CN105407520A - 一种集中式基站休眠决策方法及休眠系统 - Google Patents

Abstract

本发明提供一种集中式基站休眠决策方法，包括：1)根据用户量和用户分布信息，生成多个连接矩阵，其中，所生成的每个连接矩阵均能够满足用户的接入需求；2)对于每个连接矩阵，计算它的能耗和连接稳定性，其中，每个连接矩阵的所述连接稳定性是该连接矩阵相对于当前各个基站开关状态的变化程度；3)根据每个连接矩阵所对应的能耗代价和连接稳定性代价，选择最优的连接矩阵作为当前的基站休眠决策结果。本发明还提供了相应的休眠系统。本发明的基站休眠方案能够更好地帮助通信网络降低能耗，提高网络稳定性，保障用户的QoS体验。

Description

一种集中式基站休眠决策方法及休眠系统

技术领域

本发明涉及通信技术领域，具体地说，本发明涉及一种集中式基站休眠决策方法及休眠系统。

背景技术

近年来，移动通信网络的能耗问题逐渐成为了学术界与工业界所关注的热点。在移动通信网络中，通信基站是最主要的能源消耗者，大约占据了网络总能耗的60％-80％。另一方面，随着移动互联网业务的爆炸式增长，在未来移动通信网络中，为了提供更好的服务，基站密度将越来越大、数量将越来越多，从而导致能耗问题将日趋严峻。

基站休眠技术被认为是解决移动通信网络中能耗问题的最有效方法之一，该技术可以动态地关闭低负载基站，并由其相邻基站进行补偿覆盖。这改变了以往相对固定、单一的网络部署方式，能够有效地应对目前移动通信网络中所存在潮汐效应及其所带来的问题，同时还能够实现节能减排、提高资源利用率等目标。

在通信领域中，基站休眠技术是由小区缩放技术(基站发射功率控制技术)演进而来的，它是一种针对负载的迁移与变化，通过关闭低负载小区基站来提高资源利用率并实现节能减排的技术。基站休眠技术一般实现方法为：根据预设的约束(或触发)条件，当某一个小区的某些指标(如负载量)触发该约束条件时，该小区进行相应的休眠或唤醒操作，并由其相邻的小区基站通过调整其天线下倾角、方向角、发射功率等参数，辅助该小区完成休眠或唤醒操作。这类基站休眠技术通常由基站个体触发、并通过小范围基站间协作完成休眠，因此人们将其称为分布式休眠技术。traffic-aware休眠机制是一种典型的分布式休眠技术，它由每个基站通过检测自身的负载，当负载量小于预设门限(K_S)时，提出休眠请求，根据邻站负载情况选择补偿基站进行覆盖，并在负载量高于预设门限时，唤醒基站恢复正常覆盖。

分布式休眠技术往往只根据小区当前的负载情况及用户的分布情况进行小区休眠的决策，而在实际的网络中，负载会随着时间的变化发生巨大的改变。因此，使用现有的分布式休眠技术，可能会导致基站的休眠或唤醒过于频繁，使通信网络的稳定性下降。并且，由于基站的休眠或唤醒操作本身就会带来一定的能耗，如果休眠或唤醒过于频繁，可能反而会导致通信网络的总能耗增加，这样就无法达到节能减排的预期效果。

文献WeisiGuo,O’Farrell.T.DynamicCellExpansionwithSelf-OrganizingCooperation.Proc.ofIEEESelectedAreasinCommunications,volume:31,Issue:5,pp.851-860,Apr.2013.提出了一种集中式休眠机制，集中式休眠机制是从网络全局的角度出发进行休眠管控，在一定程度上能够避免分布式休眠技术中大量的基站间信息交互所导致的信令风暴，并且能够实现全局最优的部署方式。然而，目前的集中式休眠机制大多以能耗效率为唯一目标，忽略了频繁开关基站所带来的额外硬件启动时间和启动能耗，以及用户频繁切换所导致高掉话率的风险。

因此，当前迫切需要一种能够在降低能耗的同时，有效地兼顾网络稳定性和用户QoS(QualityofService，服务质量)体验的基站休眠解决方案。

发明内容

因此，本发明的任务是提供一种能够克服现有技术的上述缺陷的基站休眠解决方案。

根据本发明的一个方面，提供了一种集中式基站休眠决策方法，包括下列步骤：

1)根据用户量和用户分布信息，生成多个连接矩阵，其中，所生成的每个连接矩阵均能够满足用户的接入需求；

2)对于每个连接矩阵，计算它的能耗和连接稳定性，其中，每个连接矩阵的所述连接稳定性是该连接矩阵相对于当前各个基站开关状态的变化程度；

3)根据每个连接矩阵所对应的能耗代价和连接稳定性代价，选择最优的连接矩阵作为当前基站休眠决策结果。

其中，所述步骤3)中，根据每个连接矩阵所对应的能耗代价和连接稳定性代价的加权和来计算该连接矩阵的总代价，选择总代价最小的连接矩阵作为当前基站休眠决策结果。

其中，每个连接矩阵的能耗代价用该连接矩阵的归一化能耗表征，每个连接矩阵的所述连接稳定性代价用该连接矩阵的归一化连接稳定性表征，计算所述总代价的公式中，能耗代价加权系数和连接稳定性代价加权系数之和为1。

其中，每个连接矩阵的所述归一化能耗是基于休眠能耗模型计算的该连接矩阵的总能耗与所属网络的最大总能耗的比值，所述所属网络的最大总能耗是假设所有基站开启且各个用户接入到最近基站时的所有基站的能耗总和。

其中，每个连接矩阵的归一化连接稳定性是该连接矩阵对应的各个基站的开关状态相对于所属网络当前各个基站开关状态的总改变量(即开关状态发生改变的基站总数)，与所属网络的基站总数的比值。

其中，分别绘制基站开关状态改变总量和基站能耗总量随能耗代价加权系数变化的曲线，根据这两条曲线的交叉点确定能耗代价加权系数，进而确定连接稳定性代价加权系数。

其中，基于快速穷举算法或者MPSO算法，求解使得所述总代价最小的连接矩阵。

根据本发明的另一方面，还提供了一种集中式基站休眠系统，包括休眠决策模块和多个基站，

所述基站用于收集用户量和用户分布信息；并在休眠决策时间段内周期性地向休眠决策模块汇报当前的基站信息，所述基站信息包括该基站所搜集的用户量和用户分布信息；

所述休眠决策模块用于基于前文所述的集中式基站休眠决策方法求出最优的连接矩阵，将所求出的最优连接矩阵与当前正在使用的实际连接矩阵比对，获得需要休眠和需要唤醒的基站，然后将这些决策结果发送给相应的基站。

其中，所述休眠决策模块还用于：在获得需要休眠和需要唤醒的基站后，进一步定义相应基站的开启或者关闭时间点以及用户切换时间点，并随决策结果提前通知相应的基站和终端。

与现有技术相比，本发明具有下列技术效果：

1、本发明的基站休眠方案能够更好地帮助通信网络降低能耗。

2、本发明的基站休眠方案能够在有效降低基站能耗的同时提高网络稳定性。

3、本发明的基站休眠方案能够在有效降低基站能耗的同时保障用户的QoS体验。

附图说明

以下，结合附图来详细说明本发明的实施例，其中：

图1示出了本实施例中用于实现基站休眠的集中式控制架构示意图；

图2示出了本实施例中的集中式基站休眠方法的流程图；

图3示出了仿真测试所采用的通信网络系统的业务模型；

图4示出了基站开关状态改变总量和基站能耗总量随权重α取值变化的曲线；

图5示出了传统的分布式traffic-aware休眠机制和本发明的休眠机制的能耗对比；

图6示出了传统的分布式traffic-aware休眠机制和本发明的休眠机制的稳定性对比。

具体实施方式

根据本发明的一个实施例，提供了一种能够在降低能耗的同时，有效地兼顾网络稳定性和用户QoS体验的基站休眠方法。下面首先介绍本实施例中用于实现基站休眠的集中式控制架构。

图1示出了本实施例中用于实现基站休眠的集中式控制架构示意图。该集中式控制架构包括集中式控制模块、基站和用户终端。其中，用户终端用于与基站交互，使基站能够收集用户量、用户分布等信息。基站用于在休眠时间段内，周期性地向集中式的休眠控制模块汇报当前的基站信息，包括用户量、用户分布等。而集中式休眠控制模块用于收集各个基站上传的基站信息，并根据集中式休眠决策模型判定下一个休眠时间段中的基站开关方式。

仍然参考图1，本实施例中，基站休眠方法包括下列步骤：

第1步：各个基站收集用户量、用户分布等信息。

其中，小区内用户数量可以通过实时更新并统计与基站相连接的用户而得到，不再赘述。另一方面，用户的位置信息可以由LTE系统的定位技术得到。在LTE系统中，定位机制需要同时支持控制平面定位方法和用户平面定位方法。用户平面定位方法由OMA组织进行标准化，而控制平面定位方法包括辅助全球导航卫星系统(A-GNSS，AssistedGlobalNavagationSatelliteSystem)定位、下行到达时间观测差定位(OTDOA，ObservedTimeDifferenceOfArrival)以及基于定时提前量(TA，TimingAdvance)和来波方向(AoA，AngleofArrival)定位(简称TA+AoA)。其中，TA+AoA也被称作增强小区标识(E-CID，EnhancedCELL_ID)定位方法。除此之外，还有一种称为上行到达时间差(UTDOA，UplinkTimeDifferenceOfArrival)定位方案在标准化过程中。

第2步：各个基站在休眠决策时间段内，周期性地向集中式的休眠控制模块汇报当前的基站信息，基站信息包括用户量、用户分布等。在一个例子中，将1天中24小时分为24个时间段，每个小时均作为一个休眠时间段，也就是说一天中包含24个休眠时间段。

在任意休眠时间段中，基站侧得到了所需的用户数量与分布信息后，所有基站需要将各自的交互信息汇报给集中式休眠模块。在这一过程中，只需在集中式休眠模块与基站之间加入新的数据接口和通道即可，对通信协议和信令本身影响不大，相当于将基站本地信息交互到远端控制模块进行集中式处理。

第3步：集中式休眠控制模块根据集中式休眠决策模型判定下一个周期中各个基站的开启或者关闭状态。本实施例中，判定下一个周期中各个基站的开启或者关闭状态就是要得出下一个周期的整个网络覆盖区域内的连接矩阵。假设在网络中共有M个基站和N个用户，则它们之间的连接关系可以用连接矩阵表示，且有x_m,n∈{0,1}及其中，x_m,n＝1表示基站m和用户n建立了连接关系，x_m,n＝0表示基站m和用户n未建立连接关系。表示每个用户只能接入一个基站。

在决策过程中，集中式控制模块将基于用户信息(业务、分布等)模拟不同的基站覆盖方式，以求出最优的覆盖方式，即求出最优连接矩阵例如，第一基站、第二基站、第三基站对应的负载量分别为50％、5％和10％，集中式控制将模拟三个基站所能够组合成的所有开关与补偿的组合方式，并假设用户接入对应基站，从而评估出最优的部署方式。在得到最优的覆盖方式之后，集中式控制模块将所求出的最优连接矩阵与当前的实际连接矩阵比对，即可获得需要休眠和需要唤醒的基站，然后将这些决策结果发送给相应的基站。本实施例中，集中式控制模块还进一步定义详细的基站开关及用户切换时间点，并随决策结果通过相同的交互接口和通道提前通知基站和对应终端，以防止突然关闭基站对用户造成的影响。上述由集中式控制模块定义详细的基站开关及用户切换时间点的实现方式是一种效果较好的实现方式，但这并非本发明唯一的实现方式。在另一实施例中，也可以由集中式控制模块将休眠或唤醒的指令发送给相应基站，然后通过基站与其协作基站的协调，决定其开关时间点及用户切换时间点，进而完成休眠或唤醒操作。

进一步地，为了获得最优连接矩阵，在一个实施例中，提出了一种休眠决策模型，该休眠决策模型能够在降低能耗的同时，有效地兼顾网络稳定性和用户QoS体验。

首先，发明人对网络稳定性进行了定义。在某一给定面积的地理区域内，假设该区域内共有M个小区，每一个小区都包含一个服务基站，同时，每个基站都有打开(S_on)和关闭(S_off)两个状态。用基站状态指示值(BaseStationStateIndicator，BSSI)来表征打开和关闭状态。示例性地，打开状态对应的BSSI＝1，关闭状态对应的BSSI＝0。在某一时刻t_k，定义网络状态指示值(NetworkStateIndicator，NSI)表示该区域内当前时刻打开的基站数目，即

${\mathrm{NSI}}_{t_k}=\underset{m=1}{\overset{M}{\Σ}}{\mathrm{BSSI}}_{m,t_k}---\left(1\right)$

另外，假设在某一段时间T内，存在t₁，t₂，…，t_k个时间间隔(timeinterval，TI)相等的交互时间点，即T＝t₁+t₂+…+t_k，则称之为休眠时间点(sleeptimepoints，STP)。在每一个STP，网络中的各个基站将根据负载情况重新部署一次，因此，对时刻t_k到时刻t_k+1之间的时间段，将网络稳定性指标(NetworkStabilityPerformanceIndicator，NSPI)定义为

${\mathrm{NSPI}}_{t_{k+1}}=\underset{m=1}{\overset{M}{\Σ}}{({\mathrm{BSSI}}_{m,t_{k+1}}-{\mathrm{BSSI}}_{m,t_k})}^2---\left(2\right)$

用文字表述，可以将网络稳定性指标定义为某一网络区域内的所有基站在一个休眠决策时间段的开关状态改变量之和。稳定性指标越低，网络性能越好，反之，网络性能越差。

下面介绍本实施例的休眠决策模型，它是一种多目标联合优化模型。多目标联合优化模型中，假设为整体优化目标，为归一化的子优化目标，为约束条件。假设存在α_i,i＝1,2,...,I，且α_i为对应子优化目标的权重系数，并存在则有

本实施例中，结合了能效、QoS保障以及稳定性三个指标进行联合优化，因此在休眠决策模型中，假设表示的总体优化目标，表示归一化的能效子优化目标，表示归一化的稳定性子优化目标，表示QoS保障的约束条件，则该多目标联合优化问题可以建立连接矩阵与的关系，通过调整得到最优的整体目标即

α+β＝1(3)

α,β∈[0,1]

其中，α和β分别为能耗、稳定性子优化目标的权重系数。由于归一化后的和已经从不同量纲归一化为同一量纲，因此，可以通过调整其系数α和β，调整子目标在整体目标中的比例，并找到最优的权重分配，从而进行最优化部署。α和β可以是经验值，也可以根据仿真结果确定，也可以在实际使用过程中对实际的稳定性指标和能耗指标进行监测并进行相应的动态调整。

其中，归一化的能效子优化目标基于休眠能耗模型计算。一个实施例中，采用文献G.Auer,V.Giannini,C.Desset,I.Godor,P.Skillermark,M.Olsson,M.A.Imran,D.Sabella,M.J.Gonzalez,O.Blumeetal..Howmuchenergyisneededtorunawirelessnetwork？IEEEWirelessCommunications,vol.18,no.5,pp.40-49,Oct.2011.所提出的休眠能耗模型，即

其中，表示基站m的能耗，P₀表示打开一个基站后的最小非零能耗，也可以理解为打开一个基站的代价，P_sleep表示基站休眠时的能耗，Δ_P是与负载相关的能耗系数，P_out是指接入基站m的所有用户的发射功率之和，即：

$P_{out}^m=\underset{n=1}{\overset{N}{\Σ}}{P}_{m,n}---\left(5\right)$

同时，包含M个基站的网络的总体能耗为：

$P_{NW}=\underset{m=1}{\overset{M}{\Σ}}{P}_{BS}^m---\left(6\right)$

因此，在式(3)中，归一化能效子目标可以通过下面的式(7)得出：

其中，可以简化为所有基站开启时，且用户接入到最近基站时的能耗总和。

另一方面，对于归一化稳定性子目标假设表示当前决策周期在决策后的新连接状态，N_max表示每个基站允许接入的最大用户数限制，CS_m(currentstate)和PS_m(planningstate)分别表示基站m当前的开关状态和基站m在决策后的开关状态，即：

其中，符号代表向上取整，下文中不再赘述。公式(8a)表示只要有用户连接基站m，不管这个用户数目是多少，基站m的CS值就是1，只有在没有任何用户连接基站m时，基站m的CS值为0。

公式(8b)表示只要有用户连接基站m，不管这个用户数目是多少，基站m的PS值就是1，只有在没有任何用户连接基站m时，基站m的PS值为0。

假设基站m的状态改变量为ST_m(statetransition)，则有：

ST_m＝(PS_m-CS_m)²(9)

因此，若ST_m＝1则表示基站m的状态发生了改变，反之，若ST_m＝0则表示基站m的状态未发生改变。

因此，归一化稳定性子目标可以通过下面的式(10)计算：

其中，可以理解为所有基站都发生了状态改变，则该值可以简化为M。

而对于QoS约束条件来说，则基于式(3)，使每一个用户n连接到基站m所获得的实际速率R_m,n满足其速率要求ε_n即可，即：

$R_{m,n}=B_{m,n}\·{\log }_2(1+\frac{{\mathrm{PL}}_{m,n}\·P_{m,n}}{\underset{j\≠m}{\Σ}{\mathrm{PL}}_{j,n}\·P_{j,n}+{\mathrm{\σ}}^2})\≥{\mathrm{\ϵ}}_n---\left(11\right)$

其中，B_m,n表示用户n接入基站m所得到的带宽，PL_m,n表示基站m到用户n的路损，σ²表示噪声功率。

集中式休眠控制模块可以自动生成各种连接矩阵然后基于所生成的连接矩阵计算归一化的子目标和再基于上述集中式休眠决策模型，得出各个连接矩阵各自对应的整体优化目标最后选出使得整体优化目标最优的连接矩阵，该连接矩阵就是所获得的决策结果。实际上，集中式休眠控制模块的决策过程可以看作对休眠决策模型进行求解的过程，即对使得整体优化目标最小化的连接矩阵的最优解进行求解的过程。解休眠决策模型的算法不是唯一的，在一个实施例中，采用快速穷举(fastexhaustive)算法进行求解，它是通过搜索所有可能形成的部署方式来寻找最优解。该算法的前提是将用户接入最近的、打开的基站，因此，该算法需要遍历M个基站的开关状态即可，计算复杂度为2^M。该实施例特别适合于基站数目M不大的应用场景。

而在另一个实施例中，采用改进型的粒子群优化算法(modifiedparticleswarmoptimization，MPSO)对休眠决策模型进行求解。首先，该算法将会基于每一个基站在每一个休眠时间段(STP)的业务量和邻区数目确定一个开关门限O，即

$O_j\left(t_k\right)={\mathrm{\λ}}_1\·f_j\left(t_k\right)+{\mathrm{\λ}}_2\·\frac{D_j}{\underset{m}{max}{D}_m}---\left(11\right)$

其中，λ₁和λ₂分别是权重系数，f_j(t_k)表示基站j在t_k时刻的归一化负载量(即基站j在t_k时刻的负载量与满负载的比值，其取值范围为[0，1])，D_j表示基站j的邻区数目，表示邻区最多的基站的邻区数目，因此，基站j的邻区数目在归一化后的取值范围也为[0，1]。

该算法中，每一个粒子将初始化为所有基站的一种随机开关概率，即

其中，q＝1,2,3,…,Q表示粒子的编号，Q表示粒子的数量，m＝1,2,3,…,M表示基站的编号，就表示基站m在粒子q中打开的概率值。随后，算法将根据以下方法进行迭代

其中，和分别代表更新后的和当前的粒子q的基站开关的概率组合，和是下一个时刻和当前时刻的开关概率调整值，c₁、c₂、r₁和r₂分别是定值常数，此外，不同于标准的PSO算法，在本实施例中，PSO算法中的初始权重因子ω每次的取值是从集合{-1,0,1}中随机取出一个值，这样能够通过相位旋转(开关改变)的方式提高算法的全局搜索能力，以防算法陷入局部最优解中。

在每一次迭代产生每个粒子的开关概率组合后，其中的每个基站m将与对应的门限值O_m进行对比，判断开关情况，进而完成对休眠决策模型的求解。

改进型的粒子群优化算法能够降低求解休眠决策模型的计算复杂度，特别适合于基站数目M较大的应用场景。

为验证本发明的技术效果，发明人采用基于LTE通信网络系统的仿真模型对本发明的集中式基站休眠方法进行了测试。在测试中，LTE通信网络系统采用文献G.Auer,V.Giannini,C.Desset,I.Godor,P.Skillermark,M.Olsson,M.A.Imran,D.Sabella,M.J.Gonzalez,O.Blumeetal..Howmuchenergyisneededtorunawirelessnetwork？IEEEWirelessCommunications,vol.18,no.5,pp.40-49,Oct.2011.所记载的能耗模型，采用文献ChinaMobileResearchInstitute.C-RAN:TheroadtowardsgreenRAN.WhitePaper,Oct.2011,version2.5.所记载的业务模型，图3示出了仿真测试所采用的通信网络系统的业务模型，该业务模型具有商务区和住宅区两种类型。在生成仿真测试用的LTE通信网络系统时，每个小区随机选择其业务模型的类型(即商务区或住宅区)。另外，为了便于仿真，假设所有的用户速率需求ε_n都相等。表1示出了仿真测试中的各项参数。

表1

参数	参数值
		M(集中式网络规模)	14
NBA(商务区数量)	7
		NRA(住宅区数量)	7

W(系统带宽)	10(Mhz)
		B(用户带宽)	系统带宽/用户个数
εn(用户速率需求)	100(kbps)
		R(小区半径)	0.2(km)
TI(时间间隔)	60(min)
		σ2(噪声功率)	-174(dB/Hz)
KS(分布式休眠门限)	15％
		PL(d)(路损)	137.5+35.2·log10(d)

在测试时，首先对参数α和β的取值对系统性能的影响进行评估。图4示出了基站开关状态改变总量和基站能耗总量随权重α取值变化的曲线。图4，α表示了能耗性能指标在总优化目标中的权重，当α取值为1，即只考虑能耗时，网络的能耗是最低的，此时网络的切换次数达到了最高。相反，当α取值为0时，表示只考虑稳定性指标，此时切换最少，但能耗是最高的。在实际选择中，可以根据不同需求，选择不同的权重比例进行休眠的决策。下面的仿真结果均是在选取α＝0.62作为优化的权重分配比例的前提下得出。

图5示出了传统的分布式traffic-aware休眠机制和本发明的休眠机制的能耗对比，图6示出了传统的分布式traffic-aware休眠机制和本发明的休眠机制的稳定性对比。可以看出，本发明在能效有所提高的前提下，每天的切换次数减少了50％左右，极大地提高了网络的稳定性。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其它的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (9)

1.一种集中式基站休眠决策方法，其特征在于，包括下列步骤：

1)根据用户量和用户分布信息，生成多个连接矩阵，其中，所生成的每个连接矩阵均能够满足用户的接入需求；

2)对于每个连接矩阵，计算它的能耗和连接稳定性，其中，每个连接矩阵的所述连接稳定性是该连接矩阵相对于当前各个基站开关状态的变化程度；

3)根据每个连接矩阵所对应的能耗代价和连接稳定性代价，选择最优的连接矩阵作为当前的基站休眠决策结果。

2.根据权利要求1所述的集中式基站休眠决策方法，其特征在于，所述步骤3)中，根据每个连接矩阵所对应的能耗代价和连接稳定性代价的加权和来计算该连接矩阵的总代价，选择总代价最小的连接矩阵作为当前基站休眠决策结果。

3.根据权利要求2所述的集中式基站休眠决策方法，其特征在于，每个连接矩阵的能耗代价用该连接矩阵的归一化能耗表征，每个连接矩阵的所述连接稳定性代价用该连接矩阵的归一化连接稳定性表征，计算所述总代价的公式中，能耗代价加权系数和连接稳定性代价加权系数之和为1。

4.根据权利要求3所述的集中式基站休眠决策方法，其特征在于，每个连接矩阵的所述归一化能耗是基于休眠能耗模型计算的该连接矩阵的总能耗与所属网络的最大总能耗的比值，所述所属网络的最大总能耗是假设所有基站开启且各个用户接入到最近基站时的所有基站的能耗总和。

5.根据权利要求3所述的集中式基站休眠决策方法，其特征在于，每个连接矩阵的归一化连接稳定性是该连接矩阵对应的各个基站的开关状态相对于所属网络当前各个基站开关状态的总改变量，与所属网络的基站总数的比值。

6.根据权利要求4所述的集中式基站休眠决策方法，其特征在于，分别绘制基站开关状态改变总量和基站能耗总量随能耗代价加权系数变化的曲线，根据这两条曲线的交叉点确定能耗代价加权系数，进而确定连接稳定性代价加权系数。

7.根据权利要求4所述的集中式基站休眠决策方法，其特征在于，基于快速穷举算法或者MPSO算法，求解使得所述总代价最小的连接矩阵。

8.一种集中式基站休眠系统，包括休眠决策模块和基站；

所述基站用于收集用户量和用户分布信息；并在休眠决策时间段内周期性地向休眠决策模块汇报当前的基站信息，所述基站信息包括该基站所搜集的用户量和用户分布信息；

所述休眠决策模块用于基于权利要求1至7中任意一项所述的集中式基站休眠决策方法求出最优的连接矩阵，将所求出的最优连接矩阵与当前正在使用的实际连接矩阵比对，获得需要休眠和需要唤醒的基站，然后将这些决策结果发送给相应的基站。

9.根据权利要求8所述的集中式基站休眠系统，其特征在于，所述休眠决策模块还用于：在获得需要休眠和需要唤醒的基站后，进一步定义相应基站的开启或者关闭时间点以及用户切换时间点，并随决策结果提前通知相应的基站和终端。