CN102754491A - 蜂窝无线电系统中的能量控制方法 - Google Patents

Abstract

提供了在已经关闭以省电的基站的重新激活期间改进的开启过程的方法和设备。根据一个实施例，提供在蜂窝无线电系统中激活去激活小区的方法。从与蜂窝无线电系统相连的若干用户设备收集第一测量值。基于收集到的测量值，构建用于映射提供蜂窝无线电系统中最小的功率增大的已激活小区(最佳小区)的模型。当不能用已经激活小区满足蜂窝无线电系统的业务需求时，确定激活被映射为要激活的最佳小区的小区。因此，能够管理蜂窝无线电系统的小区，以最大程度利用系统使用的能量。

Description

蜂窝无线电系统中的能量控制方法

技术领域

本发明涉及用于控制蜂窝无线电系统的小区中的传输功率的方法和设备。

背景技术

无线电基站功率消耗是无线电网络总开销的重要部分。当在区域内没有业务，并且该覆盖范围可能通过一些其他小区(比如伞小区)来服务时，关闭一些小区或者让他们进入能量节省模式是有效的。

相似的，如果部分或整个无线电网络(或RAT：无线电接入技术)在多RAT环境(多个无线电网络覆盖相同区域，通过不同的无线电网络接入技术提供接入)中关闭，无线电网络的能量消耗也能降低。

然而，当节省功率时，可能发生的情况是：业务情况突然改变，以及在功率节省模式中的小区/RAT需要被激活以应对无线电网络中的新的业务情况。当重新激活在能量节省模式中的小区时，问题是：无法知道是否可以通过重新激活特定基站以实际满足由于业务改变导致的额外需求。例如，考虑这种情况：无线电基站处于能量节省模式，而且在无线电系统中检测到业务负载的突然增大。进一步假设，无线电基站与实际业务负载增大发生的地方不接近。在这种情况下，重新激活无线电基站变得几乎没有意义，因为通过重新激活无线电基站所提供的额外资源将几乎无助于满足针对额外容量的需求。因此，在这种情况下，不必开启无线电基站。

假定要开启的潜在最佳小区的位置是已知的，另一个问题是，从能量消耗的角度估计开启无线电基站有多大效率。可能的情况是，利用已经有效的网络部分，它需要少量能量来满足该需求。作为上述结果，即在蜂窝无线电网络(典型的，现有蜂窝无线电网络)中有效启用功率节省的问题不会通过开启和关闭基站的方式减少网络的能量消耗。有一些特殊情况，当现有蜂窝无线电网络的网络管理系统开启和关闭网络的全部部分时，(例如，在夜间购物区中)，但是这些场景是基于预定义时间段并与实际业务需求的存在和位置无关。

因此，需要解决以上问题并提供蜂窝无线电系统中改进的能量节省的方法和系统。

发明内容

本发明的目的是克服或至少减少以上描述的蜂窝无线电网络中与能量节省相关联的一些问题。

本目的及其他是通过在所附权利要求书中描述的方法和系统而获得的。因此，根据本发明，提供了能够实现在重新激活为节省功率而已经关闭的基站期间改进的开启过程的方法和设备。

根据一个实施例，提供了一种在蜂窝无线电系统中激活已经去激活的小区的方法。从与蜂窝无线电系统相连的若干用户设备收集第一测量值。基于收集到的测量值，构建用于映射当被激活时在蜂窝无线电系统中提供最小功率增大的小区(最佳小区)的模型。当不能用已经激活的小区满足蜂窝无线电系统的业务需求时，决定激活映射为将被激活的最佳小区的小区。因此，能够管理蜂窝无线电系统的小区，以最大程度利用系统中使用的能量。

根据一个实施例，测量值包括接收信号功率或时间提前(TA：Timing Advance)中的一个或多个。

根据一个实施例，测量值包括无线电接入技术间测量值或定位测量值中的一个或多个。

根据一个实施例，使用机器学习自动执行基于收集的测量值构造用于映射将要激活的最佳小区的模型。

根据一个实施例，命令由一个或多个用户设备执行额外测量。

根据一个实施例，收集并存储以给定负载测量的基站的功率消耗。

根据一个实施例，当确定激活被映射为将要激活的最佳小区的小区时，将在指定负载处测量的基站的功率消耗用作输入数据。

根据一个实施例，通过定位最佳小区来满足需求，并通过在开启命令前执行能量效率比较以检查关闭小区的重新激活是否导致网络的总体能量消耗减少，以实现最小网络层能量消耗。

根据一个实施例，在学习阶段中从用户设备收集并处理测量值的测量实体创建覆盖小区可能关闭的地理区域的模型。测量值能包括信号功率测量值及时间提前测量值中的一个或多个，这些测量值包括来自RAT内或RAT间的测量值，以及可选地来自定位系统(例如，全球定位系统(GPS))的定位数据的测量值。

根据一个实施例，在一些小区的去激活时段期间，最佳小区估计模型基于部分可用测量值决定将要开启的小区的最优选择。

根据一个实施例，决定和去激活功能控制小区的去激活。

本发明还扩展到用于执行以上描述的控制方法的设备。

附图说明

将通过非限定示例的方式并参考附图来更详细地描述本发明，在附图中：

图1是示出用于确定小区激活的系统的示意图。

图2是示出当确定激活蜂窝无线电系统中的小区时执行的一些过程性步骤的流程图。

图3示出了估计模型的示例性结构。

图4示出了示例性最佳小区估计模型。以及

图5示出了用在机器学习过程中的处理块。

具体实施例

根据本发明，使用来自终端(UE)的测量值来确定针对开启来自无线电基站的传输的需求。基于测量值，能够形成“最佳小区估计模型”，包括测量值向量和最佳小区选择之间的映射。该模型能够用机器学习方法有利地构建。

当小区(小区或站点或基站的所有小区)因功率节省原因关闭时，系统继续收集测量值，但现在来自关闭小区的测量值丢失。给定来自可用相邻小区的测量值的特定组合，“最佳小区估计模型”估计被关闭的小区是否可能是最佳小区。

如果若干或许多UE实际位于被关闭小区会是最佳小区(由测量值和最佳小区选择之间的映射确定)的区域，，和/或还满足其他标准(例如，相邻小区拥塞)，则开启(或激活)因为能量效率原因而关闭的小区。例如，基于这些标准，将处于不连续传输(DTX)模式的小区/站点切换到传输(TX)模式。

当定位潜在的最佳小区时，开启小区的最终决定是基于能量效率的估计(将网络能量消耗和计划激活小区进行比较)以及当通过已经有效的移动网络部分满足业务需求的情况。

估计与因能量效率原因关闭的小区连接的UE的位置的方法同样能够用于多RAT场景并需要多RAT测量值。

以下描述一些详细的示例性实施例以进一步阐述本发明。当小区(小区或站点或基站的所有小区)因能量效率原因关闭时，所有业务通过相邻小区处理，而且被关闭的小区不处理任何用户。如果必须满足的业务需求出现增大，小区可能必须根据需要重新被激活。根据一个实施例，用于确定开启小区的方法能够以三个阶段来描述：

·学习阶段

·定位阶段，和

·决定阶段。

学习阶段

学习阶段是在小区的正常操作过程中(即，小区不处于能量消耗操作)运行的过程，并能包括以下步骤：

·测量值收集，和

·最佳小区估计。

测量值收集

在测量值收集步骤中，网络管理节点被配置为收集UE测量值以支持针对若干相邻小区的切换决定。典型的，测量值能包括接收功率、时间提前或蜂窝无线电系统中其他可用的测量向量，例如，以支持切换决定。接下来，网络管理节点被配置为使用收集的测量值来自动学习当选择实际小区作为最佳小区以服务用户时测量值向量的组合所具有的值，以及在哪些组合中最佳小区不是该实际小区。备选的或额外的数据源能够是UE报告的GPS位置信息或对于蜂窝无线电网络可用的任何其他位置信息。图1描述了示例性测量收集设置。在图1中，UE 101被配置为产生测量值。产生的测量值通过合适的接口发送到例如服务小区103、相邻小区103或者另一种无线电接入技术103，并返回报告至节点105以激活或去激活小区。节点105能以蜂窝无线电系统中现有节点(例如网络管理节点)来实现，或分布在彼此通信的若干节点上。

典型的，现有蜂窝无线电系统通过一些管理设置来启用按照需求收集测量值。根据一个实施例，能够将控制测量值阶段的系统/实体配置为要求针对区域和UE的额外测量值。要求额外测量值时的例子是当节点105没有足够可用的数据以做出关于是否激活/去激活小区的良好基础的决定时。在任何可能的时候，同样还收集来自交叠其他无线电技术的测量值。因此，通过节点105实现的基站重新激活过程将具有用于有效估计哪些小区将开启的足够的可用数据。

根据一个实施例，通过委托实体，收集并在数据库中存储和周期性更新来自很多(典型的，几百或更多)UE的测量值。根据一个实施例，节点105被配置为将其决定基于许多测量值，这些测量值是当实际小区(即，确定要激活或去激活的小区)是服务小区以及当该小区不是服务小区(相邻小区)时收集的。节点105执行的处理步骤例如可通过微处理器107执行，该微处理器107执行使计算机执行这里描述的过程性步骤并能存储在存储器109上的合适的软件。

在图2中，示出了阐述当激活去激活小区时执行的一些过程性步骤的流程图。比如，该过程性步骤能够被实现为计算机程序指令并存储在节点105的存储器中。通过执行存储在存储器上的程序，节点105将能够执行这些步骤。

首先，在步骤201中，从与蜂窝无线电系统相连的若干用户设备收集测量值。借助于此，基于收集的测量值构建映射将要激活的最佳小区以使得系统中总能量消耗最小化的模型。最后，在步骤205中，如果满足下面两个条件中的一个，激活被映射为将激活的最佳小区的小区：

(i)如果使用已经激活的小区不能满足蜂窝无线电系统的业务需求，或者

(ii)考虑到蜂窝无线电系统的总能量消耗，确定(估计)激活关闭的小区是有益处的。

否则，不激活该小区。

如上所述，UE能报告多个不同的测量值。例如，UE能够报告与周围小区的信号强度有关的测量值。当最佳小区当前被开启时，这种类型的输入能提供关于相邻小区的信息。

表1和表3中呈现的例子表明，如何在学习阶段存储接收的导频功率、时间提前和潜在的GPS坐标。注意，这些是示例，不一定填入所有可能信息，仅当其从实际情况可获得时。

表1.包括功率测量值的机器学习输入表

表2.包括时间提前测量值的机器学习输入表

表3.包括GPS位置的机器学习输入表

会有这种情况出现：除去自身小区以外，完全没有来自任何其他小区的可用信息(例如，隔离的微小区中)。在这种情况下，测量值收集能扩展到从该小区范围内可用的其他无线电接入技术(RAT)收集小区信息。例如，这可通过强制RAT间测量来执行。

此外，如果没有其他可用的信息源，也能够包括小区的历史数据。当使用历史数据时，根据一个实施例，可以使用仍然有效的最后获知的可能位置。此外，能设置历史数据的权重以取决于历史数据的新旧程度。与较新的历史数据相比，向较旧的数据赋予较小的权重。

除以上描述的测量值收集之外，基站能够被配置为支持历史能量分布(EP：Energy Profile)的测量。能量分布测量给定负载处的基站的功率消耗。该负载可以是一维的或者多维的，例如，有效用户的个数和业务负载。以下，使用示例性的二维历史。能够通过基站收集和维护历史EP，以在决定阶段提供辅助。EP的实际表示是表格式格式，其中以每特定负载值范围的瓦特功率来描述EP，例如，EP(用户数＝4，负载＝60Mbps)＝800瓦特。

最佳小区估计模型

根据一个实施例，用自动化机器学习方法构建基于报告数据的决定规则集。这里，将模型称作最佳小区估计模型，因为它将基于可用的测量值来估计将要激活的最有可能的小区选择。

用于确定最佳小区估计模型的方法能够是适于针对这种模型提供模型构建的任何一般的机器学习(ML)算法。ML算法的输入，比如来自相邻小区的所有测量值，能被看作自变量，而最佳小区的标识被看作因变量。

例如，图3示出了估计模型的结构。如图3所示，来自UE测量值的自变量301和指示UE的最佳小区的因变量303馈送到块305。块305包括基于以上描述的机器学习的模型构建。来自块305的输出307是最佳小区估计模型。

图4示出了最佳小区估计模型的例子，该模型能够用于确定针对特定场景的最佳小区。基于以上描述而使用的自变量和因变量自动构建该模型。输出是小区的确定，即基于当馈送UE测量值和UE的最佳小区时使用该模型，确定如果该小区有效将导致无线电系统中整体最低功率消耗。

多RAT场景

如果区域被多于一个无线电接入技术或相同技术的其他层(例如，高速分组接入(HSPA)网络中的另一载频)覆盖，那么测量值收集和最佳小区估计模型能扩展为包括来自比覆盖该区域的一个或全部接入技术更多的相邻小区的测量值。

来自其他RAT的信息能够用于测量值收集，仅提供额外信息(见上文的讨论)，或基站的激活涉及来自不同RAT的小区。在后面一种情况中，能够在小区中引入阈值以发起其他RAT中小区的激活，类似于现有系统间切换过程中的可用激活。

定位阶段

当一个或多个小区或站点已经被关闭以提高移动网络的能量效率，可能存在重新激活一个或者更多去激活的小区/站点的需求。为了从能量转换状态重新激活小区，激活节点被配置为从UE收集测量值，典型的，能类似于学习阶段中的收集来执行该收集，但现在不使用与关闭小区有关的信息(当有效时被称作最佳小区)。

激活节点能接着调用最佳小区估计模型以获得对关闭小区是否会是最佳服务于用户的小区的估计。如果仅其他数据可用，机器学习方法能接着学习可能的最佳小区。

图5示出了定位阶段的结构。在图5中，示出了在机器学习过程中用于在一组测量值向量和估计最佳小区候选之间进行映射的处理块。因此，从这里用块501、503和505表示多个小区(A、B、C...)接收测量值。通过在块507中的机器学习(ML)过程处理接收到的测量值。如块509所示，块507的输出是一组测量值向量和估计最佳小区候选之间的映射。

接着，能够针对所有UE报告测量值执行最佳小区估计。此外，能够计算它们中的多少将能够由关闭小区最佳地服务。如果需要的信息能从可用的无线电接入技术获得，则该估计也能包括来自覆盖所研究区域的其他RAT的小区。

决定阶段

在决定阶段，管理实体决定是否：

-一个或更多小区中的负载太高，必须开启关闭的小区。

-存在由若干关闭小区最佳地服务的用户(定位)。

-在定位之后，执行能量效率比较。决定阶段中的该部分保证仅当开启过程提供足够的卸载和能量消耗的最小增大时才进行该开启过程。

在能量效率比较期间，能够基于现有的数据库信息来进行案例估计(case estimation)，该数据库信息与已经有效的小区和要重新激活的目标小区服务用户的期望功率要求有关。该估计的结果，连同已知的网络元件的固定和与负载相关的能量消耗特性，保证仅当总能量消耗降低时才重新激活小区。在一个实施例中，该估计基于基站的能量分布的比较。开启小区的功率增益这样计算：

PG＝EP _serving (current_users，current_load)-(EPcandidate(delta_users，delta_load)+

EP _serving (current_users-delta_users，current_load-delta_load))

delta_users定义变化会影响的用户的个数，而delta_load是由于开启而将转移的负载的数量。如预期的，如果候选小区是微小区，能量分布由于其小覆盖范围等而典型地具有明显较小的值。结果是，功率增益(PG)很可能在负载值的很大范围是正的，因此该开启将几乎总是值得的。在其他情况下，切换决定可能或不可能发现开启是值得的。当做出激活小区的决定时，该小区可能变得有效并再次调用学习阶段。

当网络的有效部分不能满足需求时，以上描述的决定阶段能简化为忽略在拥塞情况(例如，高于特定负载阈值)下的能量效率比较。

多RAT场景中的决定阶段能够处理来自多个无线电技术的测量值，如果能提供更具有能量效率的方案，也做出激活其他无线电技术小区中的关闭小区的决定。

这里描述的用于激活小区/站点的方法和设备提供多个相比于现有蜂窝无线电系统的优势。例如，通过以最优方式控制小区的重新激活，能够优化移动网络中的能量效率。通过定位满足需求的最佳小区，并通过在开启命令之前执行能量效率比较以检查关闭小区的重新激活是否导致网络的总能量消耗减少，该方案保证了最小网络层能量消耗。

Claims (14)

1.一种用于激活蜂窝无线电系统中的去激活小区的方法，所述方法包括以下步骤：

-从与蜂窝无线电系统相连的若干用户设备收集(201)测量值；

-基于收集的测量值构建(203)模型，所述模型用于映射要激活的、产生蜂窝无线电系统中最小的功率增大的第一小区；

-当使用已经激活的小区无法满足蜂窝无线电系统的业务需求时，确定(205)激活被映射为要激活的第一小区的小区。

2.根据权利要求1所述的方法，其中，所述测量值包括接收信号功率或时间提前中的一个或多个。

3.根据权利要求1或2所述的方法，其中，所述测量值包括无线电接入技术间测量值或定位测量值中的一个或多个。

4.根据权利要求1-3中任意一项所述的方法，其中，基于收集的测量数据构建用于映射要激活的第一小区的模型是使用机器学习自动执行的。

5.根据权利要求1-4中任意一项所述的方法，其中，命令由一个或多个用户设备执行额外测量。

6.根据权利要求1-5中任意一项所述的方法，还包括以下步骤：收集和存储以给定负载测量的基站的功率消耗。

7.根据权利要求6所述的方法，其中，当确定激活已被映射为要激活的第一小区的小区时，使用以给定负载测量的基站的功率消耗作为输入数据。

8.一种用于激活蜂窝无线电系统中去激活小区的设备(105)，包括：

-用于从与蜂窝无线电系统相连的若干用户设备收集测量值的装置(107)；

-用于基于收集的测量值构建模型的装置(107)，所述模型用于映射要激活的、产生蜂窝无线电系统中最小的功率增大的第一小区；以及

-用于当使用已经激活的小区无法满足蜂窝无线电系统的业务需求时确定激活被映射为要激活的第一小区的小区的装置(107)。

9.根据权利要求8所述的设备，其中，所述测量值包括接收信号功率或时间提前中的一个或多个。

10.根据权利要求8或9所述的设备，其中，所述测量值包括无线电接入技术间测量值或定位测量值中的一个或多个。

11.根据权利要求8-10中任意一项所述的设备，还包括：使用机器学习自动执行基于收集的测量数据构建用于映射要激活的第一小区的模型的装置(107)。

12.根据权利要求8-11中任意一项所述的设备，还包括：命令由一个或多个用户设备执行额外测量的装置(107)。

13.根据权利要求8-12中任意一项所述的设备，还包括：用于收集和存储以给定负载测量的基站的功率消耗的装置(107)。

14.根据权利要求13所述的设备，还包括：当确定激活已被映射为要激活的第一小区的小区时使用以给定负载测量的基站的功率消耗作为输入数据的装置(107)。

Images