CN106376011A - 一种数能一体化通信网络的最大化上行吞吐量方法 - Google Patents

Abstract

本发明公开了一种数能一体化通信网络的最大化上行吞吐量方法，包括：确定网络模型，建立数能一体化网络中的上下行网络模型；确定基站发射功率、噪声功率和能量转化率；定义用户下行业务需求，得到关于用户下行业务需求的目标表达式以及其约束；计算每个用户下行收割到的能量的表达式；得出用户上行数据量的表达式；通过联合优化用户的上行下行时隙和功率分割因子完成上行总吞吐量最大化，并得出传输策略。本发明的方法通过对数能一体化网络中的一个物理场景进行数学建模，并对模型求解，解决了在数能一体化网络中，用户通信能量来源于基站发送的射频信号，且用户有下行数据量需求的情况下，最大化整个网络中用户上行总数据量的问题。

Description

一种数能一体化通信网络的最大化上行吞吐量方法

技术领域

本发明属于通信网络技术领域，具体涉及一种数能一体化通信网络的最大化上行吞吐量方法。

背景技术

无线通信系统的能量来源大致分为两种，其一是电网供电，其二是来自于电池供电。前一方式使得系统可持续获得可靠的能量，但要求部署电力网络，从而使系统的应用范围受限；后者使得系统的应用更加便携，但是单电池的存储能力使得系统的功率和能量均受到严格的限制，从而制约了系统的服务性能和生命周期，且当今电池的蓄电量已经成为技术发展的瓶颈。而在我们进行数据传输的过程中，基站发射的很多无线信号的能量都被当作无用功率白白浪费掉了。

数能一体化通信技术的出现为解决无线通信中信息和能量同步传输这一课题提供了可能性，并已经成为了未来通信发展的一个重要方向。其核心思想旨在实现信息和能量的并行传输，即在现有的无线供电的技术的基础上，通过多种前沿的技术手段，在无线信息传输同时实现能量收集(Energy Harvesting,EH)，从而在实现高效可靠信息通信的同时充分利用宝贵的能量资源，具有重要的实际意义和技术挑战性。

目前已有研究考虑数能一体化通信网络传输中的吞吐量优化，包括上行总吞吐量优化和上行数据量公平性的优化，但都是基于时隙切换(Time Swiching，TS)技术的物理场景，实现数能同传，对上行数据量进行优化。

但是如果想要真正意义上地实现数能同传，必须考虑采用功率分割(PowerSplitting，PS)技术，即用户将接收到的功率信号，通过功率分流器将其分成两个部分，一部分用来信息解码，另一部分用来能量收割。

发明内容

本发明的目的在于克服现有技术中对于多用户数能一体化通信网络传输优化吞吐量时采用分时进行数据和能量传输策略的缺陷，提出了一种在下行数能同传的场景下最大化上行数据量的传输策略。

本发明的技术方案为：一种数能一体化通信网络的最大化上行吞吐量方法，包括以下步骤：

S1、确定网络模型，建立数能一体化网络中的上下行网络模型；

S2、确定基站发射功率、噪声功率和能量转化率；

S3、定义用户下行业务需求，得到关于用户下行业务需求的目标表达式以及其约束；

S4、计算每个用户下行收割到的能量的表达式；

S5、根据S4中得到的用户下行收集到的能量的表达式得出用户上行数据量的表达式；

S6、通过联合优化用户的上行下行时隙和功率分割因子完成上行总吞吐量最大化，并得出传输策略。

进一步地，步骤S1包括以下子步骤：

S11、考虑单小区的基于TDMA的数能一体化蜂窝网络，基站和用户均为单天线，基站BS以广播形式通过下行信道分时地发送数能一体信号给M个用户(U₁,U₂,U₃,...,U_M)，用户则通过上行信道分时地发送信息至基站；基站以恒定的功率完成下行的通信；设基站与用户之间的信道在一个工作周期T内保持不变，和分别表示为用户j的下行信道和上行信道的信道功率衰落，设信道均为AWGN信道，且信道噪声功率为P_n；

S12、在的时间段内，基站以功率P^BS以广播的形式与用户j进行通信。此时，用户j通过功率分割技术以分割因子μ_j将下行接收到的信号能量划分成两部分，一部分作为能量收集，另一部分接收的信号能量进行解码获得相应信息，而其他用户则将接收到的信号全部作为能量进行采集。

本发明的有益效果：本发明的方法通过对数能一体化网络中的一个物理场景进行数学建模，并根据凸优化理论对模型求解，解决了在数能一体化网络中，用户通信能量来源于基站发送的射频信号，且用户有下行数据量需求的情况下，最大化整个网络中用户上行总数据量的问题。

附图说明

图1为本发明的动态资源最优化方法流程图；

图2为本发明的数能一体化通信网络的网络模型示意图；

图3为本发明的用户接收到信号后进行功率分割能量的方法示意图；

图4为本发明的网络模型时隙分配图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明的技术方案。

如图1所示，一种数能一体化通信网络的动态资源最优化方法，包括以下步骤：

S1、确定网络模型，建立数能一体化网络中的上下行网络模型，如图2所示；具体包括以下子步骤：

S11、考虑单小区的基于TDMA的数能一体化蜂窝网络，基站和用户均为单天线，基站BS以广播形式通过下行信道分时地发送数能一体信号给M个用户(U₁,U₂,U₃,...,U_M)，用户则通过上行信道分时地发送信息至基站；基站以恒定的功率完成下行的通信；设基站与用户之间的信道在一个工作周期T内保持不变，和分别表示为用户j的下行信道和上行信道的信道功率衰落，设信道均为AWGN信道；

S12、在的时间段内，基站以功率P^BS以广播的形式与用户j进行通信。此时，用户j通过功率分割技术以分割因子μ_j将下行接收到的信号能量划分成两部分，一部分作为能量收集，另一部分接收的信号能量进行解码获得相应信息，而其他用户则将接收到的信号全部作为能量进行采集；

S2、确定基站发射功率、噪声功率和能量转化率；具体包括以下子步骤：

S21、根据实际硬件和基站周围环境情况确定基站发射功率P^BS；

S22、根据实际场景情况，确定用户j上行下行信道噪声功率用户j设备能量转换效率为β_j。

S3、定义用户下行业务需求，得到关于用户下行业务需求的目标表达式以及其约束；其具体实现方法为：根据实际应用场景的需求，确定用户j下行数据量的最低需求D_j(bit/Hz)；根据图3中功率分割原理将用户接收到的信号分割成两部分，其中用于信息解码的功率为则用户j下行接收到的数据量表达式为：

$R_y^d=t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_{d,j}^n}\](bit/Hz)$

可以得到下行数据量约束为：

$t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_j^d}\]\≥D_j$

其中，j＝1,2,3...M。

S4、根据功率分割技术的原理得到每个用户下行接收到的数据量和收割到的能量的表达式；其具体实现方法为：根据S1中提出的模型图2、以及图4可以得到用户j采集到的能量表达式为：

$E_{recv,j}={\mathrm{\β}}_j(\underset{i\≠j}{\Σ}{t}_i^d+u_j{t}_j^d)h_j^d{P}^{BS}$

S5、根据S4中得到的用户下行收集到的能量的表达式得出用户上行数据量的表达式；具体包括以下子步骤：根据S1中提出的网络模型图2、以及图4可以得到用户j上行数据量表达式为：

$R_j^u=t_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\Σ}{t}_i^d+u_j{t}_j^d)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\](bit/Hz)$

S6、通过联合优化用户的上行下行时隙和功率分割因子完成上行总吞吐量最大化，并得出传输策略；具体包括以下子步骤：

S61、在满足下行的业务需求消耗的同时，期望通过合理的分配每个用户的上行下行传输时隙和每个用户的功率分割因子，使得上行数据量最大化，则对应的数学模型可以如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,u_j}{max}& \underset{j=1}{\overset{M}{\Σ}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\Σ}{t}_i^d+u_j{t}_j^d)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_j^d}\]\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\≤T$

0≤u_j≤1

j＝1,2,...,M

S62、该问题并不是一个凸优化问题，需要对其进行变量替换，令则得到新的优化问题如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,x_j}{max}& \underset{j=1}{\overset{M}{\Σ}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\Σ}{t}_i^d+x_j)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2(1+\frac{h_j^d{P}^{BS}}{P_j^d}-\frac{x_j{h}_j^d{P}^{BS}}{P_j^d{t}_j^d})\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\≤T$

$0\≤x_j\≤t_j^d$

j＝1,2,...,M

新的优化问题为凸问题的证明如下：

目标函数是函数的透视函数，由凸优化理论(仿射函数、对数函数和求和函数)的基本概念，不难证明是一个严格的凹函数。由于透视函数和原函数保持相同凸性，所以目标函数是一个严格的凹函数。同理可以证明第一个约束函数是一个严格的凸函数。而剩余的约束条件都是仿射约束，故变量替换后的问题是一个凸问题。

S63、由于S62已经证明了求解问题是一个凸优化问题，所以可以通过拉格朗日对偶法得到最优解。由于求解问题的特殊性，如果对问题直接迭代求解，复杂度太高，再对S62中的问题进行变换得到新问题如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,x_j}{min}& \underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2(1+\frac{h_j^d{P}^{BS}}{P_j^d}-\frac{x_j{h}_j^d{P}^{BS}}{P_j^d{t}_j^d})\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\Σ}{t}_i^d+x_j)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\≥R$

$0\≤x_j\≤t_j^d$

j＝1,2,...,M

其中，R为新引入的一个变量。

S64、设置R_max为一个较大的值，设置R_min为0；取通过拉格朗日对偶法对S63中的问题求解；若优化结果大于T，则取R_max＝R，反之取R_min＝R，再带入到S63中求解，直到R_max-R_min＜ε(ε为误差容限)，最后得到最优解。

S65、根据S64得到的求解结果，确定传输策略。

本发明的方法通过对数能一体化网络中的一个物理场景进行数学建模，并根据凸优化理论对模型求解，解决了在数能一体化网络中，用户通信能量来源于基站发送的射频信号，且用户有下行数据量需求的情况下，最大化整个网络中用户上行总数据量的问题。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种数能一体化通信网络的最大化上行吞吐量方法，包括以下步骤：

S1、确定网络模型，建立数能一体化网络中的上下行网络模型；

S2、确定基站发射功率、噪声功率和能量转化率；

S3、定义用户下行业务需求，得到关于用户下行业务需求的目标表达式以及其约束；

S4、计算每个用户下行收割到的能量的表达式；

S5、根据S4中得到的用户下行收集到的能量的表达式得出用户上行数据量的表达式；

S6、通过联合优化用户的上行下行时隙和功率分割因子完成上行总吞吐量最大化，并得出传输策略。

2.根据权利要求1所述的数能一体化通信网络的最大化上行吞吐量方法，其特征在于，步骤S1包括以下子步骤：

S11、考虑单小区的基于TDMA的数能一体化蜂窝网络，基站和用户均为单天线，基站BS以广播形式通过下行信道分时地发送数能一体信号给M个用户(U₁,U₂,U₃,...,U_M)，用户则通过上行信道分时地发送信息至基站；基站以恒定的功率完成下行的通信；设基站与用户之间的信道在一个工作周期T内保持不变，和分别表示为用户j的下行信道和上行信道的信道功率衰落，设信道均为AWGN信道，且信道噪声功率为P_n；

S12、在的时间段内，基站以功率P^BS以广播的形式与用户j进行通信，此时，用户j通过功率分割技术以分割因子μ_j将下行接收到的信号能量划分成两部分，一部分作为能量收集，另一部分接收的信号能量进行解码获得相应信息，而其他用户则将接收到的信号全部作为能量进行采集。

3.根据权利要求2所述的数能一体化通信网络的最大化上行吞吐量方法，其特征在于，步骤S2具体包括以下子步骤：

S21、根据实际硬件和基站周围环境情况确定基站发射功率P^BS；

S22、根据实际场景情况，确定用户j上行下行信道噪声功率用户j设备能量转换效率为β_j。

4.根据权利要求2所述的数能一体化通信网络的最大化上行吞吐量方法，其特征在于，步骤S3具体实现方法为：根据实际应用场景的需求，确定用户j下行数据量的最低需求D_j；根据功率分割原理得到，用户j下行接收到的数据量表达式为：

$R_j^d=t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_{d,j}^n}\]$

可以得到下行数据量约束为：

$t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_j^d}\]\≥D_j$

其中，j＝1,2,3...M。

5.根据权利要求2所述的数能一体化通信网络的最大化上行吞吐量方法其特征在于，步骤S4计算每个用户下行收割到的能量的表达式；具体根据功率分割技术的原理得到用户j采集到的能量表达式为：

$E_{recv,j}={\mathrm{\β}}_j(\underset{i\≠j}{\mathrm{\Σ}}{t}_i^d+u_j{t}_j^d)h_j^d{P}^{BS}.$

6.根据权利要求2所述的数能一体化通信网络的最大化上行吞吐量方法，其特征在于，步骤S5得到用户j上行数据量表达式具体为：

$R_j^u=t_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\mathrm{\Σ}}{t}_i^d+u_j{t}_j^d)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\],$

即，

7.根据权利要求6所述的数能一体化通信网络的最大化上行吞吐量方法，其特征在于，步骤S6具体包括如下分步骤：

S61、在满足下行的业务需求消耗的同时，期望通过合理的分配每个用户的上行下行传输时隙和每个用户的功率分割因子，使得上行数据量最大化，则对应的数学模型可以如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,u_j}{\max }& \underset{j=1}{\overset{M}{\mathrm{\Σ}}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j\left(\underset{i\≠j}{\mathrm{\Σ}}{t}_i^d+u_j{t}_j^d\right)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2\[1+\frac{(1-u_j)h_j^d{P}^{BS}}{P_j^d}\]\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\≤T$

0≤u_j≤1

j＝1,2,...,M

S62、该问题并不是一个凸优化问题，需要对其进行变量替换，令则得到新的优化问题如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,x_j}{\max }& \underset{j=1}{\overset{M}{\Σ}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_x(\underset{i\≠j}{\mathrm{\Σ}}{t}_i^d+x_j)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2(1+\frac{h_j^d{P}^{BS}}{P_j^d}-\frac{x_j{h}_j^d{P}^{BS}}{P_j^d{t}_j^d})\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\≤T$

$0\≤x_j\≤t_j^d$

j＝1,2,...,M

新的优化问题为凸问题的证明如下：

目标函数是函数的透视函数，是一个严格的凹函数，由于透视函数和原函数保持相同凸性，所以目标函数是一个严格的凹函数，通过海森矩阵可以证明约束函数是一个严格的凸函数，而剩余的约束条件都是仿射约束，故变量替换后的问题是一个凸问题；

S63、由于S62已经证明了求解问题是一个凸优化问题，所以可以通过拉格朗日对偶法得到最优解，对S62中的问题进行变换得到新问题如下：

$\begin{array}{cc}\underset{t_j^u,t_j^d,x_j}{min}& \underset{j=1}{\overset{M}{\Σ}}{t}_j^u+t_j^d\end{array}$

$\begin{array}{cc}s.t.& t_j^d{\log }_2(1+\frac{h_j^d{P}^{BS}}{P_j^d}-\frac{x_j{h}_j^d{P}^{BS}}{P_j^d{t}_j^d})\≥D_j\end{array}$

$\underset{j=1}{\overset{M}{\Σ}}{t}_j^u{\log }_2\[1+\frac{{\mathrm{\β}}_j(\underset{i\≠j}{\mathrm{\Σ}}{t}_i^d+x_j)h_j^d{h}_j^u{P}^{BS}}{P_{d,j}^u{t}_j^u}\]\≥R$

$0\≤x_j\≤t_j^d$

j＝1,2,...,M

其中，R为新引入的一个变量。

S64、设置R_max为一个较大的值，设置R_min为0；取通过拉格朗日对偶法对S63中的问题求解；若优化结果大于T，则取R_max＝R，反之取R_min＝R，再带入到S63中求解，直到R_max-R_min＜ε(ε为误差容限)，最后得到最优解。

S65、根据S64得到的求解结果，确定传输策略。