CN111065121B - 一种考虑小区差异的密集网络能耗及能效联合优化方法 - Google Patents
一种考虑小区差异的密集网络能耗及能效联合优化方法 Download PDFInfo
- Publication number
- CN111065121B CN111065121B CN201911378428.9A CN201911378428A CN111065121B CN 111065121 B CN111065121 B CN 111065121B CN 201911378428 A CN201911378428 A CN 201911378428A CN 111065121 B CN111065121 B CN 111065121B
- Authority
- CN
- China
- Prior art keywords
- base station
- small base
- energy consumption
- energy efficiency
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
- H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种考虑小区差异的密集网络能耗及能效联合优化方法,特征在于,包括以下步骤:S1、每个小基站统计其负载及邻居基站信息,上报给本地网关,本地网关计算他们的能效偏好函数;S2、计算密集网络的能耗及能效,考虑能效偏好函数,将能耗及能效联合优化问题建模为多目标优化问题;S3、采用基于合作休眠集的子帧配置算法,优化各小基站的子帧配置Α*,降低网络能耗;S4、采用基于凹凸过程的功率分配算法,求解最优功率P*,优化网络能效。本发明将密集网络的能耗及能效联合优化问题描述为多目标优化问题,制定了基站合作子帧休眠策略及功率分配方案,在保证用户速率需求的同时最大化的优化网络能效。
Description
技术领域
本发明涉及一种网络优化方法,具体的说,是一种考虑小区差异 的密集网络能耗及能效联合优化方法。
背景技术
在密集网络中,由于小基站密度增加,网络能耗急剧增加。作为 5G系统的一个重要指标,能效已经引起了各界的广泛关注。在密集 网络中,如何消耗最少的能量同时提高网络能效是一个迫切需要解决 的课题。
绿色通信的两个主要目标是节约能耗及提升网络能效,采用的主 要方法是资源分配、网络规划与部署、能量收集与转移以及硬件优化。 在网络规划与部署方案中,主要通过优化基站密度、位置及天线配置 来降低能耗或提升网络能效。在能量收集与转移方案中,通过使用可 再生能源(如太阳能、风能等)来供应能量,可以减少温室气体排放。 然而在实际中,可再生资源对环境依赖性较强,因此,不能保证稳定 的能量供应。在硬件优化方案中,主要优化功率放大器的效率,但成 本也不容忽视。
资源分配方案在绿色通信中受到了广泛关注,主要涉及时域、频 域、功率域及空域资源优化,由于多域资源相互耦合,获得最优的分 配策略面临困难。在时域上,基站休眠可以有效降低网络能耗,当基 站大粒度休眠时,休眠基站中的用户的再接入问题需要考虑,为了避 免这一问题,基站可以小粒度休眠,即在一些激活子帧上服务用户, 在剩余子帧上休眠以节能。
能效优化同时考虑吞吐量及能耗,而节能主要致力于减少网络能 耗。尽管两者看似不同,但由于两者均涉及能耗,具有耦合性。为了 减少网络能耗,小基站以较低的功率服务用户,但可能会降低网络吞 吐量,导致网络能效较低;另一方面,以提升能效为目的的资源分配 方案通常不能保证网络的能耗最低。因此,同时兼顾能效优化与节能 的资源分配面临挑战,而传统的绿色通信方案主要致力于降低能耗或 者提升网络能效。
在密集网络中,由于小基站无规划部署、用户的业务需求多样性, 密集网络中的小基站呈现差异性,这会导致各小基站的能效优化偏好 存在差异。比如,当小基站负载较高时,小基站应以保证服务用户的 速率为主,其能效偏好较低;当小基站的邻居较多时,其有更多的合 作休眠机会,故能效偏好会较高。因此,在进行密集网络能效优化时 应当把小基站之间的差异考虑在内,而已有的能效优化中忽略了小基 站的差异性。
发明内容
本发明旨在解决上述提到的各种问题,进而提供一种考虑小区差 异的密集网络能耗及能效联合优化方法。该方法基于小基站间的差异 性,制定了基站合作子帧休眠策略和功率分配方案,使得联网密集网 络的资源分配能够同时兼顾能耗与能效,保证用户目标速率时最大化 网络能效。
由于基站休眠可以有效降低网络能耗,并且结合功耗模型可知, 相比于传输功率,基站子帧状态对网络能耗的影响更大,因此,在网 络能耗优化时,需重点考虑基站子帧状态的影响。而基站传输功率对 网络吞吐量影响较大,故在网络能效优化时,则需要考虑子帧状态及 功率分配的共同影响。
本发明的一种考虑小区差异的密集网络能耗及能效联合优化方 法,将密集网络的能耗及能效联合优化问题建模为多目标优化问题。 然而,一方面,由于网络能效由网络吞吐量及网络能耗共同决定,故 能耗与能效相互耦合;另一方面,子帧配置与功率分配两者相互耦合, 对两者的联合优化为一个NP难(NP-hard)问题。因此,对构建的多 目标优化问题进行求解比较棘手。通过对优化目标进行分析可知,网 络能耗主要取决于子帧配置,网络能效由子帧配置及功率分配共同决 定,可见,子帧配置是解决该多目标优化问题的关键。
鉴于以上,本发明所采用的技术方案是:
一种考虑小区差异的密集网络能耗及能效联合优化方法,其特殊 之处在于,包括以下步骤:
S1、每个小基站统计其负载及邻居基站信息,上报给本地网关, 本地网关计算他们的能效偏好函数;
S2、计算密集网络的能耗及能效,考虑能效偏好函数,将能耗及 能效联合优化问题建模为多目标优化问题;
S3、采用基于合作休眠集的子帧配置算法,优化各小基站的子帧 配置Α*,降低网络能耗;
S4、采用基于凹凸过程的功率分配算法,求解最优功率P*,优 化网络能效。
进一步地,所述步骤S1包括以下子步骤:
a)本地网关初始化每个小基站的最大负载门限Γ以及用于判断 邻居基站的距离门限Dth;
b)每个用户根据RSRP选择其服务基站,每个小基站统计其服务 用户数,并依赖一个嗅探器检测其邻居基站,将周围距其距离小于Dth的小基站标记为邻居基站,并统计其邻居基站的数量;
c)各小基站将负载信息及获得的邻居信息告知本地网关;
d)本地网关根据收到的信息,计算各小基站的负载因子ρ及邻居 密度ζ,并分别计算ρ与ζ对能效偏好的影响为及 常数b与d可以根据需要设置,运营商可以根据小基 站的负载和邻居密度的相对重要性,选择权衡因子α1及α2, α1+α2=1。从而可以得到各小基站关于ρ与ζ的能效偏好 ω(ρ,ζ)=α1ω1(ρ)+α2ω2(ζ)。
进一步地,所述步骤S2的具体实现方法如下:各小基站通过轮 询方式为其服务的用户分配子信道,通过运营商得到各小基站在每一 个子帧内的传输功率psk[n],运营商记录每个小基站在每个子帧上的 状态asn,功率放大器效率相关的能耗因子为△P,小基站的静态电路 功耗及休眠时的功耗分别为Pc与Ps。因此,可以计算密集网络的能 耗及能效。
具体步骤如下:
a)对于每个小基站,系统带宽B被分成K个子信道,每个子信道 的带宽为B0[Hz]。每个帧包括N个子帧,每个子帧持续时间为Tsf, 每个小基站的子帧状态由子帧配置矩阵A=[asn]S×N表示,asn=1表 示小基站s在子帧n内为激活状态,反之,asn=0表示小基站s在子 帧n内为休眠状态;
f)将密集网络的能耗及能效联合优化问题建模为多目标优化
问题如下:
进一步地,为求解步骤S2建立的多目标优化问题,将原问题分 解为两个子问题求解,分别通过步骤S3与步骤S4求解。在步骤S3 中,采用基于合作休眠集的子帧配置算法,优化各小基站的子帧配置, 降低网络能耗。实现方法为:计算每个小基站在非合作情况下,满足 服务用户速率时所需要的激活子帧数,之后,网络中小基站形成合作 休眠集,同一个合作休眠集中的小基站的激活子帧相互正交,在其他 子帧上休眠降低网络能耗。
为了减少激活子帧的数量,首先假设每个小基站在其子信道上均 以最大功率服务用户,则对于每个小基站,其能耗取决于激活子帧数 量,能耗最小化问题等价于:
Nact={N1,act,N2,act,...,NS,act}为各小基站的激活子帧数量矢量,Ns,act∈{0,1,...,N}为小基站s在一个帧内的激活子帧数。假设小基 站s的用户m需要Nsm,act个激活子帧保证其目标速率且其分 配的子信道数目为Km,对应的子信道集合为则其在每个激活 子帧上目标速率需要达到且小基站s在用户m占 用的子信道k上的功率为
可以得到在Km个子信道上,小基站s服务用户m所需要的总功 率为Kmpskm,为了方便,定义将pskm带入到能耗最小化的目标函数中,并将Nsm,act松弛为[0,N]间的 一个实数,则原先的目标函数变为
其中lambertw(·)为Lambert W函数,定义为f(W)=WeW的反 函数,Km为用户m分配到的子信道数目,Imk为用户m受到来自 密集网络中其他小基站的干扰,其表达式为:
由于激活子帧数目为整数,故用表示最优激活子帧 数目。由Nsm,act的表达式可知,其受同层干扰的影响,为了进一步减 少激活子帧数量,小基站可以形成合作休眠集,并在合作休眠集内分 配正交激活子帧服务用户,从而可以避免组内同层干扰,在其余子帧 休眠以降低网络能耗。
基于合作休眠集的子帧配置算法具体步骤如下:
a)本地网关根据各小基站的能效偏好ω(ρ,ζ)由大到小,将小 基站存储在一个权重列表中,初始化合作休眠集的结构包含S个成员,每个成员对应于一个小基站,在 合作休眠集中,各成员按照权重列表中的顺序进行排列;
b)每个小基站计算其满足服务用户速率需求条件下使网络能耗 最低时所需的激活子帧数目,并上报给本地网关;
c)各小基站的根据其干扰基站所需的激活子帧数目,由大到小 将他们存储在一个干扰列表中;
d)i=0;
e)合作休眠集结构中的第i个成员依次与其干扰列表中的干 扰基站进行合作,试图形成一个新的合作休眠集,合作休眠集中各小 基站分配正交激活子帧服务用户,计算合作后各自所需的激活子帧数 目,如果新形成的合作休眠集中各小基站所需的激活子帧数目不大于 N,则新合作休眠集形成成功,中的第i个成员更新为刚形成的合 作休眠集,并继续执行本步骤e);否则,执行下一步骤f);
g)对于形成的合作休眠集结构,各休眠集中成员不会产生重叠, 每个合作集中的各小基站分配正交的激活子帧,在分配的激活子帧上 服务用户,在剩余的子帧上休眠以减少网络能耗。
进一步地,为了为求解步骤S2建立的多目标优化问题,获得最 优子帧配置Α*后,采用步骤S4,基于凹凸过程的功率分配算法,得 到使网络能效最大时各小基站的功率分配P*。在子帧n内,能效优 化问题为:
该优化问题可以等效为:
s.t.C2′,C3,C4,C6;
整理目标函数,可得U(P[n])=Ucave1(P[n])-Ucave2(P[n]),其中
s.t.C2″,C3,C4,C6;
由于Ucave1(P[n])与Ucave2(P[n])均为关于P[n]的凹函数,所以 U(P[n])具有差凸结构,可以通过凹凸过程(CCCP)算法求解子帧 n内小基站s在子信道k上,能效最大化时的最优功率为:
其中,
具体实施步骤如下:
a)子帧n=0;
b)初始化迭代次数l=0,误差因子ε>0。计算
e)令l=l+1;
g)n=n+1,执行步骤b)-f),当n=N-1时,算法终止,得 到全网各小基站的最优功率P*。
本发明的一种考虑小区差异的密集网络能耗及能效联合优化方 法,量化了小区差异对网络能效优化的影响,将密集网络的能耗及能 效联合优化问题描述为多目标优化问题,制定了基站合作子帧休眠策 略及功率分配方案。为了避免小基站休眠后的二次接入问题,根据用 户的业务需求选择一些子帧进行休眠,从而减少系统能耗。为了在减 少能耗的同时提升网络能效,本申请在基站休眠的基础上,对小基站 功率进行优化分配,从而达到在保证用户速率需求的同时最大化的优 化网络能效。
在密集网络中,小基站的大规模部署导致网络能耗剧增,同时, 严重的同层干扰会降低网络能效,因此,需要联合优化密集网络的能 耗及能效,而已有方法通常只用于降低网络能耗,或者提升网络能效。 在降低网络能耗的方法中,小基站以最小的传输功率来保证用户的业 务需求,其吞吐量的损失会大于节约的能量,故其网络能效较低,而 在以提升能效为目标的方法中,小基站通常在所有的子帧上处于激活 状态来服务用户,从而会使得网络能耗较高。因此,本发明针对网络 能耗及能效存在的矛盾性,提出一种考虑小区差异的密集网络能耗及 能效联合优化方法,可以同时兼顾密集网络的能耗及能效。此外,已有能效优化的方法通常假设密集网络中各小基站的能效偏好相同,未 考虑小基站间负载及周围邻居情况的差异,从而不能根据各小基站的 情况自适应优化其能效,而本发明的一种考虑小区差异的密集网络能 耗及能效联合优化方法,能够根据各小基站的负载及邻居情况,自适 应优化其能效,具有更大的灵活性,更符合实际需求。由于网络能效 及能耗之间存在耦合性,联合优化密集网络的能耗及能效非常困难, 因此,本发明将建立的多目标优化问题分解为两个子问题进行求解。 首先,为了降低网络能耗,已有基站休眠方法中,大多数采用大尺度 基站休眠,即休眠时间以小时为单位,需要考虑休眠基站内用户的二 次接入问题。为了避免二次接入引入的复杂度,本发明采用基站子帧 休眠方法,休眠时间以毫秒为单位,求解各小基站所需要的激活子帧 数目是基站子帧休眠的关键,已有求解方法只考虑一个区或者用于解 决干扰问题,不适用于存在小区间干扰的密集网络场景的节能优化。 为此,本发明提供了满足用户需求时小基站所需激活子帧数目的解析 式,各小基站依次与其干扰基站形成合作休眠集,并在合作休眠集中 采用正交子帧配置方案,适用于密集网络的节能优化。其次,为了提 升网络能效,本发明将比例求和形式的能效优化目标转化差凸结构形 式,采用凹凸过程算法优化激活子帧上的功率分配,相比于已有方法, 本发明从小基站角度构建能效优化目标函数,各小基站在优化其传输 功率时考虑了其能效偏好,可以根据自身情况自适应优化其能效。通 过基站合作子帧配置及功率分配,本发明的一种考虑小区差异的密集 网络能耗及能效联合优化方法,可以根据各小基站的负载及邻居情况 自适应优化其能效,并且相比于仅仅降低网络能耗以及仅仅提升网络 能效的方案,该发明可以获得网络能耗及能效的折中。
附图说明
图1:实施例中的密集网络架构场景示意图;
图2:考虑小区差异的密集网络能耗及能效联合优化方法的流程 图;
图3:基于合作休眠集的子帧配置算法的流程图;
图4:基于凹凸过程的功率分配算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合 附图,对本发明进行进一步详细说明。
本实施例适用于宏蜂窝与密集网络异频部署的场景。在该场景中, 宏蜂窝小区部署在F1频率上,由大量小小区构成的密集网络部署在 F2频率上,各小基站通过频率复用方式部署,复用因子为1。小基 站通过本地网关连接到核心网。网络中用户通过最大的参考信号接收 功率(RSRP)选择服务基站。本实施例的场景如图1所示。
在这样的网络中,小基站数量巨大,造成网络产生巨大能耗,并 且同频部署会使小基站之间的同频干扰非常严重,从而降低网络的吞 吐量,使得密集小区网络的能效较低。此外,小基站之间距离缩短带 来了合作机会。为此,本发明将密集网络的能耗及能效联合优化问题 描述为多目标优化问题,制定了基站合作子帧休眠策略及功率分配方 案。
在本发明考虑的密集网络中,小基站与用户随机分布,小基站之 间呈现差异性,对能效的偏好也不相同。为此,需要将密集网络中小 基站的差异化信息进行表征,体现差异化信息与能效偏好之间的联系, 从而能够对能效优化问题进行合理建模。然而传统的密集网络能效优 化方案中忽略了小区间能效偏好的差异性。
在本发明考虑的密集网络中,小基站有休眠机制,为了避免小基 站休眠后的二次接入问题,可以根据用户的业务需求选择一些子帧进 行休眠,从而可以减少系统能耗。为了同时提升网络能效,在基站休 眠基础上,需要优化小基站功率分配,在保证用户速率需求时使网络 能效得到优化。
基站休眠与功率分配都会影响密集网络的能耗及能效。此外,能 耗及能效具有耦合性。为了减少网络能耗,小基站以较低的功率服务 用户,但可能会降低网络吞吐量,导致网络能效较低;另一方面,以 提升能效为目的的资源分配方案通常不能保证网络的能耗最低。因此, 需要进一步探索联合密集网络的能耗及能效进行优化的资源分配算 法。
如图2所示,本发明提出一种考虑小区差异的密集网络能耗及能 效联合优化方法。其内容如下:
考虑到小基站之间的差异性以及合作休眠机会,通过小基站的子 帧配置及功率分配,将节能与能效优化问题建模为多目标优化问题; 由于子帧配置与功率分配具有耦合性,所述多目标优化问题求解困难, 将原问题分解为两个子问题:首先,小基站形成合作休眠集并进行休 眠以节能,寻找最佳合作休眠集结构及子帧配置方案;其次,基于最 佳子帧配置方案,根据凹凸过程算法求解最优功率分配,保证用户目 标速率时最大化网络能效。上述联合优化方法通过下述具体步骤实现:
步骤1:每个小基站统计其负载及邻居基站信息,上报给本地网 关,本地网关计算他们的能效偏好函数;
a)本地网关初始化每个小基站的最大负载门限Γ以及用于判 断邻居基站的距离门限Dth;
b)每个用户根据RSRP选择其服务基站,每个小基站统计其服 务用户数,并依赖一个嗅探器检测其邻居基站,将周围距其距离 小于Dth的小基站标记为邻居基站,并统计其邻居基站的数量;
c)各小基站将负载信息及获得的邻居信息告知本地网关;
d)本地网关根据收到的信息,计算各小基站的负载因子ρ及 邻居密度ζ,并分别计算ρ与ζ对能效偏好的影响为 及常数b与d可以根据需要设置, 运营商可以根据小基站的负载和邻居密度的相对重要性,选择权 衡因子α1及α2,α1+α2=1。从而可以得到各小基站关于ρ与ζ的 能效偏好ω(ρ,ζ)=α1ω1(ρ)+α2ω2(ζ)。
步骤2:计算密集网络的能耗及能效,考虑能效偏好函数,将能 耗及能效联合优化问题建模为多目标优化问题;
各小基站通过轮询方式为其服务的用户分配子信道,通过运营商 得到各小基站在每一个子帧内的传输功率psk[n],运营商记录每个小 基站在每个子帧上的状态asn,功率放大器效率相关的能耗因子为△P, 小基站的静态电路功耗及休眠时的功耗分别为Pc与Ps。因此,可以 计算密集网络的能耗及能效。具体步骤如下:
a)对于每个小基站,系统带宽B被分成K个子信道,每个子 信道的带宽为B0[Hz]。每个帧包括N个子帧,每个子帧持续时间 为Tsf,每个小基站的子帧状态由子帧配置矩阵A=[asn]S×N表示, asn=1表示小基站s在子帧n内为激活状态,反之,asn=0表示 小基站s在子帧n内为休眠状态;
f)将密集网络的能耗及能效联合优化问题建模为多目标优化
问题如下:
步骤3:采用基于合作休眠集的子帧配置算法,求解各小基站的 子帧配置Α*,降低网络能耗;
网络能耗主要由密集网络中各小基站的激活子帧数量决定,而小 基站的激活子帧数量受同层干扰的影响。为了进一步减少小基站的激 活子帧数量,小基站可以形成合作休眠集,在合作休眠集内分配正交 激活子帧服务用户,可以避免组内同层干扰,从而减少保证用户速率 需求时所需的激活子帧数,在其余子帧休眠以降低网络能耗。
如图3所示,基于合作休眠集的子帧配置算法具体步骤如下:
a)本地网关根据各小基站的能效偏好ω(ρ,ζ)由大到小,将小基 站存储在一个权重列表中,初始化合作休眠集的结构包含S个成员,每个成员对应于一个小基站,在合作休眠集中,各成 员按照权重列表中的顺序进行排列;
b)每个小基站计算其满足服务用户速率需求条件下使网络能耗最 低时所需的激活子帧数目,并上报给本地网关;
故在Km个子信道上,小基站s服务用户m所需要的总功率为Kmpskm,为了方便,定义将 pskm带入到能耗最小化的目标函数中,并将Nsm,act松弛为[0,N]间的 一个实数,则基于子帧配置的优化问题转化为
c)各小基站根据其干扰基站所需的激活子帧数目,由大到小将 他们存储在一个干扰列表中;
d)i=0;
e)合作休眠集结构中的第i个成员依次与其干扰列表中的干 扰基站进行合作,试图形成一个新的合作休眠集,合作休眠集中各小 基站分配正交激活子帧服务用户,计算合作后各自所需的激活子帧数 目,如果新形成的合作休眠集中各小基站所需的激活子帧数目不大于 N,则新合作休眠集形成成功,中的第i个成员更新为刚形成的 合作休眠集,并继续执行本步骤e);否则,执行下一步骤f);
g)对于形成的合作休眠集结构,各休眠集中成员不会产生重叠, 每个合作集中的各小基站分配正交的激活子帧,在分配的激活子帧上 服务用户,在剩余的子帧上休眠以减少网络能耗。
步骤4:获得最优子帧配置Α*后,网络能效在子帧之间相互独立, 优化网络在一个帧内的能效等价于优化每个子帧内的网络能效,采用 基于凹凸过程的功率分配算法,求解使网络能效达到最优时的功率 P*。
如图4所示,基于凹凸过程的功率分配算法具体实施步骤如下:
a)子帧n=0;
b)初始化迭代次数l=0,误差因子ε>0。计算
e)令l=l+1;
g)n=n+1,执行步骤b)-f),当n=N-1时,算法终止,得到 全网各小基站的最优功率P*。
本发明的一种考虑小区差异的密集网络能耗及能效联合优化方 法,通过两个步骤来实现构建的多目标优化问题:首先,根据用户速 率需求,计算小基站需要的传输功率及激活子帧数目,并考虑各小基 站的能效偏好,优化小基站的子帧配置,在保证用户业务需求时使网 络能耗最低;之后,在每个子帧内,考虑能效偏好,优化激活的各小 基站的传输功率,使网络能效达到最优。本发明通过分析网络能耗及 能效的影响因素,实现了子帧配置及功率分配的解耦,解决了原问题 中子帧配置及功率分配联合优化的实施困难,在保证用户速率需求 时,兼顾了网络能耗及能效性能。
Claims (3)
1.一种考虑小区差异的密集网络能耗及能效联合优化方法,其特征在于,包括以下步骤:
S1、每个小基站统计其负载及邻居基站信息,上报给本地网关,本地网关计算他们的能效偏好函数;
所述步骤S1包括以下过程:
a)本地网关初始化每个小基站的最大负载门限Γ以及用于判断邻居基站的距离门限Dth;
b)每个用户根据RSRP选择其服务基站,每个小基站统计其服务用户数,并依赖一个嗅探器检测其邻居基站,将周围距其距离小于Dth的小基站标记为邻居基站,并统计其邻居基站的数量;
c)各小基站将负载信息及获得的邻居信息告知本地网关;
本地网关根据收到的信息,计算各小基站的负载因子ρ及邻居密度ζ,并分别计算ρ与ζ对能效偏好的影响为及常数b与d根据需要设置,运营商根据小基站的负载和邻居密度的相对重要性,选择权衡因子α1及α2,α1+α2=1;从而得到各小基站关于ρ与ζ的能效偏好ω(ρ,ζ)=α1ω1(ρ)+α2ω2(ζ)
S2、计算密集网络的能耗及能效,考虑能效偏好函数,将能耗及能效联合优化问题建模为多目标优化问题;
所述步骤S2实现方法如下:
各小基站通过轮询方式为其服务的用户分配子信道,通过运营商得到各小基站在每一个子帧内的传输功率psk[n],运营商记录每个小基站在每个子帧上的状态asn,功率放大器效率相关的能耗因子为△P,小基站的静态电路功耗及休眠时的功耗分别为Pc与Ps,从而能够计算密集网络的能耗及能效;
所述步骤S2的具体步骤如下:
a)对于每个小基站,系统带宽B被分成K个子信道,每个子信道的带宽为B0[Hz];每个帧包括N个子帧,每个子帧持续时间为Tsf,每个小基站的子帧状态由子帧配置矩阵A=[asn]S×N表示,asn=1表示小基站s在子帧n内为激活状态,反之,asn=0表示小基站s在子帧n内为休眠状态;
f)将密集网络的能耗及能效联合优化问题建模为多目标优化问题如下:
S3、采用基于合作休眠集的子帧配置算法,优化各小基站的子帧配置Α*,降低网络能耗;
所述步骤S3的实现方法为:
计算每个小基站在非合作情况下,满足服务用户速率时所需要的激活子帧数,之后,网络中小基站形成合作休眠集,同一个合作休眠集中的小基站的激活子帧相互正交,在其他子帧上休眠降低网络能耗;
所述步骤S3的具体步骤如下:
为了减少激活子帧的数量,首先假设每个小基站在其子信道上均以最大功率服务用户,则对于每个小基站,其能耗取决于激活子帧数量,能耗最小化问题等价于:
Nact={N1,act,N2,act,K,NS,act}为各小基站的激活子帧数量矢量,Ns,act∈{0,1,K,N}为小基站s在一个帧内的激活子帧数;假设小基站s的用户m需要Nsm,act个激活子帧保证其目标速率且其分配的子信道数目为Km,对应的子信道集合为则其在每个激活子帧上目标速率需要达到且小基站s在用户m占用的子信道k上的功率为
其中lambertw(·)为Lambert W函数,定义为f(W)=WeW的反函数,Km为用户m分配到的子信道数目,Imk为用户m受到来自密集网络中其他小基站的干扰,其表达式为:
由于激活子帧数目为整数,故用表示最优激活子帧数目;由Nsm,act的表达式可知,其受同层干扰的影响,为了进一步减少激活子帧数量,小基站可以形成合作休眠集,并在合作休眠集内分配正交激活子帧服务用户,从而可以避免组内同层干扰,在其余子帧休眠以降低网络能耗;
基于合作休眠集的子帧配置算法具体步骤如下:
a)本地网关根据各小基站的能效偏好ω(ρ,ζ)由大到小,将小基站存储在一个权重列表中,初始化合作休眠集的结构包含S个成员,每个成员对应于一个小基站,在合作休眠集中,各成员按照权重列表中的顺序进行排列;
b)每个小基站计算其满足服务用户速率需求条件下使网络能耗最低时所需的激活子帧数目,并上报给本地网关;
c)各小基站的根据其干扰基站所需的激活子帧数目,由大到小将他们存储在一个干扰列表中;
d)i=0;
e)合作休眠集结构中的第i个成员依次与其干扰列表中的干扰基站进行合作,试图形成一个新的合作休眠集,合作休眠集中各小基站分配正交激活子帧服务用户,计算合作后各自所需的激活子帧数目,如果新形成的合作休眠集中各小基站所需的激活子帧数目不大于N,则新合作休眠集形成成功,中的第i个成员更新为刚形成的合作休眠集,并继续执行本步骤e);否则,执行下一步骤f);
g)对于形成的合作休眠集结构,各休眠集中成员不会产生重叠,每个合作集中的各小基站分配正交的激活子帧,在分配的激活子帧上服务用户,在剩余的子帧上休眠以减少网络能耗;
S4、采用基于凹凸过程的功率分配算法,求解最优功率P*,优化网络能效。
2.如权利要求1所述的一种考虑小区差异的密集网络能耗及能效联合优化方法,其特征在于,
具体如下:
故在Km个子信道上,小基站s服务用户m所需要的总功率为Kmpskm,为了方便,定义将pskm带入到能耗最小化的目标函数中,并将Nsm,act松弛为[0,N]间的一个实数,则基于子帧配置的优化问题转化为
3.如权利要求1所述的一种考虑小区差异的密集网络能耗及能效联合优化方法,其特征在于,所述步骤S4的具体步骤如下:
在子帧n内,能效优化问题为:
该优化问题可以等效为:
由于Ucave1(P[n])与Ucave2(P[n])均为关于P[n]的凹函数,所以U(P[n])具有差凸结构,可以通过凹凸过程(CCCP)算法求解子帧n内小基站s在子信道k上,能效最大化时的最优功率为:
具体实施步骤如下:
a)子帧n=0;
b)初始化迭代次数l=0,误差因子ε>0;计算
e)令l=l+1;
g)n=n+1,执行步骤b)-f),当n=N-1时,算法终止,得到全网各小基站的最优功率P*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378428.9A CN111065121B (zh) | 2019-12-27 | 2019-12-27 | 一种考虑小区差异的密集网络能耗及能效联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378428.9A CN111065121B (zh) | 2019-12-27 | 2019-12-27 | 一种考虑小区差异的密集网络能耗及能效联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111065121A CN111065121A (zh) | 2020-04-24 |
CN111065121B true CN111065121B (zh) | 2022-04-08 |
Family
ID=70304122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378428.9A Active CN111065121B (zh) | 2019-12-27 | 2019-12-27 | 一种考虑小区差异的密集网络能耗及能效联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111065121B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339822B (zh) * | 2021-11-05 | 2023-11-07 | 国网山东省电力公司冠县供电公司 | 通讯网络能效优化控制系统 |
GB2618316A (en) * | 2022-04-26 | 2023-11-08 | Nec Corp | Communication system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012156158A2 (fr) * | 2011-05-18 | 2012-11-22 | Sagemcom Energy & Telecom Sas | Procédé et système de réduction des interférences co-canal dues au déploiement de femtocells dans un réseau macro-cellulaire |
CN106454850A (zh) * | 2016-10-14 | 2017-02-22 | 重庆邮电大学 | 蜂窝异构网络能效优化的资源分配方法 |
CN107708157A (zh) * | 2017-11-22 | 2018-02-16 | 重庆邮电大学 | 基于能效的密集小蜂窝网络资源分配方法 |
CN110191502A (zh) * | 2019-05-13 | 2019-08-30 | 南京邮电大学 | 一种基于小区基站动态休眠的节能方法 |
-
2019
- 2019-12-27 CN CN201911378428.9A patent/CN111065121B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012156158A2 (fr) * | 2011-05-18 | 2012-11-22 | Sagemcom Energy & Telecom Sas | Procédé et système de réduction des interférences co-canal dues au déploiement de femtocells dans un réseau macro-cellulaire |
CN106454850A (zh) * | 2016-10-14 | 2017-02-22 | 重庆邮电大学 | 蜂窝异构网络能效优化的资源分配方法 |
CN107708157A (zh) * | 2017-11-22 | 2018-02-16 | 重庆邮电大学 | 基于能效的密集小蜂窝网络资源分配方法 |
CN110191502A (zh) * | 2019-05-13 | 2019-08-30 | 南京邮电大学 | 一种基于小区基站动态休眠的节能方法 |
Non-Patent Citations (2)
Title |
---|
Energy Efficient Forward and Backhaul Link Optimization in OFDMA Small Cell Networks;Gaofeng Nie;《IEEE Communications Letters》;20150825;全文 * |
密集小蜂窝网络中基于能效的资源分配方案;韦世红;《计算机工程与设计》;20190316;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111065121A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111836283B (zh) | 一种基于mec多服务器的车联网资源分配方法 | |
CN107426773B (zh) | 无线异构网络中面向能效的分布式资源分配方法和装置 | |
CN103249157B (zh) | 不完美csi条件下的基于跨层调度机制的资源分配方法 | |
CN102781085B (zh) | 基于干扰限制的家庭基站功率控制方法 | |
CN111065121B (zh) | 一种考虑小区差异的密集网络能耗及能效联合优化方法 | |
CN111405646B (zh) | 异构蜂窝网络中基于Sarsa学习的基站休眠方法 | |
CN109714786B (zh) | 基于Q-learning的毫微微小区功率控制方法 | |
Xu et al. | Dynamic client association for energy-aware hierarchical federated learning | |
CN104770004A (zh) | 一种通信系统和方法 | |
CN103269487A (zh) | 毫微微蜂窝网络下行链路中基于博弈论的动态干扰管理方法 | |
CN104640185A (zh) | 一种基于基站协作的小区休眠节能方法 | |
Liu et al. | Robust power allocation based on hierarchical game with consideration of different user requirements in two-tier femtocell networks | |
CN115766089A (zh) | 一种能量采集认知物联网络抗干扰最优传输方法 | |
CN109769257B (zh) | 基于能效的异构网络鲁棒资源分配和时长混合优化方法 | |
Zhou et al. | Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE | |
CN114615730A (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
CN108965034B (zh) | 小小区基站超密集部署下的用户关联到网络的方法 | |
CN107454601A (zh) | 一种超密集环境下考虑小区间干扰的无线虚拟映射方法 | |
CN106604381B (zh) | 一种基于三级发射功率机制的毫米波网络性能分析方法 | |
CN107426775B (zh) | 一种面向高能效异构网络的分布式多用户接入方法 | |
CN105979589A (zh) | 异构网络的能量有效资源分配方法及系统 | |
CN108834158B (zh) | 一种用于超密集组网的干扰管理方法 | |
Liu et al. | An iterative two-step algorithm for energy efficient resource allocation in multi-cell OFDMA networks | |
Guedes et al. | A spectral clustering algorithm for intelligent grouping in Dense Wireless Networks | |
Zheng et al. | Distributed energy saving mechanism based on CoMP in LTE-A system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |