机器学习在智能配用电领域中的应用:北美工程实践概述

机器学习技术是助力能源转型、促进清洁能源消纳的重要工具。近年来,机器学习技术在电力系统中的应用已得到广泛关注。由于机器学习技术的"黑箱"特征,使其在可解释性、鲁棒性等方面仍有待提升,与电力系统高可靠性的运行要求存在一定矛盾,导致其实际工程应用滞后于理论研究。对于机器学习技术的实际应用情况,文中聚焦于北美地区配用电领域,从源、网、荷3个角度梳理了机器学习技术的典型工程实践项目,概述了每个项目的方法、效果以及从中得到的启示。进一步地,将以上项目归纳为态势感知、决策支持2个类别共计5个应用场景,并从工程实践角度分析了下阶段机器学习技术的研究方向。

Femtocell网络中基于分簇的资源分配机制

针对Macro-Femto网络中Femtocell与Macrocell之间的干扰问题,提出了一种基于分簇的资源分配机制。该机制结合图论及凸优化理论对毫微微节点分簇;随后采用基于速率公平的子信道分配算法对毫微微用户和宏用户分别进行子信道分配;利用分布式功率分配算法对完成信道分配的系统进行功率分配。仿真结果表明,该机制有效地抑制了Macro-Femto网络中存在的跨层干扰及同层干扰,提升了平均速率,同时满足了用户的速率公平性需求,使用户获得更高的满意度。

OFDMA毫微微小区双层网络中基于分组的资源分配

毫微微小区(Femtocell)网络能够增强室内覆盖,提高系统容量,但是在频谱共享的正交频分多址(OFDMA)毫微微小区网络中,毫微微小区之间的同层干扰以及毫微微小区与宏小区(Macrocell)之间的跨层干扰严重限制了系统的性能。针对这两种干扰,该文提出一种基于分组的资源分配算法。该算法包括两部分:一部分是宏基站先利用改进的匈牙利算法为宏小区用户分配信道,再用注水算法分配功率,保证宏小区用户的正常传输;另一部分是在避免干扰宏小区用户的基础上,先采用模拟退火算法对毫微微小区进行分组,再进行信道和功率分配,满足毫微微小区用户的数据速率需求,最大化频谱效率。仿真结果表明,该算法有效地抑制了这两种干扰,既能保证用户的数据速率需求,又能有效提升网络频谱效率。

多媒体多播组播单频网中免干扰动态信道分配

为了避免多媒体多播组播单频网(MBSFN)区域内部和区域之间的干扰,进一步提高频谱效率,该文提出一种改进的基于噪声调节时滞噪声混沌神经网络(NHNCNN)的动态信道分配方法。首先,根据MBSFN区域的特殊拓扑结构,重新定义了4种电磁兼容限制函数,在此基础上精心构建了免干扰的NHNCNN能量函数。其次对NHNCNN的稳态判定进程加以改进以提高系统的收敛速度。特别地,采用类二分法联合NHNCNN去搜索最小信道分配总数。仿真结果表明,利用富足的NHNCNN时滞、噪声和混沌神经动力,所提算法能有效地搜索到合理解,并最终找到全局最优解,提高了频谱效率。与现有方法相比,所提算法能够实现更好的收敛速度和合理解率。

femtocell双层网络中基于分簇的资源分配

针对异构网络中毫微微小区(femtocell)之间的同层干扰和femtocell与宏小区(macrocell)之间的跨层干扰,提出一种基于分簇的资源管理方案。该方案包括两部分:第1部分是宏基站(macrocell base station,MBS)利用三轮子信道分配算法为宏用户分配子信道,再采用注水算法分配功率;第2部分首先采用遗传模拟退火算法为femtocell分簇,再利用启发式算法和卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件为毫微微用户分别分配子信道和功率。仿真结果表明,该方案有效地抑制了网络中的这两种干扰,满足了用户的数据速率需求,有效地提高了频谱效率。