摘 要：針對電力通信網(wǎng)差異化業(yè)務(wù)編排問題，首先構(gòu)造基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)框架，通過業(yè)務(wù)層與SDN控制層完成配電網(wǎng)數(shù)據(jù)交互，支撐配網(wǎng)多種不同優(yōu)先級電力通信網(wǎng)業(yè)務(wù)的正常運行。其次，提出基于自適應(yīng)業(yè)務(wù)優(yōu)先級感知的電力通信網(wǎng)智能業(yè)務(wù)編排算法，根據(jù)不同業(yè)務(wù)優(yōu)先級自適應(yīng)調(diào)節(jié)探索因子，權(quán)衡不同優(yōu)先級業(yè)務(wù)搖臂選擇時的探索和利用的傾向，從而保證高優(yōu)先級業(yè)務(wù)的高可靠傳輸?shù)耐瑫r降低網(wǎng)絡(luò)開銷。最后，通過算例分析驗證所提技術(shù)在能效、時延等方面的性能優(yōu)勢。文章的研究內(nèi)容能為電力通信網(wǎng)差異化業(yè)務(wù)數(shù)據(jù)流低時延高效傳輸提供參考，從而支撐電力通信網(wǎng)高效運行。

關(guān)鍵詞：電力通信網(wǎng)；SDN；彈性光網(wǎng)絡(luò)；業(yè)務(wù)編排；業(yè)務(wù)優(yōu)先級感知

DOI：10.15938/j.jhust.2024.03.012

中圖分類號： TM734

文獻標(biāo)志碼： A

文章編號： 1007-2683（2024）03-0099-08

SDN Elastic Optical Network-based Intelligent Service

Orchestration for Power Communication Network

KANG Zhongmiao1， WU Zanhong1， ZHANG Peiming1， HUANG Donghai1，

BAO Yuben1， LU Wenbing2， ZHANG Sunxuan2

（1.Electric Power Dispatching and Control Center， Guangdong Power Grid Corporation， Guangzhou 510600， China;

2.School of Electrical and Electronic Engineering， North China Electric Power University， Beijing 102206， China）

Abstract：Aiming at the differentiated service orchestration for power communication network， this paper firstly constructs a power communication network architecture based on SDN elastic optical network and completes the data exchange between the service layer and the SDN control layer to support the normal operation of a variety of power communication network services with different priorities in the distribution network. Secondly， an adaptive service priority-aware learning-based service orchestration algorithm for power communication network is proposed， which adaptively adjusts the exploration factor according to different service priorities and balances the exploration and exploitation of different priority service arm selections， thereby ensuring the high transmission of high-priority service and reducing the network cost. Finally， the performance advantages of the proposed algorithm in terms of energy efficiency and delay are verified by numerical analysis. The research content of this paper can provide a reference for the low-latency and efficient transmission of differentiated service data flow of power communication network， thereby supporting the efficient operation of power communication network.

Keywords：power communication network; SDN; elastic optical network; service orchestration; service priority awareness

0 引 言

隨著“碳達峰、碳中和”背景下高比例清潔能源、海量電力傳感器及智能配電終端的接入，電力通信網(wǎng)感知信息的數(shù)據(jù)量和維度都呈現(xiàn)爆發(fā)式增長，給路由、傳輸頻譜等資源有限的電力通信網(wǎng)帶來巨大挑戰(zhàn)［1-3］。因此，亟需解決電力通信網(wǎng)有限的路由和頻譜資源的合理編排，保障海量電力業(yè)務(wù)數(shù)據(jù)的低時延高效傳輸。

基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)能夠?qū)W(wǎng)絡(luò)資源進行細粒度的優(yōu)化調(diào)度，有效提高電力通信網(wǎng)業(yè)務(wù)承載能力［4］。一方面，SDN彈性光網(wǎng)絡(luò)將控制層與數(shù)據(jù)層分離，實現(xiàn)開放式網(wǎng)絡(luò)功能開發(fā)和頻譜靈活控制［5-6］。另一方面，SDN彈性光網(wǎng)絡(luò)根據(jù)電網(wǎng)內(nèi)差異化業(yè)務(wù)需求，通過頻隙的動態(tài)分配來實現(xiàn)更小粒度的通信頻譜調(diào)度［7］。然而，電力通信網(wǎng)中多種不同服務(wù)質(zhì)量（quality of service，QoS）指標(biāo)之間存在耦合［8-9］，例如通過為業(yè)務(wù)數(shù)據(jù)流選擇合適路由和傳輸頻譜能夠有效降低時延，但可能導(dǎo)致能效下降；反之，提升傳輸能效可能導(dǎo)致數(shù)據(jù)流傳輸時延性能的惡化。此外，網(wǎng)絡(luò)中的鏈路狀態(tài)和頻譜狀態(tài)具有高度時變的特點，難以獲取網(wǎng)絡(luò)全局狀態(tài)信息，導(dǎo)致傳統(tǒng)基于全局狀態(tài)信息的業(yè)務(wù)編排方法不再適用［10-11］。因此，如何根據(jù)動態(tài)、未知的網(wǎng)絡(luò)狀態(tài)信息來實現(xiàn)電力通信網(wǎng)絡(luò)路由選擇和頻譜分配的聯(lián)合優(yōu)化，保障輸配電業(yè)務(wù)的差異化QoS需求，已成為研究重點［12-14］。

近年來，已有眾多國內(nèi)外學(xué)者針對電力通信網(wǎng)業(yè)務(wù)編排問題展開了研究。文［15］在SDN控制器輔助下，提出了一種基于機器學(xué)習(xí)的動態(tài)預(yù)測性路由方案，通過估計網(wǎng)絡(luò)拓撲頻繁變化下設(shè)備請求的成功傳輸概率和平均時延，計算出最優(yōu)路由，實現(xiàn)電力通信網(wǎng)智能業(yè)務(wù)編排，最大限度減少通信時延。然而，上述文獻只優(yōu)化了業(yè)務(wù)通信時延，忽略了時延、能耗等多種業(yè)務(wù)需求指標(biāo)的聯(lián)合優(yōu)化。文［16］提出一種基于機器學(xué)習(xí)的業(yè)務(wù)編排方案，通過設(shè)計負載均衡路由算法，并基于神經(jīng)網(wǎng)絡(luò)預(yù)測隊列利用率，實現(xiàn)最小化平均時延及能耗。然而，上述文獻忽略了非全局信息下的業(yè)務(wù)編排。文［17］提出一種基于機器學(xué)習(xí)的節(jié)能業(yè)務(wù)編排方案，通過節(jié)點功耗、傳輸速率等因素訓(xùn)練機器學(xué)習(xí)模型，選擇網(wǎng)絡(luò)能耗最小的路由實現(xiàn)業(yè)務(wù)數(shù)據(jù)流高效傳輸。然而，上述文獻忽略了電力通信網(wǎng)業(yè)務(wù)優(yōu)先級差異化，難以針對不同業(yè)務(wù)實現(xiàn)電力通信網(wǎng)路由、頻譜等資源的合理、靈活、智能編排。

針對上述問題，本文首先構(gòu)建基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)框架，并提出路由選擇和頻譜分配的聯(lián)合編排優(yōu)化問題。優(yōu)化目標(biāo)是在光干信噪比、業(yè)務(wù)時延和頻譜約束下最小化網(wǎng)絡(luò)開銷函數(shù)。其次，提出基于自適應(yīng)業(yè)務(wù)優(yōu)先級感知的電力通信網(wǎng)智能業(yè)務(wù)編排算法，基于歷史信息學(xué)習(xí)最優(yōu)業(yè)務(wù)編排策略，并根據(jù)業(yè)務(wù)優(yōu)先級合理調(diào)整優(yōu)化決策，實現(xiàn)非全局狀態(tài)信息下的智能業(yè)務(wù)編排。該算法復(fù)雜度較低，便于工程推廣與規(guī)?；瘧?yīng)用。

1 架構(gòu)及模型

1.1 基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)架構(gòu)

本文提出的基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)架構(gòu)由業(yè)務(wù)層、SDN控制層和數(shù)據(jù)傳輸層組成，如圖1所示，詳細介紹如下。

業(yè)務(wù)層與SDN控制層完成配電網(wǎng)數(shù)據(jù)交互，以支撐配網(wǎng)差動保護業(yè)務(wù)，計量自動化業(yè)務(wù)，輸電線路狀態(tài)監(jiān)測業(yè)務(wù)，充電樁狀態(tài)監(jiān)測業(yè)務(wù)等多種不同優(yōu)先級電力通信網(wǎng)業(yè)務(wù)的正常運行。SDN控制層包含SDN控制器，能夠獲取數(shù)據(jù)傳輸層中彈性光網(wǎng)絡(luò)的網(wǎng)絡(luò)拓撲，周期性查詢光路由節(jié)點信息，進行業(yè)務(wù)編排決策，并向?qū)?yīng)的光路由節(jié)點發(fā)送業(yè)務(wù)編排策略。數(shù)據(jù)傳輸層由彈性光網(wǎng)絡(luò)中的光路由節(jié)點組成，為業(yè)務(wù)數(shù)據(jù)流提供傳輸服務(wù)，并將業(yè)務(wù)編排信息反饋給SDN控制層。

1.2 系統(tǒng)模型

該節(jié)主要介紹融合基于SDN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)業(yè)務(wù)編排系統(tǒng)模型，并對傳輸時延、能效模型以及優(yōu)化問題建模展開介紹?；赟DN彈性光網(wǎng)絡(luò)的電力通信網(wǎng)網(wǎng)絡(luò)拓撲由一個有向圖G（Y，L）表示。Y表示拓撲中的節(jié)點集合，L表示網(wǎng)絡(luò)拓撲中光路連接集合。拓撲中包含M個節(jié)點，集合表示為Y={y1，…，ym，…，yM}。y1和yM分別為網(wǎng)絡(luò)拓撲中的源節(jié)點和目標(biāo)節(jié)點，集合中的其余節(jié)點表示中繼節(jié)點。在y1和yM之間存在F條光路連接路徑，集合表示為L={L1，…，Lf，…，LF}。Lf中的節(jié)點集合表示為Af={q1f，…，qzf，…，qZf}，節(jié)點順序從源節(jié)點到目標(biāo)節(jié)點。文章將整個時間周期劃分為I次迭代，迭代集合表示為I={1，…，i，…，I}。

1.2.1 電力通信網(wǎng)業(yè)務(wù)編排傳輸時延模型

電力通信網(wǎng)基于光正交頻分復(fù)用傳輸業(yè)務(wù)數(shù)據(jù)流［18-20］。定義Bk（i）為第i次迭代傳輸業(yè)務(wù)數(shù)據(jù)流占用的頻譜等級。將可用頻譜分為K個等級，集合表示為B={b，2b，…，kb，…，Kb}，其中，b表示每個子載波的頻譜，即頻隙。Kb滿足0<Kb≤Bmax，Bmax為最大可分配頻譜。

從qzf到qz+1f的數(shù)據(jù)流傳輸速率表示為

Rz，z+1k，f（i）=Bk（i）log2（1+γz，z+1f（i））（1）

其中：γz，z+1f（i）=P0hz，z+1f（i）/（σASE+σ0）表示qzf和qz+1f之間的光信干噪比；P0為傳輸功率譜密度；hz，z+1f（i）為光路增益；σASE和σ0分別為自發(fā)輻射噪聲功率和高斯白噪聲功率。

從qzf到qz+1f的數(shù)據(jù)流傳輸時延Dz，z+1k，f（i）和路由Lf上的總傳輸時延Dk，f（i）分別表示為

Dz，z+1k，f（i）=U（i）Rz，z+1k，f（i），Dk，f（i）=∑Z－1z=1Dz，z+1k，f（i）（2）

設(shè)置業(yè)務(wù)編排中路由選擇指示變量和頻譜分配指示變量分別為xf（i）和tk（i）。xf（i）=1表示第i次迭代選擇路由Lf，否則xf（i）=0。同理，tk（i）=1時表示選擇Bk（i），即業(yè)務(wù)在第i次迭代占用頻譜kb傳輸數(shù)據(jù)流，否則tk（i）=0。因此，第i次迭代業(yè)務(wù)數(shù)據(jù)流總傳輸時延表示為

τSum（i）=∑Ff=1∑Kk=1xf（i）tk（i）Dk，f（i）（3）

1.2.2 電力通信網(wǎng)業(yè)務(wù)編排能效模型

第i次迭代從qzf到qz+1f的數(shù)據(jù)流傳輸能耗Hz，z+1k，f（i）和路由Lf上的總傳輸能耗Hk，f（i）分別表示為

Hz，z+1k，f（i）=Bk（i）P0Dz，z+1k，f（i）

Hk，f（i）=∑Z－1z=1Hz，z+1k，f（i）（4）

假設(shè)Cf，k（i）為第i次迭代業(yè)務(wù)數(shù)據(jù)流的傳輸能效，定義為單位頻譜單位能耗傳輸?shù)臄?shù)據(jù)流大小。Cf，k（i）表示為

Cf，k（i）=U（i）Bk（i）Hf，k（i）（5）

其中：U（i）表示第i次迭代業(yè)務(wù)產(chǎn)生的數(shù)據(jù)流大小。因此，第i次迭代業(yè)務(wù)數(shù)據(jù)流總能效εSum（i）表示為

εSum（i）=∑Ff=1∑Kk=1xf（i）tk（i）Cf，k（i）（6）

1.3 電力通信網(wǎng)業(yè)務(wù)編排問題建模

本文的優(yōu)化目標(biāo)是通過聯(lián)合編排優(yōu)化路由選擇和頻譜分配以最小化網(wǎng)絡(luò)開銷函數(shù)，開銷函數(shù)定義為電力通信網(wǎng)業(yè)務(wù)數(shù)據(jù)流總傳輸時延與總傳輸能效的加權(quán)差。電力通信網(wǎng)業(yè)務(wù)編排優(yōu)化問題可建模為如下：

s.t.min{xf（i）}，{tk（i）}1I∑Ii=1（τSum（i）－WεSum（i））

C1：∑Ff=1xf（i）=1，∑Kk=1tk（i）=1，i，Lf，Bk（i）

C2：Bk（i）≥Bmin，i，Bk（i）

C3：γz，z+1f（i）≤γmin，i，Lf，qzf，qz+1f（7）

其中：γmin表示光信干噪比閾值；C1表示路由選擇約束和頻譜分配約束，即每次迭代y1只能選擇一條路由傳輸業(yè)務(wù)數(shù)據(jù)流，每次迭代y1只能選擇一種頻譜等級；C2表示頻譜等級約束；C3表示光干信噪比約束。

2 算法設(shè)計

本節(jié)介紹面向電網(wǎng)生產(chǎn)設(shè)備智能運維的云邊協(xié)同數(shù)據(jù)處理模型，以及云邊協(xié)同數(shù)據(jù)處理優(yōu)化問題構(gòu)建。

2.1 問題轉(zhuǎn)化

上述建模的電力通信網(wǎng)業(yè)務(wù)編排優(yōu)化問題可被視為一個多臂賭博機問題。在多臂賭博機問題中，SDN控制器被視為是決策者。業(yè)務(wù)編排動作被視為搖臂，集合表示為O={o1，1，…，of，k，…，oF，K}。SDN控制器選擇搖臂of，k的獎勵f，k（i）定義為總傳輸時延和總傳輸能效加權(quán)差的負值，即f，k（i）=-（Df，k（i）-WCf，k（i））。

ε貪婪算法是一種傳統(tǒng)求解多臂賭博機問題的方法。然而，該算法在求解過程中探索因子ε固定，無法根據(jù)電力通信網(wǎng)多業(yè)務(wù)優(yōu)先級進行自適應(yīng)調(diào)節(jié)，導(dǎo)致部分高優(yōu)先級業(yè)務(wù)需求難以滿足。因此，本文提出了一種基于自適應(yīng)業(yè)務(wù)優(yōu)先級感知的電力通信網(wǎng)智能業(yè)務(wù)編排算法，該算法對傳統(tǒng)ε貪婪算法進行改進，能夠在求解過程中根據(jù)不同業(yè)務(wù)優(yōu)先級自適應(yīng)調(diào)節(jié)探索因子，從而滿足不同優(yōu)先級差異化業(yè)務(wù)需求。

2.2 基于自適應(yīng)業(yè)務(wù)優(yōu)先級感知的電力通信網(wǎng)智能業(yè)務(wù)編排算法

所提算法通過設(shè)置合理的探索因子權(quán)衡搖臂的“探索”和“利用”。具體來說，“探索”表示決策者隨機選擇一個搖臂；“利用”表示決策者選擇當(dāng)前獎勵平均值最高的搖臂。進一步地，所提算法可以根據(jù)業(yè)務(wù)優(yōu)先級自適應(yīng)調(diào)節(jié)探索因子。第i次迭代的探索因子ε（i）定義如下：

ε（i）=11+eαρ（i）（8）

其中：ρ（i）表示第i次迭代業(yè)務(wù)數(shù)據(jù)流的優(yōu)先級；α為自適應(yīng)調(diào)節(jié)因子，通過自適應(yīng)調(diào)節(jié)因子與業(yè)務(wù)數(shù)據(jù)流的優(yōu)先級進行運算，以對探索因子進行動態(tài)調(diào)節(jié)，實現(xiàn)不同業(yè)務(wù)優(yōu)先級時的探索因子自適應(yīng)改變。當(dāng)電力通信網(wǎng)業(yè)務(wù)優(yōu)先級較高時，將自適應(yīng)減小探索因子，減少不必要“探索”導(dǎo)致的性能下降，保證高優(yōu)先級業(yè)務(wù)的高可靠傳輸，當(dāng)電力通信網(wǎng)業(yè)務(wù)優(yōu)先級較低時，將增大探索因子，“探索”具有更優(yōu)性能的業(yè)務(wù)編排策略，降低網(wǎng)絡(luò)開銷函數(shù)。通過權(quán)衡搖臂的“探索”和“利用”，保證高優(yōu)先級業(yè)務(wù)的高可靠傳輸?shù)耐瑫r降低網(wǎng)絡(luò)開銷，實現(xiàn)電力通信網(wǎng)合理、靈活、智能業(yè)務(wù)編排。算法實施流程圖如圖2所示，主要包含初始化、電力業(yè)務(wù)編排優(yōu)化和業(yè)務(wù)編排平均獎勵和次數(shù)更新3個階段：

階段1：初始化

1）初始化xf（i）=0，tk（i）=0和nf，k（i）=0，其中，nf，k（i）表示選擇搖臂of，k的次數(shù)。

2）當(dāng)i≤FK時，SDN控制器依次選擇每個搖臂獲得初始值。

階段2：業(yè)務(wù)編排動作選擇

3）生成隨機數(shù)μSymbolNC@（0，1）。

4）當(dāng)μ>ε（i）時，SDN控制器選擇獎勵平均值最高的搖臂。當(dāng)μ≤ε（i）時，SDN控制器任意選擇一個搖臂。

階段3：業(yè)務(wù)編排平均獎勵和次數(shù)更新

5）SDN控制器觀察電力通信網(wǎng)業(yè)務(wù)數(shù)據(jù)流總傳輸時延和總傳輸能效性能。

6）更新第i次迭代選擇搖臂of，k得到的平均獎勵f，k（i），更新公式如下：

—f，k（i）=—f，k（i－1）nf，k（i－1）+f，k（i）xf（i）tk（i）nf，k（i－1）+xf（i）tk（i）（9）

其中—f，k（i-1）表示截止到第i-1次迭代搖臂of，k的平均獎勵。

7）更新第i次迭代選擇搖臂of，k的次數(shù)nf，k（i），更新的公式如下：

nf，k（i）=nf，k（i－1）+xf（i）tk（i）（10）

8）當(dāng)i>I時，算法結(jié)束。

所提算法在電力通信網(wǎng)業(yè)務(wù)編排的工程化應(yīng)用中具有先進性和實用性。一方面，與已有基于全局信息的通信業(yè)務(wù)編排方法相比，所提算法僅利用終端本地歷史信息，通過權(quán)衡探索和利用，動態(tài)學(xué)習(xí)頻譜和路由選擇決策，而無需獲取電力通信網(wǎng)的全局信息，算法實施復(fù)雜度低，實用性強，便于電力通信網(wǎng)智能編排的推廣應(yīng)用。另一方面，與現(xiàn)有學(xué)習(xí)算法相比，在獎勵函數(shù)的構(gòu)建中考慮了能效、傳輸時延、業(yè)務(wù)優(yōu)先級等差異化業(yè)務(wù)需求，與電力業(yè)務(wù)的適配性更高。

3 仿真驗證

3.1 仿真場景設(shè)置

本文基于IEEE 14節(jié)點電力測試系統(tǒng)的某地市電力通信網(wǎng)拓撲情況下進行仿真，仿真工具為MATLAB。考慮4種典型的電力通信網(wǎng)業(yè)務(wù)，優(yōu)先級自高到低為配網(wǎng)差動保護業(yè)務(wù)，計量自動化業(yè)務(wù)，輸電線路狀態(tài)監(jiān)測業(yè)務(wù)，充電樁狀態(tài)監(jiān)測業(yè)務(wù)，分別設(shè)置為［0.1，0.2，0.3，0.4］［21］。仿真場景包括14個節(jié)點和17條路由［22］，迭代次數(shù)設(shè)置為1000次，頻隙等級設(shè)置為5個，高斯白噪聲設(shè)置為-174dBm［23］，數(shù)據(jù)流大小設(shè)置為10Gbits［24］。其他參數(shù)設(shè)置如表1所示［25-27］。

本文考慮兩種對比算法來說明所提算法在傳輸時延和能效方面的優(yōu)越性。

1）EP-UCB算法（energy aware task priority aware UCB）［28］：該算法以最大化電力通信網(wǎng)業(yè)務(wù)傳輸能效為目標(biāo)，具有任務(wù)優(yōu)先級感知，但忽略了通信時延的優(yōu)化。

2）CNAME算法（chosen number of arm with minimal estimation）［29］：該算法利用當(dāng)前估計值最小的動作被選擇的次數(shù)來調(diào)整探索和利用的概率，緩解了探索和利用不平衡的問題，但是未考慮不同業(yè)務(wù)的優(yōu)先級對探索和利用的影響。

3.2 仿真結(jié)果分析

圖3為平均時延隨迭代次數(shù)的變化圖。所提算法性能優(yōu)于CNAME算法和EP-UCB算法。當(dāng)i=1000時，所提算法相較于CNAME算法和EP-UCB算法平均時延分別下降23.28%和38.51%。這是因為CNAME算法忽略電力通信網(wǎng)業(yè)務(wù)優(yōu)先級感知，無法根據(jù)不同業(yè)務(wù)的優(yōu)先級平衡探索與利用的傾向程度，導(dǎo)致平均傳輸時延上升。而EP-UCB算法忽略了傳輸時延的優(yōu)化，故其平均傳輸時延遠大于所提算法。

圖4為平均傳輸能效隨迭代次數(shù)的變化圖。所提算法性能優(yōu)于CNAME算法，但低于EP-UCB算法。當(dāng)i=1000時，所提算法相較于CNAME算法和EP-UCB算法平均能效分別提高13.66%和下降14.92%。這是因為CNAME算法由于忽略業(yè)務(wù)優(yōu)先級對業(yè)務(wù)編排決策的影響，在探索過程中容易選到收益較差的搖臂導(dǎo)致平均傳輸能效下降。而EP-UCB算法僅優(yōu)化傳輸能效，故其平均傳輸能效性能最好，但是其時延性能與網(wǎng)絡(luò)開銷性能均不如所提算法。

圖5為網(wǎng)絡(luò)開銷隨迭代次數(shù)的變化圖。仿真結(jié)果顯示所提算法總體網(wǎng)絡(luò)開銷函數(shù)低于CNAME算法和EP-UCB算法。相較于CNAME算法和EP-UCB算法開銷函數(shù)分別下降38.52%和23.27%。CNAME算法通過改良探索因子平衡探索和利用的權(quán)重，但無法根據(jù)業(yè)務(wù)優(yōu)先級進行針對性業(yè)務(wù)編排決策，導(dǎo)致較3ae8bb2974d44a9e1160df69789f0553dea59cfb69f3076857b373725990a680慢的收斂速度和較高的網(wǎng)絡(luò)開銷。而EP-UCB算法僅考慮能效優(yōu)化，忽略傳輸時延優(yōu)化，導(dǎo)致一些時延敏感型電力通信業(yè)務(wù)的時延需求無法得到滿足，并產(chǎn)生了最高的網(wǎng)絡(luò)開銷。而所提算法綜合考慮電力通信網(wǎng)業(yè)務(wù)平均能效和平均傳輸時延的需求，針對各業(yè)務(wù)的優(yōu)先級，自適應(yīng)調(diào)節(jié)探索因子，平衡所提算法對于探索和利用的傾向程度，因而與所提模型適配度最高，總體網(wǎng)絡(luò)開銷最低。

圖6為優(yōu)先級對網(wǎng)絡(luò)開銷的影響。隨著優(yōu)先級增大，所提算法能夠根據(jù)不同的業(yè)務(wù)優(yōu)先級調(diào)整不同的業(yè)務(wù)編排策略，保證較低的網(wǎng)絡(luò)開銷。而CNAME算法和EP-UCB算法中由于未考慮優(yōu)先級感知，故網(wǎng)絡(luò)開銷基本不變。

表2為權(quán)重W對所提算法時延和能效的影響。當(dāng)權(quán)重W增加時，所提算法更傾向于優(yōu)化能效，導(dǎo)致能效性能上升，時延性能下降。所提算法可以通過調(diào)整W動態(tài)平衡時延和能效的關(guān)系，做到靈活分配電力通信網(wǎng)絡(luò)資源。此外，仿真結(jié)果可以作為設(shè)置W的參考。

4 結(jié) 論

文章針對海量接入終端造成數(shù)據(jù)信息指數(shù)型增長，而電力通信網(wǎng)路由和頻譜資源有限，業(yè)務(wù)編排缺少智能性的問題，構(gòu)建基于SDN和EON的電力通信網(wǎng)框架，提出基于自適應(yīng)業(yè)務(wù)優(yōu)先級感知電力通信網(wǎng)智能編排算法，在考慮歷史業(yè)務(wù)編排經(jīng)驗信息和業(yè)務(wù)優(yōu)先級學(xué)習(xí)的基礎(chǔ)上，編排優(yōu)化路由選擇和頻譜分配策略，實現(xiàn)電力通信網(wǎng)智能業(yè)務(wù)編排，提高電力通信網(wǎng)業(yè)務(wù)承載能力。仿真結(jié)果表明，相較于CNAME算法和EP-UCB算法，所提算法的開銷函數(shù)分別降低了38.52%和23.27%，且滿足電力通信網(wǎng)時延、能效等差異化需求，獲取更高性能。

本文研究成果可運用于新型電力系統(tǒng)中通過自主業(yè)務(wù)智能化編排的海量節(jié)點接入控制技術(shù)，提高電力通信網(wǎng)頻譜資源的利用率，解決通信網(wǎng)絡(luò)擁塞、過載難題，為電網(wǎng)高效可靠運行提供保障。在未來研究中，將進一步考慮多個源節(jié)點間的對抗性對電力通信網(wǎng)自主業(yè)務(wù)編排的影響。

參 考 文 獻：

［1］ YU H， ZHOU Z， JIA Z， et al. Multi-Timescale Multi-Dimension Resource Allocation for NOMA-Edge Computing-Based Power IoT With Massive Connectivity［J］. IEEE Transactions on Green Communications and Networking， 2021， 5（3）： 1101.

［2］ 王子欣， 苗世洪， 郭舒毓， 等. 基于復(fù)雜系統(tǒng)理論的電力通信耦合網(wǎng)絡(luò)模型構(gòu)建及節(jié)點重要度評估方法［J］. 高電壓技術(shù)， 2022， 48（1）： 84.

WANG Zixin， MIAO Shihong， GUO Shuyu， et al. Power Communication Coupling Network Model Construction and Node Importance Evaluation Method Based on Complex System Theory［J］. High Voltage Technology， 2022， 48（1）： 84.

［3］ ZHOU Z， et al. Secure and Latency-Aware Digital Twin Assisted Resource Scheduling for 5G Edge Computing-Empowered Distribution Grids［J］. IEEE Transactions on Industrial Informatics， 2022， 18（7）： 4933.

［4］ 朱素霞， 龍翼飛， 孫廣路， 等. 基于改進蟻群算法的SDN數(shù)據(jù)中心流調(diào)度研究［J］. 哈爾濱理工大學(xué)學(xué)報， 2022， 27（1）： 1.

ZHU Suxia， LONG Yifei， SUN Guanglu， et al. Improved Ant Colony Algorithm for Network Flow Scheduling in SDN Data Center［J］. Journal of Harbin University of Science and Technology， 2022， 27（1）： 1.

［5］ 吳優(yōu)， 陳釗淵， 曾志翔， 等. 基于 SDN 技術(shù)的電力通信接入系統(tǒng)網(wǎng)絡(luò)切片虛擬資源分配算法［J］. 自動化與儀器儀表， 2020， 249（7）： 61.

WU You， CHEN Zhaoyuan， ZENG Zhixiang， et al. Network Slice Virtual Resource Allocation Algorithm for Power Communication Access System Based on SDN Technology［J］. Automation & Instrumentation，2020， 249（7）： 61.

［6］ 王健， 李志新， 趙國生， 等. 面向SDN的可生存性增強自配置技術(shù)［J］. 哈爾濱理工大學(xué)學(xué)報， 2017， 22（4）： 51.

WANG Jian， LI Zhixin， ZHAO Guosheng， et al. Self-Configuration Technology for Survivability Enhancement Oriented Software Defined Networking［J］. Journal of Harbin University of Science and Technology， 2017， 22（4）： 51.

［7］ 亓偉敬， 宋清洋， 郭磊. 面向軟件定義多模態(tài)車聯(lián)網(wǎng)的雙時間尺度RAN切片資源分配［J］. 通信學(xué)報， 2022， 43（4）： 60.

QI Weijing， SONG Qingyang， GUO Lei. Dual Time Scale Resource Allocation for RAN Slicing in Software-defined Oriented Polymorphic IoV［J］. Journal of Communications， 2022， 43（4）： 60.

［8］ 李昌超， 康忠健， 于洪國， 等. 考慮電力業(yè)務(wù)重要性的電力通信網(wǎng)關(guān)鍵節(jié)點識別［J］. 電工技術(shù)學(xué)報， 2019， 34（11）： 2384.

LI Changchao， KANG Zhongjian， YU Hongguo， et al. Identification of Key Nodes in Power Communication Network Considering the Importance of Power Businesses［J］. Transactions of China Electrotechnical Society， 2019， 34（11）： 2384.

［9］ ZHOU Z， ZHANG C， XU C， et al. Energy-Efficient Industrial Internet of UAVs for Power Line Inspection in Smart Grid［J］. IEEE Transactions on Industrial Informatics， 2018， 14（6）： 2705.

［10］鄺祝芳， 陳清林， 李林峰， 等. 基于深度強化學(xué)習(xí)的多用戶邊緣計算任務(wù)卸載調(diào)度與資源分配算法［J］. 計算機學(xué)報， 2022， 45（4）： 812.

KUANG Zhufang， CHEN Qinglin， LI Linfeng， et al. Multi-user Edge Computing Task Offloading Scheduling and Resource Allocation Algorithm Based on Deep Reinforcement Learning［J］. Chinese Journal of Computers， 2022， 45（4）： 812.

［11］LIAO H， et al. Blockchain and Semi-Distributed Learning-Based Secure and Low-Latency Computation Offloading in Space-Air-Ground-Integrated Power IoT［J］. IEEE Journal of Selected Topics in Signal Processing， 2022， 16（3）： 381.

［12］ZHANG X， PENG M， YAN S， et al. Deep-reinforcement-learning-based Mode Selection and Resource Allocation for Cellular V2X Communications［J］. IEEE Internet of Things Journal， 2019， 7（7）： 6380.

［13］李成嚴， 孫巍， 唐立民. 一種權(quán)重自適應(yīng)的強化學(xué)習(xí)云資源調(diào)度算法［J］. 哈爾濱理工大學(xué)學(xué)報， 2021， 26（2）： 17.

LI Chengyan， SUN Wei， TANG Limin. A Reinforcement Learning of Cloud Resource Scheduling Algorithm Based on Adaptive Weight［J］. Journal of Harbin University of Science and Technology，2021， 26（2）： 17.

［14］REZAEI R， OMIDVAR N， MOVAHEDNASAB M， et al. Efficient， Fair， and QoS-aware Policies for Wirelessly Powered Communication Networks［J］. IEEE Transactions on Communications， 2020， 68（9）： 5892.

［15］TANG Y， CHENG N， WU W， et al. Delay-Minimization Routing for Heterogeneous VANETs With Machine Learning Based Mobility Prediction［J］. IEEE Transactions on Vehicular Technology， 2019， 68（4）： 3967.

［16］YAO H， YUAN X， ZHANG P， et al. Machine Learning Aided Load Balance Routing Scheme Considering Queue Utilization［J］. IEEE Transactions on Vehicular Technology. 2019， 68（8）： 7987.

［17］SHARMA D， DHURANDHER S， WOUNGANG I， et al. A Machine Learning-Based Protocol for Efficient Routing in Opportunistic Networks［J］. IEEE Systems Journal， 2018， 12（3）： 2207.

［18］ZHONG C， ZHAO S， ZHANG Z， et al. A Phase Gradient Metasurface Antenna Working at 5G Band for Electric Power Communication Network. 2022.

［19］張若琦， 惠悅， 翁婉瑩， 等. 基于控制環(huán)疊加正交頻分復(fù)用信號實現(xiàn)直流微網(wǎng)載波通信的變換器設(shè)計方法研究［J］. 中國電機工程學(xué)報， 2021， 41（16）： 5423.

ZHANG Ruoqi， HUI Yue， WENG Wanying， et al. Design Method of Converters Realizing Carrier Communications in DC Microgrids by Superimposing OFDM Signal into Control Loop［J］. Proceedings of the CSEE， 2021， 41（16）： 5423.

［20］劉煥淋， 徐一帆， 陳勇. 基于頻譜感知的業(yè)務(wù)分割-合并的彈性光網(wǎng)絡(luò)資源分配策略［J］. 電子與信息學(xué)報， 2016， 38（4）：7.

LIU Huanlin， XU Yifan， CHEN Yong. Resource Allocation Strategy for Elastic Optical Networks Based on Spectrum Sensing and Service Segmentation and Merging［J］. Journal of Electronics and Information Technology， 2016， 38（4）：7.

［21］王翌雪， 高雪蓮， 湯億則， 等. 差異化服務(wù)質(zhì)量性能驅(qū)動的5G配電網(wǎng)邊緣計算優(yōu)化方法［J］. 全球能源互聯(lián)網(wǎng)， 2022， 5（4）： 339.

WANG Yixue， GAO Xuelian， TANG Yize， et al. Differentiated Quality of Service Performance Driven Edge Computing Optimization Method in 5G Power Distribution Network［J］. Journal of Global Energy Interconnection， 2022， 5（4）： 339.

［22］沈鑫， 曹敏， 張家洪，等. 基于IEEE 14節(jié)點模型的電氣參量分析與竊電指標(biāo)判別［J］. 軟件， 2018， 39（12）： 141.

SHEN Xin， CAO Min， ZHANG Jiahong， et al. Electrical Parametric Analysis and Stealing Indicator Discrimination Based on IEEE 14 Node Model. Software， 2018， 39（12）： 141.

［23］李利， 柴娟芳， 徐池， 等. 一種靜態(tài)和動態(tài)相結(jié)合的認知無線電頻譜管理方法［J］. 哈爾濱理工大學(xué)學(xué)報， 2016， 21（4）： 36.

LI Li， CHAI Juanfang， XU Chi， et al. A Method of Combining Static and Dynamic for Electromagnetic Spectrum Management Based on Cognitive Radio［J］. 2016， 21（4）： 36.

［24］祁兵， 劉思放， 李彬， 等. 基于業(yè)務(wù)優(yōu)先級和SRLG的電力需求響應(yīng)業(yè)務(wù)調(diào)度優(yōu)化算法［J］. 電網(wǎng)技術(shù)， 2019， 43（7）： 2393.

QI Bing， LIU Sifang， LI Bin， et al. Optimized Scheduling Algorithm for Power Demand Response Service Based on Multi-priority Services and SRLG［J］. Power Grid Technology， 2019， 43（7）： 2393.

［25］賈敏， 敬曉曄， 劉曉鋒， 等. 基于業(yè)務(wù)優(yōu)先級的認知衛(wèi)星網(wǎng)絡(luò)頻譜分配方法［J］. 通信學(xué)報， 2019， 40（4）： 140.

JIA Min， JING Xiaoye， LIU Xiaofeng， et al. Spectrum Allocation Method for Cognitive Satellite Network Based on Service Priorities［J］. Journal of Communications， 2019， 40（4）： 140.

［26］蔣偉進， 陳萍萍， 張婉清， 等. 基于組合多臂賭博機的移動群智感知用戶招募算法［J］. 電子與信息學(xué)報， 2022， 44（3）： 1119.

JIANG Weijin， CHEN Pingping， ZHANG Wanqing， et al. Mobile Swarm Sensing User Recruitment Algorithm Based on Combined Multi-arm Gambling Machine［J］. Journal of Electronics and Information Technology， 2022， 44（3）： 1119.

［27］LIAO H， ZHOU Z， ZHAO X， et al. Learning-based Context-aware Resource Allocation for Edge Computing-empowered Industrial IoT［J］. IEEE Internet of Things Journal， 2020， 7（5）： 4260.

［28］SUN Y， ZHOU S， XU J. EMM： Energy-aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（11）： 2637.

［29］章曉芳， 周倩， 梁斌， 等. 一種自適應(yīng)的多臂賭博機算法［J］. 計算機研究與發(fā)展， 2019， 56（3）： 643.

ZHANG Xiaofang， ZHOU Qian， LIANG Bin， et al. An Adaptive Multi-arm Gambling Machine Algorithm［J］. Computer Research and Development， 2019， 56（3）： 643.

（編輯：溫澤宇）