CN114679772A - 一种基于用户关联的5g基站自寻优休眠方法及装置 - Google Patents
一种基于用户关联的5g基站自寻优休眠方法及装置 Download PDFInfo
- Publication number
- CN114679772A CN114679772A CN202210394715.4A CN202210394715A CN114679772A CN 114679772 A CN114679772 A CN 114679772A CN 202210394715 A CN202210394715 A CN 202210394715A CN 114679772 A CN114679772 A CN 114679772A
- Authority
- CN
- China
- Prior art keywords
- sbs
- base station
- dormancy
- capacity
- association
- 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
- 230000005059 dormancy Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 33
- 238000012546 transfer Methods 0.000 claims abstract description 32
- 230000001413 cellular effect Effects 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims description 33
- 230000007958 sleep Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 208000000649 small cell carcinoma Diseases 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 18
- 230000006854 communication Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002355 dual-layer Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007062 medium k Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于用户关联的5G基站自寻优休眠方法及装置,方法包括:建立包括5G基站功耗模型和信道模型的异构蜂窝网络系统模型,利用异构蜂窝网络系统模型构建5G基站经济优化模型,并将其转化为基站能耗最小化模型;然后根据5G基站经济优化模型,建立利用小基站资源且保证用户服务质量的基站‑用户初始全连接网络,得到基站‑用户关联信息,完成超容小基站的判断及其服务用户的转移和关联;进而基于基站‑用户初始全连接网络和基站‑用户关联信息,采用基站自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载小基站并合理转移休眠小基站服务的用户,完成基站‑用户最终匹配连接,得到最终基站部署情况。装置包括:处理器和存储器。
Description
技术领域
本发明涉及通信基站节能降本技术领域,尤其涉及一种基于用户关联的5G基站自寻优休眠方法及装置。
背景技术
作为5G的关键技术之一,5G密集异构蜂窝网络采用宏基站(Macro base station,MBS)和小基站(Small base station,SBS)的混合部署与重叠覆盖,可有效降低MBS的负载压力、减少宏蜂窝网络覆盖盲区、提升系统容量等[1]。但随着全球爆炸性的移动数据流量增长和海量设备连接,为应对联网设备对能源的需求,SBS数量不断增加,导致系统能耗成倍增长,电费成本急剧增加,而基站(Base station,BS)因消耗约70%的通信能耗成为了节能降本的重点对象[2-3]。BS节能降本技术中的BS休眠技术因其设计灵活且易于实现和部署,成为了研究热点[4]。因用户设备(User equipment,UE)与BS的关联情况直接影响BS的挂载容量,从而影响系统能耗;同时因BS的选择性休眠,需将休眠BS服务的UE关联至附近激活BS,故将用户关联与BS休眠结合处理,对通过降低BS能耗以减少BS电费成本意义重大。
目前关于BS休眠和用户关联方法的研究已取得一定进展[5-8]。文献[5]针对5G异构蜂窝网络特点,提出了考虑UE偏好的初始关联算法和基于负荷共享的BS休眠算法,以此降低BS能耗并提高了网络能效;文献[6]为减少异构蜂窝网络系统能耗提出了一种新的BS休眠机制,令MBS边缘的SBS休眠,并将其服务的UE关联至MBS;文献[7]考虑业务量的动态变化,通过预估下一周期BS服务的UE数来进行BS休眠决策,同时设计了基于服务质量保障的用户关联算法解决BS-UE间关联问题,在一定程度上节省了系统能耗并保障了UE的服务质量;文献[8]基于贪婪算法思想提出了一种最大BS选择关联结合休眠方法,该方法实现了BS与UE的关联,并在一定程度上降低了BS能耗。尽管文献[5-8]取得了一定节能效果,但均未充分利用BS无线资源对UE通信负载的动态追随能力,易造成资源浪费、负载失衡等问题,严重影响BS电费成本的降低。
因此,考虑到SBS的低功耗和UE的时空移动状态特点,在已有BS能耗优化研究工作基础上,亟需提出一种考虑BS无线资源的有效利用和UE随机动态变化的方法,以发掘用户关联和BS休眠的节能潜力,减少BS能耗,从而降低电费成本,减少电网负载压力。
发明内容
为了解决未充分利用BS无线资源以及未考虑UE随机动态变化导致的资源浪费、负载失衡以及影响BS电费成本降低的问题,本发明提供了一种基于用户关联的5G BS自寻优休眠方法及装置,通过有效调节BS功耗以降低BS能耗,从而减少系统电费成本和电网负载压力,详见下文描述:
第一方面,一种基于用户关联的5G基站自寻优休眠方法,所述方法包括以下步骤:
建立包括5G BS功耗模型和信道模型的异构蜂窝网络系统模型,利用异构蜂窝网络系统模型构建5G BS经济优化模型,并将其转化为BS能耗最小化模型;
根据5G BS经济优化模型,建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联;
基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况。
其中,所述方法还包括:利用最终BS部署情况即最终的BS开关状态矩阵和BS-UE关联状态矩阵计算BS功耗和能耗,进而计算得到最小化的电费成本,减少电网负载压力。
第二方面,一种基于用户关联的5G基站自寻优休眠装置,所述装置还包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是:
(1)本发明将UE关联至能提供给其传输速率最大的SBS,并以传输速率升序的方式进行超容/休眠SBS服务UE的转移,可保证区域内UE的较高服务质量;
(2)本发明将超容SBS服务的UE优先关联至满足关联条件的传输速率相对较大的邻近活跃SBS,从而可更充分地利用SBS的无线资源,降低MBS的负载压力,节约能耗;
(3)本发明所用自寻优变阈值休眠方法考虑了实际场景中UE的随机动态变化,通过BS自寻优变阈值的休眠方式智能控制BS的开/关状态,可最大限度休眠可利用的SBS,从而动态调节BS功耗,降低BS能耗,实现对BS经济的优化管理,一定程度上可降低BS电费成本,减少电网的负载压力。
附图说明
图1为本发明提供的一种基于用户关联的5G基站自寻优休眠方法的实现过程框图;
图2为本发明提供的BS-UE初始匹配关联阶段流程图;
图3为本发明提供的自寻优变阈值休眠阶段流程图;
图4为本发明提供的宏基站-小基站(Macro base station-Small base station,Macro-Small)双层异构蜂窝网络应用场景图;
图5为本发明提供的电价及通信流量负载示意图;
图6为本发明提供的异构蜂窝网络中不同UE数下BS变阈值休眠寻优结果示意图;
图7为本发明提供的5G BS全天功耗-通信流量负载对比示意图;
图8为本发明提供的一种基于用户关联的5G基站自寻优休眠装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
正如背景技术所介绍的,现有技术中存在未充分利用BS无线资源对UE通信负载的动态追随能力,易造成资源浪费、负载失衡等问题,严重影响BS电费成本的降低。
实施例1
为解决上述问题,本发明实施例提出了一种基于用户关联的5G基站自寻优休眠方法。如图1所示为本发明所提方法的实现过程框图,主要包括下述步骤:
101:建立包括5G BS功耗模型和信道模型的异构蜂窝网络系统模型,利用异构蜂窝网络系统模型构建5G BS经济优化模型,并将其转化为BS能耗最小化模型;
102:根据5G BS经济优化模型,建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联;
103:基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况;
104:利用最终BS部署情况即最终的BS开关状态矩阵和BS-UE关联状态矩阵计算BS功耗和能耗,进而计算得到最小化的电费成本,减少电网负载压力。
其中,自寻优是指该方法自动寻找使得系统功耗最低时的最佳休眠阈值百分比(即SBS关联UE数与SBS最大UE容量间的比值),从而休眠低于休眠阈值的SBS,降低BS功耗,最终实现降低BS能耗和电费成本的目的。
其中,上述的步骤102中的建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联具体为:
定义异构蜂窝网络中BS集合为M={0,1,2,…i,…,M},UE集合为N={1,2,…j,…,N},其中BS0表示MBS,BSi表示第i个SBS,UEj表示第j个UE;
1)以UEj为基准,计算并降序排列BS-UE间的传输速率,并将区域内UE与提供给各UE传输速率最大的SBS进行关联,若UE无可选SBS则连接MBS,以此充分利用SBS资源并保证UE较高的服务质量,然后进入步骤2);
2)在步骤1)基础上,以BSi为基准,从BS i=1开始进行SBS超容判断,将超容BSi服务的超容UE按传输速率升序的方式转移并关联至传输速率次优的可选非满容SBS,若不存在这样的SBS,该UE关联至MBS,然后进入步骤3);
3)若i≠M,则进行BSi+1的检测,进而重复步骤2)直至i=M,即完成所有SBS的判断,并完成超容SBS服务UE的转移和关联,输出满足UE服务质量的BS-UE初始全连接网络,获得每个SBS挂载的UE容量信息,从而为SBS休眠决策提供基础。
其中,上述的步骤103中的采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况具体为:
1)根据步骤102中BS-UE初始全连接网络及每个SBS挂载的UE容量信息更新BS关联的UE个数及BS-UE关联信息矩阵,然后进入步骤2);
2)在不同时刻根据UE的随机动态变化确定使BS功耗最低时的休眠阈值百分比(即自寻优变阈值休眠方式),进而从BS i=1开始进行SBS休眠判断,将休眠BSi服务的UE按传输速率升序的方式转移并关联至传输速率次优的可选非满容、非空载BSk(k≠i)或转移至可选满容BSk(k≠i)(其中,满容BSk(k≠i)中UEp需能转移至可选非满容、非空载BSk1(k1≠i)),若不存在这样的SBS,该UE关联至MBS,然后进入步骤3);
3)若i≠M,则进行BSi+1的检测,进而重复步骤2)直至i=M,即完成所有SBS的判断,并完成休眠SBS服务UE的转移和关联,输出满足UE服务质量的BS-UE最终全连接网络,得到最终的BS部署情况,即BS开关状态矩阵和BS-UE关联状态矩阵。
综上所述,本发明实施例通过上述步骤101-步骤104可有效调节BS功耗以降低BS能耗,从而减少系统电费成本和电网负载压力。
实施例2
下面结合具体的计算公式、附图、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
步骤201:建立包括5G BS功耗模型和信道模型的异构蜂窝网络系统模型;
其中,5G BS用来满足系统中UE的服务需求,定义双层异构蜂窝网络中BS集合为M={0,1,2,…i,…,M};UE集合为N={1,2,…j,…,N}。其中BS0表示MBS,BSi表示第i个SBS,UEj表示第j个UE。MBS和SBS代表的是宏基站和小基站的缩写,假设MBS和SBS的开关状态矩阵为S=[si]1×(M+1),若BS处于工作模式则si=1,反之si=0。此外,假设系统中BSi与UEj的关联状态矩阵为L=[li,j](M+1)×N,其中li,j代表BSi与UEj的关联状态值。若UEj由BSi服务则li,j=1,反之li,j=0。
1)5G基站功耗模型
MBS与SBS功耗表示相似,但SBS传输功率远小于MBS。根据爱立信公司测试结果,5GBS功耗与通信流量负载近似呈一次线性关系[9],功耗如式(1)所示:
其中,
式中:Pactive和Psleep分别为BS工作和休眠功耗(W);TBS(t)为t时刻BS的通信流量负载(%);loadt为t时刻BS服务的UE数;Umax BS为BS的最大UE容量;αBS和βBS分别为激活BS的基本电路功耗(静态功耗)和最大传输功率(动态功耗最大值)。
假设MBS一直处于工作模式,无需考虑其休眠功耗,故MBS功耗可表示为P0=Pactive;SBS处于工作或休眠模式,故SBS的功耗Pi直接采用式(1)进行计算。因此,t时刻所有BS总功耗Pt total如式(3)所示:
式中,P0(t)为t时刻MBS的功耗(W),Pi(t)为t时刻BSi的功耗(W)。
2)异构蜂窝网络系统信道模型
异构蜂窝网络中BS以一定传输速率给UE传输信息,信息在空间传播过程中会产生传输功率p并伴有路径损失pl,同时UE在接收信息过程中会受到其余相邻BS的信号干扰并伴有噪声。在给定TBS(t)形式下,t时刻UEj从BSi所获信号与干扰加噪声比(Signal tointerferenceplus noise ratio,SINR)SINRij与BSi和UEj间的路径损失分别如式(4)和式(5)所示:
plt i,j=di,j -ε(5)
式中:SINRt i,j为t时刻BSi与UEj间的SINR(dB),当SINRt i,j≥△th(△th为SINR阈值)时UEj可与BSi关联;st i为t时刻BSi的开关状态值;lt k,j为t时刻BSk与UEj的关联状态值;plt i,j和plt k,j分别为t时刻BSi和BSk与UEj间的信道增益(dB);pt i,j和pt k,j分别为t时刻BSi和BSk分配给UEj的传输功率和干扰功率(W);σ2为高斯白噪声功率(dBm/Hz);wt i,j为t时刻BSi分配给UEj的信道带宽(MHz);di,j为BSi与UEj间距离(m);ε为路损指数;W为BS总信道带宽(MHz)。
根据香农公式[10],t时刻UEj从BSi所得信道容量即BSi给UEj传输信息时的传输速率如式(7)所示:
式中:Rt i,j为t时刻UEj从BSi获得的传输速率(bit/s),在高速网络时代稳定的信息传输速率可代表UE的通信服务质量。
综上,由式(1)-(7)可推导出t时刻异构蜂窝网络中BS的总功耗和总传输速率分别如式(8)和式(9)所示:
式中:Pt total和Rt total分别为t时刻网络中所有BS的总功耗(W)和总传输速率(bits/s);αi和βi分别为激活BSi的基本电路功耗(静态功耗)和最大传输功率(动态功耗最大值);Ti(t)为t时刻BSi的通信流量负载(%);lt i,j为t时刻BSi与UEj的关联状态值。
步骤202:利用异构蜂窝网络系统模型构建5G BS经济优化模型,并将其转化为BS能耗最小化模型;
其中,经济优化模型主要包括:目标函数和约束条件。
1)目标函数
基于异构蜂窝网络中BS功耗模型和信道模型,建立考虑UE服务质量的5G BS经济优化模型。假设BS仅由市电供电,则经济优化的目标是在保证UE服务质量基础上,通过BS休眠方法以在T时间段内最小化BS电费成本,相应的目标函数为:
其中,
式中:y为满足BS能耗需求全天所需的最小电费成本(元);price(t)为t时刻分时电价(元/kW·h);W(t)为t时刻所有BS的能耗(kW·h);T为一个完整优化周期内的时段总数;△t为固定时间间隔,假设△t=0.5h。
因BS负载随时间变化,负载时间间隔与分时电价固定,故BS功耗最小化致使能耗最小化,进一步致使电费成本最小化,因此电费成本最小化可与BS功耗/能耗最小化进行等价转换。
2)约束条件
①基站的开关状态约束:
该式说明BS状态用二进制值表示。
②用户的关联状态约束:
该式说明BS与UE关联状态值只能是二进制值。
③用户的服务质量约束:
式中:εdown为UEj从BSi获得的传输速率下限,即若UEj由BSi服务,UEj须满足其最低传输速率要求。
④用户的连接数量约束:
式中:式(15)表示t时刻UEj能且只能与一个BS相关联;式(16)考虑激活BS容量限制,表示t时刻BSi服务的UE数不得超过BSi可连接的最大UE数。
⑤网络服务需求约束:
式中:Ut total为t时刻系统UE总数。该式表示t时刻异构蜂窝网络中所有UE均能被有效服务,即休眠/超容BS服务的UE均需转移至其它激活SBS或MBS。
步骤203:BS-UE初始匹配关联阶段(Initial matching connection stage,IMCS),该阶段流程图如图2所示,即根据5G BS经济优化模型(即上述公式(10)至公式(17)),建立充分利用SBS资源且保证UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联,此时UE尽可能地连接低功耗SBS,以防所有UE直接连接至发射功率强的高功耗MBS,造成SBS资源浪费和系统能耗的增加。假设初始时BS均激活,若SINRij>△th,则UEj与BSi关联。UEj可选的SBS个数为Mark(j),BSi关联的UE个数为Lengh(i)。具体BS-UE关联步骤以及初始全连接网络实现过程为:
步骤3.1:从UE j=1开始进行BS-UE的连接判断,以UEj为基准,利用公式(4)-公式(6)计算BSi对UEj的SINRij,遍历所有SBS,选择出SINRij>△th的BSi,然后计算满足上述关联条件的BSi对UEj的传输速率Rij并将其进行降序排列;将所有UE计算一遍,建立每个UE关联的BS数组矩阵,并计算Mark(j)和Lengh(i),若Mark(j)>0,执行步骤3.2;否则执行步骤3.3;
步骤3.2:UEj存在可选SBS,将UEj与Rij最大的BSi连接,执行步骤3.4;
步骤3.3:UEj不存在可选SBS,将UEj关联至MBS,执行步骤3.4;
步骤3.4:若j≠N,则j=j+1,执行步骤3.1;若j=N,执行步骤3.5;
步骤3.5:从BS i=1开始进行SBS超容判断,以BSi为基准,根据Rij降序排列BSi所关联的UE,形成关联信息矩阵;检测BSi关联的UE数Lengh(i)是否超过其最大连接数,若Lengh(i)≤Umax BS,执行步骤3.6;否则执行步骤3.7;
步骤3.6:BSi不超容,若i≠M,则i=i+1,执行步骤3.5;若i=M,执行步骤3.13;
步骤3.7:BSi超容,此时从BSi服务的最后一个超容UE至第一个超容UE进行循环、转移和连接以保证UE较高的服务质量,假设当前UE为UEj,若Mark(j)≤1,执行步骤3.8;否则执行步骤3.9;
步骤3.8:超容BSi关联的UEj不存在满足SINRkj(k≠i)>△th的活跃BSk,UEj转移并关联至MBS,执行步骤3.12;
步骤3.9:超容BSi关联的UEj存在满足SINRkj(k≠i)>△th的活跃BSk,询问不同顺位的可选BSk:若Lengh(k)<Umax BS,执行步骤3.10;否则执行步骤3.11;
步骤3.10:BSk未满容,UEj转移并关联至BSk,执行步骤3.12;
步骤3.11:BSk满容,且BSk不是UEj的最后一个可选SBS,则询问UEj的下一个可选SBS,执行步骤3.9;若BSk是UEj的最后一个可选SBS,UEj转移并关联至MBS,执行步骤3.12;
其中,上述采用“下一个可选SBS”而没有用“k+1”的语句,原因在于:BS-UE间的传输速率进行过降序排列,若UEj的可选BSk中k=2,UEj的下一个可选SBS可能是BS3或者BS7等其他SBS,所以不能用k+1来表示BSk的“下一个可选BS”。
步骤3.12:若UEj不是BSi关联的第一个超容UE,则对UEj的前一个UE进行转移,执行步骤3.7;若UEj是BSi关联的第一个超容UE,且i≠M,则i=i+1,执行步骤3.5;若UEj是BSi关联的第一个超容UE,且i=M,执行步骤3.13;
其中,上述采用“前一个UE”而没有用“j+1”的语句,原因在于:BS-UE间的传输速率进行过降序排列,若BSi关联的UEj中j=2,BSi关联的UEj的前一个UE可能是UE3或者UE7等其他UE,所以不能用j+1来表示UEj的“前一个UE”。
步骤3.13:完成所有SBS的超容判断,循环结束,形成BS-UE初始全连接网络。
至此,判断完所有SBS且完成了超容SBS服务UE的转移和关联,并建立起了BS-UE的初始匹配连接,最后输出满足UE服务质量的BS-UE初始全连接网络以及更新后的关联信息矩阵,并获得每个SBS挂载的UE容量信息,从而为SBS休眠决策提供基础。
步骤204:BS自寻优变阈值休眠阶段(Self-optimizing variable thresholdsleep stage,SOVT-SS),该阶段流程图如图3所示,即基于步骤203产生的BS-UE初始全连接网络和BS-UE关联信息,考虑UE随机动态变化,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比(即SBS关联UE数与SBS最大UE容量间的比值),进而休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况。具体实现过程为:
步骤4.1:根据步骤203中BS-UE初始全连接网络及每个SBS挂载的UE容量信息更新BSi关联的UE个数Lengh(i)及关联信息矩阵;
步骤4.2:在步骤4.1基础上,从BS i=1开始进行SBS休眠判断,若Lengh(i)=0,执行步骤4.3;否则执行步骤4.4;
步骤4.3:BSi休眠,若i≠M,则i=i+1,执行步骤4.2;若i=M,执行步骤4.14;
步骤4.4:根据某一时刻UE分布情况及UE动态变化进行休眠阈值的动态寻优和休眠判断,并将系统功耗最低时的SBS负载占比X_best(%)作为最佳休眠阈值百分比(即自寻优变阈值休眠方式),此时若Lengh(i)>X_best*Umax BS,执行步骤4.5;否则执行步骤4.6;
步骤4.5:BSi不休眠,若i≠M,则i=i+1,执行步骤4.2;若i=M,执行步骤4.14;
步骤4.6:BSi休眠,此时从BSi服务的最后一个UE至第一个UE进行循环、转移和连接以保证UE较高的服务质量,假设当前UE为UEj,若Mark(j)≤1,执行步骤4.7;否则执行步骤4.8;
步骤4.7:休眠BSi关联的UEj不存在满足SINRkj(k≠i)>△th的活跃BSk,UEj转移并关联至MBS,执行步骤4.13;
步骤4.8:休眠BSi关联的UEj存在满足SINRkj(k≠i)>△th的活跃BSk,询问不同顺位的可选BSk,以进行休眠BSi服务UE的转移:若Lengh(k)=Umax BS,执行步骤4.9;若Lengh(k)=0(BSk空载),执行步骤4.11;若BSk不满容、不空载,执行步骤4.12;
步骤4.9:BSk满容,从可选BSk中最后一个UE向第一个UE寻找是否存在可转移的UEp,若k≠i且BSk中UEp存在可选顺位BSk1且BSk1不满容、不关闭,同时k1≠i,执行步骤4.10;其他情况,执行步骤4.11;
步骤4.10:UEp转移至BSk1,UEj转移至BSk中UEp的位置,执行步骤4.13;
步骤4.11:若BSk不是UEj的最后一个可选SBS,则询问UEj的下一个可选SBS,执行步骤4.8;若BSk是UEj的最后一个可选SBS,UEj转移并关联至MBS,执行步骤4.13;
步骤4.12:k≠i,UEj转移并关联至BSk,执行步骤4.13;k=i,执行步骤4.11;
步骤4.13:若UEj不是BSi关联的第一个UE,则对UEj的前一个UE进行转移,执行步骤4.6;若UEj是BSi关联的第一个UE,且i≠M,则i=i+1,执行步骤4.2;若UEj是BSi关联的第一个UE,且i=M,执行步骤4.14;
步骤4.14:完成所有SBS的休眠判断,循环结束,形成BS-UE最终全连接网络。
至此,判断完所有SBS且将休眠SBS服务的UE进行转移和关联后,即完成了BS-UE的最终匹配连接,输出满足UE服务质量的BS-UE最终全连接网络,得到最终的BS部署情况,即开关状态矩阵S1×(M+1)和关联状态矩阵L(M+1)×N。
上述步骤203和步骤204中的IMCS和SOVT-SS阶段为本发明所提方法的核心,现用IMCS+SOVT-SS表示本发明所提方法。因超容/休眠SBS服务UE的转移均按照传输速率以小到大的方式进行,即本发明可保证UE较高的服务质量。
步骤205:利用最终的BS部署情况获得最小化的BS电费成本,即将步骤204生成的最终BS开关状态矩阵和BS-UE关联状态矩阵带入式(8)、(10)和(11),计算BS功耗和能耗,进而计算得到最小化的电费成本。
实施例3
下面结合具体的实验数据对实施例1和2中的方案进行可行性验证,详见下文描述:
以图4所示的Macro-Small双层异构蜂窝网络为本发明实施例的应用场景示意图,其仿真区域为500m*500m,区域内部含有1个位置固定的MBS(位于区域中心)和24个均匀分布且型号相同的SBS为200个随机分布的UE提供服务。移动通信蜂窝网络仿真参数[5],[10]和功耗模型参数[5]分别如表1和表2所示,基本标准电价(2021年1月1日起由北京发布)以及典型日24h通信流量负载变化[9]如图5所示。
表1 5G异构蜂窝网络中主要仿真参数
表2 功耗模型参数
为分析5G BS运行特性同时验证本发明所提方法(IMCS+SOVT-SS)的先进性和可行性,将所提方法与其它三种对比方法分别应用于图4所示的Macro-Small双层异构蜂窝网络系统,并进行对比分析。其中对比方法分别为:(1)IMCS+固定阈值休眠方法(Fixedthreshold sleep method,FTSM)[11],其中FTSM方法为当SBS服务UE数低于固定阈值时,SBS进入休眠状态,且其服务的UE转移至其它非满容激活SBS或MBS;(2)IMCS关联方法;(3)基于最大信道容量的用户接入方法(Maximum channel-capacity user association method,MCCM)[8],即UE选择为其提供最大信道容量的非满容SBS进行接入,若无可选SBS则该UE关联至MBS。
为说明本发明中BS变阈值自寻优过程,给出了图6所示的不同UE数下BS变阈值休眠寻优结果示意图。从图6可以看出,系统通过计算不同UE数下采用不同休眠阈值百分比时整个通信网络的功耗,可自寻SBS的最佳休眠阈值百分比X_best。如区域内有500个UE,X_best=(35%~42%)时通信网络的整体功耗最低,这是由于:当X_best≤35%时,SBS关闭过少,轻载SBS数量相对较多,导致资源浪费,系统功耗较高;当X_best≥42%时,SBS关闭过多,UE连接MBS的概率过大,导致系统功耗也较高。因此使得系统功耗最低时的X_best范围为35%~42%。同理可分析UE数动态变化时系统的阈值寻优过程。
进一步,为详细说明本发明所提方法的效果,将所提方法与其他方法下的5G BS全天功耗及经济优化结果进行了对比分析。UE在不同时间、不同空间位置处于移动状态,导致全天通信流量负载TBS(t)呈动态变化,BS-UE通信过程也随之改变,为满足应用场景信号需求并评估所提方法的有效性,假设此时系统中SBS个数为80,其余仿真条件不变。IMCS+SOVT-SS、IMCS+FTSM、IMCS和MCCM方法下全天功耗调节结果如图7所示,功耗/能耗及经济比较结果如表3所示。
表3 不同方法下全天功耗/能耗及经济比较
由图7可以看出,因全天不同时刻区域内UE动态变化,导致5G BS TBS(t)不同,最终不同时刻系统功耗不同,且功耗变化追随TBS(t)的变化。本发明所提方法由于能够充分利用SBS无线资源并动态跟随UE随机变化,从而可实现时间域与空间域中BS功耗的动态调节以及BS能耗的降低;因本发明假设BS仅由市电供电,故BS电费成本与功耗/能耗成正比关系,从表3可以看出,本发明相比于IMCS+FTSM、IMCS以及MCCM方法可使区域内80个SBS全天平均功耗/能耗分别减少约0.58%、1.72%和2.04%,电费成本分别减少约0.46%、1.17%和1.54%。
实施例4
一种基于用户关联的5G基站自寻优休眠装置,参见图8,该装置包括:处理器1和存储器2,存储器2中存储有程序指令,处理器1调用存储器2中存储的程序指令以使装置执行实施例1中的以下方法步骤:
建立包括5G BS功耗模型和信道模型的异构蜂窝网络系统模型,利用异构蜂窝网络系统模型构建5G BS经济优化模型,并将其转化为BS能耗最小化模型;
根据5G BS经济优化模型,建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联;
基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况。
其中,建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络具体为:
步骤3.1:从UE j=1开始进行BS-UE的连接判断,以UEj为基准,计算BSi对UEj的SINRij,遍历所有SBS,选择出SINRij>△th的BSi,然后计算满足关联条件的BSi对UEj的传输速率Rij并将其进行降序排列;将所有UE计算一遍,建立每个UE关联的BS数组矩阵,并计算Mark(j)和Lengh(i),若Mark(j)>0,执行步骤3.2;否则执行步骤3.3;
步骤3.2:UEj存在可选SBS,将UEj与Rij最大的BSi连接,执行步骤3.4;
步骤3.3:UEj不存在可选SBS,将UEj关联至MBS,执行步骤3.4;
步骤3.4:若j≠N,则j=j+1,执行步骤3.1;若j=N,执行步骤3.5;
步骤3.5:从BS i=1开始进行SBS超容判断,以BSi为基准,根据Rij降序排列BSi所关联的UE,形成关联信息矩阵;检测BSi关联的UE数Lengh(i)是否超过其最大连接数,若Lengh(i)≤Umax BS,执行步骤3.6;否则执行步骤3.7;
步骤3.6:BSi不超容,若i≠M,则i=i+1,执行步骤3.5;若i=M,执行步骤3.13;
步骤3.7:BSi超容,此时从BSi服务的最后一个超容UE至第一个超容UE进行循环、转移和连接以保证UE较高的服务质量,假设当前UE为UEj,若Mark(j)≤1,执行步骤3.8;否则执行步骤3.9;
步骤3.8:超容BSi关联的UEj不存在满足SINRkj(k≠i)>△th的活跃BSk,UEj转移并关联至MBS,执行步骤3.12;
步骤3.9:超容BSi关联的UEj存在满足SINRkj(k≠i)>△th的活跃BSk,询问不同顺位的可选BSk:若Lengh(k)<Umax BS,执行步骤3.10;否则执行步骤3.11;
步骤3.10:BSk未满容,UEj转移并关联至BSk,执行步骤3.12;
步骤3.11:BSk满容,且BSk不是UEj的最后一个可选SBS,则询问UEj的下一个可选SBS,执行步骤3.9;若BSk是UEj的最后一个可选SBS,UEj转移并关联至MBS,执行步骤3.12;
步骤3.12:若UEj不是BSi关联的第一个超容UE,则对UEj的前一个UE进行转移,执行步骤3.7;若UEj是BSi关联的第一个超容UE,且i≠M,则i=i+1,执行步骤3.5;若UEj是BSi关联的第一个超容UE,且i=M,执行步骤3.13;
步骤3.13:完成所有SBS的超容判断,循环结束,形成BS-UE初始全连接网络。
其中,基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE具体为:
步骤4.1:根据BS-UE初始全连接网络及每个SBS挂载的UE容量信息更新BSi关联的UE个数Lengh(i)及关联信息矩阵;
步骤4.2:在步骤4.1基础上,从BS i=1开始进行SBS休眠判断,若Lengh(i)=0,执行步骤4.3;否则执行步骤4.4;
步骤4.3:BSi休眠,若i≠M,则i=i+1,执行步骤4.2;若i=M,执行步骤4.14;
步骤4.4:根据某一时刻UE分布情况及UE动态变化进行休眠阈值的动态寻优和休眠判断,并将系统功耗最低时的SBS负载占比X_best(%)作为最佳休眠阈值百分比,此时若Lengh(i)>X_best*Umax BS,执行步骤4.5;否则执行步骤4.6;
步骤4.5:BSi不休眠,若i≠M,则i=i+1,执行步骤4.2;若i=M,执行步骤4.14;
步骤4.6:BSi休眠,此时从BSi服务的最后一个UE至第一个UE进行循环、转移和连接,假设当前UE为UEj,若Mark(j)≤1,执行步骤4.7;否则执行步骤4.8;
步骤4.7:休眠BSi关联的UEj不存在满足SINRkj(k≠i)>△th的活跃BSk,UEj转移并关联至MBS,执行步骤4.13;
步骤4.8:休眠BSi关联的UEj存在满足SINRkj(k≠i)>△th的活跃BSk,询问不同顺位的可选BSk,以进行休眠BSi服务UE的转移:若Lengh(k)=Umax BS,执行步骤4.9;若Lengh(k)=0(BSk空载),执行步骤4.11;若BSk不满容、不空载,执行步骤4.12;
步骤4.9:BSk满容,从可选BSk中最后一个UE向第一个UE寻找是否存在可转移的UEp,若k≠i且BSk中UEp存在可选顺位BSk1且BSk1不满容、不关闭,同时k1≠i,执行步骤4.10;其他情况,执行步骤4.11;
步骤4.10:UEp转移至BSk1,UEj转移至BSk中UEp的位置,执行步骤4.13;
步骤4.11:若BSk不是UEj的最后一个可选SBS,则询问UEj的下一个可选SBS,执行步骤4.8;若BSk是UEj的最后一个可选SBS,UEj转移并关联至MBS,执行步骤4.13;
步骤4.12:k≠i,UEj转移并关联至BSk,执行步骤4.13;k=i,执行步骤4.11;
步骤4.13:若UEj不是BSi关联的第一个UE,则对UEj的前一个UE进行转移,执行步骤4.6;若UEj是BSi关联的第一个UE,且i≠M,则i=i+1,执行步骤4.2;若UEj是BSi关联的第一个UE,且i=M,执行步骤4.14;
步骤4.14:完成所有SBS的休眠判断,循环结束,形成BS-UE最终全连接网络。
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号,本发明实施例对此不做赘述。
参考文献
[1]Liu C,Natarajan B,Xia H.Small cell base station sleep strategiesfor energy efficiency[J].IEEE Transactions on Vehicular Technology,2016,65(3):1652-1661.
[2]Cisco,V.,2018.Cisco visual networking index:Forecast and Trends,1.White Paper,2017-2022.
[3]Israr A,Yang Q,Li W,et al.Renewable energy powered sustainable 5Gnetwork infrastructure:Opportunities,challenges and perspectives[J].Journalof Network and Computer Applications,2020,175.
[4]Buzzi S,Chih-Lin I,Klein T E,et al.A survey of energy-efficienttechniques for 5G networks and challenges ahead[J].IEEE Journal on SelectedAreas in Communications,2016,34(4):697-709.
[5]Venkateswararao K,Pravati Swain.Traffic aware sleeping strategiesfor small-cell base station in the ultra-dense 5G small cell networks[C].TENCON 2020-2020 IEEE Region 10 Conference(TENCON),Osaka,Japan,2020.
[6]Tao R,Liu W,Chu X,et al.An energy saving small cell sleepingmechanism with cell range expansion in heterogeneous networks[J].IEEETransactions on Wireless Communications,2019,18(5):2451-2463.
[7]戎玉.异构蜂窝网络基站休眠策略研究[D].重庆:重庆邮电大学,2018.
[8]练家兴.异构蜂窝网络中用户关联和基站休眠策略的研究[D].内蒙古:内蒙古大学,2020.
[9]Yong P,Zhang N,Hou Q,et al.Evaluating the dispatchable capacity ofbase station backup batteries in distribution networks[J].IEEE Transactionson Smart Grid,2021,3074754.
[10]吴静.异构蜂窝网络基站休眠技术的研究[D].重庆:重庆邮电大学,2020.
[11]Wang Q,Yu F,Yi S.Optimal joint base station and user equipment(BS-UE)admission control for energy-efficient green wireless cellularnetworks[C].2012 IEEE Global Communications Conference(GLOBECOM),Anaheim,CA,2012.
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于用户关联的5G基站自寻优休眠方法,其特征在于,所述方法包括以下步骤:
建立包括5G基站BS功耗模型和信道模型的异构蜂窝网络系统模型,利用异构蜂窝网络系统模型构建5G BS经济优化模型,并将其转化为BS能耗最小化模型;
根据5G BS经济优化模型,建立利用小基站SBS资源且保证用户UE服务质量的BS-UE初始全连接网络,得到BS-UE关联信息,完成超容SBS的判断及其服务UE的转移和关联;
基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE,完成BS-UE最终匹配连接,得到最终BS部署情况。
2.根据权利要求1所述的一种基于用户关联的5G基站自寻优休眠方法,其特征在于,所述建立利用SBS资源且保证UE服务质量的BS-UE初始全连接网络具体为:定义异构蜂窝网络中BS集合为M={0,1,2,…i,…,M},UE集合为N={1,2,…j,…,N},其中BS0表示MBS,BSi表示第i个SBS,UEj表示第j个UE;
1)以UEj为基准,计算并降序排列BS-UE间的传输速率,并将区域内UE与提供给各UE传输速率最大的SBS进行关联,若UE无可选SBS则连接MBS,以此充分利用SBS资源并保证UE较高的服务质量,然后进入步骤2);
2)在步骤1)基础上,以BSi为基准,从BSi=1开始进行SBS超容判断,将超容BSi服务的超容UE按传输速率升序的方式转移并关联至传输速率次优的可选非满容SBS,若不存在这样的SBS,该UE关联至MBS,然后进入步骤3);
3)若i≠M,则进行BSi+1的检测,进而重复步骤2)直至i=M,即完成所有SBS的判断,并完成超容SBS服务UE的转移和关联,输出满足UE服务质量的BS-UE初始全连接网络,获得每个SBS挂载的UE容量信息,从而为SBS休眠决策提供基础。
3.根据权利要求1所述的一种基于用户关联的5G基站自寻优休眠方法,其特征在于,所述基于BS-UE初始全连接网络和BS-UE关联信息,采用BS自寻优变阈值休眠方法自寻最佳休眠阈值百分比,休眠轻载/空载SBS并合理转移休眠SBS服务的UE具体为:
1)根据BS-UE初始全连接网络及每个SBS挂载的UE容量信息更新BS关联的UE个数及BS-UE关联信息矩阵,然后进入步骤2);
2)在不同时刻根据UE的随机动态变化确定使BS功耗最低时的休眠阈值百分比,进而从BSi=1开始进行SBS休眠判断,将休眠BSi服务的UE按传输速率升序的方式转移并关联至传输速率次优的可选非满容、非空载BSk(k≠i)或转移至可选满容BSk(k≠i),其中满容BSk(k≠i)中UEp需能转移至可选非满容、非空载BSk1(k1≠i),若不存在这样的SBS,该UE关联至MBS,然后进入步骤3);
3)若i≠M,则进行BSi+1的检测,进而重复步骤2)直至i=M,即完成所有SBS的判断,并完成休眠SBS服务UE的转移和关联,输出满足UE服务质量的BS-UE最终全连接网络,得到最终的BS部署情况,即BS开关状态矩阵和BS-UE关联状态矩阵。
4.根据权利要求1所述的一种基于用户关联的5G基站自寻优休眠方法,其特征在于,所述方法还包括:利用最终BS部署情况即最终的BS开关状态矩阵和BS-UE关联状态矩阵计算BS功耗和能耗,进而计算得到最小化的电费成本,减少电网负载压力。
5.一种基于用户关联的5G基站自寻优休眠装置,其特征在于,所述装置还包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-4中的任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394715.4A CN114679772B (zh) | 2022-04-15 | 2022-04-15 | 一种基于用户关联的5g基站自寻优休眠方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394715.4A CN114679772B (zh) | 2022-04-15 | 2022-04-15 | 一种基于用户关联的5g基站自寻优休眠方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114679772A true CN114679772A (zh) | 2022-06-28 |
CN114679772B CN114679772B (zh) | 2023-11-24 |
Family
ID=82077190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394715.4A Active CN114679772B (zh) | 2022-04-15 | 2022-04-15 | 一种基于用户关联的5g基站自寻优休眠方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679772B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456379A (zh) * | 2023-03-11 | 2023-07-18 | 天津大学 | 计及休眠和储能调节容量的5g基站与电网协同控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102802247A (zh) * | 2012-08-10 | 2012-11-28 | 北京邮电大学 | 基于低功率基站分布密度的分层蜂窝网络基站休眠方法 |
CN103974389A (zh) * | 2013-02-01 | 2014-08-06 | 株式会社日立制作所 | 蜂窝网络中的基站和基站的休眠控制方法 |
CN104581904A (zh) * | 2014-12-24 | 2015-04-29 | 南京邮电大学 | 异构蜂窝网络中一种基于节能的基站休眠方法 |
CN106034348A (zh) * | 2015-03-19 | 2016-10-19 | 中兴通讯股份有限公司 | 一种实现小基站休眠的方法和装置 |
CN106550440A (zh) * | 2016-09-23 | 2017-03-29 | 燕山大学 | 一种联合用户和基站的休眠策略及阈值确定方法 |
CN106961716A (zh) * | 2017-03-16 | 2017-07-18 | 华北电力大学(保定) | 一种能耗优先的能源代价最小化基站休眠方法 |
CN107276788A (zh) * | 2017-05-21 | 2017-10-20 | 北京工业大学 | 一种基于休眠控制的带缓存基站通信模型构建方法 |
CN108055678A (zh) * | 2018-02-26 | 2018-05-18 | 重庆邮电大学 | 异构蜂窝网络中基于smdp的家庭基站休眠方法 |
CN111148131A (zh) * | 2019-11-04 | 2020-05-12 | 国家电网有限公司 | 一种基于能耗的无线异构网络终端接入控制方法 |
CN111343704A (zh) * | 2020-02-29 | 2020-06-26 | 重庆邮电大学 | 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 |
CN111405646A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 异构蜂窝网络中基于Sarsa学习的基站休眠方法 |
CN111479312A (zh) * | 2020-03-02 | 2020-07-31 | 重庆邮电大学 | 异构蜂窝网络内容缓存和基站休眠联合优化方法 |
-
2022
- 2022-04-15 CN CN202210394715.4A patent/CN114679772B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102802247A (zh) * | 2012-08-10 | 2012-11-28 | 北京邮电大学 | 基于低功率基站分布密度的分层蜂窝网络基站休眠方法 |
CN103974389A (zh) * | 2013-02-01 | 2014-08-06 | 株式会社日立制作所 | 蜂窝网络中的基站和基站的休眠控制方法 |
CN104581904A (zh) * | 2014-12-24 | 2015-04-29 | 南京邮电大学 | 异构蜂窝网络中一种基于节能的基站休眠方法 |
CN106034348A (zh) * | 2015-03-19 | 2016-10-19 | 中兴通讯股份有限公司 | 一种实现小基站休眠的方法和装置 |
CN106550440A (zh) * | 2016-09-23 | 2017-03-29 | 燕山大学 | 一种联合用户和基站的休眠策略及阈值确定方法 |
CN106961716A (zh) * | 2017-03-16 | 2017-07-18 | 华北电力大学(保定) | 一种能耗优先的能源代价最小化基站休眠方法 |
CN107276788A (zh) * | 2017-05-21 | 2017-10-20 | 北京工业大学 | 一种基于休眠控制的带缓存基站通信模型构建方法 |
CN108055678A (zh) * | 2018-02-26 | 2018-05-18 | 重庆邮电大学 | 异构蜂窝网络中基于smdp的家庭基站休眠方法 |
CN111148131A (zh) * | 2019-11-04 | 2020-05-12 | 国家电网有限公司 | 一种基于能耗的无线异构网络终端接入控制方法 |
CN111343704A (zh) * | 2020-02-29 | 2020-06-26 | 重庆邮电大学 | 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 |
CN111479312A (zh) * | 2020-03-02 | 2020-07-31 | 重庆邮电大学 | 异构蜂窝网络内容缓存和基站休眠联合优化方法 |
CN111405646A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 异构蜂窝网络中基于Sarsa学习的基站休眠方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456379A (zh) * | 2023-03-11 | 2023-07-18 | 天津大学 | 计及休眠和储能调节容量的5g基站与电网协同控制方法 |
CN116456379B (zh) * | 2023-03-11 | 2024-03-29 | 天津大学 | 计及休眠和储能调节容量的5g基站与电网协同控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114679772B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Green mobile access network with dynamic base station energy saving | |
CN102917446B (zh) | 一种面向绿色节能的动态小区休眠方法 | |
CN102791002B (zh) | Lte网络中基于能效的资源分配方法 | |
CN108848520A (zh) | 一种基于流量预测与基站状态的基站休眠方法 | |
CN102547768B (zh) | 分布式Femto基站系统中SON的实现方法及装置 | |
CN108063632B (zh) | 异构云接入网络中基于能效的协作资源分配方法 | |
CN107708157A (zh) | 基于能效的密集小蜂窝网络资源分配方法 | |
CN110191489B (zh) | 一种超密集网络中基于强化学习的资源分配方法及装置 | |
WO2020001129A1 (zh) | 一种基站设备的节能方法和设备 | |
CN114679772B (zh) | 一种基于用户关联的5g基站自寻优休眠方法及装置 | |
Mazza et al. | A user-satisfaction based offloading technique for smart city applications | |
Agubor et al. | On-off Switching and Sleep-mode Energy Management Techniques in 5G Mobile Wireless Communications–A Review | |
Wang et al. | Base station sleeping strategy for on-grid energy saving in cellular networks with hybrid energy supplies in IoT environment | |
CN107995034B (zh) | 一种密集蜂窝网络能量与业务协作方法 | |
Azhar et al. | 5G networks: Challenges and techniques for energy efficiency | |
You et al. | A novel cell zooming strategy towards energy efficient based on load balancing in random heterogeneous networks | |
CN110446229B (zh) | 一种基于干扰水平的5g网络负荷均衡方法 | |
Zheng et al. | User Association Based Cooperative Energy-Saving Mechanism in Heterogeneous 5G Access Networks | |
Wang et al. | Key technologies of green communication for 5G mobile network | |
Yang et al. | Energy minimization by dynamic base station switching in heterogeneous cellular network | |
Liu et al. | Energy-saving management mechanism based on hybrid energy supplies in multi-operator shared LTE networks | |
CN116456379B (zh) | 计及休眠和储能调节容量的5g基站与电网协同控制方法 | |
CN115348650B (zh) | 一种提高5g网络节能效率的方法 | |
Ma et al. | Exploring power system flexibility regulation potential based on multi‐base‐station cooperation self‐optimising sleep strategy for 5G base stations | |
Lai et al. | QoS-guaranteed User Association and Resource Allocation with CoMP JT in Ultra-Dense Networks |
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 |