CN113949358A - 一种基于机器学习的功放电压调整方法及系统 - Google Patents
一种基于机器学习的功放电压调整方法及系统 Download PDFInfo
- Publication number
- CN113949358A CN113949358A CN202111536977.1A CN202111536977A CN113949358A CN 113949358 A CN113949358 A CN 113949358A CN 202111536977 A CN202111536977 A CN 202111536977A CN 113949358 A CN113949358 A CN 113949358A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- voltage
- machine learning
- power
- result
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims description 28
- 238000005265 energy consumption Methods 0.000 abstract description 9
- 230000015654 memory Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 2
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03G—CONTROL OF AMPLIFICATION
- H03G3/00—Gain control in amplifiers or frequency changers
- H03G3/20—Automatic control
- H03G3/30—Automatic control in amplifiers having semiconductor devices
- H03G3/3036—Automatic control in amplifiers having semiconductor devices in high-frequency amplifiers or in frequency-changers
- H03G3/3042—Automatic control in amplifiers having semiconductor devices in high-frequency amplifiers or in frequency-changers in modulators, frequency-changers, transmitters or power amplifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
-
- 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)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于机器学习的功放电压调整方法，该方法包括：构建基于电压参数训练形成的机器学习模型；获取当前话务量，基于机器学习模型对当前话务量进行预测生成预测结果；基于预置的功放调整算法和预测结果自动调整功放电压，其中，预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。由此，根据本发明公开的方法能够在不需要关断模式的情况下，通过预测话务量的变化，动态调整功放电压以提升电路的整体功放效率，从而大大降低了功放工作时的能耗。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种基于机器学习的功放电压调整方法及系统。
背景技术
现有的5G基站软件节能方向主要以“关断”为主，如符号关断、时隙关断、载波关断、通道关断、基站深度休眠等。为了避免“关断”行为对5G基站运行的影响，现有的节能方式一般通过预先寻找一种对应关系存于控制单元的存储系统中，在基站出厂前，通过经验公式建立静态查找表，找到关联关系来获取功放电压参数，如功率控制等级-功放电压对应关系，载波数-削波门限-功放电压对应关系，平均功率-峰均比-功放电压对应关系，之后在基站实际工作中通过查找表方式，调整功放状态参数达到基站节能的目的。但是对于这些实现降低基站能耗的过程中，仍然存在可以进一步降低基站软件能耗的空间。
发明内容
本发明所要解决的技术问题在于，提供一种基于机器学习的功放电压调整方法，能够在不需要基站执行关断模式的条件下，通过预测理解话务量的变化，动态调整功放电压以提升功放效率，从而降低功放工作时基站软件的能耗。
为了解决上述技术问题，本发明第一方面公开了一种基于机器学习的功放电压调整方法，所述方法包括：构建基于电压参数训练形成的机器学习模型；获取当前话务量，基于所述机器学习模型对当前话务量进行预测生成预测结果；基于预置的功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
在一些实施方式中，所述构建基于电压参数训练形成的机器学习模型，包括：利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
在一些实施方式中，所述基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型，包括：基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
在一些实施方式中，所述功放电压包括功放栅压和功放漏压，所述基于预置的功放调整算法和所述预测结果自动调整功放电压，包括：基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果所述预测结果调整主路和辅路的功放漏压；基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
在一些实施方式中，所述方法还包括：将所述机器学习模型和所述预置的功放调整算法部署于同一控制模块。
根据本发明的第二个方面，提供了一种基于机器学习的功放电压调整系统，所述系统包括：基于电压参数训练形成的机器学习模型，所述机器学习模型用于获取当前话务量，对当前话务量进行预测生成预测结果；功放调整模块，用于基于功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
在一些实施方式中，所述机器学习模型包括：参数获取模块，用于利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；所述功放调整模块搭载于中间件，所述中间件用于控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
在一些实施方式中，中间件实现为：基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
在一些实施方式中，所述功放电压包括功放栅压和功放漏压，所述功放调整模块，包括：功放漏压调整单元，用于基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果所述预测结果调整主路和辅路的功放漏压；功放栅压调整单元，用于基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
在一些实施方式中，所述机器学习模型和所述功放调整模块部署于同一控制模块。
与现有技术相比，本发明的有益效果在于：
实施本发明能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系数预测的机器学习模型，在有业务情况下，可根据话务量的高低，自动通过预置的功放调整算法自动调整功放电压，实时优化整体电路的功耗，让功放时刻的工作效率达到最优点。而且在不影响性能的同时实现功耗的动态优化，有利于实现基站的能耗随业务变化实时动态调整。
附图说明
图1为本发明实施例公开的一种基于机器学习的功放电压调整方法的流程示意图；
图2为本发明实施例公开的一种基于机器学习的功放电压调整方法的机器学习模型框图；
图3为本发明实施例公开的又一种基于机器学习的功放电压调整系统示意图；
图4为本发明实施例公开的一种基于机器学习的功放电压调整装置结构示意图。
具体实施方式
为了更好地理解和实施，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
本发明实施例公开了一种基于机器学习的功放电压调整方法及系统，能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系数预测的机器学习模型，在有业务情况下，可根据话务量的高低，自动通过预置的功放调整算法自动调整功放电压，实时优化整体电路的功耗，让功放时刻的工作效率达到最优点。而且在不影响性能的同时实现功耗的动态优化，有利于实现基站的能耗随业务变化实时动态调整。
实施例一
请参阅图1，图1为本发明实施例公开的一种基于机器学习的功放电压调整方法的流程示意图。如图1所示，该基于机器学习的功放电压调整方法可以包括以下操作：
101、构建基于电压参数训练形成的机器学习模型。
在本发明中，所适用于的功放电路结构可以实现为Doherty+DPD的架构来实现功放部件的高效率，其中，DPD为带限数字预失真，主要的实现方式是对输入功放部件的信号和功放部件的输出信号进行采样，并进行误差的算法，从而在功放的输入口加入一个与功放的失真反方向的信号，抵消功放部件的失真。
首先，为了降低基站能耗，而且保持基站的工作状态为“不关断”，构建可以根据基站实时工作状态，动态调整功放电压的机器学习模型，具体实现为：首先，利用物理随机接入信道密度PRACH获取读入的电压参数，在具体应用上可以将对现网业务负荷或话务量负荷的预测曲线转化为PRACH信道密度模型文件，再利用该PRACH信道密度模型文件进行电压参数的预测、生成和提取，最终获取到包含有功率对齐参数、时延对齐参数和削峰系数的参数，之后基于预置的功放调整算法所搭载的中间件，控制功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。其中，预置的功放调整算法在本实施例中可以具化为存储于数字中频芯片用于调整整体电路的功放电压的算法，当数字中频芯片进行调整功放电压时，实质就是数字中频芯片环路的DPD模型参数需要根据实时变换的电压参数进行更新，此时需要功率对齐参数、时延对齐参数和削峰系数CFR的更新，而此时由于上述的PRACH信道密度模型在每次功放变化下的重新生成，数字射频芯片就通过漏压电流检测和电压调整电路、栅压调整电路，分别调整功放电压例如Doherty PA的漏压、栅压，由于功放状态的变化，也需要同时在DPD模型参数更新的基础上，再次进行功率对齐参数、时延对齐参数和削峰系数CFR的更新，此时可以实现整个电路功放效率达到最优点。其中，功率对齐参数主要是前向链路输入到DPD模型的基带功率统计值和反馈链路经过ADC后的基带功率统计值，在频域上对齐。时延对齐参数主要是前行链路输入到DPD模型的时延量与经过DPD模型->DAC->PA->反馈ADC采样以后的时延量，在时间上对齐。由于信号经过DPD预失真模型后，输出功率会高于输入功率，峰均比会变大，因此也需要调整削峰系数CFR，由此保证整体的输出功率恒定。
为了更加具体的解释如何利用该中间件控制生成机器学习模型，下面结合图2所示的具体应用框图进行阐述：如图2所示，整个机器学习模型的训练框架包括基本的机器学习训练功能、中间件和底层固件，其中，底层固件包括不同中间件对应的底层通信接口和数字中频芯片，数字中频芯片通过漏压电流检测与电压调整电路控制Doherty PA主路和辅路的漏压，数字中频芯片通过栅压调整电路控制Doherty PA主路和辅路的栅压。中间件主要是对应主路、辅路功放的栅压、漏压，生成对应的训练单元，即基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元。其中，第一训练单元、第二训练单元、第三训练单元和第四训练单元可以实现为均包括：数据分发模块、模型参数更新模块、训练参数调整模块、训练停止模块和底层通信模块，由可以此更好的响应于中间件的控制，输出更加匹配的机器训练模型。需要说明的是，这一机器学习的过程是在不断动态变化的，这贴合于功放电压的特点，在受中间件不同的调节需求如栅压、漏压，控制对应的训练单元进行相应的训练操作，由此，可以满足不同功放状态下的功放电压的调整。这样，由第一训练单元、第二训练单元、第三训练单元和第四训练单元就构成了机器学习模型。
在优选实施方式中，该机器学习模型和预置的功放调整算法即数字中频芯片可以部署于同一控制模块，这样便于同时进行训练，该控制模块可以是通用处理器CPU，也可以是专用集成电路ASIC或者是专用处理器ASIP等逻辑功能芯片。在进行模型训练时，机器学习模型包括至少一个基本的机器学习工具进程，用于实现对不同训练数据的并行处理，或者对不同的模型分区进行并行处理。每一个基本的机器学习进程称为一个训练单元，用以处理一个机器学习工具进程。
102、获取当前话务量，基于所述机器学习模型对当前话务量进行预测生成预测结果。
在利用机器学习模型时，仅需要获取当前的话务量，将该话务量输入到机器学习模型中，由物理随机接入信道密度PRACH获取该话务量对应的电压参数，将电压参数输入到机器学习模型中，获取到对应的预测结果，其中，该预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果，即对功率对齐、时延对齐和削峰系数进行机器学习后更新的结果。
103、基于预置的功放调整算法和预测结果自动调整功放电压。
对于功放电压包括功放栅压和功放漏压，在获取到预测结果后进行调整时主要是对栅压和漏压进行调整。当接收到已经更新的预测结果后，基于预置的功放调整算法即上述提到的数字中频芯片进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果预测结果调整主路和辅路的功放漏压，基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
由此，根据本实施例的方法能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系数预测的机器学习模型，在有业务情况下，可根据话务量的高低，自动通过预置的功放调整算法自动调整功放电压，实时优化整体电路的功耗，让功放时刻的工作效率达到最优点。而且在不影响性能的同时实现功耗的动态优化，有利于实现基站的能耗随业务变化实时动态调整。
实施例二
请参阅图3，图3为本发明实施例公开的一种基于机器学习的功放电压调整系统示意图。如图3所示，该基于机器学习的功放电压调整系统包括：
机器学习模型1和功放调整模块2。其中，该基于电压参数训练形成的机器学习模型1用于获取当前话务量，对当前话务量进行预测生成预测结果。功放调整模块2，用于基于功放调整算法和预测结果自动调整功放电压，其中，预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
其中，机器学习模型1包括：参数获取模块11，用于利用物理随机接入信道密度获取读入的电压参数，其中，电压参数包括功率对齐参数、时延对齐参数和削峰系数。功放调整模块2搭载于中间件，中间件用于控制功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。首先，利用物理随机接入信道密度PRACH获取读入的电压参数，在具体应用上可以将对现网业务负荷或话务量负荷的预测曲线转化为PRACH信道密度模型文件，再利用该PRACH信道密度模型文件进行电压参数的预测、生成和提取，最终获取到包含有功率对齐参数、时延对齐参数和削峰系数的参数，之后基于预置的功放调整算法所搭载的中间件，控制功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。其中，预置的功放调整算法在本实施例中可以具化为存储于数字中频芯片用于调整整体电路的功放电压的算法，当数字中频芯片进行调整功放电压时，实质就是数字中频芯片环路的DPD模型参数需要根据实时变换的电压参数进行更新，此时需要功率对齐参数、时延对齐参数和削峰系数CFR的更新，而此时由于上述的PRACH信道密度模型在每次功放变化下的重新生成，数字射频芯片就通过漏压电流检测和电压调整电路、栅压调整电路，分别调整功放电压例如Doherty PA的漏压、栅压，由于功放状态的变化，也需要同时在DPD模型参数更新的基础上，再次进行功率对齐参数、时延对齐参数和削峰系数CFR的更新，此时可以实现整个电路功放效率达到最优点。其中，功率对齐参数主要是前向链路输入到DPD模型的基带功率统计值和反馈链路经过ADC后的基带功率统计值，在频域上对齐。时延对齐参数主要是前行链路输入到DPD模型的时延量与经过DPD模型->DAC->PA->反馈ADC采样以后的时延量，在时间上对齐。由于信号经过DPD预失真模型后，输出功率会高于输入功率，峰均比会变大，因此也需要调整削峰系数CFR，由此保证整体的输出功率恒定。
整个机器学习模型的训练框架包括基本的机器学习训练功能、中间件和底层固件，其中，底层固件包括不同中间件对应的底层通信接口和数字中频芯片，数字中频芯片通过漏压电流检测与电压调整电路控制Doherty PA主路和辅路的漏压，数字中频芯片通过栅压调整电路控制Doherty PA主路和辅路的栅压。中间件主要是对应主路、辅路功放的栅压、漏压，生成对应的训练单元，即基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；基于中间件控制功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元。其中，第一训练单元、第二训练单元、第三训练单元和第四训练单元可以实现为均包括：数据分发模块、模型参数更新模块、训练参数调整模块、训练停止模块和底层通信模块，由可以此更好的响应于中间件的控制，输出更加匹配的机器训练模型。需要说明的是，这一机器学习的过程是在不断动态变化的，这贴合于功放电压的特点，在受中间件不同的调节需求如栅压、漏压，控制对应的训练单元进行相应的训练操作，由此，可以满足不同功放状态下的功放电压的调整。这样，由第一训练单元、第二训练单元、第三训练单元和第四训练单元就构成了机器学习模型。在优选实施方式中，该机器学习模型和预置的功放调整算法即数字中频芯片可以部署于同一控制模块，这样便于同时进行训练，该控制模块可以是通用处理器CPU，也可以是专用集成电路ASIC或者是专用处理器ASIP等逻辑功能芯片。在进行模型训练时，机器学习模型包括至少一个基本的机器学习工具进程，用于实现对不同训练数据的并行处理，或者对不同的模型分区进行并行处理。每一个基本的机器学习进程称为一个训练单元，用以处理一个机器学习工具进程。
功放电压包括功放栅压和功放漏压，功放调整模块2，包括：功放漏压调整单元21，用于基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果预测结果调整主路和辅路的功放漏压。功放栅压调整单元22，用于基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。对于功放电压包括功放栅压和功放漏压，在获取到预测结果后进行调整时主要是对栅压和漏压进行调整。当接收到已经更新的预测结果后，基于预置的功放调整算法即上述提到的数字中频芯片进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果预测结果调整主路和辅路的功放漏压，基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
由此，根据本实施例的系统能够利用所训练的包含对功率对齐结果、时延对齐结果和削峰系数预测的机器学习模型，在有业务情况下，可根据话务量的高低，自动通过预置的功放调整算法自动调整功放电压，实时优化整体电路的功耗，让功放时刻的工作效率达到最优点。而且在不影响性能的同时实现功耗的动态优化，有利于实现基站的能耗随业务变化实时动态调整。
实施例三
请参阅图4，图4是本发明实施例公开的一种基于机器学习的功放电压调整装置的结构示意图。其中，图4所描述的基于机器学习的功放电压调整装置可以应用在功放电压系统，对于该基于机器学习的功放电压调整装置的应用系统本发明实施例不做限制。如图4所示，该装置可以包括：
存储有可执行程序代码的存储器601；
与存储器601耦合的处理器602；
处理器602调用存储器601中存储的可执行程序代码，用于执行实施例一所描述的基于机器学习的功放电压调整方法。
实施例四
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的基于机器学习的功放电压调整方法。
实施例五
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的基于机器学习的功放电压调整方法。
以上所描述的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于机器学习的功放电压调整方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的功放电压调整方法，其特征在于，所述方法包括：
构建基于电压参数训练形成的机器学习模型；
获取当前话务量，基于所述机器学习模型对当前话务量进行预测生成预测结果；
基于预置的功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
2.根据权利要求1所述的基于机器学习的功放电压调整方法，其特征在于，
所述构建基于电压参数训练形成的机器学习模型，包括：
利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；
基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
3.根据权利要求2所述的基于机器学习的功放电压调整方法，其特征在于，所述基于预置的功放调整算法所搭载的中间件，控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型，包括：
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；
通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
4.根据权利要求1所述的基于机器学习的功放电压调整方法，其特征在于，所述功放电压包括功放栅压和功放漏压，所述基于预置的功放调整算法和所述预测结果自动调整功放电压，包括：
基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放漏压；
基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
5.根据权利要求1-4任一项所述的基于机器学习的功放电压调整方法，其特征在于，所述方法还包括：
将所述机器学习模型和所述预置的功放调整算法部署于同一控制模块。
6.一种基于机器学习的功放电压调整系统，其特征在于，所述系统包括：
基于电压参数训练形成的机器学习模型，所述机器学习模型用于获取当前话务量，对当前话务量进行预测生成预测结果；
功放调整模块，用于基于功放调整算法和所述预测结果自动调整功放电压，其中，所述预测结果包括功率对齐结果、时延对齐结果和削峰系数更新结果。
7.根据权利要求6所述的基于机器学习的功放电压调整系统，其特征在于，
所述机器学习模型包括：
参数获取模块，用于利用物理随机接入信道密度获取读入的电压参数，其中，所述电压参数包括功率对齐参数、时延对齐参数和削峰系数；
所述功放调整模块搭载于中间件，所述中间件用于控制所述功率对齐参数、时延对齐参数和削峰系数构成机器学习模型。
8.根据权利要求7所述的基于机器学习的功放电压调整系统，其特征在于，所述中间件实现为：
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路漏压的第一训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路漏压的第二训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制主路栅压的第三训练单元；
基于所述中间件控制所述功率对齐参数、时延对齐参数和削峰系数生成用于控制辅路栅压的第四训练单元；
通过所述第一训练单元、所述第二训练单元、所述第三训练单元和所述第四训练单元构成机器学习模型。
9.根据权利要求6所述的基于机器学习的功放电压调整系统，其特征在于，所述功放电压包括功放栅压和功放漏压，所述功放调整模块，包括：
功放漏压调整单元，用于基于预置的功放调整算法进行漏压电流检测，基于漏压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放漏压；
功放栅压调整单元，用于基于预置的功放调整算法进行栅压电流检测，基于栅压电流检测结果、功率对齐结果、时延对齐结果和削峰系数更新结果调整主路和辅路的功放栅压。
10.根据权利要求6-9任一项所述的基于机器学习的功放电压调整系统，其特征在于，所述机器学习模型和所述功放调整模块部署于同一控制模块。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111536977.1A CN113949358B (zh) | 2021-12-16 | 2021-12-16 | 一种基于机器学习的功放电压调整方法及系统 |
| PCT/CN2022/139587 WO2023109946A1 (zh) | 2021-12-16 | 2022-12-16 | 一种基于机器学习的功放电压调整方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111536977.1A CN113949358B (zh) | 2021-12-16 | 2021-12-16 | 一种基于机器学习的功放电压调整方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113949358A true CN113949358A (zh) | 2022-01-18 |
| CN113949358B CN113949358B (zh) | 2022-03-22 |
Family
ID=79339188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111536977.1A Active CN113949358B (zh) | 2021-12-16 | 2021-12-16 | 一种基于机器学习的功放电压调整方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113949358B (zh) |
| WO (1) | WO2023109946A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023109946A1 (zh) * | 2021-12-16 | 2023-06-22 | 广东省新一代通信与网络创新研究院 | 一种基于机器学习的功放电压调整方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5331638A (en) * | 1991-01-15 | 1994-07-19 | Nokia Mobile Phones Ltd. | Gain control in a TDMA radio-telephone system |
| CN101552629A (zh) * | 2008-04-01 | 2009-10-07 | 中国移动通信集团公司 | 一种调整多载波功放工作电压的方法、装置及系统 |
| CN101980572A (zh) * | 2010-10-15 | 2011-02-23 | 中兴通讯股份有限公司 | 一种基站的供电方法及装置 |
| CN102883354A (zh) * | 2012-09-19 | 2013-01-16 | 中国联合网络通信集团有限公司 | 移动通信基站的节能效率检测方法及装置 |
| CN110110038A (zh) * | 2018-08-17 | 2019-08-09 | 平安科技（深圳）有限公司 | 话务预测方法、装置、服务器及存储介质 |
| CN110580544A (zh) * | 2019-08-12 | 2019-12-17 | 浙江工业大学 | 一种基于周期性依赖的话务量预测方法 |
| CN112020125A (zh) * | 2019-05-31 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于高铁人流的基站省电方法、装置及计算设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103327582B (zh) * | 2012-03-23 | 2017-02-15 | 华为技术有限公司 | 功放电压调整方法及基站 |
| CN105611620B (zh) * | 2014-11-20 | 2020-03-17 | 中兴通讯股份有限公司 | 一种功放电压调节方法及装置 |
| US10769553B2 (en) * | 2018-12-06 | 2020-09-08 | Nanya Technology Corporation | Integrated circuit device and circuitry |
| CN113949358B (zh) * | 2021-12-16 | 2022-03-22 | 广东省新一代通信与网络创新研究院 | 一种基于机器学习的功放电压调整方法及系统 |
-
2021
- 2021-12-16 CN CN202111536977.1A patent/CN113949358B/zh active Active
-
2022
- 2022-12-16 WO PCT/CN2022/139587 patent/WO2023109946A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5331638A (en) * | 1991-01-15 | 1994-07-19 | Nokia Mobile Phones Ltd. | Gain control in a TDMA radio-telephone system |
| CN101552629A (zh) * | 2008-04-01 | 2009-10-07 | 中国移动通信集团公司 | 一种调整多载波功放工作电压的方法、装置及系统 |
| CN101980572A (zh) * | 2010-10-15 | 2011-02-23 | 中兴通讯股份有限公司 | 一种基站的供电方法及装置 |
| CN102883354A (zh) * | 2012-09-19 | 2013-01-16 | 中国联合网络通信集团有限公司 | 移动通信基站的节能效率检测方法及装置 |
| CN110110038A (zh) * | 2018-08-17 | 2019-08-09 | 平安科技（深圳）有限公司 | 话务预测方法、装置、服务器及存储介质 |
| CN112020125A (zh) * | 2019-05-31 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于高铁人流的基站省电方法、装置及计算设备 |
| CN110580544A (zh) * | 2019-08-12 | 2019-12-17 | 浙江工业大学 | 一种基于周期性依赖的话务量预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023109946A1 (zh) * | 2021-12-16 | 2023-06-22 | 广东省新一代通信与网络创新研究院 | 一种基于机器学习的功放电压调整方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113949358B (zh) | 2022-03-22 |
| WO2023109946A1 (zh) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7729670B2 (en) | Method and system for minimizing power consumption in a communication system | |
| CN101032093B (zh) | 无线通信设备中的基于信号配置的发射机调节 | |
| US7830981B2 (en) | Method and system for minimizing power consumption in a communication system | |
| EP3209071B1 (en) | Voltage regulation method and apparatus for power amplifier | |
| CN113949358B (zh) | 一种基于机器学习的功放电压调整方法及系统 | |
| CN101489299B (zh) | 一种基站载频功放的控制方法、装置及系统 | |
| KR20050105485A (ko) | 전력증폭기 특성들을 조절하기 위한 방법 및 장치 | |
| US9503993B2 (en) | Method and apparatus for controlling power at base station in a communication system | |
| KR20070093088A (ko) | 컬렉터 전압 제어된 전력 증폭기의 과도 성능을 개선하는전압 클램프 | |
| CN103222197A (zh) | 非线性设备的数字预失真 | |
| CN101247154A (zh) | 实现削峰和数字预失真相互补偿的系统及方法 | |
| CN110581817B (zh) | 一种业务数据的处理方法和装置 | |
| US10165523B2 (en) | Communication device and method for controlling power thereof | |
| CN110829993A (zh) | 射频功率放大设备、功放节能方法、装置和存储介质 | |
| CN101461132A (zh) | 具有负载补偿的高效率线性功率放大器 | |
| WO2023070438A1 (en) | Digital predistortion method and digital predistortion apparatus | |
| EP3309960A1 (en) | Amplification system and enodeb | |
| CN103581940B (zh) | 一种数字预失真数据采集方法及其实现装置 | |
| CN103945448B (zh) | 提高通话性能的方法及系统 | |
| CN105827433A (zh) | 基于acp方法的平行网络架构 | |
| CN114513725A (zh) | 功放控制电路及方法 | |
| CN118054758A (zh) | 射频功率放大器、射频功率放大器的漏极电压的控制方法 | |
| US20160255592A1 (en) | Communication device and method for controlling power thereof | |
| CN116526502A (zh) | 一种低电压装置的配置方法、装置、设备及存储介质 | |
| WO2013177875A1 (zh) | 一种功率放大器及其控制方法 |
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 |