CN106658514A - 一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法 - Google Patents

Abstract

本发明公开了一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法，包括如下步骤：1）构建网络模型、划分网络带宽和确定频谱使用方式；2）计算移动用户与宏基站关联获得的信噪比以及与微基站关联获得的信干噪比；3）采用统计平均的方法计算移动用户与最近邻微基站的关联概率以及与宏基站和微基站关联时，其下行链路的平均吞吐量；4）计算网络的频谱效率与能量效率；5）建立最大化能量效率的优化模型。这种方法能应用于传统蜂窝网络，使得传统蜂窝网络平稳演进，可以在需要的宏蜂窝场景下快速部署，在满足最小频谱效率和最小用户吞吐量的条件下，最大化网络的能量效率，显著提升网络容量，保证用户服务质量。

Description

一种微基站超密集部署异构网络的能量效率与频谱效率平衡 方法

技术领域

本发明涉及移动通信技术领域，具体是一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法。

背景技术

随着智能手机、平板电脑等无线移动设备的普及，移动用户数目和数据流量呈现出爆炸增长的趋势，传统蜂窝网络很难再通过小区分裂的方式满足移动用户接入和数据流量快速增长的需求。为了应对移动数据流量迅速增长的挑战，未来的5G网络需要能够提供大于10Gbit/s的峰值速率，并且能够提供100Mbit/s-1Gbit/s的用户体验速率，而UDN(Ultra Dense Network，超密集网络部署)是实现这些目标的重要手段和方式。

超密集部署异构网络通常包含多种不同功率的接入点，它们的站点密度要远大于传统蜂窝网络，并且它们的位置具有随机性，这使得分析超密网络的性能变得十分困难。此外，由于基站的超密集部署，在显著提升系统容量的同时，也带来巨大的能量消耗，因此系统的能量效率将会成为衡量未来无线通信系统性能的重要指标。

用随机几何方法研究异构超密网络，不仅可以捕获基站位置的随机性特征，还具有数学上的易处理性，利用随机几何建模基站位置分布，可以使得系统性能的分析过程简化。

现有的超密网络性能研究方法中，大多考虑单层或多层网络场景，将不同类型的基站建模为相互独立的空间点过程，在全频率复用的条件下，用随机几何的方法研究系统的总干扰分布、中断概率、用户的平均可达速率等性能指标，这样的网络场景，虽然充分利用了随机几何理论方法在数学上的易处理性，但却在实际的网络部署中存在问题，不能很好地满足蜂窝系统平稳演进的要求，因此有必要考虑宏蜂窝场景下微基站超密集部署的能效问题。特别是，很多学者在研究中考虑了基站间的全频率复用，这虽然可以提升系统的频谱效率和容量，但却带来了严重的层间干扰，针对频谱划分的专用信道部署方式也很少有人研究。

发明内容

本发明的目的是针对现有技术对的不足，而提供一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法。这种方法能应用于传统蜂窝网络，使得传统蜂窝网络平稳演进，可以在需要的宏蜂窝场景下快速部署，在满足最小频谱效率和最小用户吞吐量的条件下，最大化网络的能量效率，显著提升网络容量，保证用户服务质量。这种方法还可以扩展到中继站、毫微基站、家庭基站等。

实现本发明目的的技术方案是：

一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法，包括如下步骤：

1)构建网络模型、划分网络带宽和确定频谱使用方式：所述网络模型为在一个半径为R的宏蜂窝中，宏基站位于原点处，微基站和移动用户在宏基站的覆盖范围内服从相互独立的空间泊松点过程，密度分别为λ_m，λ_u；所述的划分网络带宽是将网络可用带宽W均匀的划分为m个子信道，每个子信道的带宽为w，其中m₁个子信道分配给宏基站，剩余的m₂＝1-m₁个子信道分配给微基站，所有的微基站共享频谱资源；所述的频谱使用方式为关联的移动用户均分宏基站和微基站拥有的子信道，当关联的移动用户数目大于宏基站或微基站拥有的子信道数目时，它们采用时分方式使用频率资源；

2)计算移动用户与宏基站关联获得的信噪比以及与微基站关联获得的信干噪比：

所述的移动用户与宏基站关联获得的信噪比为：

所述的移动用户与微基站关联获得的信干噪比为：

式中P₁和P₂分别为宏基站和微基站的发射功率，h₁和h₂分别表示宏基站、微基站到移动用户的信道系数，r和x分别表示移动用户到宏基站和最近邻微基站的距离，w表示子信道的带宽，n₀为热噪声的功率谱密度，α表示路径损耗指数，I表示微基站对移动用户的层间干扰；

3)采用统计平均的方法计算移动用户与最近邻微基站的关联概率以及与宏基站和微基站关联时，其下行链路的平均吞吐量：所述移动用户与最近邻微基站的关联概率为

其中表示对x和I求期望；门限值β为移动用户接入微基站的最小信干噪比；

所述移动用户与宏基站关联时，其下行链路的平均吞吐量为：

其中n₁表示与宏基站关联的移动用户的平均数目，表示对h₁求期望；

所述移动用户与微基站关联时，其下行链路的平均吞吐量为：

其中n₂表示与微基站关联的移动用户的平均数目；

4)计算网络的频谱效率与能量效率：首先计算移动用户的平均吞吐量为：

然后定义宏基站和微基站的总功率消耗为一个关于辐射功率的线性函数，即

P_tot1＝Δ₁P₁'+P₁₀，

P_tot2＝Δ₂P₂'+P₂₀，

其中P_tot1，P_tot2分别为宏基站和微基站总功耗；Δ₁，Δ₂为射频功率系数；P₁'，P₂'为分别为宏基站和微基站的辐射功率，满足P₁'＝m₁P₁，P₂'＝m₂P₂；P₁₀，P₂₀为静态功率消耗，则网络单位面积上的能量消耗为：

网络的频谱效率为

网络的能量效率为

5)建立最大化能量效率的优化模型：在满足最小频谱效率τ及用户最小平均吞吐量C_min条件下，最大化能量效率，所述优化模型为

maxη_EE

其中τ是最小频谱效率门限值，C_min是移动用户的最小吞吐量。

这种方法能应用于传统蜂窝网络，使得传统蜂窝网络平稳演进，可以在需要的宏蜂窝场景下快速部署，在满足最小频谱效率和用户平均吞吐量的条件下，最大化网络的能量效率，显著提升网络容量，保证用户服务质量。这种方法还可以扩展到中继站、毫微基站、家庭基站等。

附图说明

图1为实施例方法的流程示意图；

图2为微基站超密集部署异构网络示意图。

具体实施方式

下面结合附图和实施例对本发明内容作进一步阐述，但不是对本发明的限定。

实施例：

参照图1，一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法，包括如下步骤：

1)构建网络模型、划分网络带宽和确定频谱使用方式：参照图2，所述的网络模型为在一个半径为R的宏蜂窝中，宏基站位于原点处，微基站和移动用户在宏基站的覆盖范围内服从相互独立的空间泊松点过程，密度分别为λ_m，λ_u；所述的划分网络带宽是将网络可用带宽W均匀的划分为m个子信道，每个子信道的带宽为w，其中m₁个子信道分配给宏基站，剩余的m₂＝1-m₁个子信道分配给微基站，所有的微基站共享频谱资源；所述的频谱使用方式为关联的移动用户均分宏基站和微基站拥有的子信道，当关联的移动用户数目大于宏基站或微基站拥有的子信道数目时，它们采用时分方式使用频率资源；

2)计算移动用户与宏基站关联获得的信噪比以及与微基站关联获得的信干噪比：参照图2，虚线表示宏基站和微基站的发送信号，分别用x₁(t)、x₂(t)表示，移动用户从宏基站和最邻近微基站接收到的信号可以表示为

则所述的移动用户与宏基站关联获得的信噪比可以表示为：

所述的移动用户与微基站关联获得的信干噪比可以表示为：

其中P₁和P₂分别为宏基站和微基站的发射功率；x₁(t)和x₂(t)分别为宏基站和微基站的发送信号，它们的均值为零、方差为1；r和x分别表示移动用户到宏基站和最近邻微基站的距离，由于微基站和移动用户位置的随机分布，可以认为r与x相互独立；h₁和h₂分别表示宏基站、微基站到移动用户的信道系数，服从瑞利分布；I表示微基站对移动用户的层间干扰；α表示路径损耗指数；u(t)和w(t)表示功率谱密度为n₀的加性高斯白噪声；

3)采用统计平均的方法计算移动用户与最近邻微基站的关联概率以及与宏基站和微基站关联时，其下行链路的平均吞吐量：所述移动用户与最近邻微基站的关联概率为

其中表示对x和I求期望；门限值β为移动用户接入微基站的最小信干噪比；

所述移动用户与宏基站关联时，其下行链路的平均吞吐量为：

其中n₁表示与宏基站关联的移动用户的平均数目，表示对h₁求期望；

所述移动用户与微基站关联时，其下行链路的平均吞吐量为：

其中n₂表示与微基站关联的移动用户的平均数目；

4)计算网络的频谱效率与能量效率：首先计算移动用户的平均吞吐量为：

然后定义宏基站和微基站的总功率消耗为一个关于辐射功率的线性函数，即

P_tot1＝Δ₁P₁'+P₁₀，

P_tot2＝Δ₂P₂'+P₂₀，

其中P_tot1，P_tot2分别为宏基站和微基站总功耗；Δ₁，Δ₂为射频功率系数；P₁'，P₂'为分别为宏基站和微基站的辐射功率，满足P₁'＝m₁P₁，P₂'＝m₂P₂；P₁₀，P₂₀为静态功率消耗，则网络单位面积上的能量消耗为：

网络的频谱效率为

网络的能量效率为

5)建立最大化能量效率的优化模型：在满足最小频谱效率τ及移动用户最小吞吐量C_min条件下，最大化能量效率，所述优化模型为

maxη_EE

其中τ是最小频谱效率门限值，C_min是移动用户最小吞吐量。

Claims (1)

1.一种微基站超密集部署异构网络的能量效率与频谱效率平衡方法，其特征是，包括如下步骤：

1)构建网络模型、划分网络带宽和确定频谱使用方式：所述网络模型为在一个半径为R的宏蜂窝中，宏基站位于原点处，微基站和移动用户在宏基站的覆盖范围内服从相互独立的空间泊松点过程，密度分别为λ_m，λ_u；所述的划分网络带宽是将网络可用带宽W均匀的划分为m个子信道，每个子信道的带宽为w，其中m₁个子信道分配给宏基站，剩余的m₂＝1-m₁个子信道分配给微基站，所有的微基站共享频谱资源；所述的频谱使用方式为关联的移动用户均分宏基站和微基站拥有的子信道，当关联的移动用户数目大于宏基站或微基站拥有的子信道数目时，它们采用时分方式使用频率资源；

2)计算移动用户与宏基站关联获得的信噪比以及与微基站关联获得的信干噪比：

所述的移动用户与宏基站关联获得的信噪比为：

${\mathrm{\γ}}_1=\frac{P_1{h}_1{r}^{-\mathrm{\α}}}{{\mathrm{wn}}_0};$

所述的移动用户与微基站关联获得的信干噪比为：

${\mathrm{\γ}}_2=\frac{P_2{h}_2{x}^{-\mathrm{\α}}}{I+{\mathrm{wn}}_0},$

式中P₁和P₂分别为宏基站和微基站的发射功率，h₁和h₂分别表示宏基站、微基站到移动用户的信道系数，r和x分别表示移动用户到宏基站和最近邻微基站的距离，w表示子信道的带宽，n₀为热噪声的功率谱密度，α表示路径损耗指数，I表示微基站对移动用户的层间干扰；

3)采用统计平均的方法计算移动用户与最近邻微基站的关联概率以及与宏基站和微基站关联时，其下行链路的平均吞吐量：所述移动用户与最近邻微基站的关联概率为

$p=P\{\stackrel{\‾}{{\mathrm{\γ}}_2}>\mathrm{\β}\},$

其中表示对x和I求期望；门限值β为移动用户接入微基站的最小信干噪比；

所述移动用户与宏基站关联时，其下行链路的平均吞吐量为：

$\stackrel{\‾}{C_1}=\frac{1}{{\mathrm{\πR}}^2}{\∫}_0^R{\∫}_0^{2\mathrm{\π}}\frac{1}{2}\frac{{\mathrm{wm}}_1}{n_1}{\log }_2(1+E_{h_1}\[{\mathrm{\γ}}_1\])rdrd\mathrm{\θ},$

其中n₁表示与宏基站关联的移动用户的平均数目，表示对h₁求期望；

所述移动用户与微基站关联时，其下行链路的平均吞吐量为：

$\stackrel{\‾}{C_2}=\frac{{\mathrm{wm}}_2}{n_2}E\[{\log }_2(1+\stackrel{\‾}{{\mathrm{\γ}}_2})|\stackrel{\‾}{{\mathrm{\γ}}_2}>\mathrm{\β}\],$

其中n₂表示与微基站关联的移动用户的平均数目；

4)计算网络的频谱效率与能量效率：首先计算移动用户的平均吞吐量为：

然后定义宏基站和微基站的总功率消耗为一个关于辐射功率的线性函数，即

P_tot1＝Δ₁P₁'+P₁₀，

P_tot2＝Δ₂P₂'+P₂₀，

其中P_tot1，P_tot2分别为宏基站和微基站总功耗；Δ₁，Δ₂为射频功率系数；P₁'，P₂'分别为宏基站和微基站的辐射功率，满足P₁'＝m₁P₁，P₂'＝m₂P₂；P₁₀，P₂₀为静态功率消耗，则网络单位面积上的能量消耗为：

$\stackrel{\‾}{P}=\frac{P_{tot1}+{\mathrm{\λ}}_m{\mathrm{\πR}}^2{P}_{tot2}}{{\mathrm{\πR}}^2},$

网络的频谱效率为

${\mathrm{\η}}_{SE}=\frac{{\mathrm{\λ}}_u{\mathrm{\πR}}^2\stackrel{\‾}{C}}{W},$

网络的能量效率为

${\mathrm{\η}}_{EE}=\frac{{\mathrm{\λ}}_u\stackrel{\‾}{C}}{\stackrel{\‾}{P}};$

5)建立最大化能量效率的优化模型：在满足最小频谱效率τ及移动用户最小吞吐量C_min条件下，最大化能量效率，所述优化模型为

max η_EE

$\begin{array}{cc}s.t.& \left\{\begin{array}{c}{\mathrm{\η}}_{SE}\≥\mathrm{\τ}\\ \stackrel{\‾}{C_1}\≥C_{min}\\ \stackrel{\‾}{C_2}\≥C_{min}\end{array}\right.\end{array},$

其中τ是最小频谱效率门限值，C_min是移动用户最小吞吐量。