩小跨度：

对业务通信指标需求数值化后，若指标为效益型，采用式(2)进行归一化，若指标为成本型时，采用f4进行归一化：

业务通信指标权重列向量W(S)中的业务j 的通信指标权重定义为：

业务类型j 的业务重要度Ij为：

其中，bj为业务类型j 的通信指标需求数值化与归一化后的结果，为n 维行向量。

2.2 终端重要度

定义终端集T 对应的重要度列向量WT为：

其中，I 为业务重要度向量，为m 维列向量，m 为业务类型的数量；A 为业务在终端的分布状况，为t×m 维矩阵，t 为终端数量，A 中元素aij表示终端i 承载业务j 的状况：

3 基于终端重要度的5G 基站部署策略

3.1 基站候选位置集

为平衡算法效果和复杂度，本文以实现网络全覆盖为目标，进行网络网格化，并构成候选基站集Q1，具体方法如图2 所示。

图2 网格化得到基站侯选位置

R 为微基站覆盖半径，实现网络全覆盖时，候选基站间最近距离为R，因此本文以R 为距离间隔选取候选基站位置，记为Q1。

为降低建网成本，快速部署5G 网络，应在有条件情况下复用公网资源与配电网设施[11]，故本文将已有4G杆塔与配电机房所在位置也作为基站侯选位置，构成候选基站集Q2。候选基站位置集合Q=Q1∪Q2。

3.2 优化目标

本文基于覆盖重叠度、终端信干噪比和部署成本构建优化目标函数，求解最佳部署方案。定义F1为网络部署成本：

其中，L0表示宏基站部署方案，为N 维行向量，每个元素对应一个基站候选位置，若某个位置部署宏基站，则对应元素为1，否则为0；N 为候选基站位置数；η0为宏基站部署成本，为N 维列向量，每个元素对应该位置建设宏基站的单位化成本，依据位置是否存在基础设施而确定；L1为微基站部署方案，η1为微基站部署成本，定义同宏基站。

为衡量网络终端处信号干扰状况，将终端可加入的最少同类型基站的数量定义为终端的覆盖重叠度，终端平均覆盖重叠度定义为网络覆盖重叠度F2：

其中，t 为终端数量，ui表示终端i 的覆盖重叠度：

定义F3为终端信干噪比：

其中，WTmax为终端重要度最大值；ω 表示终端信干噪比，为t 维行向量，终端i 的信干噪比可定义为：

其中，Gb为基站的功率增益，PB为基站静态功率，Pt为基站发射功率。上述参数需要依据候选位置v 处基站部署情况确定，当部署宏基站时，将Piv记为P0iv；当部署微基站时，将Piv记为；当不部署基站时Piv=0，均为0；d 为候选位置v 与终端i 的距离；α 为功率衰减因数，一般α=2。

本文优化目标为：

3.3 遗传算法求解

基于优化目标F，本文采用遗传算法求解5G 基站部署策略，具体步骤为：

(1)种群初始化。生成g×N 维矩阵D，g 为种群规模，D 中元素Dij∈{0，1，2，3}，分别表示方案i 中候选位j 处不部署基站、部署宏基站、部署微基站和不部署基站。

(2)优势个体选择。将各基站部署方案拆分为宏基站部署方案L0和微基站部署方案L1，带入式(9)和式(11)，进而通过式(15)计算适应度函数，若某基站部署方案终存在ui=0，令该方案的适应度函数F=∞，以保证终端的全覆盖；然后，对当前种群适应度F 降序排序，适应度在前a%的个体作为优势个体。

(3)种群更新。采用轮盘赌方法从非优势个体中选取父代，执行随机单点交叉和随机单点变异，产生g(1-a%)个子代，子代与父代共同构成新一代种群。

(4)若当前迭代次数h 达到上限H，将当前最优个体作为最优基站部署方案输出，否则，h=h+1，返回步骤(2)。

4 仿真结果与分析

为验证TI-BSDS 的有效性，将TI-BSDS 与基于免疫遗传算法的5G 基站选址策略(IGBSL)[5]和基于竞争函数的无线接入站址选址算法(CFSSA)[13]进行对比仿真分析。

以2 km×2 km 配电网为例，配电终端与基础设施分布如图3 所示，业务分布状况如表1 所示，相关仿真参数如表2 所示。

图3 配电终端与基础设施分布

本文所述策略TI-BSDS 与IGBSL 和CFSSA 的基站部署结果如图4 所示，网络性能参数如表3 所示。

图4 基站部署结果图

表3 部署方案性能对比

TI-BSDS 共联合部署7 个宏基站与7 个微基站协同实现网络全覆盖，通过对宏基站覆盖重叠区域部署微基站的方法提高网络终端的信干噪比，保证重要终端的通信质量；对已有4G 杆塔设备、配变机房、基础设施的利用率分别为25%、31.25%和25%，网络建设单位化成本仅为6.74，明显低于IGBSL 与CFSSA。但由于TI-BSDS为多目标联合优化，为实现低成本建设与终端高加权信干噪比，导致网络覆盖重叠度略有提升，故TI-BSDS策略下的网络覆盖重叠度指标略高于IGBSL，但优于CFSSA。

IGBSL 基于4G 杆塔以网络建设成本与终端覆盖率为优化目标进行基站部署，通过6 个宏基站实现了网络中约85%的终端覆盖，对于分散的少数未被覆盖终端，需要部署9 个微基站实现网络全覆盖，对4G 杆塔、配电机房及基础设施的利用率分别为25%、0%和5%，网络建设单位化成本为7.40，高于TI-BSDS。此外，该策略下相同类型基站间隔较远，因此网络覆盖重叠度较小。

CFSSA 仅考虑覆盖率，通过部署8 个宏基站实现网络全覆盖。由于该策略未考虑基础设施，因而4G 杆塔、配电机房、基础设施的利用率均为0%，网络建设单位化成本为8.0，大于其他算法。此外，由于同类型基站重叠区域大，其覆盖重叠度远大于TI-BSDS 与IGBSL。

为进一步观察网络中重要终端的信干噪比情况，本文将终端按重要度均匀分为10 组，将各组重要等级依次定义为1～10，等级1 为最重要，等级10 为最不重要，各重要度等级下的信干噪比为各分组内终端的信干噪比均值，各组归一化后的信干噪比如图5 所示。由于TI-BSDS 策略考虑了加权信干噪比，因而该策略下，较为重要的终端其信干噪比普遍较大，保障了重要终端的通信质量。IGBSL 与CFSSA 中均未考虑终端信干噪比与终端重要性之间的关系，因而其信干噪比与终端重要等级不相关，无法保障重要终端通信质量。

图5 终端分组信干噪比

为更加直观地观察各网络部署方案下的5G 网络部署投资效益，定义网络部署效益为：

各算法下网络部署效益归一化结果如图6 所示。与另外两种算法对比，TI-BSDS 部署策略成本最低、加权终端信干噪比最高，网络部署效益最高。TI-BSDS 通过利用已有基础设施来降低网络部署成本，通过区分终端服务来保障网络服务质量，通过宏微基站联合部署进一步降低网络部署成本和提高重要终端信干噪比，因此TI-BSDS 下的网络部署效益明显高于对比算法。

图6 网络性能归一化对比结果

5 结论

考虑配电网业务特征，本文提出了一种基于网络部署成本、终端加权信干噪比与网络覆盖重叠度的5G 基站部署策略TI-BSDS。该策略中，基于终端承载业务重要性来衡量终端重要性，通过加权信干噪比优化目标来保障重要终端的通信质量。同时，为了降低网络部署成本，在候选基站位置集合中加入已有基础设施位置，以充分利用已有基础设施。基于5G 异构网络特征，为进一步优化宏微基站联合部署效益，通过网络覆盖重叠度优化目标约束基站部署数量同时优化重要终端处的信干噪比。基于上述优化目标，采用遗传算法进行求解并与已有部署算法进行仿真对比，对比结果证明了TIBSDS 的有效性，该方法可为5G 技术在配电网中的规模化应用提供有价值的参考。