CN115103449A - 一种多波束低轨卫星空间能源分配方法、装置和电子设备 - Google Patents

一种多波束低轨卫星空间能源分配方法、装置和电子设备 Download PDF

Info

Publication number
CN115103449A
CN115103449A CN202211015730.XA CN202211015730A CN115103449A CN 115103449 A CN115103449 A CN 115103449A CN 202211015730 A CN202211015730 A CN 202211015730A CN 115103449 A CN115103449 A CN 115103449A
Authority
CN
China
Prior art keywords
satellite
power
traffic
calculating
service
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
Application number
CN202211015730.XA
Other languages
English (en)
Other versions
CN115103449B (zh
Inventor
王琰
袁虎
李树
张涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ellipse Space Time Beijing Technology Co ltd
Original Assignee
Ellipse Space Time Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ellipse Space Time Beijing Technology Co ltd filed Critical Ellipse Space Time Beijing Technology Co ltd
Priority to CN202211015730.XA priority Critical patent/CN115103449B/zh
Publication of CN115103449A publication Critical patent/CN115103449A/zh
Application granted granted Critical
Publication of CN115103449B publication Critical patent/CN115103449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开了一种多波束低轨卫星空间能源分配方法、装置和电子设备，涉及航空卫星技术领域。通过获取卫星的星下点运动轨迹划分地理栅格接入优先级，建立分区域业务特征模型；并基于遗传算法对波束功率进行动态分配；利用深度学习算法对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。上述方案在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测，提高了卫星进行功率动态分配的效率；同时通过制作分区域业务特征模型，优化了利用深度学习进行业务预测的能力。

Description

一种多波束低轨卫星空间能源分配方法、装置和电子设备
技术领域
本发明涉及航空卫星技术领域，尤其涉及一种多波束低轨卫星空间能源分配方法、装置和电子设备。
背景技术
随着全球信息化的不断发展，卫星移动通信以其具有的通信覆盖范围广、通信服务机动灵活等特点成为了全球通信中的重要组成部分。而由于卫星通信技术的广泛应用，以及人们对卫星功能（如通信、遥感、导航）和星上处理能力要求的逐渐提高，星上极其有限的能源成为了限制卫星通信发展的瓶颈，通过功率分配提升系统资源利用率已成为当前研究热点。
针对多波束卫星通信系统，在其带宽分配与功率分配方面均已开展相关研究。然而，由于卫星终端在地理空间上的非均匀分布导致其业务量的非均匀分布，导致LEO波束间的业务量分布差异较大。负载较重的波束由于缺乏通信资源可能导致该波束内用户下行容量下降，而负载较轻波束内的资源利用率也会不足。如何考虑到业务量的分布情况对星上资源进行分配管理是当前亟需解决的问题。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案。
本发明一方面提供了一种多波束低轨卫星空间能源分配方法，包括：
获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；
基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；
利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；
依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
优选地，还包括：判断卫星所在地区的纬度，若卫星所在地区的纬度达到阈值，则关闭所有波束，直到卫星所在地区的纬度小于阈值，则根据星历信息和波束业务量对波束功率进行动态调节。
优选地，所述基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配包括：
以卫星缓存、最大允许时延、业务需求和信道容量的关系和同频干扰约束作为初始条件，计算出初始种群；
计算当前种群中染色体的适应度值，并选取适应度值超过阈值的染色体形成新种群，其中，用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数；
在新种群中随机选取两个染色体，并将该两个染色体的信息进行局部交换形成新染色体；
在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”；
计算新种群中染色体的适应度值，判断是否满足优化原则：若满足，则得到最优解或次优解，若不满足，则跳至步骤：计算当前种群中染色体的适应度值。
优选地，考虑同频干扰功率情况下的波束容量为：
Figure 697492DEST_PATH_IMAGE001
其中，
Figure 820300DEST_PATH_IMAGE002
表示波束
Figure 891024DEST_PATH_IMAGE003
的带宽，
Figure 757480DEST_PATH_IMAGE004
为分配给波束
Figure 925157DEST_PATH_IMAGE003
的功率，
Figure 671396DEST_PATH_IMAGE005
为分配给波束
Figure 308044DEST_PATH_IMAGE006
的功率，
Figure 165142DEST_PATH_IMAGE007
表示对天线增益做归一化处理，
Figure 203636DEST_PATH_IMAGE008
为噪声功率谱密度，
Figure 448673DEST_PATH_IMAGE009
为信道衰减系数，
Figure 244722DEST_PATH_IMAGE010
为波束容量；
时延约束条件为：
Figure 967827DEST_PATH_IMAGE011
其中，
Figure 47779DEST_PATH_IMAGE012
为时延，
Figure 948870DEST_PATH_IMAGE013
为波束
Figure 747061DEST_PATH_IMAGE003
的业务量，
Figure 211541DEST_PATH_IMAGE014
为误包率；
目标函数
Figure 959048DEST_PATH_IMAGE015
为：
Figure 217991DEST_PATH_IMAGE016
波束功率与总功率的关系为：
Figure 50949DEST_PATH_IMAGE017
其中，
Figure 319119DEST_PATH_IMAGE018
为波束
Figure 170401DEST_PATH_IMAGE003
的功率，
Figure 350977DEST_PATH_IMAGE019
为总功率；
适应度函数
Figure 123761DEST_PATH_IMAGE020
为：
Figure 195622DEST_PATH_IMAGE021
新种群中染色体的选中概率
Figure 640424DEST_PATH_IMAGE022
采用轮盘赌法计算，为每个染色体适应度所占整数额的比值：
Figure 506749DEST_PATH_IMAGE023
其中，
Figure 501250DEST_PATH_IMAGE024
为选择
Figure 376802DEST_PATH_IMAGE025
次的适应度总额，
Figure 891091DEST_PATH_IMAGE026
为染色体
Figure 990634DEST_PATH_IMAGE027
的适应度；
随机选取两个染色体
Figure 472431DEST_PATH_IMAGE028
，将他们的信息进行第j位基因局部交换形成新染色体；
Figure 371248DEST_PATH_IMAGE029
Figure 254890DEST_PATH_IMAGE030
其中，
Figure 728597DEST_PATH_IMAGE031
为[0,1]内的随机数，
Figure 245160DEST_PATH_IMAGE032
为染色体
Figure 196935DEST_PATH_IMAGE033
的第
Figure 935084DEST_PATH_IMAGE034
位基因，
Figure 579692DEST_PATH_IMAGE035
为染色体
Figure 583551DEST_PATH_IMAGE036
的第
Figure 339018DEST_PATH_IMAGE034
位基因；
随机抽取一个染色体
Figure 197252DEST_PATH_IMAGE037
对其第
Figure 497915DEST_PATH_IMAGE038
位基因进行“变异操作”：
Figure 176021DEST_PATH_IMAGE039
其中，
Figure 735178DEST_PATH_IMAGE038
为[0,1]内的随机数，
Figure 995389DEST_PATH_IMAGE040
是
Figure 981800DEST_PATH_IMAGE041
取值的上界，
Figure 147202DEST_PATH_IMAGE042
是
Figure 978892DEST_PATH_IMAGE041
取值的下界，
Figure 562451DEST_PATH_IMAGE043
为进化次数，
Figure 719763DEST_PATH_IMAGE041
为染色体
Figure 372461DEST_PATH_IMAGE037
的第
Figure 820891DEST_PATH_IMAGE038
位基因，
Figure 508224DEST_PATH_IMAGE044
为最大进化次数。
优选地，所述获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型包括：
根据物联网终端设备密度以及业务特征划分地理栅格；
根据星历信息计算出星座星下点轨迹以及覆盖范围模型，并据此划分地理栅格接入优先级；
计算各地理栅格的业务量，根据当前星历信息记录业务时刻的汇聚节点；
在各地理栅格上累加业务量，并记录每次业务的时间节点和空间节点，完成分区域业务特征模型的建立。
优选地，所述物联网终端设备密度根据如下公式进行计算：
Figure 570858DEST_PATH_IMAGE045
其中，
Figure 710853DEST_PATH_IMAGE046
表示物联网终端设备密度，
Figure 900657DEST_PATH_IMAGE047
表示栅格面积，
Figure 239234DEST_PATH_IMAGE048
表示第
Figure 738349DEST_PATH_IMAGE037
种环境类型所对应的设备密度，
Figure 850792DEST_PATH_IMAGE049
表示第
Figure 890292DEST_PATH_IMAGE037
种环境类型所占的面积，
Figure 286639DEST_PATH_IMAGE050
表示环境类型数量。
优选地，所述利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测包括：
根据波束和终端的位置关系获取接入波束；
根据接入波束与卫星之间的距离、以及用户与卫星之间的距离，计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离；
根据卫星的角速度计算切换时间和切换波束；
利用卫星、波束及用户数据，以及切换时间、波束号及终端位置，基于深度学习算法对业务量进行预测。
优选地，所述根据波束和终端的位置关系获取接入波束包括：
计算波束中心点的位置；
计算波束与终端之间的地心角；
将地心角转换为距离；
将距离最近的波束作为接入波束。
本发明第二方面提供了一种多波束低轨卫星空间能源分配装置，包括：
分区域业务特征模型建立模块，用于获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；
波束功率动态分配模块，用于基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；
业务量预测模块，用于利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；
边缘用户重划分模块，用于依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
本发明第三方面提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如第一方面所述的方法。
本发明的有益效果是：本发明提供的多波束低轨卫星空间能源分配方法、装置和电子设备，着眼于实际卫星应用场景，结合卫星轨道及具体星座位置解决了各载荷部件的资源分配问题；在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测，优化了全局搜索能力，对非线性问题求解不依赖梯度，获取分配结果更快，更适应波束动态变化的业务需求；有效地提高了卫星进行功率动态分配的效率，显著地提高了卫星的资源利用率；同时通过划分地理栅格制作分区域业务特征模型，优化了深度学习进行业务预测的能力；较现有技术而言，更贴近实际应用层面，并可以更具体地应用卫星通信所独有的星历信息通过控制波束开关完成功率分配。
附图说明
图1为本发明所述多波束低轨卫星空间能源分配方法的流程示意图；
图2为本发明所述波束构成和频率复用情况示意图；
图3为本发明所述地理栅格接入优先级划分示例示意图；
图4为本发明所述遗传算法流程架构图；
图5为本发明所述多波束低轨卫星空间能源分配装置的功能框架图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本发明实施例提供了一种多波束低轨卫星空间能源分配方法，包括：S101，获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；S102，基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；S103，利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；S104，依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。上述方法中涉及到的波束构成和频率复用情况可参考图2所示。
由于卫星由太阳能电池阵和蓄电池交替供电，能量容量十分有限。为满足现阶段低轨卫星增长的功能以及增益需求，同时保证卫星各部件在轨正常工作，本发明通过对卫星各功能单元进行开关管理来有效减少卫星消耗功率，合理分配系统的功率资源。其中，功能单元包括常开功能单元和可控功能单元。常开功能单元包括维持卫星正常运行的电源、姿态控制等，需要保持常开的运行状态；在可控功能单元中，除了可以对计算机GPU模块和X测控数传收发模块进行常规的节电降耗管理之外，还可以通过解读星历对星载多波束天线进行动态波束管理，从而减少卫星消耗功率，合理分配系统的功率资源；此外，对于相机、星间通信模块、DCS载荷等，可以通过触发器的使能信号开启；还可以通过增加认证过程，限定只有被授权用户才可向卫星发送数据，以防止其他类似终端，或废弃终端持续发送数据消耗星上资源。
其中，本发明提供的多波束低轨卫星空间能源分配方法可以实现对星载多波束天线的动态波束管理。
在执行步骤S101之前，还可以包括：判断卫星所在地区的纬度，若卫星所在地区的纬度达到阈值，则关闭所有波束，直到卫星所在地区的纬度小于阈值，则根据星历信息和波束业务量对波束功率进行动态调节。
卫星在轨工作后，可以由地面观测站观测得出星历信息，并可以进一步根据星历信息推算出星下点的运动轨迹。卫星可以根据星历信息中的自身星下点位置进行纬度判断。
当纬度达到阈值时，比如纬度大于等于60°时，卫星星座中各卫星之间的距离会很小，波束覆盖范围高度重合，且业务存在可能性较低，因此，为了卫星的节能降耗，则关闭所有波束，当卫星离开高纬度地区（纬度达到阈值，比如纬度大于等于60°），再开启所有波束，并对波束功率进行动态调节。需要说明的是，如果有特定指令开启波束的卫星，则保持波束开启。
在步骤S101中，地理栅格接入优先级的划分可如图3所示。在图3中，卫星每个单波束下均设立接入优先级，其中由于星下点与卫星距离最近，终端仰角最高，因此星下点优先级设置为一级（优先级最高），向外优先级依次降低；在终端处于多个波束重叠覆盖下时，自动选择优先级高的波束进行接入。
执行步骤S101，具体可以按照如下步骤进行实施：根据物联网终端设备密度以及业务特征划分地理栅格；根据星历信息计算出星座星下点轨迹以及覆盖范围模型，并据此划分地理栅格接入优先级；计算各地理栅格的业务量，根据当前星历信息记录业务时刻的汇聚节点；在各地理栅格上累加业务量，并记录每次业务的时间节点和空间节点，完成分区域业务特征模型的建立。
其中，所述物联网终端设备密度根据如下公式进行计算：
Figure 441808DEST_PATH_IMAGE045
其中，
Figure 556394DEST_PATH_IMAGE046
表示物联网终端设备密度，
Figure 602848DEST_PATH_IMAGE047
表示栅格面积，
Figure 401170DEST_PATH_IMAGE048
表示第
Figure 976508DEST_PATH_IMAGE037
种环境类型所对应的设备密度，
Figure 578391DEST_PATH_IMAGE049
表示第
Figure 162956DEST_PATH_IMAGE037
种环境类型所占的面积，
Figure 81365DEST_PATH_IMAGE050
表示环境类型数量。
执行步骤S102，如图4所示，基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配包括：以卫星缓存、最大允许时延、业务需求和信道容量的关系、同频干扰约束作为初始条件，计算出初始种群；计算当前种群中染色体的适应度值，并选取适应度值超过阈值的染色体形成新种群，其中，用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数；在新种群中随机选取两个染色体，并将该两个染色体的信息进行局部交换形成新染色体；在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”；计算新种群中染色体的适应度值，判断是否满足优化原则：若满足，则得到最优解或次优解，若不满足，则跳至步骤：计算当前种群中染色体的适应度值。
在本发明的一个优选实施例中，实施步骤S102时，可以采用如下公式和计算方法。
考虑同频干扰功率情况下的波束容量为：
Figure 827604DEST_PATH_IMAGE001
其中，
Figure 916782DEST_PATH_IMAGE002
表示波束
Figure 790192DEST_PATH_IMAGE003
的带宽，
Figure 15637DEST_PATH_IMAGE004
为分配给波束
Figure 260673DEST_PATH_IMAGE003
的功率，
Figure 322301DEST_PATH_IMAGE005
为分配给波束
Figure 983090DEST_PATH_IMAGE006
的功率，
Figure 328620DEST_PATH_IMAGE007
表示对天线增益做归一化处理，
Figure 682241DEST_PATH_IMAGE008
为噪声功率谱密度，
Figure 39622DEST_PATH_IMAGE009
为信道衰减系数，
Figure 769681DEST_PATH_IMAGE010
为波束容量。
时延约束条件为：
Figure 969718DEST_PATH_IMAGE011
其中，
Figure 244972DEST_PATH_IMAGE012
为时延，
Figure 264881DEST_PATH_IMAGE013
为波束
Figure 533051DEST_PATH_IMAGE003
的业务量，
Figure 135065DEST_PATH_IMAGE014
为误包率。
目标函数
Figure 96068DEST_PATH_IMAGE015
为：
Figure 868852DEST_PATH_IMAGE016
波束功率与总功率的关系为：
Figure 409554DEST_PATH_IMAGE017
其中，
Figure 334916DEST_PATH_IMAGE018
为波束
Figure 201241DEST_PATH_IMAGE003
的功率，
Figure 461321DEST_PATH_IMAGE019
为总功率。
适应度函数
Figure 618764DEST_PATH_IMAGE020
为：
Figure 382321DEST_PATH_IMAGE021
新种群中染色体的选中概率
Figure 685126DEST_PATH_IMAGE022
采用轮盘赌法计算，为每个染色体适应度所占整数额的比值：
Figure 166923DEST_PATH_IMAGE023
其中，
Figure 331319DEST_PATH_IMAGE024
为选择
Figure 11699DEST_PATH_IMAGE025
次的适应度总额，
Figure 485406DEST_PATH_IMAGE026
为染色体
Figure 205231DEST_PATH_IMAGE027
的适应度。
随机选取两个染色体
Figure 157007DEST_PATH_IMAGE028
，将他们的信息进行第j位基因局部交换形成新染色体；
Figure 895156DEST_PATH_IMAGE029
Figure 539764DEST_PATH_IMAGE030
其中，
Figure 543623DEST_PATH_IMAGE031
为[0,1]内的随机数，
Figure 299089DEST_PATH_IMAGE032
为染色体
Figure 891745DEST_PATH_IMAGE033
的第
Figure 192407DEST_PATH_IMAGE034
位基因，
Figure 136092DEST_PATH_IMAGE035
为染色体
Figure 695250DEST_PATH_IMAGE036
的第
Figure 407991DEST_PATH_IMAGE034
位基因。
随机抽取一个染色体
Figure 676292DEST_PATH_IMAGE037
对其第
Figure 107274DEST_PATH_IMAGE038
位基因进行“变异操作”：
Figure 938963DEST_PATH_IMAGE039
其中，
Figure 522523DEST_PATH_IMAGE038
为[0,1]内的随机数，
Figure 414255DEST_PATH_IMAGE040
是
Figure 129270DEST_PATH_IMAGE041
取值的上界，
Figure 780963DEST_PATH_IMAGE042
是
Figure 202717DEST_PATH_IMAGE041
取值的下界，
Figure 265351DEST_PATH_IMAGE043
为进化次数，
Figure 405345DEST_PATH_IMAGE041
为染色体
Figure 657466DEST_PATH_IMAGE037
的第
Figure 199306DEST_PATH_IMAGE038
位基因，
Figure 698420DEST_PATH_IMAGE044
为最大进化次数。
采用上述方法，不仅实现了对波束功率的动态调节，还通过考虑同频干扰功率，修正了CCI(同频干扰)带来的影响。
执行步骤S103，所述利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测包括：根据波束和终端的位置关系获取接入波束；根据接入波束与卫星之间的距离、以及用户与卫星之间的距离，计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离；根据卫星的角速度计算切换时间和切换波束；利用卫星、波束及用户数据，以及切换时间、波束号及位置，基于深度学习算法对业务量进行预测。
其中，所述根据波束和终端的位置关系获取接入波束包括：计算波束中心点的位置；计算波束与终端之间的地心角；将地心角转换为距离；将距离最近的波束作为接入波束。
在该步骤S103中，业务结束后，利用深度学习法分析由步骤S102得出的本次业务量与波束功率的实际分配情况，利用实时星历信息及用户位置信息，计算星下点及斜投影下多波束的用户覆盖模型并预测切换时刻。之后，由卫星智能处理单元提前进行对目标波束的资源预留等工作，减少切换时间，降低功率损耗，并且对之后的业务量进行预测分析，将多次业务情况放入神经网络进行多次迭代，更新全国分区域业务特征模型。
本发明实施例中，深度学习算法中采用的神经网络构成可以为：设卫星信道资源集合为
Figure 76443DEST_PATH_IMAGE051
，卫星网络总带宽为
Figure 53626DEST_PATH_IMAGE052
；设波束n的信道分配状态
Figure 449973DEST_PATH_IMAGE053
，
Figure 119988DEST_PATH_IMAGE054
表示业务优先级，由数值1-10表示，
Figure 782045DEST_PATH_IMAGE055
表示接入类型，
Figure 562919DEST_PATH_IMAGE056
为切换接入，
Figure 813772DEST_PATH_IMAGE057
为新接入；卫星信道的分布状态由波束信道分配状态的集合矩阵表示，
Figure 405421DEST_PATH_IMAGE058
。
设置
Figure 7304DEST_PATH_IMAGE059
为时隙
Figure 591869DEST_PATH_IMAGE060
时用户的业务长度，
Figure 498559DEST_PATH_IMAGE059
的动态更新过程可表示为：
Figure 244798DEST_PATH_IMAGE061
Figure 68398DEST_PATH_IMAGE062
为时隙
Figure 4124DEST_PATH_IMAGE060
时从队列中离开的数据包数，
Figure 229569DEST_PATH_IMAGE063
为时隙t时从卫星到达用户的业务数据包数。
针对问题建模，设定四个限制条件：条件1：
Figure 146709DEST_PATH_IMAGE064
，表示分配给波束的功率
Figure 723184DEST_PATH_IMAGE065
不能超过波束最大发射功率
Figure 197022DEST_PATH_IMAGE066
；条件2：
Figure 276973DEST_PATH_IMAGE067
，表示每个波束功率之和不超过卫星的总发射功率；条件3：
Figure 630594DEST_PATH_IMAGE068
，表示排队时延的限制条件；条件4：
Figure 179518DEST_PATH_IMAGE069
，表示用户和卫星间的时延
Figure 909577DEST_PATH_IMAGE070
不能超过卫星波束覆盖时长
Figure 640773DEST_PATH_IMAGE071
。
根据问题，对训练流程的状态、动作和奖励可以做如下定义：
状态：
Figure 181606DEST_PATH_IMAGE072
其中，
Figure 201515DEST_PATH_IMAGE073
为卫星信道的分布状态，
Figure 469685DEST_PATH_IMAGE059
为时隙
Figure 524229DEST_PATH_IMAGE060
时用户的业务长度，
Figure 32702DEST_PATH_IMAGE074
为卫星各波束分配功率的集合。
动作：
Figure 539907DEST_PATH_IMAGE075
其中，
Figure 611768DEST_PATH_IMAGE076
表示是否为该波束分配信道，
Figure 537130DEST_PATH_IMAGE077
表示不为当前请求用户分配信道与功率；
Figure 137875DEST_PATH_IMAGE078
表示分配功率的大小。
奖励：
Figure 194693DEST_PATH_IMAGE079
Figure 555398DEST_PATH_IMAGE080
其中，
Figure 584534DEST_PATH_IMAGE081
为用户分配的传输速率，
Figure 621760DEST_PATH_IMAGE082
为用户正常传输所需的最小速率。
用户分配的传输速率低于用户正常传输所需的最小速率时，说明分配效果较差，因此反馈
Figure 369136DEST_PATH_IMAGE083
，反之则反馈
Figure 267953DEST_PATH_IMAGE084
。
经验回放池中放置过往样本值：地心角、波束位置、分配功率、终端卫星距离等。
本实施例着眼于实际卫星应用场景，结合卫星轨道及具体星座位置解决了各载荷部件的资源分配问题；在考虑容量、时延和CCI等约束条件下使用遗传算法与深度学习结合的方式进行波束功率的动态分配以及业务预测，优化了全局搜索能力，对非线性问题求解不依赖梯度，获取分配结果更快，更适应波束动态变化的业务需求；有效地提高了卫星进行功率动态分配的效率，显著地提高了卫星的资源利用率；通过划分地理栅格，制作了全国分区域业务特征模型，优化了深度学习进行业务预测的能力；较现有技术而言，更贴近实际应用层面，并可以更具体地应用卫星通信所独有的星历信息通过控制波束开关完成功率分配。
实施例二
如图5所示，本发明的另一方面还包括和前述方法流程完全对应一致的功能模块架构，即本发明实施例还提供了一种多波束低轨卫星空间能源分配装置，包括：分区域业务特征模型建立模块501，用于获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；波束功率动态分配模块502，用于基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；业务量预测模块503，用于利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；边缘用户重划分模块504，用于依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
进一步地，所述装置还包括纬度判断模块，用于判断卫星所在地区的纬度，若卫星所在地区的纬度达到阈值，则关闭所有波束，直到卫星所在地区的纬度小于阈值，则根据星历信息和波束业务量对波束功率进行动态调节。
进一步地，所述波束功率动态分配模块具体用于：以卫星缓存、最大允许时延、业务需求和信道容量的关系、同频干扰约束作为初始条件，计算出初始种群；计算当前种群中染色体的适应度值，并选取适应度值超过阈值的染色体形成新种群，其中，用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数；在新种群中随机选取两个染色体，并将该两个染色体的信息进行局部交换形成新染色体；在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”；计算新种群中染色体的适应度值，判断是否满足优化原则：若满足，则得到最优解或次优解，若不满足，则跳至步骤：计算当前种群中染色体的适应度值。
进一步地，在所述波束功率动态分配模块中，考虑同频干扰功率情况下的波束容量为：
Figure 151596DEST_PATH_IMAGE001
其中，
Figure 422040DEST_PATH_IMAGE002
表示波束
Figure 141866DEST_PATH_IMAGE003
的带宽，
Figure 93641DEST_PATH_IMAGE004
为分配给波束
Figure 831790DEST_PATH_IMAGE003
的功率，
Figure 210819DEST_PATH_IMAGE005
为分配给波束
Figure 214678DEST_PATH_IMAGE006
的功率，
Figure 970144DEST_PATH_IMAGE007
表示对天线增益做归一化处理，
Figure 562800DEST_PATH_IMAGE008
为噪声功率谱密度，
Figure 129041DEST_PATH_IMAGE009
为信道衰减系数，
Figure 869464DEST_PATH_IMAGE085
为波束容量。
时延约束条件为：
Figure 163042DEST_PATH_IMAGE011
其中，
Figure 360937DEST_PATH_IMAGE012
为时延，
Figure 347347DEST_PATH_IMAGE013
为波束
Figure 575066DEST_PATH_IMAGE003
的业务量，
Figure 423068DEST_PATH_IMAGE014
为误包率。
目标函数
Figure 990315DEST_PATH_IMAGE015
为：
Figure 882048DEST_PATH_IMAGE016
波束功率与总功率的关系为：
Figure 800325DEST_PATH_IMAGE017
其中，
Figure 186438DEST_PATH_IMAGE086
为波束
Figure 873772DEST_PATH_IMAGE003
的功率，
Figure 998722DEST_PATH_IMAGE019
为总功率。
适应度函数
Figure 889449DEST_PATH_IMAGE020
为：
Figure 594100DEST_PATH_IMAGE021
新种群中染色体的选中概率
Figure 135940DEST_PATH_IMAGE022
采用轮盘赌法计算，为每个染色体适应度所占整数额的比值：
Figure 369475DEST_PATH_IMAGE023
其中，
Figure 759217DEST_PATH_IMAGE024
为选择
Figure 533138DEST_PATH_IMAGE025
次的适应度总额，
Figure 195063DEST_PATH_IMAGE087
为染色体
Figure 615811DEST_PATH_IMAGE027
的适应度。
随机选取两个染色体
Figure 730398DEST_PATH_IMAGE028
，将他们的信息进行第
Figure 245693DEST_PATH_IMAGE034
位基因局部交换形成新染色体；
Figure 762125DEST_PATH_IMAGE029
Figure 353774DEST_PATH_IMAGE030
其中，
Figure 752394DEST_PATH_IMAGE031
为[0,1]内的随机数，
Figure 336960DEST_PATH_IMAGE032
为染色体
Figure 458631DEST_PATH_IMAGE033
的第
Figure 204870DEST_PATH_IMAGE034
位基因，
Figure 28469DEST_PATH_IMAGE035
为染色体
Figure 416725DEST_PATH_IMAGE036
的第
Figure 189640DEST_PATH_IMAGE034
位基因。
随机抽取一个染色体
Figure 372360DEST_PATH_IMAGE037
对其第
Figure 948835DEST_PATH_IMAGE038
位基因进行“变异操作”：
Figure 360356DEST_PATH_IMAGE039
其中，
Figure 440307DEST_PATH_IMAGE038
为[0,1]内的随机数，
Figure 856245DEST_PATH_IMAGE040
是
Figure 405169DEST_PATH_IMAGE041
取值的上界，
Figure 869648DEST_PATH_IMAGE042
是
Figure 804106DEST_PATH_IMAGE041
取值的下界，
Figure 594208DEST_PATH_IMAGE060
为进化次数，
Figure 364849DEST_PATH_IMAGE041
为染色体
Figure 695336DEST_PATH_IMAGE037
的第
Figure 749880DEST_PATH_IMAGE038
位基因，
Figure 196036DEST_PATH_IMAGE044
为最大进化次数。
进一步地，所述分区域业务特征模型建立模块具体用于：根据物联网终端设备密度以及业务特征划分地理栅格；根据星历信息计算出星座星下点轨迹以及覆盖范围模型，并据此划分地理栅格接入优先级；计算各地理栅格的业务量，根据当前星历信息记录业务时刻的汇聚节点；在各地理栅格上累加业务量，并记录每次业务的时间节点和空间节点，完成分区域业务特征模型的建立。
进一步地，所述物联网终端设备密度根据如下公式进行计算：
Figure 703240DEST_PATH_IMAGE045
其中，
Figure 775102DEST_PATH_IMAGE046
表示物联网终端设备密度，
Figure 684152DEST_PATH_IMAGE047
表示栅格面积，
Figure 363526DEST_PATH_IMAGE048
表示第
Figure 358027DEST_PATH_IMAGE037
种环境类型所对应的设备密度，
Figure 233579DEST_PATH_IMAGE049
表示第
Figure 13447DEST_PATH_IMAGE037
种环境类型所占的面积，
Figure 785094DEST_PATH_IMAGE050
表示环境类型数量。
进一步地，在所述业务量预测模块中，所述利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测包括：根据波束和终端的位置关系获取接入波束；根据接入波束与卫星之间的距离、以及用户与卫星之间的距离，计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离；根据卫星的角速度计算切换时间和切换波束；利用卫星、波束及用户数据，以及切换时间、波束号及位置，基于深度学习算法对业务量进行预测。
其中，所述根据波束和终端的位置关系获取接入波束包括：计算波束中心点的位置；计算波束与终端之间的地心角；将地心角转换为距离；将距离最近的波束作为接入波束。
该装置可通过上述实施例一提供的多波束低轨卫星空间能源分配方法实现，具体的实现方法可参见实施例一中的描述，在此不再赘述。
本发明还提供了一种电子设备，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种多波束低轨卫星空间能源分配方法，其特征在于，包括：
获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；
基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；
利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；
依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
2.如权利要求1所述的多波束低轨卫星空间能源分配方法，其特征在于，还包括：判断卫星所在地区的纬度，若卫星所在地区的纬度达到阈值，则关闭所有波束，直到卫星所在地区的纬度小于阈值，则根据星历信息和波束业务量对波束功率进行动态调节。
3.如权利要求1所述的多波束低轨卫星空间能源分配方法，其特征在于，所述基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配包括：
以卫星缓存、最大允许时延、业务需求和信道容量的关系和同频干扰约束作为初始条件，计算出初始种群；
计算当前种群中染色体的适应度值，并选取适应度值超过阈值的染色体形成新种群，其中，用于计算适应度值的适应度函数为业务需求与分配容量的差值平方的倒数；
在新种群中随机选取两个染色体，并将该两个染色体的信息进行局部交换形成新染色体；
在新种群中随机抽取一个染色体并对其任意位基因进行“变异操作”；
计算新种群中染色体的适应度值，判断是否满足优化原则：若满足，则得到最优解或次优解，若不满足，则跳至步骤：计算当前种群中染色体的适应度值。
4.如权利要求3所述的多波束低轨卫星空间能源分配方法，其特征在于，考虑同频干扰功率情况下的波束容量为：
Figure 206616DEST_PATH_IMAGE001
其中，
Figure 389335DEST_PATH_IMAGE002
表示波束
Figure 372335DEST_PATH_IMAGE003
的带宽，
Figure 236386DEST_PATH_IMAGE004
为分配给波束
Figure 316337DEST_PATH_IMAGE003
的功率，
Figure 60171DEST_PATH_IMAGE005
为分配给波束
Figure 592784DEST_PATH_IMAGE006
的功率，
Figure 994946DEST_PATH_IMAGE007
表示对天线增益做归一化处理，
Figure 929404DEST_PATH_IMAGE008
为噪声功率谱密度，
Figure 126030DEST_PATH_IMAGE009
为信道衰减系数，
Figure 349201DEST_PATH_IMAGE010
为波束容量；
时延约束条件为：
Figure 351792DEST_PATH_IMAGE011
其中，
Figure 327707DEST_PATH_IMAGE012
为时延，
Figure 23131DEST_PATH_IMAGE013
为波束
Figure 468019DEST_PATH_IMAGE003
的业务量，
Figure 211984DEST_PATH_IMAGE014
为误包率；
目标函数
Figure 121034DEST_PATH_IMAGE015
为：
Figure 659463DEST_PATH_IMAGE016
波束功率与总功率的关系为：
Figure 653963DEST_PATH_IMAGE017
其中，
Figure 185308DEST_PATH_IMAGE018
为波束
Figure 152127DEST_PATH_IMAGE003
的功率，
Figure 189353DEST_PATH_IMAGE019
为总功率；
适应度函数
Figure 343254DEST_PATH_IMAGE020
为：
Figure 491338DEST_PATH_IMAGE021
新种群中染色体的选中概率
Figure 47085DEST_PATH_IMAGE022
采用轮盘赌法计算，为每个染色体适应度所占整数额的比值：
Figure 255212DEST_PATH_IMAGE023
其中，
Figure 145676DEST_PATH_IMAGE024
为选择N次的适应度总额，
Figure 35135DEST_PATH_IMAGE025
为染色体
Figure 773284DEST_PATH_IMAGE026
的适应度；
随机选取两个染色体
Figure 89996DEST_PATH_IMAGE027
，将他们的信息进行第
Figure 280806DEST_PATH_IMAGE028
位基因局部交换形成新染色体；
Figure 708376DEST_PATH_IMAGE029
Figure 35452DEST_PATH_IMAGE030
其中，
Figure 37912DEST_PATH_IMAGE031
为[0,1]内的随机数，
Figure 653701DEST_PATH_IMAGE032
为染色体
Figure 947279DEST_PATH_IMAGE033
的第
Figure 332124DEST_PATH_IMAGE028
位基因，
Figure 787376DEST_PATH_IMAGE034
为染色体
Figure 890462DEST_PATH_IMAGE035
的第
Figure 722151DEST_PATH_IMAGE028
位基因；
随机抽取一个染色体
Figure 476350DEST_PATH_IMAGE036
对其第
Figure 305765DEST_PATH_IMAGE037
位基因进行“变异操作”：
Figure 958463DEST_PATH_IMAGE038
其中，
Figure 531527DEST_PATH_IMAGE037
为[0,1]内的随机数，
Figure 687702DEST_PATH_IMAGE039
是
Figure 688019DEST_PATH_IMAGE040
取值的上界，
Figure 562434DEST_PATH_IMAGE041
是
Figure 188457DEST_PATH_IMAGE040
取值的下界，
Figure 667979DEST_PATH_IMAGE042
为进化次数，
Figure 901515DEST_PATH_IMAGE040
为染色体
Figure 200909DEST_PATH_IMAGE043
的第
Figure 178092DEST_PATH_IMAGE037
位基因，
Figure 246542DEST_PATH_IMAGE044
为最大进化次数。
5.如权利要求1所述的多波束低轨卫星空间能源分配方法，其特征在于，所述获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型包括：
根据物联网终端设备密度以及业务特征划分地理栅格；
根据星历信息计算出星座星下点轨迹以及覆盖范围模型，并据此划分地理栅格接入优先级；
计算各地理栅格的业务量，根据当前星历信息记录业务时刻的汇聚节点；
在各地理栅格上累加业务量，并记录每次业务的时间节点和空间节点，完成分区域业务特征模型的建立。
6.如权利要求5所述的多波束低轨卫星空间能源分配方法，其特征在于，所述物联网终端设备密度根据如下公式进行计算：
Figure 650979DEST_PATH_IMAGE045
其中，
Figure 686937DEST_PATH_IMAGE046
表示物联网终端设备密度，
Figure 405494DEST_PATH_IMAGE047
表示栅格面积，
Figure 656347DEST_PATH_IMAGE048
表示第
Figure 169368DEST_PATH_IMAGE036
种环境类型所对应的设备密度，
Figure 505671DEST_PATH_IMAGE049
表示第
Figure 762340DEST_PATH_IMAGE036
种环境类型所占的面积，
Figure DEST_PATH_IMAGE050
表示环境类型数量。
7.如权利要求1所述的多波束低轨卫星空间能源分配方法，其特征在于，所述利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测包括：
根据波束和终端的位置关系获取接入波束；
根据接入波束与卫星之间的距离、以及用户与卫星之间的距离，计算接入波束与用户之间的夹角、以及用户和切换边界之间的距离；
根据卫星的角速度计算切换时间和切换波束；
利用卫星、波束及用户数据，以及切换时间、波束号及终端位置，基于深度学习算法对业务量进行预测。
8.如权利要求7所述的多波束低轨卫星空间能源分配方法，其特征在于，所述根据波束和终端的位置关系获取接入波束包括：
计算波束中心点的位置；
计算波束与终端之间的地心角；
将地心角转换为距离；
将距离最近的波束作为接入波束。
9.一种多波束低轨卫星空间能源分配装置，其特征在于，包括：
分区域业务特征模型建立模块，用于获取卫星的星下点运动轨迹，并根据运动轨迹划分地理栅格接入优先级，结合初始业务开启区域建立分区域业务特征模型；
波束功率动态分配模块，用于基于遗传算法，根据星历信息和波束业务量对波束功率进行动态分配；
业务量预测模块，用于利用深度学习算法，根据业务量与波束功率之间的对应关系、星历信息及用户位置信息，对业务量进行预测；并将多次业务信息进行迭代，更新分区域业务特征模型；
边缘用户重划分模块，用于依据分区域业务特征模型，将负载重的波束中的边缘用户根据地理栅格划分的接入优先级分配给周边负载轻的波束。
10.一种电子设备，其特征在于，包括处理器和与所述处理器连接的存储器，所述存储器存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如权利要求1-8任一项所述的方法。
CN202211015730.XA 2022-08-24 2022-08-24 一种多波束低轨卫星空间能源分配方法、装置和电子设备 Active CN115103449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015730.XA CN115103449B (zh) 2022-08-24 2022-08-24 一种多波束低轨卫星空间能源分配方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015730.XA CN115103449B (zh) 2022-08-24 2022-08-24 一种多波束低轨卫星空间能源分配方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN115103449A true CN115103449A (zh) 2022-09-23
CN115103449B CN115103449B (zh) 2022-11-15

Family

ID=83300920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015730.XA Active CN115103449B (zh) 2022-08-24 2022-08-24 一种多波束低轨卫星空间能源分配方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN115103449B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111163520A (zh) * 2019-12-27 2020-05-15 东方红卫星移动通信有限公司 一种低轨卫星通信系统的动态资源分配方法
CN111182594A (zh) * 2019-12-12 2020-05-19 西安空间无线电技术研究所 一种基于星历信息的低轨卫星星座系统小区切换方法及装置
CN111262619A (zh) * 2020-01-20 2020-06-09 中国科学院计算技术研究所 一种多波束卫星资源分配方法及系统
CN113259950A (zh) * 2021-05-13 2021-08-13 重庆邮电大学 一种基于业务预测的低轨卫星点波束关闭方法
US20210344416A1 (en) * 2018-09-04 2021-11-04 Satixfy Israel Ltd. Allocation of Downlink Carrier Power in LEO Communication Satellites
US20220052756A1 (en) * 2018-09-10 2022-02-17 Telesat Technology Corporation Resource deployment optimizer for non-geostationary and/or geostationary communications satellites
CN114071528A (zh) * 2021-11-16 2022-02-18 北京邮电大学 基于业务需求预测的多波束卫星波束资源适配方法
WO2022107484A1 (en) * 2020-11-20 2022-05-27 Mitsubishi Electric Corporation Method implemented by user equipment to access satellite network
CN114665952A (zh) * 2022-03-24 2022-06-24 重庆邮电大学 一种基于星地融合架构下低轨卫星网络跳波束优化方法
CN114759973A (zh) * 2022-04-08 2022-07-15 重庆邮电大学 一种多波束卫星系统下基于能效优化的功率分配方法
CN114781247A (zh) * 2022-03-28 2022-07-22 南京航空航天大学 一种基于多目标NSGA-III算法的InSAR卫星任务规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210344416A1 (en) * 2018-09-04 2021-11-04 Satixfy Israel Ltd. Allocation of Downlink Carrier Power in LEO Communication Satellites
US20220052756A1 (en) * 2018-09-10 2022-02-17 Telesat Technology Corporation Resource deployment optimizer for non-geostationary and/or geostationary communications satellites
CN111182594A (zh) * 2019-12-12 2020-05-19 西安空间无线电技术研究所 一种基于星历信息的低轨卫星星座系统小区切换方法及装置
CN111163520A (zh) * 2019-12-27 2020-05-15 东方红卫星移动通信有限公司 一种低轨卫星通信系统的动态资源分配方法
CN111262619A (zh) * 2020-01-20 2020-06-09 中国科学院计算技术研究所 一种多波束卫星资源分配方法及系统
WO2022107484A1 (en) * 2020-11-20 2022-05-27 Mitsubishi Electric Corporation Method implemented by user equipment to access satellite network
CN113259950A (zh) * 2021-05-13 2021-08-13 重庆邮电大学 一种基于业务预测的低轨卫星点波束关闭方法
CN114071528A (zh) * 2021-11-16 2022-02-18 北京邮电大学 基于业务需求预测的多波束卫星波束资源适配方法
CN114665952A (zh) * 2022-03-24 2022-06-24 重庆邮电大学 一种基于星地融合架构下低轨卫星网络跳波束优化方法
CN114781247A (zh) * 2022-03-28 2022-07-22 南京航空航天大学 一种基于多目标NSGA-III算法的InSAR卫星任务规划方法
CN114759973A (zh) * 2022-04-08 2022-07-15 重庆邮电大学 一种多波束卫星系统下基于能效优化的功率分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张华明 等: "基于深度强化学习的低轨卫星下行功率分配方案", 《中国科学院大学学报》 *

Also Published As

Publication number Publication date
CN115103449B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN105009475B (zh) 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统
CN114362810A (zh) 一种基于迁移深度强化学习的低轨卫星跳波束优化方法
CN110518956B (zh) 基于时隙分配算法的跳波图案优化方法及装置、存储介质
CN113543074B (zh) 一种基于车路云协同的联合计算迁移和资源分配方法
CN110647391A (zh) 面向星地协同网络的边缘计算方法及系统
CN112134614B (zh) 一种多波束通信卫星的下行载波资源分配方法及系统
Chen et al. Learning-based computation offloading for IoRT through Ka/Q-band satellite–terrestrial integrated networks
Alsamhi et al. An efficient channel reservation technique for improved QoS for mobile communication deployment using high altitude platform
CN115021799B (zh) 一种基于多智能体协同的低轨卫星切换方法
WO2023245835A1 (zh) 一种基于栅格时延预测的卫星传输优化方法
Cui et al. Latency optimization for hybrid GEO–LEO satellite-assisted IoT networks
CN108738151A (zh) 一种基于粗略信息的无线预测资源分配方法
Zheng et al. LEO satellite channel allocation scheme based on reinforcement learning
Wang et al. Radio resource allocation for bidirectional offloading in space-air-ground integrated vehicular network
CN106304107A (zh) 一种基站布局方法及系统
CN113556163A (zh) 面向多类业务需求的中继卫星系统波束调度系统及方法
Bozkaya et al. Airnet: Energy-aware deployment and scheduling of aerial networks
Han et al. Two-timescale learning-based task offloading for remote IoT in integrated satellite–terrestrial networks
CN116886172A (zh) 基于机器学习的多波束卫星通信用户选择和频谱划分方法
CN116436513A (zh) 一种适用于大规模多层低轨卫星星座的协作跳波束方法
CN116546624B (zh) 跳波卫星业务预测与多维链路动态资源分配方法及装置
CN115103449B (zh) 一种多波束低轨卫星空间能源分配方法、装置和电子设备
Zhou et al. Improved artificial bee colony algorithm-based channel allocation scheme in low earth orbit satellite downlinks
Birabwa et al. Multi-agent deep reinforcement learning for user association and resource allocation in integrated terrestrial and non-terrestrial networks
Lu et al. Distributed task offloading for large-scale vec systems: A multi-agent deep reinforcement learning method

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method, device, and electronic device for space energy allocation of multi beam low orbit satellites

Granted publication date: 20221115

Pledgee: Beijing Zhongguancun bank Limited by Share Ltd.

Pledgor: Ellipse space time (Beijing) Technology Co.,Ltd.

Registration number: Y2024990000002