多元QoS约束下电力通信无线资源分配的边缘代理调度方法.docx

1、多元QoS约束下电力通信无线资源分配的边缘代理调度方法张智皓】，冯天波二李秋华，崔昊杨I(1.上海电力大学电子与信息工程学院，上海200090；2.国网上海市电力公司信息通信公司，上海200090；3.国网上海市电力公司浦东供电公司，上海200090)摘要：为满足不同配电通信业务的服务质量要求，BS需要在时变网络条件下实时优化无线资源。提出一种基于级联深度网络的接入网无线资源边缘代理调度方法，将时频资源和发射功率分配给延迟耐受度不同的业务。核心网采用网元功能与专用硬件设备解耦的软切片方法，在保证负荷在规定时长内可靠切除的同时，提高了核心网服务器对不同业务的时空间复用能力。仿真结果表明，多业务并

2、列运行时RTU与协控子站间的接入时延与TDLTE专网相比降低40.76%,相邻第一第二信道间的功率泄露比均高于45dB,满足毫秒级负荷切除业务分路整组动作时延和通信可靠性的要求。将1词：RTU：负砌J除；深®网络；逖彖代网络切片中图分类号:TM933文献标志码:A文章编号：2096-4145(2021)10-0104-09EdgeAgentSchedulingMethodofWirelessResourceAllocationforPowerCommunicationUnderMultipleQosConstraintsZHANGZhihao1,FENGTianbo2,LIQiuye

3、3,CUIHaoyang1(1.CollegeofElectronicandInformationEngineering,ShanghaiUniversityofElectricPower,Shanghai200090,China；2.StateGridInformationandCommunicationCompanyofShanghaiElectricPowerCompany,Shanghai200090,China；3.StateGridShanghaiPudongPowerSupplyCompany,Shanghai200090,China)Abstract:Inordertomeet

4、theservicequalityrequirementsofdifferentpowerdistributioncommunicationservices,basestationsneedtooptimizewirelessresourcesinrealtimeundertime-varyingnetworkconditions.Thepaperproposesacascadeddeepnetwork-basededgeproxyschedulingmethodofaccessnetworkwirelessresourcetoallocatetime-frequencyresourcesan

5、dtransmitpowerfortheserviceswithdifferentdelaytolerances.Furthermore,thecorenetworkadoptsasoftslicemethodinwhichnetworkelementfunctionsaredecoupledfromdedicatedhardwaredevices.Whileensuringthattheloadisreliablyremovedwithinaspecifiedperiodoftime,thecorenetworkserver'stimeandspacemultiplexingcapa

6、bilitiesfordifferentservicesareimproved.ThesimulationresultsshowthattheaccessdelaybetweentheRTUandtheco-controlsub-stationintheparalleloperationofmultipleservicesisreducedby40.76%comparedwiththeTD-LTEprivatenetwork,andthepowerleakageratiobetweentheadjacentfirstandsecondchannelsishigherthan45dB.Itsat

7、isfiestherequirementsofmillisecond-levelloadremovalservicebranchingtimedelayandcommunicationreliabilityfortheentiregroupofactions.Keywords:RTU；loadshedding；deepnetwork；edgeagent；0引言直流双极闭锁故障发展迅速，传统的分钟级、秒级负荷切除手段无法将故障阻断在继电保护的基金项目：国家自然科学基金资助项目(52177185)ProjectSupportedbytheNationalNaturalScienceFoundati

8、onofChina(52177185)networkslicing第二道防线，导致电网解列造成大范围停电。毫秒级负荷切除通过负荷精细化管理可以快速精确平衡功率缺额，稳定母线电压和频率亿-气负控终端(Remoteterminalunit,RTU)作为负荷切除的执行者，其接入协控子站的方式与动作时延和可靠性紧密相关。目前RTU与执行子站间的通信方式可分为光纤和无线专网两类。光纤直连方式通信容量大、抗电磁干扰能力强、稳定性高，但在配电网层面考虑到成本、环境以及对自然灾害的抵御能力等一系列问题，难以实现光纤的全面覆盖缶气针对光纤通信在负荷精控末端难以普及的问题，文献8-10指出在不具备有线接入条件的情

9、况下，无线专网可以作为有线接入的补充。然而，配电管理系统所承担电力通信业务服务质量指标(QualityofService,QoS)的差异性和网络的时变性，导致采用传统轮询、比例公平、最佳信道指示等无线带宽资源分配方法无法同时满足多项业务的时延、接入密度、传输速率等需求。现有基于智能体强化学习的云端决策方法虽然能满足不同业务、不同场景下的资源分配需求,但是该类方法在时延敏感约束下进行无解析解的逼近计算和求解非凸问题时，系统需要进行大量模拟试错以适应时变的信道条件，时间复杂度过高，难以达到实时要求。文献11-13提出利用深度神经网络逼近不同QoS约束下资源分配最优解来提高不同种类服务的资源利用效率

10、。其中文献11证明了无线网络中功率控制的迭代算法可以由全连接神经网络(FullyConnectedNeuralNetwork,FNN)精确逼近。在文献13-14中，卷积神经网络分别用于近似功率控制策略和内容传递策略。文献15在传输速率约束下通过深度网络优化带宽分配和发射功率降低了高可靠低延时(UltraReliableLowLatencyCommunica-tiomURLLC)类业务的排队时延。文献16中推导了误块率与块长度之间的关系，并指出该关系可以作为URLLC类业务通信可靠性约束。然而，由于配电通信网承担多项业务，数据流具有高动态特征,当数据到达过程17、流量模式18或网络大小19发生变

11、化时，离线训练的神经网络在非平稳网络中无法获得良好的性能。文献17-19提出使用深度迁移学习对预训练网络进行微调，但是该方法在配电网快速响应通信中的应用未见报导。因此，探索一种综合考虑时延需求、多业务资源竞争和网络动态特性的无线资源调度模式，成为高弹性电网用户侧友好互动、巩固第二道防线的关键。为保证RTU在多业务并行无线接入的动态信道环境下可靠、同步切除负荷，提出一种无线资源分配的边缘代理级联FNN网络调度方法。在C波段4GHz构筑带宽40MHz,子载波间隔30kHz的毫秒级负荷控制专用逻辑子网，通过把RTU和子站间的TCP/IP数据通信转换成5G新空口时分双工(5GNewRadioTimeD

12、ivisionDuplex,5GNRTDD)无线通信，实现了RTU的无线专网接入，在基站(BaseStation,BS)和多眼:洛复合信道模型下进行了时延和可靠性测试。实验结果表明，该方法能够有效地解决传统离线训练网络场景适应性差、无法动态实时调度无线资源的缺陷，并且具有子站通信时延低、切除负荷可靠性高和时频资源利用效率高的特点。1模型构建RTU执行毫秒级电力负荷精细化切除业务时，首要解决的问题是通过切片优先级划分和分组调度获取BS分配的链路资源，以便接收核心网下发的负荷分组切除指令网。传统分组调度算法、固化的核心网架构和链路资源云端分配模式业务兼容性差、网络时间开销大、QoS保障能力弱，无法

13、满足以毫秒级负荷切除为代表的URLLC类业务对时延和可靠性的要求。文章提出基于边缘代理级联FNN网络的接入网无线资源调度方法、核心网虚拟功能软切片方法(如图1所示)，实现时频资源边端动态调度，网元功能云端选择。缩短了负荷切除下行通信时延，强化了业务子切片间的隔离逻辑，提高了核心网组件的多业务复用能力。修动视频巡检业务切片人彻段远程'抄&业务切片负荷快速切除业务切片-修动视频巡检业务切片人彻段远程'抄&业务切片负荷快速切除业务切片-Hypervior虚拟化组件基础设施层基础设施层儿而置终端核心网金1协控子站图1业务模型Fig.1Businessmodel1.1 接

14、入网无线资源分配模型1.1.1虚拟资源块模型在TDD模式频带划分框架下提出多小区业务模型，同一小区内的移动视频巡检类终端设备和RTU共享下行链路资源，时频资源最小调度单位资源块:(ResourceBlock,RB)由12个子载波间隔和传输可变时间间隔组成(图2所示)。在资源池和终端之间增加了切片层，BS执行资源调度时先将RB分配给业务切片。当不存在其他业务切片时，媒体访问控制器(MediumAccessController,MAC)将邻区所有BS分配给监控状态的终端。图2BS中不同切片占用时频资源块模型Fig.2Time-frequencyresourceblockmodeloccupiedb

15、ydifferentslicesinBS1.1.2边缘代理级联网络调度方法对于配电网承担的多项通信业务，BS缓冲区中的报文按照先到先服务的顺序为其分配资源。对于延迟耐受度较高的大规模远程抄表业务，应优先保证排序队列的稳定性。为了保证队列的稳定性，第姣个智能电表终端在，时刻的的平均服务速率杷.应等于或高于用户的平均数据到达率久，即Rfk>ak(1)对于延迟敏感的移动视频巡检类业务，应该保证其延迟界限和最大可容忍的延迟界限违反概率满足服务要求。由于该类业务的时延要求远远大于信道相干时间，因此只要保证剩余可用容量ER不<小于第&个用户有效带宽EA即可满足QoS要求，即ER>

16、EA(2)kk负荷快速切除业务在队列中占据绝对优先级，数据包应该在到达BS后立即为其分配资源。该类业务发送短报文时采用微时隙，信道编码的块长度比以前的业务短得多。因此短区块长度下的译码错误对负荷切除指令下达可靠性的影响无法忽视。为保证可靠切负荷，译码错误概率成不应超过最大可容忍译码错误概率何，即6u<emax(3)提高资源利用效率，如能源和频谱效率是未来5G网络的重要任务。我们以能量控制效率(EnergyControlEfficiency,ECE)最大问题为例来说明我们的方法。通过改变目标函数，可以很容易地推广到其他资源分配问题。BS的总功耗户皿为：p=1y+pnyp(4)totn匕kk

17、T匕k0PmJ,r共很r式中：Pe(0,l)为功率放大器效率；为各副载波上各天线进行信号处理的功耗；伽,>为移动视频巡检、负荷快速切除、大规模抄表3种类型通信业务的合集M为BS的天线数量；R为固定电路功耗。信噪比(SignalToInterferencePlusNoiseRatio,SINR)为衡量终端动作灵敏度和抗干扰能力的重要的指标，对可靠性建模更实用时。为了简化问题，假定不同BS的每个子载波遵循相同的衰落模式，用作为随机变量表示第s个BS和第个终端之间信道的功率增益。第个终端的SINR的值为:sm=s,n项pmaxttCdcVn/aLs.rn11s9nqs,ns,n(5)式中：尸明

18、为第s个BS第m个子载波的最大发射功率C,为第q个频带的路径损耗常数；N。为单边噪声谱密度；d'为第s个BS与第个终端间的距离；-以为该频'带在复合信道模型下衰减系数；产为二qs,n进制变量，吃为1时表示第s个BS的第m个子载波被终端占用，为0则表示子载波空闲；是介于(1,L)之间的实数，表示BS中被占用的子载波比例。&=1一FI(6)对于每条链路，如果接收的SINR的值低于阈值，则终端无法接收到该指令。因此终端/2与BS第m个子载波建立通信链路的可靠性九可定义为该条链路的SINR的值大于既定阈值的概率。采用FNN网络进行子载波和功率分配时，时频、功率参数输入经过同一输

19、入层量化为网络中的状态变量，量化误差和近似误差交织在一起无法优化。本文提出一种级联FNN结构，如图3所示，降低深度神经网络输入层维度减小近似误差，前置网络用于时频资源块的分配，后置网络为不同子任务分配发射功率。神经网络的参数由均值和单位方差为零的高斯分布随机变量初始化。前置时频分配网络的损失函数定义为：火)云刻。邸了1)-啷1)式中：M为第A类通信业务的训练样本数量；N方载波数据中一个标记的训练样本，N为分配算法输出结果。最佳决策输出虽化误差的反向传播负荷快速切除业务输入远程抄表业务输入图3级联深度网络Fig.3Cascadeddeepnetwork2(8)移动视频巡检业务后置功率分呷网络损失

20、函数定义为：L)=X(log(P*+1)-log(P+1)2nM2k2k1Y1kmt=l式中：P：为功率数据中一个标记的训练样本；Pk为分配算法输出结果。无线资源分配算法流程如图4所示。若要满足不同业务QoS约束下的最优发射功率和载波宽度，实验过程中训练步数达到数千步才能收敛(根据业务类型不同，收敛速度和精度有所不同)。集中单元(CentralizedUnit,CU)代理和BS之间按照图5所示模式进行交互，RB分配按照负荷快切业务信道质量指示(ChannelQualityIndicator,CQI)最佳原则进行。当终端监测到信道质量评价指标融低于顼期时，向与其相连的BS轮询RB余量是否满足分片

21、要求，BS分布式单元(DistributedUnit,DU)接受该请求后除了来自终端采集的端到端传输时延、CQI还将自身观测到的负荷快切业务切片分配到的RB数BRB使用率、时延需求等信息通知给CU代理。1.1.3深度迁移学习图4时频、发射功率分配流程Fig.4Time-frequencyandtransmitpowerallocationprocess图5边缘代理资源块调度Fig.5Edgeagentresourceblockscheduling在配电通信接入网络中，服务请求是高度动态的,不同类型服务的组合情况随时间变化很大。当系统隐藏变量发生改变时，由于现有深度学习网络不能实时计算，无法满足

22、训练新网络对样本数据容量的需求。针对此问题，提出一种深度迁移学习微调网络结构的方法来更新少量训练神经网络所需的样本，不同业务类型所需的发射功率由其QoS约束决定。因此，当业务场景发生改变时只需更新前置网络最后几层的节点权重即可改变时频分配策T8APIs2号T8APIs1号T8APIs用户平面功能m接口会理理心、醪!I、/I云1/分组南/控制匡U.WN/§S略。具体来说，首先训练神经网络来近似移动视频巡检类的最优资源分配策略。然后，针对负荷快速切除和大规模远程抄表的通信需求对神经网络进行微调。1.2 基于虚拟网元的配电通信核心网模型传统4G长期演进(LongTermEvolution,

23、LTE)全IP的分组核心网，网元功能和专用硬件高度耦合，难以实现多业务差异QoS需求背景下网元组件的复用，进行业务类型扩容时一些组件被重复部署,造成资源的浪费“提出一种基于网元功能虚拟化(NetworkFunctionVirtualization,NFV)技术的配电网故障和停电管理服务核心网架构和切片管理编排方法(如图6所示)，基于通用硬件平台为配电网不同通信业务提供可靠的定制化网络服务。核心网切片管理模块通过业务能力开放单元(ServiceCreationEnvironmentFunction,SCEF)、服务仓0建系统(ServiceCreationSystem,SCS)、网络切片模板(N

24、etworkSlicingTemplate,NST),还包括一个网络片代理(NetworkSlicingBusiness,NSB),NSB位于运营商的网络管理系统(NetworkManagementSystem,NMS)中，通过SCEF/NEF的应用程序接口(ApplicationProgrammingInterface,API)连接到协控子站，子站可以通过NSB编译将业务通信服务要求转换成NSTs中的技术要求，动态地请求和租赁核心网资源。图6核心网切片架构和编排Fig.6Architectureandorchestrationofcorenetworkslice2模型验证2.1NRBS4G和

25、5GBS模型比较如图7所示，原4GLTEBS的射频拉远单元(RemoteRadioUnit,RRU)和无源天线合并为有源天线单元(ActiveAntennaUnit,AAU),以减少信号在前传部分的馈线损耗。原基带单元(BaseBandUnit,BBU)的部分物理层处理功能和非实时部分将分割出来，重新定义为集中单元，负责处理非实时协议和服务。图74G和5GBS模型比较Fig.7Comparisonof4Gand5Gbasestationmodels2.2无线衰落信道文献3中负荷切换成功率、子站和RTU间的平均通信延时均为理想情况下测得，文献4中信道模型构建时仅考虑了建筑物遮挡造成阴影效应引发的

26、大尺度衰落和路径损耗，实际终端接入5GBS的过程中，特别是存在大量散射无线信号的建筑密集场景下,多径效应引发的小尺度衰落同样不可忽视网。采用计及城市环境高度建设对无线电信号的影响建立的城镇宏区(UrbanMacroArea,UMA)损失模型来模拟无线信号的衰落。3仿真与分析采用级联深度神经网络逼近最优资源分配策略时，其逼近精度定义为网络输出与最优解之间的差距：q一您*2(9)大规模远程抄表业务的通信时延敏感性较低，计算效率的提升对服务质量改善效果不明显。因此仅对负荷快速切除移动和视频巡检类通信业务的算法收敛性进行分析。如图8(b)所示，对于时延敏感性最高的负荷快速切除类通信业务，训练周期由采用

27、随机初始化策略时的2x10,步(蓝色曲线)缩短至迁移学习后的0.15X103步(红色曲线)左右，逼近精度稳定在98%O仿真结果表明，时延敏感性较高的负荷快速切除类通信业务可以获得更高的逼近精度，时延敏感性较低的移动视频巡检类通信业务收敛速度提升更明显。由于网络资源分配效率的提升，BS资源冗余率降低，时频和功率资源得以被更充分的利用。使用Matlab对多业务并列运行状态下RTU采集负荷可切量上传至负荷协控子站，协控子站向RTU下发切图8不同电力场景下算法收敛性Fig.8Algorithmconvergenceindifferentpowerscenarios负荷指令，终端动作并切除负荷，然后上传

28、实切量的过程进行仿真。子站与RTU之间采用TCP协议图8不同电力场景下算法收敛性Fig.8Algorithmconvergenceindifferentpowerscenarios负荷指令，终端动作并切除负荷，然后上传实切量的过程进行仿真。子站与RTU之间采用TCP协议通信，上下行切换周期2ms,无线帧长32Byte,混合自动重传请求机制(HybridAutomaticRepeatRequest,HARQ)启用，无线传播损耗(Propagationloss,PL)计算采用UMA模型。PLuma=28.0+40lg(6?3D)+20gfc-(10)9ig(t/J+(/iBS-M2)式中：/如为B

29、S天线有效高度；瞄为RTU天线有效高度；4d为BS天线与终端天线之间的直线距离；兀为信道频率；4,为BS覆盖半径。9ig(t/J+(/iBS-M2)式中：/如为BS天线有效高度；瞄为RTU天线有效高度；4d为BS天线与终端天线之间的直线距离；兀为信道频率；4,为BS覆盖半径。其余参数设置参见表lo表1仿真参数Table1Simulationparameters3.1时延测试RTU执行负荷切除指令时负荷协控子站与终端之间通信时延由以下各部分组成：协控子站、BS和RTU多帧确认时间Tmc,核心网服务器与接入网BSDU单元之间光纤承载网传输时延Tof,空口下行时延兀和上下行切换周期R,RTU通过用户

30、前置设备(CustomerPremiseEquipment,CPE)中继接入时还应考虑空口中继时延几。因此经过CPE中继接入的RTU与子站之间的通信时延几计算为：几=37mc+ad+Tus+Tra(11)RTU通过空口中继接入BS,指定终端执行50次负荷切除指令，实验结果显示：执行50次负荷切除指令，协控子站和RTU间平均通信延时是27.25mso子站端到负荷端的时延测试结果表明，位于热点区域的终端接入子站的通信时延降低40.76%,对于大功率缺失时通过负荷毫秒级精确切除改善无功分布，增强负荷调控第二道防线的快速反应能力具有重大意义。3.2 可靠性测试3.2.1信道质量测试CQI是表征信道传输

31、质量和可用性的重要参量242%sinr与CQI之间的映射关系按照3GPPR16给出的配电业务下行通信误块率小于0.01%时的CQI索引执行，图9为深度迁移级联FNN网络和FNN网络进行资源块调度时每台用户设备(UserEquipments,UE)的时频资源占用情况。在时频资源块总储量相同的情况下，采用深度迁移级联FNN网络能显著提升可用资源块的占比，降低了负荷切除过程中由于空口下行链路连续分配到过多不可用资源块，导致实时速率抖动过大，以及由此引发的负荷切除指令下发中断的可能性。同时，资源块裕量增加10%,提高了电力无线专网处理非周期接入性电力通信业务的能力。10仿真时LZ/50ms(a)FNN

32、05101520仿真时LZ/50ms(b)深度迁移级联FNN图9资源利用率Fig.9Diagramshowingresourceutilizationrate3.2.2两种混合自动重传机制的网络开销测试文献3和4均启用了TD-LTE协议中的HARQ,当链路可靠性An低于95%或者终端接收的误码长度超出纠错能力口寸，调用CQI的值210的RB重发该无线帧，提高RTU接收到误码时负荷切除的成功率并取得了显著效果。文章在无线帧重传过程启用NR协议中改进的HARQ机制，上下行均采用非同步混合自动重传，以提高时隙配置的灵活性。为保证终端在无线帧重传过程中锁定数据包位置，无线帧结构DCI部分增加了HARQ

33、ID字段，导致每台UE的网络开销略有提升(如图10所示)，但51015仿真时长/50ms(a)TD-LTEHARQ机制卜负荷快速切除通信BS吞吐咕2Csdqkvwir还0510152C仿真时长/50ms(b)TDLTEHARQ机制卜负荷快速切除通信BS有效吞吐量sdw*W51015仿真时K/50ms(c)5GHARQ机制卜负荷快速切除通信BS芬吐量0510152C仿.时K/50ms(d)5GHARQ机制卜负荷快速切除通信BS有效吞吐虽图10两种HARQ机制下切除负荷的网络开销Fig.10NetworkoverheadofloadsheddingundertwoHARQmechanisms时隙调

34、度更加灵活，在小区(Cell)内RB总量相同情况下，区内有效吞吐量增加25%,提高了RB利用效率。在50次负荷切除试验中，RTU接收并执行负荷切除指令的成功率为100%,满足负荷切除过程中对通信可靠性的要求。3.2.3隔离性能测试邻道功率泄露比(AdjacentChannelPowerLeakageRatio,ACLR)作为表征信道间隔离性能的参数直接反应负荷切除业务与其他电力业务之间的资源竞争情况。通过设置滑动窗口观察BS下行主信道发射功率在频域两个相邻信道之间的泄露情况，毫秒级负荷精确控制业务切片占用的主信道泄露功率的观察结果如图11(a)所示，移动视频巡检类业务切片占用的主信道泄露功率的

35、观察结果如图11(b)所示，对邻道泄露功率进行离散傅里叶变换(DiscreteFourierTransform,DFT),结果与主信道发射功率的比值即为相邻信道一个OFDM符号时间的平均功率泄露比，如图12所示，结果显示两类业务切片在同一BS内并列运行时，其占用的下行主信道在第一邻道和第二邻道功率泄露比均高于45dB,满足3GPPR16中接收端对邻道信号的辨识度要求。度要求。频率/MHz(b)负荷快速切除类通信业务邻道路泄露功率谱图11相邻信道归一化泄露功率Fig.11Adjacentchannelnormalizedleakagepower100801008078.6功率泄露比下限78.66

36、040202-2-10相邻信道编号(a)移动视频巡检类通信业务邻道功率泄森比(b)负荷快速切除类通信业务邻道泄露比图12相邻信道功率泄露比Fig.12Adjacentchannelpowerleakagerate结语针对现有无线资源调度方法实时处理能力低下，不适用配电通信网高动态流量场景下的问题，提出一种无线资源分配的边缘代理级联FNN网络调度方法，并通过系统级仿真验证了多业务复用电力通信专网场景下RTU接收并执行负荷切除指令的时延和可靠性。结果表明，本方法显著降低了接入时延，实现了不同业务子信道之间的可靠隔离，提升了BS应对非周期性接入业务的鲁棒性。在业务类型少、QoS指标差异明显场景下负荷

37、切除的可靠性和时延表现优异，但多切片类型、QoS指标差异较小的大密度终端接入场景下调度模式还需进一步探索。参考文献1 尚芳M李信，翟迪，等智能电网中两阶段网络切片资源分配技术J.计算机应用，2021,41(7):2033-2038.SHANGFangjian,LIXin,ZHAIDi,etal.Two-stagenetworkslicingresourceallocationtechnologyinsmartgridJ.JournalofComputerApplications,2021,41(7):2033-2038.2 尹积军，夏清.能源互联网形态下多元融合高弹性电网的概念设计与探索J.中

38、国电机工程学报，2021,41(2):486-497.YINJijun,XIAQing.ConceptualdesignandexplorationofmultiintegratedandhighlyresilientgridundertheformofenergyInternetJ.ProceedingsoftheCSEE,2021,41(2):486-497.3 陈军，庞晓燕，赵子涵，等应对特高压换流站紧急故障的负荷快切通信关键技术研究J.电力系统保护与控制，2018,46(7):157-163.CHENJun,PANGXiaoyan,ZHAOZihan,etal.Researchonke

39、ytechnologyofloadfastcontrolcommunicationforcriticalfaultinultrahighvoltageconverterstation|.PowerSystemProtectionandControl,2018,46(7):157-163.4 彭在兴，王颂，陈曦新电改背景下电力设备智能化研究J.高压电器，2020,56(6):1-6,12.PENGZaixing,WANGSong,CHENXi.ResearchonintelligentpowerequipmentunderthebackgroundofnewpowerreformJ.HighVo

40、ltageApparatus,2020,56(6):l-6,12.5 廖毅，高毓群，简翔浩，等多端柔性直流配网过电压防护方案对过电流影响研究J.电瓷避雷器，2020(5):75-83.LIAOYi,GAOYuqun,JIANXianghao,etal.Studyontheinfluenceofmulti-terminalflexibleDCdistributionnetworkovervoltageprotectionschemeonovercurrentJ.InsulatorsandSurgeArresters,2020(5):75-83.6 欧繁，范心明，彭元泉，等.主动配电网中多端柔性多

41、状态开关的选址定容优化J.电力电容器与无功补偿,2021,42(1):142-149.OUFan,FANXinming,PENGYuanquan,etal.Siteselectionandcapacityoptimizationofmulti-terminalflexiblemulti-stateswitchesinactivedistributionnetworks).PowerCapacitorandReactivePowerCompensation,2021,42(1):142-149.7 杨成钢，赵建文，金华芳，等基于低压配电网三相负荷不平衡时的自决策方案研究J.电力电容器与无功补偿，

42、2020,41(6):115-119.YANGChenggang,ZHAOJianwen,JINHuafang,etal.Researchonself-decisionschemebasedonlow-voltagedistributionnetworkwhenthree-phaseloadisunbalancedJ.PowerCapacitorandReactivePowerCompensation,2020,41(6):115-119.8 罗义军，杨凡，李劲.电力无线专网规划精准实测设备的FPGA设计与实现J.仪表技术与传感器，2021:67-71.LUOYijun,YANGFan,LIJ

43、in.FPGAdesignandimplementationofaccuratemeasurementequipmentforelectricpowerwirelessprivatenetworkplanningJ.InstrumentTechniqueandSensor,2021(3):67-71.9 殷伟，颜云松，等精准负荷控制系统的快速通信接口方案设计J.电力系统自动化,2018,42(10):143-149,YINWei,YANYunsong,PANQi,etal.Designoffastcommunicationinterfaceforprecisionloadcontrolsyst

44、emJ.AutomationofElectricPowerSystems,2018,42(10):143-149.10 郑力明，田晓波.一种基于5G的可变频率监控数据处理终端J.电子设计工程，2021,29(1):101-105.ZHENGLiming,TIANXiaobo.A5G-basedvariablefrequencymonitoringdataprocessingterminalJ.ElectronicDesignEngineering,2021,29(1):101-105.11 SUNH,CHENX,SHIQ,etal.Learningtooptimize:trainingdeep

45、neuralnetworksforinterferencemanagementJ.IEEETransactionsonSignalProcess,2018,66(20):5438-5453.12 LIANGF,SHENC,YUW,etal.TowardsoptimalpowercontrolviaensemblingdeepneuralnetworksJ.IEEETransactionsonCommunication,2020,68:1760-1776.13 ZAPPONEA,DIRENZOM,DEBBAHM,etal,Model-aidedwirelessartificialintellig

46、ence:embeddingexpertknowledgeindeepneuralnetworksforwirelesssystemoptimization。.IEEETransactionsonVehicularTechnology,2019,14(3):60-69.14 LEEW,KIMM,CHODH.Deeppowercontrol:transmitpowercontrolschemebasedonconvolutionalneuralnetworkJ.IEEECommunicationsLetters,2018,22(6):1276-1279.15 左旭彤，王莫为，崔勇.低时延网络:架

47、构，关键场景与研究展望J.通信学报，2019,40(8):22-35.ZUOXutong,WANGMowei,CUIYong.Low-latencynetworking:architecture,keyscenariosandresearchprospectJ.JournalofCommunications,2019,40(8):22-35.16 YANGW,DURISIG,KOCHT,etal.Quasi-staticmultipleantennafadingchannelsatfiniteblocklengthJ.IEEETransactiononInformationTheory,201

48、4,60(7):4232-4264.17 CHENM,SAADW,YINC,etal.Datacorrelation-awareresourcemanagementinwirelessvirtualreality(VR):anechostatetransferlearningapproachfj.IEEETransactionsonCommunications,2019,67(6):4267-4280.18 ZHANGC,ZHANGH,QIAOJ,etal.Deeptransferlearningforintelligentcellulartrafficpredictionbasedoncro

49、ss-domainbigdataJ.IEEEJournalonSelectedAreasinCommunications,2019,37(6):1389-1401.19 YAOQ,YANGH,YUA,etal.Transductivetransferlearningbasedspectrumoptimizationforresourcereservationinseven-coreelasticopticalnetworks|.JournalofLightwaveTechnology,2019,37(16):4164-4172.20 黄韬，汪硕，黄玉栋，等确定性网络研究综述J.通信学报，201

50、9,40(6):160-176.HUANGTao,WANGShuo,HUANGYudongetal.Summaryofdeterministicnetworkresearch).JournalonCommunications,2019,40(6):160-176.21 马璐，王鲁啥，陈炜，等服务化的5G核心网切片管理系统研究与实现J.北京邮电大学学报,2018,41(5):78-85.MALu,WANGLuhan,CHENWei,etal.Researchandimplementationofserviceoriented5GcorenetworkslicemanagementsystemJ.

51、JournalofBeijingUniversityofPostsandTelecommunications,2018,41(5):78-85.22 GARGS,KAURK,KADDOUMG,etal.SDN-NFV-aidededge-cloudinterplayfor5G-envisionedenergyinternetecosystem).IEEENetwork,2021,35(1):356-364.23 KIMY,GILJM,KIMD.Alocation-awarenetworkvirtualizationandreconfigurationfor5Gcorenetworkbasedo

52、nSDNandNFV).InternationalJournalofCommunicationSystems,2021,37(7):4160.24 ZHANGS,XUS,UGY,etal.First20YearsofGreenRadiosJ.IEEETransactionsonGreenCommunicationsandNetworking,2020,4(1):1-15.25 NIKANDISHGT,STASZEWSKIRB,ZHUA,Afullyintegratedgandual-channelpoweramplifierwithcrosstalksuppressionfor5Gmassiv

53、eMIMOtransmittersJ.IEEETransactionsonCircuitsandSystemsII:ExpressBriefs.2021,68(1):246-250.(责任编辑张健)收稿日期：2021-05-30；修改日期：2021-09-05作者简介：张智皓(1994),男，山东临沂人，硕士研究生，主要从事电力5G通信与网络切片方面的研究。崔昊杨(1978),男，通信作者，吉林四平人，博士，教授，从事电力设备状态检测、红外探测与检测研究。(上接第58页)CHANGXin,HANMinxiao,ZHENGChao.Applicationofvariablespeedpumpedstoragewithfull-sizeconverterinthelarge-scalewindpowergenerationsystemcomplementarywit